Pgina 1 de 32

UNIDAD ACADMICA No. 03.

Nombre de la Unidad: Distribuciones de Probabilidad.
Introduccin:
Uno de los objetivos de la estadstica es la elaboracin de un modelo como una
expresin que describa todos los resultados de una muestra aleatoria y de esta
manera poder predecir el comportamiento en futuras repeticiones de un
experimento.

Objetivo General de la Unidad: Que el estudiante se apropie y maneje las
principales distribuciones de probabilidad para variable discreta y variable
continua.
Objetivos Especficos del Unidad:

- Manejar las distribuciones: Binomial , Hipergeometrica y Poisson.
- Comprender y aplicar las distribucin Normal , Uniforme y Exponencial
Negativa.

RESUMEN

En el presente capitulo se describirn modelos de probabilidad para variables
discretas y continuas adems de su aplicacin en ciencias e Ingenieria.


GLOSARIO
EXPERIMENTO: Cualquier proceso que genere resultados o datos bien
definidos.
MUESTRA ALEATORIA SIMPLE: Muestra tomada de tal manera que cada
muestra de tamao n tiene la misma probabilidad de ser seleccionada.
FUNCION DE PROBABILIDAD : Se llama funcin de probabilidad de una
variable aleatoria discreta X a la aplicacin que asocia a cada valor de xi de
la variable su probabilidad pi.
VARIABLE CONTINUA: Tericamente toma cualquier valor en un
intervalo dado


Pgina 2 de 32
Desarrollo temtico.
3.1 Distribucin Binomial.
2.1 Axiomas de Probabilidad
2.3Tcnicas de Conteo
2.4 Teorema de Bayes

3.1 Distribucin Binomial.

Esta distribucin de probabilidad para variable discreta ( valores enteros) tiene en
cuenta sucesos independientes y por ende el muestreo se realiza con reposicin
esto hace que la probabilidad se mantenga constante durante todo el
experimento , se trabaja para n ensayos con una probabilidad de xito p.

Modelo

( )
fracaso de obabilidad p q
exito de obabilidad p
ensayos de Numero n
aleatoria Variable n x
Donde
q p
x
n
p n x b
x n x
Pr : 1
Pr
:
.. ,......... 2 , 1 , 0 :
, ,
=
=
|
|
.
|

\
|
=


Ejemplo:

La probabilidad de que una persona fallezca debido a que sufre una enfermedad
catastrfica es de 0,75 , si tenemos un grupo de 5 personas que sufren de dicha
enfermedad determinar:

a) La probabilidad de que ninguno de los 5 fallezca.
b) La probabilidad de que los 5 fallezcan.
c) La probabilidad de que por lo menos 2 fallezcan.
d) La probabilidad de que por lo menos 2 no fallezcan.
e) Determinar la esperanza matemtica de que fallezcan y no fallezcan.
f) Calcular la desviacin estndar.

El primer paso es definir los valores que toma la variable aleatoria ( asignacin de
un real a cada elemento del espacio muestral), en este caso:

x= 0,1,2,3,4,5 donde 0 seria el suceso que ninguno muriera si p=0,75 y 5 seria el
evento que todos murieran.

Pgina 3 de 32
a)
( )
( ) 100.000 cada por 98 0,00097656 75 , 0 , 5 , 0
25 , 0 75 , 0
0
5
75 , 0 , 5 , 0
0 5 0
~ =
|
|
.
|

\
|
=

b
b


Es decir si tenemos 100.000 grupos de 5 personas que padezcan la
enfermedad nicamente en 98 de estos grupos ninguna de las cinco
personas morirn.

b)
( )
( ) 100 cada por 4 2 0,23730469 75 , 0 , 5 , 5
25 , 0 75 , 0
5
5
75 , 0 , 5 , 5
5 5 5
~ =
|
|
.
|

\
|
=

b
b


Es decir si tenemos 100 grupos de 5 personas que padezcan la
enfermedad en 24 de estos grupos las cinco personas morirn.

c)
( )
( )
( ) 98% 0,984375 75 , 0 , 5 , 2
0,23730469 0,39550781 0,26367188 0,08789063 75 , 0 , 5 , 2
25 , 0 75 , 0
5
75 , 0 , 5 , 2
5
2
5
~ = >
+ + + = >
|
|
.
|

\
|
= >

=

b
b
x
b
x
x x


d)
( )
( )
( ) % 7 3 0,3671875 25 , 0 , 5 , 2
0,00097656 0,01464844 0,08789063 0,26367188 25 , 0 , 5 , 2
75 , 0 25 , 0
5
25 , 0 , 5 , 2
5
2
5
~ = >
+ + + = >
|
|
.
|

\
|
= >

=

b
b
x
b
x
x x



Pgina 4 de 32
e)
( )
( )
( )
( )
( )
( )
( ) 25 , 1 25 , 0 * 5
*
75 , 3 25 , 0 * 5
*
75 , 3
0,23730469 * 5 0,39550781 * 4
0,26367188 * 3 0,08789063 * 2 0,01464844 * 1 0,00097656 * 0
*
0
= =
=
= =
=
=
+
+ + + =
=

=
X E
p n X E
Sobrevivan
X E
p n X E
Binomial la en Tambien
X E
X E
p x X E
Mueran
n
i
i i


f)
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( )
( )
( )
0,96824584
0,9375 25 , 0 * 75 , 0 * 5
* *
0,96824584
tan var
0,9375
0,23730469 * 75 , 3 5 0,39550781 * 75 , 3 4 0,26367188 * 75 , 3 3
0,08789063 * 75 , 3 2 0,01464844 * 75 , 3 1 0,00097656 * 75 , 3 0
*
:
2
2
2 2 2
2 2 2
0
2
=
= = =
=
=
= =
+ +
+ + + =
=

=
o
o
o
o
X V
q p n X V
Binomial la en Tambien
dart es desviacion la es ianza la de cuadrada raiz La
X V
X V
p X E x X V
por dada esta Varianza La
Mueran
n
i
i i


3.2 Distribucin Hipergeometrica.

Esta distribucin de probabilidad tambin para variable discreta ( valores enteros)
tiene en cuenta sucesos dependientes y por ende el muestreo se realiza sin
reposicin (muestreo de aceptacin),esto hace que la probabilidad cambie
durante el experimento.


Pgina 5 de 32

Tenemos


















Modelo

( )
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
=
n
N
x n
K N
x
K
K n N x h , , ,

Ejemplo:

En un recipiente que contiene 10 pastillas de vitaminas un traficante camufla 4
pastillas de igual apariencia con cocana si en un aeropuerto un polica de
aduanas revisa el recipiente y toma al azar 3 pldoras determinar:

a) La probabilidad de que no sea arrestado el traficante.
b) La probabilidad de que sea arrestado el traficante.
c) Determinar la esperanza matemtica de que sea arrestado.
d) Calcular la desviacin estndar.






N= Tamao de la Poblacin
K= xito en la Poblacin
N-K= Fracaso en la Poblacin
n= Tamao de Muestra
x= Variable Aleatoria
n-x

Pgina 6 de 32
La grafica para este problema es:





















a)
( ) 33% 0,32967033
3
14
3
10
0
4
4 , 3 , 14 , 0 ~ =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= h




b)
( )
( )
( )
( ) ( )
( ) 67% 0,67032967 0,32967033 1 4 , 3 , 14 , 1
4 , 3 , 14 , 0 1 4 , 3 , 14 , 1
Tambien
67% 0,67032967 4 , 3 , 14 , 1
0,01098901 0,16483516 0,49450549 4 , 3 , 14 , 1
3
14
3
10 4
4 , 3 , 14 , 1
3
1
~ = = >
= >
~ = >
+ + = >
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= >

=
h
h h
h
h
x x
h
x

N= 14 Pastillas
K= 4 Cocana
N-K= 10 vitaminas
n= 3 Tamao de Muestra
x= 0,1,2,3
3-x

Pgina 7 de 32
c)

( )
( )
( )
( )
( ) 0,85714286
14
4
3
*
0,85714286
0,01098901 * 3 0,16483516 * 2 0,49450549 * 1 0,32967033 * 0
*
0
= =
=
=
+ + + =
=

=
X E
N
K
n X E
trica Hipergeome la en Tambien
X E
X E
p x X E
arrestado Sea
n
i
i i

d)

( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( )
( )
( )
0,71975925
0,51805338
14
4
1 *
14
4
* 3 *
1 14
3 14
1 * * *
1
0,71975925
tan var
0,51805338
0,01098901 * 0,85714286 3 0,16483516 * 0,85714286 2
0,49450549 * 0,85714286 1 0,32967033 * 0,85714286 0
*
:
2
2
2
2 2
2 2
0
2
=
=
= |
.
|

\
|

=
|
.
|

\
|

=
=
= =
+ +
+ =
=

=
o
o
o
o
o
X V
N
K
N
K
n
N
n N
X V
trica Hipergeome la en Tambien
dart es desviacion la es ianza la de cuadrada raiz La
X V
X V
p X E x X V
por dada esta Varianza La
n
i
i i


3.3 Distribucin Poisson

En esta distribucin los experimentos que dan valores numricos de una variable
aleatoria x , el numero de resultados que ocurren durante un intervalo dado o en
una regin especifica se denomina experimentos de poisson . El intervalo puede
ser de cualquier longitud , minutos, das , semanas , aos etc.




Pgina 8 de 32
Modelo

( )
( )
( )
( )
2,71828183
:
.. ,......... 2 , 1 , 0 :
!
,
~ =
=

=

euler Numero e
media la para Periodo t
Media
aleatoria Variable x
Donde
x
e t
t x p
t
x

Ejemplo:

Un cajero de banco atiende en promedio tres personas por minuto , si la atencin
sigue un proceso de poisson determinar:

a) La probabilidad de que no atienda ninguna persona en un minuto.
b) La probabilidad de que atienda por lo menos 4 personas en un minuto.
c) La probabilidad de que atienda por lo menos 4 personas en dos minutos.

a)
( )
( )
( )
( )
2,71828183
, min 1
, 3 :
" " 0 :
5% 0,04978707
! 1
1 * 3
3 , 0
1 * 3
0
~ =
=
~ = =

euler Numero e
media la para Periodo uto t
Media personas
persona ninguna aleatoria Variable x
Donde
e
p

b)
( )
( )
( )
( )
( )
( )
( ) ( )
( ) 35% 0,35276811 3 , 4
0,22404181 0,22404181 0,14936121 0,04978707 1 3 , 4
!
1 * 3
1 3 , 4
!
1 * 3
3 , 4
3
0
1 * 3
4
1 * 3
~ = >
+ + + = >
= >
= >

x p
x p
x
e
x p
x
e
x p
x
x
x
x



Pgina 9 de 32
c)
( )
( )
( )
( )
( )
( )
( ) ( )
( ) % 5 8 0,84879612 3 , 4
0,08923508 0,04461754 0,01487251 0,00247875 1 3 , 4
!
2 * 3
1 3 , 4
!
2 * 3
2 , 3 , 4
3
0
2 * 3
4
2 * 3
~ = >
+ + + = >
= >
= = = >

x p
x p
x
e
x p
x
e
t x p
x
x
x
x

3.4 Distribucin Normal

La distribucin continua de probabilidad mas importante en estadstica es la
distribucin normal , describe muy bien en forma aproximada muchos fenmenos
que ocurren en la naturaleza , la industria y la investigacin . En 1733 Abraham
DeMoivre desarrollo la funcin de la curva normal . La distribucin normal se le
denomina a menudo distribucin gaussiana, en honor de Karl Fiedrich Gauss
(1777-18885) . Quien tambin derivo su ecuacin a partir de un estudio de errores
en mediciones repetidas de la misma cantidad.

Grafica




La funcin de distribucin es:


Pgina 10 de 32
( )
2
2
1
* * 2
1
|
.
|

\
|

=
o

o t
x
e x f

Para hallar la probabilidad tendremos que determinar el rea entre diferentes
valores de la variable aleatoria por medio de:

( )
}
|
.
|

\
|

= < <
b
a
x
dx e b x a P
2
2
1
* * 2
1
o

o t

El inconveniente es que esta integral no tiene una primitiva , motivo por el cual su
clculo debe realizarse por mtodos numricos y adems seria una tarea
dispendiosa establecer calculo para cada y segn el problema , por lo cual
se transforman las observaciones de cualquier variable aleatoria normal x a un
nuevo conjunto de observaciones de una variable aleatoria normal Z con media
cero y varianza uno.



Transformacin:


l Poblaciona dart Es Desviacion
l Poblaciona Media
Aleatoria Variable x
la de x esta que dart es es desviacion de N Z
Donde
x
Z
tan
" " " " tan
=
=
=
=

=
o

Pgina 11 de 32
Este valor de z es buscado en una tabla donde vienen reas asociadas a este
valor, y haciendo uso de los valores tabulados, se determina la probabilidad
requerida. La tabla que es usada para calcular las probabilidades es la que nos d
el rea que se muestra a continuacin:


Ejemplo

Un bombillo tiene una duracin distribuida normalmente con un promedio de 850
horas y una desviacin estndar de 70 horas , si tomamos un bombillo de la
produccin al azar determinar:

a) La probabilidad de que la duracin sea hasta 750 horas.
b) La probabilidad de que la duracin sea mayor de 890 horas.
c) La probabilidad de que la duracin sea entre 770 y 930 horas.
d) Con que duracin saldrn el 25% inferior de la produccin.
e) A partir de que duracin saldrn el 75% de la produccin.

Solucin:

a) ( ) ? 750 = < x P , es importante graficar la situacin:


Necesitamos calcular el rea desde - hasta 750, para lo cual realizamos la
transformacin:
43 , 1
70
850 750
~

= Z

Pgina 12 de 32
De lo que podemos afirmar que 750 est a -1,43 desviaciones estndar de 850 , si
graficamos , tendramos:


Nos vamos a la tabla y buscamos el valor del rea as:







Pgina 13 de 32


Es decir ( ) ( ) % 8 0764 , 0 43 , 1 750 ~ = < = < Z P x P , de cada 100 bombillos producidos
8 duraran menos de 750 horas.

b) ( ) ? 890 = > x P


Estandarizando

57 , 0
70
850 890
~

= Z
Nos vamos a la tabla y buscamos el valor del rea as:




Pgina 14 de 32
Esta es el rea de - hasta 0,57 como el rea solicitada es el complemento,
tendremos:


Es decir ( ) ( ) % 28 2813 , 0 0764 , 0 1 57 , 0 890 ~ = = > = > Z P x P , de cada 100 bombillos
producidos 28 duraran ms de 890 horas.


c) ( ) ? 930 770 = < < x P
Estandarizando
14 , 1
70
850 770
14 , 1
70
850 930
2
1
~

=
~

=
Z
Z


( ) ( ) % 75 7458 , 0 1271 , 0 8729 , 0 14 , 1 14 , 1 930 770 ~ = = < < = < < Z P x P
d) Este literal pregunta el valor de la variable aleatoria ( duracin) dada una
probabilidad ( Normal inversa) tendremos:
o
o

+ =

=
Z x
x Despejando
x
Z
" "
Por lo tanto buscamos el valor de Z para una probabilidad dada, grficamente:




Pgina 15 de 32
horas x
x
1 , 803
850 70 * 67 , 0
=
+ =

Introduccin:
Como se mencion en el captulo uno las nociones de poblacin y muestra son
parte fundamental en cualquier investigacin , en este capitulo se estudiaran de
manera mas amplia, en particular en el contexto del concepto de variables
aleatorias, destacando la importancia de conocer la distribucin muestral de un
estadgrafo ya que con esta se puede realizar el proceso de inferencia del
parmetro, dado que casi nunca es posible tomar todas las muestras de una
poblacin , conociendo la distribucin del estimador se puede hacer la inferencia
del mismo a partir de una sola muestra , de igual forma se puede estimar el error
para un tamao de muestra dado.

Objetivo General de la Unidad: En los anteriores captulos se estudiaron las
poblaciones y los parmetros que las describen. Estas poblaciones eran discretas
o continuas , y se uso la probabilidad como una herramienta para determinar que
tan probables podran ser ciertos resultados muestrales . En este capitulo, el
enfoque cambia ya que estudiaremos muestras y estadsticos que los describen.
Objetivos Especficos del Unidad:

- Manejar el concepto del teorema del limite central.
- Comprender y aplicar las distribuciones muestrales de medias , varianzas y
proporciones.
- Realizar estimaciones por intervalos para la media , proporcin y para la
varianza.

RESUMEN

En el presente capitulo se describirn las distribuciones mustrales de medias
y varianzas en variables cuantitativas, la distribucin muestral de proporciones
para variables cualitativas , con las anteriores bases realizar estimaciones por
intervalos y su aplicacin en ciencias e Ingeniera.


GLOSARIO
MUESTRA ALEATORIA DE TAMAO n : Es un conjunto de n individuos
tomado de tal manera que cada subconjunto de tamao n de la poblacin
tenga la misma probabilidad de ser elegido como muestra; es decir, si la

Pgina 16 de 32
poblacin tiene tamao N, cada una de las combinaciones posibles de n
elementos debe ser equiprobable.
PARAMETROS: Se llama parmetros poblacionales a cantidades que se
obtienen a partir de las observaciones de la variable y sus probabilidades y
que determinan perfectamente la distribucin de esta, as como las
caractersticas de la poblacin, por ejemplo: La media, , la varianza
2
, la
proporcin de determinados sucesos, P.

ESTADISTICO : Es una medida cuantitativa, derivada de un conjunto de
datos de una muestra, con el objetivo de estimar o inferir caractersticas de
una poblacin o modelo estadstico.

Desarrollo temtico.
4.1 Teorema del limite central.
4.2 Distribucin muestral de medias
4.3 Distribucin muestral de la varianza
4.4 Distribucin muestral de las proporciones

4.1 Teorema del limite central.
4.1.1. Error Muestral
Cuando se calcula un estadstico a partir de una muestra llmese media,
desviacin estandart o proporcin para estimar parmetros poblacionales siempre
conlleva algn error , por ejemplo supongamos que en un grupo de estadstica
tenemos 40 estudiantes (poblacin) y promediamos su estatura obtenindose
=1,68 m ( Parmetro poblacional) si elegimos una muestra aleatoria de 15
estudiantes y calculamos la media muestral de estaturas obtenindose
m x 72 , 1 = (Estadstico) ,observamos que existe una diferencia entre el parmetro y
el estadstico que denominamos error muestral

04 , 0 72 , 1 68 , 1 = = = x e

Ejemplo:

Suponga que la tabla siguiente muestra la antigedad en aos en el trabajo de
cuatro profesores universitarios de matemticas:

Pgina 17 de 32



Profesor de matemticas Antigedad
A 16
B 10
C 8
D 26


Suponga adems que se seleccionan muestras aleatorias de tamao 2 sin
reemplazo. Calcule la antigedad media para cada muestra, la media de la
distribucin muestral y el error estndar, o la desviacin estndar de la distribucin
muestral.

1) Se pueden tener
4
C
2
=6 muestras posibles. La tabla lista todas las muestras
posibles de tamao 2, con sus respectivas medias muestrales.
Muestras Antigedad Media Muestral
A,B (16,10) 13
A,C (16,8) 12
A,D (16,26) 21
B,C (10,8) 9
B,D (10,26) 18
D,C (8,26) 17


2) La media poblacional esta dada por:

15
4
26 8 10 16
=
+ + +
=

3) La media de la distribucin muestral es:

15
6
17 18 9 21 12 13
=
+ + + + +
=
x

Pgina 18 de 32
Con lo cual podemos deducir que :
x
=

La media poblacional es igual a la media de todas las medias muestrales.

4) La desviacin estandart de la poblacin esta dada por:

( )
N
x
n
i
i
=

=
1
2

o

En este caso:
( ) ( ) ( ) ( )
7
4
15 26 15 8 15 10 15 16
2 2 2 2
=
+ + +
= o

5) El error estndar o la desviacin estndar de la distribucin muestral es:

( ) ( ) ( ) ( ) ( ) ( )
4,0414519
6
15 17 15 18 15 9 15 21 15 12 15 13
2 2 2 2 2 2
=
+ + + + +
=
x
x
o
o


Si utilizamos la frmula del error estndar sin el factor de correccin por poblacin
finita tendramos que:
muestra la de tamao el es n Donde
n
x
" "
o
o =

Evaluando:
4,9497475
2
7
= =
x
o

Como se observa difiere de la desviacin estandart de las medias mustrales
calculada. Por lo anterior hay que aplicar el factor de correccin para poblacin
finita as:

Pgina 19 de 32
1

=
N
n N
n
x
o
o


Calculando
4,0414519
1 4
2 4
2
7
=

=
x
o

De lo cual concluimos que la desviacion estandart de las medias muestrales es
igual a la desviacion estandart poblacional sobre la raiz del tamao de las
muestras por el factor de correccion, en caso de ser poblaciones finitas.
4.1.2. Teorema del limite central
Si se seleccionan muestras aleatorias de tamao n de una poblacin con media
y desviacin estndar , entonces, si n es grande, la distribucin muestral
de medias tendr aproximadamente una distribucin normal con una media igual a
y una desviacin estndar de
n
x
o
o =
. La aproximacin ser cada vez
ms exacta a medida de que n sea cada vez mayor.

4.2. Distribucin Muestral de medias

Recordemos que en la distribucin normal la variable estandarizada nos permita
calcular la probabilidad de un evento dada una variable aleatoria mediante:

l Poblaciona dart Es Desviacion
l Poblaciona Media
Aleatoria Variable x
la de x esta que dart es es desviacion de N Z
Donde
x
Z
tan
" " " " tan
=
=
=
=

=
o

Pgina 20 de 32
Cuando se extraen muestras de tamao mayor a 30 o bien de cualquier tamao
de una poblacin normal, la distribucin muestral de medias tiene un
comportamiento aproximadamente normal, por lo que se puede utilizar la formula
de la distribucin normal con
x
=
y
n
x
o
o =
, entonces la frmula para
calcular la probabilidad del comportamiento del estadstico, en este caso la media
de la muestra , quedara de la siguiente manera:
muestra de Tamao n
l Poblaciona dart Es Desviacion
muestrales medias las de dart Es Desviacion
n
l Poblaciona Media
Muestral Media x
la de x esta que dart es es desviacion de N Z
Donde
x
Z
x
x
=
=
= =
=
=
=

=
tan
tan
" " " " tan
o
o
o

o



En general se utiliza:

n
x
Z
o

=

y para poblaciones finitas y muestro con reemplazo:

1

=
N
n N
n
x
Z
o

Ejemplo:

Una empresa elctrica fabrica 1000 focos diarios, que tienen una duracin que se
distribuye aproximadamente en forma normal, con media de 900 horas y
desviacin estndar de 50 horas. Encuentre la probabilidad de que una muestra
aleatoria de 20 focos tenga una vida promedio de:


Pgina 21 de 32
a) Menos de 890 horas
b) Mas de 920 horas
c) Entre 850 y 950 horas





Solucin:

a) Identificamos los elementos

N= 1000
=900
n= 20
= 50
( ) ? 890 = < x P

Grficamente:

Al estandarizar

89 , 0
1 1000
20 1000
20
50
900 890
=

= Z

Por lo tanto
( ) ( ) 89 , 0 890 < = < Z P x P
Que en la tabla de la distribucin normal:
( ) % 19 1894 , 0 89 , 0 ~ = < Z P

Pgina 22 de 32
Con lo que podemos concluir que hay una probabilidad del 19% de que en muestras de
tamao 20 el promedio de la muestra sea menor de 890 horas. En otras palabras si
tomamos 100 muestras de tamao 20 en 19 de estas muestras el promedio ser menor
de 890 horas.




b)
N= 1000
=900
n= 20
= 50
( ) ? 920 = > x P

Estandarizando

1,77
1 1000
20 1000
20
50
900 920
=

= Z

Por lo tanto
( ) ( ) 77 , 1 920 > = > Z P x P
Que en la tabla de la distribucin normal:
( ) % 4 0,0384 0,9616 1 77 , 1 ~ = = > Z P

c)
N= 1000
=900
n= 20
= 50
( ) ? 950 850 = < < x P

Estandarizando


Pgina 23 de 32
-4,43
1 1000
20 1000
20
50
900 850
=

= Z

4,43
1 1000
20 1000
20
50
900 950
=

= Z


Por lo tanto
( ) ( ) 43 , 4 43 , 4 950 850 < < = < < Z P x P
Que en la tabla de la distribucin normal:
( ) % 100 7 0,99999057 06 - 4,71165E 8 0,99999528 77 , 1 ~ = = > Z P

4.2.1. Distribucin Muestral para la diferencia de promedios
En la anterior distribucin el cientfico o ingeniero estaba interesado en apoyar una
conjetura de la media con una poblacin , sin embargo en muchas ocasiones el
inters puede ser en dos o mas poblaciones y las diferencias entre ellas , situacin
que podemos resumir asi : si se extraen al azar muestras independientes de
tamaos n
1
y n
2
de dos poblaciones discretas o continuas , con medias
poblacionales
1
y
2
y desviaciones estndar
1
y
2
respectivamente , entonces
la distribucin muestral para la diferencia de medias estar dada por:

( ) ( )
|
|
.
|

\
|
+

=
2
2
2
1
2
1
2 1
2 1
n n
x x
Z
o o


Ejemplo:
Dos tipos de pintura ofrecen un tiempo de secado promedio de 80 y 60 minutos
respectivamente con una desviacin estndar de 15 y 13 minutos , si tomamos
muestras aleatorias de tamaos 25 y 36 respectivamente .Encontrar la
probabilidad de que la media muestral calculada de las 25 mediciones exceda la
media muestral de Las 36 mediciones en por lo menos 10 minutos .

Pintura 1

1
=80
n
1
= 25

Pgina 24 de 32

1
= 15
Pintura 2

2
=60
n
2
= 36

2
= 13
( ) ( ) ? 10
2 1
= > x x P
( ) ( )
7 , 2
36
13
25
15
60 80 10
2 2
=
|
|
.
|

\
|
+

= Z

( ) ( ) ( ) 7 , 2 10
2 1
> = > Z P x x P

Grficamente


Que en la tabla de la distribucin normal:
( ) 99,7% 0,9965 0,0035 1 7 , 2 ~ = = > Z P



4.3. Distribucin Muestral de la Varianza

Si se extrae una muestra aleatoria de tamao n de una poblacin normal con
media , y varianza
2
,y se calcula la varianza muestral , se obtiene el valor del
estadstico s
2
que se utilizara para conocer la
2
, mediante una variable aleatoria
chi cuadrada con n-1 grados de libertad . Formalizando con el siguiente teorema:
si s
2
es la varianza de una muestra aleatoria de tamao n que se toma de una
poblacin normal que tiene varianza
2
entonces el estadstico :

Pgina 25 de 32

( )
2
2
2
1
o
_
s n
=


Tiene una distribucin chi cuadrado con 1 = n v , grados de libertad.


Ejemplo:

Un fabricante de bateras garantiza que su producto dura en promedio 2,5 aos
con una desviacin estandart de 0,8 aos . Si se toma una muestra aleatoria de 8
bateras y resulto que 8 , 2 = x y 2 , 1 = s Tiene razn el fabricante respecto a la
desviacin estndar poblacional?
1) Calculamos el estadstico

( )
15,75
8 , 0
2 , 1 * 1 8
2
2
2
=

= _


2) Si asumimos un 95% de probabilidad central es decir a la izquierda 0,025 y
a la derecha 0,975 , para la afirmacin del fabricante , debemos remitirnos a
la distribucin chi cuadrado con v=8-1 = 7 grados de libertad, los valores
crticos sern:


Pgina 26 de 32

Este ser el valor critico (1,690) a la izquierda , y a la derecha ( 16,013)



Pgina 27 de 32



Como el estadgrafo esta dentro de estos valores podemos afirmar con un 95% de
confianza que el fabricante tiene la razn en su afirmacin respecto a la varianza






Pgina 28 de 32
4.4. Distribucin Muestral de las Proporciones

Cuando se requiere investigar la proporcin de algn atributo en una muestra (
variables cualitativas). La distribucin muestral de proporciones es la adecuada
para dar respuesta a estas situaciones. Esta distribucin se genera de igual
manera que la distribucin muestral de medias, a excepcin de que al extraer las
muestras de la poblacin se calcula el estadstico proporcin (p=x/n en donde "x"
es el nmero de xitos u observaciones de inters y "n" el tamao de la muestra)
en lugar del estadstico promedio. La frmula que se utilizar para el clculo de
probabilidad en una distribucin muestral de proporciones est basada en la
aproximacin de la distribucin normal a la binomial . Esta frmula nos servir
para calcular la probabilidad del comportamiento de la proporcin en la muestra.

Muestra de Tamao n
P Q
l Poblaciona oporcion P
Muestral oporcion p
Donde
n
Q P
P p
Z
:
1
Pr :
Pr :
:
*
. .
.
. .
.
=

=

Si es una poblacin finita:

1
*


=
. .
.
N
n N
n
Q P
P p
Z


Ejemplo:

La proporcin de hogares en cierta cuidad que usa gas natural es del 45% , si se
toma una muestra aleatoria de 250 hogares determinar la probabilidad de que La
proporcin de la muestra de hogares con gas natural sea :
d) menor del 40%

Pgina 29 de 32
e) Mayor del 49%

a)
Solucin:
Datos:
n=250 Hogares
45 , 0 =
.
P
( ) ? 40 , 0 = < p P

Como se esta aproximando la binomial mediante la normal se debe restar el factor
de correccin
|
.
|

\
|
= '
n
p p
5 , 0

Por lo tanto la formula seria
n
Q P
P p
Z
. .
.
'
=
*

Evaluando:

65 , 1
250
) 45 , 0 1 ( * 45 , 0
45 , 0
250
5 , 0
4 , 0
=

|
|
.
|

\
|
|
.
|

\
|

= Z

( ) ( ) 65 , 1 40 , 0 < = < Z P p P
( ) 5% 0,0495 65 , 1 ~ = < Z P









Pgina 30 de 32
b)

Solucin:
Datos:
n=250 Hogares
45 , 0 =
.
P
( ) ? 49 , 0 = > p P

Como se esta aproximando la binomial mediante la normal se debe sumar el factor
de correccin
|
.
|

\
|
+ = '
n
p p
5 , 0

Por lo tanto la formula seria
n
Q P
P p
Z
. .
.
'
=
*

Evaluando:

1,33
250
) 45 , 0 1 ( * 45 , 0
45 , 0
250
5 , 0
49 , 0
=

|
|
.
|

\
|
|
.
|

\
|
+
= Z

( ) ( ) 33 , 1 49 , 0 > = > Z P p P
( ) 9% 0,0918 0,9082 1 33 , 1 ~ = = > Z P


4.4.1. Distribucin Muestral de Diferencia de Proporciones
Muchas aplicaciones involucran poblaciones de datos cualitativos que deben
compararse utilizando proporciones o porcentajes.


Pgina 31 de 32
El calculo de probabilidad del estadstico de diferencia de proporciones es:
( )
2
2 2
1
1 1
2 1
2 1
* *
n
q p
n
q p
P P p p
Z
+
|
.
|

\
|

=
. .

Ejemplo
Una encuesta de 380 trabajadores de cierta compaa que fueron despedidos
entre 1990 y 1999, encontr que 25% haban estado sin trabajo durante por lo
menos tres aos. Otra muestra aleatoria de 450 trabajadores de entre todos los
empleados despedidos entre 1990 y 1999 arrojo que el 20% haban estado sin
trabajo durante por lo menos tres aos . Cul sera la probabilidad de que su
porcentaje muestral de trabajadores sin empleo durante por lo menos tres aos,
difiera del porcentaje obtenido en la encuesta en 6% o ms?
En este ejemplo solamente contamos con una poblacin de la que se seleccionan
dos muestras por lo tanto:
2 1
. .
= P P
p
1
= 0.25
p
2
= 0.20
n
1
= 380 trabajadores
n
2
= 450 trabajadores
( ) ? 06 , 0
2 1
= > p p P
( ) ( )
1 , 2
450
8 , 0 * 2 , 0
380
75 , 0 * 25 , 0
0
2
450 380
5 , 0
06 , 0
=
+

|
|
|
|
.
|

\
|
|
|
|
|
.
|

\
|
+
+
= Z


Pgina 32 de 32
( ) ( ) 10 . 2 06 , 0
2 1
> = > Z P p p P
( ) 2% 0,0179 0,9821 1 10 . 2 ~ = = > Z P