Académique Documents
Professionnel Documents
Culture Documents
INGENIERIA
FACULTAD TECNOLOGA DE LA CONSTRUCCIN
CURSO PROPEDEUTICO
ESTADISTICA APLICADA
PROFESOR:
MSC. ELIAS MARTINEZ RAYO
1
ESTADISTICA DESCRIPTIVA
INTRODUCCIN
QUE ES LA ESTADSTICA?
Escribiendo de manera formal un poco ms acertada la definicin de Estadstica
podemos decir que:
Es un conjunto de tcnicas para la coleccin, organizacin, presentacin, manejo,
descripcin y anlisis de informacin, de manera que las conclusiones obtenidas de ellas
tengan un grado de confiabilidad especificado.
CONCEPTOS BSICOS
Estadstica Descriptiva:
Estudia los mtodos adecuados que nos conducen a recopilar, organizar, sintetizar y
describir una informacin (conjunto de datos) a travs de tablas, grficos y medidas
descriptivas.
Estadstica Inferencial:
Estudia los mtodos adecuados que nos conducen a tomar decisiones generales acerca de
una poblacin, utilizando los datos de una muestra, o sea: es la interpretacin y
generalizacin de los resultados obtenidos del estudio descriptivo.
Poblacin:
Una poblacin es el conjunto total de mediciones de inters en las que se estudia una
caracterstica dada. El tamao de las poblaciones es el nmero de elementos o mediciones
que contiene.
Por ejemplo. En un estudio sobre los costos de construccin, la poblacin puede
consistir en los precios unitarios de los materiales de construccin.
En un estudio socio-econmico, la poblacin puede consistir en el nmero de
personas que habitan en un municipio determinado.
En un estudio de control de calidad, la poblacin puede consistir en la valoracin
(numrica o cualitativa) de cada artculo que contiene un lote.
Muestra:
Es un subconjunto de la poblacin que contiene las mediciones obtenidas mediante un
experimento estadstico.
Los mtodos estadsticos proporcionan las tcnicas necesarias para el diseo de
experimentos o encuestas, y su procesamiento. Da los criterios para decidir el tamao
adecuado de una muestra, como obtener una muestra, como definir y probar hiptesis y
proporciona una medida de la bondad o confiabilidad de las inferencias.
VARIABLES:
Una variable se simboliza con letras maysculas del Alfabeto tal como X, Y, H, etc;
pueden tomar un conjunto prefijado de valores, llamado dominio de esa variable. Las
variables pueden ser cualitativas o cuantitativas.
2
Cuantitativas: Si la variable en estudio se puede expresar numricamente, entonces se
llama variable cuantitativa. Estas pueden ser discretas o continuas.
Ejemplos
Nmero de viviendas en una cuadra
Nmero de hijos por vivienda
Nmero de automviles que cruzaron un puente en una hora determinada.
CONTINUAS: cuando pueden asumir cualquier valor en una escala continua (real).
Ejemplos:
La carga mxima que soporta un cable
La vida til de una lmpara
El rea de una parcela
La distancia entre dos puntos.
Ejemplos
Sexo (masculino o femenino)
Estado civil (soltero o casado)
Departamento de origen (Managua, Len, Granada, etc.)
Nivel educativo (Pre-escolar, primaria, secundaria, ect.)
Ejemplos
Valoracin de un arbitro
Preferencias de un cliente
Cuando se trabaja con datos cualitativos es adecuado codificarlos para su posterior
procesamiento.
Por ejemplo, la variable sexo se puede codificar as:
0, si la persona es del sexo masculino
X=
3
DESCRIPCIN DE DATOS
Los datos estadsticos, obtenidos de experimentos, muestras o cualquier coleccin de
mediciones, comnmente son tantos que, para poder describirlos y analizarlos, requieren
ser reducidos a una forma ms adecuada. Comenzaremos con la presentacin de datos
agrupados en una tabla y posteriormente en forma de grficos.
Distribucin de Frecuencia
Es una ordenacin tabular de datos estadsticas que muestran cuantos elementos o que
parte de los estos estn en diferentes intervalos (clases o categoras) en los cuales se
agrupan los datos. La distribucin de frecuencia pueden ser distribuciones numricas o
cualitativas.
La tcnica que mostraremos a continuacin, es una tcnica que de antemano se debe dar
el nmero de clases. Lo haremos con un ejemplo.
Ejemplo 1
En una cooperativa de taxis de Managua se midi el consumo de gasolina,
obteniendo los kilmetros que hicieron 40 vehculos por galn de consumo. Los
resultados fueron los siguientes:
4
La TDF contiene la siguiente informacin, la cual se agrega en columnas a la
par de las clases:
-
La frecuencia, denotada por f, representa el nmero de datos que estn contenidos
en cada clase.
-
La frecuencia relativa, denotada por fr, definida como: fr = fi/n, donde i = 1 hasta
k, donde k representa a las clases y n es el total de datos.
-
El porcentaje de la frecuencia, denotada por %f, definida como:
%f = 100 fr.
-
La frecuencia acumulada, denotada por F, definida como: F = f i (i = 1 hasta k,
donde k representa a las clases).
-
El porciento de la frecuencia acumulada, denotada por %F, definida por:
-
%F = F n/100.
-
La marca de clase, denotada por X, definida como el punto medio de cada clase.
X = (Li + Ls) / 2.
-
Los limites reales, LIR = LI - u/2 y LSR = LS + u/2. Para los limites reales,
vamos a convenir que tienen esta forma: (LIR, LSR], abiertos por la izquierda y
cerrados por la derecha.
LI LS f Fr F %F X LIR LSR
38.4 39.4 3 0.075 3 0.075 38.9 38.35 39.45
39.5 40.5 2 0.05 5 0.125 40 39.45 40.55
40.6 41.6 3 0.075 8 0.2 41.1 40.55 41.65
41.7 42.7 3 0.075 12 0.275 42.2 41.65 42.75
42.8 43.8 5 0.125 17 0.4 43.3 42.75 43.85
43.9 44.9 17 0.425 33 0.825 44.4 43.85 44.95
45 46 7 0.175 40 1 45.5 44.95 46.05
5
Ejercicios
REPRESENTACIN GRFICA
REGLA DE LOS
La mayora de las graficas estadsticas se presentan en el plano cartesiano.
Para las dimensiones de las grficas, se acostumbra usar el criterio de los ; es decir,
que la altura mxima de la informacin que se presenta en el eje de las ordenadas, sea:
3/4 de la dimensin de la informacin que se presenta en el eje de las abcisas; o sea:
Y = (3/4) X.
HISTOGRAMA DE FRECUENCIAS
Un histograma de frecuencia consiste en una serie de rectngulos que tiene sus bases
sobre el eje horizontal (x), con centros en las marcas de clases y longitud igual al tamao
de los intervalos de clase. Las alturas sobre el eje vertical (y) son proporcionales a las
frecuencias de las clases.
POLIGONO DE FRECUENCIAS.
Es un grfico que une los puntos cuyas coordenadas corresponden a cada marca de clase
como abcisa y su frecuencia correspondiente como ordenada.
Es un grfica que muestra las frecuencias acumuladas para cada valor o clase.
6
La TDF es:
T. D. F.: Consumo de gasolina de taxis de una cooperativa de Managua
LI LS f F X LIR LSR
38.4 39.4 3 3 38.9 38.35 39.45
39.5 40.5 2 5 40 39.45 40.55
40.6 41.6 3 8 41.1 40.55 41.65
41.7 42.7 3 12 42.2 41.65 42.75
42.8 43.8 5 17 43.3 42.75 43.85
43.9 44.9 17 33 44.4 43.85 44.95
45 46 7 40 45.5 44.95 46.05
Histogram
18
15
12
9
6
3
0
38.35 39.45 40.55 41.65 42.75 43.85 44.95 46.05
Poligono
18
15
12
9
6
3
0
38.9 40 41.1 42.2 43.3 44.4 45.5
7
Ojiva
40
35
30
25
20
15
10
5
0
39.45 40.55 41.65 42.75 43.85 44.95 46.05
DIAGRAMA DE BARRAS.
Similares a los histogramas, las alturas de las barras representan las frecuencias de las
clases, pero no hay una escala horizontal continua.
DIAGRAMA DE BARRAS
5
FRECUENCIA
0
1 2 3 4 5 6
CLASES
DIAGRAMA CIRCULAR
8
DIAGRAMA CIRCULAR
13%
40%
20%
27%
Las medidas de tendencia central son la media aritmtica, la mediana y la moda, las
cuales calcularemos para datos agrupados y no agrupados.
Consideraremos que los datos estn agrupados, cuando estn representados en una
TDF.
MEDIA ARITMTICA
La media aritmtica, representa el valor promedio de los datos, se denota por:
X : media aritmtica para una muestra y como:
: media aritmtica para una poblacin.
Estaremos utilizando la notacin para una muestra, aunque los clculos son validos para
las medidas o parmetros poblacionales.
Para datos agrupados se calcula como:
k
f X
i 1
i i
X= ; donde: f: es la frecuencia absoluta,
n
X: es la marca de clase y
n: el nmero de observaciones.
Para datos no agrupados se calcula como:
n
x
i 1
x= ; donde: X: es cada observacin
n
n: el nmero de observaciones.
9
LA MEDIANA
Es un valor central que tiene la caracterstica de dividir en dos partes iguales las
observaciones. Un 50% de las observaciones son menores o iguales a la mediana y el
otro 50% mayor o igual, se denota por Me.
Para datos no agrupados: se ordenan los datos y se escoge el valor central del
conjunto datos; para esto se debe considerar cuando el nmero de datos es par o impar.
Si n es impar, entonces:
n 1
Me = Dato [ posicin ( )]
2
Ejemplo:
Sean los datos 3,4,4,5,6,7,,8,8,9,9,10. (n =11)
Me = Dato (6) = 7
Si n es par, entonces:
n n2
Dato [ posicin ( 2 )] Dato [ posicin( 2 )]
Me =
2
O sea: el promedio de los dos datos centrales.
Ejemplo: 3,4,4,5,6,7,8,8,9,9,10,11. (n =12)
LA MODA:
De una serie de datos es: el nmero que ocurre con mayor frecuencia, el que ms se
repite (datos no agrupados). Basta observar el nmero que ms se repite.
10
1
Mo = Li + . C ; donde
1 2
Li: Limite interior real del intervalo Modal.
1: Mayor frecuencia menos la inmediata anterior
2: Mayor frecuencia menos la inmediata posterior
C: Amplitud de Clases
Formas de la Distribucin:
-
Muchas distribuciones de variables continuas se pueden representar de manera grafica
mediante una curva en forma de campana.
-
Se dice que una distribucin es simtrica, si se puede doblar a lo largo de un eje
vertical de modo que los lados coincidan, en este caso la x, la Me y Mo coinciden, en el
punto de simetra.
Mo = Me = X
- Se dice que es Asimtrica positiva o Sesgada a la derecha si Mo< Me <
x.
Mo< Me < x
-
Se dice que Asimtrica Negativa o Sesgada a la izquierda, si x < Me <
Mo.
x<Me<Mo
11
MEDIDAS DE VARIABILIDAD:
Son medidas que expresan variabilidad o dispersin alrededor de un valor promedio. Una
vez localizado el centro de distribucin de un conjunto de datos nos vemos en la
necesidad de medir el grado en que se dispersan o diseminan los datos alrededor del valor
promedio.
Varianza
Expresa variabilidad al cuadrado de los datos alrededor del valor promedio se representa
por S2 (para una muestra) y como 2 (para una poblacin) y se obtiene:
S 2
n x2i f i ( xf i ) 2
S 2
( x x) 2
n( n 1) n 1
x: marca de clase x: datos
f: frecuencia x: media aritmtica
n: total de datos n: total de datos
La varianza es un valor no negativo.
Desviacin Estndar
Expresa variabilidad lineal de los datos alrededor del valor promedio. Es la raz
cuadrada de la varianza.
Se representa por: S, para una muestra
y como: , para una poblacin.
Se obtiene: tanto para datos agrupados como para no agrupados.
Coeficiente de Variacin
s
CV =
x
Se utiliza para comparar la variabilidad de dos o ms distribuciones, ser ms
representativa (menos variabilidad) la que tenga el CV ms pequeo.
LI LS f F X LIR LSR
38.4 39.4 3 3 38.9 38.35 39.45
39.5 40.5 2 5 40 39.45 40.55
40.6 41.6 3 8 41.1 40.55 41.65
41.7 42.7 3 12 42.2 41.65 42.75
42.8 43.8 5 17 43.3 42.75 43.85
43.9 44.9 17 33 44.4 43.85 44.95
45 46 7 40 45.5 44.95 46.05
12
Solucin:
Medidas de tendencia central
-
X = 1736..4/40 = 43.41.
Los taxis recorren en promedio 43.41 Km. por galn de gasolina.
-
Para le mediana se calcula primero: n/2 = 20, luego se observa en la columna de las
frecuencias acumuladas, cual es la primera clase que contiene a 20. En este caso es la
sexta clase, entonces:
Me = 43.85 + [(20 16) / 17] 1.1 = 44.3.
El 50% de los vehculos usados como taxis recorren menos de 44.3
Km. Por galn de gasolina.
-
Para la moda se ubica la clase que contiene a la moda, que es: la que tiene la
mayor frecuencia, en este caso la sexta.
Medidas de variabilidad
Para la varianza se obtienen los productos de las dos ltimas columnas de la tabla anterior
y sus respectivas sumas. Las unidades de la varianza son cuadradas.
-
S2 = [40 (75529.1) (1736.4)2] / (40*39) = 3.8968 (Km por galn)2 .
La variabilidad cuadrtica del kilometraje recorrido por los taxis alrededor de la
media es de 3.8968 (Km por galn)2.
-
La desviacin estndar se obtiene extrayendo la raz cuadrada a la varianza y sus
unidades son lineales, entonces:
S =1.974
La variabilidad lineal del kilometraje recorrido por los taxis es de 1.974 Km., alrededor de
la media.
-
Para el coeficiente de variacin, simplemente se divide la desviacin estndar
entre la media.
CV = 1.974/43.41 = 0.04547.
13
INTRODUCCION A LA TEORIA DE PROBABILIDAD.
INTRODUCCION
Cuando operamos con procesos fsicos, biolgicos y sociales que generan observaciones
que no es posible predecir con exactitud, entonces decimos que estamos ante eventos o
sucesos aleatorios. La frecuencia relativa con la cual, ocurren estos sucesos en una gran
cantidad de observaciones es a menudo estable. Esto nos da una idea intuitiva, pero
significativa de la probabilidad de ocurrencia de un evento aleatorio en una observacin
futura.
CONCEPTOS BASICOS
EXPERIMENTO ALEATORIO
Definicin
Un experimento aleatorio es un proceso con diversos resultados posibles que no se
conocen de antemano o que no pueden predecirse con certeza.
Ejemplos:
1) Lanzamiento de una moneda 10 veces. Cuntas caras caen?
2) Seleccionar una muestra de 1000 transistores de un cargamento de artculos
similares. Saldr ms de un transistor defectuoso?
3) Observar diariamente la temperatura en un cierto punto al medioda durante 90
das. En cuntos das pasa de 30 grados?
4) Evaluar un proyecto de investigacin y desarrollo. En seis meses saldr con xito
un nuevo producto?
ESPACIO MUESTRAL
Definicin
El conjunto de todos los resultados posibles de un experimento aleatorio se denomina
espacio muestral, lo denotaremos con la letra S.
Ejemplos:
Consideremos los siguientes experimentos
1) Lanzamiento de una moneda, el espacio muestral es:
S = {C, S}, donde: C: cara; S: sol.
2) Lanzamiento de una moneda dos veces, el espacio muestral es:
S = {CC, CS, SC, SS}
3) Lanzamiento de una moneda tres veces, el espacio muestral es:
Nota: En experimentos repetidos, como el anterior, hay una frmula que nos permite
saber cuntos elementos tiene el espacio muestral, la cual se puede expresar como:
Xn : numero de resultados posibles del experimento repetido, donde
X: resultados posibles del experimento
n: veces que se repite el experimento.
14
Si la moneda se lanzara cinco veces, entonces el total de posibles resultados de este
experimento seria: 25 = 16
Nota: Esta frmula nos permite conocer el # de elementos del espacio muestral,
pero no los elementos.
EVENTO
Definicin
Un subconjunto del espacio muestral se denomina evento o suceso, los denotaremos con
letras maysculas. A, B, C, etc. denotarn sucesos.
Ejemplo
En el lanzamiento de un dado, S = {1, 2, 3, 4, 5, 6}
Algunos sucesos son:
A: "El nmero que muestra la cara superior es a lo ms cuatro" A = {1, 2, 3, 4}
B: " El nmero que muestra la cara superior es exactamente seis" B = {6}
C: " El nmero que muestra la cara superior es impar" C = {1, 3, 5}
D: " El nmero que muestra la cara superior es un nmero menor que 7.
(D = S).
E: " El nmero que muestra la cara superior es un nmero mayor que 8.
(E = ).
A los eventos D y E se le denominan evento seguro y evento imposible respectivamente.
a) Unin:
El suceso A B ocurre, si ocurre el suceso A u ocurre el suceso B o bien
ocurren mbos.
La unin de sucesos tiene las siguientes propiedades:
i) A U A = A,
ii) A U B = B U A,
iii) A U = A ,
iv) A U S = S,
v) Si A < B, A U B = B
b) Interseccin:
El suceso A B ocurre, si ocurren A y B simultneamente.
La interseccin de eventos tiene las siguientes propiedades:
i) A B = B A,
j) ii) A A = A,
k) iii) A S = A,
l) iv) A = ,
m) v) Si A < B, A B = A
15
Nota: Dos eventos A y B son disjuntos o mutuamente excluyentes, si no pueden
ocurrir ambos de manera simultnea, es decir, su interseccin es el suceso imposible. (A
B = )
c) Complemento:
Se dice que ocurre el suceso Ac, si no ocurre el suceso A.
El complemento de un suceso tiene las siguientes propiedades:
i) (Ac)c = A,
ii) ii) A U Ac = S,
iii) iii) A Ac = ,
iv) iv) c = S,
v) v) Sc =
d) Diferencia
El suceso A B ocurre, si ocurre A y no ocurre B.
La diferencia tiene las siguientes propiedades
a) A B = A Bc
b) A B B A
c) A Ac =
d) Ac = S A.
Adems, existen otras propiedades:
i) A ( B C) = (A B) (A C)
ii) A ( B C ) = (A B) (A C)
iii) (A B ) c = Ac Bc (ley de Morgan)
iv) ( A B)c = Ac Bc (ley de Morgan)
EJEMPLO.
Un comerciante de automviles usados tiene dos PINOLEROS 1976 en su lote y estamos
interesados en saber cuntos de ellos vendern dos vendedores en una semana dada.
Puede ocurrir que los vendedores en esa semana vendan 0, 1 2 automviles, por lo
tanto, sea x: la cantidad vendida por el primer vendedor, y: la cantidad vendida por el
segundo vendedor, as: S = {(x, y) 0 x 2, 0 y 2}
PROBABILIDAD
16
ENFOQUE CLSICO
Definicin
Si un suceso A puede ocurrir de n maneras diferentes, de un total de N maneras posibles,
todas igualmente probables entonces:
Definicin
Si despus de N repeticiones de un experimento, donde N es muy grande, un
suceso A ocurre n veces, entonces:
n
P(A)
N
Como se pudo observar ambos enfoques presentan debilidades. Una forma de superar
estos aspectos es introducir un enfoque matemtico del concepto de probabilidades,
mediante axiomas y teoremas consistentes.
POBABILIDAD MATEMATICA
AXIOMAS DE PROBABILIDAD.
Sea E un experimento aleatorio y S el espacio muestral asociado a dicho experimento. A
cada suceso A < S se le asigna un nmero real P(A) denominado la probabilidad de que
el suceso A ocurra. Este nmero debe cumplir los siguientes axiomas:
a) Para cualquier suceso A, P(A) 0
b) P(S) = 1
c) Para cualquier sucesin infinita de sucesos disjuntos (o mutuamente
excluyentes) A1, A2, A3,.... + , se cumple que:
P (A1 U A2 U) = P (A1) + P (A2) +; O de manera compacta
P ( Ai) = P (Ai)
i=1 i=1
TEOREMAS DE PROBABILIDAD.
Teorema 1. P() = 0
Teorema 2. Para cualquier sucesin finita de n sucesos disjuntos, A 1 , A2, ... , An
n n
P ( Ai ) = P(Ai)
i=1 i=1
Teorema 3. Para cualquier suceso A, P(Ac) = 1 P(A)
17
Teorema 4. Para cualquier suceso A, 0 P(A) 1
Teorema 5. Si A < B, P(A) P(B)
Teorema 6. Para dos sucesos cualesquiera A y B,
P(A B) = P(A) + P(B) - P(A B).
EJEMPLOS.
1. Se selecciona una bola de una urna que contiene bolas rojas, blancas, azules
amarillas y verdes. Si la probabilidad de seleccionar una bola roja es 1/5 y la de
seleccionar una blanca es 2/5, cul es la probabilidad de seleccionar una bola azul,
amarilla o verde?
SOLUCION:
Sea A: la bola seleccionada es roja, B: la bola seleccionada es blanca, C: la bola
seleccionada es azul D: la bola seleccionada es amarilla E: la bola seleccionada es
verde
3. En una empresa que tiene 500 empleados, 200 estn en un Curso de control de
calidad, 400 en diseo de experimentos y 200 en ambos cursos, calcular la
probabilidad de que al seleccionar un empleado al azar:
a) est al menos en un curso,
b) no est en ninguno de los cursos
SOLUCION:
Sea A: "el empleado est en el curso de control de calidad
B: "el empleado est en el curso de diseo de experimentos"
a) Como son 400 empleados los que estn en el curso de diseo de experimentos,
200 estn en control y 200 estn en ambos cursos, A es un subconjunto de B
(prubelo usando diagramas de Venn), as, A U B = B y por lo tanto, P( A U B)
= P(B) = 400/ 500 = 0.8
18
b) Se pide que el empleado no est en ninguno de los cursos, o sea que no ocurra A
ni ocurra B, o sea, P(Ac Bc ) = P(A U B)c = 1 P(A U B) =
1 0.8 = 0.2
TECNICAS DE CONTEO.
REGLA MULTIPLICATIVA
Si una operacin puede efectuarse de n1 maneras diferentes, y si para cada una de stos
resultados se puede efectuar una segunda operacin de n2 maneras diferentes, y si para
cada pareja de resultados de las operaciones anteriores se puede efectuar una tercera
operacin de n3, maneras diferentes..., y finalmente una k-sima operacin puede
efectuarse de nk maneras diferentes, todas la k operaciones pueden realizarse en el
orden especificado en:
N = n1 n2 .... nk maneras diferentes.
Ejemplo
Considere un experimento que consiste en lanzar una moneda equilibrada dos veces y un
dado equilibrado.
n1 = 2 (posibilidades de primer moneda)
n2 = 2 (posibilidades de segunda moneda)
n3 = 6 (posibilidades del dado)
PERMUTACIONES
El nmero de maneras en que se pueden ordenar k objetos de un total de n objetos, se
denota: nPk , sin repeticin se define como:
nPk = n (n 1) (n 2) ... (n k + 1).
Ejemplo.
Cuantos nmeros de tres cifras, sin repetir; se pueden obtener con los dgitos:
1, 2, 3, 4, y 5.
Solucin:
El total de nmeros es: 5P3 = 5!/2! = 60
Teorema.
El numero de permutaciones de n objetos de los cuales n1 son de un tipo, n2 son de un
segundo tipo, y nk son de un k-simo tipo son:
N = n! / (n1! n2! n3!... nk!)
19
Ejemplo.
Si en un grupo de 8 estudiantes de la UNI, tres son civil, dos de elctrica, dos de qumica
y uno de arquitectura y se desean ordenar de tal forma que los de la misma carrera estn
juntos, de cuantas maneras diferentes se puede hacer eso?
Solucin:
n=8
n1 = 3
n2 = 2
n3 = 2
n4 = 1
N = 8! / (3! *2!* 2!*1!) = 1680.
COMBINACIONES
El nmero de maneras de seleccionar k objetos de un total de n objetos, se denota
como: nCk , (el orden es irrelevante), es:
nCk = n!/ k! (n k)!
Ejemplo
Se van elegir al azar cuatro estudiantes de un grupo formado por tres estudiantes no
graduados y cinco estudiantes graduados, para ocupar ciertos puestos en el Consejo
Estudiantil.
El total de formas en que se pueden seleccionar es: 8C4 = 8! / 4!(4!) =70 (El orden de
eleccin no interesa)
Otros Ejemplos:
20
Teorema.
n n!
= -------------------------
n1!, n2!, n3!,..., np! n1! n2! n3!... nk!
Ejemplo.
Siete estudiantes de la UNI (Recinto Simn Bolvar) van a una reunin al Recinto Pedro
Araz Palacios en tres vehculos de las autoridades universitarias, en los cuales caben tres
en un vehculo y dos en los restantes vehculos, de cuantas formas pueden viajar a dicha
reunin?
Solucin:
7 7!
= --------- = 210.
3, 2 ,2 3! 2! 2
Ejemplo.
Considere el experimento en el cual, una moneda y un dado se lanzan simultneamente.
Sea A: obtener una cara en el lanzamiento de la moneda y sea el suceso B: obtener 1
2 al lanzar el dado.
Solucin:
De esta forma P(A) = , P(B) = 1/3, P(A B) = 1/6, ya que hay 12 resultadosposibles
del experimento y dos posibilidades en los sucesos: (C,1) y (C,2).
(Haciendo un diagrama de rbol se aprecian muy bien estos resultados).
De esta forma observe P(A B) = P(A) P(B).
Teorema
Si A y B son dos sucesos independientes, entonces, tambin lo son:
A y Bc, Ac y Bc.
21
Independencia de varios sucesos:
Ejemplo.
Suponga que dos mquinas 1 y 2 de una fbrica funcionan independientemente una de
otra. Sea A el suceso que la mquina 1 se estropee durante un perodo de 8 horas y sea
B el suceso que la mquina 2 se estropee en el mismo perodo, adems, suponga que
P(A) = 1/3 y P(B) = 1/4. Determinar la probabilidad de que al menos una de las mquinas
se estropee durante ese perodo.
Solucion:
Se desea encontrar P(A U B), como A y B son independientes,
P(A B ) = P(A) P(B) = (1/3) (1/4) = 1/12 ; As ,
P(A U B) = 1/3 + 1/4 - 1/12 = 0.5
PROBABILIDAD CONDICIONAL.
Definicin
La probabilidad de A dado B esta dada por:
P (A B)
P(A B) = --------------, P(B) 0
P(B)
22
De igual manera se define:
P(B A)
P( B A) = --------------, P(A) 0
P(A)
EJEMPLOS.
1) Supngase que se han lanzado dos dados y se ha observado que la Suma T de los
nmeros ha sido impar. Determinar la probabilidad de que T haya sido menor que
ocho.
Solucion:
El espacio muestral S consta de 36 posibilidades, por la regla multiplicativa, 6
posibilidades del primero y 6 del segundo.
Sea A = { T < 8 } y B = { T es impar }, se desea calcular P(A B ).
Obsrvese que A B = { 3, 5, 7}, por lo que P( A B) = 2 /36 + 4 /36 + 6 /36 =
1/3
As, P(A B ) = 1/3 / 1/2 = 2/3
Solucion:
Repetir el experimento hasta que se obtenga T = 7 T = 8 implica que los resultados
del experimento quedan reducido a estos valores. Sea A = {T=7} y B = {T=7 T =
8}, de esta forma A B = A, y
P(A B) = P(A) / P(B) = (6/36) / (6/36 + 5/36) = 6/11
Notas:
Si dos sucesos A y B son:
a) mutuamente excluyentes, entonces: P(AB) = 0
b) independientes, entonces: P(AB) = P(A)
Teorema.
Sean A1, A2, ... , An sucesos que verifican que P(A1 A2 ... An - 1 ) > 0. Entonces:
P(A1 A2 ... An ) = P(A1) P(A2 A1) ... P(An A1 A2 ... An 1)
23
EJEMPLO.
SOLUCION:
Sean los sucesos, A: "el primer baln extrado es rojo" y B: "el segundo baln extrado
es azul". Se desea encontrar P( A B)
Las probabilidades a utilizarse son las siguientes: P(A) = r/ (r + b) y
P(BA) = b/(r + b - 1).
Luego, P(A B) = P(A) P(BA) = (r/(r + b) ) ( b/(r + b - 1)
= r b / (r + b) (r + b - 1)
A1 A2
B
A3 Particin del espacio muestral con cinco
A5 A4 eventos Mutuamente excluyentes
Si los k sucesos A1, ... , Ak constituyen una particin de S y B es cualquier otro suceso en
S, los sucesos A1 B, A2 B, ... , Ak B, constituyen una particin de B y por lo tanto
B = (A1 B) ( A2 B) ... (Ak B) .
Adems, puesto que los k sucesos del lado derecho de la expresin anterior son disjuntos,
entonces:
k k
P(B) = P(Aj B) = P(Aj ) P( BAj ) , con P(Aj ) > 0.
j=1 j=1
EJEMPLO.
Dos cajas contienen cerraduras grandes y cerraduras pequeas. Supongamos que una
caja contiene 60 cerraduras grandes y 40 pequeas y que la otra caja contiene 10 grandes
y 20 pequeas. Suponga que tambin se selecciona una caja al azar y que se extrae una
cerradura aleatoriamente de la misma. Determinar la probabilidad de que esta cerradura
sea grande.
24
Solucion:
Sean: A1: "la caja seleccionada es la primera",
A2: "la caja seleccionada es la segunda, estos eventos son los de la particin,
y B: "la cerradura seleccionada es grande
Entonces, P(A1) = P(A2) = 1/2. Se debe determinar P(B). Se conoce adems que:
P(BA1) = 60/ 100 = 3/5 y P(B A2 ) = 10/ 30 = 1/3
De esta forma P(B) = (1/2) (3/5) + (1/2) (1/3) = 14/ 10 = 7/5
P( A) P B j
A
P A B j n
P( A) P B
i 1
i
A
EJEMPLO.
Para la fabricacin de un gran lote de artculos similares se utilizaron tres mquinas M1, M2
y M3 . Suponga que el 20% de los artculos fueron fabricados por la mquina M 1, el 30%
por la mquina M2 y el 50% por la mquina M3. Suponga adems que el 1% de los
artculos fabricados por la mquina M1 son defectuosos, el 2% de los fabricados por la
mquina M2 son defectuosos y el 3% de los artculos fabricados por la mquina M 3 son
defectuosos. Por ltimo, supngase que se selecciona al azar uno de los artculos del lote
y que resulta ser defectuoso. Determinar la probabilidad de que este artculo haya sido
fabricado por la mquina M2.
Solucion:
Sean: B: "el artculo seleccionado fue defectuoso
A1 : El artculo seleccionado fue fabricado por la mquina 1
A2 : El artculo seleccionado fue fabricado por la mquina 2
A3 : El artculo seleccionado fue fabricado por la mquina 3
Se desea encontrar P (A2 B). Se conoce que:
P(A1) = 0.2, P(A2) = 0.3, P(A3) = 0.5 y adems:
P(BA1) = 0.01, P(B A2) = 0.02 y P(BA3) = 0.03
P(A2 B) = [ (0.3) (0.02)] / [ (0.2) (0.01) + (0.3) (0.02) + (0.5) (0.03)] = 0.26
25
Nota: La probabilidad P(Ai) se denomina usualmente probabilidad inicial del suceso Ai
antes de haber ocurrido el suceso B y P(AiB) se denomina probabilidad final despus
de que ocurri el suceso B.
PROBLEMAS RESUELTOS.
SOLUCION:
Caja I Caja II
4 st 3 st
5 no st 7 no st
26
Solucin:
a) El numero de maneras de escoger a los dos aspirantes es 5 C 2 = 10
Sea A: el gerente escoge dos excelentes, P(A) = 2 C 2 / 10 = 1 /10
(2C 2 + ( 2 C 1 ) ( 3 C 1)
P(B) = = 7/ 10
10
Solucion:
27
A: la suma de los nmeros de las bolas es 5 = { (1,4), (2,3), (3.2), (4,1)} y
Bi: la primera bola seleccionada tiene el nmero i.
Calcular: a) P(A Bi)
b) P(BiA)
Solucion:
a) Si el primer nmero es i, slo hay tres posibilidades para el otro, solo en
una de estas Posibilidades la suma es 5, por tanto, P(A Bi ) = 1 / 3
P( B j A) P( B j ) P A B j (1 / 4)(1 / 3) 1
P B j
A
P( A) P( A) (4 / 12) 4
28
Entonces: P(A) = P(Bi) P(A Bi)
= (0.5)(0.05) + (0.25)(0.10) + (0.25) (0.12) = 0.08
b) Se desea encontrar ahora P(B2 Ac) , se conoce que P(Ac) = 0.92, entonces:
.
VARIABLES ALEATORIAS
INTRODUCCION
En la mayora de experimentos se producen resultados cuya interpretacin se puede
realizar en funcin de nmeros reales, como por ejemplo: el nmero de candidatos para
determinada eleccin, el nmero de enfermedades en cierta ciudad en un periodo
determinado, la estatura de un grupo de estudiantes, etc. Dichos resultados que podran
variar de un experimento a otro, reciben el nombre de variables aleatorias.
En este capitulo estudiaremos el concepto de variable aleatoria, tipos de variables, valor
esperado y varianza de una sola variable y la distribucin de probabilidad conjunta de dos
variables aleatorias.
Las variables aleatorias las denotaremos con letras maysculas.
VARIABLE ALEATORIA
DEFINICIN
Una Variable Aleatoria es una funcin que asocia a cada elemento del espacio muestral un
numero real, su dominio es el espacio muestral.
Si X es la variable, entonces: X: S R
La Variable Aleatoria X es Discreta: si el nmero de elementos es finito o infinito
contable. Esta variable esta asociada a valores enteros.
EJEMPLO 1
Consideremos el experimento de lanzar una moneda tres veces, cuyo espacio muestral es:
S = {ccc, ccs, csc, scc, sss, ssc, scs, css}
29
La Variable Aleatoria X es Continua, si puede tomar un numero infinito de valores
posibles, asociados con uno o ms intervalos de los # reales.
Nota: generalmente los problemas relacionados con variable aleatoria continuas vienen
asociados con su funcin de densidad, tema que trataremos a continuacin.
Las variables aleatorias toman cada uno sus diferentes valores con cierta probabilidad.
En el ejemplo anterior:
P(X = 0) = f(0) = 1/8.
P(X = 1) = f(1) = 3/8.
P(X = 2) = f(2) = 3/8.
P(X = 3) = f(3) = 1/8.
Al conjunto de estas probabilidades se les llama:
X 0 1 2 3
DEFINICIN
La funcin f(x) es una funcin de probabilidad (para X discreta) o una funcin de
densidad (para X continua), si:
30
Nota: Es importante sealar que: la probabilidad de que una variable continua
tome un valor puntual dentro de cierto intervalo es igual a cero; o sea:
P(X = k) = O, k = constante.
EJEMPLO
Se extraen aleatoriamente y en forma sucesiva dos pelotas de una urna que contiene 4 de
color rojo y 3 de color blanco (todas de igual forma y tamao). Sea X el nmero de
pelotas rojas, encontrar la distribucin de probabilidad asociada a la variable.
Solucin (la variable es discreta)
El espacio muestral es: S = {RR, RB, BR, BB}
Los valores que puede tomar X son: 0, 1, 2 (rango de la variable)
Las probabilidades con que X puede tomar sus diferentes valores son:
X 0 1 2
f(x) 2/7 4/7 1/7
EJEMPLO
La funcin de densidad de una V.A. X est dada por:
cos x
si 0 < x < /2
b
x
f (x) = si 2 < x < 3
10
0 si no
Encontrar el valor de b.
Solucin:
Para encontrar el valor de b, usamos la condicin 2), b) (para el caso continuo) de la
definicin anterior:
f ( x ) dx = 1;
2 cos x 3 x
0 b
dx 2 10
dx 1
x2
sen x
2
0 32 1
b 20
31
1 9 4
1,
b 20 20
b = 4/3
DISTRIBUCIN ACUMULADA
Definicin
Sea X una variable aleatoria discreta o contina, la distribucin o funcin acumulada
asociada a esta, la denotaremos con F y se define como:
F (x) = P(X x) = f x i
; (X discreta)
xi X
x
F(x) = P(X x) = f ( x) dx ; (X continua)
Nota: La distribucin acumulada para el caso discreto y continuo es una
funcin definida para todos los reales.
i) P(X = n) = F( n ) - F( n - 1) ; n N
ii) P (x a ) = F (a)
iii) P ( a X b) = F (b) - F (a)
iv) P (X b ) = 1 - P (x b ) = 1 - F (b) (complemento)
v) P (X b ) = 1 - P (x b ) (otra presentacin del complemento)
EJEMPLO
Del problema del ejemplo 2, encontrar la distribucin o funcin acumulada asociada a la
variable.
Solucin:
F (x) = P(X x) = f (xi) ; (X discreta)
xi x
Se parte de la funcin de probabilidad:
0, si x < 0
X 0 1 2 1/7, si 0 x < 1
F(x) = 5/7, si 1 x < 2
f(x) 1/7 4/7 2/7 1, si x 2
EJEMPLO
Dada la funcin de densidad de la variable aleatoria X:
32
X2 , si 0< x < 1
f(x) = 1, si 1< x< 5/3
0, en otro valor
Hallar:
a) F(x)
b) P( 1/2 < x < 2 )
Solucin:
x
a) Usamos: F(x) = P(X x) = f ( x ) dx ; (X continua)
x
F(x) = 0dx 0 , si x < 0
0 x 3
F ( x ) 0dx x dx x , si 0 x 1
2
0
3
0 1 x
1 2
F ( x ) 0dx x dx dx x 1 x , si 1 x 5 / 3
2
0 1 3 3
0 1 5/3 x
F( X ) = F ( x ) 0dx x dx dx odx 1
2
1, si x > 5/3.
0 1 5/3
0, si x<0
x3 / 3, si 0<x<1
F( X ) = x (2/3), si 1 < x < 5/3
1, si x > 5/3
b
P(a<X<b) =
a f ( x ) dx ; (X continua.)
1 1.2
x dx dx 0.492
2
P(0.5 < x < 1.2) =
1/ 2 1
O con la funcin acumulada, haciendo uso de sus propiedades:
33
P(a<X<b) = F (b) F(a), (para el caso continuo la P(a<X<b) = P(a<X b));
por lo tanto:
P(0.5 < x < 1.2) = F(1.2) F(0.5) = (1.2 2/3) (0.5)3/3 = 0.492
Definicin.
El valor esperado de V.A. X esta dado por:
n
E(x) = = x.f ( x ) ; si x es discreta
i 1
E(x) = = x.f ( x ) dx ; si x es continua
Propiedades de E(x)
1) E (k) = k ; si k es constante
2) E (ax + b) = a E (x) + b ; si a y b es constante
3) E [g(x)] = g(x). f(x) ; si x discreta
4) E[(g(x)] =
g( x )f ( x ) dx ; si x continua
Propiedades de V(x)
1) V(k) = 0 ; si k es constante.
2) V(ax) = a2 V(x)
3) V (ax + b) = a2 V(x)
4) V (g(x) ) = E {[g(x) - g(x) ]2} = [g(x) - g(x)]
2
f (x) (Discreta)
5) V (g(x) ) = E {[g(x) - g(x) ]2} =
(g( x ) g ( x ) ) 2 f ( x ) dx (Continua)
34
Si X y Y son dos variables aleatorias discretas, la distribucin de probabilidad para sus
ocurrencias simultneas se representa mediante la funcin f(x, y), para cualquier par de
Valores (x, y) dentro del rango de las variables aleatorias X y Y y se le llama Distribucin
de Probabilidad Conjunta de X y Y.
Definicin.
EJEMPLO
Supngase que se extraen dos bolgrafos, uno tras otro de una caja que contiene tres
buenos y uno defectuoso, las extracciones son sin reemplazo. Sea X el # de bolgrafos
defectuosos en la primera extraccin y Y el # de bolgrafos defectuosos en la segunda
extraccin.
Solucin:
Note que X y Y solo pueden tomar los valores 0 y 1 y los posibles pares de valores (x, y)
son: (0 ,0), (0 ,1), (1 ,0), (1,1).
Podemos calcular:
P(X = 0, Y = 0) = f (0, 0) = (3/4) (2/3) =0.5
P(X = 0, Y = 1) = f (0, 1) = (3/4) (1/3) =0.25
P(X = 1, Y = 0) = f (1, 0) = (1/4) (1) =0.25
P(X = 1, Y = 1) = f (1,1) = 0 (imposible)
Estos resultados se pueden mostrar en la siguiente tabla:
X 0 1 Total fila
Y
0 0.5 0.25 0.75
1 0.25 0 0.25
DEFINICIN
La funcin f(x,y) es una funcin de densidad conjunta de las variables aleatorias
continuas X y Y, si:
35
Una vinatera opera en instalaciones para atencin a quien llega en automvil y a quien
llega caminando. En un da seleccionado al azar, sean X y Y, respectivamente, las
proporciones del tiempo que se utiliza en cada instalacin y suponga que la funcin de
densidad conjunta de estas variables aleatorias es:
2
1 12 2 1 x
0 0 3
f ( x , y ) dx dy 2 xy ) | 10 dy
( x 2 y ) dx dy
(
3 0 2
2 1 1 2 1 2 1
( 2 y ) dx ( y y 2 ) |10 ( 1)
3 0 2 3 2 3 2
= 2/3 (3/2)
=1
DISTRIBUCIONES MARGINALES
DEFINICIN
36
g(x) = f ( x, y) dy ; h ( y) f (x, y) dx (Continua)
Nota: para el caso discreto, los totales por columna (en la tabla de probabilidades
conjuntas) son las distribuciones o probabilidades marginales para X y los totales por fila
las de Y.
EJEMPLO
Para el ejemplo # 6 (de los bolgrafos) las distribuciones marginales son:
Para X: (la cual representa la funcin de probabilidad de la variable X)
X 0 1
g(x) 0.75 0.25
y 0 1
h(Y) 0.75 0.25
EJEMPLO 9
Para X:
1
g( x ) f ( x, y )dy 0 2 / 3 (x 2y ) dy 2 / 3 ( xy y 2 ) | 10
2
= (x + 1); para 0 x 1.
3
Para Y:
1
h( y ) f ( x, y )dx 2 / 3 ( x 2y ) dx 2 / 3 ( x 2 / 2 2xy) |01
0
2/3(1/2 + 2y), si 0 y 1
h(y) =
0 , para los dems valores.
37
3.9 DISTRIBUCIONES CONDICIONALES
DEFINICIN
Sean X y Y dos variables aleatorias (discretas o continuas), La Distribucin condicional
de la variable aleatoria Y, dado que X = x es:
f ( x , y)
f(y | x) = ; g(x) > 0
g( x )
La Distribucin condicional de la variable aleatoria X, dado que Y = y es:
f ( x , y)
f(x | y ) = ; h(y) > 0
h ( y)
Ejemplo 10
En el ejemplo de los bolgrafos, hallar la distribucin condicional de Y, dado X = 1.
Solucin:
Hallamos g(1) = 0.25 (2da columna de al tabla)
f (1, y) f (1, y)
f(y|1) = 4 f (1, y)
g(1) 0.25
f (0 | 1) = 4 f (1, 0) = 4 (0.25) = 1
f (1 | 1) = 4f (1, 1) = 4 (0) = 0
y 0 1
f ( y | 1) 1 0
INDEPENDENCIA ESTADSTICA
DEFINICIN
38
EJEMPLO
La fraccin x de atletas varones y la fraccin y de atletas mujeres que compiten en una
jornada deportiva se describen mediante la funcin de densidad conjunta:
8xy; 0 y x 1
f(x,y) , encuentre: xy
0 ; otrocaso
Solucin:
Calculamos las marginales:
x
g( x ) 0
f ( x, y)dy 8xy dy 4x y 2 | 0 x 4x 3 ; 0 x 1
1
= f ( x , y) dx 8xy dx 4 x y | y 4 y 4 y ; 0 y 1
2 1 3
h(y)
y
Luego:
1 1
xy f ( x , y) dx dy 0 y 8x
2 2
E (xy) = y dx dy
1 x
0 0 8x
2 2
= y dy dx
1 y3 x 18 8 6 1 4
= 8x dx 0 3 x dx
2 5
0
|
3 0 18
x |0 =
9
1 4
x = E (x) = xg(x) dx 4x 4dx
0 5
1 4 3 4 5 1
y h ( y) dy 0 y y |0
2 4
y = E (Y) = ( 4 y 4 y ) = 8/15
3 5
4 4 8 4
xy = .
9 5 15 225
EJERCICIOS RESUELTOS
39
c) Si el costo de prueba de un componente es de dos y el costo de
reparacin de un defectuoso es cuatro. Encuentre el costo total esperado
Solucin
Sea x: nmero de pruebas necesarias hasta hallar el 2do defectuoso
S = { DD, BDD, DBD, BBDD, DBBD, BDBD}
2 1 1
a) p (x = 2) = p (DD) = . X 2 3 4
4 3 6
f(x) 1/6 1/3 1/2
2 2 1
p (x = 3) = 2p (BDD) = 2 . . 1
4 3 2 3
2 1 2 1
p (x = 4) = 3p (BBDD) = 3 . . .1
4 3 2 2
0; si x < 2
b) 1/6; si 2 x < 3
F(x) = 1/2; si 3 x < 4
1 ; si x 4
S B A
0.3
0.1 0.4
0.2
x 0 1 2
f(x) 0.2 0.7 0.1
40
a)
0, si x < 0
0.2, si 0 x1
F (x) = 0.9, si 1 x<2
1, si x 2
A B
1 2
Solucin:
Los valores que puede tomar la variable son: Y = { 0, 1, 2 }
Sean: Vi la vlvula i funciona correctamente. p (Vi) = 0.8 , p (Vi') = 0.2, entonces:
P (y = 0) = p (V'' V '2 V'3) + p (V'' V2 V'3) + p ( V'' V'2 V3)
(0.2)3 + (0.2)(0.8)(0.2) + (0.2)(0.2)(0.8) = 0.072
p (y = 1) = p (V' V'2 V'3) +p (V' V 2 V3) + p (V1 V2 V3) + p (V'' V2 V3)
0.8 (0.2)2 + (0.8)2 (0.2) + (0.8)2 (0.2) + (0.2) (0.8)2 = 0.416
p (y = 2) = p (V' V2 V3) = (0.8)3 = 0.512
a) La distribucin de probabilidad es:
y 0 1 2
f(x) 0.072 0.416 0.512
b) Valor esperado
E (y) = 0 (0.072) + 1 (0.416) + 2 (0.512)
E (y) = 1.44 ~ 1 (en promedio se espera que estn abiertas, aproximadamente,
una de las vas)
c) 0 si y < 0
0.072 si 0 y < 1
F (y) = 0.488 si 1 y < 2
1 si y 2
41
d) V (y) = E (y2) - 2
E (y2) = 02 (0.072) + 12 (0.416) + 22 (0.512) = 2.464, entonces:
V (y) = 2.464 - (1.44)2 = 0.3904
X 5 -3 gana (C$5)
Pierde (C$ -3)
f(x) 2/8 6/8
Visita a Biblioteca
Cursos de Matematica nunca Una vez Mas de una vez g(y)
Matematica 1 0.07 0.13 0.18 0.38
Matematica 2 0.06 0.12 0.16 0.34
Matematica 3 0.08 0.10 0.10 0.28
42
c) Vericar si son o no independientes.
d) Valor esperado de g(x,y) = x +y.
e) Encontrar la distribucion de probabilidad condicional: f(y | x = 2).
f) Si un estudiante seleccionado al azar esta en matematica 2, cual es la
probabilidad que haya visitado una vez la biblioteca?
Solucion:
a) P(X = 2) = f(2,0) + f(2,1) + f(2,2)
= 0.06 + 0.12 + 0.16 = 0.34.
P(Y 1) = f(1,1) +f(2.1) + f(3,1) + f(1,2) +f(2,2) + f(3,2)
= 0.13 + 0.12 + 0.10 + 0.18 + 0.16 + 0.10 = 0.79.
P(X 2, Y 1) = f(1,1) +f(2.1) + f(1,2) +f(2,2)
= 0.13+0.12+ 0.18+0.16 = 0.59.
P(X > Y) = f(1,0) + f(2,0) +f(2,1) + f(3,0) + f(3,1) + f(3,2)
= 0.07 + 0.06 +0.12 + 0.18 + 016 + 0.10 = 0.69.
b)
Visita a Biblioteca (Y)
Cursos de Matematica(X) 0 1 2 g(y)
1 0.07 0.13 0.18 0.38
2 0.06 0.12 0.16 0.34
3 0.08 0.10 0.10 0.28
f(x) 0.21 0.35 0.44 1
Las sumas por filas son las marginales para los cursos de matematica.
Las sumas por columnas son las marginales para las visitas a bibioteca.
x 1 2 3 y 0 1 2
f(x) 0.38 0.34 0.28 h(y) 0.21 0.35 0.44
c) Para verificar la independencia usamos: Si f(x,y) = g(x) h(y), para cada par de
Valores, entonces X e Y son independientes.
Veamos: f(1,0) = 0.07 g(1) h(0) = 0.38 (0.21) = 0.0798.
Se concluye que X e Y son dependientes estadisticamente.
f ( 2, y ) f ( 2, y )
f(y|x = 2) = , Y puede tomar los valores: 0, 1, 2.
g( 2) 0.34
43
Entonces, la distribucin condicional es:
Y 0 1 2
f(y | x = 2) 0.17647 0.35294 0.47059
DISTRIBUCIN BINOMIAL
Definicin
Una v.a. X tiene una distribucin Binomial, si y solo si, su distribucin de probabilidad est
dada por:
x
f (x, n, p) = n
x p
1p1x , para X = 0,1,2 ,... ,n.
44
Teorema.
= n p, 2 = n p (1-p)
Ejemplo 1
Un examen consta de cuatro preguntas de seleccin mltiple con tres alternativas donde
solo una es la correcta, si X es el nmero de respuestas correctas, cuando el estudiante
esta adivinando. Encontrar la funcin de probabilidades asociada a la variable.
Solucin
X 0 1 2 3 4
Ejemplo 2
Solucin:
P(una semilla germine) = 0.95 = p
45
P(una semilla no germine) = 0.05 = q
a) Aqu se pregunta: Cul es la probabilidad que 15 de 20 semillas
Germinen?
Es lo mismo decir:
Cul es la probabilidad que 5 de 20 semillas no
Germinen?
Porque: Si 15 de 20 germinan, 5 no lo hacen. (Por complemento)
c) Aqu tendremos que hacer uso de equivalencia para poder dar respuesta a la
pregunta.
P ( 7 < x < 17, n = 20, p = 0.95 ) P ( 3 < x < 13, n = 20, q = 0.05)
= F ( 12 ) - F ( 3 ) [hacienda uso de
propiedad: P ( a X b) = F (b) - F (a)]
= 1 - 0.9841 = 0.0159.
Observemos la lgica:
En el intervalo de:
7 < x < 17, se afirma que 8 de 20 semillas germinan, en el intervalo equivalente:
3 < x < 13, deber aparecer que: 12 de 20 semillas no lo hagan.
Lo cual es correcto.
Tambin:
En el intervalo:
7 < x < 17, se afirma que 16 de 20 semillas germinan, en el intervalo equivalente:
3 < x < 13, deber aparecer que: 4 de 20 semillas no lo hagan.
Lo cual tambin es correcto.
De igual forma ocurre con todos los valores que toma la variable X en la probabilidad del
xito con la equivalencia en el fracaso.
46
P ( x > 2, n = 20, q = 0.05 ) = 1 - P ( x 2 )
= 1 - F (2)
= 1 - 0.9245 = 0.0755
Ejemplo 3
Una empresa vende cuatro artculos seleccionados al azar entre un lote grande del cual se
sabe que tiene el 10% de piezas defectuosas. Sea X es el nmero de piezas defectuosas,
de entre los cuatro que se vendieron. El comprador del artculo regresa las piezas
defectuosas para su reparacin y el costo de reparacin es:
C = 3x2+x +2, calcule el costo de reparacin esperado.
Solucion:
Binomial con:
n=4 E [ C ] = E [ 3x2 + x + 2 ]
p = 0.1 = 3 E (x2) + E (x) + 2 [v (x) = E (x 2) - 2 ]
2
q = 0.9 = 3 [v ( x ) + ] + + 2 [E (x2) = v (x) + 2]
=n p = 3 [ n p q + ( n . p )2 ] + n p + 2
2
=n pq = 3 [ 4 ( 0.1 ) ( 0.9 ) + (1 * 0.1) 2 ] + 4 * 0.1 + 2
Definicin.
Una v. a. X tiene una distribucin binomial negativa, si y solo si su Distribucin de
probabilidad esta dada por:
P(x)= x 1
k 1 p q
k x-k
x = k, k + 1, k + 2 ......
Teorema
k kq
E (x) = ; V (x) =
p p2
47
Ejemplo 1
Si la probabilidad es de 0.75 que una persona crea un rumor acerca de cierto poltico.
Determine la probabilidad de que:
a) La 8va persona en or el rumor sea la quinta en creerlo
b) La 15 va persona en or el rumor sea la dcima en creerlo
Solucion:
a) P = 0.75
q = 0.25
x=8
k=5 0.75
8 1
5 1
5
0.25 3 = 0.1298
b) x = 15 0.75
15 1
10 1
10
0.25 5 = 0.1101
k = 10
Ejemplo 2
Un gran lote de bombas usadas contiene un 20% de llas que no sirven y necesitan
reparacin. Se manda a un mecnico con tres juegos de reparacin. Selecciona bombas
al azar y las prueba una tras otra. Si trabaja una bomba, prosigue con la siguiente. Si no
trabaja, le instala uno de sus juegos de reparacin. Supngase que tarda 10 minutos en
probar si una bomba trabaja o no, y 30 minutos en probar y reparar una bomba que no
trabaja. Cual es el valor esperado y desviacin estndar del tiempo total que llevar
terminar con sus tres juegos de reparacin.
Solucin:
Sea X: el nmero de bombas que prueba hasta que se encuentra la tercera
defectuosa
P(defectuosa) = 0.2.
El xito del mecnico es hallar las bombas defectuosas. El desea que la X bomba
que prueba sea la tercera defectuosa. Binomial negativa, K = 3.
El tiempo total que tarda con los tres juegos de reparaciones es:
T = 10 ( x - 3 ) + 3 ( 30 )
T = 10x - 30 + 90
T = 10x + 60
E [ T ] = E [ 10x + 60 ] = 10 E (x) + 60 (E(x) = k/p, binomial negativa)
3
= 10 + 60 = 150 + 60 = 210 min. (En promedio, el tiempo total que
0 .2
le llevara terminar con sus tres juegos de reparacin es de 210 minutos)
3 0.8
V ( T ) = V ( 10x + 60 ) = 102 V (x) = 100 2
= 100 (60) = 6000
0.2
48
As: el tiempo total para instalar los juegos de reparacin es en promedio de 210
minutos con una desviacin estndar de 6000 = 77.46 minutos.
DISTRIBUCIN HIPERGEOMTRICA
Definicin.
k
x
NK
nx
P(x)= ; x = 0, 1....... n
N
n
Teorema.
La media y la varianza de la distribucin hipergeomtrica son:
nk n . k N K N n
E (x) = , V (x) =
N N 2 N 1
Cuando N es muy grande resulta complicado resolver las combinaciones, en este caso es
conveniente resolver los problemas de hipergeomtrica a travs de aproximacin a la
binomial haciendo:
K
P
N
Ejemplo 1
Entre 120 aspirantes para ocupar un empleo solo 80 estn calificados para hacerlo. Si se
selecciona a cinco de estos aspirantes para una entrevista determine la probabilidad de
que:
a) Solamente dos estn calificados para el trabajo
49
b) Ms de uno este calificado para el trabajo
c) Cual es el valor esperado de aspirantes calificado para el trabajo
Solucin:
80
2
120 80
52
N = 120 a) P ( x = 2 ) = = 0.164
120
5
K = 80 b) P ( x > 1 ) = 1 - P ( x 1 )
n=5 =1-[P(0)+ P(1)]
80
0
40
5
80
1
40
4
=1-
120
5
= 1 - 0.0418 = 0.958
5 * 80
c) E ( x ) = = 3.33 3
120
Se esperan aproximadamente en promedio a 3 aspirantes calificados par el trabajo, de
los cinco seleccionados.
Ejemplo 2
Un ingeniero de control de calidad inspecciona una muestra tomada al azar de dos
calculadoras porttil de cada lote de 18 unidades que llega y acepta el lote si ambas
estn en buenas condiciones, en caso contrario, se inspecciona todo el lote y el lote se
carga al distribuidor. Cuales son las probabilidades de que este lote sea aceptado sin
mayor inspeccin si contiene:
a) Cuatro calculadoras en mal estado
b) Ocho calculadoras en mal estado
c) Doce calculadoras en mal estado.
Solucin:
a) k = 4
= 0.5947
4
0
14
2
N = 18 P(x=0)=
18
2
n=2 b) k = 8
= 0.2941
8
0
10
2
x=0 P(x=0)=
18
2
c) k = 12
50
12
0
6
2
P(x=0)= = 0.098
18
2
Ejemplo 3
Una compaa recibe un lote de 1000 unidades, para aceptarlo selecciona 10
unidades de manera aleatoria y se inspeccionan. Si ninguna se encuentra defectuosa
el lote se acepta de otro modo se rechaza. Si el lote contiene un 5% de unidades
defectuosas determine la probabilidad de rechazar el lote.
Solucin: N = 1000, x 1, k = 50, n = 10
= 1 - 0.5973
50
0
950
10
P(x1)=1-P(x<1)=1-P(0) = 1-
1000
10
= 0.4027
(Probabilidad de Rechazar el lote)
50
P= = 0.05 P ( x 1, n = 10, p = 0.05 ) = 1 - P ( x < 1 )
1000
=1-F(0)
= 1 - 0.5987 = 0.4013
DISTRIBUCIN DE POISSON
Definicin.
Una v.a. tiene una distribucin de poisson, si y solo si la distribucin de probabilidad est
dada por:
e t t x
P(x)= ; x = 0, 1, 2, ...... :
x!
Donde : es el nmero promedio de resultados por unidad de tiempo o regin.
51
Teorema.
E ( x ) = t, v ( x ) = t.
e x n . p n . p x
binomial = n . p P(x)=
e
x! x!
poisson =
Nota: Los problemas de poisson se pueden resolver haciendo uso de tabla, de igual
forma que los de Binomial, se utilizan las propiedades de la distribucin acumulada.
Ejemplo 1.
Una pizarra telefnica recibe 360 llamadas en una hora, pero no puede recibir ms de 7
llamadas en un minuto. Calcular la probabilidad de que:
Solucin
e 6*2 1210
P ( x = 10, = 6, t = 2 ) = = 0.1048.
10!
Resolveremos la pregunta haciendo uso de la tabla, en este caso t = 12.
P ( x = 10, = 6, t = 2 ) = F ( 10 ) - F ( 9 )
= 0.3472 - 0.2424
= 0.1048
b) La pizarra queda saturada, si recibe 7 llamadas en un minuto, entonces:
52
e 6*1 6 7
P (x = 7, = 6, t = 1) = = 0.1377. (Saturada en un minuto)
7!
Con la tabla: t = 6
P (x = 7, = 6, t = 1) = F ( 7 ) - F ( 6 )
= 0.7440 - 0.6063
= 0.1377. (Saturada en un minuto)
9 6 x
e 6
( )
c) P ( 2 < x < 10, = 6, t = 1) = (Para satisfaccin, es importante
x3 x!
= 0.8541. realizar esta suma)
Con la tabla: t = 6.
=F(9)-F(2)
= 0.9161 - 0.0620 = 0.8541
= 1 - 0.7991 = 0.2009
Ejemplo 2.
53
= 2 (para 10 horas)
= 2/ 10 (para 1 hora)
= t = (1 /5) t (para t horas)
v ( y ) = t = (1 /5) t.
Sustituyendo en la expresin anterior:
1 1 2
= 200t - 50
5 t t = 200t - 10t - 2t2 = 190t - 2t2.
25
Derivando respecto a t0 e igualando a cero:
E R
t0
= 190 - 4t = 0
Ejemplo 3.
La probabilidad de que una persona muera por una infeccin respiratoria es de 0.002.
Encuentre la probabilidad que mueran:
Solucin:
Este es un problema de una variable con distribucin Binomial. Observemos que la tabla
no resuelve porque el tamao de n es muy grande. Podramos hacerlo con la frmula de la
funcin de probabilidad, sin embargo sera muy tedioso estar realizando estas sumas.
Entonces usaremos la aproximacin a Poison. En las aproximaciones las unidades de
t son iguales a 1, por lo tanto: t = .
a) n = 2000 P ( x < 5, = 4 ) = F ( 4 )
p = 0.002 = 0.6288
= n * p = 200 (0.002) = 4
c) n = 6000 P ( 7 x 15, 12 ) = F ( 15 ) - F ( 6 )
P = 0.002 = 0.8444 - 0.0458 = 0.7986
= 6000 (0.002) = 12
54
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
INTRODUCCIN
Definicin.
5.
3 2 + + 2 + 3
68.26%
95.46%
99.74%
55
Lo que expresa esta ltima propiedad es lo siguiente:
56
Ejemplos
Solucin:
= 3.5, 2 = 0.0004, = 0.02
a)
57
- Una distribucin normal tiene media de 61.6 determine desviacin estndar si
el 20% del rea total situada bajo la curva se ubica a la derecha de 70.
Solucin:
x x
Despejamos , de z = , entonces: =
z
58
Probabilidad que se pierda el caf
P (X> x) = 0.15 x = + z
P (X < x) = (z) = 0.8500 = 24 + (1.04)(3.8)
0.8500 0.8508 z = 1.04 = 27.952 minutos.
59
Ejemplo
La probabilidad que una computadora posea defecto despues de haber sido ensamblada
es 0.4. Si se sabe que han sido ensambladas 100 computadoras, cul es la prbabilidad de
que:
a) Exactamente 31 tengan defectos?
b) A lo sumo 42 tengan defectos?
c) Al menos 30 tengan defectos?
d) Entre 33 y 46 tengan defectos?
e) Ms de 46 pero menos de 68 no tengan defectos?
Solucin :
Este es un problema de distribucion binomial, La primer pregunta la contestaremos con la
funcion de probabilidad binomial y tambien veremos como aproximar a la Normal, el resto
de preguntas las contestaremos por aproximacion. Note que la probabilidad del xito en
las primeras cuatro preguntas es q.
P(que tenga defecto) = 0.4 = q
P(que no tenga defecto) = 0.6 = p
42.5 40
p (x 42, n = 100, q = 0.4) p(x 42.5) = = (0.51) = 0.6950
4.899
c) Aproximando a la normal debemos considerar lo siguiente: Cualquier valor
continuo entre 29.5 y 30 se redondea al inmediato entero 30, entonces:
60
d) P (33 x 46, n = 100, q = 0.4) p(32.5 < x 46.5) = (z2) - (z1)
46.5 40 32.5 40
=
4.899 4.899
= (1.33) - (-1.53)
= 0.9082 - 0.0630 = 0.8452
p (46 < x < 68, n = 100, p = 0.6) p(46.5 < x < 67.5)
= (z2) - (z1)
67 . 5 60
= 46 . 5 60
4 . 899 4 . 899
= (1.53) - (-2.75) = 0.9370 - 0.0030
= 0.934
Definicin.
La variable aleatoria X tiene una distribucin Ji-Cuadrado con v grados de libertad, si su
funcin de densidad es:
v x
1 1
f (x) x 2 e 2 x0
v
v
2 2
2
Donde v es un entero positivo (grados de libertad) y es la funcin Gamma.
Teorema
La media y la varianza de la distribucin Ji Cuadrado son:
= v y 2 = 2v
Propiedades
Enunciaremos algunas propiedades de la distribucin Ji-Cuadrado.
61
n
xi
2
Y=
i 1
Tiene distribucin Ji-Cuadrado con n grados de libertad (v = n).
2 ( n 1)s
2
x 2
Es una variable aleatoria que tiene una distribucin Ji-cuadrado con v = n 1
grados de libertad.
- Cuando los grados de libertad exceden a 30, las probabilidades relacionadas con
Ji cuadrada pueden aproximarse con la normal.
Ejemplo
Un fabricante de computadoras garantiza que estas durarn, en promedio, 3 aos con
una desviacin estndar de un ao. Si 6 de ests computadoras duraron: 1.9, 2.4, 3.0,
62
3.5, 3.8 y 4.2 aos antes de ser reparadas la primera vez. Debera el fabricante estar
convencido an de que sus computadoras tienen una desviacin estndar de un ao?
Solucin:
Primero calcularemos s2, podemos utilizar la frmula siguiente.
n n
n xi2 ( x1)2
i 1 i 1 (6) (62.7 ) (353.44)
s2 0.75867
n(n 1) 6(5)
Ahora utilizamos la frmula del teorema anterior, para calcular x2
2 (n 1) s 2 (5) ( 0.75867 )
x 3.7933
2 1
Buscamos en la tabla de Ji-Cuadrado el valor de 3.7933 con v = 5 y encontramos que el
ms prximo es para x20.50, 5 = 4.351. Los valores de X2 = 3.7933 se encuentran entre
0.831 y 12.832 (X20.975 , 5 = 0.831 y X20.025 , 5 = 12.832), como 2 = 1, entonces es
correcto.
Por lo que parece razonable que el fabricante no debe dudar de que sus computadoras
tengan una desviacin estndar de un ao.
Para muestras aleatorias tomadas de una poblacin normal con una media y la varianza
2, la media de la muestra aleatoria ( x ) tiene una distribucin normal con la media y
2 x
la varianza , es decir, tiene la distribucin normal estndar. La dificultad
n / n
principal que se presenta en la aplicacin de este resultado es que en la prctica 2 suele
ser desconocida, lo que obliga a reemplazarla por un valor de la varianza de la muestra
x
(s2). Mas adelante veremos la distribucin de densidad de para muestras
s/ n
aleatorias de poblaciones normales.
La distribucin t de Student se define as.
Definicin.
Sean dos variables aleatorias independientes Y y Z, tales que: Y tenga una distribucin
normal estndar y Z tenga una distribucin Ji-Cuadrado con v grados de libertad y
supongamos que la variable X se define por:
63
Y
X= ,
1/ 2
Z
v
Entonces, la distribucin de X se llama: La distribucin t de Student
Teorema.
La media y la varianza de la distribucin t de student con v grados de libertad estn dadas
por:
n
=0 y 2 = , para n > 2.
n2
Teorema.
64
Ejemplo:
Un bus de una cooperativa de transporte, que viaja de Managua al Norte, en 16 recorridos
completos (ida y vuelta), tubo un consumo promedio de combustible (Diesel) de 16.4
galones; con una desviacin estndar de 2.1 galones.
Solucin:
n = 16
x 16.4 12.0
= 12.0 t 8.3809
s/ n (2.1)(4)
s = 2.1
5.6. TH DE CHEBYSHEV
Teorema de Chevyshev.
65
Ejemplos
- Los registros de una lnea area muestran que sus vuelos entre dos ciudades llegan en
promedio 5.4 minutos tarde con desviacin estndar de 1.4 minutos. Cundo menos
qu porcentaje de sus vuelos entre dos ciudades llegan entre:
a) 2.6 y 8.2 minutos tarde?
b) 1.6 minutos antes y 12.4 minutos tarde?
Solucin:
= 5.4
= 1.4
5.4 2.6
a) - k = 2.6 5.4 - 2.6 = k (1.4) k= =2
1.4
1 1
P [ 2.6 x 8.2 ] 1 - =1- = 0.75
k2 4
Cuando menos 75% de los aviones de la lnea area llegan entre 2.6 y 8.2 minutos
tarde
1 1
b) P [ 1.6 x 12.4 ] 1 - =1- = 0.96
k2 25
+ k = 12.4 Al menos el 96% de los aviones de la
1
P= = 0.001
1,000
n = 10,000 = n p = 10, = = 2
1 8 8 1
1 1
k2 9 9 k2
66
1 1
K=3
9 k2
8
P [ k ]
9
8
10 3 10 p [ -19.49 x 9.49 ]
9
El nmero de personas que incurren en errores al elaborar su declaracin de impuestos de
un total de 10,000 es al menos de 9 con una probabilidad de al menos 8/9 (o bien
88.89%).
ESTIMACION
INTRODUCCIN
La inferencia estadstica o estadstica inferencial se refiere a un conjunto de
mtodos mediante los cuales podemos hacer afirmaciones con respecto a una
poblacin completa a partir nicamente de la observacin de una parte de ella
(muestra).
67
Anteriormente se han calculado algunas medidas descriptivas, tales como: la media, la
varianza, la proporcin etc. Cuando calculamos estas medidas en una muestra, suelen
identificarse como: estadsticos y cuando hablamos de los mismos en una poblacin los
identificamos como: parmetros.
Definicin
Estimacin es la aproximacin a los parmetros poblacionales, en Funcin de estadsticos
muestrales conocidos.
Existen dos tipos de estimaciones de parmetros:
- La estimacin puntual.
- la estimacin por intervalo de confianza.
ESTIMACIN PUNTUAL
Definicin
Ejemplo
La edad promedio de los estudiantes de segundo ao de cualquier carrera en la UNI, la
estimamos de 19 aos. Para confirmar o rechazar esto, debemos tomar una muestra
representativa y calcular la edad promedio de la muestra para contrastarla con dicha
estimacin.
En este caso se hace consideracin a un solo numero (edad promedio de la muestra), que
ser una estimacin puntual del valor del parmetro poblacional desconocido.
68
buenos estimadores puntuales de los parmetros poblacionales los mustrales
correspondientes.
Pero pueden utilizarse diversas propiedades estadsticas de los estimadores para decidir
que estimador es l mas apropiado en una situacin dada, cual nos expondr el menor
riesgo, cual nos brindar la mayor cantidad de informacin al ms bajo costo, etc. Las
propiedades especificas de los estimadores que analizaremos son: Insesgabilidad,
Varianza mnima, Consistencia y Suficiencia.
ESTIMADORES INSESGADOS
omo es difcil que haya un estimador ideal que siempre de la respuesta correcta, es
razonable pensar que un estimador deba hacerlo cuando menos en promedio. Dicho de
otra forma, parecera esperado que el valor medio de un estimador sea igual al parmetro
que se supone estima, si este fuese el caso se dice que el estimador es insesgado; de lo
contrario es sesgado.
Definicin
Una estadstica es un estimador insesgado del parmetro , si y solo si, E( )= .
De acuerdo con esta definicin y el teorema siguiente: Si x1, x2,..., xn , constituyen una
muestra aleatoria de una poblacin infinita que tiene la media y la variancia 2,
entonces: E( x )= y la Var( x )= 2/n.
se deduce que:
la media muestral x es un estimador insesgado de la media poblacional .
69
6.4.1.2. ESTIMADOR INSESGADO DE VARIANZA MNIMA
Si tenemos que elegir uno de varios estimadores insesgados, por lo general tomamos
aquel cuya distribucin muestral tenga la varianza ms pequea. Para verificar si un
estimador insesgado tiene la varianza mnima, nos valemos del hecho de que si es un
estimador insesgado de , puede demostrarse en condiciones muy generales que la
varianza de debe satisfacer la desigualdad:
1
Var( )
ln f x
2
n E
Donde:
f(x): es el valor de la densidad de la poblacin de x
n: es el tamao de la muestra aleatoria.
Teorema.
Si es un estimador insesgado de y 1 ,
Var ( )
ln f x
2
nE
Entonces es un estimador insesgado de varianza mnima de .
La estimacin por intervalo esta determinado por dos nmeros que se obtienen a partir
de clculos de valores de la muestra y que se espera contenga el valor del parmetro que
se desea. O sea: 1 < < 2.
La estimacin por intervalo se construye de forma tal, que la probabilidad que el intervalo
contenga al parmetro pueda especificarse, a este valor se le llama: nivel de confianza
coeficiente de confianza, tal probabilidad es: 1 - , siendo su complemento, un
valor de probabilidad pequea, conocida como margen de error o nivel de
significacin. Los niveles de confianza y significacin pueden expresarse de forma
anloga a travs de porcentajes.
La probabilidad de que el intervalo contenga al parmetro a estimar puede escribirse as:
70
P ( 1 < < 2) = 1 -
A dicho intervalo se le conoce como: Intervalo de confianza del (1 - ) 100%, donde
1 y 2 son los limites de confianza inferior y superior respectivamente.
y varianza
2
varianza conocida con media x =
x
2
n
.
x
Donde el valor estndar de z es: Z = , sustituyendo:
n
x
P (-Z 1- /2
Z 1- /2) = 1 - , despejando , se obtiene:
n
P (x - Z 1- /2 x + Z 1- /2 )=1-
n n
A los valores: - Z 1- /2 y Z 1- /2 se les llaman valores crticos y se buscan en la tabla
normal.
El valor critico: - Z 1- /2 = Z /2.
71
Mientras menor sea el ancho del intervalo mayor ser su precisin, evidentemente la
precisin esta en relacin inversa con el nivel de confianza al disminuir uno aumenta el
otro, si permanecen fijas las restantes condiciones.
En esta situacin se debe examinar entre las restantes condiciones si algn elemento
puede influir de forma que ambos disminuyan, el otro elemento es la cantidad de
informacin (tamao de muestra) con que se cuenta.
Sea X una variable aleatoria con distribucin normal ( , 2) y sea (X1,..., Xn) una muestra
simple aleatoria de esta variable, si se denota el ancho del intervalo por 2, donde : es el
mximo error permisible, entonces se puede llegar a la siguiente identidad:
Ancho de intervalo: Ls - Li = 2 = x + Z 1- /2 - x + Z 1- /2
n n
2 = 2 Z 1- /2
n
De esto resulta que: = Z 1- /2
n
En esta relacin se encuentran los tres elementos. Para comprender la relacin entre ellos,
deben analizarse por pareja, haciendo constante el tercer elemento.
Para calcular el nmero de elementos que debe tener la muestra, podemos despejar n y
se obtiene:
z1 / 2
2
n
Ejemplo 1
72
Solucin
x - Z 1- /2 x +Z 1- /2
n n
Para = 0.1, Z 1- /2 = Z 0.95 = 1.645, x = 1208.75, = 9, entonces:
1208.75 1.645(9)/2 1208.75 + 1.645(9)/2
1,201.34 1,216.15
El consumo promedio de lubricantes por mes en esta cooperativa de transporte esta
comprendido entre: 1,201.34 y 1,216.15 litros con un nivel de confianza del 90 %.
Solucin
2 = ancho = 10, = 5, entonces:
Z 1- /2 2
n= --------------- = (1.645*9 / 5)2 = 8.7675 9
La muestra debera ser de 9 meses para que el intervalo tenga una longitud de 10 litros.
Cuando se trabaja con una muestra de una poblacin normal con varianza 2 desconocida
y su tamao es n<30, entonces se puede construir un intervalo de confianza del (1 - )
100% para la media , con la variable aleatoria:
x
t , que tiene una distribucin t de student con n-1 grados de libertad, as:
s/ n
P (-t (1- /2), (n-1) t t (1- /2), (n-1)) = 1 -
x
P (-t (1- /2), (n-1) t (1- /2), (n-1)) = 1 - , despejando
s/ n
s s
P ( x -t (1- /2), (n-1) x - t (1- /2), (n-1)) )=1-
n n
Teorema
s s
x -t (1- /2), (n-1) x - t (1- /2), (n-1))
n n
73
Nota :
Si la varianza 2 es desconocida y el tamao de la muestra es n 30, entonces se utiliza el
intervalo para cuando la 2 es conocida y se estima con la desviacin estndar de la
muestra (S).
Ejemplo
Una muestra aleatoria de 18 alumnos graduados en la UNI dio un promedio 73.3 en todas
las asignaturas de su plan de estudio con una desviacin estndar de 7.8. Suponiendo que
las notas se distribuyen de manera normal. Encuentre e interprete un intervalo de
confianza del 98% para el nmero promedio de graduados en la universidad.
Solucion
Para este ejercicio no se conoce la varianza poblacional y el tamao de la muestra es
menor que 30, entonces usaremos la distribucin t.
Para = 0.2, t (1- /2), (n-1) = t 0.99, 17 = 2.567, n = 18, x = 73.3, s = 7.8, entonces:
s s
x -t (1- /2), (n-1)
x -t (1- /2), (n-1))
n n
73.3 2.567
7.8
73.3 + 2.567
7.8
18 18
72.211 74.389
El promedio de los graduados en la UNI, vara de 72.211 a 74.389 con un nivel de
confianza del 98%.
74
De lo anterior se deduce el siguiente teorema.
Teorema
Si x 1 y x 2 son las medias de muestras aleatorias independientes de tamaos n 1 y n2
1 y 2
2 2
seleccionadas de poblaciones normales con las varianzas conocidas, entonces
un intervalo con una confianza de (1 - ) 100% para 1 - 2, est dado por:
( x 1 - x 2) - z (1- /2) 1
2
2
2
1 - 2 ( x 1 - x 2) + z (1- /2) 1
2
2
2
n1 n2 n1 n2
Ejemplo
36 49 36 49
(65 - 62) 1.96 1 - 2 (65 - 62) + 1.96
50 48 50 48
-0.414 1 - 2 5.586.
En este intervalo la diferencia entre los promedios reales puede ser cero, por lo tanto se
puede concluir que: Estadsticamente no hay diferencia significativa entre los promedios
de ambas carreras en la asignatura de estadstica, con un nivel de confianza del 95%.
Teorema
Si x 1 y x 2 son las medias de muestras aleatorias independientes de tamaos
n1<30 y n2<30 seleccionadas de poblaciones normales con las varianzas
75
( x 1 - x 2) - t(1- /2), ( n1 n2
+ -1) Sp 1
1 1 - 2
n1 n 2
( x 1 - x 2) + t(1- /2), ( Sp 1 1
n1 n2+ -1)
n1 n 2
Donde: 2
n 1 1 s 2
1
n 2 1 s 2
2
sp
n1 n 2 1
1 2
2 2
Si = son desconocidas y los tamaos de las muestras son mayores o iguales a
30, el intervalo de confianza para 1 - 2, ser el mismo para cuando se conocen las
1 y 2 , por las varianzas muestrales respectivas.
2 2
varianzas poblacionales, estimando
Ejemplo
Una empresa tiene dos mquinas troqueladoras de lminas de zinc ubicadas en los
departamentos de Masaya y Len, se desea comparar el tiempo promedio diario (en
minutos) que estas mquinas no trabajan, con un intervalo de confianza del 99%, para
ello se seleccionaron 15 das aleatoriamente por cada mquina y los resultados fueron:
n1 = 15, x 1 = 45 minutos, S1 = 2.5 minutos.
n2 = 15, x 2 = 36 minutos, S2 = 3 minutos.
Se asume que las varianzas son iguales, pero desconocidas.
Solucin :
= 0.01, t(1- /2),( + - 1) = t(0.995), (29) = 2.756
n1 n2
2 15 1 6.25 15 19 = 7.362,
sp 15 15 1
entonces : Sp = 2.71
1 1 1 1
(45 - 36) 2.756(2.71) 1 - 2 (45 - 36) + 2.756(2.71)
15 15 15 15
6.273 1 - 2 11.727
La diferencia promedio diaria que estas mquinas troqueladoras no trabajan est entre
6.273 y 11.727 minutos, con una confianza del 99%.
76
p 1 p p 1 p
p - Z (1- /2) P p - Z (1- /2)
n n
x
Donde: p =
n
Ejemplo
Un fabricante de bloques para construccin asegura a una ferretera que le compra el
producto en forma regular, que el porcentaje de bloques defectuosos no es mayor del 5
%. La ferretera decide comprobar la afirmacin del fabricante seleccionando de su
inventario 200 unidades de ese producto y los revisa en busca de defectos. Deber
sospechar la compaa de la afirmacin del fabricante, si se descubre un total de 19
bloques defectuosos en la muestra?
Solucion
(19/200) 1.96
19 / 200181/ 200 P (19/200) + 1.96 19 / 200181/ 200
200 200
0.05436 P 0.1356,
Pasando el intervalo a porcentajes, se tiene que:
5.43% P 13.56%
La sospecha de la compaa esta apoyada con un nivel de confianza del 95 %.
Ahora veremos como comparar dos parmetros binomiales P 1 y P2, partiendo de dos
muestras aleatorias independientes tomadas de dos poblaciones binomiales. Se puede
deducir que: Si p 1 =
x1 = p2 =
x2 , son las proporciones de xitos de las dos
n1 n2
muestras aleatorias independientes, seleccionadas de dos poblaciones binomiales,
entonces: p 1 - p 2 tiene aproximadamente una distribucin normal con
media: = P1 P2 y varianza: 2 = p 1 q 1 p 2 q 2 .
n1 n2
Tambin se deduce que la variable aleatoria:
77
Z = p p
1 2
p 1 p 2 , tiene aproximadamente la distribucin normal estndar.
p1 q1 p 2 q 2
n1 n2
Teorema.
( p 1 - p 2) - Z p 1 1 p 1 p 2 1 p 2 P1 P2
(1- /2)
n1 n2
( p 1 - p 2) - Z (1- /2)
p 1 1 p 1 p 2 1 p 2
n1 n2
Donde: p 1 = x1 y p2 = x2
n1 n2
Ejemplo
En un estudio realizado sobre la duracin que tienen las llantas de dos marcas, se obtuvo
lo siguiente: 34 de 200 de la marca A y 29 de la marca B, no duraron los 48,000 kms de
garanta que ofrecen estas dos marcas. Obtenga un intervalo de confianza del 90%, para
la diferencia real de la duracin de estas dos marcas de llantas.
Solucin
p 1 = 34/200, proporcin de llantas para la marca A, que no duraron los
48,000 Km.
p 2 = 29/200, proporcin de llantas para la marca B, que no duraron los
48,000 Km.
Para = 0.1, Z (1- /2) = Z0.95 = 1.645.
78
ESTIMACIN POR INTERVALO DE CONFIANZA PARA LA VARIANZA.
Teorema.
Si S2 es la varianza de una muestra aleatoria de tamao n, Seleccionada de una poblacin
normal, entonces un intervalo del (1 - ) 100% para el parmetro 2, est dado por:
n 1 s2 n 1 s2
2
2 2
1 / 2 , n 1 / 2 , n 1
Para obtener un intervalo de confianza para la desviacin estndar, basta extraer races
cuadradas al intervalo anterior.
Ejemplo
Los pesos (en kilogramos) de 10 paquetes de semilla distribuidos por cierta compaa son:
46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2, 46.0. Encuentre e interprete un
intervalo de confianza al 95% para la desviacin estndar de dichos paquetes de semilla.
Solucion
9(0.2862) 2 9(0.2862)
19.02 2.70
0.1355 2 0.9540, extrayendo raz cuadrada,
0.3681 0.9767
La variacin lineal de los pesos de los paquetes de semilla, est entre
0.3681 y 0.9767 Kg. alrededor del promedio.
PRUEBA DE HIPTESIS
INTRODUCCIN
Una hiptesis estadstica es una afirmacin con respecto a una distribucin de probabilidad
(por ejemplo, podramos decir que un cierto fenmeno se comporta de forma que puede
explicarse por una distribucin Binomial). En particular, una hiptesis estadstica puede ser
una afirmacin con respecto a un parmetro (si sabemos que la distribucin es Binomial,
entonces podramos establecer la hiptesis de que la probabilidad de xito es p = 0.5).
79
HIPOTESIS NULA: Esta hiptesis hace una afirmacin diciendo que no haydiferencia
entre el verdadero valor y su valor hipottico. Se denota como: H 0. La hiptesis nula es la
que se somete a comprobacin.
Ejemplo:
Un fabricante de vidrio para ventanas, puede afirmar que la resistencia a la presin de los
mismos es de 125 psi. Podramos plantear en la hiptesis Nula as:
H0: = 125 psi.
La alternativa la podramos expresarla de tres maneras distintas:
Rechazar H0 No rechazar H0
H0 verdadera Error tipo I Decisin correcta
H0 falsa Decisin correcta Error tipo II
En estas circunstancias no podemos cometer ambos errores en forma simultnea, pero el
error del tipo 1 lo minimizaremos utilizando un nivel de confianza.
80
PRUEBA DE HIPTESIS RELATIVAS A LA MEDIA CON LA VARIANZA 2
CONOCIDA
Supongamos que se desea probar, sobre la base de una muestra aleatoria, seleccionada
de una poblacin normal con la varianza 2 conocida, la hiptesis nula:
H0: = 0 , donde: 0 es el valor hipottico.
Entonces el estadstico de prueba ser: Z= x
0
n
a) Contra la alternativa: H1: 0, la regin crtica es:
Z < Z /2 o Z > Z 1-/2
Z /2 y Z 1-/2: valores crticos (frontera entre la regin critica y la regin de
aceptacin de la hiptesis nula).
Nota: Z /2 = - Z 1-/2
Ejemplo
Un comprador de bloques para la construccin de viviendas cree que la calidad de los
mismos est disminuyendo. De experiencias anteriores se sabe que la resistencia
promedio a la compresin es de 200 Kg-fuerza. Con una varianza de 10 (Kg-fuerza)2.
Una muestra de 100 bloques dio una resistencia promedio a la compresin de 198.6 Kg-
fuerza. Probar la hiptesis de la calidad afirmada por el comprador con un nivel de
significacin de 0.01.
Solucion
0 = 200, 2 = 10, = 10, n = 100, x 198.6 , = 0.01.
a) primer paso. Planteamiento de las hiptesis.
H0: = 200
H1: < 200
b) segundo paso. Seleccin del estadstico de prueba.
198.6 200
Z= = -4.427.
10
100
c) tercer paso. Determinacin de la regin crtica.
Z = Z 0.01 = -2.33.
d) Cuarto paso. Decisin estadstica.
Se rechaza H0, si Z < Z .
-4.427 < -2.33 (verdadero). Se rechaza H0.
e) Quinto paso. Conclusin.
81
El comprador tiene la razn, la calidad de los bloques esta disminuyendo, la
resistencia promedio a la compresin de los bloques que compra no es de
200 Kg-fuerza.
Supongamos ahora que se desea probar, sobre la base de una muestra aleatoria,
seleccionada de una poblacin normal con la varianza 2 desconocida y el tamao de la
muestra menor que 30, la hiptesis nula:
H0: = 0 , donde: 0 es el valor hipottico.
Entonces el estadstico de prueba ser:
x
t 0
s/ n
Que es una variable aleatoria con distribucin t de Student con n-1 grados de libertad.
a) Contra la alternativa: H1: 0, la regin crtica es:
t < t (/2), (n-1) o t > t (1-/2), (n-1)
t (/2), (n-1) y t (1-/2), (n-1): valores crticos (frontera entre la regin critica y la
regin de aceptacin de la hiptesis nula).
Nota: t (/2), (n-1) = - t (1-/2), (n-1)
Ejemplo
Se afirma que la dureza de un determinado caucho es de 68 grados shore. Se probaron 15
especimenes y se obtuvo que la dureza promedio es igual a 64.9 grados Shore con una
desviacin estndar de 1.5 grados Shore. Hay evidencia suficiente para rechazar la
afirmacin anterior con un nivel de confianza del 98%.
Solucin
0 = 68, n = 15, x 64.1 , S = 1.5, = 0.02.
a) primer paso. Planteamiento de las hiptesis.
H0: = 68
H1: 68
b) segundo paso. Seleccin del estadstico de prueba.
64.9 68
t= = -8.0042.
1 .5
15
c) tercer paso. Determinacin de la regin crtica.
82
t (/2), (n-1) = t0.01,14 = -2.624 t (1-/2), (n-1) = t0.99, 14 = 2.624
Ejemplo
El PH del agua que sale de una planta de filtracin debe ser por especificacin de 7. Se
toman en forma independiente 36 muestras de agua de dicha planta y se obtuvo un
promedio del PH de 6.76 con una desviacin estndar de 0.8. Habr razn para dudar de
que se mantenga la especificacin del Ph del agua en la planta? Probarlo con = 0.02.
Solucin
Se desconoce la varianza poblacional y el tamao de la muestra es mayor que 30, por lo
tanto usaremos la normal para contrastar las hiptesis. Se estimar la desviacin estndar
poblacional por la muestral.
0 = 7, n = 36, x 6.76 , S = 0.8, 0.8, = 0.02.
a) primer paso. Planteamiento de las hiptesis.
H0 : = 7
H1: 7
b) segundo paso. Seleccin del estadstico de prueba.
6.76 7
Z= = -1.8.
0 .8
36
c) tercer paso. Determinacin de la regin crtica.
Z (/2) = Z0.01 -2.33 Z (1-/2) = Z0.99, 14 2.33
d) Cuarto paso. Decisin estadstica.
Se rechaza H0, si Z < Z /2 o Z > Z 1-/2
-1.8 < -2.33 o -1.8 > 2.33 (la disyuncin es falsa)
(F) (F) Se acepta H0
e) Quinto paso. Conclusin.
El PH del agua en esa planta, mantiene su especificacin de 7, con una confianza
del 98%.
1 y 2 .
2 2
CUANDO SE CONOCEN LAS VARIANZAS
83
En muchas investigaciones interesa conocer la relacin entre las medias de dos
poblaciones.
Si x 1 y x 2 son medias de dos muestras aleatorias independientes de tamao n 1 y n2
seleccionadas de poblaciones normales que tienen medias 1 y 2 y varianzas
z
x 1 x 2 D o
1
2 2
2
n1 n 2
Ejemplo
Dos tipos diferentes de botellas de vidrio son adecuados para la utilizacin en una
embotelladora de gaseosas. La resistencia a la presin interna es una caracterstica de
calidad importante. Se sabe que las desviaciones estndares son iguales a 3 lb. Se tomo
una muestra aleatoria de 16 botellas del primer tipo y dio una resistencia promedio a la
presin de 180.8 lb. Una muestra de igual tamao del segundo tipo dio una resistencia
promedio a la presin de 175.1 lb. La embotelladora no utilizara las botellas del tipo 1 a no
ser que su resistencia promedio a la presin exceda a las del tipo 2 en por lo menos 5 lb,
con una confianza del 99%.
Solucion
En este problema se conocen las varianzas poblacionales de las resistencias a la presin
de ambos tipos de botellas, 1 = 2 = 3 lb., 12 = 22 = 9 lb2, = 0.01.
n1 = 16, x 1 = 180.8 lb.
n2 = 16, x 2 = 175.1 lb.
84
z
180.8 175.1 5 = 0.93.
9 9
16 16
c) tercer paso. Determinacin de la regin crtica.
Z = Z 0.01 = -2.33.
1 y 2 .
2 2
CUANDO SE DESCONOCEN LAS VARIANZAS
Es muy comn comparar dos promedios de dos poblaciones en las cuales se desconocen
sus varianzas.
Supongamos que x 1 y x 2 son medias de dos muestras aleatorias independientes de
tamao n1 < 30 y n2 < 30, seleccionadas de poblaciones normales que tienen medias 1
t
x 1 x 2 D o , donde:
1 1
sp
n1 n 2
2
n1 1s12 n 2 1s 22
s
n1 n 2 1
p
85
En cualquiera de los casos si se cumple la relacin en las regiones crticas se rechaza la
hiptesis nula, en caso contrario se acepta.
Ejemplo
La estatura media de 25 estudiantes de la carrera de ingeniera civil es de 68.2 pulgadas
con una desviacin estndar de 2.3 pulgadas, mientras que 25 de ingeniera Agrcola
promediaron 67.5 pulgadas de estatura con desviacin estndar de 2.8 pulgadas. Se
podra afirmar que los que estudian civil sean mas altos que los que estudian agrcola,
probarlo con = 0.05.
Solucin
En este caso se desconocen las varianzas de las estaturas de los estudiantes de ambas
Nota: Si las varianzas poblacionales son desconocidas y los tamaos de las muestras son
lo suficientemente grande (n 30), tomadas de dos poblaciones que son normales,
entonces se utiliza el estadstico de prueba para cuando las varianzas son conocidas y las
desviaciones estndar poblacionales se estiman con las desviaciones estndar de las
muestras.
Ejemplo
Interesa comparar los caudales de un ro en los meses de Agosto y Septiembre. En los
Treinta y un das del mes de Agosto el caudal promedio fue de 8.85 pies 3 por segundo
con una desviacin estndar 2.5 pies3 por segundo. En los treinta das del mes de
Septiembre el caudal promedio fue de 7.95 pies3 por segundo con una desviacin estndar
86
1.8 pies3 por segundo. Hay evidencia suficiente para decir que en esos dos meses, el ro
tiene diferentes caudales, con un nivel de significacin de 0.05.
Solucin
En este caso se desconocen las varianzas poblacionales pero, los tamaos de las muestras
son mayores o iguales a 30. Usaremos la normal y estimaremos las varianzas.
n1 = 31, x 1 = 8.85, S1 = 2.5.
n2 = 30, x 2 = 7.95, S2 = 1.8
a) primer paso. Planteamiento de las hiptesis.
H0 : 1 - 2 = 0
H1: 1 - 2 0
b) segundo paso. Seleccin del estadstico de prueba.
z
8.85 7.95 0 = 1.617.
2 2
2 .5 1 .8
31 30
c) tercer paso. Determinacin de la regin crtica.
Z/2 = Z0.025 = -1.96, Z 1-/2 = t 0.975 = 1.96.
d) Cuarto paso. Decisin estadstica.
Se rechaza H0, si Z < Z /2 o Z > Z 1-/2
1.617 < -1.96 o 1.617 > 1.96. (Falso). Se acepta H0.
(F) (F)
e) Quinto paso. Conclusin.
Se puede afirmar con una confianza del 95% que no hay diferencia en los
caudales de dicho ro, en los meses de Agosto y Septiembre.
Con muestras pequeas, tomadas de una poblacin binomial se puede probar la hiptesis
de que la proporcin P: nmero de xitos, sea igual a algn valor dado, (P 0). La variable
adecuada para efectuar esta prueba es la binomial.
87
Donde x: es el # de xitos en la muestra.
x x
Se rechaza H0, si: > P0 y P o < P0 y P .
n n
Ejemplo
Una empresa que vende e instala paneles solares, afirma que en una comarca de un
municipio del departamento de chontales, el 10% de las casas poseen este tipo de energa
alternativa. Que dira usted, si en una muestra de 16 casas tomada en dicha comarca
solamente una tiene panel solar, utilice = 0.05.
Solucion
H0 : P = 0.1
H1 : P 0.1
Hallemos el valor de P , P = 2P(X 1, n = 20, p = 0.1). Buscando en la tabla binomial la
probabilidad: P(X 1, n = 16, p = 0.1) = F(1) = 0.5147.
P = 2(0.8108) = 1.0294.
x
Si esto es cierto < P0 y P , se rechaza la H0.
n
1
= 0.0625 < 0.1 y 1.6216 0.05 (la conjuncin es falsa)
16
(F) (F)
Conclusin: Se acepta la hiptesis nula, por lo tanto la empresa que vende paneles solares
tiene razn en dicha comarca, esto se afirma con un nivel de error de 0.05.
Ejemplo
Para el examen de admisin que se practica anualmente en la UNI, se afirma que no ms
del 5% de los bachilleres que lo realizan lo aprueban. En una muestra tomada al azar de
200 de estos alumnos 8 aprobaron, probar lo dicho con = 0.05.
Solucion
H0 : P 0.05
H1 : P > 0.05
Para hallar el valor de P, con la binomial el planteamiento sera:
P = p(X 8, n = 200, p = 0.05).
88
x
Z= = (7.5 10)/3.0822 = -0.81.
p(X 8, n = 200, p = 0.05) p(x > 7.5) = 1- (z)= 1 - (-0.81)
= 1 - 0.209 = 0.791. Por lo tanto:
P = 0.791 0.05, es falso, por lo tanto se acepta H0.
Concluimos que es correcta la afirmacin, con = 0.05.
Z=
p1 p2 p1 p2 =
p1 p2 D0
p1 q1 p2 q2 p1 q1 p2 q2
n1 n2 n1 n2
Es comn, en este tipo de problemas, desconocer las proporciones poblacionales, en esta
situacin se consideran: P1 = P2 y q1 = q2, sustituyendo en la expresin anterior:
Z=
p1 p2 D0 , donde el valor de P se estima por: P = n1p1 n2 p2 .
1
pq
1 n1 n2
n1 n 2
Para: H0: P1 - P2 = D0, donde D0: es la diferencia hipottica.
a) Contra la alternativa: H1: P1 - P2 D0, la regin crtica es:
Ejemplo
En un estudio para medir la proporcin de los habitantes de dos barrios de Managua que
estn en desacuerdo con la construccin de una antena para telefona celular, se encontr
que 48 de 200 del primero estn en desacuerdos en la construccin, mientras que 38 de
160 del segundo barrio tambin estn de acuerdo. Existe alguna diferencia significativa
entre las proporciones de residentes de ambos barrios que estn en desacuerdo con la
construccin de dicha antena, probarlo con = 0.05.
Solucion
p1 = 48/200 = 0.24. (En desacuerdo del primer barrio)
p2 = 38/160 = 0.2375. (En desacuerdo del segundo barrio)
89
a) primer paso. Planteamiento de las hiptesis.
H0: P1 - P2 = 0
H1: P1 - P2 0
b) segundo paso. Seleccin del estadstico de prueba.
z
0.24 0.2375 0 = 0.055.
1 1
0.239(0.761)
200 160
c) tercer paso. Determinacin de la regin crtica.
Z/2 = Z0.025 = -1.96, Z 1-/2 = t 0.975 = 1.96.
Para probar la hiptesis nula: H0: 2 = 20, en base a una muestra aleatoria tomada de
una poblacin normal con varianza: 20, el estadstico de prueba adecuado es la variable
aleatoria que tiene distribucin Ji-cuadrada con n-1 grados de libertad:
(n 1) s 2
x2 .
2
0
a) Contra la hiptesis alternativa: H1: 2 20, la regin critica es:
1 / 2 / 2
2 2 2 2
o
b) Contra la hiptesis alternativa: H1: 2 < 20, la regin critica es:
1
2 2
c) Contra la hiptesis alternativa: H1: 2 > 20, la regin critica es:
2 2
Los valores crticos se buscan en la tabla Ji-cuadrada con: v = n-1 (grados de libertad).
90
Ejemplo
Una compaa que produce arandelas afirma que la variacin cuadrtica del dimetro
interno es de 0.0002 cm2. Una muestra aleatoria de 10 de estas arandelas dio una
desviacin estndar de 0.02 cm. Si se supone que las medidas de estos dimetros se
distribuyen normales, habr evidencia para refutar lo afirmado por la compaa?
Solucion
= 0.05, n = 10, S = 0.02 cm., S2 = 0.0004 cm2
1 / 2 / 2
2 2 2 2
Se rechaza H0, si o
18 < 19.02 o 18 > 2.7 (Verdadero). Se rechaza H0.
(v) (V)
e) Quinto paso. Conclusin.
Con un 95% de confianza se puede refutar lo que dice la compaa productora de
arandelas.
EJERCICIOS RESUELTOS
91
1
s
2
9 0 .302 2 9 3 .893 2 = 7.58,
p 18
sp = 2.754
c) tercer paso. Determinacin de la regin crtica.
-t (1-), (n-1) = -t 0.95, 15 = -1.734
d) Cuarto paso. Decisin estadstica.
Se rechaza H0, si t < t (1-), (n-1)
0.471< -1.734
(F) Se acepta H0.
e) Quinto paso. Conclusin.
Se puede afirmar que el rendimiento del vehiculo europeo es al
menos 15 Km. por galn ms econmico que el norteamericano,
con = 0.05.
92