Académique Documents
Professionnel Documents
Culture Documents
SECRETARA ACADMICA
COORDINACIN DE ADMINISTRACIN
ESCOLAR Y DEL SISTEMA ABIERTO
COMPENDIO FASCICULAR
ESTADSTICA DESCRIPTIVA E
INFERENCIAL II
FASCCULO 1. VARIABLES ALEATORIAS
FASCCULO 1. CORRIENTE ELCTRICA E INDUCCIN
MAGNTICA
FASCCULO
FASCCULO 2. FUNCIONES
2. TRANSMISIN DE DISTRIBUCIN
ONDULATORIA DE LA DE
ENERGA
PROBABILIDAD
FASCCULO 3. RADIACIN ELECTROMAGNTICA
FASCCULOE INTERACCIONES
3. FUNCIONES DE DISTRIBUCIN
ATMICAS Y NUCLEARES
NORMAL ESTNDAR
Este compendio fascicular es producto de un primer esfuerzo acadmico del Colegio por
ofrecer a todos sus estudiantes un material de calidad que apoye su proceso de
enseanza-aprendizaje, conformado por fascculos.
DIRECCIN GENERAL
P RE S E N T AC I N D E L CO M P E N DI O F AS C I C UL AR
Cuenta con una presentacin editorial integrada por fascculos, captulos y temas que te
permitir avanzar gilmente en el estudio y te llevar de manera gradual a consolidar tu
aprendizaje en esta asignatura. Para que conozcas los modelos estadsticos bsicos:
descriptivos, probabilsticas e inferenciales que te permitirn organizar la informacin
cualitativa y cuantitativa para representarla en forma ordenada, describirla e interpretarla
y hacer inferencias, de tal manera que puedas aplicar dichos modelos en la resolucin
de problemas sociales, econmicos y fsicos naturales de las diversas reas de
conocimiento.
COLEGIO DE BACHILLERES
ESTADSTICA DESCRIPTIVA E
INFERENCIAL II
1
2
NDICE
INTRODUCCIN 5
PROPSITO 7
SIMBOLOGA 9
3
1.8 GRFICA DE UNA FUNCIN DE
DISTRIBUCIN DE PROBABILIDAD
ACUMULADA (HISTOGRAMA DE
PROBABILIDAD ACUMULADA OJIVA) 35
RECAPITULACIN 52
ACTIVIDADES DE CONSOLIDACIN 53
AUTOEVALUACIN 54
ACTIVIDADES DE GENERALIZACIN 56
GLOSARIO 57
BIBLIOGRAFA CONSULTADA 59
4
INTRODUCCIN
Existen cuando menos cuatro buenas razones para estudiar estadstica, al hacerlo sers
capaz de:
5
En tu vida diaria encontraras ejemplos como los siguientes:
6
PROPSITO
QU APRENDERS?
Manejars y clasificars las variables
aleatorias (discretas y continuas),
relacionndolas con el concepto de evento
estocstico.
CMO LO LOGRARS?
A travs del concepto de funcin y de esta
manera conocers sus elementos
esenciales: dominio, contradominio,
imagen, grfica, etc. Ejemplificando
adems las funciones probabilsticas
bsicas, tales como: las funciones de
distribucin, acumulada y valor esperado.
PARA QU TE VA A SERVIR?
Para as acceder al conocimiento de la
Estadstica Inferencial como prueba de
hiptesis y estadsticos no paramtricos.
Adems de que podrs verificar su
aplicacin en problemas y/o fenmenos de
la vida cotidiana.
7
Observa el siguiente esquema donde se te presentan los temas que estudiars:
8
SIMBOLOGA
SMBOLO SIGNIFICADO
Espacio muestral
n! n factorial
Xi Variable aleatoria
Sumatoria
f(x) Notacin de funcin
P(Xi) Probabilidad de la variable aleatoria
Media poblacional
fi Frecuencia
N Tamao de la poblacin
n Tamao de la muestra
E(X) Esperanza matemtica
2
Varianza
Desviacin estndar
9
10
CAPTULO 1
VARIABLES ALEATORIAS
Figura. 1
Figura. 2
11
Tomar el tiempo que un lpiz tarda en caer
Figura. 3
Pero existen otros fenmenos que no pueden determinarse con seguridad, por que estn
sujetos al azar como son:
Figura. 4
En Medicina:
El nmero de nacimientos atendidos en una clnica en cierto da y registrar cuantos son
nios o nias
Figura. 5
12
En Matemticas:
Lanzar un moneda y observar que pueda caer guila o sol.
Figura. 6
En fin, muchos de los fenmenos que conoces y que no siempre ocurren de la misma
forma, y que estn sujetos al azar, les llamamos FENMENOS ALEATORIOS.
ACTIVIDAD DE REGULACIN
( ) La prima que cobra una compaa de seguros segn la edad de las personas.
13
( ) Los salarios que reciben los empleados de una empresa.
( ) La Ley de las proporciones constantes en una reaccin qumica.
( ) El fenmeno biolgico de smosis.
( ) La resultante de un sistema de fuerzas.
( ) La cantidad administrada de penicilina a un paciente.
( ) La sincronizacin de los semforos en la Ciudad de Mxico.
( ) La cantidad de automviles vendidos el ao pasado.
( ) La temperatura a la que hierve el agua.
EXPLICACIN INTEGRADORA
Recuerda que los Fenmenos Determinsticos; son todos aquellos fenmenos que
ocurren siempre de la misma forma y siempre tienen los mismos resultados.
Figura. 7
14
Las flechas indican la correspondencia entre elementos de los conjuntos A y B; las
primeras componentes de las parejas pertenecen al conjunto A, llamado conjunto de
partida o dominio, mientras las segundas componentes pertenecen al conjunto B,
denominado conjunto de llegada, codominio o contradominio.
En una relacin, las primeras componentes de sus pares ordenados forman un conjunto
al cual se le llama dominio de la relacin, y las segundas componentes forman otro
conjunto llamado rango o conjunto imagen.
Figura. 8
Figura. 9
15
A este conjunto se le llama ESPACIO MUESTRAL y se designa por la letra . Adems
es el dominio de la funcin de variable aleatoria y a cada uno de sus resultados, se le
llama EVENTOS.
ACTIVIDAD DE REGULACIN
SOLUCIN.
Ayudados por un diagrama de rbol, los resultados de las preguntas anteriores son:
DIAGRAMA DE ARBOL
Figura. 10
16
Dominio o = { (A,A,A), (A,A,S), (A,S,A), (A,S,S), (S,S,A), (S,A,S), (S,S,A), (S,S,S) }
17
2. Experimento aleatorio: Lanzar una moneda y un dado.
DIAGRAMA DE ARBOL
Figura. 11
Dominio o = { (A,1), (A,2), (A,3), (A,4), (A,5), (A,6), (S,1), (S,2), (S,3), (S,4), (S,5), (S,6) }
DIAGRAMA DE RBOL
Figura. 12
18
Dominio o = { (1,2,3), (1,3,2), (2,1,3), (2,3,1), (3,2,1), (3,1,2) }
CONTEO DEL ESPACIO MUESTRAL
En el experimento de las repuestas del examen, no se vale poner dos veces el mismo
nmero, as que:
Podemos entonces decir que en los casos en que las respuestas No se pueden repetir
(no hay repeticin) el se determina con la frmula factorial.
DIAGRAMA DE RBOL
Figura. 13
8 resultados posible.
19
5. Experimento aleatorio: Los lugares ocupados en una fila de supermercado por
tres personas.
Llamemos P1 = Primera persona, P2 = Segunda persona y P3 = Tercera persona.
DIAGRAMA DE ARBOL
Figura. 14
En los ejercicios anteriores de lanzar las monedas, el conteo del est dado por:
= nx. Por lo que los resultados pueden repetirse
Recuerda! Solo cuando no hay repeticin se usa el factorial.
ACTIVIDAD DE REGULACIN
1. En Gentica, se sabe que al cruzar dos especies de pollos (White Legorn) con
(Black Legorn), los vstagos son blancos y negros, es decir, que en la primera
generacin no hay pintos. Supongamos que en una cruza nacen 5 pollos, de
recin nacidos todos son amarillos, pero a la sptima semana cambian el
plumaje, determina el del color de los pollos: llama B a los pollos blancos y N
a los negros.
20
2. En una encuesta realizada por el Colegio de Bachilleres en los Pedregales de
Coyoacan, Ciudad de Mxico, se investig el nivel educativo de los pobladores:
en el siguiente cuadro se dan los resultados:
NMERO
NIVEL GRADO DE
EDUCATIVO: PERSONAS
(Aos de estudio)
21
II. En los siguientes ejercicios determina el nmero de elementos del . Para tal
efecto, selecciona de acuerdo con tu criterio, la frmula adecuada. No utilices
diagramas de rbol.
EXPLICACIN INTEGRADORA
Un evento es cada uno de los resultados del dominio de la funcin de variable aleatoria.
Funcin es una relacin entre dos conjuntos, las primeras componentes de las parejas
pertenecen al conjunto A, llamado conjunto de partida o dominio. Las segundas
componentes pertenecen al conjunto B, denominado conjunto de llegada, codominio o
contradominio.
22
1.3 VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS
Sin embargo, esto ltimo en ocasiones resulta imposible porque existen espacios
muestrales no numerables, es decir, no se pueden contar porque se subdividen
infinitamente y la funcin aleatoria no se puede contar; estas variables aleatorias se
llaman CONTINUAS. Las variables continuas, generalmente son calculadas apoyndose
de formulas matemticas o interpretadas por instrumentos de medicin por lo que
pueden tomar cualquier valor dentro de un intervalo. La estatura de un grupo de
personas ilustra el carcter continuo de las variables, ya que entre dos valores
interpretados por una cinta mtrica, digamos 1.68 m. y 1.69 m., es posible cualquier valor
como 1.687 m., y entre ste y 1.688m., sera posible registrar otra estatura, como 1.6873
m., y as hasta el infinito. El que las estaturas de las personas se reporten slo con dos
decimales de aproximacin, tiene que ver con una operacin de redondeo por razones
prcticas; la variable sigue siendo continua ya que, tericamente, es posible cualquier
valor entre dos lmites dados.
El Tiempo,
Figura. 15
El clima
Figura. 16
23
El clculo del permetro de un crculo, etc.
Figura. 17
ACTIVIDAD DE REGULACIN
En los siguientes enunciados, indica con una C dentro del parntesis, si se trata de una
funcin aleatoria continua y con una D, si se trata de una funcin aleatoria discreta:
24
EXPLICACIN INTEGRADORA
Una Funcin Aleatoria Discreta; es aquella funcin que slo toma valores enteros.
25
1.4 FUNCIN DE VARIABLE ALEATORIA DISCRETA
Supongamos que en una cruza nacen 5 pollos, de recin nacidos todos son amarillos,
pero a la sptima semana cambian el plumaje, determina el Dominio o del color de
los pollos: llama B a los pollos blancos y N a los negros.
26
Figura. 18
27
La FUNCIN DE VARIABLE ALEATORIA DISCRETA, se escribe como el conjunto de
pares ordenados del Dominio o y rango, ejemplo:
ACTIVIDAD DE REGULACIN
28
3. Seis estudiantes (S1, S2, S3, S4, S5, S6) solicitaron empleo para las vacaciones
en una empresa, pero solo contratarn a tres, en la prueba de aptitud obtuvieron
las siguientes puntuaciones:
Determina:
a) El con un diagrama de rbol.
b) El por conteo.
c) La funcin de variable aleatoria discreta.
EXPLICACIN INTEGRADORA
29
1.5 DISTRIBUCIN DE PROBABILIDAD, FUNCIN DE PROBABILIDAD
Y FUNCIN DE DENSIDAD
Del ejemplo anterior en donde el nmero de pollos blancos expresa la Xi, de 5 pollos que
nacieron, Encontremos la probabilidad de encontrar 0, 1, 2, 3, 4 y 5 pollos blancos?
Para una mejor comprensin ordenemos los datos en una distribucin de probabilidades,
donde la probabilidad se obtiene del nmero de la frecuencia de la Xi entre el total de
eventos obtenidos del .
FRECUENCIA PROBABILIDAD
EVENTO Xi
fi P(Xi= k)
1
(N,N,N,N,N) 0 1 P( Xi 0)
32
(B,N,N,N,N)
(N,B,N,N,N) 5
(N,N,B,N,N) 1 5 P( Xi 1)
(N,N,N,B,N) 32
(N,N,N,N,B)
(B,B,N,N,N)
(B,N,B,N,N)
(B,N,N,B,N)
(B,N,N,N,B)
(N,B,B,N,N) 10
(N,B,N,B,N) 2 10 P( Xi 2)
32
(N,B,N,N,B)
(N,N,B,B,N)
(N,N,B,N,B)
(N,N,N,B,B)
(B,B,B,N,N)
(B,B,N,B,N)
(B,B,N,N,B)
(B,N,B,B,N)
(B,N,B,N,B) 10
(B,N,N,B,B) 3 10 P( Xi 3)
32
(N,B,B,B,N)
(N,B,B,N,B)
(N,B,N,B,B)
(N,N,B,B,B)
(B,B,B,B,N)
(B,B,B,N,B) 5
(B,B,N,B,B) 4 5 P( Xi 4)
(B,N,B,B,B) 32
(N,B,B,B,B)
1
(B,B,B,B,B) 5 1 P( Xi 5)
32
30
5
Xi = 1 Pollos blancos, la probabilidad es de , porque hay cinco eventos con un pollo
32
blanco en 32 resultados posibles.
10
Xi = 2 Pollos blancos, la probabilidad es de , porque hay diez eventos con dos pollos
32
blancos en 32 resultados posibles.
10
Xi = 3 Pollos blancos, la probabilidad es de , porque hay diez eventos con tres
32
pollos blancos en 32 resultados posibles.
5
Xi = 4 Pollos blancos, la probabilidad es de , porque hay cinco eventos con cuatro
32
pollos blancos en 32 resultados posibles.
1
Xi = 5 Pollos blancos, la probabilidad es de , porque hay un evento con cinco pollos
32
blancos en 32 resultados posibles.
DISTRIBUCIN DE PROBABILIDAD
PROBABILIDAD
Xi
P(Xi= k)
1
0 P( Xi 0)
32
5
1 P( Xi 1)
32
10
2 P( Xi 2)
32
10
3 P( Xi 3)
32
5
4 P( Xi 4)
32
1
5 P( Xi 5)
32
31
Tal frmula necesariamente sera una funcin de los valores numricos x que
denotaremos con f(x). Por tanto, escribimos f(x) = P(Xi= k); es decir, f(0) = P(Xi= 0),
f(1) = P(Xi= 1), f(2) = P(Xi= 2), f(3) = P(Xi= 3), f(4) = P(Xi= 4), f(5) = P(Xi= 5). Llamada
como FUNCIN DE PROBABILIDAD.
1 5 10 10 5 1
D(x) = 0, , 1, , 2, , 3, , 4, , 5, , est funcin se observa con
32 32 32 32 32 32
mayor claridad en una grfica de una funcin de probabilidad.
EXPLICACIN INTEGRADORA
32
1.6 GRFICA DE UNA FUNCIN DE PROBABILIDAD (HISTOGRAMA
DE PROBABILIDAD)
Figura. 19
33
1.7 FUNCIN DE DISTRIBUCIN DE PROBABILIDAD ACUMULADA
Hay muchos problemas donde deseamos calcular la probabilidad de que el valor
observado de una Xi sea menor o igual que algn nmero real x. Al escribir
F(x) = P(X x) para cualquier nmero real x, definimos F(x) como la FUNCIN DE
DISTRIBUCIN DE PROBABILIDAD ACUMULADA.
Fx P X x f t
t x
Advierta que la suma de las longitudes de los segmentos verticales debe ser igual a 1.
34
1.8 GRFICA DE UNA FUNCIN DE DISTRIBUCIN DE
PROBABILIDAD ACUMULADA (HISTOGRAMA DE
PROBABILIDAD ACUMULADA OJIVA)
La grfica de la Funcin de Distribucin de Probabilidad Acumulada se construye
colocando los valores de Xi en el eje horizontal y las probabilidades Acumuladas
P( X i k ) en el eje vertical; los rectngulos se construyen de modo que sus bases, de
igual ancho, se centren en cada valor de X i y sus alturas sean iguales a la
probabilidades Acumuladas P( X i k ) . La grfica de la FUNCIN DE DISTRIBUCIN
DE PROBABILIDAD ACUMULADA aparece como una funcin escalonada creciente. Las
bases se construyen de forma tal que no dejen espacios entre los rectngulos, la grfica
se llama HISTOGRAMA DE PROBABILIDAD ACUMULADA mejor conocida como
OJIVA, observa el ejemplo. Tal como se muestra en la siguiente figura:
Figura 20.
35
ACTIVIDAD DE REGULACIN
I. Completa con tus propias palabras. Si tienes duda vuelve a revisar el contenido o
consulta a tu asesor.
36
Si la variable aleatoria es X = Modelo de automvil, determina:
a) La Distribucin de probabilidad
b) La Grfica de la Distribucin de Probabilidad
c) La Funcin de Densidad
d) La Funcin de Distribucin de Probabilidad Acumulada
e) La OJIVA.
37
1.9 ESPERANZA MATEMTICA
Una de las preguntas que te hicimos al inicio del fascculo dice: Cul es la probabilidad
de que ganes en un juego de azar y cunto esperas ganar o perder?
Recordaras que una frmula para calcular el valor de la media poblacional es:
x i fi x iP( X x i )
E( X)
N P( x )
fi
x i
N
fi P( X x i )
Como la frecuencia representa la probabilidad de que ocurra x, P( x ) , la
N P( x )
media poblacional puede escribirse como x iP( x) . Como consecuencia de estas
observaciones, si X es una variable aleatoria, definimos la media de X como sigue:
Una planta industrial grande realiza una campaa para promover el uso compartido del
automvil entre sus empleados; los datos se muestran en la siguiente tabla, obtenidos de
los empleados de la planta para conocer los efectos de la campaa.
38
x i fi 1864
La media poblacional es 1.97
N 945
ACTIVIDAD DE REGULACIN
39
2. El Amrica tiene una probabilidad de ganar de 1 . Para los prximos tres juegos,
15
determina:
40
a) Diagrama de rbol, y rango
Figura. 21
41
b) FUNCIN DE VARIABLE ALEATORIA
F(Xi) = { [ (1,1), 2], [ (1,2), 3], [ (1,3), 4], [ (1,4), 5], [ (1,5), 6], [ (1,6), 7]
[ (2,1), 3], [ (2,2), 4], [ (2,3), 5], [ (2,4), 6], [ (2,5), 7], [ (2,6), 8]
[ (3,1), 4], [ (3,2), 5], [ (3,3), 6], [ (3,4), 7], [ (3,5), 8], [ (3,6), 9]
[ (4,1), 5], [ (4,2), 6], [ (4,3), 7], [ (4,4), 8], [ (4,5), 9], [ (4,6), 10]
[ (5,1), 6], [ (5,2), 7], [ (5,3), 8], [ (5,4), 9], [ (5,5), 10], [ (5,6), 11]
[ (6,1), 7], [ (6,2), 8], [ (6,3), 9], [ (6,4), 10], [ (6,5),11], [ (6,6), 12] }
c) DISTRIBUCIN DE PROBABILIDAD
EVENTO Xi FRECUENCIA fi PROBABILIDAD P(Xi= k)
1
(1,1) 2 1 P( Xi 2)
36
(1,2) 2
3 2 P( Xi 3)
(2,1) 36
(1,3) 3
(2,2) 4 3 P( Xi 4)
(3,1) 36
(1,4)
(2,3) 4
5 4 P( Xi 5)
(3,2) 36
(4,1)
(1,5)
(2,4) 5
(3,3) 6 5 P( Xi 6)
(4,2) 36
(5,1)
(1,6)
(2,5)
(3,4) 6
7 6 P( Xi 7)
(4,3) 36
(5,2)
(6,1)
(2,6)
(3,5) 5
(4,4) 8 5 P( Xi 8)
(5,3) 36
(6,2)
(3,6)
(4,5) 4
9 4 P( Xi 9)
(5,4) 36
(6,3)
(4,6) 3
(5,5) 10 3 P( Xi 10)
(6,4) 36
(5,6) 2
11 2 P( Xi 11)
(6,5) 36
1
(6,6) 12 1 P( Xi 12)
36
42
DISTRIBUCIN DE PROBABILIDAD
PROBABILIDAD
Xi
P(Xi= k)
1
2 P( Xi 2)
36
2
3 P( Xi 3)
36
3
4 P( Xi 4)
36
4
5 P( Xi 5)
36
5
6 P( Xi 6)
36
6
7 P( Xi 7)
36
5
8 P( Xi 8)
36
4
9 P( X i 9)
36
3
10 P( Xi 10)
36
2
11 P( Xi 11)
36
1
12 P( Xi 12)
36
d) FUNCIN DE DENSIDAD
1 2 3 4 5 6 5 4 3 2 1
D( x ) 2, , 3, , 4, , 5, , 6, , 7, , 8, , 9, , 10, , 11, , 12,
36 36 36 36 36 36 36 36 36 36 36
43
e) GRFICA DE UNA FUNCIN DE PROBABILIDAD
Figura. 22
44
f) FUNCIN DE DISTRIBUCIN DE PROBABILIDAD ACUMULADA
FRECUENCIA PROBABILIDAD
EVENTO Xi PROBABILIDAD ACUMULADA
fi P(Xi)
1 1
(1,1) 2 1 P( X i 2) P( Xi 2) 36
36
(1,2) 2 1 2 3
3 2 P( X i 3) P( Xi 3)
(2,1) 36 36 36 36
(1,3) 3 1 2 3 6
(2,2) 4 3 P( X i 4) P( Xi 4) 36
36
36
36
36
(3,1)
(1,4)
(2,3) 4
1
2
3
4
10
5 4 P( X i 5) P( Xi 5)
(3,2) 36 36 36 36 36 36
(4,1)
(1,5)
(2,4) 5 1 2 3 4 5 15
(3,3) 6 5 P( X i 6) P( Xi 6) 36
36
36
36
36
36
36
(4,2)
(5,1)
(1,6)
(2,5)
(3,4) 6
1
2
3
4
5
6
21
7 6 P ( X i 7) P( Xi 7)
(4,3) 36 36 36 36 36 36 36 36
(5,2)
(6,1)
(2,6)
1 2 3 4 5 6 5
(3,5) P( Xi 8) 36
36
36
36
36
36
36
5
(4,4) 8 5 P( X i 8) 26
(5,3)
36 36
(6,2)
(3,6) P( Xi 9) 1
2
3
4
5
6
5
(4,5) 4 36 36 36 36 36 36 36
9 4 P( X i 9) 4 30
(5,4) 36
36 36
(6,3)
1 2 3 4 5 6 5
(4,6) P( Xi 10) 36
36
36
36
36
36
36
3
(5,5) 10 3 P( X i 10) 4 3 33
(6,4)
36 36
36
36
1 2 3 4 5 6 5
P( Xi 11) 36
36
36
36
36
36
36
(5,6) 2
11 2 P( X i 11) 4 3 2 35
(6,5) 36
36 36 36 36
1 2 3 4 5 6 5
P( Xi 12) 36
36
36
36
36
36
36
1
(6,6) 12 1 P( X i 12) 4 3 2 1 36
36 36
36
36
36
36
1
45
g) GRFICA DE UNA FUNCIN DE DISTRIBUCIN DE PROBABILIDAD
ACUMULADA
Figura. 23
46
h) ESPERANZA MATEMATICA
Xi PROBABILIDAD
Xi Xi P(Xi)
en pesos $ P(Xi)
2 + $ 3.00 1 3 1 3
P( X i 2) 36 36
36
2 4
3 $ 2.00 2 2
P( X i 3) 36
36
36
4 + $ 3.00 3 3 3 9
P( X i 4) 36 36
36
4 8
5 $ 2.00 4 2
P( X i 5) 36
36
36
6 + $ 3.00 5 3 5 15
P( X i 6) 36 36
36
6 60
7 $ 10.00 6 10
P ( X i 7) 36
36
36
8 + $ 3.00 5 3 5 15
P( X i 8) 36 36
36
4 8
9 $ 2.00 4 2
P( X i 9) 36
36
36
10 + $ 3.00 3 3 3 9
P( X i 10) 36 36
36
11 $ 2.00 2 2 2 4
P( X i 11) 36
36
36
12 + $ 3.00 1 3 1 3
P( X i 12) 36 36
36
30 5
VALOR ESPERADO E ( X ) X i P X i
36 6
En promedio perder $ 5.00 cada 6 juegos.
Por otra parte, el valor esperado de algunos eventos puede estar muy disperso. Cuando
se trata de tomar decisiones, es importante conocer la variacin total de los eventos, ya
que sirve para ver la heterogeneidad de las variables aleatorias, cuando la variacin es
muy alta y la homogeneidad cuando la variacin es muy pequea.
47
En el ejemplo que hicimos del experimento de lanzar dos dados y determinar como
variable aleatoria a la suma de las caras, el nmero de resultados del es 36 y :
a) La variable aleatoria xi es igual a la suma de los puntos de las caras, est dada
en la primera columna de la siguiente tabla.
b) La probabilidad P(x) de cada evento (suma de eventos) est dada en la segunda
columna de dicha tabla.
c) Encontramos que la Esperanza Matemtica E(xi) menos el valor esperado E(x)
[E(xi) - E(x)], tal como se indica en la tercera columna del cuadro.
d) La variacin total (varianza), est dada como la suma de los cuadrados de cada
una de las diferencias de los valores esperados, calculadas en la columna
anterior, tal y como se indica en la cuarta columna del cuadro.
2
Xi P(xi) E(xi) E(x) [E(xi) E(x)]
1 1 30 31 961
2 36 36 36 36 1296
2 2 30 32 1024
3 36 36 36 36 1296
3 3 30 33 1089
4 36 36 36 36 1296
4 4 30 34 1156
5 36 36 36 36 1296
5 5 30 35 1225
6 36 36 36 36 1296
6 6 30 36 1296
7 36 36 36 36 1296
5 5 30 35 1225
8 36 36 36 36 1296
4 4 30 34 1156
9 36 36 36 36 1296
3 3 30 33 1089
10 36 36 36 36 1296
2 2 30 32 1024
11 36 36 36 36 1296
1 1 30 31 961
12 36 36 36 36 1296
12206
TOTAL : 9.4182
1296
48
El resultado de la tabla significa que:
La varianza se simboliza:
Ex Ex
2
VARIANZA 2 i
Ex Ex
2
DESVIACIN ESTANDAR i
9.4182 3.0689
49
ACTIVIDAD DE REGULACIN
Resuelve los siguientes ejercicios, utiliza tu cuaderno para dar tus respuestas:
1. En un juego hay tres mquinas, en la mquina M 1 tienes que pagar $ 1.00 por jugar,
pero si ganas la mquina te regresa $ 2.00 y tienes una probabilidad de 31 de ganar.
En la mquina M2 tienes que invertir $ 2.00, pero si ganas la mquina te devuelve $
5.00 y tienes una probabilidad de 81 . En la mquina M3 tienes que pagar $1.5 y si
1
ganas te da $ 3.00 con una probabilidad de 5
de ganar. Si juegas 2 juegos en la
mquina 1, tres juegos en la mquina 2, y 3 juegos en la mquina 3.
2. En una investigacin que hicieron los alumnos del Colegio de Bachilleres, sobre la
demanda de empleos que requieren un mnimo de estudios de Bachillerato en
diversos peridicos dominicales, encontraron lo siguiente:
b) La varianza de sueldos.
50
EXPLICACIN INTEGRADORA
x iP( x)
x E( X) xP( x)
51
RECAPITULACIN
52
ACTIVIDADES DE CONSOLIDACIN
Con la finalidad de que apliques tus conocimientos que adquiriste en este fascculo,
resuelve el siguiente problema.
La variable aleatoria x es igual a la suma de puntuacin de los tres solicitantes que van a
contratar:
DETERMINA:
a) El diagrama de rbol, o Espacio Muestral , y rango.
b) La Funcin de Variable Aleatoria Discreta.
c) La Distribucin de Probabilidad.
d) La Funcin de Densidad.
53
AUTOEVALUACIN
F(Xi) = { [(3,2,1), 6], [(3,2,3), 8], [(3,1,2), 6], [(3,1,3), 7], [(3,3,2),8], [(3,3,1), 7]
[(2,3,1), 6], [(2,3,3), 8], [(2,1,3), 6], [(2,1,3), 6], [(2,3,3),8], [(2,3,1), 6]
[(1,3,2), 6], [(1,3,3), 7], [(1,2,3), 6], [(1,2,3), 6], [(1,3,3),7], [(1,3,2), 6]
[(3,3,2), 8], [(3,1,3), 7], [(3,2,3), 8], [(3,2,1), 6], [(3,1,3),7], [(3,1,2), 6] }
c) La Distribucin de Probabilidad.
PROBABILIDAD
Xi
P(Xi=k)
12
6 P(Xi = 6) =
24
6
7 P(Xi = 7) =
24
6
8 P(Xi = 8) =
24
12 6 6
d) La Funcin de Densidad. D(x) = 6, , 7, , 8,
24 24 24
54
f) La Funcin de Distribucin de Probabilidad Acumulada.
PROBABILIDAD PROBABILIDAD
Xi
P(Xi=k) ACUMULADA
12 12
6 P(Xi = 6) = P(Xi = 6) =
24 24
6 12 6 18
7 P(Xi = 7) = P(Xi = 7) = =
24 24 24 24
6 12 6 6 24
8 P(Xi = 8) = P(Xi = 8) = = =1
24 24 24 24 24
Xi SALARIO
6 $230.00
7 $165.00
8 $175.00
55
AC T I V I D AD E S D E G E N E R AL I Z AC I N
Con la finalidad de que apliques y consolides tus conocimientos que adquiriste en este
fascculo, resuelve lo siguiente:
En un concurso de baile se asignarn tres premios para las personas que obtengan el
1, 2 y 3 lugar; para lo cual se hace una convocatoria y un examen. Se presentan 8
participantes y los premios de la prueba son los siguientes:
DETERMINA:
a) El Espacio Muestral , y rango.
b) La Funcin de Variable Aleatoria Discreta.
c) La Distribucin de Probabilidad.
d) La Funcin de Densidad.
56
GLOSARIO
Funcin aleatoria discreta: Es aquella funcin que slo toma valores enteros.
57
Funcin de distribucin de probabilidad acumulada: Es la acumulacin de cada
evento.
Funcin: Es una relacin entre dos conjuntos; las primeras componentes de las
parejas pertenecen al conjunto A, llamado conjunto de partida o dominio,
las flechas indican las correspondencias entre elementos de los
conjuntos A y B, mientras las segundas componentes pertenecen al
conjunto B, denominado conjunto de llegada, codominio o contradominio.
58
BIBLIOGRAFA CONSULTADA
59
COLEGIO DE BACHILLERES
ESTADSTICA DESCRIPTIVA E
INFERENCIAL II
1
2
NDICE
INTRODUCCIN 5
PROPSITO 79
SIMBOLOGA 11
3
RECAPITULACIN 59
ACTIVIDADES DE CONSOLIDACIN 60
AUTOEVALUACIN 64
ACTIVIDADES DE GENERALIZACIN 65
ANEXO 1 66
ANEXO 2 73
BIBLIOGRAFA CONSULTADA 78
4
INTRODUCCIN
Jacob Bernoulli
Fue de los primeros en estudiar y aplicar las teoras de clculo de Leibniz, que
resultaban muy confusas para los grandes matemticos, siendo el Jacob el primero en
usar el trmino de integral.
En 1689 Bernoulli publica dos importantes trabajos, uno sobre series infinitas y otro que
demostraba la llamada ley de los grandes nmeros.
5
Simen Denis Poisson
Denis Poisson fue un prolfico matemtico que desempeo varios puestos dentro del
sistema educativo de Francia y que realizo gran cantidad de investigaciones de
investigaciones matemticas, a continuacin se mencionan algunos de los hechos
notables de su vida.
En 1812 Poisson ingresa a la academia de fsica del Instituto a partir del trabajo
desarrollado sobre la distribucin de la electricidad en la superficie de los cuerpos
conductores.
Poisson public entre 300 y 400 trabajos, todos ellos matemticos. A pesar de este gran
rendimiento, l siempre trabaj un tema a la vez. Poisson nunca dese ocuparse con dos
cosas al mismo tiempo.
Pero no todos los eventos que suceden en nuestro entorno se pueden trabajar con
funciones continuas, por ejemplo el nmero de hijos de en una familia, sabemos que
pueden ser ningn hijo o un o dos o tres hijos, etc. Pero no podemos hablar de 3 o 1 1
4 2
de hijo. Por eso es necesario en nuestra preparacin matemtica, el estudio de algunos
modelos matemticos discretos.
6
Definida una variable de estudio discreta, por ejemplo; el nmero de hijos en una familia,
el nmero de goles en un partido de ftbol, el nmero de veces en que se muestra un
nmero al lanzar un dado o el nmero de veces que se muestra guila al lanzar una
moneda, etc.
Por sta importancia en este fascculo se estudiara dos modelos de funciones discretas,
la Binomial y la de Poisson. La primera la desarrollo el matemtico suizo Jocob
Bernoulli, y en honor a su autor, la distribucin Binomial tambin se conoce como de
Bernoulli; la segunda correspondi al matemtico francs Simion Denis Poisson que en
su honor se conoce como la distribucin de Poisson.
7
8
PROPSITO
En este fascculo:
QU APRENDERS?
CMO LO LOGRARS?
PARA QU TE VA SERVIR?
9
10
SIMBOLOGA
SMBOLO SIGNIFICADO
n x nx
b(x,n,p) = p q Distribucin binomial
x
= np Media de la distribucin binomial
2
= npq Varianza de la distribucin binomial
x
f (x,n) = e Distribucin de Poisson
x!
Media de la distribucin de Poisson
2
= Varianza de la distribucin de Poisson
11
12
CAPTULO 1
FUNCIONES DE DISTRIBUCIN
DE PROBABILIDAD
Ejemplos:
Una agencia de trabajo recibe a 18 personas en respuesta a un anuncio de solicitud de
empleados publicado en el peridico. Uno de los requisitos para ser contratado es que la
persona sea casada. Si por experiencia de la agencia se sabe que tres de cuatro
personas que van a solicitar empleo son casadas. Cul ser la probabilidad de que de
los 18 solicitantes al trabajo siete de ellos sean casados?
Te interesa conocer y aplicar los modelos matemticos que nos permitan analizar y
resolver este tipo de problemas de una manera sencilla? Si es a s, continua con el
estudio de la variable discreta y la determinacin de sus probabilidades mediante dos
modelos matemticos de distribucin de probabilidad, Binomial y Poisson.
13
1.1 DISTRIBUCIN BINOMIAL
Existen muchos experimentos que tienen caractersticas comunes por lo que se pueden
clasificar de alguna manera particular y analizar mediante un mismo modelo matemtico.
Para que un experimento sea de Bernoulli tiene que cumplir las siguientes condiciones:
Anlisis:
a) El experimento consiste en 5 ensayos, por lo tanto n = 5.
Cumple con la primera condicin del experimento de Bernoulli.
b) Al lanzar la moneda hay dos posibles resultados, guila o sol. Se puede clasificar uno
de ellos como xito, por ejemplo que muestre guila.
Se cumple con la segunda condicin del experimento de Bernoulli.
d) Los ensayos son independientes entre s. Por que en cada ensayo se tienen los
mismos resultados, guila o sol, manteniendo cada resultado la misma probabilidad
de ocurrir de un ensayo a otro, la probabilidad de guila 21 y la probabilida de sol 21 .
Se cumple con la cuarta condicin del experimento de Bernoulli.
14
Como el experimento cumple con las cuatro caractersticas de un experimento de
Bernoulli, se concluye que el lanzar una moneda siete veces o n, es un experimento de
Bernoulli.
b) Al sacar una canica hay dos posibles resultados, azul o blanca. Se puede considerar
un xito obtener una canica color azul.
Se cumple con la segunda condicin del experimento de Bernoulli.
Figura. 1 Figura. 2
Figura. 3
15
La probabilidad de sacar en el tercer intento una canica azul es de:
Figura. 4
En cada ensayo se tienen los mismos resultados, obtener una canica de color azul o de
color blanca. Pero la probabilidad de obtener una canica azul o una blanca vara de un
ensayo a otro, dependiendo de los resultados de los ensayos anteriores.
16
ACTIVIDAD DE REGULACIN
n n!
x
x! n x!
Se dividen los factores del numerador n(n 1) (n 2). . ., con los factores del menor de
los factoriales x! o (n x)! del denominador que tengan divisibilidad comn. El resultado
ser el producto de los factores del numerador.
Ejemplos:
2 factores
6 con 2, mitad
6 6! 6! 6 5 4! 6 5 35
15
2 2! 6 2 ! 2!4! 2!4! 1 2 1 1
2 20 con 2,
10 6 4 mitad
18 con 3,
20 20! 20! 20 19 18 17 16 tercera
2 19 6 17 4 15504
15 15! 20 15 ! 15!5! 1 2 3 4 5 16 con 4,
cuarta
1 1 1 1 10 con 5,
quinta
17
1 8 con 4, cuarta
2 2 2 con 2, mitad
6 con 3, tercera
8 8! 8765
7 2 5 70
4
4! 4! 1 2 3 4
1 1 1
n n n n
1 n n 1
0 1 n 1 n
Ejemplos:
5 5 5 5
1 5 5 1
0 1 4 5
ACTIVIDAD DE REGULACIN
12 15 7
1) 2) 3)
3 2 4
90 13 18
4) 5) 6)
1 0 4
7 10 15
7) 8) 9)
7
5 14
18
Algunas calculadoras cientficas cuentan con la funcin de combinaciones, generalmente
indicada nCr. S tienes una de ellas prctica obteniendo los coeficientes binomiales
anteriores.
Se considera xito que la moneda muestre guila, designando con la letra "p" como la
probabilidad de xito de que la moneda muestre guila y "q" la probabilidad de
fracaso de que no muestre guila.
Conjunto imagen
ax=1
p X(S) = {0, 1}
Funcin de probabilidad:
q f(1) = P(a) = p
sx=0
f(0) = P(s) = q
19
Expresado cmo tabla:
xi 1 0
F(xi) p q
Figura. 5
Conjunto imagen
X(S) = {0, 1, 2}
Funcin de probabilidad:
2
f(0) = P(s, s) = qq = q
f(1) = P(a, s) + P(s, a) = pq + qp = 2pq
2
f(2) = P(a, a) = pp = p
xi 2 1 0
2 2
F(xi) p 2pq q
2 2
De la propiedad de la funcin de probabilidad f(xi) = 1, se tiene: p + 2pq + q = 1
20
Con cul de las siguientes expresiones la relacionas?
1 2 3/4
pq (a + b) (a + b)
3 pq
De la tabla se observa que el exponente de p esta dado por el nmero de xitos, por lo
x
que para x xitos tendramos p .
2 2
En la expresin p + 2pq + q , todos sus trminos son de 2 grado absoluto, por lo que el
trino-mio se puede escribir de la forma:
2 2 2 0 1 1 0 2
p + 2pq + q = p q + 2p q + p q
Figura. 6
21
Sea el experimento de lanzar tres veces la moneda.
Conjunto imagen
X(S) = {0, 1, 2, 3}
Funcin de probabilidad:
3
f(0) = P(s, s, s) = qqq = q
f(1) = P(a, s, s) + P(s, a, s) + P(s, s, a)
2 2 2
= pqq + qpq + qqp = pq + pq + pq
2
= 3pq
f(2) = P(a, a, s) + P(a, s, a) + P(s, a, a)
2 2 2
= ppq + pqp + qpp = p q + p q + p q
2
= 3p q
3
f(3) = P(a, a, a) = ppp = p
n=3
xi 3 2 1 0
3 3
f(xi) P 3p2q 3pq2 q
22
Grficamente, la funcin de distribucin de probabilidad de una moneda lanzada tres
veces, es:
Figura. 7
n
f (x i ) p x qn x
xi
Definicin.
Distribucin Binomial.
Si un ensayo binomial puede resultar en xito con una probabilidad p y un
fracaso con una probabilidad q = 1 p, entonces la distribucin de probabilidad
de la variable aleatoria binomial X con x xitos en n ensayos independientes, es:
n
b(x, n, p) p x qn x x = 0,1,2,3...n
x
.
23
Utilizaremos la frmula para determinar la funcin de distribucin del lanzamiento de una
moneda tres veces, n = 3, con una probabilidad de xito p y una probabilidad de fracaso
q, siendo x la variable aleatoria el nmero de veces que la moneda muestre guila.
n
b( x, n, p) p x q n x .
x
3 3! 3! 3
b(0,3, p) p 0 q 3 0 (1) q 3 q 1q 3 q 3 ,
0
0! ( 3 0 )! 1 3!
3 3! 3 2! 3
b(1,3, p) p 1q 3 1 p q2 pq 2 pq 2 3 pq 2 ,
1
1! ( 3 1)! 1 2! 1
3 3! 3 2! 2 3
b(2,3, p) p 2 q 3 2 p 2q1 p q p 2 q 3p 2 q ,
2
2! ( 3 2)! 2! 1! 1
3 3! 3! 1
b(3,3, p) p 3 q 3 3 p3q 0 p 3 (1) p 3 p 3 .
3
3! ( 3 3 )! 3! 0! 1
Antecedentes:
Para poder contestar las preguntas planteadas en los problemas de distribucin binomial
y de Poisson, se estudiarn brevemente las desigualdades.
Desigualdades:
24
En los siguientes ejemplos, por comodidad y debido a que estamos en variables
discretas, se trabajarn nicamente cantidades enteras positivas (o nmeros naturales).
Ejemplos:
Indicar todos los nmeros enteros positivos que cumplan con las siguientes
desigualdades.
x<6 R. 0, 1, 2, 3, 4, 5, x < 11 R.
x6 R. 0, 1, 2, 3, 4, 5, 6 x > 20 R.
x8 R. 8, 9, 10, 11, .+ x 30 R.
Ejemplo:
Si n = 15, Qu enteros positivos cumplen con las desigualdades x > 7 y x 7 ?
ACTIVIDAD DE REGULACIN
x5 R.
x>4 R.
x<3 R.
x5 R.
25
En algunos casos se manejan intervalos abiertos y cerrados para los valores de x.
Ejemplos:
Qu nmeros naturales cumplen con las siguientes desigualdades?
ACTIVIDAD DE REGULACIN
x>3 R.
5x7 R.
x<5 R.
9 < x < 11 R.
15 < x < 22 R.
x6 R.
11 x 19 R.
x > 17 R.
x<8 R.
X 25 R.
26
La siguiente tabla da algunos enunciados de las condiciones ms frecuentes que
plantean en problemas en que estn involucradas las distribuciones Binomial y de
Poisson.
Tabla de condiciones
2) a o b xitos.
x = a,b f(x = a,b) = f(a) + f(b)
3) Menos de a xitos.
x<a f(x < a)
Ejemplo:
En un experimento con 10 ensayos, cmo se planteara, obtener:
a) Solamente 1 xito.
b) A lo ms 3 xitos.
c) Entre 2 y 5 xitos.
d) Ms de 2 xitos.
e) De 4 a 6 xitos.
f) 4 o 5 xitos.
g) Por lo menos 3 xitos.
h) Menos de 3 xitos.
27
Indica dentro de los parntesis los nmeros faltantes.
a) x = 1 f(1)
e) 4 x 6 f(4 x 6) = f( ) + f(5) + f( )
Ejemplo
Supngase que la probabilidad de que un estudiante no repruebe ninguna materia en el
bachillerato es de 1/3. Si se toma una muestra aleatoria de cinco estudiantes, encuentra
la probabilidad de que en ella no hayan reprobado ninguna materia:
a) 2 estudiantes.
b) Menos de 2 estudiantes.
Solucin:
n=5
p = 1/3
q = 1 p = 1 (1/3) = (3/3) (1/3) = 2/3
a) x = 2
n
b( x, n, p) p x q n x
x
5 5!
b(2,5,1 / 3) (1 / 3)2 (2 / 3)5 2 (1 / 3)2 (2 / 3)3 .
2 2! (5 2)
5! 1 4 5 4 3! 8 8 80
10
2! 3! 9 9 1 2 3! 243 243 243
28
El resultado indica que de 243 posibles muestras seleccionadas de cinco alumnos cada
una de ellas, probablemente 80 tengan dos alumnos que no reprobaron ninguna materia.
b) x < 2
0 5 0 1 5 1
1 1 5 1 2 5 1 2
b( x 2,5,1/ 3) b 0,5, b1,5,
3 3 0 3 3 1 3 3
5 4
5! 2 5! 1 2 5! 32 5! 1 16
(1) (1)
0! (5 0)! 3 1! (5 1)! 3 3 1 5! 243 1 4! 3 81
32 5 4! 16 32 16 32 80 112
1 5 .
243 1 4! 243 243 243 243 243 243
El resultado indica que de 243 posibles muestras seleccionadas, de cinco alumnos cada
una de ellas, probablemente 112 tengan menos de dos alumnos que no reprobaron
ninguna materia.
S = {a,s}
xi 0 1
(xi) q p
29
La media o valor esperado (esperanza matemtica).
n
E( x ) x
i 1
i f ( x i ) x1f ( x1 ) x 2 f ( x 2 ) ... x n f ( x n ) i ( x i)
E( x ) 0(q ) 1( p) .
xi 0 1 2
2 2
(xi) q 2pq p
La media ser:
n
E( x ) x
i 1
i f ( x i ) x1f ( x1 ) x 2 f ( x 2 ) ... x n f ( x n ) i ( x i)
Si as lo crees, al lanzar una moneda tres veces, la media debe ser E(x) = 3p.
xi 0 1 2 3
3 2 2 3
(xi) q 3pq 3p q p
3p q 2 2pq p 2 3pq p 3p1 3p .
2
Conclusin
=np
30
Varianza
2 x12 f ( x1 ) x 22 f ( x 2 )... x n2 f ( x n ) 2 .
2 02 (q) 12 (p) (1p)2 p p2 p(1 p) pq
2 pq .
Y la desviacin estndar:
pq
2 2pq .
La desviacin estndar:
2pq
31
Sustituyendo las p que estn dentro de los corchetes, por 1-q:
2 3p q 2 4(1 q )q 3(1 q ) 2 3(1 q )p 3p q 2 4q 4q 2 3(1 2q q 2 ) 3 3q
3pq 2
4q 4q 2 3 6q 3q 2 3 3q 3pq 3pq l.q.d
n
b(x, n, p) p x qn x , x = 0,1,2,...,n.
x
Distribucin binomial
Media np
Varianza 2 npq
Desviacin estndar npq
32
En el siguiente ejemplo de distribucin binomial se utiliza su modelo matemtico.
n n n!
Frmula: b( x, n, p) p x q n x ;
x x x! (n x )!
Datos:
n = 20
p = 0.15
q = 1 p = 1 0.15 = 0.85
Desarrollo:
a) x=3
20 20!
b(3, 20, 0.15) (0.15) 3 (0.85) 20 3 (0.15) 3 (0.85)17
3
3! ( 20 3 )!
20!
(0.003375)(0.063113) 0.24282
3!17!
b) x = < 6
b (x 6, 20, 0.15) = b(0, 20, 0.15) + b ( _________) + b(2, 20, 0.15) + b(_________)
33
c) x = 8
20 !
b(8, 20, 0.15) (0.15) 8 (0.85) 20 8 (0.15) 8 (0.85)12
8 ! ( )!
= 4.591984 x 103
= 0.004592
d) x < 3
= __________+__________+_________ = 0.404895.
e) x 3
b (x 3, 20, 0.15) =
= b (3, 20, 0.15) + b (4, 20, 0.15) + b (4, 20, 0.15) + + b (20, 20, 0.15).
Figura. 8
P(A) = 1 P(A).
34
En nuestro ejemplo, los eventos que suceden son x 3, es decir, x=
3, 4, 5, 6, 7, 8, 9,..., 19, 20, y los eventos que no suceden x < 3, esto es, x = 0,1,2. Por lo
tanto, nuestro problema quedara planteado de la siguiente forma:
P(A) = 1 (PA)
Estas tablas proporcionan las probabilidades para los valores menores o iguales a un
nmero k de xitos, expresada por:
k
b ( x k, n, p) b( x, n, p) ,
x 0
x 0,1,2,....,k .
Frmula
n
b( x, n, p) p x q n x
p
Datos
n=4
p = 0.05
p = 1 p = 1 0.05 = 0.95
35
Desarrollo
si x = 0, b(0,4,0.05) = 0.814506
si x = 1, b(1,4,0.05) = 0.171475
si x = 2, b(2,4,0.05) = 0.013537
si x = 3, b(3,4,0.05) = 0.000475
si x = 4, b(4,4,0.05) = 0.000006
Columna
1 2 3 4 5 6....
n x 0.05 0.10 0.15 0.20
2 0 0.9025 0.8100
1 0.9975 0.9900
3 0 0.8574 0.7290
1 0.9927 0.9720
2 0.9999 0.9990
4 0 0.8145 0.6561
1 0.9860 0.9477
2 0.9995 0.9963
3 1.0000 0.9999
5 0 0.7738 0.5905
1 0.9774 0.9185
2 0.9988 0.9914
3 1.0000 0.9995
4 1.0000 1.0000
36
En la columna uno tenemos el nmero de ensayos posibles n, en la segunda el nmero
de xitos x, y en las siguientes, las probabilidades acumuladas para la probabilidad de
xito p, indicada en la parte superior de la columna. El uso de la tabla de distribucin
binomial acumulada es la siguiente:
Probabilidad de xito.
De acuerdo con las tablas las probabilidades acumuladas para x = 0,1,2,3, en 4 ensayos
y con una probabilidad de xito de 0.05, son:
37
Si mediante la frmula comparamos las probabilidades binomiales acumuladas con las
probabilidades acumuladas de la tabla, obtendremos lo siguiente:
Las probabilidades de la tabla estn aproximadas hasta diezmilsimos, por lo que las
probabilidades acumuladas para el nmero de xitos cercanos o iguales al nmero de
ensayos es equivalente a la unidad; por consiguiente, no se consideran los eventos en
que el nmero de xitos es igual al nmero de ensayos.
Frmula
Datos
38
ACTIVIDAD DE REGULACIN
39
EXPLICACIN INTEGRADORA
a) Repeticin de ensayos.
n
b(x, n, p) p x qn x
p
Media np
Varianza 2 npq
40
1.2 DISTRIBUCIN DE POISSON
A inicios del siglo XIX, el matemtico francs Simeon Denis Poisson (17811840)
dedujo la frmula para hallar la probabilidad de que exactamente x xitos ocurran en un
intervalo de tiempo dado o en una regin especificada. Dividiendo el intervalo de tiempo
t, en n subintervalos y haciendo que n , se forma un proceso de Poisson, en donde
la probabilidad de que un subintervalo contenga uno ningn xito es casi 1, en tanto
que la probabilidad de un subintervalo de tener ms de un xito es despreciable. La
probabilidad de un xito durante uno de estos subintervalos no depende de lo que
suceda antes.
x
f (x) e
x!
Media
2
Varianza =
Desviacin estndar =
Antecedente:
El valor de e, se puede determinar mediante una calculadora cientfica. La funcin
exponencial natural en las calculadoras se encuentra arriba de la tecla del logaritmo
natural.
41
ACTIVIDAD DE REGULACIN
Ejemplos:
Los empleados de cierta oficina llegan al reloj checador en un promedio de 1.5 por
minuto. Calclese las probabilidades de que:
Solucin
a) = 1.5 x=2
b) = 1.5 x4
1.5 0 1.5 1.5 1 1.5 1.5 2 1.5 1.5 3 1.5 1.5 4 1.5
= e + e + e + e + e
0! 1! 2! 3! 4!
42
Se observa que el factor comn en los cinco trminos es e 1.5 , por lo que f(x 4), se
puede escribir la siguiente forma:
1.5 0 1.5 1 1.5 2 1.5 3 1.5 4 1.5 elevando las potencias de los
= e numeradores y obteniendo los
0! 1! 2! 3! 4! factoriales de los
denominadores
= 1.5(2) = 3
f x 3 1 f(x < 3)
3 0 3 1 3 2 1.5 1 3 9
= 1 e
= 1 e 1.5 = 1 1 3 4.5 e 1.5
0! 1! 2! 1 1 2
d) = 1.5(6) = 9 x<5
90 91 92 93 9 4 9
= e =
0! 1! 2! 3! 4!
= 445.375e 9
= 0.05496
43
ACTIVIDAD DE REGULACIN
Resuelve los siguientes ejercicios considerando en tus clculos cinco dgitos decimales
en cada uno de los pasos requeridos para llegar a la solucin solicitada.
a) En una manzana.
b) En tres cuartos de manzana.
4. En cierto estado del pas, en promedio es afectado por 1.8 temblores "fuertes" al ao.
Encuentra la probabilidad de que este estado sea afectado, por:
5. El promedio de automviles que usan una autopista un fin de semana es de 4.5 por
minuto. Cul es la probabilidad de que usen la autopista:
44
1.2.1 MEDIA, VARIANZA Y DESVIACIN ESTNDAR DE LA DISTRIBUCIN DE
POISSON
Media
x
f (x) e
x!
n n
E( x ) x f ( x ) = x x! e
x 0 x 0
x 0
si x = 0, x e 0 e 0
x! 0!
n
n
x
E( x ) x x! e
x 0
= x
x 1 x!
e
Factorizando tenemos:
n
x n
x 1 1 x 1 n
x 1
E( x ) x e = e e .
x 1 x! x 1 x ( x 1)! x 1 ( x 1)
n
x 1 n
y
E( x ) e = e .
x 1 ( x 1)! y 0 y!
45
Como la suma de las probabilidades de todos los posibles resultados de un experimento
es igual a 1, se tiene:
n
y n
y 0 y!
e . f ( y ) 1,
y 0
n
y
E( x ) e (1) .
y 0 y!
E(x) =
Varianza
n
2 = x
x 0
2
f (x) 2.
n
x
2 = x
x 0
2
x!
e 2.
n
x
si x = 0, entonces: x 2
x!
e 0 ; por lo tanto: 2 = x2 x 1 x!
e 2.
Factorizando tenemos:
1
n
x 2 1 x n
x x 1
2 =
x 1 x ( x 1)!
e
2
x 1 ( x 1!
e 2.
Considerando y = x 1, entonces x = y + 1, si x = 1, y = 0:
n
( y 1) y n
y y n
y
2 = e 2 e e 2 ,
y 0 y! y 0 y ! y 0 y!
n
y y n
y y -
2 = e (1) 2 e 2.
y 0 y ! y 1 y !
46
Factorizando:
n
y 1 1 y 1 n
y 1
2 = e 2 e 2.
x 1 y ( y 1)! y 1 ( y 1)!
n
z
2 = 2
2 2 2 2
e 2 (1) + = + =
z 0 z!
Desviacin Estndar.
Antecedentes:
Cualquier nmero real, diferente de cero, dividido por una cantidad muy grande,
representada por infinito "", es equivalente a cero.
Demostracin:
Dividamos, por ejemplo, el nmero 10, entre cantidades progresivamente ms grandes, y
observemos los cocientes resultantes.
47
Realiza las divisiones faltantes.
10
10
1
10
0.1
100
10
1000
10
0.001
10000
10
100000
10
0.00001
1000000
10
10000000
Como "" es mucho mayor que cualquiera de los denominadores que dividieron al
10
nmero 10, concluimos que 0 , y por lo tanto, si n es cualquier nmero real
diferente de cero divido entre infinito, es:
n
0
El exponencial natural
n
1
La expresin 1 , cuando n es un nmero real muy grande, equivalente a infinito
n
"", tiende al nmero irracional 2.71828182846 conocido como exponencial natural "e".
Demostracin:
Demos a n valores enteros progresivamente cada vez ms grandes y observemos las
potencias resultantes.
48
Llena los cuadros vacos con las operaciones faltantes.
1 11 1 0.110 1 0.01100
0 1 0.9 10 0.99100
0 2.867971 2.731999 2.719642
0.999910000
2.718295 2.718283
n
1
Por lo tanto, cundo n , entonces: 1 e.
n
n
n 1
Estos dos resultados; 0y
1 e, cuando n , se utilizaran para la
n
demostracin de la distribucin de Poisson como una aproximacin de la distribucin
Binomial.
n n!
bx, n, p p x qn x p x qn x , si x permanece constante y n es muy grande n
x x! n x !
,
n n!
bx, n, p p x qn x p x qn x
x
x! n x !
49
Dividiendo factores iguales (n x)! Del numerador y del denominador y dado que q = 1
p, sustituyendo q por 1 p.
nn 1n 2 ... n x 2)n x 1 x
p 1 p
n x
x!
Dado que = np, se puede sustituir p por
n
nn 1n 2 ... n x 2)n x 1
x n x
1
x! n n
m x
a am
Aplicando la propiedad de los exponentes, , en
b bm x
nn 1n 2 ... n x 2)n x 1 x
n x
1
x! x
n n
x
Como el orden de los factores no afecta al producto ab = ba. La potencia n , pasa
dividiendo al numerador del coeficiente binomial que est en funcin de n y x! Dividiendo
x x
a , para obtener el coeficiente de la distribucin de Poisson.
x!
nn 1n 2 ... n x 2)n x 1 x
n x
1
nx x! n
x
Descomponiendo n , en igual nmero de factores del numerador y descomponiendo en
n x
dos factores a 1
m n m-n
, mediante la ley de los exponentes a a = a
n
nn 1n 2 ... n x 2)n x 1 x
n x
1 1
n n n ... n n x! n n
Dividiendo cada factor del numerador con un factor del denominador, en el coeficiente
binomial.
n x
n n 1 n 2 n x 2 n x 1 x
= ... 1 1
n n n n n x ! n n
50
Realizando las divisiones:
n x
1 2 x 2 x 1 x
11 1 ... 1 1 1 1
n n n n x! n n
n n
n 1
Si n , entonces 0 y considerando a la potencia 1 semejante a 1
n n
e, ya que ambas tienen como exponente a n que tiende a , la potencia deber ser
diferente de 1. Por lo tanto.
n
x
11 01 0 ... 1 01 0 1 1 0
x
x! n
n n
1
Trataremos de expresar a 1 con la misma estructura que 1 , para lograrlo,
n n
1
se puede indicar como el reciproco de su reciproco, por lo que , realizando la
n n n
sustitucin
n
x
1
111 ... 11 1 1
x
x! n
m
Dado que la unidad elevada un exponente real, es la unidad, 1 = 1, por lo tanto
(1)x = 1
n
x 1
1 1
x! n
n
1 n
Se necesita que 1 tenga de exponente a , para que sea idntico en estructura
n
n
1
a 1 .
n
51
Sabemos que cuando se tiene una potencia de potencia, los exponentes se multiplican
n
1
a m a mn . Por lo que 1 se elevara a
n
n
1
y para que matemticamente no se
modifique se volver a elevar a la
1
n
n
x
1 x 1
1
= 1
x! n x! n
n
n
1 1
Demostramos que 1 e, cuando n , entonces 1
e. Por lo que se
n n
tiene:
x
x
e e
x! x!
n x
lm p x q n x e
x x!
n
p0
En la mayora de los casos la distribucin de Poisson se puede usar como una buena
aproxi-macin a la distribucin de Binomial, cuando n 20 y p 0.05, si n 100, la
aproximacin es excelente a condicin de que np 10.
52
Para utilizar la distribucin de Poisson como aproximacin de la Binomial se considera
que el valor medio o promedio es = np, donde "n" es el nmero de ensayos, "p" la
probabilidad de xito "p" y "x" el nmero de xitos.
x
f x, e
x!
Supn que la probabilidad de que cierta tienda de aparatos electrnicos venda un radio
defectuoso es de 3%. Si vende 100 radios en un mes, cul es la probabilidad de que
haya vendido:
Datos Frmula
n = 100
p = 3% = 0.03
x
= np = 100 (0.03) = 3 p( x, ) e
x!
Desarrollo
a) x = 2
3 2 3 9
p(2,3) e (0.049787) = 4.5 (0.049787) = 0.224041
2! 2
b) x < 2
3 0 3 3 1 3 1 3 3 3
p( x 2,3) p(0,3) p(1,3) e e e e e 3 3e 3 4e 3
0! 1! 1 1
= 4(0.049787) = 0.199148.
53
ACTIVIDAD DE REGULACIN
Completa lo siguiente:
c) 8 x 10
3 9 3
p(8x10,3) = p(8,3) + p( ___,3) + p(10,3) = ___________ + e + ____________
9!
6561 3 10499 3
e + _________ + _________ = e = 0.233236( ) = 0.011612
40320 44800
d) x 2
54
A continuacin tenemos parte de la tabla de Poisson que se encuentra al final de este
fascculo.
x 0 1 2 3
0.02 0.980 1.000
0.04 0.961 0.999 1.000
0.06 0.942 0.998 1.000
0.08 0.923 0.997 1.000
0.10 0.905 0.995 1.000
x 0 1 2 3
0.02 0.980 1.000
0.04 0.961 0.999 1.000
0.06 0.942 0.998 1.000
0.08 0.923 0.997 1.000
0.10 0.905 0.995 1.000
55
Ejemplo. Las probabilidades acumuladas para = 0.15 y x = 0, 1, 2, y 3, de la tablas son:
Datos
= 0.15 p (x = 1, 0.15) = p(x 1, 0.15) p(x = 0, 0.15).
k=1
Resuelve el problema de los radios defectuosos con base en las tablas de Poisson.
56
ACTIVIDAD DE REGULACIN
Datos Frmula
x
n = 8 000 p (x, ) = e
x!
1
p= 0.001
1000
= np = (8 000) ( 0.001) = 8
8 0 8 8 4 8 8 6 8
p(x < 7,8) = e + ________ + ________ + ________ + e + _______ + e .
0! 4! 6!
1 8 512 8
p(x < 7,8) = e + _________ + __________ + e +__________ + __________.
1 3
42037 8
p (x < 7,8) = e = 934.15556 (3.35462 x 104) = 0.31337.
45
57
Las tablas de distribucin acumulada de Poisson simplifican la solucin de los problemas
que requieras resolver, te invitamos a que las uses, tanto las de distribucin binomial
como las de distribucin de Poisson. Continuando con el problema, la media = np es
2
un valor que necesitaste en la solucin anterior, la varianza = tiene como resultado
el mismo valor de la media, y la desviacin estndar es igual a = = 8= 2.82.
EXPLICACIN INTEGRADORA
x
p (x; ) = e
x!
Media = np
2
Varianza = np =
Desviacin estndar = np = .
58
RECAPITULACIN
Con la finalidad de que recuerdes los temas importantes que acabas de estudiar. A
continuacin te presentamos el siguiente esquema:
Aprox. de Poisson a la
Distribucin binomial Distribucin de Poisson
Binomial
n x x
Modelo: b( x, n, p) p x q n x f(x) = e f(x) = e
p x! x!
Propiedades:
Media = np = np
2 2 2
Varianza = npq = = =np
Desv. Est. = npq = = = np
59
ACTIVIDAD ES DE CONSOLIDACIN
1. Se lanzan dos dados cinco veces; un jugador gana si los dados muestran el mismo
nmero.
2. Se sacan cuatro bolas sucesivamente sin reemplazo de una urna que tiene cinco
bolas rojas y seis blancas.
3. Se sacan cuatro bolas con reemplazo de una urna que tiene cinco bolas rojas y seis
blancas.
4. Se transmite por radio un comercial sobre el sida, y se realiza una encuesta entre
jvenes de 12 a 18 aos, para saber si lo han escuchado.
5. Un comerciante recibe cinco mquinas de escribir sin defecto, de una compaa que
tena almacenadas seis mquinas defectuosas y cinco no defectuosas.
7. Un seor compra un billete de Lotera, si su esposa se viste con alguna prenda roja.
60
II. Realiza los siguientes problemas de distribucin binomial.
1. Determina:
a) b(2,3,0.5) =
b) b(x<2,3,0.5)
c) b(x2,3,0.5)
d) b(5,5,0.75)
a) Exactamente dos
b) Menos de tres
c) Al menos tres
d) Dos de tres
e) Calcular y
a) Ninguna de ellas
b) Exactamente cinco
c) Entre cuatro y siete
d) Menos de dos
e) Cuntas de ellas se espera que escuchen la estacin
f) Determinar la varianza y la desviacin estndar
a) Ninguno
b) Exactamente cinco
c) Al menos tres
61
6. La probabilidad de que un pantaln tenga un defecto es de 0.45. Si un abonero
compra un lote de 12 pantalones, encontrar la probabilidad que estn defectuosos:
a) Ocho pantalones
b) Menos de cuatro pantalones
c) Al menos cuatro pantalones
d) Nmero esperado de pantalones defectuosos
a) En una manzana.
b) En tres cuartos de manzana.
4. En cierto estado del pas, en promedio es afectado por 1.8 temblores fuertes al ao.
Encuentra la probabilidad de que este estado sea afectado, por:
5. El promedio de automviles que usan una autopista un fin de semana es de 4.5 por
minuto. Cul es la probabilidad de que usen la autopista:
62
IV. Realiza los siguientes problemas de la aproximacin de la distribucin de Poisson a la
binomial.
2. Suponiendo que uno de 500 autos que circulan en la autopista MxicoToluca sufren
una falla mecnica, determinar la probabilidad de que en un da cualquiera, de mil
autos en circulacin, tengan fallas mecnicas:
a) Exactamente 10 autos
b) Menos de dos autos
c) Entre tres y siete autos
d) Dos o menos autos
3. Supongamos que la probabilidad de pronunciar mal una palabra por cierto locutor es
de 4%. Si en una participacin suya pronuncia 100 palabras, encontrar la probabilidad
que mencionen mal:
a) Ninguna palabra
b) Exactamente tres palabras
c) Menos tres palabras
d) Tres o cuatro palabras
6. Supongamos que el 1.7% de los motores elctricos de cierta marca fallarn antes de
tres aos. Obtngase la probabilidad de que de 500 motores elctricos vendidos
fallen:
a) Seis o ms antes de los tres aos
b) Exactamente nueve antes de los tres aos
c) menos de diez antes de los tres aos
63
AUTOEVALUACIN
A continuacin te presentamos las posibles respuestas a las que debiste haber llegado
en las Actividades de Consolidacin. Si tienes alguna duda, consulta a tu asesor de
contenido:
I. Eventos binomiales.
1. S.
2. No (no son eventos independientes).
3. S.
4. S.
5. No (las probabilidades no son constantes.
6. S.
7. S.
8. No.
64
ACTIVIDADES DE GENERALIZACIN
a) Exactamente 8 alumnos.
b) Ms de 10 alumnos.
c) Menos de 5 alumnos.
a) 6 Sombreros.
b) Menos de 8 sombreros.
c) Al menos 10 sombreros.
d) El nmero esperado de sombreros defectuosos.
65
ANEXO 1
66
67
68
69
70
71
72
A N E X O 2
73
74
75
76
77
BIBLIOGRAFA CONSULTADA
78
COLEGIO DE BACHILLERES
ESTADSTICA DESCRIPTIVA
E INFERENCIAL II
1
2
NDICE
INTRODUCCIN 5
PROPSITO 7
SIMBOLOGA 9
RECAPITULACIN 76
ACTIVIDADES DE CONSOLIDACIN 77
AUTOEVALUACIN 79
3
ACTIVIDADES DE GENERALIZACIN 85
GLOSARIO 86
ANEXOS 87
4
INTRODUCCIN
5
6
PROPSITO
QU APRENDERS?
CMO LO LOGRARS?
PARA QU TE VA A SERVIR?
7
8
SIMBOLOGA
SMBOLO SIGNIFICADO
Xi
Z Normalizacin
x
t Distribucin t de Student
s n
Z
E Muestra para estimar la media cuando n 30
2 n
x2
1
y f ( x) e 2 Curva normal estndar
2
n
f ( x ) p x (1 p)n x Distribucin binomial
x
9
10
CAPTULO 1
FUNCIONES PROBABILSTICAS CONTINUAS
Sabemos que las aguas negras de la Ciudad de Mxico se utilizan para el riego de los
campos de cultivo circunvecinos al Valle de Mxico.
Esta agua negras contienen entre otras sustancias, el cloro en cantidades perjudiciales
al sembrado de cereales porque en lugar de beneficiarlo con el riego, lo quema y lo
seca.
Para el anlisis se toma una muestra de 5 lt. De aguas negras diariamente. Los
resultados correspondientes al mes de noviembre de 1993 fueron las que se muestran
en la siguiente tabla. Las cantidades de cloro se registran en partes por milln (ppm).
16.2 15.4 16.0 16.6 15.9 15.8 16.0 16.8 16.9 16.8
15.7 16.4 15.2 15.8 15.9 16.1 15.6 15.9 15.6 16.0
16.4 15.8 15.7 16.2 15.6 15.9 16.3 16.3 16.0 16.3
11
Usemos estos datos para realizar un recordatorio de los conceptos estudiados en tu
curso de Estadstica I. Esto nos servir para abordar los nuevos conceptos que
estudiars en este fascculo y para ello realiza el siguiente ejercicio:
Sabas que una de las soluciones del problema de las aguas negras de la
Ciudad de Mxico es utilizarla para riego de cultivos en otros Estados,
pero como esta agua contienen altas cantidades de cloro es necesario
analizarlas y darles un tratamiento para reutilizarlas?
En el siglo XVIII a los jugadores profesionales les interesaba conocer a priori, las
probabilidades de xito en los distintos juegos de azar, para ello acudieron a los
matemticos de la poca en busca de ayuda. Como una respuesta a una necesidad
planteada a los matemticos, en 1973 Abraham DMoavre (1667-1754) es quien obtiene
por primera vez la ecuacin matemtica de la curva normal.
12
Otros grandes matemticos contribuyeron dndole impulso, entre ellos podemos citar a
Friedrich Gauss (1777-1855) quien perfeccion y la utiliz ampliamente en su teora de
errores de las mediciones fsicas. Laplace la us en el clculo de lo errores de las
observaciones astronmicas. El matemtico Ruso P.L. Chebyshev estableci varios
teoremas relacionados con la curva de la distribucin normal.
Los experimentos realizados por muchos cientficos, permiten determinar que la mayor
parte de las variables aleatorias se pueden estudiar considerando que tiene una funcin
de densidad normal.
13
1.1 DISTRIBUCIN NORMAL ESTNDAR
Retomemos el problema de las aguas negras. Los resultados que debiste obtener son:
R = 1.7
Mo = 16.01
Me = 16.05
X = 16.08
S = 0.42
Figura. 1
Del polgono de frecuencias podemos ver que la curva es asimtrica; est sesgada a la
izquierda por lo tanto su asimetra es negativa. Por su puntiagudez es del tipo
leptocrtica.
14
Figura. 2
Figura. 3
De los grficos anteriores podemos concluir que la forma de cada una, est ntimamente
relacionada con las medidas de tendencia central y de dispersin.
15
Las medidas de dispersin son diferentes, de la figura 3 obtenemos que:
A B C
En las asimtricas las medidas de tendencia central son diferentes y lo mismo ocurre con
las de dispersin.
Las curvas simtricas tienen la forma de campana y las asimtricas no tienen esa forma
pero pueden transformarse a simtricas.
1.1.1 NORMALIZACIN
Xi
Z ... (1)
Donde:
Z = Puntuacin normalizada o tipificada
Xi = Cada una de las puntuaciones de la poblacin
= Media de las puntuaciones de la poblacin
= Desviacin estndar de la poblacin
16
Veamos el siguiente ejemplo:
Se desea conocer el peso promedio de los alumnos del turno vespertino del plantel 2 del
Colegio de Bachilleres. Para ello se toma una muestra representativa de 150 alumnos y
se pesan. Los pesos ya organizados en 13 clases, se muestran en la siguiente tabla de
frecuencias:
Tabla 1.
ACTIVIDAD DE REGULACIN
Con los datos del ejemplo anterior, calcula (peso promedio de los alumnos del plantel 2
del Colegio de Bachilleres):
a) La media x .
b) La desviacin estndar .
c) Traza el polgono de frecuencias.
17
POLGONO DE FRECUENCIAS
Figura 4.
De esta grfica podemos concluir que es asimtrica con sesgo negativo y del tipo
leptocrtica.
Ahora vamos a normalizar estos datos y trazar la curva normal estndar sobre este
polgono de frecuencias para poder constatar el cambio de escala.
18
Para explicar el procedimiento vamos a construir la siguiente tabla:
1 2 3 4 5 6 7 8 9
CLASE fi Lr x=xix Z = x/ PARTE PARTE fe fe
SUP MAYOR MENOR redondeada
Tabla 2.
Nota. Se restan los valores consecutivos de la columna 6 para obtener el valor de la columna 7.
Por ejemplo: 0.9940 0.9821 = 0.0119
0.9821 0.9545 = 0.0276
0.9545 0.8997 = 0.0548
x = xi x ... (1)
19
La columna 5 es el valor de Z correspondiente a cada puntuacin y se obtiene mediante
la ecuacin de normalizacin o tipificacin, esto es:
x xi x
Z ... (2)
En la primera columna de la tabla del anexo A de la pgina 90, se localizan los valores
de z, en la tercera columna se lee el valor del rea bajo la curva normal de la parte
mayor.
En la cuarta columna se lee el rea bajo la curva normal de la parte menor y se registra
en la columna siete de nuestra tabla.
EJEMPLO:
Para z = 2.51 el rea de la parte mayor que se lee en la tercera columna es 0.9940.
20
Figura. 5
En la figura 5, se observa:
A= Polgono de frecuencia de los pesos de 150 alumnos del plantel 2 del turno
vespertino del Colegio de Bachilleres.
Del ejemplo anterior habrs notado que normalizar los datos de un problema es
equivalente a cambiar la escala x por la z y calcular las nuevas frecuencias que son
las ordenadas de cada punto. Para ello usamos los valores de la tabla. Estos valores
corresponden a las reas bajo la curva normal y se han calculado mediante la ecuacin
que define a la funcin normal y sta es:
x 2
1
y = f (x) = e 2
...(3)
2
21
Donde:
= 3.1416....
= media proporcional
e = 2.718281...
= desviacin estndar de la poblacin
x = cada uno de los datos u observaciones.
Con la ecuacin ( 3 ) podemos trazar la curva normal que tiene la forma de campana.
Primero obtenemos y de los datos del problema y sustituimos en la frmula ( 3 ).
Para obtener un par ordenado, usamos un valor arbitrario de x, obtenemos un valor de y.
Esta sucesin de puntos nos da la curva normal.
Figura. 6
Donde:
A = Curva normalizada
B = Curva normalizada y estandarizada
= 0 y =1
22
Con estos valores reducidos, la curva normal estndar se obtiene mediante la grfica de
la funcin:
2
1 x
y = f (x) = e 2
...(4)
2
x
x= + Z Z= ...(1)
ACTIVIDAD DE REGULACIN
Con los datos del problema de las aguas negras (pg. 11), elabora la tabla con los datos
normalizados y traza la curva normal sobre el polgono de frecuencias que ya obtuviste
antes. Utiliza tu cuaderno para dar las respuestas.
23
La curva normal estandarizada tiene las siguientes caractersticas:
b) La curva normal estndar es simtrica con respecto a la media por lo tanto los
parmetros de tendencia central son iguales, es decir:
= Mo = Md = 0 ...(5)
c) La desviacin estndar es = 1
Figura. 7
El rea sombreada vale 1 y como la curva es simtrica cada regin a los lados del eje y
vale 0.5.
24
Figura. 8
De esta grfica podemos ver que el rea antes y despus de + 3 corresponde al 1%, es
decir el 0.5% para cada lado de la grfica.
Por la simetra que tiene la curva normal estndar, existen tablas correspondientes al
rea bajo al curva que nicamente contemplan la parte positiva de la grfica y estos
mismos valores se usan para el lado negativo.
Ejemplo: Con los siguientes valores de Z determinaremos el valor de rea bajo la curva
utilizando la tabla de reas bajo la curva del anexo A de la pgina 85 y trazaremos un
esquema del rea correspondiente:
Z = 0.5 ; A = 0. 1915
Figura. 9
25
Figura. 10
Figura. 11
Figura. 12
Figura. 13
26
Figura. 14
De las grficas anteriores podemos ver, que el valor del rea es el mismo para valores
positivos y negativos de Z solamente que para el valor negativo, el rea se representa a
la izquierda de la media.
ACTIVIDAD DE REGULACIN
Figura. 15
27
Si queremos la probabilidad de un evento cuyo valor est limitado por dos puntuaciones,
por ejemplo:
P ( x, X x2 )
P ( x1 x x2) = P ( Z1 Z Z2 )
X1
Determinamos Z1 =
P (Z) = P (Z1) + P (Z2)
X2
Z2 =
Figura. 16
Si las x estn en el lado positivo entonces, debemos recordar que los valores que se
leen en la tabla normalizada son a partir de la media hasta el valor de Z.
Figura. 17
28
Si solamente tenemos una X a la derecha de la media entonces el rea bajo la curva
es:
Figura. 18
Recuerda que la primera mitad del rea bajo la curva vale 0.5, es por eso que a la
probabilidad de Z, le sumamos 0.5.
Figura. 19
Figura. 20
Figura. 21
29
Recuerda que la probabilidad de Z , es la parte sin sombrear de la media a la izquierda
hasta Z, y la probabilidad de Z2, es la parte sin sombrear de la media a la derecha
hasta Z2.
ACTIVIDAD DE REGULACIN
1. a) Z = 0 y Z = 0.94
b) Z = 0 y Z = -2.15
c) A la derecha de Z = 0.62
d) A la derecha de Z = - 0.93
e) A la izquierda de Z = 0.84
f) A la izquierda de Z = -0.35
2. a) Z = - 0.59 y Z = 0.59
b) Z = -0.71 y Z = 1.99
c) Z = 0.32 y Z = 0.92
d) Z = -0.81 y Z = -0.42
e) Z = -1.65 y Z = -0.25
Figura. 22
30
Determina Z si P (Z) = 0.7580. Este valor es mayor que 0.5 correspondiente a la mitad
de la grfica por lo tanto hacemos la siguiente transformacin:
Figura. 23
Figura. 24
31
ACTIVIDAD DE REGULACIN
a) Entre 0 y Z, P ( Z ) = 0.4864
b) A la izquierda de Z, P ( Z ) = 0.9983
c) A la derecha de Z, P ( Z ) = 0.7324
d) A la derecha de Z, P ( Z ) = 0.2981
e) A la izquierda de Z, P ( Z ) = 0.1314
f) Entre Z y Z, P ( Z ) = 0.7286
2. Una variable aleatoria tiene una distribucin normal con media = 60 y desviacin
estndar = 5.2 Cules son las probabilidades de que la variable aleatoria tome un
valor como el que se indica? Traza la grfica de cada inciso:
Ejemplo:
Con los siguientes valores, calcula la probabilidad de la distribucin binomial y traza el
polgono de frecuencia de cada una.
32
Para el problema 1 sustituimos valores en ( 6 ) y obtenemos:
10 0 10
F( 0 ) = ( 0.2 ) ( 0.8 ) = ( 1 ) ( 1 ) ( 0.1073 ) = 0.1073
0
10 1 9
F( 1 ) = ( 0.2 ) ( 0.8 ) = ( 10 ) ( 0.2 ) ( 0.1342 ) = 0.2684
1
10 2 8
F( 2 ) = ( 0.2 ) ( 0.8 ) = ( 45 ) ( 0.04 ) ( 0.1677 ) = 0.3019
2
10 3 7
F( 3 ) = ( 0.2 ) ( 0.8 ) = ( 120 ) ( 0.0008 ) ( 0.2097 ) = 0.2013
3
10 4 6
F( 4 ) = ( 0.2 ) ( 0.8 ) = ( 210 ) ( 0.0016 ) ( 0.2621 ) = 0.0881
4
10 5 5
F( 5 ) = ( 0.2 ) ( 0.8 ) = ( 252 ) ( 0.00032 ) ( 0.3276 ) = 0.0264
5
F( 6 ) =
F( 7 ) =
F( 8 ) =
F( 9 ) =
F( 10 ) =
10 0 10
F( 0 ) = ( 0.8 ) ( 0.2 ) = ( 1 ) ( 1 ) ( 0.000000102 ) = 0.0000001
0
10 1 9
F( 1 ) = ( 0.8 ) ( 0.2 ) = ( 10 ) ( 0.8 ) ( 0.000000512 ) = 0.0000009
1
10 2 8
F( 2 ) = ( 0.8 ) ( 0.2 ) = ( 45 ) ( 0.64 ) ( 0.000002 ) = 0.0000737
2
33
10 3 7
F( 3 ) = ( 0.8 ) ( 0.2 ) = ( 120 ) ( 0.512 ) ( 0.000012 ) = 0.0008
3
10 4 6
F( 4 ) = ( 0.8 ) ( 0.2 ) = ( 210 ) ( 0.4096 ) ( 0.000064 ) = 0.0055
4
10 5 5
F( 5 ) = ( 0.8 ) ( 0.2 ) = ( 252 ) ( 0.3276 ) ( 0.00032 ) = 0.02642
5
F( 6 ) =
F( 7 ) =
F( 8 ) =
F( 9 ) =
F( 10 ) =
10 0 10
f( 0 ) = ( 0.5 ) ( 0.5 ) = ( 1 ) ( 1 ) ( 0.00097 ) = 0.0009
0
10 1 9
f( 1 ) = ( 0.5 ) ( 0.5 ) = ( 10 ) ( 0.5 ) ( 0.00195 ) = 0.009
1
10 2 8
f( 2 ) = ( 0.5 ) ( 0.5 ) = ( 45 ) ( 0.25 ) ( 0.0039 ) = 0.039
2
10 3 7
f( 3 ) = ( 0.5 ) ( 0.5 ) = ( 120 ) ( 0.125 ) ( 0.00781 ) = 0.1172
3
10 4 6
f( 4 ) = ( 0.5 ) ( 0.5 ) = ( 210 ) ( 0.0625 ) ( 0.0156 ) = 0.2051
4
10 5 5
f( 5 ) = ( 0.5 ) ( 0.5 ) = ( 252 ) ( 0.03125 ) ( 0.03125 ) = 0.2461
5
34
Calcula los siguientes valores:
f( 6 ) =
f( 7 ) =
f( 8 ) =
f( 9 ) =
f( 10 ) =
Para poder trazar la grfica como si fuese una variable continua, cerramos los espacios
entre cada barra del histograma, para ello tomemos medio punto despus de cada valor
para obtener el lmite real superior de clase.
Grfica del problema 1.
Figura. 25
35
Grfica del problema 2.
Figura. 26
Figura. 27
36
1.1.3 APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL
Figura. 28
En las grficas anteriores podemos ver si n aumenta, los espacios entre las barras se
van cerrando y la grfica se aproxima a la campana de Gauss que es la grfica de una
variable aleatoria continua.
n
f ( x ) p x (1 p)n x
x
Donde:
n = Nmero de observaciones
x = Nmero de xitos esperados
p = Probabilidad de xito
q = 1 p = Probabilidad de fracaso
Con estos ejemplos podrs notar que el clculo en la distribucin binomial, es muy
laborioso, aunque existen tablas para algunos valores; pero no son suficientes cuando
n crece.
37
Por ejemplo si en un problema de distribucin binomial se han realizado 100
observaciones y se desea saber la probabilidad de obtener al menos 45 xitos.
Una forma de ahorrar este trabajo laborioso es haciendo el clculo de probabilidades por
medio de la distribucin normal.
Para usar la distribucin normal se calculan los parmetros aplicando las siguientes
ecuaciones:
np
np(1 p)
Solucin:
6 156 15
15 1 1 15 1
f (x) = f (6) = 1 5005 0.0000305 0.1527
6 2 2 6 2
f (x) = 0.1527
38
Solucin usando la distribucin normal.
Para aplicar esta distribucin corregimos los espacios para considerar a la variable como
si fuese continua o sea para 6 guilas tomamos medio punto antes y medio punto
despus, es decir:
1
np = 15 = 7.2
2
1 1 1
np(1 p) (15)( )( ) 15 1.9365
2 2 2
5.5 7.5 2
x = 5.5 Z1 = 1.033
1.9365 1.9365
6.5 7.5 1
x = 6.5 Z2 = 0.5164
1.9365 1.9365
Figura. 29
39
Solucin:
P ( x ) = f ( 15 ) + f ( 16 ) + . . . + f ( 100 ) . . . ( 11 )
O bien
P ( x ) = 1-[f ( 0 ) + f ( 1 ) + . . . + f ( 14 )] . . . ( 12 )
El Segundo clculo es menos laborioso, sin embargo no deja de serlo. Sabemos que una
buena aproximacin es mediante la distribucin normal cuyo clculo es ms sencillo.
Veamos el desarrollo:
np = 100 (0.18 ) = 18
Para transformar la variable binomial a continua tomamos el lmite real inferior de clase
14.5 18
X = 14.5 o sea medio punto antes. Con este valor calculamos Z1 = 0.9114
3.84
Figura. 30
De acuerdo con este resultado la editorial recibir el 82% de los cuestionarios enviados.
40
ACTIVIDAD DE REGULACIN
a) A lo ms 3 de los 10 robados
b) Al menos 6 de los 10 robados
41
EXPLICACIN INTEGRADORA
a) Simtricos.
b) Asimtricos.
1) Platicrtico.
2) Mesocrtico.
3) Leptocrtico.
Xi
Z
Donde:
42
1.2 DISTRIBUCIONES MUESTRALES Y EL TEOREMA CENTRAL DEL
LMITE
1) Poblacin:
a) finita
b) infinita
2) Muestra aleatoria
3) Estadstica
4) Parmetros
Cuando vamos al mercado nos dan una prueba de barbacoa y del sabor de esta muestra
se infiere el sabor de toda y si nos gusta entonces la compramos. Lo mismo ocurre si
queremos comprar queso, pedimos una prueba y de esta deducimos si todo el queso
est bueno o no.
Si el industrial quiere determinar el nmero de horas de vida que tiene un foco, toma una
muestra de todo el lote y los mantiene encendidos hasta que se funden.
De estos casos podemos deducir que no es posible analizar todo el queso o la barbacoa
porque no quedara para vender. El industrial no puede fundir todos los focos porque no
tendra qu vender.
43
Definicin:
1. Muestreo sistemtico.
2. Muestreo estratificado.
3. Muestreo por conglomerados.
4. Muestreo aleatorio simple.
Muestreo Sistemtico
Ejemplo:
Se desea entrevistar a cada dcimo estudiante del S.E.A. del Plantel 2 del Colegio de
Bachilleres, para ello se toma una lista de todos los estudiantes. Supongamos que
escogimos el 5., entonces el siguiente ser de los 10 primeros seleccionados al azar y a
partir de este vamos tomando los nmeros dcimos de toda la lista.
a) Ventajas:
b) Desventajas:
44
Muestreo Estratificado
Por ejemplo:
Los estudiantes del S.E.A. del plantel 2 del Colegio de Bachilleres estn
divididos por edades con intervalos de 5 aos y los porcentajes son los
siguientes:
Se desea saber cuantas horas estudian diariamente; para ello de cada grupo se
toma un porcentaje igual al del grupo, es decir del primer grupo tomamos el 30%
del grupo. De la misma forma se toma el porcentaje de los siguientes grupos
para formar la muestra representativa para su estudio.
Por ejemplo:
45
Muestreo Aleatorio Simple
2. Conociendo las n muestras Cmo podemos tomar una de ellas que sea
representativa de la poblacin?
Para dar respuesta a la primera pregunta, nos trasladamos al fascculo donde estudiaste
el anlisis y aplicamos la ecuacin:
N N!
C . . .(14)
n n! (N n)!
EJEMPLO:
Determina Cuntas muestras de tamao n se pueden formar de una poblacin finita N
para los siguientes datos?
a) n = 2 y N = 20
b) n = 3 y N = 100
Solucin:
20 20! 201918!
a) C 190
2 2! (20 2)! 2! (18)!
Este resultado nos dice que con una poblacin de 20 elementos podemos tomar 190
muestras de dos elementos cada una.
Este resultado nos indica que de una poblacin de 100 elementos podemos formar 161,
700 muestras de 3 elementos.
Para que estas muestras sean representativas en el primer caso cada muestra debe
1
tener de probabilidad de ser seleccionada.
190
46
1
En el 2 caso cada muestra debe tener de probabilidad de ser seleccionada.
161700
Hay varias formas de tomar la muestra. Estas formas son las siguientes:
Por ejemplo:
En una empresa se premiar con un viaje a Europa a solo 2 de los 5 empleados de
mayor eficiencia. Cmo seleccionamos a los dos que deben ir?
Solucin:
A cada empleado lo representamos con la primera letra de su nombre.
1. Abraham (A)
2. Dionisio (D)
3. Efran (E)
4. Fausto ( F)
5. Ivn (I )
N 5 5! 543! 20
C C 10
n 2 2! (5 2)! 2! (3)! 2
1
P(n)=
10
1 2 3 4 5 6 7 8 9 10
AD AE AF AI DE DF DI EF EI FI
Quiz hayas visto este procedimiento en el sorteo de los equipos para el campeonato
mundial de ftbol. En el sorteo se usaron esferas huecas bisectadas y en su interior se
coloc el nombre de cada equipo, se revolvan ampliamente, se sacaba una esfera de la
cual se tomaba el nombre del equipo y se colocaba en el grupo correspondiente.
47
ACTIVIDAD DE REGULACIN
a) 7 elementos
b) 15 elementos
c) 50 elementos
a) 10 elementos
b) 25 elementos
c) 75 elementos
b) Si el nmero de muestras es muy grande como en el ltimo ejercicio 15, que son
17,259, 390; la forma explicada con recortes de papel no es la adecuada. Para estos
casos se usa otro procedimiento que consiste en usar una tabla de nmeros
aleatorios como la que se incluye en el apndice B.
El Banco Nacional de Mxico tiene una promocin para tarjetas habientes que consiste
en condonarles la cuenta a 10 personas de cada sucursal, en la primera quincena del
mes de enero de 1994. La lista de cuenta habientes es de 550 y para determinar la
muestra aleatoria numeramos cada cliente con tres cifras en orden ascendente esto es:
001, 002, 003, ..., 550 y nos situamos al azar en una columna de nmeros aleatorios y
nos desplazamos en ella en la direccin que queramos analizando las tres primeras
cifras de cada nmero hasta completar los 10 nmeros de la muestra.
48
Para nuestro ejemplo nos situamos en la ltima pgina de nmeros aleatorios del
apndice B, en la columna 27 rengln 31 y nos desplazamos hacia abajo, los nmeros
obtenidos de 3 cifras son:
187, 155, 388, 320, 281, 088, 520, 275, 480 y 273
Como habrs notado mediante el uso de nmeros aleatorios, es muy fcil tomar una
muestra aleatoria.
ACTIVIDAD DE REGULACIN
Al tomar las muestras aleatorias se cometen ciertos errores que se reflejan en que la
media y la distribucin de cada muestra no son iguales, y por lo tanto la media y la
desviacin estndar de la poblacin tampoco coinciden con los de la muestra. Por esta
razn, la desviacin estndar de la distribucin de un estadstico muestral recibe el
nombre de error estndar estadstico.
El error estndar no solamente indica el tamao del error accidental, sino tambin la
exactitud que alcanzaremos si usamos un estadstico muestral para estimar un
parmetro de la poblacin.
49
Veamos el siguiente ejemplo:
De una poblacin cuyos elementos son ( 1, 3, 5, 7, 9 ), formar el nmero de muestras
aleatorias de 2 elementos, construir la distribucin de medias muestrales, determinar la
media de la distribucin de medias ( ); determinar la desviacin estndar de la
distribucin de medias y comparar estos resultados con los parmetros de la poblacin.
Solucin:
n=2
N=5
1 3 5 7 9 25
Media de la poblacin: 5 5
5 5
2 Varianza de la poblacin:
1
2 [(15)+(35)+(55)+(75)+(95)]
5
2 8 = 8 = 2.83 = 2.83
5 5!
Nmero de muestras: C = 10
2
2! ( 5 2)
Conjunto de muestras
{(1, 3), (1, 5), (1, 7), (1, 9), (3, 5), (3, 7), (3, 9), (5, 7), (5, 9), (7, 9)}
3 1
10
4 2
10
5 2
10
6 2
10
7 1
10
8 1
10
50
Media de la distribucin de medias maestrales:
1 1 2 2 2 1 1
x = 2 ( ) + 3( ) + 4 ( ) + 5 ( ) + 6 ( ) + 7 ( ) + 8 ( )
10 10 10 10 10 10 10
x = 5
1 1 1 1 1 1 1
2 = (25) ( ) + (35) ( ) + (45) ( ) + (55) ( ) + (65) ( ) + (75) ( ) + (85) ( )
10 10 10 10 10 10 10
2 = 3 = 3 = 1.73
De este ejemplo podemos ver el error estndar de la media en que x < , el cual ya
habamos mencionado.
Dada una poblacin de N elementos, sta tiene una media y una desviacin estndar
cuya relacin entre ellos se muestra en la grfica siguiente:
Figura. 31
51
Figura. 32
Figura. 33
Con estas grficas podemos darnos mejor idea de la secuencia de operaciones que
realizamos para obtener la distribucin de medias muestrales representada por la grfica
C. Esta grfica es simtrica y tiene la forma de la curva normal o campana de Gauss.
De esta misma grfica podemos constatar que la media poblacional es igual a la media
de la distribucin de medias, lo cual no ocurre con la desviacin estndar en la que hay
un error.
Nn
x . . . (15)
n N1
52
Nn
A la raz le llamamos factor de correccin por poblacin finita, toda vez que para
N1
poblaciones infinitas se aplica la ecuacin x . . . (16)
n
8 52 8 3 3(8)
x = = =
2 5 1 2 4 2( 4)
x = 3
ACTIVIDAD DE REGULACIN
2. Determina el factor de correccin para una poblacin N = 10, 000 con muestras de
n = 100 e indica si afecta o no a la desviacin estndar de la distribucin de medias
muestrales x .
53
1.2.2 EL TEOREMA CENTRAL DEL LMITE
En los ejemplos anteriores qued establecido que las muestras aleatorias tomadas de
una poblacin tienen diferentes medias y comparadas con la media muestral, hay
un determinado error.
1
Podemos afirmar con una probabilidad de cuando menos 1 que la media de
k2
una muestra aleatoria de tamao (n) difiere de la media de la poblacin en un valor
igual a x k.
Este teorema de Chebyschev afirma que para estimar la media poblacional, cuando
utilizamos la media de una muestra aleatoria podemos afirmar con una probabilidad de
1
cuando menos 1 2 que nuestro error ser menor que: x (k).
k
EJEMPLO:
1 1
Se afirma con una probabilidad de 1 2
= 1 = 0.75 que la media de la muestra
k 22
difiere de la media de la poblacin, y que el error que se comete es menor que:
x k = 2.5 ( 2 ) = ( 5 )
Con este teorema podemos conocer el error que cometemos sin tener que hacer el
desarrollo de la distribucin de medias muestrales.
54
Este teorema es fundamental en la estadstica, ya que justifica el uso de los mtodos de
la curva normal en la solucin de una amplia gama de problemas. Se aplica a
poblaciones infinitas y a poblaciones donde n es una parte de la poblacin. Es difcil
especificar con exactitud cuan grande debe ser (n) para poder aplicar el teorema central
del lmite. Sin embargo para n=20 ya se puede obtener un polgono de frecuencias
simtricas y en forma de campana; para n=30, ya podemos considerar a (n)
suficientemente grande.
EJEMPLO:
N=64 =20
5 5
Z1 2 y Z2 2
20 / 64 20 / 64
Con los valores de Z nos vamos a las tablas del apndice A, que se encuentran al final
del fascculo, obtenemos
Con este ejemplo podemos ver como el teorema central del lmite es ms preciso que el
de Chebyshev, toda vez que Chebyshev da un rango de aproximacin y el del lmite
central nos fija el valor de la probabilidad.
55
Figura 34.
Solucin:
200 50 50 1 1
200 200 4 2
50
Con este ejemplo podemos ver que al aumentar el valor de (n), el error de la media
disminuye; en nuestro ejemplo disminuy la mitad.
Si la naturaleza del problema que se est resolviendo tiene distribucin normal, entonces
el teorema del lmite central cobra mayor importancia en el clculo del error estndar de
la media. Veamos el siguiente ejemplo:
56
Figura 35.
Ahora formemos muestras con n=20 y la grfica de esta nueva distribucin de medias
maestrales es la C.
=0
Figura 36.
57
De lo anterior concluimos que:
si (n) crece, el error estndar que se comete al tomar a la media muestral como
estimador de la poblacin () es cada vez ms pequeo.
Ya dijimos que para n30 podemos considerar que (n) es grande y aunque el teorema
central del lmite se puede aplicar a una muestra cuya n30, el error estndar es mayor.
En estos casos se recomienda aplicar otra distribucin que nos permite clculos ms
precisos en muestras pequeas y que veremos a continuacin.
ACTIVIDAD DE REGULACN
a) El teorema de Chebyshev
b) El teorema central del lmite
a) Menor de 10 horas?
b) Menor de 20 horas?
58
1.2.3 DISTRIBUCIN TSTUDENT
X-
t , ..(12)
s/ n
Donde:
X = media de la muestra
= media de la poblacin
s = desviacin tpica de la muestra
n = tamao de la muestra
59
Como ejemplo para ilustrar un problema en la estimacin de medias, considrese un
estudio en el cual un mdico desea determinar el incremento promedio real del pulso
cardiaco de una persona que realiza cierta tarea ardua. Los siguientes datos representan
los incrementos de pulso cardiaco en pulsaciones por minuto que el mdico obtuvo en
relacin con 32 personas:
Una estimacin de este tipo es una estimacin puntual ya que consta de un solo nmero.
Pero esta manera de estimar un parmetro no es la ms confiable ya que no nos dice en
cuanta informacin se basa la estimacin y tampoco nos dice nada acerca del posible
tamao del error. Una estimacin por intervalos es mucho ms til que una estimacin
puntual, debido a que posee ms informacin; no solo da el valor estimado, sino tambin
la precisin y el nivel de confianza.
X-
Comparando la variable normal estandarizada Z y la variable t de student,
/ n
X-
t se observa que son similares y que el nico cambio est en el denominador
s/ n
donde se sustituye S en lugar de .
60
En la siguiente figura se comparan los dos tipos de curvas.
CURVA Z
Figura 37.
Figura 38.
61
indistinguibles. De todo lo anterior se pueden establecer propiedades de la distribucin
de t de Student.
El trmino grados de libertad abreviado (g.l.), se refiere al nmero de datos que pueden
variar libremente, despus de haber impuesto ciertas restricciones a nuestros datos.
= X error muestral
El mximo error que se comete cuando se utiliza X como estimacin de , cuando n30
est dado por:
EZ
2 n
62
Donde:
Z denota el valor de Z para el cual el rea situada debajo de la curva normal
2
estndar a su derecha es igual a /2.
EJEMPLO:
Figura 39.
En las tablas del rea bajo la curva normal se obtiene Z 2=1.96; y como la curva es
simtrica, Z1=-1.96.
Lo anterior significa que el 95% de las diferencias maestrales cae entre -1.96 y 1.96
desviaciones estndares.
EJEMPLO:
Un experto en mecnica utiliza la media de una muestra aleatoria de tamao n=30 para
estimar el tiempo promedio que le toma a un mecnico realizar cierta tarea. Si con base
en la experiencia, el experto puede suponer f=2.5 minutos para estos datos, qu se
puede decir con un nivel de confianza del 1% acerca del tamao mximo de su error?
63
SOLUCIN:
Z0.005 = 2.57
Sustituyendo estos datos en la frmula E = Z/2 se tiene:
x
(2.5) 6.425
E = (2.57) 1.17
30 5.477
El resultado obtenido significa que el experto en mecnica puede afirmar con una
certeza del 99% que su error ser cuando mucho de 1.17 minutos.
ACTIVIDAD DE REGULACN
Z
La frmula E = , tambin se puede utilizar para determinar el tamao de la
2 n
muestra que se necesita para lograr un grado de exactitud deseada. Despejando n de la
expresin anterior se tiene:
2
Z /2
n= .(16)
E
64
EJEMPLO:
SOLUCIN:
La probabilidad 0.95 de que al hacer la estimacin se tenga un error de cuando mucho
0.30 significa que se est tomando un nivel de confianza del 5%, por lo tanto = 5% =
/2 = 2.5% = 0.025.
2
Z /2
n se tiene
E
2
(1.96) (1.50)
n = 96.04
0.30
ACTIVIDAD DE REGULACIN
Intervalos de confianza
65
Como ya vimos al estimar en base a la media de la muestra X , la estimacin no ser
perfecta; es decir, siempre habr un margen de error, tal que:
= X error muestral;
Z
Pero ya vimos que el mximo error muestral que se puede cometer es E = , por
2 n
lo tanto podemos escribir:
Z
X .(17)
2 n
Donde:
X = media muestral
Z = Es el valor de Z para el cual el rea bajo la curva normal a la derecha de Z
2 es /2
= Nivel de confianza
= Desviacin tpica de la media
n
Puesto que los niveles de confianza ms utilizados son 0.05 y 0.01, entonces podemos
establecer los siguientes intervalos de confianza:
= X 1.96 ; intervalo de confianza de 95%
n
= X 2.58 ; intervalo de confianza de 99%
n
EJEMPLO:
Obtener el intervalo de confianza del 95% del conjunto de datos:
2
X X
1 1 (1, 5, 2, 3, 4, 1, 2, 2, 4, 3)
5 25
2 4
3 9 1er. Paso: Se determina la media
4 16
1 1 X = 27 X 27
X X 2.7
2 4 N = 10 N 10
2 4
4 16
3 9
27 89
66
2do. Paso: Se obtiene la desviacin estndar de la muestra
X 89
S= -X S= - (2.7) 8.9 - 7.29
N 10
S
ntese que el denominador en la frmula se escribi N1 en vez
X N-1
de N; la razn es que N-1 corrige el sesgo del error estndar.
1.27 1.27
o.42 0.42
X 10 - 1 3 X
4o. paso: Se multiplica el error estndar de la media por 1.96 que es el valor de Z al nivel
de confianza de 0.05.
= X 1.96
X
= 2.7 1.96 (0.42)
= 2.7 0.82
1.88 3.52
Lo anterior significa que se puede asegurar con un 95% de confianza que la verdadera
muestra poblacional est entre 1.88 y 3.52.
EJEMPLO:
SOLUCIN:
Se tiene que estimar la dureza media en base a una muestra con n = 40, X = 70
y S = 2 y un nivel de confianza del 99%, ya que la situacin es bastante delicada.
67
= X 2.58
n
2
= 70 (2.58)
40
= 70 (2.58) (0.82)
o sea: 69.18 70.82
El gerente, al recibir el informe, observa que este resultado cae muy cerca del extremo
del rango aceptable (de 68.3 ________), pide que se aumente la precisin del intervalo de
confianza del 0.82 a 0.50, preservando el nivel de confianza en 99%.
Qu haras t?
SOLUCIN:
Hay que determinar el tamao de la muestra necesaria para alcanzar la precisin de
E = 0.50.
2
Z /2
n podemos tomar = 5
E
2 2
(2.58) (2) 5.16
n (10.32)2 106.50
0.50 0.50
Entonces nos bastara una muestra de 107 piezas. Como ya tenamos 40 piezas, se
manda completar la muestra probando la dureza de 67 piezas adicionales. Se calculan
las nuevas X y S en base a la muestra total y se obtiene el nuevo intervalo de confianza
a 99% con precisin de 0.50.
ACTIVIDAD DE REGULACIN
68
b) Calcula el tamao de muestra total necesaria para tener un error de estimacin
E 25 unidades con 99% de confianza.
c) Para 0.01 obtener: = _____ y Z1 = _____ .
2 2
d) Del conjunto de datos del problema anterior, encuentra el intervalo de confianza del
99%.
X-
Si en la distribucin Z = , se reemplaza t por Z y por S se tiene la distribucin:
/ n
X-
t= distribucin de Student.
/ n
EJEMPLO:
Para 10 g. l., el 10% del rea de la curva est a la derecha del valor t = 1.383, y como la
curva es simtrica, el 10% del rea de la curva est a la izquierda del valor t = -1.383.
69
De la figura se tiene que el 80% de los casos estn comprendidos entre -1.383 y 1. 383.
ACTIVIDAD DE REGULACIN
Para la distribucin t de Student se define t, de la misma forma como se defini Z ,
2 2
de manera que el rea situada debajo de la curva que est a la derecha de t es igual
2
a -t . Sin embargo t depende del nmero de grados de libertad.
2 2
Figura. 41
Distribucin t
70
S
X t /2
n
EJEMPLO:
La curva de la distribucin t con 10 g. l. se muestra en la siguiente figura. Hallar el valor
de t para que:
Figura 42.
SOLUCIN
a) /2 = 0.05
t0.05 = 1.812
ACTIVIDAD DE REGULACIN
Resuelve los incisos b, c y d del problema anterior. Utiliza tu cuaderno para dar tu
respuesta.
71
EJEMPLO:
Los contenidos de cido sulfrico en siete recipientes similares son: 9.8, 10.2, 10.4, 9.8,
10.0, 10.2 y 9.6 litros. Encuentra un intervalo de confianza al 95% para la media de todos
los recipientes, suponiendo una distribucin aproximadamente normal.
SOLUCIN:
0.283
= 10.0 (2.447)
7
0.6925
= 10.0
2.64575
= 10.0 0.26174
9.74 10.26
ACTIVIDAD DE REGULACIN
72
2. En un estudio de la contaminacin del aire, una estacin de experimentos obtuvo una
medida de 2.36 miligramos de materia orgnica suspendida soluble de benceno por
metro cbico con una desviacin estndar de 0.48 de una muestra tomada al azar de
tamao n = 10.
Pruebas de hiptesis
ESTADSTICO DE PRUEBA. Es una variable aleatoria cuyo valor se utiliza para llegar a
la decisin de rechazar o no la hiptesis nula.
73
La siguiente grfica muestra el valor crtico, la regin de rechazo y la regin de
aceptacin.
Figura 43.
Estos conceptos sern abordados en la siguiente unidad, preprate para acceder a ellos.
74
EXPLICACIN INTEGRADORA
1
Podemos afirmar con una probabilidad de cuando menos 1 que la media de una
k2
muestra aleatoria de tamao (n) difiere de la media de la poblacin en un valor igual a
Xk .
x
t
s n
75
RECAPITULACIN
76
ACTIVIDADES DE CONSOLIDACIN
PROBLEMA:
27, 28, 28, 28, 29, 30, 30, 30, 30, 31, 31, 31, 32, 32, 32,
33, 33, 33, 33, 34, 34, 34, 34, 35, 35, 35, 35, 35, 35, 35,
36, 36, 36, 36, 36, 37, 37, 37, 37, 37, 37, 38, 38, 38, 38,
38, 38, 38, 39, 39, 39, 39, 40, 40, 40, 40, 40, 40, 40, 40,
41, 41, 41, 41, 41, 41, 41, 41, 42, 42, 42, 42, 42, 42, 43,
43, 43, 43, 44, 44, 44, 44, 44, 44, 44, 45, 45, 45, 45, 45,
46, 46, 46, 47, 47, 47, 47, 47, 47, 47, 48, 48, 48, 48, 49,
49, 49, 49, 50, 50, 51, 51, 51, 52, 52, 53, 53, 53, 54, 54,
55, 56, 56, 57, 57, 58, 59, 61, 62, 62.
Determina:
1) La media
2) La moda
3) La mediana
4) La varianza
5) La desviacin estndar
6) Traza el polgono de frecuencias
7) Normaliza los datos y traza la curva de mejor ajuste sobre la grfica anterior
para contrastar el cambio
8) Determina el tanto por ciento de casos que se espera hallar entre la media y
las puntuaciones 28, 38 y 60
77
9) Calcula el tanto por ciento y el nmero de casos esperados entre los
siguientes pares de puntuaciones:
a) 35 y 45
b) 50 y 55
c) 56 y 60
10) Cuntos casos se espera hallar por encima de una puntuacin igual a 50?
Cuntos por debajo de 35?
PROBLEMA:
a) estimar el incremento promedio real del pulso cardiaco de una persona que
realiza una tarea ardua, mediante el estimador puntual X.
78
AUTOEVALUACIN
Los resultados que debiste obtener son los siguientes, si alguno no coincide, entonces
revisa tus clculos, localiza el error y corrgelo. Si tienes alguna duda, consulta a tu
asesor.
1) X = 47.1
2) Mo = 48.7
3) Md = 50.6
4) 2 = 64.2
5) = 8.04
6) TABLA DE FRECUENCIAS
Xmfi 6118
X 47.1
n 130
64.590698 8.04
79
2 6
Mo = 47.5 + 3 47.5 48.7
2 3 5
130
- 48
Md = 48 + 3 2 48 51 50.6
20 20
POLGONO DE FRECUENCIAS
X I
CLASE fi Ls. Z= DEBAJO ENCIMA fe Fe. red.
X=Xi X
80
A) POLGONO DE FRECUENCIAS (A)
B) Curva NORMALIZADA (B)
a) Para estimar la media de una poblacin, hay varios estimadores puntuales, los
ms conocidos son: media, mediana y moda.
27 14 24 32 25 30 24 29 19 32 259
X = 25.9
10 10
X = 25.69
Esto significa que el incremento promedio real del pulso cardiaco es 25.9
pulsaciones por minuto.
81
Este error que se comete al estimar a travs de X se determina mediante la
frmula:
E = t /2
n
Donde:
E= error
t /2 = rea bajo la curva a la derecha de /2
= desviacin estndar de la poblacin
n= N de datos
= 0.05 /2 = 0.025
t(0.025) = 2.262
E = 3.89
Esto significa que podemos asegurar con un grado de confianza del 95% que el
error que se comete al estimar a travs de X es menor de 3.89 pulsaciones por
minuto.
b) Para estimar el alejamiento promedio de las pulsaciones por minuto con respecto
al incremento promedio real existen varios estimadores. Los ms usuales son: la
desviacin media, varianza y desviacin estndar.
82
2 2
X f X fix Para determinar s se utiliza la frmula
14 1 196 196
19 1 361 361
24 1 576 576 fx 2
S= -X
2
25 1 625 625 N
27 2 729 1458
29 1 841 841 donde N = N de datos
30 1 900 900 f = frecuencia de cada dato
32 2 1024 2048 X = media de la muestra
5252 7005
7005
s= ( 25.9) 2 700.5 - 670.81 29.69 = 5.44
10
s = 5.44
Esto significa que en promedio el incremento promedio del pulso cardiaco se aleja
5.44 pulsaciones por minuto de la media.
c) g. l. = n 1 g. l. = 10 1 = 9 g. l. = 9
= X error muestral
e) Para determinar el tamao que deber tener la muestra con un nivel de confianza
del 95% para tener un error mximo de 2.5 pulsaciones por minuto se utiliza la
frmula:
E = t /2
n
t /2
Despejando n se tiene: n =
E
(2.262) (5.44)2 2
n= (4.922112) = 24.22
2.5
83
Redondeando se tiene: n = 24
Esto Significa que el tamao de la muestra debe ser 24 para cometer un error
menor de 2.5 pulsaciones por minuto al estimar a travs de X .
= X E pero E = t /2
n
= X = t /2 intervalos de confianza para estimar
n
= 0.0 /2 = 0.005
5.44
= 25.9 4.032
10
21.934
= 25.9
3.162
= 25.9 6.936
18.96 32.83
Esto significa que se puede asegurar con un 99% de confianza que la verdadera
muestra poblacional est entre 18.96 y 32.83 pulsaciones por minuto.
84
ACTIVIDADES DE GENERALIZACIN
I. Una mquina est diseada para llenar botellas de crema para el cuerpo con una
media de 750 ml y una desviacin estndar de 10 ml. Si se considera que la cantidad
que se utiliza para llenar las botellas se distribuye normalmente y se escoge una
botella al azar, entonces:
85
GLOSARIO
86
ANEXOS
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
87
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
88
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
89
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
90
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
91
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
2.69
92
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
93
ANEXO A
REAS Y ORDENADAS DE LA CURVA
DE DISTRIBUCIN NORMAL EN FUNCIN DE X/
94
ANEXO B
t2
95
ANEXO C
NMEROS ALEATORIOS
APNDICE C
96
ANEXO C
NMEROS ALEATORIOS
97
ANEXO C
NMEROS ALEATORIOS
98
ANEXO C
NMEROS ALEATORIOS
99
BIBLIOGRAFA CONSULTADA
100
DIRECTORIO
C.P. Juan Antonio Rosas Meja Lic. Miguel ngel Bez Lpez
Director de Programacin Director de Planeacin Acadmica