Estadística para Ingeniería: Variables Aleatorias

Estadística para Ingeniería 89
Capítulo 3. Variables aleatorias y modelos o dis-

tribuciones de probabilidad
3.1. Variable aleatoria
Una variable aleatoria X es una función del espacio muestral en los números reales, es decir,
X : Ω → IR
La variable aleatoria asigna a cada elemento del espacio muestral Ω un número que no es aleatorio o
imprevisible, sino fijo y predeterminado. Lo que es aleatorio es el experimento sobre cuyo espacio
muestral se define la variable aleatoria.
Rango de la variable aleatoria

Es el conjunto de los valores posibles de la variable aleatoria, es decir, RX = { X (w ) / w ∈ Ω }
Tipos de variable aleatoria

Una variable aleatoria es discreta si puede asumir un conjunto finito o infinito numerable de valores
diferentes, es decir, si su rango es un conjunto discreto.
Una variable aleatoria es continua si puede asumir cualquier valor en un intervalo o en general, si su
rango es un conjunto continuo.
Ejemplo 76
Indique el tipo de la variable aleatoria y su rango.
Variable aleatoria Rango Tipo de variable
W = número de libros defectuosos en un lote
de 100 unidades
X = número de llamadas realizadas por un
vendedor en una hora.
Y = tiempo de vida de una batería (horas)
Z = Ingreso familiar mensual (miles de soles)
S = Número de candidatos entrevistados has-
ta encontrar el tercero apto para un puesto
T = Peso de un automóvil (miles de kg.)
M = Número de créditos hipotecarios aproba-
dos de 12 que fueron evaluados.
N = Número de accidentes de trabajo por
semana en una mina.
Notas
Evento (X = a)
El evento ( X = a) se define como ( X = a) = { w ∈ Ω / X (w) = a }
Ejemplo 77
Sea Ω el espacio muestral del experimento E = lanzar una moneda dos veces y observar si sale cara
(c) o sello (s) cada vez.
Ω = {(c,c), (c,s), (s,c), (s,s)}.
Se define en Ω la variable aleatoria X = número de caras obtenidas.
El rango de RX = {0, 1, 2}, entonces, X es una variable aleatoria discreta.
El evento (X = 0) = el número de caras obtenidas es cero = {(s,s)}
El evento (X = 1) = el número de caras obtenidas es uno = {(c,s), (s,c)}
El evento (X = 2) = el número de caras obtenidas es dos = {(c,c)}
El evento (X > 0) = (X = 1 ó X = 2) = {(c,s), (s,c), (c,c)}
3.2. Variable aleatoria discreta

Una variable aleatoria es discreta si su rango es un conjunto finito o infinito numerable. Si x es un
elemento del rango de la variable aleatoria discreta X, entonces, la probabilidad de que ocurra el
evento (X=x) se denota P(X = x).
Función de probabilidad de una variable aleatoria discreta

La función de probabilidad una variable aleatoria discreta X, con rango RX, se representa por f(x) y
asigna a cada valor posible de la variable aleatoria, la probabilidad de que este valor ocurra, es decir,
f(x) = P(X = x).
Toda función de probabilidad cumple lo siguiente:
0 ≤ f(x) = P(X = x) ≤ 1
∑ f (x ) = ∑ P ( X = x ) = 1
x∈ R X x∈ R X
Si A ⊂ RX , entonces P ( X ∈ A ) = ∑ f (x )
x∈ A
El dominio de la función f(x) se puede extender a todos los números reales, si se define f(x) = 0
para todo x ∈ IR - RX.
Ejemplo 78
Sea X una variable aleatoria discreta con la siguiente función de probabilidad:
x 5 10 15 20 25 30
f(x) = P(X=x) 0,05 0,12 0,28 0,34 0,15 0,06
Entonces: P(X <20) = P(X = 5) + P(X = 10) + P(X = 15) = 0,05 + 0,12 + 0,28 = 0,45
P(5< X <25) = P(X = 10) + P(X = 15) + P(X = 20) = 0,12 + 0,28 + 0,34 = 0,74
Notas
Ejemplo 79
Sea X el número de veces que se lanza un dado hasta que salga seis por primera vez. Determine la
función de probabilidad de la variable X y calcule P( X > 4)
Ejemplo 80
Sea la variable aleatoria X = número de expedientes rechazados por documentación incompleta, en
un día. Usando información disponible en los archivos, se observó el número de expedientes recha-
zados por documentación incompleta por día, en una muestra de 200 días. Los resultados fueron:
• 32 días no se rechazaron expedientes
• 48 días se rechazó un expediente
• 70 días se rechazaron dos expedientes
• 30 días se rechazaron tres expedientes
• 16 días se rechazaron cuatro expedientes
• 4 días se rechazaron cinco expedientes
a. Usar la información anterior para construir una distribución de probabilidades para X.
b. Calcular la probabilidad de que en un día cualquiera sean rechazados más de tres expedientes por
documentación incompleta.
c. Calcular la probabilidad de que en un día cualquiera sean rechazados a lo más dos expedientes
por documentación incompleta.
Notas
Ejemplo 81
Un inspector de calidad se dispone a revisar un lote de cinco refrigeradores que contiene solamente
dos unidades que no presentan ningún tipo de defecto. Si el inspector revisará los refrigeradores de
ese lote, uno por uno, determine la función de probabilidad de la variable aleatoria X = número de
refrigeradores revisados por el inspector hasta que encuentre el segundo sin defectos.
Ejemplo 82
Un cierto tipo de pieza metálica puede o no tener cada uno de dos tipos de defectos. Si se sabe que
los defectos se presentan de manera independiente; que la probabilidad de que una de estas piezas
metálicas tenga el defecto tipo A es 0,01 y que la probabilidad de que tenga el defecto tipo B es 0,02;
determine la función de probabilidad de la variable aleatoria X = número de defectos en la pieza me-
tálica (Suponga que no se presentan otros tipos de defectos en este tipo de piezas).
3.3. Variable aleatoria continua

Una variable aleatoria continua X es aquella cuyo rango es un conjunto continuo, por lo general, un
intervalo de los números reales.
El rango de la variable aleatoria continua X es un conjunto infinito no numerable por lo tanto la idea
de asignar un valor de probabilidad a cada elemento del rango ya no es posible y es por ello que se
define la función de densidad que nos permitirá asignar probabilidades a los eventos relacionados
con X.
Función de densidad de una variable aleatoria continua

Se denomina función de densidad de probabilidad f(x) de una variable aleatoria continua X a la fun-
ción que satisface lo siguiente:
f (x ) ≥ 0 ∀x ∈ R X
∫ f (x ) dx = 1
RX
Si A ⊂ RX , entonces P ( X ∈ A) = f ( x )dx
∫
A
El dominio de la función f(x) se puede extender a todos los números reales, si se define f(x) = 0
para todo x ∈ IR- RX
Notas
Se cumple que:
b
P(a ≤ X ≤ b ) = ∫ f (x )dx
a
a
P( X = a ) = ∫ f ( x) dx = 0
a
P ( a ≤ X ≤ b) = P ( a ≤ X < b) = P ( a < X ≤ b) = P ( a < X < b)
Ejemplo 83
Si las ventas diarias (en miles de nuevos soles) en una tienda se modelan con una variable continua X
con función de densidad de probabilidad:
f ( x) = c x ; 0 ≤ x ≤ 10
a. Calcular el valor de c
b. Calcule e interprete P( X < 5)
c. Calcule e interprete P ( X ≥ 8)
Solución
10 10
x2
a. Como f(x) es una función de densidad ∫
0
cx dx = 1 , luego c
2 0
= 1 , de donde,
50c = 1 → c = 0,02
5
b. P( X < 5) = ∫ f ( x) dx = 0,25 . La probabilidad de que las ventas en un día cualesquiera sean me-
0
nores a 5 000 nuevos soles es de 0,25.
10
c. P( X ≥ 8) = ∫ f ( x) dx = 0,36 . La probabilidad de que las ventas en un día cualesquiera sean de al
8
menos 8 000 nuevos soles es de 0,36.
Ejemplo 84
El error en la medición de la temperatura de fusión de cierto sólido, en décimas de grados centígra-
dos, se modela con una variable aleatoria continua X con función de densidad:
x2
f ( x) = ; −1 < x < 2
3
a. Determine la probabilidad de que el valor absoluto del error de medición sea mayor a 0,05 gra-
dos centígrados.
Notas
b. Si se mide la temperatura de fusión en cuatro muestras de este sólido, ¿cuál es la probabilidad
de que en todas ellas el error de medición sea positivo? (Asuma que los errores son independien-
tes)
3.4. Función de distribución acumulada de una variable aleatoria

La función de distribución acumulada de la variable aleatoria X, es una función F : IR → IR , tal que
F ( x ) = P( X ≤ x )
Si X es una variable discreta con función de probabilidad f(x)
F (a) = P( X ≤ a) = ∑ f (x ) = ∑ P( X = x)
x ≤a x ≤a
Si X es una variable continua con función de densidad de probabilidad f(x)

a
F (a) = P( X ≤ a) = ∫ f (x )dx
−∞
Se cumple que:
0 ≤ F (a) = P( X ≤ a) ≤ 1
Si x1 ≤ x2 entonces F(x1) ≤ F(x2)
P(a < X ≤ b) = F(b) – F(a)
dF (x )
Si la variable X es continua se cumple que = f (x )
dx
lim F ( x ) = 0 y que lim F ( x ) = 1
x →−∞ x →∞
Ejemplo 85
Sea X el número de lanzamientos de un dado hasta que salga el primer seis. Encontrar la función de
distribución acumulada de la variable aleatoria X y P(X ≤ 3). (Recuerde que en ejemplo 100 calculó la
función de probabilidad de X).
Solución
La función de distribución acumulada de la variable aleatoria X es:

x x t −1 x
5 1 5
F (x ) = P ( X ≤ x ) = ∑ f (t ) = ∑     =1−  
t =1 t =1    
6 6 6
x
5
F (x ) = 1 −   ; x = 1, 2, 3,...
6
3
5
Luego, la probabilidad pedida será P( X ≤ 3) = F (3) = 1 −   = 0,4213
6
Notas
Ejemplo 86
Sea X una variable aleatoria discreta que denota el número de averías que un operario resuelve en
una jornada de trabajo, con función de probabilidad dada por:
 1 
f (x ) = 0 , 48   ; x = 0 , 1, 2 , 3
 x +1
Determine y grafique la función de distribución acumulada de X.
Ejemplo 87
El tiempo, en minutos, que demora un robot en pulir una pieza metálica se modela con una variable
aleatoria continua X con la siguiente función de densidad de probabilidad:
1
f (x ) = ; 8 ≤ x ≤ 20
12
a. Determine la función de distribución acumulada de la variable aleatoria X.
b. Use la función de distribución acumulada para calcular la probabilidad de el robot tarde entre 15
y 18 minutos para pulir una pieza metálica.
c. Si el robot está puliendo una pieza hace 14 minutos, ¿cuál es la probabilidad de que tarde más de
18 minutos para terminar el trabajo ?
d. Use la función de distribución acumulada para calcular la mediana de X. Interprete.
Notas
3.5. Esperanza y varianza de una variable aleatoria
Esperanza de una variable aleatoria

La esperanza de una variable aleatoria X con distribución de probabilidad f(x) se denota E(X) y se
define según el tipo de variable:
Si X es una variable aleatoria discreta, entonces:
E (X ) = ∑ xf (x ) = ∑ xP(X = x )
x∈R X x∈R X
Si X es una variable aleatoria continua:

+∞
E (X ) = ∫ xf (x )dx
−∞
A la esperanza E(X) también se le llama valor esperado o media de la variable X y se denota tam-
bién por μX.
Ejemplo 88
El número de trabajadores que faltan por día por razones de salud en una empresa se modela con
una variable aleatoria X con función de probabilidad dada por:
x 0 1 2 3 4
f(x) 0,08 K – 0,03 0,40 0,25 k
Determine k. Calcule e interprete el valor esperado de X.
Ejemplo 89
Un ecólogo marca una región de muestreo circular cuyo radio, medido en metros, se modela con una
variable aleatoria R con función de densidad: f (r ) = 0,75 1 − (10 − r )[ 2
] si 9 ≤ r ≤ 11
Calcule el valor esperado de R.
Notas
Esperanza de una función de variable aleatoria
Sea G(X) una función de la variable aleatoria X.

E (G( X )) = ∑ G(x) f (x ) = ∑ G(x)P(X = x )

x∈R X x∈R X
Si X es una variable aleatoria continua:

+∞
E (G( X )) = G(x) f ( x )dx
∫
−∞
Ejemplo 90
El dueño de un puesto de periódicos, ordena cada mes cuatro ejemplares de la revista Ciencia para
ponerlos a la venta y, de acuerdo a la información histórica, modela la demanda mensual de esta
revista con una variable aleatoria X, con función de probabilidad:
x 1 2 3 4 5 6
f(x) 1/15 2/15 3/15 4/15 3/15 2/15
El dueño del puesto compra cada ejemplar de esta revista a 8 soles y lo vende a 12 soles; si al final
del mes algún ejemplar de la revista no se ha vendido, lo dona a la biblioteca municipal. Calcule la
utilidad media mensual que obtiene por la venta de esta revista.
Ejemplo 91
La demanda diaria, en kilos, de un producto perecible se modela por una variable aleatoria con fun-
ción de densidad
f ( x) = 0,01 ; 100 < x < 200
El kilo del producto tiene un costo de producción de 30 nuevos soles y se vende a 50 nuevos soles.
Todo lo producido que no sea vendido en el día se remata a 15 nuevos soles por kilo. Calcule la can-
tidad que se debe producir diariamente para maximizar la utilidad esperada.
Notas
Varianza de una variable aleatoria
La varianza Var(X) de una variable aleatoria X con distribución de probabilidad f(x) se define por:
[ ]
Var ( X ) = E ( X − µ X )2 = E ( X 2 ) − µ x2

 
Var ( X ) = ∑ (x − µ ) 2
f (x ) =  ∑ x 2 f ( x ) − µ x2
x
 x∈R 
x∈RX  X 
Si X es una variable aleatoria continua, entonces:
+∞
 +∞ 
Var ( X ) = (x − µ x ) 2 f ( x )dx =  x 2 f (x )dx  − µ x2
∫ ∫
 
−∞  −∞ 
La varianza de la variable aleatoria X también se denota por σ X2 .
Desviación estándar de una variable aleatoria

σ X = σ X2
Ejemplo 92
Cierto tipo de maquinaria, usada en construcción, se renta a un costo fijo por mes o fracción de mes.
Un contratista modela el número de meses que le tomará terminar una determinada obra con la
 5x 
siguiente función de probabilidad: f (x) = 0,01106   si x = 1,2,3,4,5 . Calcule la media, la desvia-
 x! 
ción estándar y el coeficiente de variación de X.
Ejemplo 93
El tiempo, en minutos, entre la llegada de un vehículo y el siguiente a una caseta de peaje se modela
con una variable aleatoria X con función de distribución acumulada: F (x ) = 1 − exp(−3x) x ≥ 0
Calcule la media y varianza de X
Notas
Propiedades del valor esperado y la varianza de variables aleatorias
E(b) = b; Var(b) = 0 para cualquier constante real b.
Si Y = aX + b, con a y b son constantes, entonces: E(Y) = aE(X) +b; Var(Y) = a2 Var(X)
Si X e Y son variables aleatorias, a y b son constantes, entonces:
E(aX + bY) = a E(X) + b E(Y)
Las variables aleatorias X e Y son independientes si y sólo si para todo A subconjunto del rango
de X y B subconjunto del rango de Y, tales que P(A)>0 y P(B)>0, se cumple que
P(X∊A∩Y∊B)=P(X∊A)P(Y∊B)
Si X1, X2, X3, . . ., Xn son n variables aleatorias, y a1, a2, a3, . . ., an son n constantes, entonces:
E ( a1 X 1 + a2 X 2 + ... + an X n ) = a1E ( X 1 ) + a2 E ( X 2 ) + ... + an E ( X n )

Si X1, X2, X3, . . ., Xn son n variables aleatorias independientes, y a1, a2, a3, . . ., an son n constantes,
entonces:
V ( a1 X 1 + a2 X 2 + ... + an X n ) = a12V ( X 1 ) + a22V ( X 2 ) + ... + an2V ( X n )

Ejemplo 94
En una ferretería, el ingreso por ventas en un mes cualquiera se modela con una variable aleatoria
con media de 15600 soles y desviación estándar 2300 soles. Suponiendo que el ingreso de un mes es
independiente del de otro mes, calcule la media y desviación estándar de los ingresos totales por las
ventas de un año.
Desigualdad de Chebyshev
 1 
Para k > 1 se cumple que P  | X − µ X | ≤ kσ X ) ≥ 1 − 2 
 k 
Coeficiente de variación
El coeficiente de variación de la variable aleatoria X es:
σX
CV X =
µX
Moda
La moda de la variable aleatoria X es el valor de x que maximiza su función de probabilidad si es dis-
creta o su función de densidad si es continua.
Mediana
La mediana de la variable aleatoria X es el menor valor x=Med que acumula una probabilidad de por
lo menos 0,5; es decir, es el menor valor talque: F(Med) = P(X≤Med) ≥ 0,50.
Percentil k
El percentil k de la variable aleatoria X es el menor valor x=Pk que acumula una probabilidad de por
lo menos k/100; es decir, es el menor valor talque: F(Pk) = P(X ≤ Pk) ≥ k/100.
Notas
Ejercicios
47. Se lanza un dado dos veces, sea la variable aleatoria X igual a la suma de los puntos de las caras
superiores. Determine la función de probabilidad, esperanza y varianza de la variable X.
48. En una urna hay dos bolas rojas y tres bolas negras. Se saca, una a una y sin reemplazo, las bojas
hasta que salga la segunda bola roja. Sea X la variable aleatoria definida como el número de ex-
tracciones necesarias hasta que aparezca la segunda bola roja. Calcule la función de probabili-
dad de X.
49. El contenido (en gramos) de oro por tonelada de material extraído en una mina es una variable
X con función de densidad:
f ( x) = e − x + c ; 0 ≤ x ≤ 3 .
a. Encontrar el valor de la constante c y hallar la media y desviación estándar del contenido de
oro por tonelada de material extraído.
b. Encontrar la función de distribución acumulada de X y hallar la probabilidad de que una tone-
lada de material extraído tenga más de un gramo de oro, si se sabe que a lo más tiene dos
gramos de oro.
c. Si el costo por extraer el oro del material es de 25 dólares por tonelada y el gramo de oro se
vende a 40 dólares, encontrar la ganancia esperada al vender el oro extraído de 1000 tonela-
das de material.
50. En un taller hay tres tipos de máquinas: A, B y C. De las 20 del tipo A, 4 están malogradas; de las
15 del tipo B, 2 están malogradas; y de las 10 del tipo C, 3 están malogradas. Se escoge al azar y
de manera independiente una máquina de cada tipo. Si la variable X es igual al número de má-
quinas malogradas escogidas, encontrar la media y la desviación estándar de la variable X.
51. Sea X es una variable aleatoria continua con función de densidad de probabilidad dada por:
f ( x) = ce x ; x <3
a. Halle el valor de la constante c.
b. Determine la función de distribución acumulada de X, F(x).
c. Calcule la media y varianza de la variable aleatoria Y = 3X +5
52. Sea X una variable aleatoria continua con función de densidad:

1+ x2
f ( x) = ; 0≤ x≤a
12
a. Determine el rango, la moda, la media y la varianza de la variable aleatoria X.
b. Determine y grafique la función de distribución acumulada de la variable aleatoria X.
c. Calcule la probabilidad de que X asuma valores en el intervalo [µ-2σ ; µ+2σ], compare este
valor con el indicado por la desigualdad de Chebyshev.
53. La demanda diaria de cierto artículo es una variable aleatoria cuyos valores son 10, 20 o 30 con
probabilidades de 0,2; 0,5 y 0,3 respectivamente. El costo de cada artículo es 1,80 soles y el pre-
cio de venta es dos soles. Los artículos son perecederos de tal manera que si un artículo no se
vende en el día la pérdida es total. Hallar el número de artículos que se deben ordenar para la
venta de tal manera que la ganancia esperada sea máxima.
Notas
54. Suponga que el ingreso familiar mensual en miles de unidades monetarias en una ciudad, es una
variable aleatoria X con función de densidad:
4kx ; 0 ≤ x ≤1
f ( x) = 
k (5 − x) ; 1< x ≤ 5
a. Determinar el valor de la constante k y estime el porcentaje de familias con ingresos mensua-
les de entre 500 y 2000 unidades monetarias.
b. ¿Cuál es el ingreso familiar esperado?
55. La demanda diaria de un producto perecible puede modelarse por una variable aleatoria discre-
ta X cuya función de probabilidad está dada por la tabla que sigue:
x 12 24 36 48 60
f(x) 0,15 0,25 0,30 0,20 0,10
La empresa obtiene por cada unidad demandada de producto 20 nuevos soles de utilidad. Si la
cantidad vendida en un día es mayor a 36 unidades, se obtiene una utilidad adicional de dos
nuevos soles por unidad vendida de producto. La empresa tiene siempre más de 60 productos
en su almacén al inicio del día. Calcule el valor esperado y la desviación estándar de la utilidad
por la demanda diaria de productos.
56. La proporción de su presupuesto anual que una compañía dedica al mantenimiento de sus má-
quinas es una variable aleatoria X con función de densidad:
f ( x) = c ( x + 1) ; 0 < x <1
a. Halle el valor de la constante c.
b. Encuentre la distribución acumulada de la variable X.
c. Si la proporción del presupuesto anual dedicado al mantenimiento de sus máquinas es de al
menos 0,20, ¿qué probabilidad hay de que esta proporción no supere el 0,80?
57. Un ingeniero propone que la proporción de construcciones civiles sin licencias de construcción
puede ser modelada usando la siguiente función de densidad:
g ( y ) = cy 2 (1 − y ) ; 0 ≤ y ≤ 1
Un segundo ingeniero propone usar otro modelo dado por:

f ( x) = d ; 0 ≤ x ≤1
a. Encuentre c y d.
b. Halle las distribuciones acumuladas en cada modelo y calcule la probabilidad que la propor-
ción indicada supere a 0,8.
c. ¿Cuál modelo presenta menor variabilidad?
58. La demanda semanal de gas propano, en miles de galones, de una distribuidora en particular es
una variable aleatoria X con función de densidad f(x) dada por:
 1 
f ( x) = 21 − 2  ; 1 ≤ x ≤ c
 x 
a. Determine c y la función de distribución acumulada de X, F(x).

b. Calcule la media y el percentil 80 de la demanda semanal de gas propano.
c. Si hay 1500 galones en existencia al principio de la semana y no se recibe nuevo suministro
durante la semana, ¿cuántos galones se espera que queden al finalizar la semana?
Notas
59. Se ha observado que un termómetro sometido a condiciones meteorológicas adversas da una

medición de entre dos grados más y dos menos de la temperatura real. El error cometido se
modela por una variable aleatoria continua con la siguiente función de densidad:
1
f ( x) = (2 − x ) , − 2 < x < 2
8
a. Calcule la probabilidad de que el valor absoluto del error sea menor a un grado.
b. Calcule la probabilidad de que el termómetro dé la temperatura exacta.
c. Calcule el error esperado y la desviación estándar del error.
60. El número de solicitudes de crédito hipotecario recibidas semanalmente en una agencia banca-
ria se modela con una variable aleatoria X con función de probabilidad f(x) dada por:
 c
 x = 5; 6; 7; 8; 9
f ( x) =  2 x + 3
 0,092 x = 10
Determine el valor de la constante c, la media, mediana y moda de X.
61. El tiempo de fraguado, en minutos, de un cierto tipo de concreto se puede modelar por una
variable aleatoria X con la siguiente función de distribución acumulada:
F (x ) =
x 2
− ; 20 < x < 50 .
30 3
Calcule el coeficiente de variación de la variable X.
62. La vida, en horas, de un tipo de transistores se representa por una variable aleatoria continua
con función de distribución acumulada:
100
F ( x) = 1 − , x ≥ 100.
x
¿Cuál es la probabilidad de que en un aparato de radio que lleva cuatro de estos transistores, al
menos tres deban ser sustituidas durante las primeras 250 horas?
63. La demanda diaria de gasolina, en miles de galones, en una refinería, se modela con una varia-
ble aleatoria X con función de densidad f(x) dada por:
2
 3 x , 0 ≤ x ≤1
f (x) = 
 (3 − x) , 1 < x ≤ 3
 3
a. Determine la función de distribución acumulada de la variable X.
b. ¿Cuál debe ser, al comenzar el día, el inventario mínimo que la refinería debe tener para
que con una probabilidad de 0,95, haya gasolina disponible al final de un día cualquiera?
64. La variable aleatoria con distribución de Pareto se usa en el campo de los seguros de autos para
modelar la cuantía del daño por siniestro. Para una variable aleatoria X con distribución de Pare-
to se cumple que:
a
b
P( X > x) =  
 x
y su rango es [b, ∞[. Calcule la media, mediana, moda y desviación estándar de la variable alea-
toria X si a > 2.
Notas
3.6. Algunos modelos discretos importantes
Experimento de Bernoulli
Un experimento o ensayo Bernoulli es un experimento aleatorio con dos únicos resultados posibles
denominados éxito (E) y fracaso (F).
La probabilidad de éxito se denota P(E) = p y la de fracaso P(F) = 1- p = q.
Los siguientes son ejemplos de experimentos Bernoulli:
Lanzar un dado y observar si sale seis
o E:= Sale 6. Luego, P(E) = 1/6
Revisar un artículo y verificar si es defectuoso en una línea de producción que produce el 0,1% de
artículos defectuosos.
o E:= El artículo es defectuoso. Luego, P(E) = 0,001
Ofrecer una póliza de seguros a un cliente y anotar si la compra. Por experiencia se estima que el
5% de los clientes compra la póliza.
o E:= El cliente compra la póliza. Luego, P(E) = 0,05
Distribución Bernoulli
Se denomina una variable Bernoulli a una variable aleatoria discreta X definida en el espacio mues-
tral asociado a un experimento Bernoulli tal que X(F) = 0 y X(E) = 1.
La función de probabilidad de la variable aleatoria X es:
f ( x) = P( X = x ) = p x q1− x x = 0, 1
Se denota X ~ Bernoulli (p) y se lee X sigue una distribución Bernoulli con parámetro p.
Media o valor esperado de X: µ = E ( X ) = p
Varianza de X: σ 2 = V ( X ) = p(1 − p ) = pq
Distribución Binomial
Un experimento binomial consiste en una serie de n repeticiones de un experimento Bernoulli, don-
de n se fija antes de realizar el experimento.
Las pruebas son independientes entre sí por lo que el resultado de un intento en particular no
influye en el resultado de cualquier otro.
La probabilidad de éxito en cada prueba es constante y se denota p.
Se define la variable aleatoria binomial X como el número de éxitos observados en un experimento
binomial, es decir:
X := Número de éxitos obtenidos en n repeticiones independientes de un experimento de Bernoulli
con probabilidad de éxito p.
Notas
La función de probabilidad de la variable aleatoria binomial X es:
f ( x ) = P( X = x ) = C xn p x (1 − p )
n− x
; x = 0, 1, 2,K , n
Se denota X ~ B (n, p) y se lee X sigue una distribución binomial con parámetros n y p.

Se cumple que X ~ Bernoulli(p), si y solo si X ~ B(1, p)
Si Xi ~ Bernoulli(p) (i = 1, 2,…, n) variables aleatorias independientes, entonces se cumple que
(X1+X2+… + Xn ) ~ B(n, p)
Esperanza de X: µ = E ( X ) = np
Varianza de X: σ 2 = V ( X ) = np (1 − p )
Ejemplo 95
Los siguientes son ejemplos de variables binomiales:
X1 = Número de artículos defectuosos en un lote de 500
o n = 500 E:= artículo defectuoso P(E) = 0,001 X1 ~ B(n = 500, p = 0,001)
X2 = Número de clientes que compran una póliza de seguro de vida de los 20 visitados
o n = 20 E:= cliente compra la póliza P(E) = 0,08 X2 ~ B(n = 20, p = 0,08)
X3 = Número de solicitudes de crédito hipotecario aprobadas de 15 evaluadas
o n = 15 E:= crédito aprobado P(E) = 0,68 X3 ~ B(n = 15, p = 0,68)
Ejemplo 96
En un proceso de fabricación artesanal de papel reciclado se estima, por experiencia anterior, que el
3% de las hojas de papel producidas presentan defectos en el teñido. Las hojas de papel se empacan
en cajas de 50 unidades. Si usted ha comprado una de estas cajas, calcule la probabilidad de que:
a. ninguna de las hojas presente defectos en el teñido
b. la caja contenga exactamente tres hojas con defectos en el teñido
c. la caja contenga a lo más dos hojas con defectos en el teñido
d. la caja contenga más de una hoja con defectos en el teñido
e. ¿Cuál es la media del número de hojas con defectos en el teñido en una caja?
Solución
Definimos la variable aleatoria X: = número de hojas con defectos en el teñido en la caja de 50 hojas
de papel reciclado
Notemos que X ~ B (n = 50, p = 0,03)
a. La probabilidad de que ninguna de las hojas de la caja presente defectos en el teñido es
P( X = 0 ) = C050 0,030 0,97 50 = 0,218
Notas
b. La probabilidad de que en la caja haya exactamente tres hojas que presenten defectos en el
teñido es P( X = 3) = C350 0,033 0,97 47 = 0,126
c. La probabilidad de que en la caja haya a lo más dos hojas con defectos en el teñido es
2
P( X ≤ 2) = ∑C 50 x
x 0,03 0,97
50− x
= 0,811
x=0
d. La probabilidad de que en la caja haya más de una hoja con defectos en el teñido es
1
P( X > 1) = 1 − P( X ≤ 1) = 1 − ∑C 50 x
x 0,03 0,97
50 − x
= 1 − 0,555 = 0,445
x =0
e. En una caja de 50 hojas, el número medio de hojas que presenten defectos en el teñido es:
E(X) = np = 50(0,03) = 1,5.
Ejemplo 97
En cierta población se estima que 35% de las personas son fumadores y el resto no fuma. En el grupo
de los fumadores, la probabilidad de padecer de afecciones respiratorias es 0,72 mientras que en el
grupo de no fumadores la probabilidad de padecer de afecciones respiratorias es 0,42. Si se seleccio-
na al azar seis personas al azar de esta población, ¿cuál es la probabilidad de que por lo menos dos
de ellas padezcan afecciones respiratorias?
Ejemplo 98
Un fabricante de piezas de carro, envía las piezas en lotes de 20 a sus clientes. Suponga que cualquier
pieza tiene una probabilidad de 0,015 de ser defectuosa independientemente de las otras del mismo
lote.
a. Calcule la probabilidad de que un lote no contenga piezas defectuosas.
b. Si un cliente recibe 30 lotes, ¿cuál es el número esperado de lotes que no tienen piezas defec-
tuosas?
Notas
Distribución geométrica
La variable aleatoria X tiene una distribución geométrica con parámetro p si X es el número de repe-
ticiones independientes de un experimento Bernoulli con P(E) = p hasta obtener un éxito.
La función de probabilidad de X es:
f ( x) = P( X = x ) = q x −1 p ; x = 1, 2, 3,...
Se denota X ~ G(p) y se lee X sigue una distribución geométrica con parámetro p.
Esperanza de X: µ = E ( X ) =
1
p
1− p
Varianza de X: σ 2 = V ( X ) =
q
2
= 2
p p
La función de distribución acumulada de X es:
F (x) = P ( X ≤ x ) = 1 − (1 − p) x ; x = 1, 2, 3,...
Se cumple que P ( X > x ) = (1 − p) x = q x ; x = 1, 2, 3,...

Se cumple que P(X > k+s / X > k) = P(X > s) k, s ∈ Z+
Esta propiedad indica que la distribución geométrica “no tiene memoria”, es decir, si el éxito no
se ha obtenido en las primeras k repeticiones, entonces, la probabilidad de que no ocurra en las
próximas s repeticiones es la misma que la probabilidad de que el éxito no ocurra en las primeras
s repeticiones.
Ejemplo 99
La probabilidad de que cada llamada telefónica de un vendedor resulte en una venta es 0,10. Asu-
miendo que las ventas se realizan independientemente unas de otras:
a. Calcule la probabilidad de que el vendedor haga su primera venta después de la octava llamada.
b. ¿Cuántas llamadas espera hacer el vendedor hasta conseguir su primera venta?
c. Si el vendedor ya realizó tres llamadas sin éxito, ¿cuál es la probabilidad de que necesite hacer
más de 12 llamadas para conseguir su primera venta?
Notas
Ejemplo 100
En una compañía petrolera estima que, en cierta región, la probabilidad de que una perforación sea
exitosa es 0,18. Calcule la probabilidad de que se necesite realizar por lo menos cinco perforaciones
hasta la primera exitosa.
Distribución de Pascal o Binomial negativa

Se define la variable Pascal con parámetros r y p como X número de repeticiones independientes de
un experimento Bernoulli con P(E) = p, hasta obtener r éxitos.
La función de probabilidad de la variable X es:
f ( x) = P( X = x ) = C rx−−11 (1 − p )
x−r
pr ; x = r , r + 1, r + 2,...
Se denota X ~ P(r, p) y se lee X sigue una distribución Pascal con parámetros r y p.
r
p
r (1 − p ) rq
Varianza de X: σ 2 = V ( X ) = = 2
p2 p
Se cumple que X ~ G(p) si y solo si X ~ P(1, p)
Si Xi ~ G(p) (i = 1, 2,…, n) variables aleatorias independientes, entonces se cumple que la variable
X = (X1+X2+… + Xn ) ~ P(r, p)
Ejemplo 101
En cierta línea de producción la probabilidad de producir un artículo defectuoso es de 0,001
a. Calcule la probabilidad de que el octavo artículo producido sea el quinto defectuoso.
b. ¿Cuántos artículos se espera producir hasta el cuarto defectuoso?
Ejemplo 102
En un proceso de fabricación de componentes electrónicos se estima que la probabilidad de sea ne-
cesario fabricar más de seis de estos componentes hasta obtener el primer defectuoso es 0,9133.
Determine la probabilidad de que el centésimo componente electrónico fabricado sea el tercero
defectuoso. (Asuma independencia en la fabricación de los componentes electrónicos).
Notas
Distribución hipergeométrica
El experimento hipergeométrico consiste en extraer al azar y sin sustitución n elementos de un con-
junto de N elementos, r de los cuales son considerados éxitos y (N - r) son fracasos.
Se define la variable aleatoria hipergeométrica como X:= número de éxitos observados en la
muestra de tamaño n.
La función de probabilidad de la variable X es:
C xr C nN−−xr
f ( x) = P ( X = x ) = ; x = max{0, n − ( N − r )},..., min{n, r}
C nN
Se denota X ~ H (N, r, n) y se lee que la variable aleatoria X sigue una distribución hipergeométri-
ca con parámetros N, r y n.
Esperanza de X: µ = E ( X ) = n
r
N
r  r  N − n 
Varianza de X: σ 2 = V ( X ) = n 1 −  
N  N  N − 1 
Sea X ~ H(N, r, n), si n/N tiende a cero, entonces X ~ B(n, r/N) aproximadamente.
Ejemplo 103
Se embarcan mayólicas de piso en cajas de 50 unidades. En el control de calidad, se elige al azar (una
por una sin reposición) cinco mayólicas de una caja. Si ninguna mayólica es defectuosa, la caja es
aceptada; si se encuentra que una o más son defectuosas, se inspecciona la caja completa. Suponga
que en realidad hay tres mayólicas defectuosas en la caja inspeccionada.
a. Calcule la función de probabilidad del número de mayólicas defectuosas en la muestra.
b. ¿Cuál es la probabilidad de que sea necesaria una inspección de toda la caja?
c. El costo del proceso de control, C(X), es función del número de mayólicas defectuosas en la
muestra y está dado por C(X)= 2 + 0,2X + 0,5X2. Hallar el costo esperado del proceso de control
de la caja inspeccionada.
d. Determine la función de probabilidad del número de mayólicas defectuosas en la muestra si las

mayólicas se escogen una por una y con reposición.
Notas
Ejemplo 104
Los 32 empleados de una empresa que fábrica de aislantes térmicos fueron evaluados para detectar
residuos de asbesto en sus pulmones; en el informe de resultados se indica que solo cinco de ellos
presentaron dichos residuos. Por orden de la autoridad sanitaria, seis trabajadores de esta fábrica,
seleccionados al azar, serán enviados a un centro de salud para que les realicen más pruebas y análi-
sis.
a. ¿Cuál es la probabilidad de que más de tres de los trabajadores seleccionados hayan presentado
residuos de asbesto?
b. Si la empresa debe pagar al centro de salud 200 soles por las pruebas y tratamiento de cada tra-
bajador que presente residuos de asbesto y 50 soles por cada trabajador que no presente estos
residuos ¿cuál es el monto esperado a pagar en el centro de salud por la ejecución de la orden de
la autoridad sanitaria?
Distribución de Poisson
El experimento que origina una variable aleatoria que sigue una distribución de Poisson se denomina
proceso de Poisson y posee las siguientes propiedades:
El número de eventos de interés que ocurren en un intervalo o región de espacio cualquiera es
independiente del número que ocurre en cualquier otro intervalo o región del espacio disjunto.
La probabilidad de que ocurra un solo éxito durante el intervalo muy corto o región muy peque-
ña es proporcional a la longitud del intervalo o al tamaño de la región.
La probabilidad de que ocurran dos o más éxitos en un intervalo (o una región) suficientemente
pequeño es cero.
La función de probabilidad de la variable aleatoria Poisson X es:
e −λ λ x
f (x ) = P ( X = x ) = ; x = 0, 1, 2, K
x!
λ = número esperado de éxitos por unidad de tiempo o región.
Se denota X ~ P(λ) y se lee que la variable aleatoria X sigue una distribución Poisson con paráme-
tro λ.
Esperanza de X: µ = E ( X ) = λ
Varianza de X: σ 2 = V ( X ) = λ
Sea la variable discreta X definida como el número de veces que ocurre un evento en un interva-
lo dado (área, volumen o cualquier medida continua). La variable aleatoria X usualmente se mo-
dela con una distribución de Poisson de parámetro λ (λ > 0), que representa el número medio o
esperado de éxitos en el intervalo dado.
Notas
Ejemplo 105
Los siguientes son ejemplos de variables con distribución Poisson:
a. X := Número de alumnos que ingresan a la cafetería central por minuto.
Se sabe que en media ingresan 6 alumnos por minuto a la cafetería central, entonces X~ P(λ=6)
b. Y := Número de defectos en una mayólica.
Se sabe que el número medio de defectos por mayólica 1,1, entonces Y~ P(λ=1,1)
c. W := Número de quejas recibidas por día en el módulo de atención al cliente de cierta empresa
de telefonía celular.
Se sabe que el número esperado de quejas recibidas por semana en este módulo es 35, entonces
W~ P(λ=35/7= 5)
Ejemplo 106
El número de señales que llegan a una estación receptora puede modelarse por una variable Poisson
con una media de 15 por minuto.
a. ¿Cuál es la probabilidad de que en un minuto lleguen 18 señales a la estación receptora?
b. ¿Cuál es la probabilidad de que en un minuto lleguen más de 20 señales a la estación receptora?
c. ¿Cuál es la probabilidad de que en cinco minutos lleguen menos de 80 señales a la estación?
Ejemplo 107
Los buques llegan a un puerto de acuerdo a un proceso Poisson con una media de tres buques por
día. Cada buque se demora en el puerto por los menos tres días y el puerto tiene capacidad para
ocho buques. Si en este momento, no hay ningún buque atracado en el puerto, calcular la probabili-
dad de que el puerto se llene en los siguientes dos días.
Notas
Ejercicios
65. Una compañía encuestadora va a entrevistar personas en un área rural hasta encontrar tres
personas indocumentadas. Si la probabilidad de que una persona esté indocumentada es de
0,25, encuentre la probabilidad de que la compañía entreviste por lo menos a seis personas.
66. Un aparato de cocina tiene 16 partes funcionales, cada una de las cuales tiene una probabilidad
de 0,99 de funcionar correctamente hasta el fin del período de garantía del producto. Las partes
funcionan de manera independiente, pero si dos o más no funcionan, el aparato tampoco. ¿Cuál
es la probabilidad de que uno de estos aparatos seleccionado al azar funcione bien durante to-
do el periodo de garantía?
67. Suponga que se va a comprar lotes de siete tubos de rayos catódicos (CRT) para terminales de
computadora. Se decide muestrear 3 CRT de cada lote y rechazar el lote si se observa uno o más
CRT defectuosos en la muestra.
a. Si el lote contiene un CRT defectuoso, ¿qué probabilidad hay de que se acepte el lote?
b. ¿Qué probabilidad hay de que se acepte el lote si contiene 3 CRT defectuosos?
68. Se supone que el 30% de los aspirantes para cierto trabajo tiene entrenamiento en programa-
ción. Si los aspirantes son entrevistados uno tras otro, encontrar la probabilidad de hallar el se-
gundo aspirante con entrenamiento en programación antes de la quinta entrevista.
69. Una operadora de una empresa de telemarketing dispone de un listado de clientes potenciales
de un determinado producto. Si la probabilidad de que dicha operadora haga una venta al hacer
una llamada es del 25%, determine la probabilidad de que en la décima llamada se realice la
tercera venta.
70. Un vendedor de artefactos eléctricos por teléfono sabe que el 8% de las llamadas que realiza
terminan en una venta. Si el vendedor hace 50 llamadas y la ganancia por x ventas es de 2 x 2
soles, encontrar su ganancia esperada.
71. El número de torres de alta tensión que se caen por año en una ciudad puede modelarse por
una variable aleatoria de Poisson, con una desviación estándar de 1,5 torres por año. El costo de
reparar una torre caída es 200 000 dólares y la compañía destina como máximo 600 000 dólares
anuales para reparar torres. Calcule el gasto anual esperado en la reparación de torres.
72. Air América tiene la política de registrar a 24 personas para viajar en un avión que cuenta con
20 asientos para pasajeros. Estudios anteriores revelaron que solo el 80% de los pasajeros que
se registran en un determinado vuelo, se presentan al aeropuerto para viajar en ese vuelo. Cal-
cular la probabilidad de que no haya suficientes asientos disponibles para los pasajeros, en un
vuelo en el que se registraron 24 personas.
Notas
73. Con fines de auditoría sobre 18 empresas que comercializan Gas doméstico que funcionan en
nuestro medio (entre las cuales tenemos a las compañías A, B y C) se tomará una muestra alea-
toria de 6 de ellas. Determine la probabilidad de los siguientes eventos:
a. Que la muestra solo tenga una de las tres empresas antes citadas.
b. La muestra incluya a las tres empresas mencionadas.
c. Que la muestra incluya al menos una de las tres empresas antes citadas.
74. Una empresa de seguros considera que sólo alrededor de 5 % de los asegurados atendidos tiene
una determinada enfermedad.
a. Halle la probabilidad de atender más de dos casos hasta que se reporte el primer asegurado
que sufre de esta enfermedad.
b. ¿Cuál es el número esperado de asegurados atendidos hasta encontrar el tercer caso con la
enfermedad?
c. Si fueron seleccionados aleatoriamente 100 de los asegurados atendidos, ¿cuál sería la pro-
babilidad de que no más de 3 de ellos tengan la enfermedad?
75. A un estudiante que tiene de manera independiente una probabilidad p de aprobar cada exa-
men del curso de Física 1, se le ofrecen dos alternativas:
I) Dar un único examen.
II) Dar tres exámenes con la condición de aprobar por lo menos dos.
¿Cuál es la alternativa más favorable para el alumno?
76. En una distribuidora hay 25 televisores de los cuales 6 son de tecnología LED. Si se seleccionan
al azar 10 televisores, calcule la probabilidad de que se haya seleccionado por lo menos dos te-
levisores de tecnología LED.
77. En un lote de 50 computadoras 12 son defectuosas. Si se eligen al azar y de una sola vez 20 de
ellas, calcule la probabilidad de que de las computadoras elegidas por lo menos dos sean defec-
tuosas.
78. La probabilidad de realizar con éxito cierto experimento es constante en cada repetición. Se
sabe que si el experimento se repite de manera independiente 24 veces, entonces es igualmen-
te probable obtener cuatro éxitos que obtener cinco éxitos. Determine la probabilidad de obte-
ner tres éxitos si el experimento se realiza diez veces.
Notas
3.7. Algunos modelos continuos importantes

Distribución de probabilidad uniforme
La variable aleatoria X tiene una distribución uniforme en el intervalo [a, b], si su función de densidad
de probabilidad es:
f (x ) =
1
; a≤ x≤b
b−a
Se denota X ~ U (a, b) y se lee que la variable aleatoria X sigue una distribución uniforme con
parámetros a, b.
La función de distribución acumulada es:
 0 ; x<a
x − a
F ( x) =  ; a≤ x≤b
b − a
 1 ; x>b
a+b
2
(b − a )2
12
Ejemplo 108
Suponga que el consumo mensual de electricidad de una fábrica, en miles de kilowatts/hora, se pue-
de modelar con una variable aleatoria uniforme en el intervalo [2, 6].
a. Si antes que termine el mes, un inspector realiza una medición y verifica que hasta ese momen-
to el consumo de electricidad en la fábrica ha sido de 3800 kilowatts/hora, ¿cuál es la probabili-
dad de que al finalizar el mes el consumo de electricidad de la fábrica supere los 5000 kilo-
watts/hora?
b. Si el consumo de electricidad en la fábrica se considera independiente entre un mes y otro,

¿cuál es la probabilidad de que en más de dos meses de un año el consumo sea mayor a 5000 ki-
lowatts/hora?
Notas
Ejemplo 109
El tiempo de vida medio de una licuadora es de 14 meses con una varianza de 12 meses2. La fábrica
repone sin cargo alguno al cliente todas las licuadoras que dejen de funcionar dentro del tiempo de
garantía. Si sólo se desea reponer el 5% de las licuadoras que funcionen mal, ¿qué tiempo de garan-
tía se debe ofrecer? Suponga que el tiempo de vida de una licuadora es una variable uniforme.
Distribución exponencial
La variable aleatoria X tiene una distribución exponencial con parámetro β (β > 0) si su función de
densidad de probabilidad es:
f ( x ) = β e − βx ; x ≥ 0
Se denota X ~ Exp(β) y se lee que la variable aleatoria X sigue una distribución exponencial con
parámetro β.
La función de distribución acumulada de X es: F ( x) = P( X ≤ x ) = 1 − e − βx ; x ≥ 0
1
β
1
β2
Se cumple que:
P( X > x ) = e − xβ
P( X > k + t / X > k ) = P( X > t )
Ejemplo 110
El tiempo de vida de cierto dispositivo se modela con una variable exponencial con una media de 5,6
años. Calcular la probabilidad de que el tiempo de vida de uno de estos dispositivos sea menos de 5
años.
Si el dispositivo ya lleva funcionando 3 años , cuál es la probabilidad de que su tiempo de vida sea de
al menos 6 años
Notas
Ejemplo 111
En una fábrica, se estima que el 85 % de los artículos que salen a la venta son considerados de cali-
dad excelente y el 15% restante son considerados de buena calidad. Si un producto es de calidad
excelente, su tiempo de vida se modela exponencial con una media de 5,2 años; pero, si el producto
es de buena calidad, su tiempo de vida se modela exponencial con una media de 4,8 años. Calcule la
probabilidad de que el tiempo de vida de uno de estos productos, seleccionado al azar, sea mayor a
cinco años.
Distribución exponencial y distribución de Poisson

Si el número de éxitos que ocurren por unidad de tiempo tiene una distribución de Poisson con pa-
rámetro λ, entonces el tiempo entre dos éxitos consecutivos, medido en la misma unidad de tiempo,
tiene una distribución exponencial con parámetro β = λ.
Ejemplo 112
Los aviones aterrizan en un pequeño aeropuerto de acuerdo un proceso Poisson con una media de
6,4 por hora. Si acaba de aterrizar un avión, calcule la probabilidad de que el tiempo que transcurra
hasta el aterrizaje del próximo avión sea mayor a 10 minutos.
Distribución Gamma
La variable aleatoria X tiene una distribución gamma con parámetros α y β (α > 0, β > 0) si su función
de densidad de probabilidad es
β α α −1 − βx
f (x) = x e ; x>0
Γ(α )
Donde Γ(α ) es la función Gamma que se define por:
∞
Γ(α ) = ∫ x α −1e − x dx , α > 0
0
Además, se tiene que:

Γ(α ) = (α − 1) Γ(α − 1) si α > 1
Γ(1) = 1
Γ(n) = (n − 1)! si n ∈ Z +
Notas
1
Γ  = π
2
Se denota X ~ Γ(α, β) y se lee que la variable aleatoria X sigue una distribución gamma con pará-
metros α y β.
x β α α −1 −βx
La función de distribución acumulada de X es: F ( x) = ∫0 Γ(α )
x e dx , x > 0
En el caso particular en que el parámetro α es un número natural positivo, se cumple que:

α −1
e − β x (β x ) j
F (x) = 1 − ∑
j =0 j!
, x>0
α
β
α
β2
Se cumple que:
X ~ Exp(β ) si y sólo si X ~ Γ(1, β )
Si Xi ~ Exp(β ), Xi (i = 1, 2,…, α) independientes y sea S = X1 + X2 +… + Xα entonces S ~ Γ(α,β)
Si Xi ~ Γ(α, β) (i = 1, 2,…, n) son variables aleatorias independientes y sea S = X1 + X2 +… + Xn en-

tonces S ~ Γ(nα, β )
Si X ~ Γ(α, β ) con α un número natural positivo, entonces se dice que X tiene distribución de
Erlang con parámetros α y β .
Distribución Gamma y distribución de Poisson
Si el número de éxitos en un intervalo de tiempo ocurre según una distribución de Poisson con pará-
metro λ, entonces, el tiempo hasta el r-ésimo éxito (medido en las mismas unidades que el intervalo)
tiene una distribución gamma con parámetros α = r y β = λ.
Ejemplo 113
Si el número de llamadas que entran a una central telefónica tiene una distribución de Poisson con
una media de tres llamadas por minuto, encontrar la probabilidad de que el tiempo transcurrido
hasta la llegada de la quinta llamada sea mayor a 2,5 minutos.
Notas
Distribución Beta
La variable aleatoria continua X tiene una distribución beta con parámetros α > 0 y β > 0 si su fun-
ción de densidad de probabilidad es:
Γ(α + β ) α −1
f (x) = x (1 − x)β −1 , 0 < x < 1
Γ(α )Γ(β )
Se denota X ~ Beta (α, β) y se lee que la variable aleatoria X sigue una distribución beta con pa-
rámetros α y β.
α
Esperanza de X: µ X = E ( X ) =
α +β
αβ
Varianza de X: σ X 2 = Var ( X ) =
(α + β ) (α + β + 1)
2
Ejemplo 114
Se aplica esfuerzo a un barra de acero de un metro sujeta por cada extremo en una posición fija. Sea
Y = la distancia del extremo izquierdo al punto donde se rompe la barra en metros. Suponga que Y
tiene una distribución beta con E(Y) = 1/2 y V (Y) = 1/28 .
a) Encuentre los parámetros de la distribución beta.
b) Calcule la probabilidad de que la barra se rompa a más de 10 cm de donde esperaba que se rom-
piera.
Notas
Distribución normal
La variable aleatoria X tiene una distribución normal con parámetros μ y σ2 (σ2 > 0) si su función de
densidad de probabilidad es:
2
1 x−µ 
1 − 
f ( x) = e 2 σ 
; x ∈ IR
σ 2π
Se denota X ~ N (µ, σ2) y se lee que la variable aleatoria X sigue una distribución normal con pa-
rámetros µ y σ2.
Esperanza de X: µ X = E ( X ) = µ
Varianza de X: σ X = Var ( X ) = σ 2
2
La función de densidad de una variable normal tiene forma de campana y es simétrica, por lo que
las medidas de tendencia central coinciden.
El rango de la variable aleatoria normal es el conjunto de los números reales.
Ejemplos de gráficas de distribuciones normales con diferentes medias y varianzas.

Dis tribución norm al con m edia 15 y de sviación es tándar 1
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.0
10 11 12 13 14 15 16 17 18 19 20
Distribución normal con m edia 15 y desviación estándar 0,5
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
10 11 12 13 14 15 16 17 18 19 20
Distribución norm al con media 15 y desviación estándar 1,8
0.3
0.2
0.2
0.1
0.1
0.0
10 11 12 13 14 15 16 17 18 19 20
Notas
Áreas bajo la curva normal
Propiedad de la distribución normal

Sea X ~ N(μ, σ2), si se define la variable aleatoria Y = aX + b, entonces, Y ~ N(μY, σY2)
E(Y)= μY = a μ + b Var(Y) = σY2 = a 2 σ2 Desv. Est. (Y) = σY = | a | σ
Estandarización de una variable normal

X−µ
Sea X ~ N(μ,σ2), si se define la variable aleatoria Z = , entonces Z tiene distribución normal y
σ
por la propiedad anterior, cumple que E(Z) = μZ = 0 y Var(Z) = σZ2 = 1.
Se dice que la variable aleatoria Z ~ N(0,1) tiene una distribución normal estándar.
La función de densidad de Z se denota: ϕ ( z )
La función de distribución acumulada de Z se denota: Φ ( z )
Cálculo de probabilidades para una variable normal
Sea X ~ N(μ, σ2), entonces:
a−µ X −µ b−µ a−µ b−µ 

P(a ≤ X ≤ b ) = P ≤ ≤  = P ≤Z ≤ 
 σ σ σ   σ σ 
b−µ  a−µ
= Φ  − Φ 
 σ   σ 
b−µ  a−µ 
Los valores de Φ  y Φ  se pueden determinar usando la tabla de la distribución
 σ   σ 
normal estándar.
Notas
Ejemplo 115
Sea X ~ N(μ = 20; σ2= 16) entonces:
 18 − 20 X − µ 21 − 20 
P (18 ≤ X ≤ 21) = P  ≤ ≤ =
 4 σ 4 
−2 1
= P ≤ Z ≤  = Φ(− 0,50 ) − Φ(0,25)
 4 4
Los valores de Φ(− 0,50) y Φ(0,25) se pueden determinar usando la tabla de la distribución normal
estándar.
Uso de la tabla de la distribución normal estándar
Sea Z ~ N(0,1) , en la tabla podemos encontrar las probabilidades acumuladas hasta cierto valor z, es
decir: Φ ( z ) = P ( Z ≤ z )
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
o Por ejemplo, usando la tabla podemos determinar que:
P(Z ≤ 0,24) = Φ (0,24) = 0,59483
P(Z ≤ 1,17) = Φ (1,17) = 0,87900
P(Z > 1,09) = 1 – P(Z ≤ 1,09) = 1 - Φ (1,09) = 1 – 0,86214 = 0,13786
o Si sabemos que P(Z ≤ c) = 0,881 ¿cuál es el valor de c?

De acuerdo a la condición dada: Φ(c) = P(Z ≤ c) = 0,881 , ahora en la tabla encontramos que
Φ(1,18) = 0,88100 por lo tanto podemos concluir que c = 1,18. Notar que el valor c representa el
percentil 88,1 de la variable Z normal estándar.
o Es usual denotar los percentiles de una variable Z normal estándar de la manera siguiente:
Si Z~N(0;1), el percentil γ*100% de esta variable se denota zγ, es decir, se cumple que: P(Z≤ zγ)= γ
Notas
Ejemplo 116
Si Z ~ N ( µ = 0, σ 2 = 1 ) , calcular
P(Z ≤ 1,12) =
P(Z > 0,75) =
P(0,04 ≤ Z < 1,27) =
P(Z < -4) =
P(Z = 1,25) =
Hallar el percentil 97,5 de Z, es decir, el valor z0,975 tal

que P(Z <z0,975) = 0,9750
Hallar c para que P(-c < Z < c) = 0,95
Notas
Ejemplo 117
a. Si X ~ N(10; 16), calcule P( 9 < X < 13)
b. Si X ~ N(10; 16), halle c tal que P(X < c) = 0,1056. ¿Qué percentil de Z representa c?
Ejemplo 118
Si los puntajes de los postulantes en un examen de ingreso se distribuyen como una variable aleato-
ria normal con una media de 1 200 y una desviación estándar de 300 puntos.
a. Encontrar la probabilidad de que el puntaje de un postulante sea de por lo menos 1 300.
b. Si se ha establecido que ingresarán el 12,3 % de los postulantes con puntajes más altos, hallar el
puntaje mínimo para ingresar.
Solución
Definamos la variable aleatoria X := puntaje de un postulante.
μ = 1 200, σ = 300, σ2 = 3002 → X ~ N(1 200, 3002)
a. La probabilidad de que el puntaje de un postulante sea de por lo menos 1300 puntos es:
 X − µ 1 300 − µ 
P ( X ≥ 1 300 ) = 1 − P ( X < 1 300 ) = 1 − P  < 
 σ σ 
 X − 1 200 1 300 − 1 200 
= 1 − P <  = 1 − P ( Z < 0,33) = 1 − Φ (0,33) = 0,3707
 300 300 
b. Sea k el puntaje mínimo para ingresar. Se tiene P( X ≥ k) = 0,123 , luego P( X < k) = 0,877 . Estanda-
 X − 1 200 k − 1 200   k − 1 200 
rizando tendremos que P <  = P Z <  = 0,877
 300 300   300 
 k − 1 200 
De lo cual, se tiene que Φ  = 0,877
 300 
k − 1 200
En la tabla N(0, 1) observamos que Φ(1,16) = 0,8770, luego = 1,16 , de donde k = 1 548.
300
Por lo tanto, el puntaje mínimo para ingresar debe ser 1548 puntos.
Notas
Ejemplo 119
El porcentaje de determinado compuesto, contenido en un galón de cierto líquido industrial, se mo-
dela con una distribución normal con una media de 15% y una desviación estándar de 3%. El fabri-
cante del líquido obtiene una utilidad neta por galón de $0,15 si el porcentaje del compuesto está
entre 9% y 21%, mientras que la utilidad es de $0,10 si el porcentaje varía entre 21% y 27%. Cuando
el porcentaje está entre 3% y 9%, el fabricante sufre una pérdida de $0,05. Calcular la utilidad espe-
rada por galón.
Ejemplo 120
La cantidad anual de lluvia caída en cierta ciudad de modela con una variable aleatoria normal con
media 40,2 pulgadas y desviación estándar de 8,7 pulgadas. Se asume que la cantidad de lluvia caída
un año es independiente de la de otro año.
a. Calcule la probabilidad de que la cantidad anual de lluvia caída en la ciudad supere las 50 pulga-
das
b. Calcule la probabilidad de que en por lo menos tres de los próximos quince años la cantidad
anual de lluvia caída en la ciudad supere las 50 pulgadas
c. Calcule e interprete el percentil 90 de la cantidad anual de lluvia caída en la ciudad.
Notas
Propiedad reproductiva de la normal
De acuerdo a esta propiedad, la suma de variables aleatorias normales independientes es otra

variable aleatoria con distribución normal.
( )
Si X i ~ N µ i ,σ i2 (i = 1, 2,…, n) son variables aleatorias independientes y c1, c2, …, cn son constan-
( )
n
tes reales, entonces la variable S = c1 X1 + c 2 X 2 + ... + cn X n = ∑c X
i =1
i i ~ N µ S ; σ S2 , donde:
n
E (S) = µ S = c1µ1 + c 2 µ 2 + ... + cn µ n = ∑c µ
i =1
i i
n
Var (S) = σ S2 = c12σ 12 + c 22σ 22 + ... + cn2σ n2 = ∑c σ
i =1
2
i i
2
En particular, si X1, X2, X3,...Xn son variables aleatorias independientes e idénticamente distribui-
das, tales que Xi ~ N(μ, σ2) (i = 1, 2,…, n) entonces la variable:
( )
n
S = X1 + X 2 + ... + X n = ∑X
i =1
i ~ N µ S = nµ ; σ S2 = nσ 2
Sean X1, X2, X3,...Xn variables aleatorias independientes e idénticamente distribuidas, tales que
Xi ~ N(μ, σ2) (i = 1, 2,…, n) entonces la variable media muestral:
X1 + X 2 + ... + X n 1 n
 σ2 
X=
n
=
n
∑X i =1
i ~ N  µ X = µ ; σ X2 =


n 
Ejemplo 121
Sean X ~ N(5, 6) e Y ~ N(4, 10) variables aleatorias independientes, calcular la distribución de la varia-
ble W = 4X - 5Y +8
Ejemplo 122
En cierta población, el peso de una persona puede modelarse con una variable aleatoria normal. El
peso medio para los varones es de 70 kilos y de 56 kilos para las mujeres, mientras que sus desvia-
ciones estándar son de 8 kilos y 4 kilos respectivamente.
a. Si se elige, al azar, a un hombre y una mujer, calcular la probabilidad de que la mujer pese más
que el hombre.
Notas
b. Si se elige a dos hombres y a tres mujeres, calcular la probabilidad de que la suma total de pesos
supere los 315 kilos.
c. Si se sabe que en esta población 52% son hombres, ¿cuál es la probabilidad de que una persona
elegida al azar pese entre 60 y 65 kilos?
d. Si se seleccionan al azar doce hombres de esta población, ¿cuál es la probabilidad de que la me-
dia de sus pesos sea menor a 72 kilos?
Distribución Log-Normal
La variable aleatoria X tiene una distribución log-normal con parámetros μ y σ2 (σ2 > 0) si su función
de densidad de probabilidad es:
− 1  ln x − µ 
2
1  
2 σ
f (x) = e 
; x≥0
xσ 2π
Se denota X ~ LN(μ, σ2) y se lee que la variable aleatoria X sigue una distribución log-normal con
parámetros μ y σ2.
Si X ~ LN(μ, σ2) entonces la variable aleatoria Y = ln(X) tiene una distribución Normal con media μ
y varianza σ2, es decir Y ~ N(μ, σ2).
Por la propiedad anterior, la función de distribución acumulada de X es:
F(k) = P(X ≤ k) = P(lnX ≤ lnk) = P[Z ≤ (lnk – μ)/σ] = Φ[(lnk–μ)/σ]; con Z ~ N(0, 1)
 σ2 
 µ+ 
 
Esperanza de X: µ = E ( X ) = e  2 
Varianza de X: σ 2 = V ( X ) = (eσ − 1) e 2 µ +σ
2 2
Notas
Ejemplo 123
La vida útil, en años, de la transmisión de cierto tipo de camión fabricado por una empresa se mode-
la con una variable aleatoria continua X con distribución Lognormal de parámetros µ = 1,74 y . Un
ingeniero ha estimado que la probabilidad de que el tiempo de vida de la transmisión de estos ca-
miones sea mayor a ocho años es 0,1469.
a) Halle el valor de .
b) Calcule e interprete el valor esperado y la desviación estándar de X.
c) La empresa ofrece una garantía de cinco años para reparaciones de la transmisión de estos ca-
miones. Calcule la probabilidad de que el dueño de uno de estos camiones necesite hacer uso de
la garantía si se sabe que hace tres años lo compró nuevo y que lo ha estado usando durante to-
do ese tiempo sin problemas.
d) Si un cliente ha comprado una flota de 10 de estos camiones ¿con qué probabilidad las transmi-
siones de más de cuatro de ellos superarán el valor esperado de su tiempo de vida útil?
Distribuciones del máximo y del mínimo
Sea X1, X2, X3, …., Xn un conjunto de n variables aleatorias independientes. Se sabe que Xi tiene fun-
ción de densidad (o de probabilidad si es discreta) fi(x) y función de distribución acumulada Fi(x), para
i =1,2, …, n.
Se definen las variables aleatorias:
X(1) = Mínimo { X1, X2, X3, …., Xn } y X(n) = Máximo { X1, X2, X3, …., Xn }
Interesa determinar cuáles son las distribuciones de probabilidades de estas dos variables, para ello
basta conocer la función de distribución acumulada de cada una de ellas.
Notas
Distribución del mínimo: X(1)
La función de distribución acumulada de X(1) se denota FX(1) (x). Se cumple que:
FX(1) (x) = P( X (1) ≤ x ) = 1 − P( X (1) > x ) = 1 − P[( X1 > x) ∩ ( X 2 > x) ∩ .... ∩ ( X n > x )]
Pero como las variables Xi son independientes, entonces

FX(1) (x) = 1 − P( X1 > x).P( X 2 > x)....P( X n > x) = 1 − [1 − F1 (x)].[1 − F2 (x)]....[1 − Fn (x)]
En el caso particular en que las n variables aleatorias Xi sigan la misma distribución y por tanto
tengan la misma función de distribución acumulada, es decir Fi(x) = F(x) para todo i = 1, 2, …, n;
entonces la función de distribución acumulada del mínimo es:
FX(1) (x) = 1 − P( X1 > x).P( X 2 > x)....P( X n > x) = 1 − [1 − F (x)]n
En un sistema conformado por n componentes independientes conectados en serie, el tiempo

del vida del sistema es igual al mínimo tiempo de vida de los n componentes que lo conforman.
Distribución del máximo: X(n)

La función de distribución acumulada de X(n) se denota FX(n ) (x). Se cumple que:
FX( n) (x) = P( X (n) ≤ x) = P[( X1 ≤ x) ∩ ( X 2 ≤ x) ∩ .... ∩ ( X n ≤ x)]
Pero como las variables Xi son independientes, entonces

FX( n) (x) = P( X1 ≤ x ).P( X 2 ≤ x)....P( X n ≤ x) = F1 (x).F2 (x )...Fn (x)
En el caso particular en que las n variables aleatorias Xi sigan la misma distribución y por tanto
tengan la misma función de distribución acumulada, es decir Fi(x) = F(x) para todos i = 1, 2, …, n;
entonces la función de distribución acumulada del máximo es:
FX( n ) (x) = P( X1 ≤ x).P( X 2 ≤ x)....P( X n ≤ x) = [F (x)]n

En un sistema conformado por n componentes independientes conectados en paralelo, el tiem-
po del vida del sistema es igual al máximo tiempo de vida de los n componentes que lo confor-
man.
Ejemplo 124
Un sistema está compuesto por cuatro componentes que funcionan independientemente. El tiempo
de vida de cada uno de estos componentes se modela con una variable aleatoria exponencial con
media de 2000 horas. Calcule la probabilidad de que el tiempo de vida del sistema sea mayor a 1900
horas.
a. Si los cuatro componentes están conectados en serie.
Notas
b. Si los cuatro componentes están conectados en paralelo.
Ejemplo 125
Un cable está compuesto de cuatro alambres. La fuerza de ruptura de cada alambre se modela con
una variable aleatoria normal con media de 10 kN y desviación estándar de 1 kN.
a. Utilizando el método del cable quebradizo, se estima que la fuerza de ruptura del cable es igual
a la fuerza de ruptura del alambre más frágil multiplicada por el número de alambres que com-
ponen el cable. Calcule la probabilidad de que la fuerza de ruptura del cable sea de al menos 28
kN.
b. Para que un cable sea útil en cierta aplicación, la probabilidad de que se rompa con una carga de
28 kN debe ser menor a 0.01, ¿Recomendaría usted que el cable se use en esta aplicación? Justi-
fique su respuesta y asuma que se está usando el método en a) para estimar la fuerza de ruptu-
ra del cable.
Distribución del valor extremo de tipo I para el máximo
La variable aleatoria X tiene una distribución de valor extremo del tipo I para el máximo, con paráme-
tros μ y α > 0 si su función de densidad de probabilidad es:
−α (x−µ )
f (x ) = α e −α (x − µ )
.e −e
; x∈ ℜ
Se denota X ~ VEI, max (μ, α) y se lee que la variable aleatoria X sigue una distribución de valor
extremo de tipo I para el máximo, con parámetros μ y α.
−α (x−µ )
−e
F (x) = P (X ≤ x) = e ; x∈ ℜ
γ
Esperanza de X: µ = E ( X ) = µ + donde γ ≈ 0.5772 ( γ es llamada constante de Euler)
α
π2
6α 2
La distribución del valor extremo tipo I para el máximo es útil para aproximar la verdadera distri-
bución del máximo X(n), cuando las variables Xi siguen distribuciones que decaen exponencial-
mente como la Normal o la Exponencial.
Notas
Distribución del valor extremo de tipo II para el máximo
La variable aleatoria X tiene una distribución de valor extremo del tipo II para el máximo, con pará-
metros μ>0 y α > 0 si su función de densidad de probabilidad es:
α
α +1  µ 
α  µ  −  
f (x ) =   e  x 
x > 0
µ  x 
Se denota X ~ VEII, max (μ, α) y se lee que la variable aleatoria X sigue una distribución de valor
extremo de tipo II para el máximo, con parámetros μ y α.
 µ 
α
− 
F (x ) = P (X ≤ x ) = e  x 
x > 0
 1
Esperanza de X: µ = E ( X ) = µ Γ1 − 
 α
  2    2  
2
Varianza de X: σ 2 = V ( X ) = µ 2 Γ1 −  − Γ 1 −  
  α    α  
La distribución del valor extremo tipo II para el máximo es útil para aproximar la verdadera dis-
tribución del máximo X(n), cuando las variables Xi siguen distribuciones que decaen polinomial-
mente como la Log-Normal.
Ejemplo 126
La mortalidad máxima anual por neumonía e influenza, medida en número de muertes semanales
por cada 100 000 habitantes, es una variable aleatoria que sigue una distribución de valor extremo
tipo I para el máximo .
a) Si en un año la mortalidad máxima anual por neumonía e influenza excede las 12 muertes sema-
nales por cada 100 000 habitantes se dice que hubo una epidemia. Calcule el número esperado
de años hasta que ocurra una epidemia por neumonía e influenza.
b) El presupuesto anual para el tratamiento de neumonía e influenza en una institución de salud es

de 200 000 soles y en caso ocurra una epidemia este presupuesto sube a 400 000 soles. Calcule
el valor esperado del presupuesto total para el tratamiento de neumonía e influenza en esta ins-
titución de salud para los próximos 10 años.
Notas
Ejercicios
79. La duración de un láser semiconductor a potencia constante tiene una distribución exponencial
con una media de 7000 horas.
a. ¿Cuál es la probabilidad de que el láser falle antes de 6800 horas?
b. ¿Cuál es la duración en horas excedida por el 90% de los láseres?
c. Si se hace uso de tres láseres en un producto y se supone que fallan de manera independien-
te, ¿cuál es la probabilidad de que por lo menos uno de ellos siga funcionando después de
7200 horas?
80. Sea T una variable aleatoria continua que tiene distribución exponencial con desviación están-
dar ϴ. Probar que: P(t ≤ T ≤ t + h) < P(T ≤ h), para t y h constantes positivas.
81. Un programa para realizar operaciones aritméticas aproxima el valor resultante al número al
entero más próximo; el error cometido en esta aproximación se modela con una variable alea-
toria uniforme en el intervalo [-0,5 ; 0,5]. Suponga que el programa realiza operaciones aritmé-
ticas constantemente y de manera independiente. Calcule la probabilidad de que el programa
realice menos de 95 operaciones hasta que ocurra el segundo error de aproximación con valor
absoluto menor a 0,01.
82. Después de realizar un estudio se determinó que las llegadas a un cajero automático se pueden
modelar con una distribución de Poisson con una media de 5,2 clientes por hora.
a. Si un cliente acaba de llegar a este cajero automático, ¿cuál es la probabilidad de que trans-
curran más de 15 minutos hasta la llegada del próximo cliente?
b. Calcule la probabilidad de que pase más de una hora hasta la llegada del cuarto cliente.
83. Si una máquina de una imprenta se malogra, ésta puede destinarse a uno de dos talleres A o B
para su reparación. El tiempo de reparación en el taller A es una variable normal con una media
de 5 horas y una desviación estándar de 3 horas. El tiempo de reparación en el taller B es una
variable aleatoria normal con una media de 7 horas y una desviación estándar de 2 horas.
a. ¿En qué taller es más probable que la máquina se repare en menos de 8 horas?
b. Calcule la probabilidad de que la reparación demore más en el taller B que en el taller A.
84. El peso en gramos de los jabones fabricados por una empresa se modela con una variable alea-
toria uniforme con media 120 g y varianza 12 g2. Un jabón se considera defectuoso si su peso es
menor de 115 g o mayor de 124 g. En el control de calidad, los jabones se pesan uno por uno.
Calcular la probabilidad de que se necesite pesar más de 10 jabones hasta encontrar el primer
jabón defectuoso.
85. Los sueldos mensuales, en miles de dólares, de los directivos de una multinacional se modelan
con una distribución N(10, 1) mientras que los del resto de personal se modelan con una N(4, 2).
Si se extrae una muestra aleatoria de 10 directivos y de 20 empleados no directivos:
a. Calcule la probabilidad de que el sueldo total de los 10 directivos de la muestra sea mayor a
105 mil dólares.
b. ¿Cuál es la probabilidad de que el sueldo medio mensual de los directivos de la muestra su-
pere al correspondiente de la muestra de empleados no directivos en más de 5 000 dólares?
Notas
86. Por estudios anteriores se sabe que la resistencia a la tensión de los puntos de soldadura produ-
cidos por una soldadora robot se puede modelar con una variable aleatoria normal con media
de 10000 psi y desviación estándar de 800 psi. Para una muestra aleatoria simple de 40 de estas
soldaduras, ¿cuál es la probabilidad de que al menos 12 de ellas tengan una resistencia a la ten-
sión mayor a 10500 psi?
87. En un estudio de evaluación de la atención de un servicio de cafeterías se encontró que los

tiempos, en minutos, que tardan en atender a un cliente las cafeterías A y B se pueden modelar
con las variables aleatorias X ~ N(4,9) y Y ~ N(5,16) respectivamente y de manera independien-
te. Si en cada cafetería son atendidas 20 personas, halle la probabilidad de que el tiempo total
de atención en la cafetería B sea mayor que el de la cafetería A.
88. Una familia tiene tres hijos. El monto de la propina semanal que se le da a cada hijo puede mo-
delarse como una variable normal. Al menor se le da en media 20 nuevos soles por semana con
una desviación estándar de 3 nuevos soles, al segundo hijo se le da el doble que al menor y al
mayor se le da el triple que al menor. Calcular la probabilidad de que en cuatro semanas la su-
ma total recibida en propinas por los tres sume más de 500 nuevos soles.
89. Los pesos de los posibles usuarios de un ascensor constituyen una población cuya distribución
es normal con media 70 kg y una desviación estándar de 10 kg.
a) ¿Qué peso máximo debería poder soportar el ascensor de modo que sólo el 1% de las ocasio-
nes el peso de cuatro personas supere ese peso máximo?
b) Si el ascensor admite como peso máximo 585 kg, ¿cuántas personas a la vez pueden entrar al
ascensor de manera que sea 0,0668 la probabilidad de que el peso no supere el máximo permi-
tido?
90. El ingreso mensual de las socias de una cooperativa se modela por una variable aleatoria nor-
mal con media de 2800 nuevos soles y desviación estándar de 500 nuevos soles. Si 10 de las so-
cias han decidido que destinarán el 3% de sus ingresos para constituir un fondo común que sirva
para posibles emergencias, calcule la probabilidad de que en un año el fondo tenga más de 10
mil nuevos soles.
91. Una compañía ha comprado una prueba para seleccionar personal. Los que han diseñado la
prueba saben que las notas siguen una distribución normal con una media de 75 puntos y una
desviación estándar de diez puntos. Si se evalúa personas una por una, ¿Cuál es la probabilidad
de que la sexta persona evaluada sea la primera que obtenga un puntaje una nota superior a 85
puntos? Asuma independencia.
92. La concentración de cierto contaminante en el aire, medida en partes por millón (ppm), que es
generada por una planta química en cierta región se modela con una variable aleatoria continua
con distribución log-normal de parámetros µ = 3.2 y σ2.
a. Si la probabilidad de que una muestra del aire de esta región dé una medición del contami-
nante mayor a 80 ppm es 0.119, halle el valor esperado de la concentración del contaminan-
te en el aire de la región.
b. Suponga que una agencia de control declarará la zona en emergencia si al tomar 20 muestras
de aire de la región encuentra que en más de cinco de ellas la concentración del contaminan-
te supera las 52 ppm. Calcule aproximadamente la probabilidad de que la zona se declare en
emergencia.
Notas
93. Cuatro componentes están conectados en un sistema electrónico conformado por dos subsis-
temas tal como se muestra en la siguiente figura. Si el tiempo de vida, en horas, de cada com-
ponente se modela Uniforme en el intervalo [0, 1000], determine la probabilidad de que el sis-
tema electrónico funcione más de 750 horas. Asuma independencia.
94. La irradiancia solar diaria máxima que recibe una ciudad se modela con una variable aleatoria
continua con distribución de valor extremo de tipo I con una media de 6 KWh/m2 y desviación
estándar de 1 KWh/m2.
a. Halle los parámetros de esta distribución.
b. Si se considera una condición de riesgo que la irradiancia solar diaria máxima supere los 7.5
KWh/m2, ¿con qué probabilidad en un día se da esta condición de riesgo?
c. ¿Con qué probabilidad en un periodo de 40 días, se presentará la condición de riesgo en más
de dos días?
95. Un sistema está compuesto por n componentes conectados en paralelo y que funcionan inde-
pendientemente. El tiempo de vida de este sistema se modela con una variable aleatoria conti-
nua T con rango]0, +∞[. Se define la función de confiabilidad hasta el tiempo t de este sistema
como: . Si el tiempo de vida del cada componente del sistema se mo-
dela con una variable aleatoria distribuida exponencial con parámetro β, determine la función
de confiabilidad hasta el tiempo t del sistema.
96. La proporción de impurezas por lote de un producto químico se modela con una distribución
Beta (α, β) con función de densidad: . Un lote con más de
40% de impurezas no debe salir a la venta.
a. Determine el valor de los parámetros α y β, la esperanza y la deviación estándar de la pro-
porción de impurezas por lote de este producto químico.
b. Calcule la probabilidad de que de cinco lotes de este producto químico, más de uno no deba
salir a la venta.
97. La precipitación anual en la cuenca de cierto río se modela con una variable aleatoria X normal
con media 1000 mm y desviación estándar σ. Por estudios realizados anteriormente, se estima
que la probabilidad de que la precipitación anual en la cuenca de este río supere los 1200 mm
es 0,1587 y que la relación entre el escurrimiento anual R y la precipitación anual es: R = 100 +
0,4X. Determine la distribución de probabilidades de R y calcule la probabilidad de que en un
año cualquiera, el escurrimiento sea menor a 350 mm.
Notas
Capítulo 4. Introducción a la estadística inferen-

cial
4.1. Muestra aleatoria

Una muestra aleatoria de tamaño n de la población definida por la variable aleatoria X, es un conjun-
to de n variables aleatorias X1, X2,…, Xn independientes y con la misma distribución que la variable
aleatoria X.
Así, dada una variable aleatoria X con distribución f(x), E(X) = µ y V(X) = σ2; si X1, X2,…, Xn es una
muestra aleatoria de la población X, entonces Xi ~ f(x), E(Xi) = µ y V(Xi) = σ2 (i = 1, 2,…, n).
Estadístico
Un estadístico es cualquier función de las variables de una muestra aleatoria.
Un estadístico es una variable aleatoria.
A la distribución de probabilidades de un estadístico se le llama distribución muestral.
A la desviación estándar de un estadístico se le denomina el error estándar del estadístico.
Ejemplo 127
a. Sea X1, X2,…, Xn una muestra aleatoria de tamaño n. Se define la estadística media muestral co-
n
∑X
i =1
i
mo: X = .
n
b. Sea X1, X2,…, Xn una muestra aleatoria de tamaño n de una población Bernoulli(p). Se define la
n
∑X
i =1
i
estadística proporción muestral como P = ;
n
c. Sea X1, X2,…, Xn una muestra aleatoria de una población X. Se define la estadística varianza
1 n
muestral como S 2 = ∑ (X i − X )2
n − 1 i =1
Notas
4.2. Teorema central del límite

Sea X1, X2, X3,...Xn una muestra aleatoria de una población definida por una variable aleatoria X con
con media µ y varianza σ2. Si definimos el estadístico S = X1 + X2 + X3 +...+ Xn se cumple que la distri-
bución de probabilidades o distribución muestral de S se aproxima a una distribución normal a medi-
da que n crece.
En general, se considera que la distribución de S es aproximadamente Normal si n ≥ 30.
Se tiene que:
Valor esperado de S: E (S ) = µ S = nµ
Varianza de S: Var (S ) = σ S2 = nσ 2
Ejemplo 128
La cantidad de mango que exporta una empresa mensualmente se modela con una variable aleatoria
con media de 25 toneladas y desviación estándar de cuatro toneladas. Encontrar, aproximadamente,
la probabilidad de que la cantidad exportada en tres años sea menor a 920 toneladas. Asuma inde-
pendencia entre las cantidades mensuales exportadas.
Ejemplo 129
El tiempo de impresión de una fotografía de tamaño 10x15 cm se modela con una variable aleatoria
con media 17 segundos y desviación estándar 1,2 segundos. Calcule la probabilidad de que la impre-
sión de 100 fotografías 10x15 tarde entre 27,8 y 28,5 minutos. Asuma independencia entre la impre-
sión de una fotografía y otra.
Notas
Aplicaciones del Teorema Central del Límite

El Teorema Central del Límite nos permite conocer la distribución aproximada de dos estadísticos
muy importantes, la media muestral y la proporción muestral.
Distribución muestral de la media
Sea X1, X2,…, Xn una muestra aleatoria de tamaño n de la variable aleatoria X tal que E(Xi) = µ, V(Xi) =
σ2 (i = 1, 2,…, n). Si el tamaño de muestra es suficientemente grande (n ≥ 30), la estadística media
n
∑X
i =1
i
muestral, X = tiene una distribución aproximadamente normal, es decir, podemos considerar
n
que X ~ N  µ X = µ , σ X2 = σ  siempre y cuando n ≥ 30.

2
 n 

Distribución muestral de la proporción
Sea X1, X2,…, Xn una muestra aleatoria de tamaño n de una población Bernoulli(p). Si n es suficiente-
n
∑x
i =1
i
mente grande, la estadística proporción muestral P = ; tiene una distribución aproximada-
n
 p(1 − p ) 
mente normal, es decir, podemos considerar que P ~ N  µ P = p , σ P2 =  siempre y cuando
 n 
n ≥ 30.
Ejemplo 130
La cantidad anual de lluvia caída en cierta ciudad de modela con una variable aleatoria con media
40,2 pulgadas y desviación estándar de 8,7 pulgadas. Se asume que la cantidad de lluvia caída un año
es independiente de la de otro año. Calcule la probabilidad de que la cantidad anual media de lluvia
caída es esta ciudad en los últimos 32 años haya excedido las 40 pulgadas.
Ejemplo 131
En una planta, por accidente, 38 personas estuvieron expuestas a una radiación de 400 roentgens. Si
se estima que la probabilidad de que una persona sobreviva a una dosis de 400 roentgens de radia-
ción es 0,7475, ¿cuál es la probabilidad de que sobrevivan más de 80% de estas personas?
Notas
Otras distribuciones muestrales
Distribución muestral del estadístico V

Sea X1, X2,…, Xn una muestra aleatoria de tamaño n de una población Normal con E(X)=µ y Var(X)=σ2.
Se define el estadístico:
n
∑ (X
i =1
i − X )2
(n − 1)S 2
V= = donde S2 es la varianza muestral
σ2 σ2
Se puede demostrar que V tiene una distribución chi cuadrado con n-1 grados de libertad y se denota
V ~ χ 2n−1
Distribución chi-cuadrado
La variable aleatoria X tiene una distribución chi-cuadrado con r grados de libertad (r es un entero positivo) si su fun-
ción de densidad de probabilidad es:
r
− r x
2 2 −1 −
f ( x) = x2 e 2 , x≥0
Γ ( r / 2)
• Se denota X ~ χ (r) y se lee que la variable aleatoria X tiene una distribución chi cuadrado con r grados de libertad.
2
• µ = E( X ) = r
• σ 2 = V ( X ) = 2r
Se cumple que:
• 2
X ~ χ (r) si y sólo si X ~ Γ(r/2, 1/2)
• Si Z ~ N(0, 1) entonces Z2 ~ χ2(1)
• Si Zi ~ N(0, 1) (i = 1, 2,…,r) son independientes y sea X = Z 12 + Z 22 + ... + Z r2 , entonces X ~ χ2(r)
• 2 2
Si X ~ χ (ri) (i = 1, 2,…, n) son variables aleatorias independientes S = X1 + X2 +… + Xn entonces S ~ χ (r1+r2+…+rn)
Distribución muestral del estadístico T

Sea X1, X2,…, Xn una muestra aleatoria de tamaño n de una población Normal con E(X)=µ y Var(X)=σ2.
Se define el estadístico:
X −µ
T=
S
n
donde X es la media muestral y S2 es la varianza muestral.
Se puede demostrar que T tiene una distribución t- Student con n-1 grados de libertad y se denota
T ~ t(n-1)
Notas
Distribución t-Student
La variable aleatoria X tiene una distribución t-Student con r grados de libertad (r es un entero positivo) si su función de
densidad es:
 r +1  r +1 
Γ  − 
 2   x2   2 
f (x) =  1 +  x∈ℜ
Γ (r / 2 ) r π  r 
• Se denota X ~ t(r) y se lee que la variable aleatoria X sigue una distribución t-Student con r grados de libertad.
• La función de densidad de una variable t-Student es simétrica respecto al cero y tiene forma de campana.
• A medida que r grados de libertad tiende a infinito, la distribución de la variable aleatoria t-Student se aproxima a la
distribución normal estándar.
• µ = E ( X ) = 0 si r > 1
• σ 2 = V (X ) =
r
r>2
r−2
Z
• Si Z ~ N(0, 1) y V ~ χ2(r) son variables aleatorias independientes y sea X= , entonces se cumple que X ~ t(r)
V /r
• Sea X ~ t(r) si r tiende al infinito, entonces X tiene una distribución aproximadamente N(0,1).
4.3. Estimación de parámetros

Dada una población que interesa estudiar, se identifica el parámetro desconocido que interesa esti-
mar. A fin de realizar la estimación, se selecciona una muestra aleatoria de tamaño n de la población
y a partir de esta muestra se obtiene la información requerida acerca del parámetro desconocido.
Hay dos métodos para estimar un parámetro desconocido:
Estimación puntual.
Estimación por intervalo de confianza.
Estimación puntual de parámetros

Un estadístico Θ
ˆ = G( X1 , X 2 ,..., X n ) usado para aproximar el valor de un parámetro desconocido
θ se denomina estimador puntual del parámetro θ .
Un estimador puntual es un estadístico y por lo tanto es una variable aleatoria.
Una vez seleccionada la muestra aleatoria y realizadas las mediciones correspondientes, se cuen-
ta con los valores experimentales de la muestra aleatoria que se denotan x1, x2, …, xn; con estos
valores se evalúa el estimador puntual y se obtiene el número real θˆ = G( x1 , x 2 ,..., x n ) que es de-
nominado estimación puntual del parámetro de interés θ .
Notas
Ejemplos de estimadores puntuales
La media muestral X es el mejor estimador puntual de la media poblacional µ.
La proporción muestral P es un estimador puntual de la probabilidad de éxito en la población

(proporción poblacional) p.
n
∑ (X
i =1
i − X)
2
La varianza muestral S 2 = es un estimador puntual de la varianza poblacional σ2.

n −1
Ejemplos de estimaciones puntuales
Se midió el tiempo de atención en la ventanilla de un banco para una muestra aleatoria de 40

clientes; con estos datos se estimó que el tiempo medio de atención a un cliente en la ventanilla
del banco es 3,81 minutos.
Se seleccionó una muestra aleatoria de 120 pasajeros de buses de cierta empresa de transporte
público. Con los datos de la muestra se estimó que el 67,1% de los pasajeros de los buses de esta
empresa opinan que la tarifa es justa.
Se seleccionó una muestra aleatoria de 136 ómnibus de transporte público y se anotó el tiempo
de antigüedad de cada uno; con estos datos se estimó que la media y la desviación estándar es-
timada de la antigüedad de los ómnibus de transporte público son 15,4 y 6,2 años respectiva-
mente.
Sesgo del estimador

Si Θ̂ es un estimador puntual del parámetro θ, el sesgo de este estimador se denota sesgo(Θ
ˆ ) y se
ˆ −θ .
define como E (Θ)
Estimador insesgado
El estimador Θ̂ es un estimador insesgado de θ si su sesgo es igual a cero, es decir, si E (Θ)
ˆ =Θ
Se cumple que:
La media muestral X es un estimador insesgado de µ, pues E X = µ ( )
La proporción muestral P es un estimador insesgado de p, pues E P = p ( )
La varianza muestral S2 es un estimador insesgado de σ , pues E (S ) = σ
2 2 2
Ejemplo 132
Sea X1, X2,…, Xn una muestra aleatoria tomada de una población con media µ y desviación estándar σ.
n
∑ (X i − µ )2
Determinar si Θ
ˆ = i =1
es un estimador insesgado de σ2
n
Notas
Estimador más eficiente

Dados dos estimadores insesgados de un parámetro, es más eficiente el que tiene menor varianza.
Ejemplo 133
Sea X1, X2,…, Xn una muestra aleatoria de la variable aleatoria X, con E(Xi) = μ, V(Xi) = σ2 (i=1,2,…,n).
10 3
∑X
i =1
i ∑X
i =1
i + 2X n
Sean Θ
ˆ =
1 y Θ
ˆ =
2 dos estimadores de µ. Demuestre que ambos estimadores
10 5
son insesgados y determine cuál de los dos es más eficiente.
Ejemplo 134
Sea X1, X2,…, Xn una muestra aleatoria tomada de una población con media µ y desviación estándar σ
n
∑c X
i =1
i i
y sea Θ
ˆ = donde c1, c2,…, cn es un conjunto de constantes reales. Determine el valor de
n
n
∑c
i =1
i para que Θ̂ sea un estimador insesgado de µ y encuentre el error estándar de Θ̂ .
Notas
Error de estimación
El error de estimación es la distancia entre la estimación del parámetro y el parámetro.
Si θˆ es la estimación puntual del parámetro θ , el error de estimación es θˆ − θ
Ejemplo 135
Sea X1, X2,…, Xn una muestra aleatoria de la variable aleatoria X, con E(X) = μ, Var(X) = 16. Si la media
muestral se usa como estimador puntual de la media poblacional μ y el tamaño de la muestra es
n=64, ¿cuál es la probabilidad de que el error de estimación sea a lo más 0,5?
Estimación de parámetros por intervalos de confianza

Sea X1, X2,…, Xn una muestra aleatoria seleccionada de una población definida por la variable aleato-
ria X cuya función de distribución depende del parámetro θ.
Sean dos estadísticos A=G(X1, X2,…, Xn ) y B=H(X1, X2,…, Xn ). El intervalo [A ; B], se denomina intervalo
de confianza al nivel (1-α)*100% para estimar el parámetro θ si se cumple que: P[A≤θ ≤ B] = (1-α); es
decir, si el parámetro θ está contenido en el intervalo [A,B] con probabilidad (1-α).
Sean x1, x2,…, xn los valores experimentales de la muestra aleatoria, si con estos datos se evalúa los
estadísticos A y B, obtenemos los números reales a = G(x1, x2,…, xn) y b = H( x1, x2,…, xn). El intervalo
[a; b] de extremos numéricos es la estimación por intervalo de confianza para el parámetro θ , al
nivel de confianza (1-α)*100%.
Una estimación por intervalo de confianza proporciona información acerca de qué tan cerca se en-
cuentra la estimación puntual, calculada con los datos de la muestra, del verdadero valor del pará-
metro de interés.
La forma general de una estimación por intervalo es:
Estimación puntual ± margen de error
El margen de error determina qué tan precisa es la estimación realizada; más adelante veremos que
en el caso de la estimación de la media poblacional o de la proporción poblacional, este valor depen-
de de los siguientes factores: tamaño de la muestra n, nivel de confianza (1-α) y variabilidad de la
población σ.
Notas
Interpretación del nivel de confianza

Por ejemplo, para un intervalo de confianza para la media µ a un nivel de confianza del 95%
Si se seleccionan repetidamente 1000 muestras de tamaño n, y calculamos la media muestral de
cada una de ellas, podremos realizar 1000 estimaciones puntuales y 1000 estimaciones por in-
tervalo de confianza para la media poblacional µ.
Se espera o confía que aproximadamente 950 de los intervalos de confianza hallados contengan
el parámetro µ y los restantes no lo contengan.
En la gráfica siguiente se muestran intervalos al 95% de confianza para µ generados con once
muestras aleatorias de tamaño n. Note que en este caso sólo 9 de los 11 intervalos de confianza
generados contienen realmente a la media µ
Fuente: http://www.fisicanet.com.ar/matematica/estadisticas/ap08_inferencia_estadistica.php
Intervalo de confianza para la media poblacional

Sean x1, x2,…, xn los valores experimentales de una muestra aleatoria X1, X2,…, Xn extraída de una po-
blación definida por la variable aleatoria X, con media µ y varianzaσ2.
Se requiere estimar la media poblacional µ usando esta muestra y con un nivel de confianza de (1-α)
x 100%.
Caso 1: Varianza poblacional, σ2, conocida (se cuenta con una estimación previa de la varian-
za).
Si el tamaño de muestra n es mayor o igual a 30, entonces la estimación por intervalo de confian-
za para µ, a un nivel de confianza de (1-α) x 100%, es:
 σ σ 
IC (µ ) =  x − z α ; x+z α 
1− n − n 
 2
1
2
donde x es la media calculada con los valores experimentales de la muestra de tamaño n y z1-α/2
es el percentil (1-α/2)*100 de la variable normal estándar Z.
En el caso particular que se requiera estimar la media de una población Normal con varianza co-
nocida, basta que la muestra aleatoria sea de tamaño n≥2.
Notas
Caso 2: Varianza poblacional, σ , desconocida (no se cuenta con ninguna estimación previa de
2
la varianza).
o Si el tamaño de muestra n es mayor o igual a 30, entonces la estimación por intervalo de con-
fianza para µ, a un nivel de confianza de (1-α) x 100%, es:
 s s 
IC (µ ) =  x − z α ; x+z α 
1− n 1− n 
 2 2
∑ (x − x )
i =1
i
2
donde x y s = son la media y la desviación estándar calculadas con los valores

n −1
experimentales de la muestra de tamaño n y z1-α/2 es el percentil (1-α/2)*100 de la variable
normal estándar Z.
o Si se requiere estimar la media de una población Normal con varianza desconocida, basta
contar con una muestra aleatoria de tamaño n≥2. En este caso, para construir el intervalo de
X −µ
confianza para µ se usa el estadístico T = que tiene distribución t-student con (n-1)
S
n
grados de libertad y se deduce que la estimación por intervalo de confianza para µ, a un nivel
de confianza de (1-α) x 100%, es:
 s s 
IC (µ ) =  x − t α ; x +t α 
(1− ,n−1) n (1− ,n−1) n
 2 2 
n
∑ (x − x )
i =1
i
2
donde x y s = son la media y la desviación estándar calculadas con los valores

n −1
experimentales de la muestra de tamaño n y t(1-α/2; n-1) es el percentil (1-α/2)*100 de una va-
riable aleatoria T ~ t(n-1) (t-Student con (n-1) grados de libertad).
Ejemplo 136
Para estimar el precio medio de las guías turísticas para visitar el Cusco se elige una muestra aleato-
ria formada por 34 guías y se determina que la media muestral es de S/.34,90. Por estudios realiza-
dos anteriormente se sabe que la desviación estándar de los precios de estas guías es de S/.4,50.
Estime, con un 95% de confianza, el precio medio de las guías turísticas para visitar el Cusco. Inter-
prete.
Solución
En este caso se cuenta con una estimación previa de la desviación estándar y por lo tanto de la va-
rianza; además el tamaño de muestra n=34 es suficientemente grande, por lo tanto, el intervalo de
confianza al 95% está dado por:
 σ σ 
IC (µ ) =  x − z 0 ,975 ; x + z 0 ,975
 n n 
Ya que el nivel de confianza solicitado es 95%, se tiene que (1-α)=0,95 y por lo tanto (1 – α/2)=0,975.
En la tabla buscamos el valor del percentil 97,5 de la variable Z: z0,975 = 1,96.
Notas
Reemplazando los datos y el percentil anterior tenemos que:
 4,5 4,5 
IC (µ ) = 34,9 − 1,96 ; 34,9 + 1,96 = [33,39; 36,41]
 34 34 
Con un nivel de confianza del 95%, se estima que el precio medio de las guías de turismo para visitar
el Cusco está entre S/.33,39 y S/.36,41.
Ejemplo 137
Para estimar la velocidad media en cierta vía se realiza mediciones en una muestra aleatoria de 20
vehículos y se obtiene una velocidad media muestral de 36,1 km/h y una desviación estándar mues-
tral de 5,2 km/h. Por estudios previos se sabe que la distribución de las velocidades de los vehículos
en esta vía es aproximadamente normal. Use la información anterior para estimar el parámetro de
interés con una confianza del 95%. Interprete
Ejemplo 138
En un restaurante universitario, el peso de la ración de arroz que se pone en un plato del menú se
puede modelar con una variable aleatoria continua. Si se pesan las raciones de arroz de 36 menús
escogidos al azar y se encuentra una media muestral de 220 gramos y una desviación estándar mues-
tral de 25 gramos. Estime la media poblacional del peso de la ración de arroz en cada plato con un
nivel de confianza del 90%.
Tamaño de muestra para estimar la media poblacional

Sea X1, X2,…, Xn una muestra aleatoria extraída de una población definida por la variable aleatoria X,
con media µ y varianzaσ2.
Se requiere determinar el tamaño de muestra, n, necesario para estimar la media poblacional µ con
un nivel de confianza de (1-α) x 100% y con un margen de error (error de estimación) máximo de e
unidades. Por el teorema central del límite y suponiendo n≥30:
σ
P (| X − µ |≤ e ) = 1 − α → e = z α ×
1− n
2
De la expresión anterior, se deduce que para cumplir lo requerido se debe seleccionar una muestra
de por lo menos:
2
 z ασ 
 1− 
n= 2 
 e 
 
Notas
El tamaño de muestra n debe ser un número entero. Si es necesario el valor obtenido en las ex-
presiones anteriores se aproxima al siguiente entero.
Si σ es desconocida y no se cuenta con estimaciones previas de ese parámetro, para encontrar el
tamaño de muestra, σ se podría estimar previamente con una muestra piloto.
Ejemplo 139
El peso de cierto tipo de motores se modela con una variable con desviación estándar de 7,04 kilos.
Calcular el tamaño de muestra para que con una confianza del 99% el error de estimación, al estimar
la media poblacional por la media muestral, sea de a lo más dos kilos.
Solución
Sea X = peso del motor, en kilos, la desviación estándar σ = 7,04 kilos y error máximo e = 2 kilos.
α
El nivel de confianza 1- α es 0,99, luego 1 − = 0,995 → z 0 ,995 = 2,575 . Luego:
2
2
 2,575 × 7,04 
n=  = 82,15
 2 
El tamaño de muestra n se aproxima al entero siguiente, luego n = 83. Basta tomar una muestra de
83 motores para que la estimación del peso medio, al 99% de confianza, tenga un error máximo de
dos kilos.
Ejemplo 140
Se pide al administrador de un supermercado que estime el tiempo medio que invierte una cajera en
atender a un cliente. Le piden que las estimaciones tengan un nivel de una confianza del 90% y un
margen de error de 15 segundos. Si se sabe que la desviación estándar poblacional es de 1,5 minu-
tos, ¿cuál debe ser el tamaño de muestra?
Intervalos de confianza para la proporción poblacional

Sean x1, x2,…, xn los valores experimentales de una muestra aleatoria X1, X2,…, Xn de una población
Bernoulli(p), tales que con E(Xi) = p, V(Xi) = p(1-p) ∀ i = 1,..,n
La estimación por intervalo de confianza para la proporción poblacional p, con un nivel de confianza
de (1-α) x 100% es:
 p (1 − p ) p (1 − p ) 
IC (p) =  p − z α ; p+z α 
1− n 1− n 
 2 2
donde p es la proporción muestral de éxitos observada en la muestra de tamaño n y z1-α/2 es el per-

centil (1-α/2)*100 de la variable normal estándar Z.
Notas
Ejemplo 141
En una muestra aleatoria de 100 clientes de una empresa de telefonía celular, se encontró que 28 de
ellos presentaron quejas por fallas en el servicio durante el mes de abril. Calcule e interprete un in-
tervalo con una confianza del 90%, para la proporción de clientes de esta empresa que presentaron
quejas por fallas en el servicio, durante el mes de abril.
Solución
Interesa estimar el parámetro p = proporción poblacional de clientes que presentaron quejas por
fallas en el servicio, durante el mes de abril.
 p (1 − p ) p (1 − p ) 
El intervalo está dado por: IC (p) =  p − z α ; p+z α 
1− n 1− n 
 2 2
α
De los datos el nivel de confianza requerido es: (1- α )= 0,90, luego 1 − = 0,95 → z0 ,95 = 1,645
2
28 p (1 − p ) (0,28)(1 − 0,28)
n = 100 ; p = = 0,28 ; = = 0,045
100 n 100
Luego, reemplazando estos valores en IC(p) tenemos que:
IC (p) = [0,28 m 1,645 × 0,045] = [0,28 m 0,074] = [0,206; 0,354]
La proporción de clientes que presentaron quejas por fallas en el servicio, durante el mes de abril, se
estima entre 0,206 y 0,354, con una confianza del 90%.
Ejemplo 142
A una muestra aleatoria de 650 personas mayores de 18 años de una ciudad determinada se les pre-
guntó si estaban a favor de un incremento del 4% en el impuesto al precio de la gasolina para obte-
ner fondos necesarios que se destinarían a un programa de asistencia social. Si en la muestra elegida
se encontró que 312 están a favor del impuesto adicional, calcule e interprete un intervalo de con-
fianza del 90% para la verdadera proporción de personas a favor del nuevo impuesto.
Tamaño de muestra para estimar una proporción poblacional

Para tener un nivel de confianza de (1- α) x 100% de que el error de estimación al estimar la propor-
ción poblacional por la proporción muestral, sea de a lo más e:
p(1 − p)
P( P − p ≤ e ) = 1 − α → e = z α ×
1− n
2
De la expresión anterior, se deduce que:

z2 α p(1 − p)
1−
n= 2
e2
Notas
Como p es desconocida (p es el parámetro que se desea estimar), para encontrar el tamaño de
muestra, el valor p se reemplaza por una estimación previa disponible de la proporción poblacio-
nal.
En el caso de no contar con una estimación previa de p, se usa el valor p = 0,5 que hace máximo
el tamaño de muestra requerido. (Note que el valor p(1-p) es máximo cuando p = 0,5)
El tamaño de muestra n debe ser un número entero. Si es necesario el valor obtenido en las ex-
presiones anteriores se aproxima al siguiente entero.
Ejemplo 143
Una empresa encuestadora quiere realizar una investigación sobre intención de voto a favor de cier-
to candidato en la segunda vuelta electoral de las próximas elecciones presidenciales. Desea que los
resultados tengan un nivel de confianza del 95% y un margen de error del 3%. Calcule el tamaño de
muestra necesario para dicha encuesta. (Suponga que se usará un muestreo aleatorio simple)
Ejemplo 144
Una compañía de investigación de mercado desea estimar el porcentaje de hogares que tienen In-
ternet en casa, ¿cuántos hogares debe encuestarse si desea tener un nivel de confianza del 99% y un
margen de error del 2%? En una investigación del año pasado se determinó que el porcentaje de
hogares con Internet era del 24%. (Suponga que se usará un muestreo aleatorio simple)
Intervalo de confianza para la varianza de una población normal

Sean x1, x2,…, xn los valores experimentales de una muestra aleatoria X1, X2,…, Xn de una población
normal con una varianza desconocida σ2. En este caso, para construir el intervalo de confianza para
n
∑ (x
i =1
i − x )2
(n − 1)S 2
la varianza se usa el estadístico V = = que tiene distribución Chi cuadrado con
σ2 σ2
(n-1) grados de libertad.
o La estimación por intervalo de confianza para la varianza σ2, con un nivel de confianza
(1-α)*100% es:
 
 (n − 1)s 2 (n − 1)s 2 
IC (σ ) =  2
2
, 2 
 χ (1−α ,n−1) χ ( α ,n−1) 
 2 2 
Notas
o La estimación por intervalo de confianza para la desviación estándar σ, con un nivel de confianza
(1-α)*100% es:
 
 (n − 1)s 2 (n − 1)s 2 
IC (σ ) =  , 
 χ1− α ,n−1 χ α2
2
,n−1 
 2 2 
n
∑ (x − x )
i =1
i
2
donde s 2 = es la varianza muestral calculada con los valores experimentales de la mues-

n −1
tra de tamaño n; χ 2α y χ2 α son los percentiles α/2*100% y (1-α/2)*100% de una variable
( ,n−1) (1− ,n −1)
2 2
aleatoria con distribución χ (2n−1) (Chi cuadrado con (n-1) grados de libertad).
Ejemplo 145
Se desea estimar la varianza de las longitudes de ciertos cables coaxiales. En una muestra de 25 de
estos cables se encuentra que la longitud tiene una media de 80 metros y una desviación estándar de
tres metros. Calcule e interprete un intervalo con una confianza del 95%, para la desviación estándar
de las longitudes de los cables coaxiales. Asuma normalidad.
Solución
Se necesita estimar σ = desviación estándar de las longitudes de los cables coaxiales (en metros)
α α
El nivel de confianza requerido es (1- α) = 0,95, luego 1 − = 0,975 y = 0,025
2 2
Buscamos en la tabla de la distribución Chi cuadrado:
χ (20,025; 25−1) = 12,4011 , χ (20,975; 25−1) = 39,3641

Además de los datos: n = 25 y s = 3 .
Luego, el intervalo de confianza pedido es:
 
 (n − 1)s 2 (n − 1)s 2   (25 − 1)× 32 (25 − 1)× 32 
IC (σ ) =  , = , 
 χ1−α ,n−1 χ α2
2
 
 39,3641 12,4011 
,n −1
 2 2 
IC (σ ) = [2,34 , 4,17]
La desviación estándar de las longitudes de los cables coaxiales se estima entre 2,34 y 4,17 metros
con una confianza del 95%.
Ejemplo 146
Se quiere evaluar la cantidad de un champú contenido en envases de monodosis de 10 gramos, es
decir, en envases pequeños de un solo uso, para lo cual se ha tomado una muestra aleatoria de 36 de
dichos envases, encontrándose una media muestral de 10,5 gramos y una desviación estándar mues-
tral de 0,8 gramos. Cuando la máquina de envasado está bien calibrada la desviación estándar pobla-
cional es menor a un gramo. Calcular un intervalo de confianza al 95% que permita decidir si la má-
quina de envasado estaría o no bien calibrada. Asuma normalidad.
Notas
Ejercicios
98. El peso de cada pasajero de un avión se modela con una variable aleatoria con media 70 kg. y
desviación estándar 20 kg. El peso, en kilogramos, del equipaje de cada pasajero se modela con
una variable uniforme entre 8 y 32 kg. Si en un vuelo hay 110 personas, calcule la probabilidad
de que el peso total de los pasajeros más el peso de sus equipajes no exceda las diez toneladas.
99. Por estudios anteriores se sabe que la resistencia a la tensión de los puntos de soldadura produ-
cidos por una soldadora robot se puede modelar con una variable aleatoria normal con media
de 10000 psi y desviación estándar de 800 psi. Para una muestra aleatoria de 40 de estas solda-
duras, ¿cuál es la probabilidad de que por lo menos el 30% de ellas tengan una resistencia a la
tensión mayor a 10500 psi?
100. El tiempo que demora una persona en hablar por teléfono es una variable aleatoria con una
media de 5 minutos y una desviación estándar de 2 minutos. Si el costo por llamada tiene un va-
lor fijo de 0,50 soles más un costo variable de 0,20 soles por minuto, calcular la probabilidad de
que el costo al realizar 40 llamadas sea menor que 58 soles
101. Supóngase que las alturas de las antenas de telefonía celular tienen una media de 40 metros y
una desviación estándar 9 metros. Si se toman 50 muestras aleatorias de 36 antenas cada una,
¿en cuántas de las muestras se espera que la altura media esté entre 38 y 41 metros?
102. El tiempo, en minutos, que demora una llamada telefónica es una variable exponencial con una
media de 5 minutos.
a. Hallar la probabilidad de que el tiempo total de duración de 100 llamadas sea de menos de 8
horas y media.
b. Hallar la probabilidad de que el tiempo medio de duración de 40 llamadas sea mayor a 5,1
minutos.
103. Los ingresos por facturas del último año de un restaurante pueden modelarse con una variable
aleatoria de media 84 nuevos soles y desviación estándar 12 nuevos soles.
a. ¿Cuál es la probabilidad de que 100 clientes elegidos al azar gasten en total más de 8600
nuevos soles?
b. ¿Después de cuántas facturas podemos tener un 90% de seguridad de que el total de dinero
gastado por los clientes será de al menos 24000 nuevos soles?
104. En un invernadero se conectan 30 focos de luz infrarroja, de tal manera que si falla un foco, otro
se enciende inmediatamente, encendiendo solamente un foco a la vez. Si la vida útil de los fo-
cos se puede modelar con una variable aleatoria exponencial con una desviación estándar de
120 horas, ¿cuál es la probabilidad de que haya un foco encendido al final de un periodo de
4000 horas?
Notas
105. El gerente financiero de una cadena de tiendas desea estimar la proporción de clientes que
utilizan tarjetas de crédito, ¿qué tamaño de muestra es necesario si el intervalo de confianza del
95% para la proporción debe tener una longitud de a lo sumo 0,10?
106. Una empresa constructora desea estimar, con un nivel de confianza del 95% y un error máximo
de estimación de 0,025 la proporción de personas de una determinada ciudad que comprarían
una vivienda de dimensiones comprendidas entre 180 y 200 m2. Para ello pretende tomar una
muestra aleatoria entre los potenciales compradores de vivienda, disponiendo para realizar el
muestreo de 10 000 dólares.
a. Si cada elemento muestreado supone un costo de 10 dólares, ¿es suficiente el presupuesto
disponible?
b. ¿Qué nivel de confianza se puede alcanzar con 10 000 dólares de presupuesto, si se pretende
mantener el error máximo de estimación en 0,025?
107. En una investigación realizada en el Valle de los ríos Apurímac y Ene (VRAE) se tomó una mues-
tra aleatoria de 350 viviendas y se estimó en 80% ± 4,8% el porcentaje de viviendas que no tie-
nen agua potable. Encontrar el nivel de confianza de la estimación.
108. Para estimar el porcentaje de colegíos rurales que tienen por lo menos una computadora, una
universidad realizó una encuesta en 200 colegios rurales. Si en el informe de esta encuesta se
indicó que el porcentaje de colegios rurales con por lo menos una computadora se estima entre
33,2% y 46,8%, determine con qué nivel de confianza se realizó la estimación.
109. Se quiere estimar la aprobación del presidente de la república para lo cual se realizó una en-
cuesta nacional, en la cual se entrevistó a una muestra aleatoria de 1116 personas, encontrán-
dose que 854 de ellas no estaban de acuerdo con la gestión presidencial. Calcule un intervalo de
confianza al 96% para proporción poblacional de las personas que están de acuerdo con la ges-
tión presidencial. Además, determine el margen de error. Interprete.
110. ¿De qué tamaño conviene tomar una muestra de una línea de producción para tener una con-
fianza del 95% de que la proporción estimada no difiere de la verdadera en más de un 5%? Se
sabe por estudios previos que la proporción de objetos defectuosos es del orden de 0,04?
111. Un intervalo de confianza para el porcentaje de taxis informales en Lima es [69,6; 80,4]. Si este
intervalo se obtuvo a partir de una muestra de 200 taxis, ¿cuál es su nivel de confianza?
112. Se estima que para una máquina que llena paquetes de salvado de trigo, la desviación estándar
del proceso es de 15 gramos del producto. Se va a seleccionar una muestra aleatoria de la pro-
ducción de la máquina con la finalidad de estimar el peso medio de salvado de trigo empacado.
¿Qué tamaño de muestra se necesita si se requiere una estimación al 97% de confianza y con un
error de estimación máximo de 3 gramos?
Notas
113. En un restaurante universitario, el peso de la ración de arroz que se pone en un plato del menú
se puede modelar como una variable aleatoria normal. Si se pesan las raciones de arroz de 26
menús escogidos al azar y se encuentra una media muestral de 220 gramos y una desviación es-
tándar muestral de 25 gramos.
a. Estime la media poblacional del peso de la ración de arroz en cada plato con un nivel de con-
fianza del 90%. ¿Cuál es el margen de error de esta estimación?
b. Estime la desviación estándar poblacional del peso de la ración de arroz en cada plato con un
nivel de confianza del 90%.
114. Un padre desea regalar a su hija una tablet por Navidad, para lo cual ha preguntado, a una
muestra aleatoria de 13 tiendas de la ciudad, el precio de la misma tablet encontrando los si-
guientes valores (en soles):
1499 1460 1507 1538 1536 1552 1434 1490 1530 1469 1479 1449 1440
Si el precio de la tablet se puede modelar con una variable normal, estime la media y la desvia-
ción estándar del precio de la tablet a un nivel de confianza del 95%. Interprete.
Notas
4.4. Nociones de prueba de hipótesis

Conceptos básicos
En esta sección se presenta una técnica que permite tomar una decisión respecto una suposición o
hipótesis respecto al valor de un parámetro de la población de interés. Esta técnica se denomina
Prueba de Hipótesis y establece, en cada caso, una regla de decisión que se usará para tomar la deci-
sión de rechazar o no la hipótesis planteada en base a lo observado en una muestra aleatoria selec-
cionada para ese fin y a un nivel de significación previamente establecido.
Hipótesis nula H0
La hipótesis nula H0 es la hipótesis que se acepta inicialmente como verdadera y cuya validez será
sometida a la comprobación experimental.
Hipótesis alterna H1
La hipótesis alterna H1 es la negación de la hipótesis nula. Es la hipótesis que se acepta en caso se
rechace H0. (H1 es generalmente la hipótesis de investigación).
Ejemplo 147
H0: El tiempo medio de atención a un cliente en el módulo de información es de 2,8 minutos o me-
nos.
H1: El tiempo medio de atención a un cliente en el módulo de información es de más de 2,8 minutos.
Notación:
H0: µ ≤ 2,8 minutos
H1: µ > 2,8 minutos
Ejemplo 148
H0: El porcentaje de personas que votará por un candidato es de al menos 50%.
H1: El porcentaje de personas que votará por un candidato es menor al 50%.
Notación:
H0: p ≥ 0,50
H1: p < 0,50
Contraste de hipótesis
El hecho de que el resultado muestral lleve a concluir que no se debe rechazar la hipótesis nula
no implica que ésta sea cierta, significa más bien que los datos de la muestra no han proporcio-
nado evidencia suficientemente fuerte que contradiga lo supuesto en la hipótesis nula.
La hipótesis que se contrasta es rechazada o no en función de la información muestral. La hipóte-
sis alternativa se especifica como opción posible si se rechaza la nula.
Notas
Tipos de errores
Decisión basada en la muestra

La realidad Rechazar H0 No rechazar H0
H0 cierta Error tipo I Decisión correcta
H0 falsa Decisión correcta Error tipo II
Error tipo I
Es el error que se comete al rechazar la hipótesis nula cuando ésta es realmente verdadera.
La probabilidad de cometer el error tipo I se denotaα y se define como:
α = P (Rechazar H 0 H 0 es cierta )
La probabilidad de cometer el error tipo I se denomina el nivel de significación de la prueba. El
valor α es fijado por la persona que realiza la investigación, por lo general, en 0,01; 0,05 o 0,10.
Error tipo II
Es el error que se comete al no rechazar la hipótesis nula H0 cuando ésta en realidad es falsa.
La probabilidad de cometer el error tipo II se denota β y se define como:
β = P (No rechazar H 0 H 0 es falsa )
Potencia de una prueba

La potencia de la prueba es la probabilidad de tomar la decisión acertada de rechazar H0 cuando H0
es falsa. La potencia de una prueba es:
(1 - β ) = P(Rechazar H0/H0 es falsa)
Aunque lo ideal sería minimizar ambas probabilidades de cometer errores en este proceso de
decisión, se puede demostrar que cuando el nivel de significación y el tamaño de muestra se
mantienen fijos, si se reduce la probabilidad de cometer uno de los errores, la probabilidad de
cometer el otro error crece.
Ejemplo 149
Una persona es juzgada por cierto delito y podría ser condenada a ir a la cárcel, plantee este proble-
ma como una prueba de hipótesis e indique cuál de los dos errores tendría peor consecuencia si se
comete.
Notas
Pasos a seguir en una prueba de hipótesis
puede ser µ , p, σ
2
Paso 1: Plantear hipótesis acerca del parámetro θ . En este curso θ
H 0 : θ = θ 0 H 0 : θ = θ 0 H 0 : θ = θ 0
  
H1 : θ > θ 0 H1 : θ < θ 0 H1 : θ ≠ θ 0
Paso 2: Fijar el nivel de significación para la prueba: α

Paso 3: Escoger el estadístico de prueba adecuado.
Paso 4: Establecer las regiones críticas de acuerdo a la hipótesis alterna y el nivel de significación.
H0 : θ = θ 0 H0 : θ = θ 0 H0 : θ = θ 0

  
H1 : θ > θ 0 H1 : θ < θ 0 H1 : θ ≠ θ 0
α α α/2 α/2
Paso 5: Establecer la regla de decisión

Paso 6: Calcular el valor del estadístico de prueba con los datos de la muestra.
Paso 7: Tomar la decisión y dar las conclusiones en el contexto del problema.
Región crítica
La región crítica o de rechazo de la hipótesis nula H0 es un conjunto de valores de la estadística de la
prueba que depende del nivel de significación α y de la hipótesis alterna H1.
Si la hipótesis nula fuera cierta, la probabilidad de que ocurran los valores de la estadística de
prueba que pertenecen a la región crítica es tan pequeña como el nivel de significación fijado pa-
ra la prueba
La región crítica se usa para establecer la regla de decisión para la prueba.
Regla de decisión
Sea θˆ el valor observado de la estadística de prueba (es decir, el valor de la estadística de prueba
calculado con los valores experimentales de la muestra).
Si θˆ pertenece a la región crítica, se rechaza H0.
Si θˆ no pertenece a la región crítica, no se rechaza H0.
Nivel crítico de la prueba (valor p)

Es la probabilidad de obtener un estadístico de prueba igual o más extremo que el resultado obteni-
do de la muestra, dado que la hipótesis nula H0 es cierta.
Se puede tomar la decisión en base al valor p de la prueba.
Si α ≤ valor p, entonces no se rechaza H0.
Si α > valor p, entonces se rechaza H0.
Notas
4.5. Pruebas de hipótesis

Prueba de hipótesis para una media poblacional µ a un nivel de significación α
Sean x1, x2,…, xn los valores experimentales de una muestra aleatoria X1, X2,…, Xn de la variable alea-
toria X con E(Xi) = μ, V(Xi) = σ2 (i = 1, 2,…, n).
Posibles hipótesis
- Unilateral izquierda. H0 : µ = µ0 H1 : µ < µ 0
- Bilateral H0 : µ = µ0 H1 : µ ≠ µ 0
- Unilateral derecha H0 : µ = µ0 H1 : µ > µ 0
Estadístico de prueba y regiones críticas

o Si usamos como estadístico de prueba la media muestral X , entonces las regiones críticas se-
rán:
- Unilateral izquierda ]
RC = − ∞, µ 0 − z1−α σ X [
   
- Bilateral RC =  − ∞, µ 0 − z α σ X  ∪  µ 0 + z α σ X , + ∞ 
1− 1−
 2   2 
- Unilateral derecha ]
RC = µ 0 + z1−α σ X , + ∞ [
X − µ0
o Si usamos como estadístico de prueba la variable Z = , entonces las regiones críticas
σX
serán:
- Unilateral izquierda RC = ] − ∞, − z1−α [
   
- Bilateral RC =  −∞, − z α  ∪  z α , + ∞ 
1− 1−
 2   2 
- Unilateral derecha RC = ] z1−α , + ∞[
En ambos casos, la regla de decisión es: Rechazar Ho si el valor observado de estadístico de la
prueba (calculado con los datos de la muestra), pertenece a la región crítica; en otro caso, no re-
chazar Ho.
Caso 1: Varianza poblacional σ2 es conocida. Población normal o tamaño de muestra n≥30

σ
Población infinita o el muestreo es con reposición: σX =
n
Caso 2: Varianza poblacional σ2 es desconocida y tamaño de muestra n ≥ 30

σ sx
Población infinita o el muestreo es con reposición: σ X = se estima por σ̂ X =
n n
Notas
Caso 3: Varianza poblacional σ desconocida y población normal (n≥2)
2
Regiones críticas
 s 
- Unilateral izquierda RC =  − ∞, µ 0 − t(1−α ,n−1) x 
 n
 sx   sx 
- Bilateral RC =  − ∞, µ 0 − t α  ∪ µ0 + t α ,+∞
(1− , n −1) (1− , n −1)
 2 n   2 n 
 s 
- Unilateral derecha RC =  µ 0 + t (1−α ,n −1) x , + ∞ 
 n 
X − µ0
Si usamos como estadístico de prueba el estadístico T = ~ t n −1 , entonces las regiones crí-
S
n
ticas serán:
- Unilateral izquierda RC =  −∞, − t(1−α ,n −1) 
   
- Bilateral RC =  −∞, − t α  ∪ t α , + ∞ 
(1− , n −1)
 2   (1− 2 , n −1) 
- Unilateral derecha RC =  t(1−α ,n −1) , + ∞ 
Ejemplo 150
El director de una biblioteca universitaria, afirma que el número medio de libros sacados a préstamo
semanalmente por cada estudiante ha cambiado últimamente. Anteriormente, se sacaba una media
de 3,4 libros. En una muestra reciente de 40 estudiantes la media fue de 4,3 libros con una desvia-
ción estándar de 1,5 libros. Al nivel de significación del 1%.
a. ¿Ha cambiado la media de préstamos?
b. Si actualmente la media es de 4,2 libros, calcule la probabilidad de cometer el error tipo II.
Solución
a. Determinemos las hipótesis nula y alterna
µ= número medio de libros semanales prestados por alumno
H0: µ = 3,4 libros (µ0 = 3,4 libros)
H1: µ ≠ 3,4 libros
El nivel de significación α es 0,01.
n = 40 : x = 4,3 , s = 1,5 z α = z 0,995 = 2,575
1−
2
s 1,5
σ __ ≈ σˆ __ = = = 0,237
X X n 40
Notas
La región crítica (RC) es:
RC =] − ∞, µ 0 − z ασ X [ ∪ ]µ 0 + z ασ X , + ∞[
1− 1−
2 2
=] − ∞, 3,4 − 2,575 × 0,237[∪]3,4 + 2,575 × 0,237, + ∞[

RC =] − ∞, 2,79[ ∪ ]4,01, + ∞[
Como x = 4,3 pertenece a la región crítica (RC), luego se rechaza H0 .

A un nivel de significación del 1%, la evidencia muestral indica que número medio semanal de li-
bros prestados por alumno habría cambiado.
También, podemos contrastar las hipótesis con el siguiente procedimiento y se llega a la misma
conclusión:
H0: µ = 3,4 libros (µ0 = 3,4 libros)
H1: µ ≠ 3,4 libros
Determinemos la región crítica.
RC =] − ∞,− z α[ ∪ ]z α , + ∞[
1− 1−
2 2
RC =] − ∞, − 2,575[∪]2,575,+∞[
Calculemos el valor observado del estadístico de prueba

x − µ0 4,3 − 3,4
z= = = 3,79
σ __ 0,237
X
Como z = 3,79 pertenece a la región crítica (RC), luego se rechaza H0. Luego, a un nivel de signifi-
cación del 1%, la evidencia muestral indica que número medio semanal de libros prestados por
alumno habría cambiado
b. Calculemos la probabilidad de cometer el error tipo II:
β= P(cometer el error tipo II) = P(No rechazar H0/ H0 es falsa)
β = P(2,79 ≤ X ≤ 4,01 / µ = 4,2 ) = P

 2,79 − 4,2 4,01 − 4,2 
≤Z≤  = Φ (−0,80) − Φ(−5,95)
 0,237 0,237 
= 0,2119 − 0 = 0,2119
Si tomamos la decisión usando la región crítica establecida en la parte a, la probabilidad de con-
cluir que la media no ha cambiado cuando en realidad ha cambiado a 4,2 libros por semana es
0,2119.
Notas
Ejemplo 151
Los inspectores de INDECOPI al investigar el cargo levantado contra una embotelladora de que no
llena adecuadamente las botellas, tomaron una muestra de 100 botellas y encontraron que el conte-
nido tenía una media de 31,65 onzas con una desviación estándar de dos onzas. Las botellas indican
en su etiqueta que contienen 32 onzas. Al nivel de significación del 2%.
a. ¿Deberían los inspectores aceptar que las botellas están siendo llenadas con menos contenido
medio que el indicado?
b. Si realmente la media es de 31 onzas, calcule la probabilidad de cometer el error tipo II.
Solución
µ = contenido medio de líquido en las botellas (en onzas)
H0: µ = 32 onzas (µ0 = 32 onzas)
H1: µ < 32 onzas
n = 100, x = 31,65 , s = 2, z1−α = z0.98 = 2,05
s 2
σ X ≈ σˆ X = = = 0,2
n 100
Establezcamos la región crítica (RC)
RC =] − ∞, µ 0 − z1−α σ X [=] − ∞, 32 − 2,05 × 0,2[
RC =] − ∞, 31,59[
Como x = 31,65 no pertenece a la región crítica (RC), luego no se rechaza H0.
A un nivel de significación del 2%, la evidencia muestral indica que las botellas no están siendo
llenadas con menos contenido medio que el indicado.
También, podemos contrastar las hipótesis con el siguiente procedimiento y llegamos a la misma
conclusión:
H0: µ = 32 onzas (µ0 = 32 onzas)
H1: µ < 32 onzas
RC =] − ∞, − z1−α [=] − ∞,−2,05[
x − µ0 31,65 − 32
z= = = −1,75
σ __ 0,2
X
Notas
Como z = −1.75 no pertenece a la región crítica (RC), luego no se rechaza H0. Luego, a un nivel
de significación del 2%, la evidencia muestral indica que las botellas no están siendo llenadas con
menos contenido medio que el indicado
b. Calculemos la probabilidad de cometer el error tipo II:

β = P(cometer el error tipo II) = P(No rechazar H0/ H0 es falsa)
β = P(X ≥ 31,59 / µ = 31) = P Z ≥

 31,59 − 31 
 = 1 − Φ(2,95) = 0,0016
 0,2 
Si se toma una decisión usando la región crítica establecida en a, la probabilidad de no detectar que
el contenido medio de las botellas es 31 onzas y no 32 onzas como se indica en la botella es 0,0016.
Ejemplo 152
Los estatutos ambientales aplicables a una planta nuclear, especifican que la temperatura media del
agua reciclada no debe exceder los 84 ºF. En una muestra, de tamaño 25, se encuentra que la tempe-
ratura del agua reciclada tiene una media de 88,6 ºF y una desviación estándar de 12 ºF. A un nivel
de significación del 5%, ¿la planta excede las limitaciones del estatuto? Asumir normalidad.
Solución
Determinemos las hipótesis nula y alterna
µ = temperatura media del agua reciclada (°F)
H0: µ = 84 ºF (µ0 = 84 ºF)
H1: µ > 84 ºF
n = 25 : x = 88,6 , s = 12 t (1−α ,n −1) = t ( 0,95; 24) = 1,7109
s 12
= = 2,4
n 25
sx
RC =]µ 0 + t (1−α ,n−1) , + ∞[ = ]84 + 1,7109 × 2,4 , + ∞ [
n
RC =]88,1, + ∞ [
Como x = 88.6 pertenece a la región crítica (RC), luego se rechaza H0 y se concluye que, al nivel de
significación del 5%, la evidencia muestral indica que la planta estaría excediendo las limitaciones del
estatuto.
Ejemplo 153
La resistencia a la rotura de los cables producidos por un fabricante tiene una media de 800 kg y una
desviación estándar de 40 kg. Se afirma que mediante una nueva técnica en el proceso de fabricación
esta resistencia media puede ser incrementada. Para probar esto se ensaya una muestra de 50 cables
producidos con la nueva técnica y se encuentra que su resistencia media es de 820 kg. Admitiendo
que la nueva técnica no modifica la desviación estándar y con un nivel de significación del 1%:
Notas
a. ¿Hay evidencia muestral suficiente para afirmar que hay un aumento en la resistencia media?
b. ¿Cuál es la probabilidad de cometer el error tipo II, si la resistencia a la rotura de los cables produ-
cidos con la nueva técnica tiene realmente una media de 830 kg?
Pruebas de hipótesis para una proporción poblacional p, a un nivel de significación α.

Para hacer pruebas de hipótesis sobre la proporción poblacional requerimos muestras grandes
(n≥30).
Posibles hipótesis
- Unilateral izquierda H 0 : p = p0 H1 : p < p0
- Bilateral H 0 : p = p0 H1 : p ≠ p0
- Unilateral derecha H 0 : p = p0 H1 : p > p0
Estadísticos de prueba y regiones críticas
Si usamos como estadístico de prueba la proporción muestral P , entonces las regiones críticas
serán:
 p 0 q0 
- Unilateral izquierda RC =  − ∞, p 0 − z1−α 
 n 
 p0 q0   p0 q0 
- Bilateral RC =  − ∞, p 0 − z α  ∪  p0 + z α , + ∞
 1− n   1− n 
 2   2 
 p0 q 0 
- Unilateral derecha RC =  p 0 + z1−α , + ∞
 n 
Notas
P − p0
Si usamos como estadístico de prueba el estadístico Z = , entonces las regiones
p 0 (1 − p 0 )
n
críticas serán:
- Unilateral izquierda RC = ]−∞, − z1−α [
   
- Bilateral RC =  −∞, − z α  ∪  z α , + ∞ 
1−
 2   1− 2 
- Unilateral derecha RC = ] z1−α , + ∞[
Ejemplo 154
El director de correos implementó nuevos procedimientos para reducir el número de cartas extravia-
das. Anteriormente el porcentaje de cartas extraviadas era del 0,3 %. Recientemente en una investi-
gación en la que 8 000 cartas fueron enviadas se extraviaron 18 cartas. Al nivel de significación del
10%:
a. ¿Se puede aceptar que los nuevos procedimientos consiguieron su objetivo?
b. Si actualmente el porcentaje de cartas extraviadas es del 0,2%, encontrar la probabilidad de co-
meter el error tipo II.
Solución
p = Proporción de cartas extraviadas.
H0: p = 0,003 (p0 = 0,003)
H1: p < 0,003
18
n = 8 000 : p= = 0,00225 z1−α = z0.90 = 1,28
8000
p0 q0 0,003 × 0,997
σ __ = = = 0,00061
P n 8 000

RC =] − ∞, p0 − z1−α σ P [=] − ∞ , 0,003 − 1,28 × 0,00061[
RC =] − ∞ , 0,0022[
Como p = 0,00225 , no pertenece a la región crítica (RC), luego no se rechaza H0 y se concluye
que a un nivel de significación del 10%, no hay evidencia muestral suficiente de que los nuevos
procedimientos hayan consiguieron su objetivo de reducir el porcentaje de cartas extraviadas.
Notas
También, podemos contrastar las hipótesis con el siguiente procedimiento.

H0: p = 0,003 (p0 = 0,003)
H1: p < 0,003
Determinemos la región crítica. Como z1−α = 1,28 , entonces, RC =] − ∞, − 1,28[
p − p0 p − p0 0,00225 − 0,003
z= = = = −1,23
σP p0 q0 0,003 × 0,997
n 8 000
Como z = −1,23 no pertenece a la región crítica RC no se rechaza H0 y se concluye que a un nivel

de significación del 10%, no hay evidencia muestral suficiente de que los nuevos procedimientos
hayan consiguieron su objetivo de reducir el porcentaje de cartas extraviadas.
b. Calculemos la probabilidad de cometer el error tipo II

 
 
( )
β = P P ≥ 0,0022 / p = 0,002 = P  Z ≥
0,0022 − 0,002 
 = 1 − Φ ( 0, 4 ) = 0,3446
 0,002 × 0,998 
 8 000 
 
La probabilidad de concluir que los nuevos procedimientos no consiguieron su objetivo cuando
en realidad si hubo una disminución de 0,1% en el porcentaje de cartas extraviadas es 0,3446.
Ejemplo 155
El jefe de personal afirma que el 18% de los empleados de la compañía trabajan horas extras cada
semana. El porcentaje observado esta semana en una muestra de 100 empleados es de 9%. Con un
nivel de significación del 5%:
a. ¿Se puede concluir que el porcentaje de los empleados de la compañía que trabajan horas extras
cada semana ha cambiado?
b. Si en realidad sólo 12% de los empleados de la compañía trabajan horas extras cada semana,
calcule la probabilidad de cometer el error tipo II.
Solución
p = proporción de empleados que trabajan horas extras cada semana
H0: p = 0,18 (p0 = 0,18)
H1: p ≠ 0,18
El nivel de significación α es 0,05
Notas
Determinemos la región crítica RC:
n = 100 : p = 0,09
α
NS = α = 0,05 → 1 − = 0,975 z α = z 0.975 = 1,96
2 1−
2
p0 q0 0,18 × 0,82
σP = = = 0,0384
n 100
Tenemos que:
RC =] − ∞, p0 − z α σ P [ ∪ ] p0 +z ασP , + ∞[
1− 1−
2 2
=] − ∞,0,18 − 1,96 × 0,0384[ ∪ ]0,18 + 1,96 × 0,0384,+∞[
=] − ∞,0,105[ ∪ ] 0,255,+∞ [
Luego, la región crítica es RC =] − ∞, 0,105[ ∪ ]0,255, + ∞ [
Como p = 0,09 pertenece a la región crítica (RC) se rechaza H0. Luego, podemos concluir que a un
nivel de significación del 5%, la evidencia muestral indica que el porcentaje de los empleados de
la compañía que trabajan horas extras cada semana es diferente al 18%.

 
 
__
0,255 − 0,12 0,105 − 0,12
β = P(0,105 ≤ P ≤ 0,255 / p = 0,12) = P ≤Z ≤ 
 0,12 × 0,88 0,12 × 0,88 
 
 100 100 
= Φ (4,15) − Φ (−0,46) = 1 − 0,3228 = 0,6772
La probabilidad de concluir que el porcentaje de los empleados de la compañía que trabajan ho-
ras extras cada semana es 18% cuando en realidad es 12% es 0,6772.
Ejemplo 156
En una encuesta a 400 electores de un distrito, el 52 % estaban de acuerdo con la gestión del alcalde.
Con un nivel de significación del 5%.
a. ¿Se puede afirmar que más de la mitad de los electores del distrito están de acuerdo con la ges-
tión del alcalde?
b. Si el 60 % de los electores del distrito están de acuerdo con la gestión del alcalde, calcule la pro-
babilidad de cometer el error tipo II.
Solución
p = proporción de electores que están de acuerdo con la gestión del alcalde
H0: p = 0,50 (p0 = 0,50)
H1: p > 0,50
Notas
Determinemos la región crítica RC
n = 400 : p = 0,52
NS = α = 0,05 → 1 − α = 0,95 z1−α = z 0,95 = 1,645
p0 q0 0,50 × 0,50
σ __ = = = 0,025
P n 400
De donde
RC =] p0 + z1−α σ P , + ∞[=] 0,50 + 1,645 × 0,025 , + ∞ [
RC =] 0,54 , + ∞ [
Como p = 0,52 no pertenece a la región crítica (RC) no se rechaza H0 y se concluye, a un nivel de
significación del 5%, que no hay evidencia suficiente de que más de la mitad de los electores del
distrito estén de acuerdo con la gestión del alcalde.
 
 
( )
β = P P ≤ 0,54 / p = 0,60 = P Z ≤

0,54 − 0,60  = Φ(− 2,45) = 0,0071

0,60 × 0,40
 
 400 
La probabilidad de concluir que el porcentaje de electores del distrito que están de acuerdo con la
gestión del alcalde no es mayor al 50% cuando en realidad es del 60% es 0,0071.
Ejemplo 157
Según un Inspector del Trabajo del Ministerio de Trabajo y Promoción del Empleo del Perú, el 88% de
los accidentes laborales se deben a factores humanos. Otro experto cree que el porcentaje de acci-
dentes laborales debidos a factores humanos es menor. Para contrastar dicha hipótesis se registró de
forma aleatoria 516 accidentes laborales encontrándose que 434 fueron debido a factores humanos.
¿Cuál sería su conclusión?. Use α=0,03.
Notas
Prueba de hipótesis para la varianza de una población normal, a un nivel de significación α

Sean x1, x2,…, xn los valores experimentales de una muestra aleatoria X1, X2,…, Xn de la variable alea-
toria X con distribución normal, en la que E(Xi) = μ, V(Xi) = σ2 (i = 1, 2,…, n).
Posibles hipótesis
- Unilateral izquierda. H 0 : σ 2 = σ 02 H1 : σ 2 < σ 02
- Bilateral H 0 : σ 2 = σ 02 H1 : σ 2 ≠ σ 02
- Unilateral derecha H 0 : σ 2 = σ 02 H1 : σ 2 > σ 02
Estadístico de prueba y regiones críticas
∑ (X )
n
1 2
Si usamos como estadístico de prueba la desviación estándar muestral S 2 = −X ,
n −1
i
i =1
entonces las regiones críticas serán:
  σ 2 
- Unilateral izquierda. RC =  0, χ (2α ,n −1)  0  
  n −1 
  σ 02    2  σ 02  
- Bilateral RC =  0, χ 2α    ∪  χ α   , + ∞
( , n −1) n − 1
 2     (1− 2 ,n −1)  n − 1  
  σ2  
- Unilateral derecha RC =  χ (21−α ,n −1)  0 , + ∞ 
  n −1 
Si usamos como estadístico de prueba el estadístico χ 2 =

(n − 1)S 2 , entonces las regiones críti-
σ 02
cas serán:
- Unilateral izquierda. RC =  0, χ (2α , n −1) 
   2 
- Bilateral RC =  0, χ 2α  ∪  χ α , + ∞
( , n −1)
 2   (1− 2 ,n −1) 
- Unilateral derecha RC =  χ (12 −α ,n −1) , + ∞ 
Notas
Ejemplo 158
En una embotelladora la desviación estándar de la cantidad de líquido llenado debe ser menor que
0,1 onzas. El supervisor del control de calidad tomó una muestra de 12 botellas y encontró que la
cantidad de líquido llenado tenía una desviación estándar muestral de 0,07 onzas. Con un nivel de
significación del 10 %, ¿se puede afirmar que la desviación estándar de la cantidad de líquido llenado
es menor que 0,1 onzas? Asume que la cantidad de líquido en una variable normal.
Solución
Determinemos las hipótesis nula y alterna
σ2 = varianza de la cantidad de líquido llenado en las botellas (en onzas2)
H 0 : σ 2 = 0,12 (σ 02 = 0,12 = 0,01)
H 1 : σ 2 < 0,12
Determinemos la región crítica (RC)
n = 12 : s 2 = 0,07 2 = 0,0049 χ (2α ,n−1) = χ (20,10;11) = 5,5778
 σ2   0,12 
RC =  0, χ (2α , n −1) 0  =  0, 5,5778 ×  = ]0, 0,00507[
 n − 1   12 − 1 
Como s 2 = 0.0049 pertenece a la región crítica (RC) se rechaza H0 y se concluye que, a un nivel de
significación del 10%, la evidencia muestral indica que la desviación estándar del líquido llenado es
menor a 0,1 onzas.
Ejemplo 159
Según un fabricante, una máquina que embolsa arroz tiene una desviación estándar de 10 gramos.
Para confirmar dicha aseveración, se toma una muestra aleatoria de 51 bolsas y se encuentra una
desviación estándar de 11,89 gramos. A un nivel de significación del 5%, ¿puede afirmarse que la
desviación estándar es diferente a 10 gramos? Asuma que la cantidad de arroz embolsado es una
variable normal.
Notas
Ejercicios
115. Según un estudio tomar aspirina una vez por semana reduce el riesgo de contraer cáncer de
colon. Plantee las hipótesis e indique cuál de los dos errores tendría peor consecuencia si se
comete.
116. En un grupo de 10 billetes hay r billetes falsos. Una persona afirma que el número de billetes
falsos r es igual a dos y otra persona afirma que r es mayor a dos. Para probar dichas afirmacio-
nes se extraen dos billetes uno por uno con reemplazo y se rechaza la hipótesis nula si ambos
billetes son falsos. Calcule la probabilidad de cometer el error tipo I de la prueba. Calcule la pro-
babilidad de cometer el error tipo II cuando r es igual a tres.
117. El encargado de mantenimiento de una aerolínea de una compañía quiere probar si la cantidad
media de desgaste de un eje después de un recorrido fijo de millas de motores de combustión
interna, que llevan cobre y plomo como material antifricción es mayor a 3,50 cm. Para lo cual
midió el desgaste de ocho motores, resultando en una media muestral igual a 3,72 cm. y una
desviación muestral igual a 1,25 cm. Suponiendo distribución normal.
a. Haga esta prueba de hipótesis a un nivel de significación del 5%.
b. ¿Cuál es la probabilidad de cometer el error tipo II si realmente la media poblacional es igual
a 4 cm. y la desviación estándar es igual a 1,25 cm?
118. En un cultivo de alcachofa se trabaja con la variedad Imperial Star, cuyo rendimiento medio es
de 16,8 toneladas por hectárea con una desviación estándar es de 1,54 toneladas por hectárea.
Los fitotecnistas desean aumentar el rendimiento medio, para lo cual han usado un proceso de
selección. Para evaluar si la selección mejoró el rendimiento medio se plantaron 35 parcelas se-
leccionadas al azar y se obtuvo un rendimiento medio de 17,2 toneladas por hectárea.
a. A un nivel de significación del 5%, ¿puede afirmarse que el rendimiento medio au-
mentó?
b. Calcule e interprete la probabilidad de cometer el error tipo II si, con el procese de
selección el rendimiento medio es realmente 17 toneladas por hectárea.
119. El porcentaje deseado de dióxido de silicio SiO2 en cierto tipo de cemento aluminoso es 15%.
Para probar si el verdadero porcentaje medio es 15% para una planta de producción en particu-
lar, se analizarán 16 muestras obtenidas de manera independiente. Supongamos que el porcen-
taje de SiO2 en una muestra está normalmente distribuido con una desviación estándar de 2% y
se utiliza una prueba con un nivel de significación del 1%.
a. Si la porcentaje medio en las muestras es 16,1% ¿indica esto de manera concluyente que el
verdadero porcentaje medio difiere de 15%?
b. Si la verdadera media del porcentaje es µ= 17%, ¿cuál es la probabilidad de no rechazar H0
siendo falsa?
120. La ludopatía es un impulso irreprimible de jugar a pesar de ser consciente de sus consecuencias
y del deseo de detenerse. Un estudio en el Reino Unido, el British Gambling Prevalence Survey
2007, concluyó que el 0,6% de la población adulta tenía problemas con el juego. Un nuevo estu-
dio del 2009 afirma que dicho porcentaje ha subido, ya que se encontró una proporción mues-
tral de 0,78%, habiéndose encuestado a una muestra de 1450 personas. ¿Hay evidencia mues-
tral suficiente que indique que la proporción de ludópatas se habría incrementado? Use un nivel
de significación α=0,03.
Notas
121. En un estudio estadístico se informa que la media de los ingresos semanales en una población
de obreros es de más de 150 dólares. Para verificar esta afirmación se escogió una muestra
aleatoria de 50 obreros, cuyos ingresos semanales en dólares se dan en la siguiente tabla:
Ingresos 80 120 160 200 240

Obreros 8 10 20 7 5
Con un nivel de significación del 5%, ¿se debería rechazar la afirmación sobre la media de los in-
gresos semanales?
122. Una organización de defensa del consumidor afirma que más del 15% de los clientes de una
compañía que presta servicios de desratización necesita que se repita el proceso después del
período de garantía de 90 días. Para determinar la validez de esta afirmación, selecciona una
muestra aleatoria de 100 clientes y descubre que 22 necesitaron repetir el proceso después del
período de garantía de 90 días. Usando un nivel de significación del 5%, ¿hay evidencia estadís-
tica de que la afirmación sea válida?
123. El tiempo de vida de un equipo electrónico es una variable aleatoria exponencial. El fabricante
afirma que el tiempo de vida medio de este equipo electrónico es de más de 300 horas. Para
probar esta afirmación se toma una muestra aleatoria de tamaño 40. Si el nivel de significación
es del 5%, calcular la probabilidad de cometer el error tipo II, si la verdadera media es de 420
horas.
124. Un investigador afirma que el número medio de terremotos en el Japón al año es de 1 500, sin
embargo, otros investigadores afirman que esta cifra es demasiado alta. En los últimos 30 años
el número medio de terremotos por año en Japón fue de 1 479 con una desviación estándar de
50. A un nivel de significación del 2% ¿aceptaría la afirmación de que el número medio de te-
rremotos en el Japón al año es menor que 1 500?
125. La municipalidad de una ciudad afirma que el 65% de los accidentes automovilísticos son causa-
dos por el alcohol. Para contrastar la hipótesis, se toma una muestra de 70 accidentes automo-
vilísticos y se observa que 48 de ellos se deben al alcohol. Con un nivel de significación del 8%,
¿se acepta la afirmación de la municipalidad?
126. En el pasado, 42% de quienes se sometieron a un examen de auditoría contable aprobó esta
evaluación al primer intento. En la actualidad, el fácil acceso a los libros y cursos de preparación
para este examen parece haber mejorado la probabilidad de que una persona lo apruebe en el
primer intento. En una muestra de 250 aspirantes que rindieron el examen por primera vez el
día de hoy, 126 resultaron aprobados.
a) A un nivel de significación del 5%, ¿admitiría que la probabilidad de aprobar el examen al
primer intento ha mejorado?
b) Si el porcentaje de personas que aprueban el examen al primer intento es ahora 40%, calcule
e interprete la probabilidad de cometer el error tipo II.
Notas
Tablas estadísticas
Tabla de la distribución normal estándar
Área bajo la curva [P ( Z ≤ z ) = α ]
z -0,09 -0,08 -0,07 -0,06 -0,05 -0,04 -0,03 -0,02 -0,01 -0,00
-3,9 0,000033 0,000034 0,000036 0,000037 0,000039 0,000041 0,000042 0,000044 0,000046 0,000048
-3,8 0,000050 0,000052 0,000054 0,000057 0,000059 0,000062 0,000064 0,000067 0,000069 0,000072
-3,7 0,000075 0,000078 0,000082 0,000085 0,000088 0,000092 0,000096 0,000100 0,000104 0,000108
-3,6 0,000112 0,000117 0,000121 0,000126 0,000131 0,000136 0,000142 0,000147 0,000153 0,000159
-3,5 0,000165 0,000172 0,000178 0,000185 0,000193 0,000200 0,000208 0,000216 0,000224 0,000233
-3,4 0,000242 0,000251 0,000260 0,000270 0,000280 0,000291 0,000302 0,000313 0,000325 0,000337
-3,3 0,000349 0,000362 0,000376 0,000390 0,000404 0,000419 0,000434 0,000450 0,000466 0,000483
-3,2 0,000501 0,000519 0,000538 0,000557 0,000577 0,000598 0,000619 0,000641 0,000664 0,000687
-3,1 0,000711 0,000736 0,000762 0,000789 0,000816 0,000845 0,000874 0,000904 0,000935 0,000968
-3,0 0,001001 0,001035 0,001070 0,001107 0,001144 0,001183 0,001223 0,001264 0,001306 0,001350
-2,9 0,00139 0,00144 0,00149 0,00154 0,00159 0,00164 0,00169 0,00175 0,00181 0,00187
-2,8 0,00193 0,00199 0,00205 0,00212 0,00219 0,00226 0,00233 0,00240 0,00248 0,00256
-2,7 0,00264 0,00272 0,00280 0,00289 0,00298 0,00307 0,00317 0,00326 0,00336 0,00347
-2,6 0,00357 0,00368 0,00379 0,00391 0,00402 0,00415 0,00427 0,00440 0,00453 0,00466
-2,5 0,00480 0,00494 0,00508 0,00523 0,00539 0,00554 0,00570 0,00587 0,00604 0,00621
-2,4 0,00639 0,00657 0,00676 0,00695 0,00714 0,00734 0,00755 0,00776 0,00798 0,00820
-2,3 0,00842 0,00866 0,00889 0,00914 0,00939 0,00964 0,00990 0,01017 0,01044 0,01072
-2,2 0,01101 0,01130 0,01160 0,01191 0,01222 0,01255 0,01287 0,01321 0,01355 0,01390
-2,1 0,01426 0,01463 0,01500 0,01539 0,01578 0,01618 0,01659 0,01700 0,01743 0,01786
-2,0 0,01831 0,01876 0,01923 0,01970 0,02018 0,02068 0,02118 0,02169 0,02222 0,02275
-1,9 0,02330 0,02385 0,02442 0,02500 0,02559 0,02619 0,02680 0,02743 0,02807 0,02872
-1,8 0,02938 0,03005 0,03074 0,03144 0,03216 0,03288 0,03362 0,03438 0,03515 0,03593
-1,7 0,03673 0,03754 0,03836 0,03920 0,04006 0,04093 0,04182 0,04272 0,04363 0,04457
-1,6 0,04551 0,04648 0,04746 0,04846 0,04947 0,05050 0,05155 0,05262 0,05370 0,05480
-1,5 0,05592 0,05705 0,05821 0,05938 0,06057 0,06178 0,06301 0,06426 0,06552 0,06681
-1,4 0,06811 0,06944 0,07078 0,07215 0,07353 0,07493 0,07636 0,07780 0,07927 0,08076
-1,3 0,08226 0,08379 0,08534 0,08691 0,08851 0,09012 0,09176 0,09342 0,09510 0,09680
-1,2 0,09853 0,10027 0,10204 0,10383 0,10565 0,10749 0,10935 0,11123 0,11314 0,11507
-1,1 0,11702 0,11900 0,12100 0,12302 0,12507 0,12714 0,12924 0,13136 0,13350 0,13567
-1,0 0,13786 0,14007 0,14231 0,14457 0,14686 0,14917 0,15151 0,15386 0,15625 0,15866
-0,9 0,16109 0,16354 0,16602 0,16853 0,17106 0,17361 0,17619 0,17879 0,18141 0,18406
-0,8 0,18673 0,18943 0,19215 0,19489 0,19766 0,20045 0,20327 0,20611 0,20897 0,21186
-0,7 0,21476 0,21770 0,22065 0,22363 0,22663 0,22965 0,23270 0,23576 0,23885 0,24196
-0,6 0,24510 0,24825 0,25143 0,25463 0,25785 0,26109 0,26435 0,26763 0,27093 0,27425
-0,5 0,27760 0,28096 0,28434 0,28774 0,29116 0,29460 0,29806 0,30153 0,30503 0,30854
-0,4 0,31207 0,31561 0,31918 0,32276 0,32636 0,32997 0,33360 0,33724 0,34090 0,34458
-0,3 0,34827 0,35197 0,35569 0,35942 0,36317 0,36693 0,37070 0,37448 0,37828 0,38209
-0,2 0,38591 0,38974 0,39358 0,39743 0,40129 0,40517 0,40905 0,41294 0,41683 0,42074
-0,1 0,42465 0,42858 0,43251 0,43644 0,44038 0,44433 0,44828 0,45224 0,45620 0,46017
-0,0 0,46414 0,46812 0,47210 0,47608 0,48006 0,48405 0,48803 0,49202 0,49601 0,50000
Notas
Tabla de la distribución normal estándar
Área bajo la curva: [P ( Z ≤ z ) = α ]
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,998650 0,998694 0,998736 0,998777 0,998817 0,998856 0,998893 0,998930 0,998965 0,998999
3,1 0,999032 0,999065 0,999096 0,999126 0,999155 0,999184 0,999211 0,999238 0,999264 0,999289
3,2 0,999313 0,999336 0,999359 0,999381 0,999402 0,999423 0,999443 0,999462 0,999481 0,999499
3,3 0,999517 0,999534 0,999550 0,999566 0,999581 0,999596 0,999610 0,999624 0,999638 0,999651
3,4 0,999663 0,999675 0,999687 0,999698 0,999709 0,999720 0,999730 0,999740 0,999749 0,999758
3,5 0,999767 0,999776 0,999784 0,999792 0,999800 0,999807 0,999815 0,999822 0,999828 0,999835
3,6 0,999841 0,999847 0,999853 0,999858 0,999864 0,999869 0,999874 0,999879 0,999883 0,999888
3,7 0,999892 0,999896 0,999900 0,999904 0,999908 0,999912 0,999915 0,999918 0,999922 0,999925
3,8 0,999928 0,999931 0,999933 0,999936 0,999938 0,999941 0,999943 0,999946 0,999948 0,999950
3,9 0,999952 0,999954 0,999956 0,999958 0,999959 0,999961 0,999963 0,999964 0,999966 0,999967
Notas
Tabla de la distribución t-Student
Presenta los percentiles ϒ*100% de una v.a. T~ t-Student con υ grados de libertad: P T ≤ t γ = γ ( )
ϒ
υ 0,8 0,85 0,9 0,925 0,95 0,975 0,98 0,985 0,9875 0,99 0,9925 0,995
1 1,3764 1,9626 3,0777 4,1653 6,3138 12,7062 15,8945 21,2049 25,4517 31,8205 42,4335 63,6567
2 1,0607 1,3862 1,8856 2,2819 2,9200 4,3027 4,8487 5,6428 6,2053 6,9646 8,0728 9,9248
3 0,9785 1,2498 1,6377 1,9243 2,3534 3,1824 3,4819 3,8960 4,1765 4,5407 5,0473 5,8409
4 0,9410 1,1896 1,5332 1,7782 2,1318 2,7764 2,9985 3,2976 3,4954 3,7469 4,0880 4,6041
5 0,9195 1,1558 1,4759 1,6994 2,0150 2,5706 2,7565 3,0029 3,1634 3,3649 3,6338 4,0321
6 0,9057 1,1342 1,4398 1,6502 1,9432 2,4469 2,6122 2,8289 2,9687 3,1427 3,3723 3,7074
7 0,8960 1,1192 1,4149 1,6166 1,8946 2,3646 2,5168 2,7146 2,8412 2,9980 3,2032 3,4995
8 0,8889 1,1081 1,3968 1,5922 1,8595 2,3060 2,4490 2,6338 2,7515 2,8965 3,0851 3,3554
9 0,8834 1,0997 1,3830 1,5737 1,8331 2,2622 2,3984 2,5738 2,6850 2,8214 2,9982 3,2498
10 0,8791 1,0931 1,3722 1,5592 1,8125 2,2281 2,3593 2,5275 2,6338 2,7638 2,9316 3,1693
11 0,8755 1,0877 1,3634 1,5476 1,7959 2,2010 2,3281 2,4907 2,5931 2,7181 2,8789 3,1058
12 0,8726 1,0832 1,3562 1,5380 1,7823 2,1788 2,3027 2,4607 2,5600 2,6810 2,8363 3,0545
13 0,8702 1,0795 1,3502 1,5299 1,7709 2,1604 2,2816 2,4358 2,5326 2,6503 2,8010 3,0123
14 0,8681 1,0763 1,3450 1,5231 1,7613 2,1448 2,2638 2,4149 2,5096 2,6245 2,7714 2,9768
15 0,8662 1,0735 1,3406 1,5172 1,7531 2,1314 2,2485 2,3970 2,4899 2,6025 2,7462 2,9467
16 0,8647 1,0711 1,3368 1,5121 1,7459 2,1199 2,2354 2,3815 2,4729 2,5835 2,7245 2,9208
17 0,8633 1,0690 1,3334 1,5077 1,7396 2,1098 2,2238 2,3681 2,4581 2,5669 2,7056 2,8982
18 0,8620 1,0672 1,3304 1,5037 1,7341 2,1009 2,2137 2,3562 2,4450 2,5524 2,6889 2,8784
19 0,8610 1,0655 1,3277 1,5002 1,7291 2,0930 2,2047 2,3456 2,4334 2,5395 2,6742 2,8609
20 0,8600 1,0640 1,3253 1,4970 1,7247 2,0860 2,1967 2,3362 2,4231 2,5280 2,6611 2,8453
21 0,8591 1,0627 1,3232 1,4942 1,7207 2,0796 2,1894 2,3278 2,4138 2,5176 2,6493 2,8314
22 0,8583 1,0614 1,3212 1,4916 1,7171 2,0739 2,1829 2,3202 2,4055 2,5083 2,6387 2,8188
23 0,8575 1,0603 1,3195 1,4893 1,7139 2,0687 2,1770 2,3132 2,3979 2,4999 2,6290 2,8073
24 0,8569 1,0593 1,3178 1,4871 1,7109 2,0639 2,1715 2,3069 2,3909 2,4922 2,6203 2,7969
25 0,8562 1,0584 1,3163 1,4852 1,7081 2,0595 2,1666 2,3011 2,3846 2,4851 2,6122 2,7874
26 0,8557 1,0575 1,3150 1,4834 1,7056 2,0555 2,1620 2,2958 2,3788 2,4786 2,6049 2,7787
27 0,8551 1,0567 1,3137 1,4817 1,7033 2,0518 2,1578 2,2909 2,3734 2,4727 2,5981 2,7707
28 0,8546 1,0560 1,3125 1,4801 1,7011 2,0484 2,1539 2,2864 2,3685 2,4671 2,5918 2,7633
29 0,8542 1,0553 1,3114 1,4787 1,6991 2,0452 2,1503 2,2822 2,3638 2,4620 2,5860 2,7564
30 0,8538 1,0547 1,3104 1,4774 1,6973 2,0423 2,1470 2,2783 2,3596 2,4573 2,5806 2,7500
31 0,8534 1,0541 1,3095 1,4761 1,6955 2,0395 2,1438 2,2746 2,3556 2,4528 2,5755 2,7440
32 0,8530 1,0535 1,3086 1,4749 1,6939 2,0369 2,1409 2,2712 2,3518 2,4487 2,5708 2,7385
33 0,8526 1,0530 1,3077 1,4738 1,6924 2,0345 2,1382 2,2680 2,3483 2,4448 2,5664 2,7333
34 0,8523 1,0525 1,3070 1,4728 1,6909 2,0322 2,1356 2,2650 2,3451 2,4411 2,5623 2,7284
35 0,8520 1,0520 1,3062 1,4718 1,6896 2,0301 2,1332 2,2622 2,3420 2,4377 2,5584 2,7238
36 0,8517 1,0516 1,3055 1,4709 1,6883 2,0281 2,1309 2,2595 2,3391 2,4345 2,5547 2,7195
37 0,8514 1,0512 1,3049 1,4701 1,6871 2,0262 2,1287 2,2570 2,3363 2,4314 2,5513 2,7154
38 0,8512 1,0508 1,3042 1,4692 1,6860 2,0244 2,1267 2,2546 2,3337 2,4286 2,5480 2,7116
Notas
Tabla de la distribución t-Student
Presenta los percentiles ϒ*100% de una v.a. T~ t-Student con υ grados de libertad: P T ≤ t γ = γ ( )
γ
υ 0,800 0,850 0,900 0,925 0,950 0,975 0,980 0,985 0,9875 0,990 0,9925 0,995
39 0,8509 1,0504 1,3036 1,4685 1,6849 2,0227 2,1247 2,2524 2,3313 2,4258 2,5449 2,7079
40 0,8507 1,0500 1,3031 1,4677 1,6839 2,0211 2,1229 2,2503 2,3289 2,4233 2,5420 2,7045
41 0,8505 1,0497 1,3025 1,4670 1,6829 2,0195 2,1212 2,2482 2,3267 2,4208 2,5392 2,7012
42 0,8503 1,0494 1,3020 1,4664 1,6820 2,0181 2,1195 2,2463 2,3246 2,4185 2,5366 2,6981
43 0,8501 1,0491 1,3016 1,4657 1,6811 2,0167 2,1179 2,2445 2,3226 2,4163 2,5340 2,6951
44 0,8499 1,0488 1,3011 1,4651 1,6802 2,0154 2,1164 2,2427 2,3207 2,4141 2,5316 2,6923
45 0,8497 1,0485 1,3006 1,4645 1,6794 2,0141 2,1150 2,2411 2,3189 2,4121 2,5294 2,6896
46 0,8495 1,0483 1,3002 1,4640 1,6787 2,0129 2,1136 2,2395 2,3172 2,4102 2,5272 2,6870
47 0,8493 1,0480 1,2998 1,4635 1,6779 2,0117 2,1123 2,2380 2,3155 2,4083 2,5251 2,6846
48 0,8492 1,0478 1,2994 1,4629 1,6772 2,0106 2,1111 2,2365 2,3139 2,4066 2,5231 2,6822
49 0,8490 1,0475 1,2991 1,4625 1,6766 2,0096 2,1099 2,2351 2,3124 2,4049 2,5212 2,6800
50 0,8489 1,0473 1,2987 1,4620 1,6759 2,0086 2,1087 2,2338 2,3109 2,4033 2,5193 2,6778
51 0,8487 1,0471 1,2984 1,4615 1,6753 2,0076 2,1076 2,2325 2,3095 2,4017 2,5176 2,6757
52 0,8486 1,0469 1,2980 1,4611 1,6747 2,0066 2,1066 2,2313 2,3082 2,4002 2,5159 2,6737
53 0,8485 1,0467 1,2977 1,4607 1,6741 2,0057 2,1055 2,2301 2,3069 2,3988 2,5143 2,6718
54 0,8483 1,0465 1,2974 1,4603 1,6736 2,0049 2,1046 2,2289 2,3056 2,3974 2,5127 2,6700
55 0,8482 1,0463 1,2971 1,4599 1,6730 2,0040 2,1036 2,2278 2,3044 2,3961 2,5112 2,6682
56 0,8481 1,0461 1,2969 1,4596 1,6725 2,0032 2,1027 2,2268 2,3033 2,3948 2,5097 2,6665
57 0,8480 1,0459 1,2966 1,4592 1,6720 2,0025 2,1018 2,2258 2,3022 2,3936 2,5083 2,6649
58 0,8479 1,0458 1,2963 1,4589 1,6716 2,0017 2,1010 2,2248 2,3011 2,3924 2,5070 2,6633
59 0,8478 1,0456 1,2961 1,4585 1,6711 2,0010 2,1002 2,2238 2,3000 2,3912 2,5057 2,6618
60 0,8477 1,0455 1,2958 1,4582 1,6706 2,0003 2,0994 2,2229 2,2990 2,3901 2,5044 2,6603
70 0,8468 1,0442 1,2938 1,4555 1,6669 1,9944 2,0927 2,2152 2,2906 2,3808 2,4939 2,6479
80 0,8461 1,0432 1,2922 1,4535 1,6641 1,9901 2,0878 2,2095 2,2844 2,3739 2,4860 2,6387
90 0,8456 1,0424 1,2910 1,4519 1,6620 1,9867 2,0839 2,2050 2,2795 2,3685 2,4800 2,6316
100 0,8452 1,0418 1,2901 1,4507 1,6602 1,9840 2,0809 2,2015 2,2757 2,3642 2,4751 2,6259
110 0,8449 1,0413 1,2893 1,4497 1,6588 1,9818 2,0784 2,1986 2,2725 2,3607 2,4712 2,6213
120 0,8446 1,0409 1,2886 1,4488 1,6577 1,9799 2,0763 2,1962 2,2699 2,3578 2,4679 2,6174
130 0,8444 1,0406 1,2881 1,4481 1,6567 1,9784 2,0746 2,1942 2,2677 2,3554 2,4651 2,6142
140 0,8442 1,0403 1,2876 1,4475 1,6558 1,9771 2,0731 2,1924 2,2658 2,3533 2,4628 2,6114
150 0,8440 1,0400 1,2872 1,4469 1,6551 1,9759 2,0718 2,1909 2,2641 2,3515 2,4607 2,6090
160 0,8439 1,0398 1,2869 1,4465 1,6544 1,9749 2,0706 2,1896 2,2627 2,3499 2,4589 2,6069
170 0,8437 1,0396 1,2866 1,4461 1,6539 1,9740 2,0696 2,1885 2,2614 2,3485 2,4574 2,6051
180 0,8436 1,0394 1,2863 1,4457 1,6534 1,9732 2,0687 2,1874 2,2603 2,3472 2,4560 2,6034
190 0,8435 1,0393 1,2860 1,4454 1,6529 1,9725 2,0679 2,1865 2,2593 2,3461 2,4547 2,6020
200 0,8434 1,0391 1,2858 1,4451 1,6525 1,9719 2,0672 2,1857 2,2584 2,3451 2,4536 2,6006
Infinito 0,8416 1,0364 1,2816 1,4395 1,6449 1,9600 2,0538 2,1701 2,2414 2,3264 2,4324 2,5758
Notas
Tabla de la distribución Chi-cuadrado
Presenta los percentiles ϒ*100% de una v.a. χ2 ~ Chi-cuadrado con υ grados de libertad:
(
P χ 2
≤ χγ = γ
2
)
v
γ
0,005 0,01 0,02 0,025 0,04 0,05 0,1 0,2 0,3 0,4 0,5
1 0,000 0,000 0,001 0,001 0,003 0,004 0,016 0,064 0,148 0,275 0,455
2 0,010 0,020 0,040 0,051 0,082 0,103 0,211 0,446 0,713 1,022 1,386
3 0,072 0,115 0,185 0,216 0,300 0,352 0,584 1,005 1,424 1,869 2,366
4 0,207 0,297 0,429 0,484 0,627 0,711 1,064 1,649 2,195 2,753 3,357
5 0,412 0,554 0,752 0,831 1,031 1,145 1,610 2,343 3,000 3,655 4,351
6 0,676 0,872 1,134 1,237 1,492 1,635 2,204 3,070 3,828 4,570 5,348
7 0,989 1,239 1,564 1,690 1,997 2,167 2,833 3,822 4,671 5,493 6,346
8 1,344 1,646 2,032 2,180 2,537 2,733 3,490 4,594 5,527 6,423 7,344
9 1,735 2,088 2,532 2,700 3,105 3,325 4,168 5,380 6,393 7,357 8,343
10 2,156 2,558 3,059 3,247 3,697 3,940 4,865 6,179 7,267 8,295 9,342
11 2,603 3,053 3,609 3,816 4,309 4,575 5,578 6,989 8,148 9,237 10,341
12 3,074 3,571 4,178 4,404 4,939 5,226 6,304 7,807 9,034 10,182 11,340
13 3,565 4,107 4,765 5,009 5,584 5,892 7,042 8,634 9,926 11,129 12,340
14 4,075 4,660 5,368 5,629 6,243 6,571 7,790 9,467 10,821 12,078 13,339
15 4,601 5,229 5,985 6,262 6,914 7,261 8,547 10,307 11,721 13,030 14,339
16 5,142 5,812 6,614 6,908 7,596 7,962 9,312 11,152 12,624 13,983 15,338
17 5,697 6,408 7,255 7,564 8,288 8,672 10,085 12,002 13,531 14,937 16,338
18 6,265 7,015 7,906 8,231 8,989 9,390 10,865 12,857 14,440 15,893 17,338
19 6,844 7,633 8,567 8,907 9,698 10,117 11,651 13,716 15,352 16,850 18,338
20 7,434 8,260 9,237 9,591 10,415 10,851 12,443 14,578 16,266 17,809 19,337
21 8,034 8,897 9,915 10,283 11,140 11,591 13,240 15,445 17,182 18,768 20,337
22 8,643 9,542 10,600 10,982 11,870 12,338 14,041 16,314 18,101 19,729 21,337
23 9,260 10,196 11,293 11,689 12,607 13,091 14,848 17,187 19,021 20,690 22,337
24 9,886 10,856 11,992 12,401 13,350 13,848 15,659 18,062 19,943 21,652 23,337
25 10,520 11,524 12,697 13,120 14,098 14,611 16,473 18,940 20,867 22,616 24,337
26 11,160 12,198 13,409 13,844 14,851 15,379 17,292 19,820 21,792 23,579 25,336
27 11,808 12,879 14,125 14,573 15,609 16,151 18,114 20,703 22,719 24,544 26,336
28 12,461 13,565 14,847 15,308 16,371 16,928 18,939 21,588 23,647 25,509 27,336
29 13,121 14,256 15,574 16,047 17,138 17,708 19,768 22,475 24,577 26,475 28,336
30 13,787 14,953 16,306 16,791 17,908 18,493 20,599 23,364 25,508 27,442 29,336
31 14,458 15,655 17,042 17,539 18,683 19,281 21,434 24,255 26,440 28,409 30,336
40 20,707 22,164 23,838 24,433 25,799 26,509 29,051 32,345 34,872 37,134 39,335
50 27,991 29,707 31,664 32,357 33,943 34,764 37,689 41,449 44,313 46,864 49,335
60 35,534 37,485 39,699 40,482 42,266 43,188 46,459 50,641 53,809 56,620 59,335
70 43,275 45,442 47,893 48,758 50,724 51,739 55,329 59,898 63,346 66,396 69,334
80 51,172 53,540 56,213 57,153 59,290 60,391 64,278 69,207 72,915 76,188 79,334
90 59,196 61,754 64,635 65,647 67,944 69,126 73,291 78,558 82,511 85,993 89,334
100 83,852 86,923 90,367 91,573 94,303 95,705 100,624 106,806 111,419 115,465 119,334
Notas
Tabla de la distribución Chi-cuadrado
Presenta los percentiles ϒ*100% de una v.a. χ2 ~ Chi-cuadrado con υ grados de libertad:
(
P χ 2
)
≤ χγ = γ
2
v
γ
0,750 0,800 0,850 0,875 0,900 0,950 0,975 0,980 0,990 0,995
1 1,323 1,642 2,072 2,354 2,706 3,841 5,024 5,412 6,635 7,879
2 2,773 3,219 3,794 4,159 4,605 5,991 7,378 7,824 9,210 10,597
3 4,108 4,642 5,317 5,739 6,251 7,815 9,348 9,837 11,345 12,838
4 5,385 5,989 6,745 7,214 7,779 9,488 11,143 11,668 13,277 14,860
5 6,626 7,289 8,115 8,625 9,236 11,070 12,833 13,388 15,086 16,750
6 7,841 8,558 9,446 9,992 10,645 12,592 14,449 15,033 16,812 18,548
7 9,037 9,803 10,748 11,326 12,017 14,067 16,013 16,622 18,475 20,278
8 10,219 11,030 12,027 12,636 13,362 15,507 17,535 18,168 20,090 21,955
9 11,389 12,242 13,288 13,926 14,684 16,919 19,023 19,679 21,666 23,589
10 12,549 13,442 14,534 15,198 15,987 18,307 20,483 21,161 23,209 25,188
11 13,701 14,631 15,767 16,457 17,275 19,675 21,920 22,618 24,725 26,757
12 14,845 15,812 16,989 17,703 18,549 21,026 23,337 24,054 26,217 28,300
13 15,984 16,985 18,202 18,939 19,812 22,362 24,736 25,472 27,688 29,819
14 17,117 18,151 19,406 20,166 21,064 23,685 26,119 26,873 29,141 31,319
15 18,245 19,311 20,603 21,384 22,307 24,996 27,488 28,259 30,578 32,801
16 19,369 20,465 21,793 22,595 23,542 26,296 28,845 29,633 32,000 34,267
17 20,489 21,615 22,977 23,799 24,769 27,587 30,191 30,995 33,409 35,718
18 21,605 22,760 24,155 24,997 25,989 28,869 31,526 32,346 34,805 37,156
19 22,718 23,900 25,329 26,189 27,204 30,144 32,852 33,687 36,191 38,582
20 23,828 25,038 26,498 27,376 28,412 31,410 34,170 35,020 37,566 39,997
21 24,935 26,171 27,662 28,559 29,615 32,671 35,479 36,343 38,932 41,401
22 26,039 27,301 28,822 29,737 30,813 33,924 36,781 37,659 40,289 42,796
23 27,141 28,429 29,979 30,911 32,007 35,172 38,076 38,968 41,638 44,181
24 28,241 29,553 31,132 32,081 33,196 36,415 39,364 40,270 42,980 45,559
25 29,339 30,675 32,282 33,247 34,382 37,652 40,646 41,566 44,314 46,928
26 30,435 31,795 33,429 34,410 35,563 38,885 41,923 42,856 45,642 48,290
27 31,528 32,912 34,574 35,570 36,741 40,113 43,195 44,140 46,963 49,645
28 32,620 34,027 35,715 36,727 37,916 41,337 44,461 45,419 48,278 50,993
29 33,711 35,139 36,854 37,881 39,087 42,557 45,722 46,693 49,588 52,336
30 34,800 36,250 37,990 39,033 40,256 43,773 46,979 47,962 50,892 53,672
31 35,887 37,359 39,124 40,181 41,422 44,985 48,232 49,226 52,191 55,003
40 45,616 47,269 49,244 50,424 51,805 55,758 59,342 60,436 63,691 66,766
50 56,334 58,164 60,346 61,647 63,167 67,505 71,420 72,613 76,154 79,490
60 66,981 68,972 71,341 72,751 74,397 79,082 83,298 84,580 88,379 91,952
70 77,577 79,715 82,255 83,765 85,527 90,531 95,023 96,388 100,425 104,215
80 88,130 90,405 93,106 94,709 96,578 101,879 106,629 108,069 112,329 116,321
90 98,650 101,054 103,904 105,595 107,565 113,145 118,136 119,648 124,116 128,299
100 109,141 111,667 114,659 116,433 118,498 124,342 129,561 131,142 135,807 140,169
Notas

Estadística para Ingeniería: Variables Aleatorias

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Estadística para Ingeniería: Variables Aleatorias

Diunggah oleh

Hak Cipta:

Format Tersedia

Estadística para Ingeniería 89

Capítulo 3. Variables aleatorias y modelos o dis-

Rango de la variable aleatoria

Tipos de variable aleatoria

3.2. Variable aleatoria discreta

Función de probabilidad de una variable aleatoria discreta

a. Usar la información anterior para construir una distribución de probabilidades para X.

3.3. Variable aleatoria continua

Función de densidad de una variable aleatoria continua

P ( a ≤ X ≤ b) = P ( a ≤ X < b) = P ( a < X ≤ b) = P ( a < X < b)

3.4. Función de distribución acumulada de una variable aleatoria

Si X es una variable continua con función de densidad de probabilidad f(x)

La función de distribución acumulada de la variable aleatoria X es:

Determine y grafique la función de distribución acumulada de X.

d. Use la función de distribución acumulada para calcular la mediana de X. Interprete.

3.5. Esperanza y varianza de una variable aleatoria

Esperanza de una variable aleatoria

Si X es una variable aleatoria continua:

Determine k. Calcule e interprete el valor esperado de X.

Esperanza de una función de variable aleatoria

Sea G(X) una función de la variable aleatoria X.

E (G( X )) = ∑ G(x) f (x ) = ∑ G(x)P(X = x )

Si X es una variable aleatoria continua:

Si X es una variable aleatoria discreta, entonces:

La varianza de la variable aleatoria X también se denota por σ X2 .

Desviación estándar de una variable aleatoria

E ( a1 X 1 + a2 X 2 + ... + an X n ) = a1E ( X 1 ) + a2 E ( X 2 ) + ... + an E ( X n )

V ( a1 X 1 + a2 X 2 + ... + an X n ) = a12V ( X 1 ) + a22V ( X 2 ) + ... + an2V ( X n )

52. Sea X una variable aleatoria continua con función de densidad:

Un segundo ingeniero propone usar otro modelo dado por:

a. Determine c y la función de distribución acumulada de X, F(x).

59. Se ha observado que un termómetro sometido a condiciones meteorológicas adversas da una

3.6. Algunos modelos discretos importantes

Se denota X ~ B (n, p) y se lee X sigue una distribución binomial con parámetros n y p.

Se cumple que P ( X > x ) = (1 − p) x = q x ; x = 1, 2, 3,...

b. ¿Cuántas llamadas espera hacer el vendedor hasta conseguir su primera venta?

Distribución de Pascal o Binomial negativa

b. ¿Cuántos artículos se espera producir hasta el cuarto defectuoso?

b. ¿Cuál es la probabilidad de que sea necesaria una inspección de toda la caja?

d. Determine la función de probabilidad del número de mayólicas defectuosas en la muestra si las

b. ¿Cuál es la probabilidad de que en un minuto lleguen más de 20 señales a la estación receptora?

c. ¿Cuál es la probabilidad de que en cinco minutos lleguen menos de 80 señales a la estación?

3.7. Algunos modelos continuos importantes

b. Si el consumo de electricidad en la fábrica se considera independiente entre un mes y otro,

Distribución exponencial y distribución de Poisson

Además, se tiene que:

En el caso particular en que el parámetro α es un número natural positivo, se cumple que:

Si Xi ~ Exp(β ), Xi (i = 1, 2,…, α) independientes y sea S = X1 + X2 +… + Xα entonces S ~ Γ(α,β)

Si Xi ~ Γ(α, β) (i = 1, 2,…, n) son variables aleatorias independientes y sea S = X1 + X2 +… + Xn en-

Distribución Gamma y distribución de Poisson

Ejemplos de gráficas de distribuciones normales con diferentes medias y varianzas.

Distribución normal con m edia 15 y desviación estándar 0,5

Distribución norm al con media 15 y desviación estándar 1,8

Áreas bajo la curva normal

Propiedad de la distribución normal

Estandarización de una variable normal

La función de distribución acumulada de Z se denota: Φ ( z )

Cálculo de probabilidades para una variable normal

Sea X ~ N(μ, σ2), entonces:

a−µ X −µ b−µ a−µ b−µ 

Uso de la tabla de la distribución normal estándar

o Por ejemplo, usando la tabla podemos determinar que:

P(Z ≤ 0,24) = Φ (0,24) = 0,59483