 Estadística Inferencial

Modelos de distribuciones de probabilidad para

variables aleatorias continuas

Bibliografía recomendada: Cordova, Manuel. 2003. Estadística:

Descriptiva e Inferencial. Ed. Moshera S.R.L. 5ta edición. Sub
capítulos: 7.2 y 7.3

2023-1 Fotocopiar o escanear Tabla de Distribución de Probabilidad Normal Estándar

Función de probabilidad f(X) y función de p. acumulada
F(X) de una variable aleatoria

V.A. discreta: Número

de caras al lanzar 4
monedas.

0 1 2 3 4 . ~ []

V.A. continua: Altura de

los individuos de una
población. TIP: f(x) no
representa la probabili-
dad de algo, solamente
cuando se realice la
integrasión entre dos
puntos produce una
probabilidad.
 Distribución de probabilidad uniforme (rectangular)
La variable aleatoria continua es la más sencilla por tener un valor constante
(uniforme) en un intervalo de valores.
Función de densidad de probabilidad:
 1
1
 si a  x  b
f ( x ) = p( x ) = U ( a, b ) =  b − a

b−a
 0 en otro caso p(x)
Donde a y b se denominan parámetros de
ubicación. Área = 1
Función de distribución de probabilidad
acumulada:
x
a x b
F ( x) =  p( t )dt x  
−
Entonces:
0 xa
x −a (x)
F ( x) =  a xb
b − a
1 xb
Media, varianza y desviación típica de la distribución de probabilidad
uniforme.

a+b
μ =
2

(b − a) 2
b−a
σ =2
; σ=
12 12
 Ejemplo 1 de distribución de p. rectangular. Si se conoce:

 1
 47 − 41 para 41  x  47

p(x) = 

 0 para el resto de los valores

Calcula: P(42  x  45)

x 2 − x1 45 − 42 1
P(x1  x  x 2) = P(42  x  45) = =
b−a 47 − 41 2
45 − 42 1
p(x) =
47 − 41 2

1 1
=
47 − 41 6
Área
= 50%

41 42 45 47 x
Ejemplo 2.

Mamerto es un vendedor que cobra un sueldo

fijo por S/200 más una comisión de 5% del total
de las ventas mensuales. Si el total de las ventas
es una v. a. X con distribución uniforme com-
prendida entre S/0 a S/2000, encuentra:
a) ¿Cuál es sueldo promedio (S) de Mamerto?
S = 200 + 5%*X
donde X es una v.a. que representa el total
de la venta mensual: ͂ U [0;2000]
E(S) = 200 + 0,05*E(X)
= 200 + 0,05*1000
= S/250 mensuales
 b) ¿Qué probabilidad hay de que Mame tenga
honorarios superiores a S/275? ¿Cuánto debe
vender como mínimo? (Tip. Ventas: 75 = 5%*X)
p(x)
0 xa
x −a
1/2000
F ( x) =  a xb
b − a
Area
= 25%
1 xb
0 1500 2000 x

P[S > 275] = P[X > 1500]

= 500/2000 = 0,25
La probabilidad de que Mamerto, en un determinado mes, gane más
de S/275 es de 25% vendiendo como mínimo S/1500
 c) Si Mamerto vende como mínimo S/500 ¿qué probabilidad hay de
que gane más de S/260 en un determinado mes? (Tip. Ventas: 60
= 5%*X)
P(S > 260) P(X > 500) =
p(x)
0 xa
1/2000 x −a
F ( x) =  a xb
b − a
1 xb
Eje X: Ventas 0 500 1200 2000

P(X > 1200) P(X > 500) = (Casos Favorables / casos totales)

800 * 1
= 2000
1500 * 1
2000
d) Se le propone a Mamerto como sueldo el 32% de las ventas. Si Mame quiere
ganar por lo menos S/240 como sueldo ¿Le conviene la propuesta?

Alternativa A: P(0,32*X > 240) = 1250/2000

Alternativa B: P(200 + 5%X > 240) = 1200/2000
Ejercicios.
1) En las botellas de un detergente líquido «Ña Catita» se indica que el
contenido es de 12 onzas por botella. En la operación de producción se
llenan las botellas uniformemente de acuerdo con la siguiente función de
densidad de probabilidad:

f (x) = 8 para 11,975 <= x <= 12,100

0 en cualquier otro caso

a. ¿Cuál es la probabilidad de que el contenido de una botella esté

entre 12 y 12,05 onzas?

b. ¿Cuál es la probabilidad de que el contenido de una botella sea

12,02 onzas o más?

c. En el control de calidad se acepta que una botella sea llenada con

más o menos 0,02 onzas de lo indicado en la etiqueta. ¿Cuál es la
probabilidad de que una de las botellas de detergente no satisfaga
estos estándares?

R. a. 40%; b. 64% y c. 68%

Ejercicios...

2) Sea X el momento elegido al azar en que Eufemia llega a una cita

entre la 1:00 y las 2:00 de la tarde. Responde:
a) ¿Cuál es en este caso la función de densidad?
b) ¿Cuál es el valor medio esperado? ¿con qué desviación típica?
c) Calcula la probabilidad de que Eufemia llegue en la primera
media hora, P(X < 1,5).
d) Calcula la probabilidad de que Eufemia aparezca en los últimos
15 minutos, P(1,75 < X < 2).

3) El ingeniero Serapio Jozzo estima inicialmente que el tiempo, en

minutos, de maquinado de una pieza se modela con una distribución
uniforme (10; 20). Calcula la probabilidad de que una pieza sea
maquinada en menos de 14,5 min. R. 45%
Ejercicios...

4) Supón que se gira el dial mostrado en la figura para que pare en una
posición aleatoria. Modela esto como una apropiada función de densidad de
probabilidad, y úsala para calcular la probabilidad de que la aguja pare en
cualquier posición entre 5° y 300°.

R.= (300 – 5)/360 = 0,8194

 Distribución de probabilidad normal

La distribución continua de probabilidad más importante,

por la frecuencia con que se encuentra y por sus
aplicaciones teóricas, es la distribución normal, gaus-
siana o de Laplace-Gauss.

Existen tres funciones de distribución de probabilidad

íntimamente relacionadas con la distribución normal: la
distribución λ2 (chi-cuadrada), la distribución t de
Student y la distribución F de Fisher. Las definiciones de
estas funciones involucran las fórmulas de la función
gamma y de la función beta.
 Aplicaciones de la distribución normal
Caracteres morfológicos de individuos (personas, animales,
plantas,...) de una especie (tallas, pesos, diámetros, perímetros,...).
Caracteres sociológicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen, ...

Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de

un fármaco.
Errores cometidos al medir ciertas magnitudes.
Valores estadísticos muestrales, por ejemplo: la media.
Y en general cualquier característica que se obtenga como suma de
muchos factores.

Otras distribuciones como la binomial o la de Poisson se aproximan

a la distribución de probabilidad normal.
 Características de la Distribución de Probabilidad Normal

• Tiene forma de campana, es asintótica al eje de las

abscisas (para x =   )

• Simétrica con respecto a la media () donde coinciden la

mediana (Mn) y la moda (Mo)

• El área por debajo de la curva normal es igual a 1.

+
 f ( x )dx
−

Puede considerarse f(x) dx como la probabilidad de X de caer en el intervalo

infinitesimal [x, x + dx].
 Características...

• Curtosis igual a 3

• Los puntos de inflexión tienen como abscisas los

valores   

Puntos
de
inflexión

−   +
- +
, Mo, Mn
 ¿Cómo calcular probabilidades asociadas
a una curva normal específica?
Distribución Normal: Dado que tanto  como  pueden
asumir infinitos valores lo que hace
impracticable tabular las probabilidades
para todas las posibles distribuciones
normales, se utiliza la distribución
normal estándar, reducida o
tipificada.
Es una traslación y un cambio de
Distribución Normal Estándar: escala de la variable original.

Considerando una variable de media μ

y desviación típica σ, se denomina
valor tipificado z, puntuación z, valor z,
puntaje z, de una observación x, a la
distancia (con signo) con respecto a la
media, medido en desviaciones típicas,

x−
es decir:

z=

La nueva variable z (variable aleatoria estandarizada)
se distribuye como una NORMAL con media  = 0 y
desviación típica  = 1
En cualquier distribución normal las
probabilidades delimitadas entre :
  = 68 %
 2 = 95 %
 3 = 99 %

68%

95%
99% z
-3 -2 -1 0 1 2 3
 Tablas de Distribución Normal Estándar (TDNE)

Hay varios tipos de tablas de la distribución de proba-

bilidad normal estándar. La que se explica aquí representa
las áreas para los diferentes valores de z: desde 0 hasta +
.

Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica

+
0
Tablas de Distribución Normal Estándar...
a) Margen izquierdo: Los enteros de z y
su primer decimal.
La tabla consta de: b) Margen superior: centésima de unidad
c) Cuerpo de la tabla: áreas acumuladas, desde
Z = 0 hasta Z = 3,99
Z 0 1 2 3 4 5 6 7 8 9
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0.3 .1179 ... ...
0.4 .1554 ...
0.5 .1915 ...
... ...
3.9 ...

Nota: Para valores de z > 3,99 o z < -3,99 usar 0,4999 ( 50%) para el área correspondiente.
Ejercicio:
a) ¿Cuál es el valor de Z1 que abarca un área de 9,48% comprendido desde Z = 0. R 0,245
b) ¿Y cuál es el valor de Z1 que abarca un área de 59,48% comprendido desde Z = -?
Ejemplo de uso de la TDNE.
¿Cuál es la probabilidad de que un valor de z esté entre 0 y – 2,03?
Se busca en la tabla el área correspondiente a z = 2,03

Z 0 1 2 3 4
1.8
1.9
2.0 0.47882
2.1

47,88%

z
-3 -2 -1 0 1 2 2,03 3
Ejemplo
El colesterol en la población del Centro Poblado
Chancachi - Puno, tiene distribución de
probabilidad normal, con media 200 mg/dl y
desviación estándar 10 mg/dl. Responde:

a) Se elige un poblador ¿cuál es la p. de que

dicho ciudadano tenga un colesterol menor a
210 mg/dl?
¿Qué porcentaje de individuos tiene colesterol
inferior a 210 mg/dl?
Centro Poblado Chancachi - Puno...
Todas las distribuciones normales son similares salvo traslación y cambio de
escala: Tipifiquemos.
x− 210 − 200
z = = =1
 10

P[Z  1,00] = (ver tabla) = 0,841

 Centro Poblado Chancachi - Puno...
b) ¿Qué valor del colesterol solo es superado por el 10% de los individuos?
El valor del colesterol que solo supera el 10% de los individuos es el percentil 90.
Calculemos el percentil 90 de la N(0;1) y deshacemos la tipificación.

x−
z =

x − 200
1,28 =
10
x = 200 + 10 1,28 = 212,8

En Excel:
=INV.NORM(90%;200;10) = 212,81
Centro Poblado Chancachi - Puno...

El colesterol tiene distribución de probabilidad normal, con µ = 200

mg/dl y 
= 10 mg/dl. Responde:

c) ¿Cuál es la p. de que se elija aleatoriamente a dos individuos

y cada uno supere los 210 mg/dl? R. 2,518%

d) En relación a c) ¿P. de que por lo menos uno de los dos

supere los 210? R. 29,2719%

e) Se eligen al azar a seis parroquianos ¿cuál es la p. que por lo

menos dos tengan colesterol mayor a 210 mg/dl? R. 24,41%

f) Supón que el Centro Poblado Chancachi tiene 2000

pobladores ¿Cuántos tendrán colesterol menor que 210
mg/dl? R. 1682

g) ¿Cuál es la probabilidad de elegir un poblador y tenga

colesterol mayor a 810 mg/dl?
Ejercicio.
La vitivinícola Vino para Quedarse, cuenta con una máquina de envasado
automático, la cual vierte en cada botella una cierta cantidad de vino que
sigue una distribución normal con media de 500 ml y una varianza de 25 ml.

a) ¿Qué porcentaje de las botellas se llenan con vino entre 490 y 507
mililitros?

b) Si el 14 de febrero la producción fue un record de 20000 botellas ¿cuántas

botellas tendrán un contenido entre 490 y 507 ml?

R. (a) 89,64% (b) 17 928

 Propiedad reproductiva de las distribuciones de
probabilidad

Algunas distribuciones de probabilidad tienen la

propiedad siguiente:
Si dos o más variables aleatorias que tienen una
distribución de probabilidad del mismo tipo se
suman, la v. a. resultante tiene una distribución del
mismo tipo que los sumandos. (Teorema de
Fourier).
Por ejemplo, las distribuciones: Binomial (respecto a
n), Poisson (respecto a λ) y Normal (respecto a µ y
σ) son distribuciones con propiedad reproductiva.
 Teorema aplicable a la distribución de probabilidad normal
(propiedad reproductiva, adición o aditiva)

Sea X1, X2, ... , Xn, n variables aleatorias

independientes (Cov = 0), donde Xi ~ N(  ,  2
),
para i = 1, 2 ... n.
Si Y = c1X1 + c2X2, + ... + cnXn entonces, la v. a. Y
se distribuye normalmente con media y varianza:
n
 =  c i
𝑛 2 2 2
𝜇𝑦 = ෍ 𝑐𝑖 𝜇𝑖 y i
𝑖=1
i =1
Si X ~ N(μ , σ2 ). Entonces, la variable aleatoria Y = a + b X también se
distribuye normalmente con media E(Y) = a + bμ y varianza V(Y) = b2*σ2.
Es decir: Y ~ N(a + bμ , b2*σ2 ).

Para diferencia de v. a. (X – W) ~ N(μx - μw ;  2x +  2w )

Ejercicio.
Un brazo hidráulico consta de tres partes. Supón que X1, X2 y X3 son fabricados
por diferentes empresas cuya distribución de probabilidad de la longitud de cada
una de las partes está dada por:
– X1 N (12 ft; 0,02 ft2)
– X2 N (24; 0,03)
– X3 N (18; 0,04)
Calcula la probabilidad de que la longitud del brazo hidráulico esté comprendida
entre 53,8 y 54,2 feet.
R. 49,5% (Excel); 49,6% (SPSS).

X2

X1
X3
Ejercicio 7.
El tiempo empleado para ir de Los Barracones al Aeropuerto Jorge Chávez por
la ruta A se distribuye como N(27; 5) minutos; por la ruta B la distribución es
N(30; 2) ¿Qué ruta conviene utilizar si se dispone de:

a) 30 minutos

b) 34 minutos
 Cálculo de probabilidad por aproximación

µ = n*p; σ2 = n*p*q
Ejemplo
Si 35% de los productos manufacturados por
Rosquin SA en su línea de producción de
tornillos transformer son defectuosos ¿cuál es
la probabilidad de que entre los siguientes
1000 productos manufacturados en esa línea
a) menos de 354 productos sean defectuosos?
b) entre 342 y 364 inclusive, productos sean
defectuosos?
c) exactamente 354 productos sean defectuo-
sos?
Ejercicio 1.
La cementera Peter Punk produce cemento gris de
uso estructural (para la elaboración de morteros y
concretos, etc.) ha encontrado que en promedio, un
2% de las bolsas no cumple con la norma ¿Cuál es la
probabilidad que en 600 bolsas de cemento de uso
estructural seleccionadas al azar, se encuentren 15 o
más bolsas defectuosas?

R. 23,27%
Ejercicio 2. Co320.

En el distrito de Chiguata (Arequipa) se ha establecido que los sueldos,

en dólares neozelandeses (NZD), de las parejas de esposos son
estadísticamente independientes y que la distribución es N(350; 50) NZD
para los hombres y N(250; 35) NZD para las mujeres, se pide:

a) ¿Cuál es la probabilidad de que el ingreso familiar sea superior a

NZD 720) R. 2,44%

b) Si se escoge al azar a los esposos Huamancurucho ¿cuál es la

probabilidad de que el sueldo del esposo sea mayor que el sueldo
de la esposa? R. 94,95%

c) Si se escoge al azar a los esposos Chuyuncuy ¿cuál es la

probabilidad de que, simultáneamente, cada sueldo de la pareja sea
mayor que NZD 300? R.6,43%
Como generar curva de distribución normal en excel - Bing video

Distribución Normal Estándar en Excel - Bing video

 Modelo de distribución de probabilidad exponencial

Mientras que la distribución de p. Poisson describe las llegadas por

unidad de tiempo, la distribución de p. exponencial estudia el tiempo
entre cada una de estas llegadas.

Si las llegadas son de Poisson el tiempo entre estas llegadas es

exponencial. Mientras que la distribución de Poisson es discreta la
distribución exponencial es continua porque el tiempo entre llegadas
no tiene que ser un número entero.

Esta distribución se utiliza mucho para describir el tiempo entre

eventos.

Ejemplos típicos de esta situación son el tiempo que un medico

dedica a una consulta médica, el tiempo de entregar una medicina en
una farmacia o el tiempo de atender en una caja de un retail.
 Distribución de p. exponencial
El uso de la distribución exponencial supone que los tiempos
de servicio son aleatorios, es decir, que un tiempo de servicio
determinado no depende de otro servicio realizado
anteriormente ni de la posible cola que pueda estar
formándose.
Otra característica de este tipo de distribución es que no
tienen “edad” o en otras palabras, “no tiene memoria”.
Por ejemplo, supongamos que el tiempo de atención de un
paciente en una sala quirúrgica sigue una distribución
exponencial. Si el paciente ya lleva 5 horas siendo operado,
la probabilidad de que esté una hora más es la misma que si
hubiera estado 2 horas, o 10 horas o las que sea.
Esto es debido a que la distribución exponencial supone que
los tiempos de servicio tienen una gran variabilidad.
A lo mejor el próximo paciente operado tarda una hora
porque su cirugía era mucho más simple que la anterior.
Distribución de p. exponencial...
En el análisis del comportamiento de las Líneas de Espera, se reconoce
que el proceso de llegada de los clientes al sistema ocurre de forma
totalmente aleatoria.

Se entiende por aleatorio que la ocurrencia de un evento no se ve

afectado por el tiempo transcurrido desde la ocurrencia de un evento
anterior.

Por ejemplo, si en estos momentos son las 10:30 h y la última llegada de

un cliente fue a las 10:15, la probabilidad de que la siguiente llegada sea
a las 10:35 es función sólo de las 10:30 a las 10:35 y en consecuencia es
totalmente independiente del tiempo transcurrido desde la ocurrencia del
último evento, es decir, de las 10:15 a las 10:30. Este resultado se conoce
como falta de memoria o amnesia de la Distribución Exponencial.
Distribución de p. exponencial...

En la distribución de Poisson la v. a. discreta es el número de eventos

raros que ocurren durante un intervalo determinado de tiempo,
espacio o distancia.
La distribución exponencial describe la v. a. continua, x = la cantidad
de tiempo, espacio o distancia entre las ocurrencia de estos eventos
raros.
Ejemplo. Si el número promedio de llegadas a la caseta de peaje La
Balanza ubicada en el km 3000 de Comas es λ = 5 automóviles por
minuto, la media de la distribución exponencial correspondiente será
1/λ = 0,20 minutos entre automóviles.
Media y Varianza de la distribución exponencial
Exp ()
+ 1
= xe − x
dx =
0 
Función de cuantía de la distribución de p. exponencial

− x
f ( x ) = e para x  0 y   0

Donde:
λ = denominado parámetro de escala
representa el número de eventos por
unidad de tiempo
e = constante matemática 2,7183; base del
sistema logarítmico natural
Función de p. exponencial acumulada

En función a λ:

1 − e − x , x  0
F ( x) = 
 0, x0
En función a µ:


1−e
−x

, x 0
F(x) = 

 0, x 0

Tip. En los exámenes se dará la respuesta en notación decimal o científica

porcentual.
Ejemplo. La vida útil de cierto tipo de localizadores
de Sistema de Posicionamiento Global (GPS, por sus
siglas en inglés) pertenecientes a la agroexportadora
«Hijos de Fruta» tienen una distribución exponencial
con una vida media de 500 horas (µ). Si X representa
la vida útil de un GPS elegido aleatoriamente:
a) Halla la probabilidad que se inutilice a lo más a
las 300 horas.
b) ¿Cuál es la probabilidad que dure por lo menos
300 horas?
c) Si un GPS en particular ha durado 300 horas
¿Cuál es la probabilidad de que dure otras 400
horas adicionales como mínimo?
Propuesta de solución:
• Sabemos que µ = 1/, entonces  = 1/500

• La función de densidad de la v. a. X es:

f(x) = 1/500 e-x/500, para x ≥ 0

• La función de distribución de probabilidad

acumulada de la v. a. X es:
F(x) = 1 - e-x/500, para x ≥ 0
Para los valores entre 0 y 300 horas:

(a) P(X < 300)  P(X <= 300) = F (300)

= 1 - e-300/500 = 1 - e-3/5 = 45,11%

(b) P(X > 300)  P(X > = 300)

= 1 – P(X < 300) (Complemento)
= 1 – (1 - e-3/5 ) = e-3/5 = 54,89%
Propiedad de la distribución de p. exponencial que se conoce
como la de “no tener memoria”

p X  ( a + b ) X  a =
p X  (a +b) 
= =
p X  a

= e -b

Otra forma. Las distribución exponencial no tiene memoria, es decir dada

X ∼ Exp(λ) y t1, t2 > 0, se tiene P(X > (t1 + t2) | X > t1) = P(X > t2).
C) Caso de los GPS…


P X  700│X  300  =

P X  700  X  300

PX  300

Por propiedad de no memoria:

= e-400/500 = 44,93%
Ejercicio.

El tiempo durante el cual una batería compuesta de iones de aluminio y

litio "recargable y ultra rápida", que podría aplicarse en celulares
Chanchung y tablets Bambamarca trabaja en forma efectiva hasta que
falle (tiempo de falla) se distribuye según el modelo exponencial con un
tiempo promedio de fallas igual a 360 días. Responde:

(a) ¿Qué probabilidad hay de que el tiempo de falla sea mayor que 400
días?

(b) Si una de estas baterías ha trabajado ya 400 días ¿qué probabilidad

hay de que trabaje 200 días más?

(c) Si se están usando 5 de tales baterías calcula la probabilidad de que

más de dos de ellas continúen trabajando después de 360 días.

R. (a) 32,9% (b) 57,4% (c) p(x>360) = 36,8% y p(y>=3) = 26,38%

 TEOREMA DEL LÍMITE CENTRAL

“Si se toman sucesivas muestras (k) de tamaño n de

una población (N) que puede o no ser normal, la
distribución de probabilidad de esas muestras,
conforme n se vuelve grande, se aproxima a una
distribución normal con:
x = x = 
x 
 x =
n
x−
x =  Z =
x
 CONCEPTOS
⚫ Distribución muestral es una lista de todos los
valores posibles para un estadístico y la probabilidad
asociada con ese valor.
⚫ Error estándar (desviación típica de la media, error
típico, error estándar de la distribución muestral de
medias) es:
2
 2
 2  
x =  =2
 = 2
n= 
 x 
x x
n n
⚫ Factor de corrección para poblaciones finitas:


 N − n
2
 = 2
* 
n  N −1 
x

⚫ Las estimaciones son mejores con muestras más

grandes.
 TEOREMA DEL LÍMITE
CENTRAL
n1
x1 x 2 x 3 x 4 ........ xk
N
n2
x=
 x
k :# de muestras
n3
k
(x − x)
2

n4
x 2
=
k
nk
Ejemplo.

El valor nominal de la resistencia a la compresión de

un material compuesto (Hormigón, adobe, etc.) es de
8500 psi. Por estudios pasados se conoce que la
desviación estándar de esta resistencia es 1950 psi.
Se tiene una muestra de 100 adobes fabricados por
la ladrillera Baco y Caco. ¿Cuál es la probabilidad de
que la media de esa muestra:
a. Sea mayor a 8900 psi?
b. Sea menor a 8000 psi?
c. Esté entre 8200 y 8700 psi?
d. ¿Qué valor de la media tiene una probabilidad
de ocurrencia menor a 16,35%?

...
Ladrillera Baco y Caco...

Solución:
 = 8500 psi;  = 1950 psi y n = 100

a. Media mayor que 8900 psi:

P ( x  8900) = 1 − P ( x  8900)
 8900 − 8500 
P ( x  8900) = 1 − N   = 1 − N (2.05)
 1950 / 100 
P ( x  8900) = 1 − 0.9798 = 0.0202 = 2,02%
 Ladrillera Baco y Caco...

b. Media menor que 8000:

 8000 − 8500 
P( x  8000) = N   = N (−2.56) = 0.0053
 1950 / 100 

c. Media entre 8200 y 8700:

 8700 − 8500   8200 − 8500 

P(8200  x  8700) = N   − N 
 1950 / 100   1950 / 100 
P(8200  x  8700) = N (1.03) − N (−1.54) = 0.8485 − 0.0618 = 0.7867
Ladrillera Baco y Caco...

d. ¿Qué valor de la media tiene una probabilidad de

ocurrencia menor a 16,35%?:

P( x  xi )  0.16 Z 0.1635 = −0.98

xi − 8500
− 0.98 =
1950 / 100
xi = 195 * (−0.98) + 8500 = 8308.9
 PROPORCIONES MUESTRALES

n1 xi
pi =
N ni
n2
p1 , p2 , p3 , p4 , ... pk
n3
p
p= k :# de muestras
n4 k
p−
Z=
nk p
DISTRIBUCIÓN DE LAS PROPORCIONES MUESTRALES

⚫ Error estándar de la distribución muestral de

proporciones es:

 * (1 −  )
 =
n
p * (1 − p)
sp =
n
⚫ Factor de corrección para poblaciones finitas:

 * (1 −  ) N − n p * (1 − p) N − n
 = sp =
n N −1 n N −1
Ejemplo.
Se afirma que lotes de productos son 8% defectuosos. Al
inspeccionar un lote de producto sobre la base de una muestra de
1098 unidades se encuentran 102 que no reúnen los requisitos
planteados ¿Qué probabilidad de ocurrencia tiene un porcentaje
igual o menor al encontrado en esta muestra?
 = 0,08
p = 102/1098 = 0,0929
Probabilidad pedida?

0.0929(1 − 0.0929)
p = = 0.00875
1098

0.0929 − 0.08 0.0929 − 0.08

Z = = = 1.47
p 0.00875

N (1,47) = 0,9292 = 92,92%

TCL...
La distribución de las medias muestrales, es una distribución de
tipo "normal", siempre que la población de procedencia lo sea, o
incluso si no lo es, siempre que el tamaño de las muestras sea 30
o mayor.
En consecuencia, "si una población tiene media µ y desviación
típica σ, y tomamos muestras de tamaño n (de tamaño al menos
30, o cualquier tamaño, si la población es "normal"), las medias
de estas muestras siguen aproximadamente la distribución
normal con:

(X1 + .... + X n ) − nμ Xi − μ
Z= =
2 σ
nσ n
Si población es una d. p. normal, no importa el tamaño de n:

tamaño n
Si la población es diferente a la d. p. normal, para un tamaño de
muestra (n) >= 30, se cumple:

n
Ejemplo 1.

Una máquina expendedora de refrescos Bimbo está programada

para que el volumen de refresco que sirve en cada vaso sea una
v. a. con una media de 200 mililitros y una desviación estándar
de 15 mililitros. Responde:
(a) ¿Cuál es la probabilidad de que la cantidad media de
refresco servido en una muestra aleatoria de 36 vasos sea
por lo menos 204 mililitros?

(b) Se elige aleatoriamente un vaso con refresco ¿Cuál es la

probabilidad de que la cantidad media de refresco servido
sea por lo menos 204 mililitros?

(c) Si se elige un vaso aleatoriamente ¿cuál es la p. que el vaso

tenga por lo menos 204 ml?
Bimbo...
Propuesta de solución:

a)

5,48%

b)

(c)
Ejemplo 2. La renta media de los habitantes de Lilliput se
distribuye uniformemente entre S/4,0 millones y S/10,0
millones. Calcula la probabilidad de que al seleccionar al azar
a 100 lilliputienses la suma de sus rentas supere los S/725
millones. (Utiliza las dos alternativas de Z en el TCL)
Solución. Cada renta personal es una v. i. que se distribuye
según una función uniforme. Por ello, a la suma de las rentas
de 100 «lilli» se le puede aplicar el Teorema Central del
Límite.
La media y varianza de cada v. a. uniforme es:
µ = (4 + 10 ) / 2 = 7
σ2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye según
una normal cuya media y varianza son:
• Media de la suma: n * µ = 100 * 7 = 700
σ
• Varianza de la suma: n * ( )2 = 3
𝑛
Lilliput...
Cálculo de la probabilidad de que la suma de las rentas sea
superior a S/725 millones:
(X1 + .... + X n ) − nμ Xi − μ
Z= Z =
(1) (2)
σ
nσ 2 n
Aplicando la fórmula (1)
P (X > 725) = P (Z > 1,44) = 1 - P (Z < 1,44)
= 1 - 0,9251 = 0,0749

Es decir, la probabilidad de que la suma de las rentas de

100 lilliputienses seleccionados al azar supere los S/725
millones es tan solo del 7,49%.
Aplica la fórmula (2) del TLC para hallar Z.
Ejercicio.

La longitud a la que se puede estirar sin ruptura un filamento de nailon (nilón,

nylon) es una variable aleatoria exponencial con media de 5000 feet ¿Cuál es
la probabilidad de que la longitud promedio de 100 filamentos esté
comprendida entre 4750 y 5550 feet?
R.R. 0,5558