Probabilidad y Estadística

Guía de ejercicios – 2017

Juan Olivares
Copyright
c 2017 Juan Olivares

P UBLICADO POR J UAN O LIVARES

HTTP :// WWW. UDA . CL

Primera impresión, Marzo 2017

 Índice general

I Probabilidad
1 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1 Espacio muestral y eventos 7
1.2 Técnicas de conteo 7
1.3 Probabilidad de un evento 8
1.4 Probabilidad condicional 9
1.5 Regla de Bayes 10
1.6 Ejercicios 10

2 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Concepto de variables aleatorias 15
2.2 Distribuciones de probabilidad discretas 15
2.3 Distribuciones de probabilidad continuas 15
2.4 Distribución de probabilidad conjunta 15
2.5 Independencia de variables aleatorias 16
2.6 Esperanza matemática 17
2.7 Ejercicios 20

3 Distribuciones discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Proceso Bernoulli 27
3.2 Distribución binomial 27
3.3 Distribución geométrica 27
3.4 Distribución binomial-negativa 28
3.5 Distribución hipergeométrica 28
3.6 Distribución de Poisson 29
3.7 Ejercicios 29

4 Distribuciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 Distribución uniforme continua 33
4.2 Distribución normal 33
4.3 Distribución exponencial 34
4.4 Distribución gamma 34
4.5 Distribución χ 2 34
4.6 Distribución beta 34
4.7 Distribución log-normal 35
4.8 Distribución Weibull 35
4.9 Distribución t-student 36
4.10 Distribución F 36
4.11 Ejercicios 37

II Estadística
5 Estimación puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1 Conceptos generales 43
5.2 Métodos de estimación puntual 44
5.3 Ejercicios 44

6 Estimación por intervalos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

6.1 Estimación de la media 47
6.2 Estimación de la diferencia entre dos medias 48
6.3 Estimación de la proporción 49
6.4 Estimación de la diferencia de dos proporciones 49
6.5 Estimación de la varianza 50
6.6 Estimación de la proporción de varianzas 50
6.7 Ejercicios 50

7 Pruebas de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.1 Conceptos generales 53
7.2 Pruebas sobre la media 54
7.3 Ejercicios 54
I
Probabilidad

1 Probabilidades . . . . . . . . . . . . . . . . . . . . 7
1.1 Espacio muestral y eventos
1.2 Técnicas de conteo
1.3 Probabilidad de un evento
1.4 Probabilidad condicional
1.5 Regla de Bayes
1.6 Ejercicios

2 Variables aleatorias . . . . . . . . . . . . . . 15
2.1 Concepto de variables aleatorias
2.2 Distribuciones de probabilidad discretas
2.3 Distribuciones de probabilidad continuas
2.4 Distribución de probabilidad conjunta
2.5 Independencia de variables aleatorias
2.6 Esperanza matemática
2.7 Ejercicios

3 Distribuciones discretas . . . . . . . . . 27
3.1 Proceso Bernoulli
3.2 Distribución binomial
3.3 Distribución geométrica
3.4 Distribución binomial-negativa
3.5 Distribución hipergeométrica
3.6 Distribución de Poisson
3.7 Ejercicios

4 Distribuciones continuas . . . . . . . . 33
4.1 Distribución uniforme continua
4.2 Distribución normal
4.3 Distribución exponencial
4.4 Distribución gamma
4.5 Distribución χ 2
4.6 Distribución beta
4.7 Distribución log-normal
4.8 Distribución Weibull
4.9 Distribución t-student
4.10 Distribución F
4.11 Ejercicios
 1. Probabilidades

1.1 Espacio muestral y eventos

Definición 1.1.1 — Espacio muestral. Al conjunto de todos los resultados posibles de un experi-
mento aleatorio se le llama espacio muestral y se representa con el símbolo Ω.

Definición 1.1.2 — Evento. Un evento es un subconjunto de resultados contenidos en el espacio

muestral Ω. Un evento es simple si consiste en exactamente un resultado y compuesto si consiste en
más de un resultado.
Definición 1.1.3 Algunas relaciones de la teoría de conjuntos:
1. El complemento de un evento, denotado por Ac , es el conjunto de todos los resultados en Ω que
no están contenidos en A.
2. La unión de dos eventos A y B, denotados por A ∪ B y leídos “A o B”, es el evento que consiste en
todos los resultados que están en A o en B o en ambos eventos (de tal manera que la unión incluya
resultados donde tanto A como B ocurren, así también resultados donde ocurre exactamente uno),
es decir, todos los resultados en por lo menos uno de los eventos.
3. La intersección de dos eventos A y B, denotada A ∩ B y leída “A y B”, es el evento que consiste
en todos los resultados que están tanto en A como en B.

Definición 1.1.4 Que 0/ denote el evento nulo (el evento sin resultados). Dos eventos A y B son
mutuamente excluyentes o disjuntos si A ∩ B = 0;
/ es decir, si A y B no tienen elementos en común.

1.2 Técnicas de conteo

Definición 1.2.1 — Principio de multiplicación. Si una operación se puede ejecutar en n1 formas, y
si para cada una de éstas se puede llevar a cabo una segunda operación en n2 formas, y para cada una
de las primeras dos se puede realizar una tercera operación en n3 formas, y así sucesivamente, entonces
la serie de k operaciones se puede realizar en n1 n2 · · · nk .

Definición 1.2.2 Una permutación es una arreglo de todo o parte de un conjunto de objetos.

Definición 1.2.3 Para cualquier entero no negativo n, n!, denominado “n factorial” se define como

n! = n(n − 1)(n − 2) · · · 2 · 1,

con el caso especial de 0! = 1.

Teorema 1.2.1 El número de permutaciones de n objetos es n!.

 8 Capítulo 1. Probabilidades

Teorema 1.2.2 El número de permutaciones de n objetos distintos tomados de r a la vez es

n!
n Pr = .
(n − r)!

Teorema 1.2.3 El número de permutaciones de n objetos ordenados en un círculo es (n − 1)!.

Teorema 1.2.4 El número de permutaciones distintas de n objetos, en el que n1 son de una clase, n2 de
una segunda clase, . . . , nk de una k-ésima clase es
n!
.
n1 !n2 ! · · · nk !

Teorema 1.2.5 El número de formas de partir un conjunto de n objetos en r celdas con n1 elementos
en la primera celda, n2 elementos en la segunda, y así sucesivamente, es
 
n n!
= ,
n1 , n2 , . . . , nr n1 !n2 ! · · · nr !

donde n1 + n2 + · · · + nr = n.

Teorema 1.2.6 El número de combinaciones de n objetos distintos tomados de r a la vez es

 
n n!
= .
r r!(n − r)!

1.3 Probabilidad de un evento

Axioma 1.3.1 Axiomas de Kolmogorov:
1. Para cualquier evento A, P(A) ≥ 0.
2. P(Ω) = 1.
3. Si A1 , A2 , A3 , . . . es un conjunto de eventos mutuamente excluyentes, entonces
∞
P(A1 ∪ A2 ∪ A3 ∪ · · · ) = ∑ P(Ai ).
i=1

/ = 0, donde 0/ es el evento nulo (el evento que no contiene resultados en absoluto).

Proposición 1.3.2 P(0)
Esto a su vez implica que la propiedad contenida en el axioma 3 es válida para un conjunto finito de
eventos.
Proposición 1.3.3 Para cualquier evento A, P(A) + P(Ac ) = 1, a partir de la cual P(A) = 1 − P(Ac ).
Proposición 1.3.4 Para cualquier evento A, P(A) ≤ 1.

Teorema 1.3.5 Para dos eventos cualesquiera A y B,

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

 1.4 Probabilidad condicional 9

Corolario 1.3.6 Si A y B son mutuamente excluyentes, entonces

P(A ∪ B) = P(A) + P(B).

Corolario 1.3.7 Si A1 , A2 , . . . , An son mutuamente excluyentes, entonces

P(A1 ∪ A2 ∪ · · · ∪ An ) = P(A1 ) + P(A2 ) + · · · + P(An ).

Teorema 1.3.8 Para tres eventos cualesquiera A, B y C,

P(A ∪ B ∪C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩C) − P(B ∩C) + P(A ∩ B ∩C).

1.4 Probabilidad condicional

Definición 1.4.1 La probabilidad condicional de B, dado A, que se denota por P(B|A), se define como

P(A ∩ B)
P(B|A) = , siempre que P(A) > 0.
P(A)

Definición 1.4.2 Dos eventos A y B son independientes si y sólo si

P(B|A) = P(B), o P(A|B) = P(A),

si se asume la existencia de la probabilidad condicional. De otra forma, A y B son dependientes.

Teorema 1.4.1 Si en un experimento pueden ocurrir los eventos A y B, entonces

P(A ∩ B) = P(A)P(B|A), siempre que P(A) > 0.

Teorema 1.4.2 Dos eventos A y B son independientes si y sólo si

P(A ∩ B) = P(A)P(B).

Por lo tanto, para obtener la probabilidad de que ocurran dos eventos independientes simplemente
calculamos el producto de sus probabilidades individuales.

Teorema 1.4.3 Si, en un experimento, pueden ocurrir los eventos A1 , A2 , . . . , An , entonces

P(A1 ∩ A2 ∩ · · · ∩ An ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) · · · P(An |A1 ∩ A2 ∩ · · · An−1 ).

Si los eventos A1 , A2 , . . . , An son independientes, entonces

P(A1 ∩ A2 ∩ · · · ∩ An ) = P(A1 )P(A2 ) · · · P(An ).

 10 Capítulo 1. Probabilidades

1.5 Regla de Bayes

Teorema 1.5.1 — Ley de probabilidad total. Si los eventos B1 , B2 , . . . , Bn constituyen una partición
del espacio muestral Ω, tal que P(Bi ) > 0 para i = 1, 2, . . . , n, entonces, para cualquier evento A de Ω,
n n
P(A) = ∑ P(Bi ∩ A) = ∑ P(Bi )P(A|Bi ).
i=1 i=1

Teorema 1.5.2 — Regla de Bayes. Si los eventos B1 , B2 , . . . , Bn constituyen una partición del espacio
muestral Ω, donde P(Bi ) > 0 para i = 1, 2, . . . , n, entonces, para cualquier evento A de Ω, tal que
P(A) > 0,

P(Br ∩ A) P(Br )P(A|Br )

P(Br |A) = n = n , para r = 1, 2, . . . , n.
∑i=1 P(Bi ∩ A) ∑i=1 P(Bi )P(A|Bi )

1.6 Ejercicios
1. Sea P(A) = 0,59, P(B) = 0,30 y P(A ∩ B) = 0,21,
calcule las siguientes probabilidades: a) P(A ∩ Bc ).
b) P(Ac ∪ Bc ). c) P(Ac ∩ Bc ).
2. Los empleados de cierta compañía se encuentran se-
parados en tres divisiones. La siguiente tabla indica
el número de empleados en cada división clasifica-
dos por sexo.
Sexo
División Mujer Hombre
Administración 20 30
Operación planta 60 140
Ventas 100 50
Se selecciona un empleado aleatoriamente. Calcule
la probabilidad de que:
a) Trabaje en ventas o sea mujer.
b) Sea hombre y no trabaje en operación planta.
c) No sea mujer y no trabaje en ventas.
3. Un químico analiza muestras de agua de mar para
detectar la presencia de dos metales pesados: plomo
y mercurio. Encuentra que el 38 % de las muestras
tomadas en las proximidades de la desembocadura
de un río, en cuyas orillas se localizan numerosas
plantas industriales, tiene niveles tóxicos de plomo
o de mercurio, y que el 32 % tiene nivel tóxico de
plomo. De estas muestras, el 10 % contiene un nivel
tóxico de ambos metales. Calcule la probabilidad
de que una muestra dada contenga niveles tóxicos:
a) Sólo de mercurio.
b) De plomo pero no de mercurio.
4. Suponga que una persona está ubicada en el ori-
gen de un sistema de coordenadas cartesianas en el
plano. Lanza una moneda. En cada lanzamiento, si
obtiene una “cara” avanza una unidad hacia arriba;
si obtiene un “sello” avanza una unidad hacia la
derecha. Determine la probabilidad que al cabo de
4 lanzamientos se encuentre en el punto (2, 2).
5. En un pueblo de n + 1 habitantes, una persona dice
un rumor a otra quien a su vez se lo repite a una
tercera persona y así sucesivamente. En cada pa-
so el receptor del rumor es elegido al azar entre n
personas.
a) Describa en palabras el espacio muestral aso-
ciado a este experimento.
b) Encuentre la probabilidad de que el rumor se
transmite exactamente r veces antes de que
retorne a su iniciador.
c) Encuentre la probabilidad de que el rumor se
transmite exactamente r veces, sin ser repeti-
do a ninguna persona.
6. Calcule la probabilidad de que en un conjunto de
n personas, al menos dos de ellas tengan la misma
fecha de cumpleaños. Además, determine el valor
de n, en forma aproximada, para que la probabili-
dad anterior sea mayor que 50 %. Sugerencia: no
considere la existencia de años bisiestos y ni las
personas gemelas.
7. Un lote consta de 14 artículos buenos, 4 con defec-
tos pequeños y 2 con defectos graves. Se eligen 3
artículos al azar y sin reposición. Calcule la proba-
bilidad de que:
a) Todos los artículos sean buenos.
1.6 Ejercicios
b) Uno de cada tipo sean seleccionados.
c) Por lo menos uno sea bueno.
8. Se lanza una moneda al aire una vez. Entonces, si
cae “cara”, se lanza un dado una vez, si cae “se-
llo”, la moneda se lanza dos veces más. Utilice la
notación en la que (C, 2), por ejemplo, denota el
evento de que la moneda cae “cara” y entonces el
dado cae en 2, y (S, S, S) denota el evento de que la
moneda cae en “sello” tres veces seguidas. Calcule
la probabilidad de que se obtenga:
a) Exactamente una “cara”.
b) Al menos dos veces “sello” o un número ma-
yor que 4.
9. En determinada área de producción, 1/3 de los pro-
ductos hechos son defectuosos. Si tres productos
fueron seleccionados a azar, calcúlese la probabili-
dad de que:
a) Solamente uno de ellos sea defectuoso.
b) Al menos uno de ellos sea defectuoso.
10. Un investigador está estudiando los efectos de la
temperatura, la presión, y el tipo de catalizador en el
rendimiento de una determinada reacción química.
Tres diferentes temperaturas, cuatro diferentes pre-
siones, y cinco diferentes catalizadores están bajo
consideración.
a) Si cualquier ejecución del experimento, impli-
ca el uso de una sola temperatura, una presión,
y un catalizador, cuántas ejecuciones del ex-
perimento son posibles?
b) ¿Cuántas ejecuciones del experimento impli-
can el uso de la temperatura más baja y las
dos presiones más bajas?
c) Supongamos que cinco ejecuciones del ex-
perimento diferentes deben ser hechas en el
primer día. Si los cinco son seleccionados
al azar de entre todas las posibilidades, don-
de cualquier grupo de cinco tiene la misma
probabilidad de selección, ¿cuál es la probabi-
lidad de que un catalizador diferente se utiliza
en cada ejecución del experimento?
11. Una familia tiene tres hijos. Determinar todas las
posibles permutaciones, con respecto al sexo de los
hijos. Bajo las suposiciones adecuadas calcule la
probabilidad de tener:
a) Dos de los hijos tengan el mismo sexo.
b) Un varón y dos mujeres.
c) Tres hijos del mismo sexo.
12. Una tienda departamental que factura a sus clientes
una vez al mes ha encontrado que si un cliente paga
oportunamente en un mes, la probabilidad es 0,90
11
de que él o ella también pague oportunamente el
siguiente mes; sin embargo, si un cliente no paga
oportunamente en un mes, la probabilidad de que
él o ella pague oportunamente el siguiente mes es
solamente 0,40. Suponga que el pago oportuno o
no en un mes, depende solamente del mes anterior.
Calcule la probabilidad de que:
a) Un cliente que paga oportunamente en un mes
también pagará oportunamente los tres meses
siguientes.
b) Un cliente que no paga oportunamente en un
mes tampoco pagará oportunamente los si-
guientes dos meses y después haga un pago
oportuno al mes siguiente de ello.
13. Supongamos que en la ciudad de Copiapó los días
pueden ser soleados o nublados. La probabilidad de
que a un día nublado le siga un día nublado es 0,80
y la probabilidad de que a un día soleado le siga
un día nublado es 0,60. Suponga que cada día es
clasificado como lluvioso o soleado y que el tiempo
de cualquier día depende sólo del tiempo del día
anterior. Encuentre la probabilidad de que a un día
nublado le siga:
a) Un día nublado, un día soleado y otro día
nublado.
b) Dos días soleados y después un día nublado.
c) Dos días nublados y después dos días solea-
dos.
14. Un conjunto electrónico consta de dos subsistemas,
se define A como el evento de que el primer sistema
falle y B el evento de que el segundo sistema falle.
A partir de una serie de pruebas previas, se presu-
ponen las siguientes probabilidades: P(A) = 0,20,
P(B) = 0,15 y P(A ∩ B) = 0,15. Calcular las si-
guientes probabilidades: a) P(A|B). b) P(A ∪ B).
c) P(A ∩ Bc ).
15. Una costura hecha en un avión necesita 25 rema-
ches. La costura tendrá que volver a realizarse si
cualquiera de los remaches está defectuoso. Supon-
ga que los remaches están defectuosos indepen-
dientemente unos de otros, cada uno con la misma
probabilidad.
a) Si 14 % de todas las costuras necesitan volver
a efectuarse, ¿cuál es la probabilidad de que
un remache esté defectuoso?
b) ¿Qué tan pequeña debe ser la probabilidad de
un remache defectuoso para asegurar que só-
lo 10 % de todas las costuras necesitan volver
a efectuarse.
16. Un avión tiene cuatro motores. Cada motor tiene
12
una probabilidad de fallar de 0,001 en un vuelo
de Nueva York a París. El avión se estrellará si en
algún momento dos o menos motores trabajan en
forma adecuada. Suponga que las fallas de motores
distintos son independientes.
a) ¿Cuál es la probabilidad de que el avión se
estrelle?
b) Dado que el motor 1 no fallará durante el vue-
lo, ¿cuál es la probabilidad de que el avión se
estrelle?
c) Dado que el motor 1 fallará durante el vuelo,
¿cuál es la probabilidad de que el avión no se
estrelle?
17. Por experiencia se sabe que en cierta industria 60 %
de todos los litigios entre los trabajadores y la admi-
nistración son por salarios, 15 % por las condiciones
de trabajo y 25 % son sobre aspectos de prestacio-
nes. También 45 % de los litigios por salarios se
resuelven sin huelgas, 70 % de los litigios por con-
diciones de trabajo, se resuelven sin huelgas y 40 %
de los litigios acerca de prestaciones se resuelven
sin huelgas.
a) ¿Cuál es la probabilidad de que un litigio
entre trabajadores y la administración se re-
suelva sin una huelga?
b) ¿Cuál es la probabilidad de que un litigio
entre los trabajadores y la administración se
resuelva sin huelga, sea por salario?
18. Un empresario petrolero desea saber si su campo
petrolero del sur de Japón producirá petróleo. Con-
trató a un geólogo para que efectúe unas pruebas
en el campo. Si hay petróleo en el campo, hay 95 %
de posibilidades de que las pruebas del geólogo
indiquen que hay petróleo. Si el campo no tiene pe-
tróleo, hay 5 % de posibilidades de que las pruebas
del geólogo indiquen que si lo hay. Si las pruebas
del geólogo dicen que no hay petróleo, ¿cuál es la
probabilidad de que el campo tenga petróleo? Antes
de que el geólogo efectúe las pruebas, el empresario
cree que hay 10 % de posibilidades de que el campo
tenga petróleo.
19. Amazon
c
emplea tres personas que trabajan en
la bodega, U, V y W , quienes retiran los artículos
de los anaqueles y los reúnen para su subsecuente
verificación y empaque. U comete un error en una
orden (saca el artículo equivocado o la cantidad
equivocada) una vez de cien, V comete un error
en una orden cinco veces de cien, y W comete un
error en una orden tres veces de cien. Si U, V y W
surten, respectivamente 30 %, 40 % y 30 % de todas
Capítulo 1. Probabilidades
las órdenes. Calcule la probabilidad de que:
a) Se cometa un error en una orden.
b) Si se comete un error en una orden, la orden
haya sido surtida por U.
c) Si se comete un error en una orden, la orden
haya sido surtida por V .
20. Tres máquinas A, B y C, producen el 45 %, 30 % y
25 %, respectivamente, del total de artículos en una
fábrica. Los porcentajes de producción defectuosa
de las máquinas A, B y C son del 3 %, 4 % y 5 %,
respectivamente.
a) Se selecciona al azar un artículo, ¿cuál es la
probabilidad que el artículo sea defectuoso?
b) Seleccionamos al azar un artículo y resulta
defectuoso, ¿cuál es la probabilidad de ha-
ber sido producido por la máquina A?, ¿qué
máquina tiene mayor probabilidad de haber
producido la pieza defectuosa?
21. En cierta gasolinera, 60 % de los clientes utilizan
gasolina regular y 40 % extra. De los clientes que
consumen gasolina regular, 30 % llenan sus tanques
y de los que consumen gasolina extra, 50 % llenan
sus tanques.
a) ¿Cuál es la probabilidad de que el siguiente
cliente llene el tanque?
b) Si el siguiente cliente llena el tanque, ¿cuál
es la probabilidad de que pida gasolina extra?
22. Se sabe que una empresa utiliza cuatro máquinas
en la fabricación de cierto producto y que la produc-
ción diaria de cada una de ellas es, respectivamente
1 000, 1 200, 1 800 y 2 000 piezas. Se sabe además
que en promedio, el 1 % de la producción de la
primera máquina es “defectuoso”, el 0,5 % de la
producción de la segunda es “defectuoso”, el 0,5 %
de la producción de la tercera es “defectuoso” y el
1 % de la producción de la cuarta es “defectuosos”.
a) ¿Cuál es la probabilidad de que una pieza sea
defectuosa?
b) Si de la producción de cierto día se extrae una
pieza que resulta ser defectuosa, ¿cuál es la
probabilidad de que dicha pieza proceda de
la tercera máquina?
23. Una empresa produce un tipo de chip para compu-
tadora. Esta empresa tiene fábricas en Antofagasta,
Copiapó y La Serena. La fábrica de Antofagasta
produce el 40 % del total de unidades con un índice
de defectos del 5 %, en Copiapó se produce el 35 %
de las unidades con un índice de defectos del 8 %
y en La Serena, el 25 % con un índice de defectos
del 10 %. Si se encuentra un chip que es defectuo-
1.6 Ejercicios
so, ¿de dónde es más probable que provenga, de
Antofagasta, Copiapó o de La Serena? Justifique su
respuesta.
24. Un ingeniero químico esta interesado en determi-
nar si cierta traza de impureza está presente en un
producto. La probabilidad de que la impureza es-
té presente es 0,40 y que esté ausente es 0,60. Un
experimento tiene una probabilidad de 0,80 de de-
tectar la impureza si está presente. La probabilidad
de no detectar la impureza si no está presente es
0,90.
a) ¿Cuál es la probabilidad de que el experimen-
to detecte la impureza?
b) Si el experimento detecta una impureza.
¿Cuál es la probabilidad de que la impureza
esté presente en el producto?
25. Una compañía de desarrollo urbano está consideran-
do la posibilidad de construir un centro comercial
en el sector alto de la ciudad de Copiapó. Un ele-
mento vital en esta consideración es un proyecto
de una autopista que une este sector con el centro
de la ciudad. Si el consejo municipal aprueba esta
autopista, hay una probabilidad de 0,90 de que la
compañía construya el centro comercial en tanto
que si la autopista no es aprobada la probabilidad
es de sólo 0,20. Basándose en la información dis- 28. Una prueba de sangre de laboratorio es 99 % efecti-
ponible, el presidente de la compañía estima que
hay una probabilidad de 0,60 que la autopista sea
aprobada.
a) ¿Cuál es la probabilidad que la compañía
construya el centro comercial?
b) Dado que el centro comercial fue construido,
¿cuál es la probabilidad de que la autopista
haya sido construida?
26. Una compañía que produce cierto componente elec-
trónico, tiene tres fabricas: F1 , F2 y F3 . Las fabricas
13
F2 y F3 producen el mismo número de componentes,
mientas que F1 produce el doble de componentes
que F2 . Por experiencia pasada se sabe, que el 2 %
de los componentes producidos por F1 y F2 respec-
tivamente son defectuosos, en tanto que el 4 % de
los producidos por F3 son defectuosos. Los compo-
nentes producidos por las tres fabricas se guardan
en un mismo almacén. Si se escoge un componente
del almacén:
a) ¿Cuál es la probabilidad que sea defectuoso?
b) Si el componente es defectuoso, ¿cuál es la
probabilidad que haya sido fabricado por F1 ?
27. La compañía ensambladora de automóviles CAR,
se ha presentado a una licitación, para ensamblar
un nuevo modelo de automóvil. La probabilidad
de que CAR gane la licitación es de 0,90 si una
firma competidora MOTOR no se presente a ella,
en tanto que es de sólo 0,20 si MOTOR se presen-
ta. El gerente general de CAR estima que hay una
probabilidad de 0,80 que MOTOR se presente.
a) ¿Cuál es la probabilidad de que CAR gane la
licitación?
b) Dado que CAR ganó la licitación, ¿cuál es la
probabilidad de que MOTOR se haya presen-
tado a ella?
va para detectar cierta enfermedad cuando ocurre
realmente. Sin embargo, la prueba también da un
resultado “positivo falso” en 1 % de las personas
sanas a las que se les aplica. (Es decir, si se le hace
a prueba a una persona sana, con probabilidad 0,01
el resultado de la prueba implicará que la persona
padece la enfermedad). Si 0,5 % de la población
tiene realmente la enfermedad, ¿cuál es la probabi-
lidad de que una persona tenga la enfermedad si la
prueba dio resultado positivo?
 2. Variables aleatorias

2.1 Concepto de variables aleatorias

Definición 2.1.1 Una variable aleatoria es una función que asocia un número real con cada elemento
del espacio muestral.

Definición 2.1.2 Si un espacio muestral contiene un número finito de posibilidades, o una serie
interminable con tantos elementos como números enteros existen, se llama espacio muestral discreto.

Definición 2.1.3 Si un espacio muestral contiene un número infinito de posibilidades, igual al número
de puntos en un segmento de recta, se le denomina espacio muestral continuo.

2.2 Distribuciones de probabilidad discretas

Definición 2.2.1 El conjunto de pares ordenados (x, f (x)) es una función de probabilidad, una
función de masa de probabilidad o una distribución de probabilidad de la variable aleatoria discreta
X si, para cada resultado x posible,
1. f (x) ≥ 0,
2. ∑x f (x) = 1,
3. P(X = x) = f (x).

Definición 2.2.2 La función de distribución acumulada F(x) de una variable aleatoria discreta X
con distribución de probabilidad f (x) es

F(x) = P(X ≤ x) = ∑ f (t), para − ∞ < x < ∞.

t≤x

2.3 Distribuciones de probabilidad continuas

Definición 2.3.1 La función f (x) es una función de densidad de probabilidad (fdp) para la variable
aleatoria continua X, definida en el conjunto de números reales, si
1. Rf (x) ≥ 0, para toda x ∈ R.
∞
2. −∞ f (x) dx = 1.
3. P(a < X < b) = ab f (x) dx.
R

Definición 2.3.2 La función de distribución acumulada F(x), de una variable aleatoria continua X
con función de densidad f (x), es
Z x
F(x) = P(X ≤ x) = f (t) dt, para − ∞ < x < ∞.
−∞

2.4 Distribución de probabilidad conjunta

 16 Capítulo 2. Variables aleatorias
Definición 2.4.1 La función f (x, y) es una distribución de probabilidad conjunta o función de
masa de probabilidad de las variables aleatorias discretas X e Y , si
1. f (x, y) ≥ 0 para toda (x, y),
2. ∑x ∑y f (x, y) = 1,
3. P(X = x,Y = y) = f (x, y).
Para cualquier región A en el plano, P((X,Y ) ∈ A) = ∑ ∑A f (x, y).

Definición 2.4.2 La función f (x, y) es una función de densidad de conjunta de las variables aleato-
rias continuas X e Y , si
1. Rf (x,Ry) ≥ 0 para toda (x, y),
∞ ∞
2. −∞ −∞ f (x, y) dxRdy
R
= 1,
3. P((X,Y ) ∈ A) = A f (x, y) dx dy, para cualquier región A en el plano.

Definición 2.4.3 Las distribuciones marginales sólo si X y sólo de Y son

g(x) = ∑ f (x, y), y h(y) = ∑ f (x, y),

y x

para el caso discreto, y

Z ∞ Z ∞
g(x) = f (x, y) dy, y h(y) = f (x, y) dx,
−∞ −∞

para el caso continuo.

Definición 2.4.4 Sean X e Y dos variables aleatorias, discretas o continuas. La distribución condi-
cional de la variable aleatoria Y , dado que X = x, es

f (x, y)
f (y|x) = , siempre que g(x) > 0.
g(x)

De manera similar, la distribución condicional de la variable aleatoria X, dado que Y = y, es

f (x, y)
f (x|y) = , siempre que h(y) > 0.
h(y)

2.5 Independencia de variables aleatorias

Definición 2.5.1 Sean X e Y dos variables aleatoria, discretas o continuas, con distribución de
probabilidad conjunta f (x, y) y distribuciones marginales g(x) y h(y), respectivamente. Se dice que las
variables aleatorias X e Y son estadísticamente independientes si y sólo si

f (x, y) = g(x)h(y),

para toda (x, y) dentro de sus rangos.

Definición 2.5.2 Sean X1 , X2 , . . . , Xn , n variables aleatorias, discretas o continuas, con distribución

de probabilidad conjunta f (x1 , x2 , . . . , xn ) y distribuciones marginales f1 (x1 ), f2 (x2 ), . . . , fn (xn ), res-
pectivamente. Se dice que las variables aleatorias X1 , X2 , . . . , Xn son recíproca y estadísticamente
 2.6 Esperanza matemática 17

independientes si y sólo si

f (x1 , x2 , . . . , xn ) = f1 (x1 ) f2 (x2 ) · · · fn (xn ),

para toda (x1 , x2 , . . . , xn ) dentro de sus rangos.

2.6 Esperanza matemática

Definición 2.6.1 Sea X una variable aleatoria con distribución de probabilidad f (x). La media o
valor esperado de X es

µ = E[X] = ∑ x f (x),
x

si X es discreta, y
Z ∞
µ = E[X] = x f (x) dx,
−∞

si X es continua.

Teorema 2.6.1 Sea X una variable aleatoria con distribución de probabilidad f (x). La media o valor
esperado de la variable aleatoria g(X) es

µg(X) = E[g(X)] = ∑ g(x) f (x),

x

si X es discreta, y
Z ∞
µg(X) = E[g(X)] = g(x) f (x) dx,
−∞

si X es continua.

Definición 2.6.2 Sean X e Y variables aleatorias con distribuciones de probabilidad conjunta f (x, y).
La media o valor esperado de la variable aleatoria g(X,Y ) es

µg(X,Y ) = E[g(X,Y )] = ∑ ∑ g(x, y) f (x, y),

x y

si X e Y son discretas, y
Z ∞Z ∞
µg(X,Y ) = E[g(X,Y )] = g(x, y) f (x, y) dx dy,
−∞ −∞

si X e Y son continuas.
Definición 2.6.3 Sea X una variable aleatoria con distribución de probabilidad f (x) y media µ = E[X].
18 Capítulo 2. Variables aleatorias

La varianza de X es

σ 2 = V(X) = E[(X − µ)2 ] = ∑(x − µ)2 f (x), si X es discreta, y

x
Z ∞
σ 2 = V(X) = E[(X − µ)2 ] = (x − µ)2 f (x) dx, si X es continua.
−∞

La raíz cuadrada positiva de la varianza, se llama desviación estándar de X. Además la varianza se

puede definir como

σ 2 = E[X 2 ] − µ 2 .

Teorema 2.6.2 Sea X una variable aleatoria con distribución de probabilidad f (x). La varianza de la
variable aleatoria g(X) es
2
σg(X) = E[(g(X) − µg(X) )2 ] = ∑(g(x) − µg(x) )2 f (x),
x

si X es discreta, y
Z ∞
2 2
σg(X) = E[(g(X) − µg(X) ) ] = (g(x) − µg(x) )2 f (x) dx,
−∞

si X es continua.

Definición 2.6.4 Sean X e Y variables aleatorias con distribución de probabilidad conjunta f (x, y). La
covarianza de X e Y es

σXY = E[(X − µX )(Y − µY )] = ∑ ∑(x − µX )(y − µY ) f (x, y),

x y

si X e Y son discretas, y
Z ∞Z ∞
σXY = E[(X − µX )(Y − µY )] = (x − µX )(y − µY ) f (x, y) dx dy,
−∞ −∞

si X e Y son continuas.

Teorema 2.6.3 La covarianza de dos variables aleatorias X e Y , con medias µX y µY , respectivamente

está dada por

σXY = E[XY ] − µX µY .

Definición 2.6.5 Sean X e Y variables aleatorias con covarianza σXY y desviaciones estándar σX y
σY , respectivamente. El coeficiente de correlación de X e Y es
σXY
ρXY = .
σX σY
2.6 Esperanza matemática 19

Teorema 2.6.4 Si a y b son constantes, entonces,

E[aX + b] = aE[X] + b.

Corolario 2.6.5 Al establecer a = 0 vemos que E[b] = b.

Corolario 2.6.6 Al establecer b = 0 vemos que E[aX] = aE[X].

Teorema 2.6.7 El valor esperado de la suma o diferencia de dos o más funciones de una variable
aleatoria X es la suma o diferencia de los valores esperados de las funciones. Es decir,

E[g(X) ± h(X)] = E[g(X)] ± E[h(X)].

Teorema 2.6.8 El valor esperado de la suma o diferencia de dos o más funciones de las variables
aleatorias X e Y es la suma o diferencia de los valores esperados de las funciones. Es decir,

E[g(X,Y ) ± h(X,Y )] = E[g(X,Y )] ± E[h(X,Y )].

Corolario 2.6.9 Si establecemos que g(X,Y ) = g(X) y h(X,Y ) = h(Y ), vemos que

E[g(X) ± h(Y )] = E[g(X)] ± E[h(Y )].

Corolario 2.6.10 Si establecemos que g(X,Y ) = X y h(X,Y ) = Y , vemos que

E[X ±Y ] = E[X] ± E[Y ].

Teorema 2.6.11 Sean X e Y dos variables aleatorias independientes. Entonces,

E[XY ] = E[X]E[Y ].

Corolario 2.6.12 Sean X e Y dos variables aleatorias independientes. Entonces, σXY = 0.

Teorema 2.6.13 Si X e Y son variables aleatorias con distribución de probabilidad conjunta f (x, y), y
a, b y c son constantes, entonces
2 2 2 2 2
σaX+bY +c = a σX + b σY + 2abσXY .

Corolario 2.6.14 Si se establece que b = 0, vemos que

2
σaX+c = a2 σX2 = a2 σ 2 .
 20 Capítulo 2. Variables aleatorias

Corolario 2.6.15 Si se establece que a = 1 y b = 0, vemos que

2
σX+c = σX2 = σ 2 .

Corolario 2.6.16 Si se establece que b = 0 y c = 0, vemos que

2
σaX = a2 σX2 = a2 σ 2 .

Corolario 2.6.17 Si X e Y son variables aleatorias independientes, entonces

2
σaX+bY = a2 σX2 + b2 σY2 .

Corolario 2.6.18 Si X e Y son variables aleatorias independientes, entonces

2
σaX−bY = a2 σX2 + b2 σY2 .

Corolario 2.6.19 Si X1 , X2 , . . . , Xn son variables aleatorias independientes, entonces

σa21 X1 +a2 X2 +···+an Xn = a21 σX21 + a22 σX22 + · · · + a2n σX2n .

Teorema 2.6.20 — Teorema de Chebyshev. La probabilidad de que cualquier variable aleatoria X

tome un valor dentro de k desviaciones estándar de la media es de al menos 1 − 1/k2 . Es decir,

1
P(µ − kσ < X < µ + kσ ) ≥ 1 − .
k2

2.7 Ejercicios
1. Un juego consiste en lanzar un dado y ganar en di-
nero el número que sale multiplicado por $1 000, es
decir, si sale 5 se gana $5 000. Por otra parte, para
participar en el juego, es decir, lanzar una vez el
dado debe pagar $4 000. Sea X la variable aleatoria
que refleja la ganancia en el juego.
a) Defina el soporte de la variable aleatoria.
b) Encuentre la función de masa de probabilidad
de la variable aleatoria X.
c) ¿Aconsejaría usted a un amigo(a) participar
en el juego?
2. Se lanzan dos dados equilibrados distinguibles. Pue-
de utilizar la notación (i, j) que denota el evento de
que el resultado del “dado 1” fue i y el resultado
del “dado 2” fue j. Si se define la variable aleatoria
X como la suma de los resultados obtenidos por los
dados.
a) Determine el espacio muestral del experimen-
to aleatorio.
b) Defina el soporte de la variable aleatoria X.
c) Encuentre la función de masa de probabilidad
de la variable aleatoria X.
3. Se lanzan tres monedas honestas simultáneamente
hasta que las tres muestran el mismo lado, es decir,
hasta que o bien las tres muestran “cara” o bien las
tres muestran “sello”. Defina la variable aleatoria X
como aquella variable que cuenta los lanzamientos
necesarios para que las tres monedas muestran el
mismo lado.
a) Determine el conjunto de valores que puede
tomar la variable X. Además, obtenga la fun-
ción de masa de probabilidad del número de
lanzamientos de este experimento.
b) Calcule la probabilidad que deba que lanzar-
las más de tres veces.
4. Se lanza una serie de cohetes hasta que el primer
2.7 Ejercicios 21

lanzamiento exitoso tiene lugar. Si esto no ocurre en 8. Un contratista es requerido por un departamento de
5 ensayos, el experimento se detiene y se inspeccio- planeación de un municipio para que remita uno,
na el equipo. Supóngase que hay una probabilidad dos, tres, cuatro o cinco formularios (dependiendo
constante de 0,8 de tener un lanzamiento exitoso y de la naturaleza del proyecto) para solicitar permiso
que los ensayos sucesivos son independientes. Ade- de construcción. Sea Y : “el número de formularios
más, el costo del primer lanzamiento es k dólares requeridos del siguiente solicitante”. La probabili-
mientras que los lanzamientos que siguen cuestan dad de que y formularios se requieran es proporcio-
k/3 dólares. Cada vez que hay un lanzamiento exi- nal a y, esto es, p(y) = ky, para y = 1, . . . , 5.
toso, se obtiene cierta cantidad de información que a) ¿Cuál es el valor de k?
puede expresarse como una ganancia financiera de b) ¿Cuál es la probabilidad de que por lo menos
c dólares. Si T es el costo neto del experimento, se necesiten tres formularios?
encuentre la función de masa de probabilidad del c) ¿Cuál es la probabilidad de que se necesiten
costo neto del experimento. entre dos y cuatro formularios?
5. Una urna contiene cuatro esferas numeradas (1, 2, 9. Sea X una variable aleatoria con función de distri-
3 y 4). Se extraen dos esferas en forma aleatoria, bución acumulada dada por:
una a la vez y sin reemplazo. Sea X la variable alea- 
0 , si x < 1,
toria que denota la suma de los números de las dos 
 13 , si 1 ≤ x < 4,



esferas seleccionadas. 1
a) Determine Ω.
F(x) = 2 , si 4 ≤ x < 6,
5
, si 6 ≤ x < 10,


b) Determine el soporte de la variable aleatoria  6


1 , si x ≥ 10,
y calcule su función de masa de probabilidad.
c) Calcule: i) P(X ≥ 6). ii) P(3 < X ≤ 5). encuentre:
iii) P(X = 6). a) P(2 < X ≤ 6).
6. Suponga que un fabricante de computadora recibe b) P(X = 4).
chips en lotes de cinco. Dos chips son selecciona- c) La función de masa de probabilidad de X.
dos de cada lote para realizar una inspección de 10. Sea X una variable aleatoria con función de distri-
control de calidad. Podemos representar los posi- bución acumulada dada por:
bles resultados del proceso de selección por pares. 
0 , si x < 1,
Por ejemplo, el par (1, 2) representa la selección


 0,2 , si 1 ≤ x < 2,


del chips 1 y 2.
F(x) = 0,6 , si 2 ≤ x < 3,
a) Liste los diez diferentes posibles resultados 

 0,7 , si 3 ≤ x < 4,
del proceso de selección. 

1 , si x ≥ 4.
b) Suponga que los chips 1 y 2 son los únicos
chips defectuosos en el lote de cinco. Los Calcule la esperanza y varianza de X.
chips son seleccionados en forma aleatoria. 11. Sea X una variable aleatoria discreta con la siguien-
Defina X como el número de chips defectuo- te función de masa de probabilidad:
sos observados. Encuentre la función de masa    x  4−x
4 3 1
de probabilidad de X. f (x) = , x = 0, 1, 2, 3, 4.
x 4 4
c) Encuentre la función de distribución acumu-
lada F(x). Calcule la esperanza y varianza de X.
7. Tres hombres y tres mujeres son ordenados en for- 12. Sea X una variable aleatoria con función de distri-
ma descendientes de acuerdo al puntaje obtenido en bución acumulada dada por:
un examen. Supongamos que no tenemos resultados 
0 , si x < 1,
iguales y que los 10! posibles ordenamientos son 


 0,1 , si 1 ≤ x < 2,
igualmente probables. Definamos la variable alea-


0,3 , si 2 ≤ x < 3,

toria X que representa la posición más alta lograda F(x) =
0,7 , si 3 ≤ x < 4,
por una mujer (por ejemplo, si X = 2, entonces la


0,9 , si 4 ≤ x < 5,


persona con mejor puntaje ha sido un hombre y la


1 , si x ≥ 5.

siguiente es una mujer). Encuentre P(X = i), para
i = 1, 2, 3, 4. Calcule la esperanza y varianza de X.
22 Capítulo 2. Variables aleatorias

13. La función de distribución acumulada de la dura- 18. Sea X una variable aleatoria continua, con función
ción X del tiempo de préstamo de un libro, es dada de densidad de probabilidad, dada por:
por:  1
  2 x − 21 , si 1 ≤ x < 2,
 0 , si x < 0, f (x) = 1
, si 2 ≤ x ≤ 72 ,
x2 2
F(x) = , si 0 ≤ x < 2, 
0 , en otro caso.
 4
1 , si x ≥ 2.
Encuentre:
a) A partir de F(x), calcule: i) P(X ≤ 1).
a) La esperanza y varianza de X.
ii) P(0,5 ≤ X ≤ 1).
b) La función de distribución acumulada, F(x).
b) Determine la función de densidad de probabi-
c) El valor de q, tal que P(X ≤ q) = 12 .
lidad.
19. Sea X una variable aleatoria continua, con función
c) A partir de la función de densidad de proba-
de densidad de probabilidad, dada por:
bilidad, calcule P(0,5 < X < 1,5).
14. Sea X una variable aleatoria continua, con la si- , si 0 ≤ x < 12 ,
 8x2

guiente función de densidad de probabilidad:
 f (x) = 7
−3x + 2 , si 12 ≤ x ≤ 76 ,
 1 + x , si − 1 ≤ x < 0, 0 , en otro caso.

f (x) = 1 − x , si 0 ≤ x ≤ 1,

0 , en otro caso. Encuentre:
a) La esperanza y varianza de X.
a) Verifique que f (x) es efectivamente una fun- b) La función de distribución acumulada, F(x).
ción de densidad de probabilidad. c) El valor de q, tal que P(X ≤ q) = 23 24 .
b) Calcule: i) P(X < 0). ii) P(−1/2 ≤ X ≤ 3/4). 20. Sea X una variable aleatoria continua, definamos
c) Encuentre la función de distribución acumu- además la siguiente función:
lada de la variable aleatoria X.

d) Determine E[X] y V(X).  x , si 0 ≤ x < 1,

15. En una cierta ciudad el consumo diario de agua (en 
1 , si 1 ≤ x < 2,
millones de litros) es una variable aleatoria cuya g(x) =

 −x + 3 , si 2 ≤ x ≤ 3,
función de densidad de probabilidad está dada por: 
0 , en otro caso.
 1 −x
9 xe
3 , si x > 0,
f (x) = a) Determine el valor de c, para que f (x) =
0 , en otro caso.
cg(x) sea una función de densidad de pro-
Calcule la probabilidad de que en un día dado: babilidad.
a) El consumo de agua en esta ciudad no sea b) Calcule: i) P(X ≥ 1). ii) P(1/2 < X < 3/2).
mayor de 6 millones de litros. 21. El porcentaje de alcohol (100X) en cierto compues-
b) El abastecimiento de agua sea inadecuado si to se puede considerar como una variable aleatoria,
la capacidad diaria de esta ciudad es 9 millo- donde 0 < X < 1, tiene la siguiente función de den-
nes de litros. sidad de probabilidad:
16. Sea X una variable aleatoria continua con función
de densidad dada por: f (x) = cx3 (1 − x), 0 < x < 1.
|x|
f (x) = , |x| < 4. donde c es una constante desconocida.
16
a) Determine el valor de c, para que f (x) sea
Determine E[X] y V(X). una función de densidad de probabilidad.
17. Si la función de densidad de probabilidad de la b) Calcule P(X ≤ 2/3).
variable aleatoria X está dada por: 22. Suponga que X, el tiempo de falla (en horas) de un
 x
, si 0 < x ≤ 1, sistema, tiene la siguiente función de densidad de
 21

probabilidad:

2 , si 1 < x ≤ 2,
f (x) = 3 x
− , si 2 < x < 3,
 2 2 f (x; α) = e−(x−α) , x > α > 0,


0 , en otro caso.
encuentre la esperanza de g(X) = X 2 − 5X + 3. donde α > 0 es una constante.
2.7 Ejercicios 23

a) Encuentre la función de distribución acumu- b) La esperanza y varianza de la variable X.

lada, F(x). c) El valor de q, tal que P(X ≤ q) = 0,75.
b) Calcule E[X] y V(X). 28. Si la ganancia de un contratista en un trabajo de
23. Sea X una variable aleatoria continua con función construcción se puede considerar como una varia-
de densidad de probabilidad dada por: ble aleatoria continua que tiene función de densidad
 de probabilidad dada por
6x(1 − x) , si 0 < x < 1,
f (x) =  1
0 , en otro caso, f (x) = 18 (x + 1) , si − 1 < x < 5,
0 , en otro caso.
Determine:
a) Es una función de densidad de probabilidad. donde las unidades están en US$1 000.
b) La función de distribución acumulada. a) ¿Cuál es la probabilidad de que el contratista
24. Sea X una variable aleatoria continua, con función tenga una ganancia superior a $3 500?
de densidad de probabilidad dada por: b) ¿Cuál es la ganancia esperada por el contra-
tista?
 1
b−a , si a < x < b, 29. Un puerto tiene capacidad de acomodar 4 naves
f (x) =
0 , en otro caso, de cierto tipo durante la noche. Si X es la varia-
ble aleatoria que representa el número de naves
tal que 0 < a < b < ∞. buscando atracadero por noche y suponiendo que
a) Encuentre el n-ésimo momento de la variable P(X = x) = 1/6 para x = 1, 2, 3, 4, 5, 6. Un segundo
aleatoria X. puerto está disponible para manejar el exceso de
b) A partir del ítem (a), encuentre la esperanza naves, si existen. Sea Y el número de barcos solici-
y varianza de la variable aleatoria X. tando atracadero en el segundo puerto (lo cual sólo
25. Sea X una variable aleatoria continua, con función ocurrirá, si el primer puerto, está lleno) Calcule:
de densidad de probabilidad dada por: a) La función de masa conjunta de X e Y .
α b) La función marginal de Y .
β
f (x) = xα−1 e−β x , x > 0, 30. Sea (X,Y ) un vector aleatorio, con función de masa
Γ(α)
conjunta dada por la siguiente tabla:
donde α > 0 y β > 0 son constantes. Encuentre la x
esperanza y varianza de la variable aleatoria X. f (x, y) −2 −1 1 2
26. Sea X el total de gastos médicos (en miles de dó- −1 0,05 0,10 0,15 0,20
lares) que incurre un individuo particular durante y
1 0,20 0,15 0,10 0,05
un año. Aunque X es una variable aleatoria discre-
ta, supongamos que su distribución puede ser muy Calcule: i) P(X > 0,Y = 1). ii) P(X > 0,Y ≥ 1).
bien aproximada por una distribución continua con 31. Sea (X,Y ) un vector aleatorio, con función de masa
función de densidad dada por: conjunta dada por la siguiente tabla:
x
2 −7
 
f (x) = c 1 + x , x ≥ 0. f (x, y) 0 1 2 3
5 1 0,15 0,05 0,00 0,04
a) ¿Cuál es el valor de c? y 3 0,06 0,24 0,01 0,03
b) ¿Cuál es el valor esperado y la desviación 5 0,22 0,00 0,15 0,05
estándar del total de gastos médicos? a) Determine las funciones marginales de las
27. Sea X una variable aleatoria continua, con función variables aleatorias X e Y .
de densidad de probabilidad f (x), dada por: b) ¿Son independientes las variables X e Y ?
 32. Sea (X,Y ) un vector aleatorio, con función de masa
 x , si 0 ≤ x ≤ 1, conjunta dada por la siguiente tabla:
f (x) = 2 − x , si 1 < x ≤ 2,

0 , en otro caso. x
f (x, y) 0 1 2
Encuentre: −1 0,06 0,16 0,18
a) La función de distribución acumulada. y
0 0,09 0,24 0,27
24
a) Calcule: P(X = 0,Y > 0) y P(X < 0,Y ≥ 1).
b) ¿Son independientes las variables X e Y ?
33. Sea (X,Y ) un vector aleatorio, con La función de
masa conjunta dada por:
( 2 2
x +y
, si x = 0, 1, 2, 3, y = 0, 1,
f (x, y) = 32
0 , en otro caso.
Encuentre:
a) Las funciones marginales de X e Y .
b) La función de condicional de X, dado Y = y.
c) La función de condicional de Y , dado X = x 40. Sea (X,Y ) un vector aleatorio, con función de den-
34. Dos firmas comerciales principales, A y B, contro-
lan el 50 % y 30 % del mercado, respectivamente. Si
se escogen al azar una muestra de dos compradores
para una observación. ¿Cuál es la distribución de
probabilidad conjunta del número de compradores
que favorecen a cada firma de la muestra? Calcular:
a) E[X]. b) E[Y ]. c) E[X +Y ]. d) E[XY ].
35. Encuentre el valor de k, de tal manera que la fun-
ción:
 x
k y , si 0 < x < 1, 1 < y < 2,
f (x, y) =
0 , en otro caso,
sea una función de densidad conjunta del vector
aleatorio (X,Y ).
36. Sea (X,Y ) un vector aleatorio, con función de den- 42. Sea X e Y los puntajes sobre una prueba de inte-
sidad conjunta dada por:
 −(x+y)
e , si x > 0, y > 0,
f (x, y) =
0 , en otro caso.
a) Encuentre las funciones marginales de X e Y .
b) ¿Son independientes las variables X e Y ?
37. Sea (X,Y ) un vector aleatorio, con función de den-
sidad conjunta dada por:
 43. Consideremos, una situación en la cual se miden la
x + y , si 0 < x < 1, 0 < y < 1,
f (x, y) =
0 , en otro caso.
a) Compruebe que efectivamente f (x, y) es una
función de densidad conjunta.
b) Encuentre las funciones marginales de X e Y .
c) Son independientes las variables X e Y ?
38. Sea (X,Y ) un vector aleatorio, con función de den-
sidad conjunta dada por:
 −2(x+y)
4e , si x > 0, y > 0,
f (x, y) =
0 , en otro caso.
a) Encuentre las funciones marginales de X e Y .
b) ¿Son independientes las variables X e Y ?
Capítulo 2. Variables aleatorias
c) Determine la esperanza y varianza de X.
39. Sea (X,Y ) un vector aleatorio, con función de den-
sidad conjunta dada por:
 −(x+y)
e , si x > 0, y > 0,
f (x, y) =
0 , en otro caso.
a) Encuentre la función de distribución acumu-
lada conjunta.
b) A partir del ítem (a), determine las funciones
de densidad marginales.
c) ¿Son independientes las variables X e Y ?
sidad conjunta dada por:
 6
(x + y2 ) , si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1,
f (x, y) = 5
0 , en otro caso.
a) Encuentre la función de distribución acumu-
lada conjunta.
b) ¿Son independientes las variables X e Y ?
41. Sea (X,Y ) un vector aleatorio, con función de den-
sidad conjunta dada por:
 2 xy
x + 3 , si 0 < x < 1, 0 < y < 2,
f (x, y) =
0 , en otro caso.
a) Calcule: P(X > 1/2) y P(Y < X).
b) ¿Son independientes las variables X e Y ?
ligencia y un test de preferencias ocupacionales,
respectivamente. La función de densidad conjunta,
del vector aleatorio (X,Y ) está dado por:
 k
, si 0 ≤ x ≤ 100, 0 ≤ y ≤ 10,
f (x, y) = 1 000
0 , en otro caso.
Encuentre el valor de k y posteriormente la función
de distribución acumulada conjunta.
tensión superficial y la acidez de un producto quími-
co. Estas variables son codificadas tal que la tensión
superficial se mide en una escala de 0 ≤ x ≤ 2 y la
acidez se mide en una escala de 2 ≤ y ≤ 4. La fun-
ción de densidad conjunta de (X,Y ) es:
f (x, y) =

k(6 − x − y) , si 0 ≤ x ≤ 2, 2 ≤ y ≤ 4,
0 , en otro valor.
a) Encuentre el valor de k.
b) Calcule: P(X < 1), P(X < 3) y P(X +Y ≤ 4).
c) Determine las funciones marginales de X e
Y.
2.7 Ejercicios 25

44. Sea (X,Y ) un vector aleatorio, con función de den- 49. Sea X e Y dos variables aleatorias cuya función de
sidad conjunta dada por: densidad conjunta es:
(
1 − 5x+4y

e 20 , si x > 0, y > 0, 4x(1 − y) , 0 < x < 1, 0 < y < 1,
f (x, y) = 20 f (x, y) =
0 , en otro caso. 0 , en otro caso.

a) Encuentre la función de distribución acumu- Encuentre las funciones de densidad marginal de X

lada conjunta. e Y . ¿Son independientes las variables aleatorias?
b) Determine las funciones marginales de X e 50. En el examen de admisión a cierta universidad se
Y. califica en base a 100 puntos. Sea X la calificación
c) ¿Son independientes las variables X e Y ? que obtiene uno de los estudiantes (que continua
45. Sea (X,Y ) un vector aleatorio continuo. Considere sus estudios hasta graduarse) y sea Y su razón del
la siguiente función: punto de calidad al graduarse (4 puntos = A). La
( función de densidad conjunta de X e Y es:
x y
ke−( 2 + 3 ) , si x > 0, y > 0,
f (x, y) =
0 , en otro caso. f (x, y) =
 1
a) Encuentre el valor de k. 50 , si 2 < x < 4, 2(y − 1) < x < 25y,
0 , en otro caso.
b) Calcule la función de distribución acumulada
conjunta. a) Calcule: E[X], E[Y ] y E[XY ].
46. Sea (X,Y ) un vector aleatorio continuo. Considere b) Calcule: σX2 ,σY2 , σXY y ρXY .
la siguiente función: 51. Se prueba dos componentes electrónicos hasta que
( y fallan. Sea X el tiempo de falla menor y sea Y el
ke−(x+ 4 ) , si x > 0, y > 0, tiempo de falla mayor. La función de densidad con-
f (x, y) =
0 , en otro caso. junta está dada por:
a) Encuentre el valor de k. (
2 x
−( 100 y
+ 100 ) , si 0 < x < y,
2e
b) Calcule la función de distribución acumulada f (x, y) = (100)
conjunta. 0 , en otro caso.
c) Son independientes las variables X e Y ?
Encuentre la función de densidad condicional de Y ,
47. Sean X e Y variables aleatorias independientes, con
dado X = 60.
funciones de densidad dadas por:
52. Un equipo que consta de dos componentes elec-
 −2x
2e , x > 0, trónicos independientes permanecerá en funciona-
g(x) = miento tanto tiempo como uno de sus componentes
0 , en otro caso,
 1 esté aún en operación. El equipo tiene una garantía
2 , 0 < y < 2, del fabricante que cubre la sustitución si el aparato
h(y) =
0 , en otro caso. se vuelve inutilizable en menos de una año desde
Encuentre la función de distribución acumulada la fecha de compra. La vida X (en años) del pri-
conjunta. mer componente e Y la vida (en años) del segundo,
48. Dos componentes de un computador tiene la si- son variables aleatorias con función de densidad
guiente función de densidad conjunta para sus tiem- conjunta:
po de vidas X e Y :  1 −x/2 −y/2
4e e , si x ≥ 0, y ≥ 0,
 −x(1+y) f (x, y) =
xe , x ≥ 0, y ≥ 0, 0 , en otro caso.
f (x, y) =
0 , en otro caso.
Usted compra uno de esos equipos, seleccionado
Encuentre las funciones de densidad marginal de aleatoriamente entre las existencias del fabricante.
X e Y . ¿Son independientes los tiempos de vida de ¿Cuál es la probabilidad de que la garantía expire
cada componente? antes de que su equipo se vuelva inutilizable?
 3. Distribuciones discretas

3.1 Proceso Bernoulli

Definición 3.1.1 En términos estrictos el proceso Bernoulli se caracteriza por lo siguiente:
1. El experimento consta de ensayos repetidos.
2. Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso.
3. La probabilidad de un éxito, que se denota con p, permanece constante de un ensayo a otro.
4. Los ensayos repetidos son independientes.

3.2 Distribución binomial

Definición 3.2.1 — Distribución binomial. Un ensayo de Bernoulli puede tener como resultado un
éxito con probabilidad p y un fracaso con probabilidad 1 − p. Entonces, la distribución de probabilidad
de la variable aleatoria binomial X, el número de éxitos en n ensayos independientes, es
 
n x
f (x; n, p) = p (1 − p)n−x , x = 0, 1, 2, . . . , n.
x

Lo cual denotamos X ∼ Bin(n, p).

Teorema 3.2.1 La media y varianza de la distribución binomial son

E[X] = np, y V(X) = np(1 − p).

Definición 3.2.2 — Distribución multinomial. Si un ensayo dado puede producir los k resultados
E1 , E2 , . . . , Ek con probabilidades p1 , p2 , . . . , pk , entonces la distribución de probabilidad de las variables
aleatorias X1 , X2 , . . . , Xk , que representan el número de ocurrencias para E1 , E2 , . . . , Ek en n ensayos
independientes, es
 
n
f (x1 , x2 , . . . , xk ; p1 , p2 , . . . , pk ) = px1 px2 · · · pxkk ,
x1 , x2 , . . . , xk 1 2
con
k k
∑ xi = n, y ∑ pi = 1.
i=1 i=1

3.3 Distribución geométrica

Definición 3.3.1 — Distribución geométrica. Si ensayos de Bernoulli independientes repetidos
pueden tener como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p, entonces
la distribución de probabilidad de la variable aleatoria X, el número del ensayo en el que ocurre el
 28 Capítulo 3. Distribuciones discretas

primer éxito, es

f (x; p) = p(1 − p)x−1 , x = 1, 2, 3, . . . ,

Lo cual denotamos X ∼ Geo(p).

Teorema 3.3.1 La media y varianza de una variable aleatoria que sigue la distribución geométrica
X ∼ Geo(p) son

1 1− p
E[X] = , y V(X) = 2 .
p p

3.4 Distribución binomial-negativa

Definición 3.4.1 — Distribución binomial-negativa. Si ensayos de Bernoulli independientes repe-
tidos pueden dar como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p,
entonces la distribución de probabilidad de la variable aleatoria X, el número del ensayo en el que
ocurre el r-ésimo éxito, es
 
x−1 r
f (x; r, p) = p (1 − p)x−r , x = r, r + 1, r + 2, . . . ,
r−1

Lo cual denotamos X ∼ BN(r, p).

Teorema 3.4.1 La media y varianza de una variable aleatoria que sigue la distribución binomial-
negativa son

r r(1 − p)
E[X] = , y V(X) = .
p p2

3.5 Distribución hipergeométrica

Definición 3.5.1 — Distribución hipergeométrica. La distribución de probabilidad de la variable
aleatoria hipergeométrica X, el número de éxitos en una muestra aleatoria de tamaño n que se selecciona
de N artículos, en los que k se denomina éxito y N − k fracaso, es
k
N−k

x n−x
f (x; N, n, k) = N

, máx{0, n − (N − k)} ≤ x ≤ mı́n{n, k}.
n

Lo cual denotamos X ∼ Hiper(N, n, k).

Teorema 3.5.1 La media y la varianza de la distribución hipergeométrica son

 
nk N − n nk k
E[X] = , y V(X) = 1− .
N N −1 N N
 3.6 Distribución de Poisson 29
Definición 3.5.2 — Distribución hipergeométrica multivariada. Si N artículos se pueden dividir
en las k celdas A1 , A2 , . . . , Ak con a1 , a2 , . . . , ak elementos, respectivamente, entonces la distribución de
probabilidad de las variables aleatorias X1 , X2 , . . . , Xk , que representan el número de elementos que se
seleccionan de A1 , A2 , . . . , Ak en una muestra aleatoria de tamaño n, es
a1
a2
ak

x x · · · xk
f (x1 , x2 , . . . , xk ; a1 , a2 , . . . , ak , N, n) = 1 2 N
,
n

con ∑ki=1 xi = n y ∑ki=1 ai = N.

3.6 Distribución de Poisson

Definición 3.6.1 — Distribución de Poisson. La distribución de probabilidad de la variable aleatoria
de Poisson X, la cual representa el número de resultados que ocurren en un intervalo de tiempo dado o
región específicos y se denota con t, es

e−λt (λt)x
f (x; λt) = , x = 0, 1, 2, . . . ,
x!
donde λ es el número promedio de resultados por unidad de tiempo, distancia, área o volumen. Lo cual
denotamos X ∼ Poisson(λt).

Teorema 3.6.1 Tanto la media como la varianza de la distribución de Poisson son λt.

3.7 Ejercicios
1. La probabilidad que en cierto establecimiento in-
dustrial el consumo de energía eléctrica sea normal
(es decir, no sobrepase un número determinado de
kW) en 24 horas es igual a 3/4. Determinar la dis-
tribución de probabilidad del número de días de
consumo normal de energía eléctrica en un lapso de
seis días. ¿Cuál es la probabilidad que haya 4 días
de consumo normal?
2. El número de computadoras que fallan por mes en
un laboratorio de cómputo tiene una distribución
Poisson con un promedio mensual λ = 2 máquinas
descompuestas. El laboratorio tiene capacidad pa-
ra reparar hasta dos máquinas por mes. Cuando se
descomponen más de dos máquinas, las restantes
se envían fuera del laboratorio para su reparación.
a) ¿Cuál es la probabilidad de que en un mes
cualquiera sea necesario enviar máquinas fue-
ra del laboratorio para su reparación?
b) Responda el inciso anterior cuando se reduce
la capacidad de reparación del laboratorio a
una computadora por mes.
c) ¿Cuál es el número de computadoras con falla
más probable en un mes?
3. Un geólogo ha recolectado 10 especímenes de roca
basáltica y 10 de granito. Se instruye a un asistente
de laboratorio para que seleccione al azar 15 de los
especímenes para analizarlos.
a) ¿Cuál es la función de probabilidad de espe-
címenes de basalto seleccionado para anali-
zarlos?
b) ¿Cuál es la probabilidad de que todos los es-
pecímenes de uno de los dos tipos de roca
sean seleccionados para el análisis?
c) ¿Cuál es la probabilidad de que la cantidad
de especímenes de granito seleccionados para
su análisis esté a menos de una desviación
estándar de su valor promedio?
4. En una determinada región la distribución de los
ingresos por familia en unidades monetarias (u.m.)
es una variable aleatoria continua X con función de
densidad dada por:
1
 x
 10 + 10 , si 0 ≤ x ≤ 2,
3x 9
f (x) = − 40 + 20 , si 2 < x ≤ 6,

0 , en otro caso.
30
a) Calcule la probabilidad de que una familia
seleccionada al azar tenga ingresos entre 1 y
3 u.m.
b) Se seleccionan familias al azar hasta encon-
trar tres con ingreso superior a 3 u.m. Hacien-
do los supuestos necesarios, determinar la
probabilidad de que sea necesario entrevistar 8. Una fábrica emplea un patrón de aceptación de los
a 5 familias.
c) Suponga que se seleccionan 50 familias. Ha-
ciendo los supuestos necesarios determine la
probabilidad de que al menos 3 tengan ingre-
so inferior a 1 u.m.
5. El SEREMI de Salud de la Región de Atacama, a
partir de una serie de denuncias sobre alimentos
contaminados vendidos en una cadena de supermer-
cados, a recolectado un total de 30 especímenes
de las cuales 10 están contaminados. Se instruye a
un asistente de laboratorio para que seleccione en
forma aleatoria 15 de los especímenes para anali-
zarlos.
a) ¿Cuál es la función de probabilidad de es-
pecímenes contaminados seleccionados para
analizarlos?
b) ¿Cuál es la probabilidad de que todos los es-
pecímenes contaminados sean seleccionados
para el análisis?
c) ¿Cuál es la probabilidad de que la cantidad de
especímenes contaminados seleccionados pa-
ra el análisis esté a menos de una desviación
estándar de su valor promedio?
6. Un examen consta de n preguntas con k alternati-
vas cada una. Suponga que cierto alumno responde
cada pregunta de acuerdo al siguiente procedimien- 10. Se lanzan dos moneda honestas simultáneamente.
to: si sabe la alternativa correcta, entonces escoge
dicha alternativa con probabilidad 1; si no la sa-
be, entonces escoge una al azar. Suponga que la
probabilidad que el alumno sepa la respuesta co-
rrecta a una pregunta es p ∈ (0, 1), constante para
todas las preguntas, y que las distintas preguntas se
responden en forma independiente.
a) Obtenga la distribución de X, el número de
preguntas respondidas correctamente.
b) Si una de estas preguntas, digamos la prime-
ra, fue respondida correctamente, ¿cuál es la
probabilidad que el alumno haya sabido la 11. Una máquina produce artículos de tipo A y B si-
alternativa correcta?
7. Una máquina es accionada por tres baterías, todas
del mismo tipo, y funcionará siempre que dos de
ellos trabajen adecuadamente. La probabilidad de
que una batería de este tipo falle durante las prime-
Capítulo 3. Distribuciones discretas
ras 8 horas de operación de la máquina es 0,2; si
supera las primeras 8 horas de operación, la pro-
babilidad de falla durante las siguiente 8 horas es
0,4. Determine la probabilidad de que la máquina
funcione continuamente durante: (i) 8 horas, y (ii)
16 horas.
artículos producidos antes de embarcarlos. El plan
consiste en el siguiente: cajas de 25 artículos son
preparados para su embarque; un inspector toma un
artículo al azar, lo inspecciona y lo devuelve a la
caja; un segundo y un tercero efectúan el mismo
procedimiento. Si cualquiera de los tres inspectores
encuentra un artículo defectuoso, la caja no embar-
ca. ¿Cuál es la probabilidad de:
a) embarcar una caja que contenga tres artículos
defectuosos?
b) no embarcar una caja que contiene sólo un
artículo defectuoso?
9. Se observa una fuente radioactiva durante 7 inter-
valos de 10 segundos de duración cada uno y se
cuenta el número de partículas emitidas durante ca-
da período. Suponiendo que el número de partículas
emitidas, digamos X, durante cada período observa-
do tiene una distribución de Poisson con parámetro
λ = 5.
a) ¿Cuál es la probabilidad de que en cada uno
de los 7 intervalos de tiempo, sean emitidas 4
o más partículas?
b) ¿Cuál es la probabilidad de que el menos en
uno de los 7 intervalos de tiempo, sean emiti-
das 4 o más partículas?
Consideraremos que el lanzamiento fue un “éxito”
si las dos monedas muestran el resultado “cara”. De-
fina la variable aleatoria X como aquella variable
que cuenta los lanzamientos necesarios para obtener
dos éxitos, no necesariamente consecutivos.
a) Determine el conjunto de valores que puede
tomar la variable aleatoria X.
b) Determine la función de probabilidad asocia-
da a la variable aleatoria X.
c) Calcule la probabilidad que haya que lanzar-
las más de tres veces.
multáneamente; el productor afirma que la máquina
produce 2 artículos tipo B por cada 3 de tipo A. Una
persona somete a prueba y de un lote grande extrae
estos artículos hasta lograr un artículo tipo A.
a) Suponga que la persona decide comprar estos
3.7 Ejercicios
artículos si logra extraer un artículo A antes
de la cuarta extracción, ¿cuál es la probabili-
dad que la persona compre estos artículos?
b) Suponga que la persona compra si logra ex-
traer un artículo A antes de la tercera extrac-
ción, ¿cuál es la probabilidad que no compre?
12. En una población grande se sabe que el 10 % pade-
ce de cierta enfermedad rara. Con la finalidad de
hacer un diagnóstico se necesitan 10 personas afec-
tadas por dicha enfermedad para el análisis corres-
pondiente. Defina X como el número de personas
seleccionadas hasta que se tenga las 10 personas
afectadas por la enfermedad.
a) Encuentre la distribución de probabilidad de
la variable aleatoria X.
b) Calcular la probabilidad de que se necesiten
seleccionar exactamente 15 personas.
13. Una empresa manufacturera recibe un lote que con-
tiene 100 artículos de los cuales cinco son defectuo-
sos. La compañía revisa constantemente los lotes
que recibe para establecer la calidad del material. Si
la calidad de un lote recibido es baja, regresa al pro-
veedor el lote completo. Suponga que la compañía
recibe un lote y lo acepta si hay a lo más 1 artículo
defectuoso en una muestra de tamaño 6 sin reposi-
ción. ¿Cuál es la probabilidad de que se acepte un
lote de 100 artículos que contenga 5 defectuosos?
14. En un estudio biológico se emplea un grupo de 15
personas. El grupo contiene 5 personas con sangre
tipo O, 6 con tipo A y 4 con tipo B. ¿Cuál es la pro-
babilidad que una muestra aleatoria de 6 contenga
2 personas con sangre tipo O, 3 con sangre tipo A
y 1 con tipo B?
15. En determinada empresa minera han ocurrido acci-
dentes a razón de 1 cada 2 meses. Suponiendo que
ocurren en forma independiente.
a) ¿Cuál es el número esperado de accidentes al
año?
b) ¿Cuál es la desviación estándar del número
de accidentes al año?
c) ¿Cuál es la probabilidad que no haya acciden-
tes en determinado mes?
16. Tres máquinas contribuyen a la producción de una
fábrica de cierto artículo. La máquina A produce
3 % de artículos defectuosos y contribuye a la pro-
ducción total con un 40 %; la máquina B produce
4 % de artículos defectuosos y contribuye a la pro-
ducción total con un 35 %; mientras que C produce
el 5 % de artículos defectuosos y 25 % de la pro-
ducción total. Los artículos son almacenados en
31
cajas, cada una contiene un número grande y fijo
de éstos, producidos por una máquina; por lo tanto,
el 40 % de las cajas contiene artículos producidos
por la máquina A y así sucesivamente. Las cajas
se almacenan juntas, sin que se pueda distinguir a
qué máquina pertenecen los artículos que contienen.
Se escoge una caja al azar, y se toma una muestra
aleatoria de 100 artículos, de los cuales 4 son defec-
tuosos. ¿Cuál es la probabilidad que provenga de la
máquina A? ¿Cuál es la probabilidad que proven-
ga de la máquina B? ¿Cuál es la probabilidad que
provenga de la máquina C?
17. Suponga que la probabilidad de que un motor falle
en un vuelo de rutina entre dos ciudades es 0,005.
Úsese la aproximación de Poisson a la distribución
Binomial para encontrar aproximadamente la pro-
babilidad de:
a) por lo menos una falla en 1 000 vuelos.
b) por lo menos dos fallas en 1 000 vuelos.
18. Suponga que las moléculas de un gas raro se encuen-
tra a razón promedio de 3 por cm3 de aire. Suponga
que las moléculas de este gas están distribuidas in-
dependientemente y al azar en el aire. Determinar el
tamaño de la muestra (número de cm3 ) de aire que
se debe tomar para que la probabilidad de encontrar
al menos una molécula de este gas en la muestra
sea 0,99 como mínimo.
19. Un fabricante vende cierto artículo en lotes de 5 000
piezas. De acuerdo con uno de sus clientes se adop-
ta la siguiente regla de inspección: Se selecciona al
azar una muestra de 100 artículos de cada lote que
se vende. Si la muestra contiene 4 o menos artículos
defectuosos, el cliente acepta el lote. Si se encuen-
tran más de 4 defectuosos se inspecciona cada uno
de los artículos del lote. Si la inspección cuesta
$75 dólares por cada 100 artículos, y el fabricante
produce 2 % de artículos defectuosos, determine el
costo promedio de inspección por lote.
20. Se va ha probar un lote grande de artículos por el
siguiente método de muestro doble. En la primera
muestra se toman 20 artículos y si no hay artícu-
los defectuosos, el lote se aprueba. Si hay 2 o más
artículos defectuosos, el lote se rechaza y si se en-
cuentra 1 artículo defectuoso, se toma una segunda
muestra de 40 artículos siguiendo las siguientes
disposiciones: si sólo hay 1 o ningún artículo de-
fectuoso se aprueba el lote, en caso contrario se
rechaza. Si la proporción real de defectuosos en el
lote es 0,05 ¿cuál es la probabilidad de aceptar el
lote?
 4. Distribuciones continuas

4.1 Distribución uniforme continua

Definición 4.1.1 — Distribución uniforme continua. La función de densidad de la variable aleatoria
uniforme continua X en el intervalo (a, b) ⊂ R es

1
f (x; a, b) = , a < x < b.
b−a
Lo cual denotamos X ∼ Unif(a, b).

Teorema 4.1.1 La media y la varianza de la distribución uniforme continua son

a+b (b − a)2
E[X] = , y V(X) = .
2 12

4.2 Distribución normal

Definición 4.2.1 — Distribución normal. La densidad de la variable aleatoria normal X, con media
µ ∈ R y varianza σ 2 > 0, es

1 (x−µ)2
2 −
f (x; µ, σ ) = √ e 2σ 2 , −∞ < x < ∞.
σ 2π

Lo cual denotamos X ∼ N(µ, σ 2 ).

Teorema 4.2.1 La media y la varianza de una variable aleatoria normal son µ y σ 2 , respectivamente.
Por lo tanto, la desviación estándar es σ .

Definición 4.2.2 La distribución de una variable aleatoria normal con media 0 y varianza 1 se llama
distribución normal estándar.

Teorema 4.2.2 Si X es una variable aleatoria binomial con media µ = np y varianza σ 2 = np(1 − p),
entonces la forma limite de la distribución es
X − np
Z=p ,
np(1 − p)

conforme n → ∞, es la distribución normal estándar.

Teorema 4.2.3 Sea X una variable aleatoria binomial con parámetros n y p. Para n → ∞ y p → 0,
entonces, X tiene distribución aproximadamente normal con µ = np y σ 2 = np(1 − p).
 34 Capítulo 4. Distribuciones continuas

4.3 Distribución exponencial

Definición 4.3.1 — Distribución exponencial. La variable aleatoria continua X tiene una distribu-
ción exponencial, con parámetro θ > 0, si su función de densidad es dada por
1 −x/θ
f (x; θ ) = e , x > 0.
θ
Lo cual denotamos X ∼ Exp(θ ).

Teorema 4.3.1 La media y la varianza de la distribución exponencial son

E[X] = θ , y V(X) = θ 2 .

4.4 Distribución gamma

Definición 4.4.1 La función gamma se define como
Z ∞
Γ(α) = xα−1 e−x dx, para α > 0.
0

Definición 4.4.2 — Distribución gamma. La variable aleatoria continua X tiene una distribución
gamma, con parámetros α > 0 y β > 0, si su función de densidad está dada por
1
f (x; α, β ) = xα−1 e−x/β , x > 0,
β α Γ(α)

Lo cual denotamos X ∼ Gamma(α, β ).

Teorema 4.4.1 La media y la varianza de la distribución gamma son

E[X] = αβ , y V(X) = αβ 2 .

4.5 Distribución χ 2
Definición 4.5.1 — Distribución χ 2 . La variable aleatoria continua X tiene una distribución χ 2 , con
ν grados de libertad, si su función de densidad es dada por
1
f (x; ν) = xν/2−1 e−x/2 , x > 0,
2ν/2 Γ(ν/2)

donde ν es un entero positivo. Lo cual denotamos X ∼ χν2 .

Teorema 4.5.1 La media y la varianza de la distribución χ 2 son

E[X] = ν, y V(X) = 2ν.

4.6 Distribución beta

 4.7 Distribución log-normal 35
Definición 4.6.1 La función beta es definida por
Z 1
Γ(a)Γ(b)
B(a, b) = xa−1 (1 − x)b−1 dx = , para a, b > 0.
0 Γ(a + b)

donde Γ(a) es la función gamma.

Definición 4.6.2 — Distribución beta. La variable aleatoria continua X tiene una distribución beta
con los parámetros a > 0 y b > 0, si su función de densidad es dada por
1
f (x; a, b) = xa−1 (1 − x)b−1 , 0 < x < 1.
B(a, b)

Lo cual denotamos X ∼ Beta(a, b).

Teorema 4.6.1 La media y la varianza de una distribución beta en la que los parámetros a y b son

a ab
E[X] = , y V(X) = 2
,
a+b (a + b) (a + b + 1)

respectivamente.

4.7 Distribución log-normal

Definición 4.7.1 — Distribución log-normal. La variable aleatoria continua X tiene una distribución
log-normal si la variable aleatoria Y = log(X) tiene distribución normal con media µ ∈ R y desviación
estándar σ > 0. La función de densidad de X que resulta es
1 − 1 (log(x)−µ)2
f (x; µ, σ 2 ) = √ e 2σ 2 , x > 0,
σ x 2π

Lo cual denotamos X ∼ LN(µ, σ 2 ).

Teorema 4.7.1 La media y la varianza de la distribución log-normal es

2 /2 2 2
E[X] = eµ+σ , y V(X) = e2µ+σ (eσ − 1).

4.8 Distribución Weibull

Definición 4.8.1 — Distribución Weilbull. La variable aleatoria continua X tiene una distribución
Weibull, con parámetros α > 0 y β > 0, si su función de densidad es dada por
β
f (x; α, β ) = αβ xβ −1 e−αx , x > 0.

Lo cual denotamos X ∼ Weibull(α, β ).

 36 Capítulo 4. Distribuciones continuas

Teorema 4.8.1 La media y la varianza de la distribución Weibull son

      
−1/β 1 −2/β 2 2 1
E[X] = α Γ 1+ , y V(X) = α Γ 1+ −Γ 1+ .
β β β

Definición 4.8.2 La función de distribución acumulada para la distribución Weibull es dada por
β
F(x) = 1 − e−αx , x > 0,

para α > 0 y β > 0.

4.9 Distribución t-student

Teorema 4.9.1 — Distribución t-student. Sea Z una variable aleatoria normal estándar y V una
variable aleatoria χ 2 con ν grados de libertad. Si Z y V son independientes, entonces la distribución de
la variable aleatoria X, donde
Z
X=p ,
V /ν

es dada por la función de densidad

 − ν+1
Γ ν+1
x2 2
f (x; ν) = ν

2
√ 1+ , −∞ < x < ∞.
Γ 2 πν ν

Ésta se conoce como la distribución t con ν grados de libertad. Lo cual denotamos X ∼ tν .

Corolario 4.9.2 Sean X1 , X2 , . . . , Xn variables aleatorias independientes normales con media µ y

desviación estándar σ . Sea
1 n 2 1 n
X̄ = ∑ i
n i=1
X , y S = ∑ (Xi − X̄)2.
n − 1 i=1
x̄−µ
Entonces la variable aleatoria √
s/ n
tiene una distribución t con n − 1 grados de libertad.

4.10 Distribución F
Teorema 4.10.1 — Distribución F. Sean U y V dos variables aleatorias independientes que tienen
distribuciones χ 2 con ν1 y ν2 grados de libertad, respectivamente. Entonces, la distribución de la variable
aleatoria X = U/ν 1
V /ν es dada por la función de densidad
2

 ν1 /2 ν1 +ν2
 −(ν1 +ν2 )/2

ν1 Γ 2 ν /2−1 ν1
f (x; ν1 , ν2 ) = ν1
ν2
x
1 1+ x , x > 0.
ν2 Γ 2 Γ 2
ν2

Ésta se conoce como la distribución F con ν1 y ν2 grados de libertad. Lo cual denotamos X ∼ Fν1 ,ν2 .
 4.11 Ejercicios
4.11 Ejercicios
1. EL tiempo medio en minutos, que cierta persona
invierte en ir de su casa a la estación del tren es un
fenómeno aleatorio con distribución uniforme en el
intervalo de 20 a 25 minutos. ¿Cuál es la probabili-
dad que alcance el tren que sale de la estación a las
7 : 28 a.m. en punto, si sale de su casa exactamente
a las 7 : 05 a.m.
2. El petróleo es separado por destilación en tres dife-
rentes productos, listado en la siguiente tabla:
Temperatura de Precio de venta
Producto destilación (C◦ ) por galón ($)
Gas menos de 20 C1
Ether 20 − 60 C2
Ligroin 60 − 100 C3
Suponga que C dólares es el costo de producir un
galón de petróleo y la temperatura de destilación T
está distribuida uniformemente en [0, 100]. Calcule
el beneficio neto esperado (por galón) para cada
producto.
3. La confiabilidad de un componente (o sistema) en
el tiempo, denotémosla R(t), está definida como:
R(t) = P(T > t),
en donde T es la duración del componente (o siste-
ma). Un tipo especial de sistema es en paralelo. En
este sistema las componentes están conectadas de
tal manera que el sistema deja de funcionar sólo si
todas las componentes dejan de funcionar.
a) Suponiendo que el sistema en paralelo tiene
2 componentes los cuales funcionan indepen- 8.
dientemente, determine la confiabilidad del
sistema, R(t), en función de las confiabilida-
des de las componentes, R1 (t) y R2 (t).
b) Supongamos que la duración de los compo-
nentes (en horas), T1 y T2 son variables aleato-
rias con distribuciones exponencial con media
igual a 100, calcule la confiabilidad, calcule
la confiabilidad del sistema para 10 horas.
4. Suponga que un fabricante tenga que decidir entre
dos procesos de fabricación de cierto componente
electrónico. El costo del proceso A es de c dólares
y del proceso B es kc dólares por unidad de compo-
nente, donde k > 1. Los componentes electrónicos
tiene un tiempo de falla exponencial con θA = 200 10.
para los fabricados por el proceso A y θB = 300 pa-
ra B. El fabricante debe garantizar, de manera que,
37
si una componente dure menos de 400 horas, paga-
rá una multa de M dólares. ¿Qué proceso deberá
usar?
5. Sea X el tiempo entre dos llegadas sucesivas en la
ventanilla de un banco local. Si X tiene una distri-
bución exponencial con θ = 1/4.
a) Calcule e interprete P(X ≤ 4) y P(2 ≤ X ≤
5).
b) Calcule la probabilidad de que el tiempo entre
dos llegadas sucesivas esté a menos de una
desviación estándar el promedio.
6. El tiempo (en años) que un satélite permanece en
el espacio es una variable aleatoria exponencial T ,
cuya función de distribución acumulada está dada
por:
F(t) = 1 − e−t/2 , t > 0.
a) Encuentre la probabilidad que un satélite per-
manezca en el espacio entre uno y tres años.
b) ¿Cuál es la probabilidad que un satélite per-
manezca en el espacio más de 4 años?
c) Si son lanzados 3 satélites simultáneamente,
¿cuál es la probabilidad de que por lo menos
uno permanezca en el espacio más de 4 años?
7. Si una compañía emplea n vendedores, sus ven-
tas brutas en miles de dólares se puede considerar
como una variable aleatoria que tiene una distribu-
√
ción gamma con α = 80 n y β = 2. Si el costo
de ventas es $8 000 dólares por vendedor, ¿cuántos
vendedores debe emplear la compañía para maxi-
mizar la utilidad esperada?
En cierta ciudad, el consumo diario de energía eléc-
trica en millones de kilowatt-hora se puede tratar
como una variable aleatoria que tiene la distribución
gamma con α = 2 y β = 2. Si la planta generadora
de esta ciudad tiene una capacidad diaria de 12 mi-
llones de kilowatt-hora, ¿cuál es la probabilidad de
que esta oferta de energía sea inadecuada cualquier
día dado?
9. Si la proporción anual de declaraciones erróneas de
impuestos sometidas al SII se puede considerar una
variable aleatoria que tiene distribución beta con
a = 2 y b = 9, ¿cuál es la probabilidad de que en
un año dado cualquiera habrá menos del 10 % de
declaraciones erróneas?
Si la proporción anual de nuevos restaurantes que
fracasan en una ciudad dada se puede considerar co-
mo una variable aleatoria que tiene una distribución
38
beta con a = 1 y b = 4, encuentre:
a) la media de esta distribución, esto es, la pro-
porción anual de nuevos restaurantes que se
puede esperar que fracasen en la ciudad dada.
b) la probabilidad de que al menos 25 % por
ciento de todos los nuevos restaurantes fraca-
sen en la ciudad dada en un año cualquiera.
11. Un sistema cuenta con un gran número de compo-
nentes de un mismo tipo. Suponga que el tiempo
de falla T (medido en horas) de cualquiera de es-
tas componentes sigue una distribución normal con
media igual a 100 horas y desviación estándar de
20 horas.
a) Calcule la probabilidad que una componente
cualquiera dure más de 110 horas.
b) Se desea dar una garantía de reemplazo para
cualquier componente que dure menos de k
horas. Encuentre el valor de k para que la pro-
babilidad de que se haga efectiva la garantía
sea sólo de un 1 %.
c) Considere 10 componentes con tiempos de
falla independientes. Calcule la probabilidad
de que más de un componente dure menos de
90 horas.
12. Una constructora usa piedras extraídas de cierto
terreno, donde el diámetro de las piedras tiene una
distribución normal con media 22 cm. y desviación
estándar de 5 cm. Las piedras sólo son útiles si su
diámetro se encuentra entre 15 y 30 cm.
a) Calcule la probabilidad que una piedra extraí-
da de este terreno sea útil.
b) Si se extrajeron 10 piedras, calcule la proba-
bilidad de que 8 o más piedras sean útiles.
13. En una cierta ciudad se decide instalar 2 000 lámpa-
ras eléctricas en sus calles. Si la vida útil de estas
lámparas obedece a una distribución normal con
media µ = 1 000 horas y una desviación estándar
σ = 200 horas.
a) ¿Cuál es el número estimado de bajas en las
primeras 700 horas de alumbrado?
b) ¿Qué número de lámparas estima usted que
fallarán entre 900 y 1 300 horas de alumbra-
do?
c) ¿Después de cuántas horas de alumbrado
aproximadamente el 10 % de las lámparas de-
ja de funcionar?
14. La dureza Rockwell de un metal se determina al
golpear con un punto acerado la superficie del metal
y después se mide la profundidad de penetración
del punto. Suponga que la dureza Rockwell de cier-
Capítulo 4. Distribuciones continuas
ta aleación está normalmente distribuida con media
80 y desviación estándar de 5 (la dureza Rockwell
se mide en una escala continua).
a) Si un espécimen es aceptable sólo si su dure-
za está entre 75 y 85, ¿cuál es la probabilidad
de que un espécimen seleccionado aleatoria-
mente tenga una dureza aceptable?
b) Si la escala aceptable de dureza es (80 −
c, 80 + c), ¿para qué valor de c tendría una
dureza aceptable el 98 % de todos los especí-
menes?
c) Si se seleccionan aleatoriamente especímenes
para examinar hasta encontrar 3 con una du-
reza aceptable (considere que la escala de du-
reza aceptable es como en el ítem (a)), ¿cuál
es la probabilidad de tener que examinar 5
especímenes?
15. Sea X la variable aleatoria que mide el tiempo de
funcionamiento en horas de cierta máquina. Se sa-
be que X se distribuye normalmente con media de
720 hrs. y desviación estándar de 48 hrs. Suponga-
mos además que, en el momento que la máquina
comienza a funcionar debemos decidir cuando un
técnico vendrá a inspeccionarla. Si llamamos al téc-
nico antes de que falle, se ocasiona un costo de a
dólares por haber desperdiciado una inspección. Si
llamamos al técnico después de que la máquina ha
fallado, se ocasiona un costo de b dólares por el no
funcionamiento de la máquina.
a) Determine una expresión para el costo espe-
rado, considerando que el tiempo hasta que el
técnico es llamado a inspeccionar la máquina
es de t horas.
b) Suponga que el técnico es llamado en un tiem-
po de t = 816 hrs. Calcule la probabilidad de
que el inspector llegue tarde a la inspección,
es decir, la máquina ya ha dejado de funcio-
nar.
c) Se observa este proceso durante 15 períodos.
Determine la probabilidad de que el técnico
llegue tarde más de 12 veces.
16. Un combustible para cohetes va a contener cierto
porcentaje (digamos X) de un compuesto particular.
Las especificaciones exigen que X esté entre 30 y
35 por ciento. El fabricante tendrá una utilidad neta
en el combustible (por galón) que es la siguiente
4.11 Ejercicios
función de X:
 nen puntuaciones que exceden por lo menos

 0,05 , si 25 < X < 30,
0,10 , si 30 ≤ X ≤ 35,

T (X) =

 0,05 , si 35 < X < 40,
−0,10 , en otro caso.

Si X tiene distribución N(33, 9), calcule E[T ].
17. El departamento de control de calidad de una fabri- 19. La especificación con la que se fabrican los tornillos
ca de baterías, a determinado que la duración pro-
medio de éstas es de tres años con una desviación
estándar de 0,5 años. Suponiendo que la duración
de las baterías tiene distribución normal.
a) ¿Qué porcentaje de baterías tiene una dura-
ción entre 2, 5 y 4 años?
b) Se desea dar una garantía de reemplazo para
cualquier batería que dure menos de k años.
Encuentre el valor de k para que la probabi-
lidad de que se haga efectiva la garantía, sea
sólo en un 25 % casos.
c) El departamento de control de calidad a deter-
minado que aquellas baterías con vida inferior
a 2, 67 años tendrán derecho a la garantía de
reemplazo. De 5 clientes cual es la probabi-
lidad, de que, no más de dos hagan uso de la 20. Suponga que X es la resistencia a la ruptura de una
garantía.
18. Se supone que los resultados de un examen siguen
una distribución normal con media 78 y desviación
estándar de 36.
a) ¿Cuál es la probabilidad de que una perso-
na que se presenta al examen obtenga una
calificación superior a 72?
39
b) Calcular la proporción de estudiantes que tie-
en cinco puntos de la puntuación que marca
la frontera entre “apto” y “no apto” (son de-
clarados “no aptos” el 25 % de los estudiantes
que obtuvieron las puntuaciones más bajas).
c) De cinco estudiantes seleccionados al azar,
¿cuál es la probabilidad de que al menos dos
tengan una puntuación inferior a 65?
de acero de sección transversal circular requiere que
sus longitudes se encuentren entre 8,45 y 8,65 cm.
y sus diámetros entre 1,55 y 1,60 cm. Los tornillos
producidos por cierta máquina tienen longitudes
que siguen una distribución normal con media 8,65
cm. y desviación estándar de 0,05 cm. y diáme-
tros que siguen también una distribución normal
independiente con media 1,58 cm. y desviación es-
tándar 0,001 cm. Determine los siguientes datos
para tornillos que fabrica esta máquina:
a) El porcentaje que estará fuera de los límites
de longitud especificados.
b) El porcentaje que estará fuera de los límites
especificados de diámetro.
c) El porcentaje que no cubra la especificación.
cuerda (en libras) tiene distribución normal con me-
dia 100 y varianza 16. Cada 100 pies de alambre
para cuerda produce una utilidad de $25 dólares, si
X > 95. Si X ≤ 95, la cuerda puede utilizarse con
un objetivo diferente y se obtiene una utilidad de
$10 por alambre. Encuentre la utilidad esperada por
alambre.
II
Estadística

5 Estimación puntual . . . . . . . . . . . . . . 43
5.1 Conceptos generales
5.2 Métodos de estimación puntual
5.3 Ejercicios

6 Estimación por intervalos . . . . . . . 47

6.1 Estimación de la media
6.2 Estimación de la diferencia entre dos medias
6.3 Estimación de la proporción
6.4 Estimación de la diferencia de dos proporciones
6.5 Estimación de la varianza
6.6 Estimación de la proporción de varianzas
6.7 Ejercicios

7 Pruebas de hipótesis . . . . . . . . . . . . 53
7.1 Conceptos generales
7.2 Pruebas sobre la media
7.3 Ejercicios
 5. Estimación puntual

5.1 Conceptos generales

Definición 5.1.1 Una estimación puntual de un parámetro θ es un número único que puede ser con-
siderado como un valor sensible de θ . Se obtiene una estimación puntual seleccionando un estadístico
apropiado y calculando su valor con los datos muestrales datos. El estadístico seleccionado se llama
estimador puntual de θ .

Definición 5.1.2 Se dice que un estimador puntual θ̂ es un estimador insesgado de θ si E[θ̂ ] = θ

con todo valor posible de θ . Si θ̂ no es insesgado, la diferencia E[θ̂ ] − θ se conoce como el sesgo de θ̂ .

Definición 5.1.3 — Principio de estimación insesgada. Cuando se elige entre varios estimadores
diferentes de θ , se elige uno insesgado.

Definición 5.1.4 — Principio de estimación insesgada con varianza mínima. Entre todos los
estimadores de θ insesgados, se selecciona el de varianza mínima. El θ̂ resultante se llama estimador
insesgado con varianza mínima (EIVM) de θ .
q
Definición 5.1.5 El error estándar de un estimador θ̂ es su desviación estándar σθ̂ = V(θ̂ ). Si el
error estándar implica parámetros desconocidos cuyos valores pueden ser estimados, la sustitución de
estas estimaciones en σθ̂ da el error estándar estimado (desviación estándar estimada) del estimador.
El error estándar estimado puede ser denotado o por σ̂θ̂ .
 44 Capítulo 5. Estimación puntual

5.2 Métodos de estimación puntual

Definición 5.2.1 Si X1 , X2 , . . . , Xn constituyen una muestra aleatoria proveniente de una función de
masa de probabilidad o de una función de densidad de probabilidad f (x). Con k = 1, 2, 3, . . . el k-ésimo
momento de la población o el k-ésimo momento de la distribución f (x), es E[X k ]. El k-ésimo
momento muestral es (1/n) ∑ni=1 Xik .

Definición 5.2.2 — Método de momentos. Si X1 , X2 , . . . , Xn son una muestra aleatoria de una distri-
bución con función de masa de probabilidad o función de densidad de probabilidad f (x; θ1 , θ2 , . . . , θm ),
donde θ1 , θ2 , . . . , θm son parámetros cuyos valores son desconocidos. Entonces, los estimadores de
momento θ̂1 , θ̂2 , . . . , θ̂m se obtienen igualando los primeros m momentos muestrales con los primeros
m momentos de la población correspondientes y resolviendo para θ1 , θ2 , . . . , θm .

Definición 5.2.3 — Método de máxima verosimilitud. Si X1 , X2 , . . . , Xn son una muestra aleatoria

de una distribución con función de masa de probabilidad o función de densidad de probabilidad
f (x; θ1 , θ2 , . . . , θm ), donde θ1 , θ2 , . . . , θm son parámetros cuyos valores son desconocidos. Cuando
x1 , x2 , . . . , xn son los valores muestrales observados, se define la función de verosimilitud
n
L(θ1 , θ2 , . . . , θm ) = ∏ f (xi ; θ1 , θ2 , . . . , θm ).
i=1

Las estimaciones de máxima verosimilitud (EMV) θ̂1 , θ̂2 , . . . , θ̂m son aquellos valores de las θi que
incrementan al máximo la función de verosimilitud, de modo que

L(θ̂1 , θ̂2 , . . . , θ̂m ) ≥ L(θ1 , θ2 , . . . , θm ), con todos los θ1 , θ2 , . . . , θm .

Definición 5.2.4 — Principio de invarianza. Sea θ̂1 , θ̂2 , . . . , θ̂m los estimadores de máxima verosi-
militud de los parámetros θ1 , θ2 , . . . , θm . Entonces, el estimador de máxima verosimilitud de cualquier
función h(θ1 , θ2 , . . . , θm ) de estos parámetros es la función h(θ̂1 , θ̂2 , . . . , θ̂m ) de los estimadores de
máxima verosimilitud.

5.3 Ejercicios
1. Considere una muestra aleatoria X1 , . . . , Xn , con fun- Encuentre el EMV de θ .
ción de densidad de probabilidad dada por: 4. Considere una muestra aleatoria X1 , . . . , Xn , con fun-
1 1 ción de masa de probabilidad dada por:
f (x; θ ) = 1, θ −
<x<θ+ .
2 2
 
r+x−1 r
f (x; r, p) = p (1 − p)x ,
Encuentre el EMV de θ . x
2. Considere una muestra aleatoria X1 , . . . , Xn , con fun-
con x = 0, 1, 2, . . . y donde 0 < p < 1 y r = 1, 2, . . . ,
ción de densidad de probabilidad dada por:
es decir, X tiene distribución binomial-negativa de
f (x; λ ) = λ 2 xe−λ x , x > 0, λ > 0. parámetros p y r. Utilice el método de momentos
para hallar los estimadores de p y r.
Encuentre un estimador para el parámetro λ usan-
5. Considere una muestra aleatoria X1 , . . . , Xn , con fun-
do: a) El método de momentos. b) El método de
ción de densidad de probabilidad dada por:
máxima verosimilitud.
3. Considere una muestra aleatoria X1 , . . . , Xn , con fun- Γ(a + b) a−1
f (x; a, b) = x (1 − x)b−1 , 0 < x < 1,
ción de densidad de probabilidad dada por: Γ(a)Γ(b)
f (x; θ ) = θ (1 − x)θ −1 , 0 < x < 1, θ > 0. donde a > 0 y b > 0, es decir, X tiene distribución
5.3 Ejercicios 45

beta de parámetros a y b. Utilice el método de mo- 12. Sea X1 , . . . , Xn una muestra aleatoria de tamaño n
mentos para hallar los estimadores de a y b. de la variable aleatoria X con función de densidad
6. Considere una muestra aleatoria X1 , . . . , Xn con fun- de probabilidad dada por:
ción de densidad de probabilidad dada por:
1
2 f (x; θ ) = , θ < x < 5.
x − 2x
5 − θ
f (x; θ ) = 2 e 2θ , x ≥ 0, θ > 0.
θ
donde θ > 0. Se proponen los siguientes estimado-
a) Encuentre el EMV de θ . res para θ : (i) θ̂1 = 2X̄ − 5, y (ii) θ̂2 = X(1) . ¿Cuál
b) Calcule el sesgo del estimador de θ . estimador (θ̂1 ó θ̂2 ) es preferible considerar?
7. Considere una muestra aleatoria X1 , . . . , Xn con fun- 13. Sea X la proporción de tiempo asignado que un
ción de densidad de probabilidad dada por: estudiante seleccionado al azar utiliza trabajando
1 − 1 (log x−µ)2
en una determinada prueba de aptitud. Supongamos
f (x; µ, σ 2 ) = √ e 2σ 2 , x > 0, que la función de densidad de probabilidad de X es:
x 2πσ 2
donde µ ∈ R y σ 2 > 0. Encuentre los EMV de µ y f (x; θ ) = (θ + 1)xθ , 0 ≤ x ≤ 1,
σ 2.
donde −1 < θ . Una muestra de diez estudiantes
8. Considere una muestra aleatoria X1 , . . . , Xn con fun-
produce los datos x1 = 0,92, x2 = 0,79, x3 = 0,90,
ción de densidad de probabilidad dada por:
x4 = 0,65, x5 = 0,86, x6 = 0,47, x7 = 0,73, x8 =
1 0,97, x9 = 0,94, x10 = 0,77. Use el método de mo-
f (x; θ ) = , 0 ≤ x ≤ θ .
θ mentos y máxima verosimilitud para obtener el esti-
mador de θ y calcule el estimador correspondiente
Estudie el sesgo del EMV de θ .
con los datos dados.
9. Considere una muestra aleatoria X1 , . . . , Xn con fun-
14. Considere una muestra aleatoria X1 , . . . , Xn , con fun-
ción de densidad de probabilidad dada por:
ción de densidad dada por:
θ
f (x; θ ) = 2 , x > θ > 0. 1
x f (x; θ ) = 2 xe−x/θ , x > 0, θ > 0.
θ
Estudie el sesgo del EMV de θ .
10. Suponga que la variables aleatoria T , representa el Se proponen los siguientes estimadores para el pa-
tiempo de falla (en horas) de un instrumento elec- rámetro θ :
trónico, que tiene la siguiente función de densidad 1 n 1 n
de probabilidad: θ̂ 1 = ∑ Xi , y θ̂ 2 = ∑ Xi
2n i=1 n i=1
f (t; α, β ) = β e−β (t−α) , t > α > 0, Calcule e interprete el sesgo en ambos casos.
15. Considere una muestra aleatoria X1 , . . . , Xn , con fun-
es decir, T tiene una distribución exponencial trun-
ción de densidad dada por:
cada a la izquierda en α. Suponga además que se
prueban n artículos y que se registra los tiempos de 
x−α , si α < x < α + 1,

falla t1 , . . . ,tn . Encuentre los estimadores de máxi- f (x; α) = −x + α + 2 , si α + 1 ≤ x < α + 2,
ma verosimilitud de α y β . 
0 , en otro caso.
11. Considere una muestra aleatoria X1 , . . . , Xn , con fun-
ción de densidad de probabilidad por: Se proponen los siguientes estimadores para el pa-
rámetro α:
f (x; λ ) = λ 2 xe−λ x , x > 0, λ > 0.
1 n 1 n
Encuentre el EMV de λ . Además, calcule el ses- α̂1 = ∑ Xi , y α̂2 = ∑ (Xi − 1).
n i=1 n i=1
go y el error cuadrático medio para el estimador
encontrado. Calcule e interprete el sesgo en ambos casos.
 6. Estimación por intervalos

6.1 Estimación de la media

Definición 6.1.1 — Intervalo de confianza de µ cuando se conoce σ 2 . Si x̄ es la media de una
muestra aleatoria de tamaño n de una población de la que se conoce su varianza σ 2 , lo que da un
intervalo de confianza de 100(1 − α) % para µ es
σ σ
x̄ − zα/2 √ < µ < x̄ + zα/2 √ ,
n n

donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Teorema 6.1.1 Si utilizamos x̄ como una estimación de µ, podemos tener 100(1 − α) % de confianza
en que el error no excederá a zα/2 √σn .

Teorema 6.1.2 Si usamos x̄ como una estimación de µ, podemos tener 100(1 − α) % de confianza en
que el error no excederá a una cantidad específica ` cuando el tamaño de la muestra sea
2
zα/2 σ

n= .
`

Definición 6.1.2 — Límites de confianza unilaterales de µ cuando se conoce el valor de σ 2 . Si

x̄ es la media de una muestra aleatoria de tamaño n a partir de una población con varianza σ 2 , los
límites de confianza unilaterales del 100(1 −√ α) % para µ son dados por
Límite unilateral superior: x̄ + zα σ /√n,
Límite unilateral inferior: x̄ − zα σ / n.

Definición 6.1.3 — Intervalo de confianza de µ cuando se desconoce σ 2 . Si x̄ y s son la media

y la desviación estándar de una muestra aleatoria de una población normal de la que se desconoce su
varianza σ 2 , un intervalo de confianza del 100(1 − α) % para µ es
s s
x̄ − tn−1,α/2 √ < µ < x̄ + tn−1,α/2 √ ,
n n

donde tn−1,α/2 es tal que P(T > tn−1,α/2 ) = α/2, con T ∼ tn−1 .

Definición 6.1.4 — Intervalo de predicción cuando se conoce σ 2 . Para una distribución normal
de mediciones con media µ desconocida y varianza σ 2 conocida, un intervalo de predicción del
 48 Capítulo 6. Estimación por intervalos

100(1 − α) % de una observación futura x0 es

r r
1 1
x̄ − zα/2 σ 1 + < x0 < x̄ + zα/2 σ 1 + ,
n n
donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Definición 6.1.5 — Intervalo de predicción cuando se desconoce σ 2 . Para una distribución

normal de mediciones con media µ y la varianza σ 2 se desconocen, un intervalo de predicción del
100(1 − α) % de una observación futura x0 es
r r
1 1
x̄ − tn−1,α/2 s 1 + < x0 < x̄ + tn−1,α/2 s 1 + ,
n n
donde tn−1,α/2 es tal que P(T > tn−1,α/2 ) = α/2, con T ∼ tn−1 .

6.2 Estimación de la diferencia entre dos medias

Definición 6.2.1 — Intervalo de confianza para µ1 − µ2 cuando se conocen σ12 y σ22 . Si x̄1 y x̄2
son las medias de muestras aleatorias independientes de tamaño n1 y n2 , de poblaciones que tienen
varianzas conocidas σ12 y σ22 , respectivamente, un intervalo de confianza del 100(1 − α) % para µ1 − µ2
es dada por
s s
2
σ1 σ2 2 σ12 σ22
(x̄1 − x̄2 ) − zα/2 + < µ1 − µ2 < (x̄1 − x̄2 ) + zα/2 + ,
n1 n2 n1 n2

donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Definición 6.2.2 — Estimado agrupado de la varianza.

(n1 − 1)S12 + (n2 − 1)S22

S2p = .
n1 + n2 − 2

Definición 6.2.3 — Intervalo de confianza para µ1 − µ2 cuando se desconocen σ12 = σ22 . Si x̄1 y
x̄2 son las medias de muestras aleatorias independientes de tamaño n1 y n2 , respectivamente, tomadas de
poblaciones más o menos normales con varianzas iguales pero desconocidas, un intervalo de confianza
del 100(1 − α) % para µ1 − µ2 es dado por
r r
1 1 1 1
(x̄1 − x̄2 ) − tn1 +n2 −2,α/2 s p + < µ1 − µ2 < (x̄1 − x̄2 ) + tn1 +n2 −2,α/2 s p + ,
n1 n2 n1 n2
donde s p es la estimación agrupada de la desviación estándar de la población y tn1 +n2 −2,α/2 es tal que
P(T > tn1 +n2 −2,α/2 ) = α/2, con T ∼ tn1 +n2 −2 .

Definición 6.2.4 — Intervalo de confianza para µ1 − µ2 cuando se desconocen σ12 6= σ22 . Si x̄1
y s21 y x̄2 y s22 son las medias y varianzas de muestras aleatorias independientes de tamaños n1 y n2 ,
respectivamente, tomadas de poblaciones aproximadamente normales con varianzas desconocidas y
 6.3 Estimación de la proporción 49

diferentes, un intervalo de confianza aproximado del 100(1 − α) % para µ1 − µ2 es dado por

s s
2 2
s1 s2 s21 s22
(x̄1 − x̄2 ) − tν,α/2 + < µ1 − µ2 < (x̄1 − x̄2 ) + tν,α/2 + ,
n1 n2 n1 n2

donde tν,α/2 es tal que P(T > tν,α/2 ) = α/2, con T ∼ tν y

(s21 /n1 + s22 /n2 )2

ν= .
(s21 /n1 )2 (s22 /n2 )2
n1 −1 + n2 −1

Definición 6.2.5 — Intervalo de confianza para observaciones pareadas. Si d¯ y sd son la media

y la desviación estándar, respectivamente, de las diferencias distribuidas normalmente de n pares
aleatorios de mediciones, un intervalo de confianza del 100(1 − α) % para µd = µ1 − µ2 es
sd sd
d¯ − tn−1,α/2 √ < µd < d¯ + tn−1,α/2 √ ,
n n

donde tn−1,α/2 es tal que P(T > tn−1,α/2 ) = α/2, con T ∼ tn−1 .

6.3 Estimación de la proporción

Definición 6.3.1 — Intervalo de confianza para p. Si p̂ es la proporción de éxitos en una muestra
aleatoria de tamaño n, un intervalo de confianza aproximado del 100(1 − α) % para el parámetro p se
obtiene por medio de
r r
p̂(1 − p̂) p̂(1 − p̂)
p̂ − zα/2 < p < p̂ + zα/2 .
n n
donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Teorema 6.3.1 Si p̂ se utiliza un estimado de p, podemos tener un 100(1 − α) % de confianza en que

el error será menos que una cantidad específica ` cuando el tamaño de la muestra sea aproximadamente

z2α/2 p̂(1 − p̂)

n= .
`2

6.4 Estimación de la diferencia de dos proporciones

Definición 6.4.1 — Intervalo de confianza para p1 − p2 . Si p̂1 y p̂2 son las proporciones de éxitos
en muestras aleatorias de tamaños n1 y n2 , respectivamente, un intervalo de confianza aproximado del
100(1 − α) % para la diferencia p1 − p2 es dado por
s s
p̂1 (1 − p̂1 ) p̂2 (1 − p̂2 ) p̂1 (1 − p̂1 ) p̂2 (1 − p̂2 )
( p̂1 − p̂2 )−zα/2 + < p1 − p2 < ( p̂1 − p̂2 )+zα/2 +
n1 n2 n1 n2

donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).
 50 Capítulo 6. Estimación por intervalos

6.5 Estimación de la varianza

Definición 6.5.1 — Intervalo de confianza para σ 2 . Si s2 es la varianza de una muestra aleatoria de
tamaño n de una población normal, un intervalo de confianza del 100(1 − α) % para σ 2 es

(n − 1)s2 2 (n − 1)s2
2
< σ < 2
,
χn−1,α/2 χn−1,1−α/2

2
donde χn−1,α/2 2
y χn−1,1−α/2 2
son tal que P(χ > χn−1,α/2 2
) = α/2 y P(χ > χn−1,1−α/2 ) = 1 − α/2, con
2 .
χ ∼ χn−1

6.6 Estimación de la proporción de varianzas

Definición 6.6.1 — Intervalo de confianza para σ12 /σ22 . Si s21 y s22 son las varianzas de muestras
independientes de tamaño n1 y n2 , respectivamente, tomadas de poblaciones normales, entonces un
intervalo de confianza del 100(1 − α) % para σ12 /σ22 es

s21 1 σ12 s21

< < fn −1,n1 −1,α/2 ,
s22 fn1 −1,n2 −1,α/2 σ22 s22 2

donde fn1 −1,n2 −1,α/2 es tal que P(F > fn1 −1,n2 −1,α/2 ) = α/2, con F ∼ Fn1 −1,n2 −1 , y fn2 −1,n1 −1,α/2 es
tal que P(F > fn2 −1,n1 −1,α/2 ) = α/2, con F ∼ Fn2 −1,n1 −1 .

6.7 Ejercicios
1. Una empresa de material eléctrico fabrica lámparas
eléctricas que tienen una duración distribuida de for-
ma aproximadamente normal, con una desviación
estándar de 40 horas. Si una muestra de 30 lámpa-
ras eléctricas tiene una duración promedio de 780
horas, calcule un intervalo de confianza del 96 %
para la media de la población de todas las lámparas
eléctricas producidas por esta empresa.
2. Las estaturas de una muestra aleatoria de 50 estu-
diantes universitarios tienen una media de 174,5
centímetros y una desviación estándar de 6,9 centí-
metros.
a) Construya un intervalo de confianza del 98 %
para la estatura media de todos los estudiantes
universitarios.
b) ¿Qué podemos afirmar con una confianza
del 98 % acerca del posible tamaño de nues-
tro error, si estimamos que la estatura media
de todos los estudiantes universitarios es de
174,5 centímetros?
3. Una muestra aleatoria de 100 propietarios de auto-
móviles de la región revela que éstos conducen su
automóvil, en promedio, 23 500 kilómetros por año,
con una desviación estándar de 3 900 kilómetros.
Suponga que la distribución de las mediciones es
aproximadamente normal.
a) Construya un intervalo de confianza del 99 %
para el número promedio de kilómetros que
un propietario de un automóvil conduce
anualmente en la región.
b) ¿Qué podemos afirmar con un 99 % de con-
fianza acerca del posible tamaño del error, si
estimamos que los propietarios de automóvi-
les conducen un promedio de 23 500 kilóme-
tros por año?
4. ¿Qué tan grande debe ser la muestra en el ejercicio
(1) si deseamos tener un 96 % de confianza en que
nuestra media muestral estará dentro de 10 horas a
partir de la media verdadera?
5. Un experto en eficiencia desea determinar el tiempo
promedio que toma perforar tres hoyos en cierta pla-
ca metálica. ¿De que tamaño debe ser una muestra
para tener un 95 % de confianza en que esta media
muestral estará dentro de 15 segundos de la media
verdadera? Suponga que por estudios previos se
sabe que σ = 40 segundos.
6.7 Ejercicios
6. Una máquina produce piezas metálicas de forma
cilíndrica. Se toma una muestra de las piezas y los
diámetros son: 1,01; 0,97; 1,03; 1,04; 0,99; 0,98;
0,99; 1,01 y 1,03 centímetros. Calcule un intervalo
de confianza del 99 % para la media del diámetro
de las piezas que se manufacturan con esta má-
quina. Suponga una distribución aproximadamente
normal.
7. En un estudio para determinar la dureza de Rock-
well en la cabeza de alfileres para costuras se toma
una muestra aleatoria de 12. Se toman mediciones
de la dureza de Rockwell para cada una de las 12
cabezas y se obtiene un valor promedio de 48,50,
con una desviación estándar muestral de 1,5. Su- 12. En un proceso químico por lotes se comparan los
ponga que las mediciones se distribuyen de forma
normal y con base en esto construya un interva-
lo de confianza de 90 % para la dureza media de
Rockwell.
8. Se registran las siguientes mediciones del tiempo
de secado, en horas, de cierta marca de pintura viní-
lica:
3,4 2,5 4,8 2,9 3,6
2,8 3,3 5,6 3,7 2,8
4,4 4,0 5,2 3,0 4,8
Suponga que las mediciones representan una mues-
tra aleatoria de una población normal y con base en
esto calcule el intervalo de confianza del 95 % para
el tiempo de secado.
9. Una muestra aleatoria de tamaño n1 = 25, tomada
de una población normal con una desviación están-
dar σ1 = 5, tiene una media x̄1 = 80. Una segunda
muestra aleatoria de tamaño n2 = 36, que se toma
de una población normal diferente con una des-
viación estándar σ2 = 3, tiene una media x̄2 = 75.
Calcule un intervalo de confianza del 94 % para
µ1 − µ2 .
10. Se comparan las resistencias de dos clases de hilo.
Se prueban 50 piezas de cada clase de hilo en condi-
ciones similares. La marca A tiene una resistencia
a la tensión promedio de 78,3 kilogramos, con una
desviación estándar de 5,6 kilogramos; en tanto que
la marca B tiene una resistencia a la tensión prome-
dio de 87,2 kilogramos con una desviación estándar
de 6,3 kilogramos. Construya un intervalo de con-
fianza del 95 % para la diferencias de las medias de 14. Con referencia al ejercicio anterior, calcule un in-
la población.
11. Se realiza un estudio para determinar si cierto tra-
tamiento tiene algún efecto sobre la cantidad de
metal que se elimina en una operación de encurtido.
51
Una muestra aleatoria de 100 piezas se sumerge
en un baño por 24 horas sin el tratamiento, lo que
produce un promedio de 12,2 milímetros de metal
eliminados y una desviación estándar muestral 1,1
milímetros. Una segunda muestra de 200 piezas se
somete al tratamiento, seguido de 24 horas de in-
mersión en el baño, lo que da como resultado una
eliminación promedio de 9,1 milímetros de metal,
con una desviación estándar muestral 0,9 milíme-
tros. Calcule un intervalo de confianza del 98 %
para la diferencia entre las medias de las pobla-
ciones. ¿El tratamiento parece reducir la cantidad
media del metal eliminado?
efectos de dos catalizadores sobre la potencia de
la reacción del proceso. Se prepara una muestra de
12 lotes utilizando el catalizador 1 y una muestra
de 10 lotes utilizando el catalizador 2. Los 12 lotes
para los que se utilizó el catalizador 1 en la reacción
dieron un rendimiento promedio de 85 con una des-
viación estándar muestral de 4; en tanto que para
la segunda muestra, la de 10 lotes, el promedio fue
de 81, con una desviación estándar muestral de 5.
Calcule un intervalo de confianza del 90 % para la
diferencia entre las medias de la población, supo-
niendo que las poblaciones se distribuyen de forma
aproximadamente normal y que tienen varianzas
iguales.
13. Una empresa de taxis trata de decidir si compraría
neumáticos de la marca A o de la marca B para su
flotilla de taxis. Para estimar la diferencia entre las
dos marcas realiza un experimento utilizando 12
neumáticos de cada marca, los cuales utiliza hasta
que se desgastan. Los resultados son:
Marca A: x̄A = 36 300 kilómetros
sA = 5 000 kilómetros
Marca B: x̄B = 38 100 kilómetros
sB = 6 100 kilómetros
Calcule un intervalo de confianza del 95 % para
µA − µB , suponiendo que las poblaciones se distri-
buyen de forma aproximadamente normal. Puede
no suponer que las varianzas son iguales.
tervalo de confianza del 99 % para µA − µB si se
asignan al azar neumáticos de las dos marcas a las
ruedas traseras izquierda y derecha de 8 taxis y se
registran las siguientes distancias, en kilómetros:
52
Taxi Marca A Marca B
1 34 400 36 700
2 45 500 46 800
3 36 700 37 700
4 32 000 31 100
5 48 400 47 800
6 32 800 36 400
7 38 100 38 900
8 30 100 31 500
Suponga que las diferencias de las distancias se
distribuyen de forma aproximadamente normal.
15. En una muestra aleatoria de 1 000 viviendas en cier-
ta ciudad se encuentra que 228 utilizan diesel como
combustible para la calefacción. Calcule un inter-
valo de confianza del 99 % para la proporción de
viviendas es esta ciudad que utilizan diesel con el
fin mencionado.
16. Un fabricante de smartphone utiliza un conjunto de
pruebas exhaustivas para evaluar el funcionamiento
electrónico de su producto. Todos los smartphone
deben pasar todas las pruebas antes de ser puestos a
la venta. De una muestra aleatoria de 500 smartpho-
ne, 15 no pasan una o más de las pruebas. Calcule
un intervalo de confianza del 90 % para la propor-
ción de los smartphone de la población que pasan
todas las pruebas.
17. Una encuesta de 1 000 estudiantes reveló que 274
eligen al equipo de fútbol A como su equipo favo-
rito. En 2010 se realizó una encuesta similar con
760 estudiantes y 240 de ellos también eligieron a
ese equipo como su favorito. Calcule un intervalo
de confianza de 95 % para la diferencia entre la pro-
porción de estudiantes que favorecen al equipo A
en las dos encuestas. ¿Hay diferencia significativa?
18. Un fabricante de baterías para automóvil afirma que
sus baterías durarán, en promedio, 3 años con una
varianza de 1 año. Suponga que 5 de estas baterías
tienen duraciones de 1,9, 2,4, 3,0, 3,5, 4,2 años y
con base en esto construya un intervalo de confian-
Capítulo 6. Estimación por intervalos
za del 95 % para σ 2 , después decida si la afirmación
del fabricante de que σ 2 = 1 es válida. Suponga que
las duraciones de las baterías se distribuye de forma
aproximadamente normal.
19. Una muestra aleatoria de 20 estudiantes obtuvo una
media de x̄ = 72 y una varianza de s2 = 16 en un
examen universitario. Suponga que las calificacio-
nes se distribuyen normalmente y con base en esto
construya un intervalo de confianza del 98 % para
σ 2.
20. Se llevó a cabo un experimento para determinar si
el acabado superficial tiene un efecto en el límite de
resistencia a la fatiga del acero. Una teoría indica
que el pulido aumenta el límite medio de resistencia
a la fatiga (para la flexión inversa). Desde un punto
de vista práctico, el pulido no debería tener efecto
alguno sobre la desviación estándar del límite de
resistencia a la fatiga, el cual se sabe, a partir de la
realización de diversos experimentos de límite de
resistencia a la fatiga, que es de 4 000 psi. Se reali-
za un experimento sobre acero al carbono al 0,4 %
usando especímenes sin pulido y especímenes con
pulido suave. Los datos son los siguientes:
Límite de fatiga (psi)
Acero Acero al carbono
al carbono al 0,4 % al 0,4 % sin pulir
85 500 82 600
91 900 82 400
89 400 81 700
84 000 79 500
89 900 79 400
78 700 69 800
87 500 79 900
83 100 83 400
Calcule un intervalo de confianza del 95 % para la
diferencia entre las medias de la población para
los dos métodos. Suponga que las poblaciones se
distribuyen de forma aproximadamente normal.
 7. Pruebas de hipótesis

7.1 Conceptos generales

Definición 7.1.1 Una hipótesis estadística es una aseveración respecto a una o más poblaciones.

Definición 7.1.2 La hipótesis nula denotada por H0 , es la pretensión de que inicialmente se supone
cierta (la pretensión de “creencia previa”). La hipótesis alternativa denotada por H1 , es la aseveración
contradictoria a H0 . La hipótesis nula será rechazada en favor de la hipótesis alternativa sólo si la
evidencia muestral sugiere que H0 es falsa. Si la muestra no contradice fuertemente a H0 , se continuará
creyendo en la verdad de la hipótesis nula. Las dos posibles conclusiones derivadas de una análisis de
prueba de hipótesis son entonces rechazar H0 o no rechazar H0 .

Definición 7.1.3 Un procedimiento de prueba se especifica como sigue:

1. Un estadístico de prueba, una función de los datos muestrales en los cuales ha de basarse la
decisión (rechazar H0 o no rechazar H0 ).
2. Una región crítica, el conjunto de todos los valores estadísticos de prueba por los cuales H0 será
rechazada.
La hipótesis nula será rechazada entonces si y sólo si el valor estadístico de prueba observando o
calculado queda en la región de rechazo.

Definición 7.1.4 Un error de tipo I consiste en rechazar la hipótesis nula cuando es verdadera. Un
error de tipo II implica no rechazar H0 cuando H0 es falsa. Donde

α =P(Error de tipo I),

β =P(Error de tipo II).

Proposición 7.1.1 Supóngase que un experimento y un tamaño de muestra están fijos y que se selecciona
un estadístico de prueba. Entonces si se reduce el tamaño de la región crítica para obtener un valor más
pequeño de α se obtiene un valor más grande de β con cualquier valor de parámetro particular compatible
con H1 .
 54 Capítulo 7. Pruebas de hipótesis

7.2 Pruebas sobre la media

Estadístico Región
H0 H1
de prueba crítica
µ = µ0 µ < µ0 z < −zα
x̄−µ
√0
(σ conocido) z= σ/ n µ > µ0 z > zα
µ 6= µ0 |z| > zα/2
µ = µ0 µ < µ0 t < −tn−1,α
x̄−µ
√0
(σ desconocido) z= s/ n µ > µ0 t > tn−1,α
µ 6= µ0 |t| > tn−1,α/2
µ1 − µ2 = δ0 x̄1 −x̄2 )−δ0
(r µ1 − µ2 < δ0 z < −zα
z=
(σ1 y σ2 conocidas) σ12 σ22 µ1 − µ2 > δ0 z > zα
n1 + n2
µ1 − µ2 6= δ0 |z| > zα/2
µ1 − µ2 = δ0 −x̄2 )−δ0
(x̄1q
µ1 − µ2 < δ0 t < −tn1 +n2 −2,α
(σ1 y σ2 desconocidas) t= 1 1 µ1 − µ2 > δ0 t > tn1 +n2 −2,α
sp n1 + n2
µ1 − µ2 6= δ0 |t| > tn1 +n2 −2,α/2
µ1 − µ2 = δ0 1 −x̄2 )−δ0
(x̄r µ1 − µ2 < δ0 t < −tν,α
t=
(σ1 6= σ2 desconocidas) s21 s22 µ1 − µ2 > δ0 t > tν,α
n1 + n2
µ1 − µ2 6= δ0 |t| > tν,α/2
µD = d0 µD < d0 t < −tn−1,α
¯ 0
d−d
(observaciones t= √
sd / n
µD > d0 t > tn−1,α
pareadas) µD 6= d0 |t| > tn−1,α/2

7.3 Ejercicios
1. El Edison Electric Institute publica cifras del núme-
ro de kilowatt-hora que gastan anualmente varios
aparatos electrodomésticos. Se afirma que una as-
piradora gasta un promedio de 46 kilowatt-hora al
año. Si una muestra aleatoria de 12 hogares, que
se incluye en un estudio planeado, indica que las
aspiradoras gastan un promedio de 42 kilowatt-hora
al año con una desviación estándar de 11,9 kilowatt-
hora, ¿esto sugiere que las aspiradoras gastan, en
promedio, menos de 46 kilowatt-hora al año a un
nivel de significancia de 0,05? Suponga que la po-
blación de kilowatt-hora es normal.
2. Una empresa de material eléctrico fabrica lámparas
eléctricas que tiene una duración que se distribuye
de forma aproximadamente normal con una media
de 800 horas y una desviación estándar de 40 horas.
Pruebe la hipótesis de que µ = 800 horas contra la
alternativa de que µ 6= 800 horas, si una muestra
aleatoria de 30 lámparas eléctricas tiene una dura-
ción promedio de 788 horas. Utilice un nivel de
significancia de 0,05.
3. La estatura promedio de mujeres en el grupo de
primer año de cierta universidad ha sido, histórica-
mente, de 162,5 centímetros, con una desviación
estándar de 6,9 centímetros. ¿Existe alguna razón
para creer que ha habido un cambio en la estatura
promedio, si una muestra aleatoria de 50 mujeres
del grupo actual de primer año tiene una estatura
promedio de 165,2 centímetros? Suponga que la
desviación estándar permanece constante. Utilice
un nivel de significancia de 0,05.
4. Se afirma que los automóviles recorren en prome-
dio más de 20 000 kilómetros por año. Para probar
tal afirmación se pide a una muestra de 100 propie-
tarios de automóviles seleccionada de manera alea-
toria que lleven un registro de los kilómetros que
recorren. ¿Estaría usted de acuerdo con esta afirma-
ción, si la muestra aleatoria indicara un promedio
de 23 500 kilómetros y una desviación estándar de
3 900 kilómetros? Utilice un nivel de significancia
de 0,05.
5. De acuerdo con Chemical Engineering, una pro-
piedad importante de la fibra es su absorbencia de
agua. Se encontró que el porcentaje promedio de
absorción de 25 pedazos de fibra de algodón selec-
cionados al azar es 20, con una desviación estándar
7.3 Ejercicios
de 1,5. Una muestra aleatoria de 25 pedazos de
acetato reveló un porcentaje promedio de 12 con
una desviación estándar de 1,25. ¿Existe evidencia
sólida de que el porcentaje promedio de absorción
de la población es significativamente mayor para la
fibra de algodón que para el acetato? Suponga que
el porcentaje de absorbencia se distribuye de forma
casi normal y que las varianzas de la población en
el porcentaje de absorbencia para las dos fibras son
iguales. Utilice un nivel de significancia de 0,05.
6. Una muestra aleatoria de tamaño n1 = 25, tomada
de una población normal con una desviación están-
dar σ1 = 5,2, tiene una media x̄1 = 81. Una segunda 10. Se llevó a cabo un estudio para saber si el aumento
muestra aleatoria de tamaño n2 = 36, que se toma
de una población normal diferente con una desvia-
ción estándar σ2 = 3,4, tiene una media x̄2 = 76.
Pruebe la hipótesis de que µ1 = µ2 contra la alter-
nativa µ1 6= µ2 . Utilice un nivel de significancia de
0,01.
7. Un fabricante afirma que la resistencia promedio
a la tensión del hilo A excede a la resistencia a la
tensión promedio del hilo B en al menos 12 kilo-
gramos. Para probar esta afirmación se pusieron a
prueba 50 pedazos de cada tipo en condiciones simi-
lares. El hilo tipo A tuvo una resistencia promedio
a la tensión de 86,7 kilogramos con una desviación
estándar de 6,28 kilogramos; mientras que el hilo
tipo B tuvo una resistencia promedio a la tensión
de 77,8 kilogramos con una desviación estándar de
5,61 kilogramos. Pruebe la afirmación del fabrican-
te usando un nivel de significancia de 0,05.
8. Para indagar si un nuevo suero frena el desarrollo
de la leucemia se seleccionaron 9 ratones, todos en
una etapa avanzada de la enfermedad. Cinco rato-
nes reciben el tratamiento y cuatro no. Los tiempos
de supervivencia, en años, a partir del momento en
que comienza el experimento son los siguientes:
Con tratamiento 2,1 5,3 1,4 4,6 0,9
Sin tratamiento 1,9 0,5 2,8 3,1
A un nivel de significancia de 0,05, ¿se puede de-
cir que el suero es eficaz? Suponga que las dos
poblaciones se distribuyen de forma normal con
varianzas iguales.
9. Los ingenieros de una armadora de automóviles de
gran tamaño están tratando de decidir si comprarán
neumáticos de la marca A o de la marca B para sus
modelos nuevos. Con el fin ayudarlos a tomar una 12. De acuerdo con informes publicados, el ejercicio en
decisión se realiza un experimento en el que se usan
12 neumáticos de cada marca. Los neumáticos se
55
utilizan hasta que se desgastan. Los resultados son
los siguientes:
Marca A: x̄1 = 37 900 kilómetros
s1 = 5 100 kilómetros
Marca B: x̄2 = 39 800 kilómetros
s2 = 5 900 kilómetros
Pruebe la hipótesis de que no hay diferencia en el
desgaste promedio de las 2 marcas de neumáticos.
Suponga que las poblaciones se distribuyen de for-
ma aproximadamente normal con varianzas iguales.
Utilice un nivel de significancia de 0,05.
en la concentración de sustrato tiene un efecto apre-
ciable sobre la velocidad de una reacción química.
Con una concentración de sustrato de 1,5 moles por
litro, la reacción se realizó 15 veces, con una veloci-
dad promedio de 7,5 micromoles por 30 minutos y
una desviación estándar de 1,5. Con una concentra-
ción de sustrato 2,0 moles por litro, se realizaron 12
reacciones que produjeron una velocidad promedio
de 8,8 micromoles por 30 minutos y una desvia-
ción estándar muestral de 1,2. ¿Hay alguna razón
para creer que este incremento en la concentración
de sustrato ocasiona un aumento en la velocidad
media de la reacción de más 0,5 micromoles por
30 minutos? Utilice un nivel de significancia de
0,01 y suponga que las poblaciones se distribuyen
de forma aproximadamente normal con varianzas
iguales.
11. Cinco muestras de una sustancia ferrosa se usaron
para determinar si existe una diferencia entre un
análisis químico de laboratorio y un análisis de fluo-
rescencia de rayos X del contenido de hierro. Cada
muestra se dividió en dos submuestras y se apli-
caron los dos tipos de análisis. A continuación se
presentan los datos codificados que muestran los
análisis de contenido de hierro:
Muestra
Análisis 1 2 3 4 5
Rayos X 2,0 2,0 2,3 2,1 2,4
Químico 2,2 1,9 2,5 2,3 2,4
Suponga que las poblaciones son normales y prue-
be, al nivel de significancia de 0,05, si los dos mé-
todos de análisis dan, en promedio, el mismo resul-
tado.
condiciones de fatiga altera los mecanismos que de-
terminan el desempeño. Se realizó un experimento
56 Capítulo 7. Pruebas de hipótesis

con 15 estudiantes universitarios hombres, entrena- Diferencias absolutas

dos para realizar movimiento horizontal continuo Sujeto Sin fatiga Con fatiga
del brazo, de derecha a izquierda, desde un micro- 1 158 91
interruptor hasta una barrera, golpeando sobre la 2 92 59
barrera en coincidencia con la llegada de una ma- 3 65 215
necilla del reloj a la posición de las 6 en punto. Se 4 98 226
registró el valor absoluto de la diferencia entre el 5 33 223
tiempo, en milisegundos, que toma golpear sobre la 6 89 91
barrera y el tiempo para que la manecilla alcance la 7 148 92
posición de las 6 en punto (500 mseg). Cada parti- 8 58 177
cipante ejecutó la tarea cinco veces en condiciones 9 142 134
sin fatiga y con fatiga, y se registraron las siguientes 10 117 116
sumas de las diferencias absolutas para las cinco 11 74 153
ejecuciones: 12 66 219
13 109 143
14 57 164
15 85 100
Un aumento en la diferencia media absoluta de
tiempo cuando la tarea se ejecuta en condiciones de
fatiga apoyaría la afirmación de que el ejercicio, en
condiciones de fatiga, altera el mecanismo que de-
termina el desempeño. Suponga que las poblaciones
se distribuyen normalmente y pruebe tal afirmación.
Utilice un nivel de significancia de 0,05.