Estadistica Hildebrand

CAPÍTULO
UN PRIMER VISTAZO
3 A LA PROBABILIDAD
La tcorl:1 t.lc l;i 1>robabilidad es la ha-ic de la inferencia cstat.lfstica y un instru-

mento cscnci:1I en el análisis de la v:1rh1hilid:uJ . En este capitulo introducirnos
los conceptos y principios básicos de la teoría. Para adentramos en los aspectos té<;-
n1cos de la misma, comenzamos por delinear algunas interpretaciones alternatt\as de
los enunciados de la probabiltdad. Posteriormente, introducimos los conceptos
de espacio muestra], resultado y evento, los axiomas matemáticos de la teoría de la
probabilidad, Jos principios matemáticos básicos en.que se sustentan los cálculos
más complejos y la importante idea de independencia estadística. Por último, des-
cribimos algunas técnicas que se pueden usar para combinar los principio:. matemáti-
cos básicos en la solución de problcmac; más complicados.
Este es un capítulo muy importante; en él se apoya el posterior análisis de Ja
inferencia estadística. Las ilustraciones y ejemplos que utilizamos son relativamen-
te simples, demasiado sencillos paro ser realistas. No obstante, til!nen una gran va-
riedad de aplicaciones.
3.1 DISTINTAS INTERPRETACIONES D E LA PROBABILIDAD

•
La teoría de la probabilidad es la base de la inferencia estadística. Si el 20% de la
fuerza de trabajo de una compañia de textiles está sindicalizada y debe despedirse
a 8 trabajadores seleccionados al az.ar, entonces la probabilidad de escoger 8 traba-
jadores afiliados al sindicato es muy pequeila. Si los 8 trabrijadores despedidos de la
compai'iía son miembros de algún sindicato, podemos inferir que los despidos estu-
vieron relacion:idos con la actividad sindical. El primer paso en el estudio de la pro-
b:.ibilidad es entender las posibles interpretaciones de sus enunciados.
La teoría matemática de la probabilidad, así como sus primeras inteq>retacio-
nes, surgieron de los juegos de azar. "L:i probabilidad de que al l:inzar una moneda
equilibrada el resultado sea una cara es 1/2" y "la prob:ibilidad de que una carta se·
leccionada al azar de una baraja de 52 cartas sea un rey es 4/52" son ejemplos típi-
cos de esta clase de enunci:.idos de la probabilidad. Los valores numéricos de la
probabilidad surgen de la naturaleza física del experimento. El lanzamiento de una
73
4 l UN PRIMER VISTAZO A LA PROBABILIDAD
moneda sólo tiene dos resultados posibles: car.i o cruz; por lo tanto, la probabilidad
de que aparezca una cara debería ser una de cada dos. En una baraja estándar de 52
4
cartas, 4 son reyes, de modo que la probabilidad de extraer un re:y debt!ria !>er 4
entre 52.
Estos cálculos de la probabilidad ~e llasan en la interpretación clásica de Ja
inl('rprct:.1ción probabilidad. En esta interpretación, se llama rcsultu .lo a ca<la dc~nlace posible de
cl:i\ iCll un experimento; un eHnto • se identifka con algunos de c!>tO!. resultado:.. En el
ejemplo de la extracción de cartas, hay 52 resultados posibles. 4 de los cuales están
identificados con el evento "extraer un rey". De acuerdo con la interpretación clási-
ca. la probabilidad de un evento E es el cociente del número NF. de resultados favo-
rables al evento entre el número total .V de resultados posibles. En símbolos,
N
P(evento E) "' N
La utilidad de esta mtcrpn:tac1ón depende por completo de la hipótesis de que
todos los resultados son igual ni ente po~ ihl(''I Si la hipótesis es falsa (por ejemplo,
si la moneda no está equi librada o la ba1..1jJ e<,tj marcada) la interpretación clásica
no se aplica.
EJEMPLO 3.1 Una tachuela ordinaria se lanza sobre una superficie dura. Puede caer con la punta
hacia arriba o de lado. ¿Son estos dos resultados igualmente posibles?
Soluci6 n No hay ninguna razón para suponer que los dos resultados son igualmente posibles .
•
L3 interpretación clásica es de alguna utilidad incluso fuera de los juegos de
uc\ trlt'i a leatoria' a1ar. Una mu c~ tra aleatoria . por definición, se toma de tal manera que una mues-
tra posible (de un tam:u'lo especifico) tiene la misma probabilidad de ser selecciona-
d:i que cualquier otra. Por consiguiente. los result:idos (muestr:is posibles) son
igualmente posibles, y las probabilidades se pueden encontrar contando los resulta-
dos ra, ora bles. En este 1ibro haremos uso extenso de esta idea.
Hay situaciones que no admiten de inmediato la interpretación clásica. No obs-
tante, en ocasiones se puede asociar una probabilidad a los eventos según su fre-
ccucncia rclati\ a cuencia rrlati\ a en el límite Si un experimento se ha repetido un gran número de
en el hmil c 'ece~ > "' el 24% de las veces el resultado ha sido un evento particular E. entonces
la probabilidad del evento E debería ser 0.24, al meno~ como una buena apro,ima-
c1on. Simbólicamente. 11i un C\pcrimcnto se repite 11 \ ecc'i ~ el C\ cnto F: ~ u cede
i:n " ~ de e lla,, la probabilith1d del c\cnto E es apro\imadamente n~ tli\ idido
cnt re 11 :
P(evento E)
EJEMPLO 3.2 Suponga que en el experimento del ejemplo 3 1, que consiste en lanzar una tachue-
la. se afinna que la probabilidad de que ésta caiga con Ja punta hacia arriba es 0.70.
Dé una interpretación en términos de la frecuencia rela11va en el límite que justifi-
caría esta afirmación
• Tnduc1mos ti término n-rnt como rv~io. aunque en algunos paistt de habla h1spa11a s.e traduce como
tUt C'fU (,V «I E.)
).1 75
Solueton La afirmación se justifica en términos de la frecuencia relativa en d limite si una

tachuela que se ha lanzado muchas veces ha caído d 70% <le ellas con la punta ha-
cia arriba. •
La interpretación de la probabilidad como frecuencia relativa en el limite se

basa en la observación de un gran número <le ensayos. Surge ahora la pregunta,
¿cuántos ex~rimentos se deben realizar'! Como \cremo!> en el capitulo 8, con un
número finito de ensayos es posible aproximar la verdadera probabilidad de
un evento y valorar la aproximación. Muy a menudo conviene recurrir a la interpre-
l4lción de la frecuencia relativa. La utili1.amos siempre que ~ca razonable imaginar
un gran número de ensayos repetidos <le un experimento.
Hay muchas aplicaciones de la probabilidad. panicularn.ente a a4uellus pr()<>
blemas gerenciales que parecen ~cr ~ituaciones que "suceden una sola vez", donde
es dificil imaginar la repetición <le un ensayo. Un gerente de pro<luctu que calcula
la probabilidad de que un nue'o artículo tenga una generosa aceptación, no está
imaginando una larga serie de ensayos: el producto !..Úlo puede ser introducido una
vez como :ilgo nm•edoso. El director <le un organismo de servicios sociales que tra-
ta de valornr la probabilidad de que un cambio propuesto a las reglas de admisión
sea aproha<lo por la legislatura estatal. no está im:iginando un:i larga serie de pro-
posiciones id¿nticas: la propuest:i será considerada sólo una vez en una sesión le-
gislativa panicular. ¿Cuál es entonces el significado de, <ligamos, una probabilidad
1nterJ>reladón de 0.6 de una genero!..a aceptación o el de una probabilidad de 0.3 de que el cam-
!lubj eth a o bio sea aprohado por la legislatura estatal'! Tales probabilid:ides -.on ~u bj eli\as o
per,onal per,onalc' Una interpretación consiste en comparJrla-. con la determinación <le
h.1cer cierta-; apuestas. Si :ilguien dice que la prohahili<l3<l <le cierto evento es 0.5,
considera que sl!rá equitativo apostar cantidade-. iguales a que ese evento ocurrirá
o no (y está dispuesto.a ponerse en cualquiera de los dos lados en el juego). Una
probabilidad subjetiv:i de 0.6 p:ira un evento significa que "perder 6 dólares en caso
de que el evento no suceda, o gamir 4 dólares en caso de que ocurra" se considera
una apuest:i imp:ircial. Esl4l interpretación subjetiva de la probabilidad en términos de
apuestas es natural cuando se describen aquellas situ:iciones que enfrentan la mayo-
ri:i de los gerentes en que se debe correr un riesgo.
La C\limación de la probabilidad subjetin1 e~ utrn cuc,ciún dc opinión.
Dos pcrson:is pueden asignar diferentes prohabili<l3<les a un mismo evento, aun
cuando tengan l:i misma información. 1 al di\ en.i<lad de opiniones ~e puede ver en
la~ pro)ecc10ne!> económica!> que hacen Jos asesores en inversiones y los economis-
t.is para los a1'os \'eni<leros. Aunque muchos de estos individuos trabajan con Jos
mismos datos, ellos se forman distinta~ opiniones acerc:i de las condiciones econó-
micas más probables. Tales proyecciones son inherentemente subjetivas.
Las leyes matemáticas de Ja probabilid:id pueden a} udamos a hacer estimacio-
nes l6g1camente consistentes de la misma, pero no pueden garanti:zar que esas estí-
maciom:s ~ean correctas. Un buen gerente corrérá menos riesgos que uno malo y
deberá mostrar un mejor rendimiento en su trabajo en el largo plazo. No obstante,
no h:iy ninguna manera <le garantizar que la ev:ilu:ición de una probabilidad subje·
ti va sea correcta y otra incorrecta. Esto, como dicen, ¡es lo que da lugar a las carre-
ras de cab:illos!
6 3 UN PRIMER VISTAZO A LA PROBABILIDAD
EJEMPLO 3.3 Dé una interpretación subjetiva del enunciado "la rrobabilidad de que un::i tachue-
la caiga con la punta h::icia arriba es 0.5''.
Solución
'
Si usted es quien enuncia tal proposición, estará diciendo que tomaría cualquier
partido en una apuesta de un dólar a favor de que la tachuela caerá con la punta
hacia arriba, contrn un dólar a que no lo hará. Como sugerimos en el ejemplo 3.1,
nosotros no estaríamos de acuerdo con usted. Creemos que lo más probable es que
la tachuela caiga con la punta hacia arriba y preferiríamos ese lado de la apuesta "a
cantidades iguales". •
Hay muchos argumentos filosóficos acerca de cuál de las interpretaciones de la

probabilidad es más adecuada. No obstante, en este libro no necesitamos hacer una
dificil y precipitada elección. Las matemáticas de la teoría de la probabilidad son
\ álidas independientemente de la interpretación que se elija. Si un rroccdimiento
estadístico particular se desarrolla mejor bajo una interpretación particular, nosotros
la seguiremos. De lo contrario, estará usted en libertad de escoger aquella
interpretación que le parezca más adecuada.
La interpretación clásica de la probabilidad nos proporciona un buen camino
para pensar en los principios básicos de la probabilidad. Todas las ideas básicas de
la prohabilid<ld se pueden derivar de la selección aleatoria de individuos de una po-
blación. Por ejemplo, suponga 4ue un jurado calificador de 200 hombres que di fie-
ren en su estado civil prueba un nuevo tipo de alimento congelado. En la tabla 3.1
mostramos sus opiniones, divididas de acuerdo con su estado civil. Por ahora. con-
sideraremos a los miembros del jurado como el total de la población; en la práctica.
no~ gustaría pensar en ellos como una muestra tomada del grupo de clientes poten-
ciales del sexo masculino.
TABLA3 . I Opiniones de los miembros del jurado calificador acerca del sabor: por estado civil
Op111 1011
Malo Regular Bueno Excelente Total

Soltero 5 9 26 1() 50
Estado Di.,.orcmdo 1 4 16 9 ]()
civil Casado 12 23 37 32 104
Viudo 2 8 5 1 1(\
Total 20 44 K4 52 21Xl
Suponga 4uc un miembro dd jurndo se selecciona al a1.ar. ¿,Cuál es la proha-

bilídad de que juzgue quc el alimento es malo'? Al aplicar la interpretación clásica.
tenemos :w opiniones de que es malo y 200 posibles resultados; la probabilidad de
una mala opinión es de 20 200 = 0.1. Otras probabilidades se pueden encontrar
de la misma manera.
El primer principio de la probabilidad es la le) aditiu Tiene dos formas, de-
pendiendo de si los eventos son o no mutuamente cxch•)cntc~ Los eventos f.On
l.1 Distintas 1nterpretac1ones de la probab.hd~d 77
mutuamente excluyentes si no tienen n!sultadCls en común. Al seleccionar un miem-

bro del jurado al :u.ar, los eventos "mala opinión" y "opinión regular" son mutua-
mente excluyentes; en cambio, los eventos •·opinión mala" y "viudo" no son
mutuamente excluyentes. La ley aditiva se aplica cuando se quieren encontrar pro-
babilidades del tipo "o". ¿Cuál es la prob::ibilidad de que un miembro del jur:ido se-
leccionado al azar tenga una opinión mala o regul;ir? Hay 20 + 44 = 64 miembros
de esta clase, así que ?(opinión mala u opinión regular) - 64/200 - 0.32. ?(opinión
mala) - 20 :?OO 0.10 y ?(opinión regular)= 441200 = 0 .22. de modo que
P(opinión mala u opinión regular)= P(opinión mala)+ ?(opinión regular) .
• Ley aditiva para eventos mutuamente excluyentes

Si los eventos J\ y B son mutuamente excluyentes, entonces
P(A o B) - P(A) • P(B)
Si IC1s eventos no son mutuamente excluyentes. al añadir las probabilidades se

cuentan dos \eces los resultados que penenecen a ambos eventos. Si seleccionamos
un miembro del jurado al azar, los e\'entos "opinión mala'· y "viudo" no ~on mutua-
mente exclu)entes. ha> dos miembros del jurado que cumplen ambas co~as. Para
i:ncontrar P(opm1ón mala o viudo) debemos corregir el t!fecto de la doble cuenta.
P(opinión mala o viudo)= P(opinión mala) P(\ iudo) - P(opini6n mala y viu-
do) 20 .2 00 + 16 :!00 - 21200 - 0.1 O + 0.08 - O.O 1 = 0.17. Otra posibilidad con-
siste en contar el número de jurados 4uc o bien tienen una mala opinión o son
viudos. o ambas cosas; hay 5 + 1 + 12 + 2 + 8 + 5 + 1 34 individuos con tales
características. De este modo, P(opinión mala o viudo)= 341200 0.17. una
vez más.
Ley aditiva general

Par.i. cualesquiera dos eventos J\ y B, no nect:sariamente excluyentes,
P(A o B) - P(A) P(B) - f>í.A y B)
T
•
EJE MPLO 3.4 Un distrihuidor minorista acepta pedidos de tres maneras distintas· por teléfono, :i
lra\ e"de una lomla que \a adjunta a su catálogo o rcpitiem.lo las órdenes de compra
de sus clientes. l a'> ordene~ de compra están clasificadas como pequeñas (menos de
$25.00). medianas (de $25 .00 a S99 <)9). grandes (de SI00.00 a S2tJ9.99) y mayo-
res ($300.00 o más). En la tabla 3.2 mostramos un análisis de las últimas 4000 ór-
denes <le compra que recibió el distrihuidC1r.
3 UN PRIMER VISTAZO A LA PROBABIUOAO
TABLA 3.2 Orígenes y tamaños de las órdenes

Tama;Jo
' Pequetla Mediana Gr.lndc Mayor Total
Catálogo 1021 216 109 14 1360
Repetida 86 )71 308 49 814
Telefónica 1497 230 86 13 1826
Total 2604 817 503 76 4000
a. Los pedidos procedentes de las órdenes repetidas y del catálogo pasan por
un proceso de entrada. ¿Cuál es la probabilidad de que un dato selecciona-
do a l azar pertenezca a esta categoría?
b. Las órdenes mayores y las órdenes telefónicas se retienen mientras se veri-
fica el crédito. ¿Cuál es la probabilidad de que una orden seleccionada al
azar haya sido retenida?
Solución a. ?(proceso de entrada) = P(de catálogo o repetida)

1360 814
= P(de catálogo) + ?(repetida) = + --
4000 4000
= .3400 + .2035 = .5435
No necesitamos preocupamos por el doble conteo, pues "orden por catálogo" y "re-
petición" son categorías mutuamente excluyentes.
b. Hay órdenes telefónicas que son mayores. Debemo~ utilizar el principio
aditivo general.
?(retenida) = P(mayor o telefónica)

= P(mayor) + ?(telefónica) - P(mayor y telefónica)
76 1826 13
=--+--=--
4000 4000 4000
= .01900 + .45650 - .00325 = .47225 •
El segundo principio de la probabilidad es la h.•y de lo!I compkm(•ntos. Con
frecuencia es más f:icil encontrar la probabilidad de que un evento no ocurrirá. en
vez de encontrar la probabilidad de que sí lo hará. Dado de que la probabilidad to-
tal debe ser igual a 1, el principio de complcmcntaricdad es muy simple.
Ley de los complementos

Si A es el evento "no A",
P(A) = 1 - P(A)
•
Los resultados del jurado calificador del sabor que ap;:irecen en la tabla 3.1
se pueden utilizar para ilustrar la ley de los complementos. Para encontrar la
3.1 79
probahilidad de que un jurado seleccionado al azar tenga una opinión mala. regu-
lar o hucna, podríamos observar que el evento complementario es "excelente". Así
/>(opinión mala u opinión regular u opinión buena) 1 - />(excelente)
1- ic?o = .74
Ohviamente, podríamos haber utilizado la ley aditiva y sumar las probabilidades de
"opi11ión mala", "opinión regular" y "opinión buena". Frecuentemente. hay muchas
manera~ de resolver un problema.
EJEMPLO 3.5 Como una medida de control de la calidad. el distribuidor del c1emplo 3.4 coteja
los embarques con las órdenes de compra correspondientes a lo'> pedidos grandes y
mayores. asi como con las órdenes de compra de catálogo y repetidas Use la ley de
los complementos para encontrar Ja probabilidad de que se coteje un pedido selec·
cionado al a7ar.
Solución Las únicas órdenes que no se cotejan son las órdenes tclefónicac; pequeñas o medianas.
I'( cotejada) - P(orden telefónica pequeña o mediana)
- IP<pequeña y telefónica) + P(mediana y telefónica)]
= _ ( 1497 + 230 ) = 56 g, 5
4000 4000 ·- --
Sin la ley de los complementos, habríamos tenido que sumar 1O probabilidades di-
ferentes correspondientes a Jos JO tipos de órdenes que se cotejan. •
E:.I concepto de probabilidad condidon:uh1 e\ importante por derecho propio

y es t.'1 cla\e de otro principio de la probabilidad, la ley multiplicativa. Muchos pro-
hlemas de probabilidad incluyen alguna restricción o condición sobre los procesos
aleatorios. Por ejemplo, en relación con los resultados del jurado calificador de la
tabla 3.1. podríamos preguntar la probabilidad de que un hombre casado, seleccio-
nado al azar, haya valorado el producto como excelente. La condición (que el
miembro del jurado esté casado) restringe la selección akatoria a un subgrupo. el
de los l 04 homhrcs casados de la población. Dl· este grupo, 32 calificaron el pro-
ducto como excelente, de modo que tendríamos P(opmión excelente 1 casado) -
321104 - 0.308. En la notación P(B 1 A), la condición que se impone al e\ ento se
coloca dci.pués de la línea vertical; esta línea se deberla leer como "dado que", de
modo que P(opinión excelente 1casado) se debería leer a.si: "la probabilidad de que
un miembro del jurado califique al producto como excelente dado que el miembro
del jurado es caS<ldo...
Una probabilidad condicionada tal como P(opinión excelente casado) difie-
re de una probabilidad conjunta P(opinión excelente y casado)"" J:? 200 en que el
evento condicionante ya ha sucedido, o se supone que sucederá. A diferencia de
lo anterior, en la probabilidad conjunt.a, el C\ento (tal como estar casado) puede o
no puede ocurrir. La siguiente definición de la probabilidad condicionada indica
que hay una estrecha relación entre las probabilidades condicionada y conjunta.
3 UN PRIMER VISTAZO A LA PROBABILIDAD
Probabilidad condicionada P(B 1A)
-
P (BIA) - P(A y B)
P(A)
De acuerdo con esta definición,

P(casado y opinión excelente)
P(opinión excelente casado) = - - - -- -- - - - -
?(casado)
32 1200 32
= 104 1200 =-
104
como ya lo habíamos determinado con anterioridad
EJEMPLO 3.6 En el ejemplo 3.4 del distribuidor minorista, ¿cuál es la probabilidad de que una
orden enviada por escrito (no telefónica) ~ea una orden repetida'!
Soluc16n En primer lugar, escamos buscando una probabilidad condicionada, pues s~ponemos
que la orden es escrita. Hay 1360 + 814 - 2174 órdenes escritas, de las cuales 814
son repetidas. De este modo, ?(repetida escrita) 81412174 = 0.374. Como alter-
nativa, podemos utilizar la definición de probabilidad condicionada. Obsen e que
todas las órdenes repetidas son órdenes escritas. de modo que P(escrita y
repetida)= P(rcpetida) = 814/4000.
. P(escrita y repetida) 814 4000
P(rcpetida escrita) -
P(escrita)
= ----
2174 4000
814 "'7 .
=- - = ·-'
2174
4 una vez mas.
•
La ley multiplic:atiu de la probabilidad es '>implemente la reescritura de la
delin1c1ón de la prohab1lidad condicionada hta le) ~e utiliza pam evaluar probabilida-
des "y", del mismo modo que la le) ad1tJ\a c;e utih1..a para C\aluar probabilidade'> "o".
Ley multiplicativa para probabilidades conjuntas

Para dos eventos cualesquiera A y B, P(A y 8) - P(A)P(B A)
= P(B)P(A 1 B)
En el ejemplo del jurado calificador de la tabla 3.1, podríamos encontrar directamen-

te que P (casado> opinión excelente) 32 200 0.160. Otra po!>ibilidad consiste en
utiliar el principio multiplicativo. Ya vimos que P (opinión excelente 1casado) "'
32 104 =O 308. } que P (ca!>ado) = 104 200 - 0.520. Por consiguiente, P (opinión
excelente> casado) P (casado) P (opinión .:xcelente 1casado) (O 520) (O 308) =
0.160, un::i vez más.
EJEMPLO 3. 7 Como se muestra en la labia 3.3, l::i tabla 3.2 del ejemplo 3.4 se puede expresar en pro-
babilidades condicionadas y no condicionadas mediante la conversión apropiada.
TABLA 3.3
Sección 3.1 E1en:1t1os
Probabllidades condicionadas para el tamaño. dado el tipo de orden y las

r· '•
'·
lU
1 _..
"t .
81
~- I
:
probabilidades no condicionadas para el tipo de orden \\ -,

\
~
\
Taman.J '
:.:.· ~
ripo de orden Pe(fuei\a Mediaru Grande M:i)or
'-
total
Catálogo .751 . 159 oso .010 1000
Repetida .106 456 378 060 '000
íelefónica .820 126 047 007 1000
Tipo de orden
Catálogo Repetida Telefónica Total
Prol'iabil1dad no
condicionada .3400 .2035 .4565 1.0000
a. ¿Cómo se obtuvieron las probabilidades 0.751 y 0 .3400?

b. Utilice la ley multiplicativa para encontrar ?(catálogo y pequei'ta).
Solución a. La probabilidad 0.751 es P(pequei'ta de catálogo). Se obtuvo dividiendo el nú-

mero de órdenes de catálogo pequei'tas ( 1021) entre e l número total de órdenes de
catálogo ( 1360); 1021 / J360 = 0.751. El número 0.3400 es Ja probabilidad no con-
dicionada de una orden de catálogo. Es el número de órdl!ncs de catálogo dividido
entre el número total de órdenes (4000); 136014000 - 0 .3400.
b. P(de catálogo y pequei'ta) P(de catálogo) ?(pequeña 1 de catálogo)

= (.3400) (.751) = .255
Este resultado se puede obtener dividiendo las 102 1 órdenes de catálogo y pe-
quei'tas entre 4000, el número total de órdenes· 1021 4000 = 0.255. •
Estos principios básicos: suma, leyes multiplicativa) de complementos. y de-

finición de probabilidad condicionada son la base para todos los cálculos de la pro-
babi lidad. En esta sección hemos considerado un marco especial para la
probabilidad : seleccionar aleatoriamente un individuo de una población especifica.
En la siguiente sección consideraremos los mismos principios en un contexto
más amplio.
SECCIÓN 3.1 _!:JERCICIOS_ _ __
3.1 En cada una de las situaciones siguiente-;, indique la mterrirctac1ón del enunciado de la
probabilidad que parece mis adecuada (E·n mucha.~ 'iituac1oncc; c'ito e<; di<ieutiblc.I
a. l~~tá r>or pubhcarc;c un nuevo libro de estadística para gerentes El editor afirma
que la probahilidad de que c;e -.cnda el número de copias necesario para no ganar
ni perder es de 0.8.
b. Uro J'(:quei\a empresa fabnca ciena cla~ de disco~ para equipoc; clcctnco<.. Un com-
ponente critico del disco es cierto engrana1c. De acuerdo con los limites de toleran-
cia, la probabilidad de que un engrana1e en p.lrticul:ir rec;ultc dcfectuo'o es de 0.002.
c. Se va a tomar una muestra de 100 empleados de una compa"ta en la que trabajan un
t<>W de 13,000 perwna\ Se sabe que el 55° o de los tr.lNJJdores son hombres. Como
W\a forma de conirol, se conl.lrá el número de hombres en la muestra. La prohabili-

dad de que en la muestra haya 42 hombres o menos es de 0.0061.
d,,, La probabilidad de que la tasa de inflación en Alemania sea superior al 6% es de 0.3.
e. En un hospital, la probabilidad de que en un dia la demanda de camas para aten·
der enfermos con problemas coronarios exceda la capacidad normal e~ de 0.004.
3.2 Asigne una probabilidad subjetiva a cada uno de los siguientes enunciados. Si todos
los alumnos de la clase hacen este problema, serfa interesante reg1str:ir en una tabla
las dbuntas prohabihdades.
a. El ano próximo, Rusia comprara trigo de l~stndos Unidos.
b. El s1gu1ente presidente de l:slados Unido" será un demócrata.
c. El ai\o próximo. el incremento en las cuotas de inscripción de la principal uni·
\ersidad publica será superior al 7%.
d . La próxima semana lloverá.
3.3 Un distribuidor \'ende dos marcas de automóviles nue\OS Una, la C, es de origen
primordialmente estadounidense; la 01r.1. la C,, es primordialmente Japonesa El dis-
tribuidor hace reparaciones rojo garantfa para amhas marcas> clas1Cica lo'i trabJJOS
conforme al problema pnmario que se debe corregir S1 en algún caso hay m:h de un
problema. cada uno de ellos se anota en una h~ta por separado. Los registros del ano
pasado indican los siguientes numeros para los problemas sei'lalados:
Probl~ma
Motor Transmisión Escape Armado/acabados Otros Total

e 106 211 67
-- 133
---
24 541
Marca G 21 llS 16 24 6 182
Total 127 126 83 137 30 723
a. ¿Cuál es la probabilidad de que un problema seleccionado al azar corresponda a

la marca C?
b. Son serios los problemas que se relacionan con el motor o con la transmisión.
¿Cuál es la probabilidad de que un problema seleccionado al azar sea serio?
c. La marca C reembolsa al distribuidor todas las reparaciones bajo garantia que
haya atendido; la marca G le reembolsa solamente las reparaciones relacionadas
con el motor, la transmisión y Jos problemas de annado/acabados. ¿Cuál es la
probabilidad de que los gastos que ocasiona un problema seleccionado al azar no
se reembolsen completamente?
J .4 a. Con los datos sobre el distribuidor de automó\ iles del ejercicio 3.3, ¿clál es la
probabilidad de que un problema seleccionado al azar sea un problema de motor,
cuando el vehlculo corresponde a la marca C?
b. Conslruya una tabla de probabilidades cond1c1onadas de los problemas, dadn la
marca. ¿Son similares las distribuciones de probabilidad de las dos marcas?
3.5 Los datos rel:itivos a las reparaciones en garantfa que hizo el distribuidor del ejerci·
cio 3.3 se analizaron de nue"o para considerar los problemas múltiples sobre una re-
paración en panicular.
Nú,,.ero de probklfllU
1 2 3 Total
Marca C 382 54 17 453
G 135 16 5 156
Total 517 70 22 609

Secc16n l 1 E1erc1c1ot 83
a. ¿Cuál es la probabilidad de que una reparación seleccionada :il azar incluya más
de un problema?
b. ¿Cuál es la probabilidad de que una reparación seleccionada al V.ólr de la marca
e incluya más de un problema?
3.6 Utilice los datos del ejercicio 3.S para construir una tabla de probahilidóldes condi-
cionadas del número de problemas, dada la marca. ¿Oiría usted que las probólbilida-
des condicionadas son similares?
3.7 En los ejercicios 3.3 y 3.5, el número de entradas de la marca Ces mucho ma)or
que el número de entradas de la marca G. ¿f.s é'lt<l una indicación de que la marca
C tiene una calidad inferior a la de la marca G?
3. ~ En un día normal, una tienda registró 186 venia$ de gasolina, 207 de productos lác-
teos, 188 de refrescos. 339 de alimentos envasados y 316 de productos no alimenti-
cios: un total de 1236 ventas.
a. ¿Cuál es Ja probabilidad de que una venta seleccionada al ª"ªr sc:a de gasolina'?
b. ¿Cuál es Ja probabilidad de que una venta seleccionada al azar sea de un ¡m>duc-
to :ilimenticio (incluyendo lácteos y refrescos, que por cortesía consideraremos
alimentos)?
3.9 En el ejercicio 3.8, ¿cuál es la probabilidad de que una venta de alimentos seleccio-
nada al al.ar sea de productos lácteos?
3.1 O Una compañía que realiza investigaciones de mercado reúne grupos de con~um1do·
res para probar la cfecthidad de nue\M anunc1M para la tele\1<;1ón Al consumidor
se le dice que cc;tá c'raluando un rrograma piloto rara la TV. Después de ver un pro-
grama de una hora de duración. mclu) cndo los anuncios. se le hacen muchas pre-
guntas acerca del programa y algunas ocras acerca del anuncio (el verdadero objeto
de investigación). Una tabla con Jos resultados de un grupo nos rresenta el núme-
ro de individuos que recordaron incorrectamente el producto, el número que recor-
dó el producto cornctamente y tenía un opinión favorable, asi como el número que
recordó correctamente el producto y tenla una opinión desfavorable.
Incorrectamente Favorable Desfavorable Total

llombrcs 42 38 20 100
Mujeres 63 S7 30 l.SO
Total 105 95 50 250
a. Utilice la ley aditiva para encontrar la probabilidad de que un individuo seleccio-

nado al azar recuerde el anuncio comercial.
b. Utilice el principio de la complement.ariedad para encontrar la misma probabilidad.
3. 11 En el ejercicio 3. 1O, ¿cuál es la probabilidad de que un consumidor seleccionado al
v.a.r sea. o bien un hombre, o alguien que recuerde el producto fa\orablemcntc?
3. 12 a. Utilice los datos del ejercicio 3. 10 para calcular las probabilidades condiciona-
das de fos respuestas incorrectas, favorables y desfavorables entre los hombres.
llaga lo mismo para las mujeres.
b. ¿Hay diferencias entre las respuestas de hombres y mujeres al anuncio?
3.2
CONCEPTOS BÁSICOS Y AXIOMAS DE
LA TEORÍA DE LA PROBABILIDAD
En la sección anterior analizamos varias interpretaciones de los enunciados de la

probabilidad. Ahora vamos a formalizar las definiciones e hipótesis básicas que
nos permiten calcular la probabilidad de;: un evento.
-
('Xfl crim('n1o Las probabilidades se definen para experimentos específicos. La palabra ex-
perimento se utiliZ.1 en un sentido mu) amplio para indicar cualquier situación que
tiene más de un resultado posible; en este uso de la palabra, los experimentos no se
conducen necesariamente bajo condiciones controladas en laboratorio. Un experi-
mento podría ser:
1. registrar el número de horas que cada una de 2200 familias pasa viendo la
televisión durante una semana seJ\alada;
2. medir el volumen de ventas de 194 supermercados durante un ai\o;
3. registrar la producción diaria de una planta de montaje de automóviles a lo
largo de 240 días laborales.
Un experimento se puede definir estableciendo todos los resultados posibles que
podrían ocurrir. Aunque en los experimentos peque~os es posible enumerar todas
las posibilidades, en la mayoría de;: Jos casos esto no es factible. por lo que resulta
necesario describirlas.
Las palabras resultados y ewRto tienen distintos significados técnicos en la
teoría de Ja probabilidad; no son sinónimos. Un re~ulLado es lo que sucede especí-
ficamente en un experimento (tal como "sacar un rey de corazones"), mientras que
un evento puede incluir varias posibilidades (tales como "sacar un rey"). Estos con-
ceptos se pueden definir formalmente en términos de la teoría de los conjuntos.
Espacio muestra! S
Un es pacio muestra! S e:. el conjunto de todos Jos resultados posibles de un expe-
rimento. Un r c'lultado es un elemento de S. Un evento es cualquier colección de
re:.ultados o, en lenguaje matemático, un subconjunto de S.
•
A los resultados en ocasiones se les llama eventos simples o eventos no divisib/eJ.
y a los eventos en ocasiones se les llama eventos compuestos.
EJEMPLO 3 .8 Una moneda va a ser lanZ.lda 3 veces. Defina el espacio muestra! haciendo una lis-
ta de todos los resultados en la forma (resultado del lanzamiento No. 1. r!!sultado
del lanzamiento No. 2, resultado del lanZ.lmiento No. 3).
Solución Dado que en cualquier !:mi.amiento de una moneda podemos obtener una cara (H)
o una cruz (T), el espacio mui;:stral S consiste en 8 resultados posibles
S = ((HHH); (HHT); (HTH l; (THH); (H TT); (THT ): (TTH ): (TIT):

Observe que ninguno de Jos resultados se puede descomponer. •
32 Conceptos básic:os y aiuomas de la teor~ de la prob&bhdad 85
Este mismo problema se puede enunciar en términos más administrativos

como sigue. Suponga que se está llevando a cabo una auditoría de Jos servicios de
tres nuc\ os distribuidores de automóviles seleccionados dentro de cierta área geo-
gráfica del país. Cada compai\ía auditada se seilala con una "H" si todas las quejas
sobre el servicio fueron resueltas en menos de dos meses. y se marca con una "T' en
el caso contrario. El espacio muestra! del ejemplo 3.8 describe los resultados posibles.
EJEMPLO 3.9 Identifique en el experimento del ejemplo 3.8 los siguientes eventos: A, se obtiene
exactamente una cara; B. se obtiene un número impar de caras y C, no se obtiene
ninguna cara.
Solución A "" {I HTI). (THT). (TTH l}

B = {( HTI). (THT). (TIH ). (HHH )j
e ... :rrrn1 •
Una forma de calcular las probabilidades de los e\entos consiste en asignar
primero una probabilidad a cada resultado. En muchos casos se puede suponer que
los resultados indt\ 1duales tienen la misma probabilidad; las técntc:}!) que describi-
remo~ más adelante en este capítulo se pueden utilizar para a!\1gnar probabilidades
a los resultados. Uno de los principios básicos de la probabilidad es que la probabi-
lidad de cualquier evento es la suma de las probabilidades de todos sus resultados.
Suma de las probabilidades de los resultados

Si un evento A consiste en los resultados R 1, ••• , R... entonces
P(A) =P(R 1) + ... + P(R.t)
•
EJEMPLO 3. 1O Suponga que cada uno de los resultados del ejemplo 3.8 tiene una probabilidad de 1/8.
Encuentre las probabilidades de los eventos A.By C definidos en el ejemplo 3.9.
Solución P(A) = ?(exactamente una cara)

= P(H'IT) + P(TH"D + P(TIH) = l / 8 + 118 + l / 8 = 3 / 8
P(B) = P (número impar de caras) = P(HlT} + P(THT)
+ P(TIH) + l'(Hl IH)
= 1/ 8 + 1/ 8 + 1/8 + 1/ 8 = 4/ 8
P(C) = />(ninguna cara) - P(TfT) = l/8
Observe que podrlamos h3ber tomado cada probabilidad como

número de resultados que incluye el evento
8
Tal interpretación clásica de la probabilidad requiere que los resultados sean igual-
mente posibles. •
Esta manera de calcular las probabilidades no siempre es asequible. Cuando

hay muchos resultados posibles con probabilidades desiguales, puede ser excesiva-
mente tfüicil asignar un valor a cada uno de ellos. En el resto de este capítulo espe-
ci licaremos otros métodos para calcular probabilidades. Independientemente de
cómo se asignen a los eventos, éstas deben satisfacer ciertas exigencias matemati-
cas, o axiomas.
Axiomas de la probabilidad
J. Para todo evento A, O ~ P(A) ~ 1.
2. P(S) = l
3. Si los eventos A y B no tienen resultados en común,
P(sucede A o sucede B) =P(A) + P(B)
•
Los primeros dos axiomas simplemente indican que las probabilidades se escogen
convencionalmente entre O y 1, y que Ja probabilidad 1 se asigna al e\ ento que for-
ma el espacio muestra), el cual, por definición, es seguro que ocurra. el tercer axio-
ma es la generalización de la idea de sumar las probabilidades de los resultados: en
la medida en que los eventos A y B no tengan resultados en común, la probabilidad
de que uno o el otro sucedan es la suma <le las probabilidades de los eventos por se-
parado. En la sección .3 ..3 nos basaremos en estas ideas al introducir otros métodos
para el cálculo de las probabilidades.
,E CCIÓN 3.2 EJERCICIOS
3.13 Una corporación consta de tres divisiones. cada una de las cuales está encabezada
por un 'iceprcsidcnlc ejccuti.,,o. En cada división hay dos grupos, cac:ja uno de ellos
dirigido por un vicepresidente del grupo. La decisión final acerca de las bonificacio-
nes anuales c;e toma en un comílé integrado por un viceprcsulcnte ejecutivo> do~' i-
cepresidentes de grupo. Cada allo los miemhros del comité se determinan mediante
un sorteo. Defina un espacio muestra! haciendo una lista de todos los comités posi-
hles. Designe a los vicepresidentes ejecutivos con las letras A, B y C, y a los vice-
presidentes de grupo con los dígitos 1, 2, 3, 4, S y 6.
3.14 En el ejercicio 3.13, ¿cuál es la probabilidad de que los tres miembros del comité
pcrtene.lcan a una sola división? ¿Y a tres divisiones distintas?
3. 1S Se lleva a cabo una revisión de las cuentas por cobrar en una tienda de departamen-
tos (un gran almacén). Se seleccionan al a7.41r un centenar de cuentas) se examinan.
Cada una de ellas se codifica como O (correcta) o 1 (errónea). Describa un resulta-
do tipico del espacio muestra!. ¿Debería considcrar.;e que todos los resultados son
igualmente posibles?
3.16 Un espacio muestral consiste en seis resultados con las siguient~s probabilidades:
Resultado 1 2 3 4 s 6
Probabilidad .25 .20 .20 .15 .15 .05
Jl L~ de b probablhdad 87
El evento A esta formado por Jos resuhados 1, 2, 3 y 4, y el evento B por los resul·
tados 3, 4 y S. Encuentre />t.A), P(B), ,">(A y 8) y P<.A o B o ambos).
3.17 En el ejercicio 3.16, ¿debería ~r P(A o 8) Pf.A) + P(B)? ¡,Por qué?
3. 18 Un fabricante de computadoras 'ende los modelos del 1 al 9. Los modelos 1-6 tie-
nen una memoria estándar y los modelos 7 9 tienen memoria expandida. Los mode-
los 1-3 tienen sólo una unidad de disquetes de 5V." y los modelos 4 9 tienen
unidades de disquetes de 5 Y.- y 3 W'. l.os modelos I, 4 y 7 tienen un disco duro de
20 mB; los modelos 2. S y 8 tienen un disco duro de 40 mB; por último, los mode·
los 3, 6 y 9 tienen un disco duro de 80 mB. Los rorcentajes de venta del ailo pasa-
do fueron los siguientes:
Modelo l 2 ) 4 s 6 7 R 9
Porcentaje de \Cntas 27 23 10 13 7 4 5 R J
Se sclcccionari al az..ar una computadora vendida el :iilo pasado

a. Defina un esp3Cio muestral de modo que los resultados correspondan a los mode-
los. ¿Deberían ser igualmente probables los resultados?
b. ¿Cuál es la probabilidad de que la computadora tenga memoria est:indar'.'
c. ¿Cuál es la probabilidad de que la computadora tengo memoria estindar o ambos
tipos de unidad de disquetes?
3. 19 f.n el inciso (e) del ejercicio 3. 18, no es correcto sumar simplemente las prob:ib1lída-
des de la memoria cst.ándar y de los dos tipo!> de unidad de disquetes. ¿Por qué no'l
3.3 LEYES DE LA PROBABILIDAD

•
No todos los problemas de la prohabilidad se pueden resolver con el enfoque de un
espacio muestra! en el que primero hacemos una lista de resultados, asignamos pro-
babilidades razonables a esos resultados de modo qui! O $ P(R,) ~ 1 y P(S) - 1 y
después calculamos la probabilidad de cuak¡uil.!r evento A sumando las probabili-
dadi::s de los resultados en A. En ocasiones el simple hecho de hacer una lista de los
resultados se convierte en una tarea agobiante. Por ejemplo, suponga que un juez
ha ordenado que se forme un grupo asesor que escuche las demandas salariales del
sindicato de policía y bomberos de una enorme área metropolitana. Un miembro
di.!! grupo se seleccionará de una lista de 14 nombres propuesta por el sindica-
to, otro de una lista de 29 candidatos entre~da por la ciudad y el tercero. de otra
lista de 11 personas neutrales. Si suponemos que los candidato~ solamente apare-
cc:n en una lista, hay un total de 14(29)( 11) - 4466 resultados posibles de 3 aseso-
res, uno de cada lista.
En situaciones como ésta, donde no es posible elaborar una lista del conjunto
de todos los resultados. debemos apoyamos en las leyes de la probabilidad y en
ciertas relaciones entre los eventos a !in de calcular la proha1'ilidad de cada uno de
ellos. En la sección 3.1 establecimos los princirios ha.-.icM tk la probabilidnd en el
context~ especilico de lns muestras tomadas de una población. Ahora queremos ex-
poni::r i::stos conceptos en un contexto más amplio~ expresarlo-, en el lenguaje de la
teoría de los conjuntos, por lo que necesitaremo-, alguna'> dcfinictones preliminares.
(a) (b)
FIGURA 3.1 Diagramas de Venn que ilustran P(A), P( A). P(A u 8) y P(A n B)
Complemento, unión e intersección

El tompJemento de un evento A es el conjunto de todos los resultados en S que no
éstán incluidos en A; se denota con A y se lee "no A". La unión de los eventos A
y B es d conjunto de todos los resultados que están incluidos en A o en B (o en
'
ambos). Se denota con A V By se lee "A unión B" o "A o B". La intersección de
los eventos A y B es el conjunto de todos los resultados que están incluidos tanto
en A como en B; se denota con A r. By se lec "A intersección B" o "A y B". •
Estas definiciones formalizan las ideas mfu. simples de la lógica. El evento A su-
cede siempre que no sucede A, A u B ocurre ~iempre que A ocurre o B ocurre. y
A n B acontece siempre que A y B acontecen. Con frecuencia decimos simple-
mente "no", "o" o "y" en lugar de complemento, unión o intersección.
Los diagramas de Venn, como los de la figura 3.1, nos proporcionan una ima-
gen de estos conceptos mu) fácil de manejar. Piense que la probabilidad de un
evento corresponde a su área; el rectángulo completo, que representa a S, tiene área
igual a 1. En Ja figura 3.1 (a), el evento A aparece sombreado; su complemento es
todo el conjunto en blanco. En la figura J . l(b), A V Bes toda d área sombreada,
mientras que A n B es el área sombreada con un tono más oscuro.
Ya hemos utilizado la idea de la unión en el tercer axioma de 13 probabilidad,
que dice que si los eventos A y B no tienen resultados en común, la probabilidad
de que suceda A o B [es decir, P(A v B}J es P(A) + P(B). L::i condición de que A
y B no tengan resultados en común es suficientemente importante como para mere-
cer un nombre.
Eventos mutuamente excluyentes

Dos eventos A} B son mutuamente ncluycntu (disjuntos, lógicamente incompa-
tibles) si no tienen resultadoc; en común Para los eventos mutuamente excluyentes,
A n B no tiene resultados; el que suceda uno de ellos significa automáticamente
que el otro no puede ocurrir. Los eventos A. B, C, D, ... son mutuamente excluyen-
tes sí todas las parejas posibles de ellos son mutuamenLe excluyentes. S1 uno de
tales eventos sucede, ninguno de los otros puede ocurrir.
•
3.3 Leyes de la probat>il~ 89
FIGURA3.2 Tres eventos mutuamente excluyentes

----
El tercer axioma de Ja teoría matemática de la probabilidad se traduce, utili-

/ando el lenguaje de la teoría de los conjuntos, en una ley básica para el cálculo
de probabilidades.
Ley aditiva para eventos mutuamente excluyentes

Si los eventos A y B son mutuamente excluyentes,
P(A o Bsucede) = P(AuB) = P(A) + P(B)
•
Siempre que los eventos se hayan definido como mutuamente excluyentes, el "o"
lógico corresponde a la suma de probabilidades. Obviamente, esta idea no se res-
tringe a dos eventos; es aplicable a cualquier número finito o infinito de ellos.•
En la figura 3.2 ningún evento se superpone con otro, de modo que los tres
son mutuamente excluyentes. El área del e\ ento sombreado, P(A u B u C), es
obviamente la suma de las tres áreas por separado, P(A) + P(B) + P(C).
EJEr:1PLO 3.11 Los eventos A, B y C tienen probabilidades 0.2, 0.5 y 0.4, respectivamente. Los
eventos A y B son mutuamente excluyentes. pero A ) C no Jo son. al igual que B y
C. ¿Cuál de la.s probabilidades P(A v B). P(A v C), /'(B u C)) P(A u B u C)
se puede calcular con la infonnación que hemos proporcionado?
Solución En la figura 3.3 se muestra un diagrama de Venn apropiado. Como A y B no se su-

perponen, P(A V B) = P(A) + P(B)- 0.2 + 0.5 """0.7. Ahora bien, como no tene-
mos información acerca de las áreas de A ri C y B ri C, no podemos calcular
otras probabilidades. Si sumásemos equivocadamente las probabilidades, obten-
dríamos P(A v B u C) - 0.2 + 0.5 + 0.4 =- 1.1, lo que no es posible.
• Para los puristas matem~tícos: el tercer axíoma se puede: extender, por índuccion, para cubrir ~ualquicr
número finito de eventos, pero se debe modificar para cubrir un numero infinito de ellos.
90 l UN PRJMER VISTAZO A LA PROBA81UDAD
FIGURA 3.3 Diagrama de Venn para el ejemplo 3.11

•
El principio de la adición se puede extender para manejar eventos que no son
mutuamente excluyentes. Podemos ilu!>Lrar la extensión con un ejemplo.
EJEMPLO 3 .12 Suponga que, en el ejemplo 3.11, P(A n C) = 0.05 y P(B n C) = 0.18. Encuen-
tre P(A v C) y P(B v C).
Solución Cuando sumamos P(A) y P(C), contamos dos veces el área P(A n C) de la in-
tersección. Para corregir esto, podemos re!.tar (una vez) el área de la intersec-
ción. Así, P(A v C)'"" 0.2 + 0.4 0.05 = 0.55 . Análogamente, P(B u C) •
0.5 + 0.4 -- 0.18 = 0.72. •
La ley aditiva general se obtiene a través de un razonamiento similar a éste.
Ley ad it iva general

S1 A y B son eventos cualesquiera,
P(A o B) = P(AuB) = P(A) + P(B) - P(A í'IB)
Cuando A y B son mutuamente excluyentes, A í'I B no contiene ningún re-

sultado, de modo que P(Aí'I B) - O. En este caso, Ja ley adit1"a general se reduce
a la simple adición de probabilidades. bit.a ley se puede extender al caso de muchos
C\ entos, pero llevar cuenta de las probabilidade!> que se suman dos veces, tres ve-
ces, etc., se convierte en un problema. Por lo general, es una mejor estrategia divi-
dir un e"ento en componentes mutuamente excluyentes, de modo que se puede
utilizar la simple adición de probabilidades
EJEMPLO 3. 13 En el ejemplo 3.12, encuentre P(A u Ou C) y P(sucede exactamente uno de los

eventos A, B o C).
Solución Con base en la informacil'ln que se da en el ejemplo 3. 12, podemos deducir las pro-
bab1l1dades que se muestran en la figura 3.4 . Para P(A u B u C) sumamos todas
lal> probabilidades corre~pondientes a la ocurrencia de uno o más de estos eventos:
3l Leya ele la probab1hdad
.32
e
.18
FIGURA 3:4 Diagrama de Venn para el ejemplo 3 .13

•
P(Av BvC) = .15 + .05 + .17 + .18 + .32 "".87
Para P(sucede exactami.:nte uno de los c\entos A. B o C), no sumamos las proba-
bilidades de la intersección 0.05 y 0.18, pues ¿sta representa la ocurrencia de dos
eventos. Así, P(sucede exactamente uno de los e\ entos A, B o C) = 0.15 + 0.17 +
0.32 = 0.64.
Del principio aditivo se deduce directamente una ley de la probabilidad
muy útil. Por def!!!ición, un evento A y su complemento A son mutuamente ex-
cluyentes. y A u A incluye a la totalidad del espacio muestra! y tiene probabi-
lidad 1. Por consiguiente,
P(AvA) = P(A) + P(A) = 1
Ley de los complementos
P(A) = 1 - P(A) =1- P(noA)
Con frecuencia es m:ís fácil encontrar la probabilidad de que un evento no suceda.

En tal caso, por la ley de los complementos, P(A) es simplemente 1 - P( A).
EJEMPLO 3. 14 Al fabricar sistemas de microcomputación, se ha observado que el 16% de los

equipos recién ensamblados presentan exactamente un defecto, el 4% tiene exacta-
mente dos defectos y el 1% tiene exactamente tres o más defectos. ¿Cuál es la pro-
babilidad de que un equipo seleccionado al a7.ar no tenga ningún defecto?
Solución El e\cnto "O defectos" es el complemento del evento "lo más defectos": P(O de-
fectos)= 1 - P(I o más defectos). A su vez, por el principio de adición de eventos
mutuamente excluyentes,
P(I o más defectos) = P(exactamente 1) + P(exactamente 2) + P(3 o más)

= .16 + .04 + .01 = .21
Oc este modo. P(O defectos) = 1 - O.:! 1 = 0.79.
•
Hay otro concepto que es crucial en el desarrollo de las leyes básicas de la pro-
babilid¡d: la probabilidad condicionada de un e\Cnto B dado que ha sucedido otro
evento A. Por ejemplo, puede ser que el 10% de los compradores de un automóvil
de lujo pidan altavoces de alta eficiencia para el sistema de audio, de modo que
?(altavoces especiales) - 0. 1. Pero si se sabe que el cliente ha pedido el mejor re-
ceptor en estéreo para el automóvil, la probabilidad de que pida los altavoces de alta
eficiencia es presumiblemente más alu. Es así que una condición, en este caso que
el cliente pida un receptor especial, puede cambiar la probahilidad de un evento
(que el cliente pida los aluvoces de alta eficiencia). Para dar otro ejemplo, suponga
que unos auditores seleccionarán al azar una muestra de una lista de 216 cuentas por
cobrar. y que de éstas, 24 tienen algün error. Si no se tiene información acerca de la
situación de la primera de ellas, la probabilidad de que la segunda cuenta seleccio-
nada tenga un error es de 24/216. Pero si se sabe que la primera cuenta selecciona-
da contiene un error, entonces hay sólo 23 cuentas por cobrar erróneas entre las 215
restantes, y la probabilidad de que l::i segunda también lo tenga cambia a 231215. En
los siguientes capítulos, con mucha frecuencia utiliiaremos l::i definición de proba-
bilidad condicionada en términos de probabilidades no condicionadas.
D efinición de probabilidad condicionada

La probabilidad condicionada de un evento B dado que un evento A sucede, deno-
tada como P(B A), que se lee .. la probabilidad de B dado que A'', es
P(B IA) .. P(A n B)

P(A)
Análogamente,
P{A 1 B) - P(A n B)
P(B)
Una probabilidad condicionada se define formalmente en términos de proba-

bilidades no condicionadas. La definición se puede entender en términos de frl!-
cuencias relativas en el límite. Imagine un número n muy grande de ensayos.
Damos por hecho que un ~vento dado A sucede; habrá nA de tales ensayos. La pro-
habílidad condicionada es aquella fracción de los nA ensayos en los que tanto A
como B suceden. Hay n,..u ensayos en los que A y B suceden, de modo que la pro-
babilidad condicionada es
Ahora divida el numerador y el denominador de esta fracción entren, el numero to-

tal de ensayos, para obtener
""ª
n
P{B A) = -
""n
l.l Leyei de la probab1hdad 93
Pero el numerador es la probabilidad no condicionada P(A r-t B) y el Jenomina-

dor es P(A). Por consiguiente, volvemos a la definición,
P(Af"\8)
P(B 1 A)= P(A)
EJEMPLO 3. 15 Remítase al ejemplo 3.8. Si el evento A es "se obtienen una o más caras en tres bn-
z;imientos de una moneda" y el evento 8 es "se obtiene exactamente una cara", cal-
cule P(B 1 A) con Ja definición de probabilidad condicionada.
Solución A: se compone de todos los resultados en S excepto (m);

por consiguiente, P(A) = 7/8
B: se compone de Jos resultados (HTT), (THT) y (TTH)
An 8: se compone de los resultados (HIT), (THT) y (TTH);
P( All B) =3/8
La probabilidad condicionada del evento B dado que el evento A succdc es
P(Ar. B)
P(B I AI
P(A)
3¡ 8 J
=-=-
7/8 7
Es decir, hay 3 posibilidades en 7 de que el evento B suceda dado que ha ocurrido

el evento A. •
EJEMPLO 3. 16 En el ejemplo de las cuentas por cobrar que se dio en la página anterior, suponga
que 16 cJ.e las 80 cuentas grandes (más de 10,000 dólares) tienen algún error y que
se elige una única cuenta al azar. ¿Cuál es la probabilidad de que la cuenta selec-
cionada tenga un error, si se trata de una cuenta grande?
Solución La respuesta debería ser 16/80 = 0.2. De acuerdo con la definición

P(errorngrande)
P(error 1 gran de) = -----'---
P(grande)
Hay 216 cuentas, 80 Je las cuales son grandes y 16 de las cuales son grandes y tie-
nen errores. Por consiguiente,
16 /2 16
P(error 1grande) = = 16 80
80 /2 16
como debería ser.
•
La definición de probabilidad condicionada nos conduce directamente a la ley
multiplicativa de las probabilidades.
94 3 UN PRIMER VISTAZO A lA PROBABILIDAD
ley multiplicativa
Si A y B 50n dos eventos cualesquiera,
P(AyB) = P(AnB>= P(A)P{ B IA>
Notn: Si intercambiamos Jos papeles de A y B, P(AnB) P(B)P(J\ 8).
•
La única diferencia cntr-.: la ley multiplicativa y la definición de probabilidad con-
dicion:ula r:idica en cuáles probabilidades se suponen ) cuáles han de calcularse.
probabilidad Cuando '>t: supone que !>C conocen las llamada!> probabilidad conjuntll P(A n B)
conjunta y rrohabilidad mar2inal P(A), la probabilidad condicionada P(B 1 A) se puede
probabilidad calcular por medio de la definición. Cuando P(A)): P(B 1A) se suponen conocidas,
marginal P(A B) !.e puede calcular con la ley mult1phcati\a
EJEMPLO 3. 17 s~ vo a seleccionar un equipo de e\ aluación de dos personas a partir de un grupo

formado por 1O hombres >6 mujeres. Si cada grupo de dos personas tiene la mis-
ma probabilidad de ser seleccionado, encuentre la probabilidad de que el equipo de
evaluación esté integrado por dos mujeres.
So/uc16n Sea A e l C\ ento "Ja primera persona seleccionada es una mujer" y !.ea B el e"ento
"la segunda persona seleccionada es mujer". Lo que queremos calcular es P(A
r. B ). Por la ley multiplicativa,
P(A l"'I B) = P(A)PCB 1A )
Debería ser c laro que P(J\) = 6116 y P(B 1A)=5/15. Sustituyendo. obtenemos
P(Af"'. a1 -(i )(i55) =

6
6
.12s
•
La ley multiplicati\a se puede extender para tratar con la probabilidad con-
jun~ de tres o más eventos:
= P(A)P(B / A)P(C 1A f"'. 8)

P(A l"'I B l"'I C)
P(A f"'. B l"'I C" 0) = P{A)P(B 1A)P(C1 A f"'. B)P(D /A l"'I B " C)
y así sucesi\'amente.
EJEMPLO 3. 18 Suponga que en el ejemplo 3.17 se tienen que seleccionar tres personas. ¿Cuál es
la probabilidad de que las tres sean mujeres?
Solución Defina A corno "la primera persona seleccionada es mujer", B como "la segunda
per!.ona seleccionada es mujer" y C como "la tercera persona seleccionada es mu-
jer". P(C 1 t\ l'"'1 B) debe ser 4/ 14, de modo que
P(A "B f"'. Cl = P(A)P(B 1A)P(C1 A n BI
= (i66)(.5s)C:) .036
=
•
Sección 3 ) e,.rc1c1os 95
SECCION 3.3 EJERCICIOS
3.20 Una fábrica cuenta con dos generadores de emergencia, cada uno de los cuales pue-
de proporcionar suficiente energfo eléctrica para las opcrt1ciones básicas. Ambos ge·
neradores están expuestos a fallas . Sea A el evento " el generador 1 funciona
adecuadamente" y Bel C\ento "el generador 2 funciona adecuadt1mente". De-.cnh.1
\Crbalmente cada uno de los siguientes eventos: A; A V u: Ar'\ u; A r'\ e. ¿Cuál es
el complemento de A u O?
3 21 Supon&a en d ejercicio 3.20 que P{/\) O 96. pt B) O 94 y /'( A r B) O 93 . fra-
cc un diagrama de Venn. Encuentre !'( /\ n B ). PI Ar ll ) > P{ /\ r B ).
3.22 Use las probahilidades del e1ercicio 3 21 para encontrar P(B 1A), P( H A). P(B A)
)' P( ti A ). Enuncie 'erbalmente cada una de estas prob:ih1htlatles (.Es P(B A)+
Pl,B A) l?¿f.:.sP(B A)+P{B A) I?
3.23 ¿Son mutuamente cxclu)cntes los e\ento'I A y U de los ejercicios 3.20 y J .21? En·
cuentre P(A o B).
3.24 ...1 director de una agencia federal responsable de otorgar viviendas a pequellas co-
munidades. encontró que el 14.2% de las solicitudes eran extemporáneas (fuera de
plazo). el 8.7% estaban incompletas y el IS .9% eran inelegibles. l)elina A como
"extemporánea", B como "incompleta" y C como "inelegible". ¿Qué parejas de
eventos, si es que las hay, son mutuamente excluyentes? Dé una interpretación del
e\.ento A r'\ o r. e.
3.2S l:;n el ejercicio 3.24, suponga que P( Ar. B) 0.046. /'(A r.C) = 0.092,
P( RnC) = 0.035 y P( Ar. BnC) - 0.016. Construya un diagram.:i de Venn y de-
dwca las probabilidades de los eventos mutu.:imentc excluyentes. Por ejemplo, en
vista de que P( A n B) = 0.046 y que P( A r. On C) - 0.016, debe ser cierto que
P( A n Bf"\ C ) 0.030.
3.26 Utilice el d1.:igrama de Venn que construyó en el ejercicio 3.25 para encontrJr
Pt A ri B r- e). P( A V B V e ) y P( A'"' R). Exprese \.erhalmc:nte estos eventos.
3.27 l-n cierto proceso de fabricación es necesario perforar un bloque de metal con apc·
go a especificaciones mu) precisas Un defecto en el orilicio puede c ~tropcar el hlo·
que. lo que sólo se puede descubrir al final del montaje. La experiencia md1ca que
el 90% de las perforaciones se hacen dentro de las especificaciones. Un mo;pector
examina cada perforación. Si el orificio no está hecho dentro de lac; ec;pecificac10·
nes, hay una probabilidad del 90% de que el inspector descubra el defecto.
a. ¿Cuál es la probahilidad de que un bloque esté perforado defectuosamente y que
el inspector lo descubra'?
b. ¿Cuál es la probabilidad de que un bloque esté perforado dclectuosamente y de
que el inspector no lo descubra'!
3.28 SupongJ. en el ejercicio 3 27. que, con una red1c;tr1huc16n del trabajo, la tasa de per·
foraciones dentro de las especílicac1one~ c;e puede ele\ ar al 99%. lamhién ~uponga
que con esta estrategia se cuenta con meno., tiempo para la 111'pecc1ón. de modo que
un inspector sólo detecta los bloques defectuosos en el 80° o de los casos.
a. ¿Cuál es la probabilidad de que un bloque tenga una perforación defectuosa y el
inspector no descubra el defecto?
b. Compare la respuesta del inciso (a) con la que obtuvo para el inciso (b) del cjcr·
c1cio 3.27 ¿En qué caso es menor la prohabilidad de que un defecto no se descu-
bra? ¿Seria relevante para su respuesta el que lt1 tasa de detección de defecto.,
fuese sólo del 400. en \eZ del 8~9'>
3.29 Nos referimos nue\amente al ejercicio 3.27. Suponga que los defectos de perfora-
ción que no son descubiertos por un inspector se detectan durante el montaje, con
una probahilidad de 0.80. ¿Cuál es la prohahilidad de que un bloque seleccionado al
96 l UN PRIHER VISTAZO A LA PROBABILIDAD
azar esté perforado defectuosamente y que el defecto no sea descubierto ni por el

inspector ni durante el montaje?
'
3.4 INDEPENDENCIA ESTADÍSTICA
•
Un concepto básico de la lt!oria de la probabilidad, de panicular importancia por
sus aplicaciones a la estadística, es el de independencia. Suponga que en el ejem-
plo de las cuentas por cobrar de la sección anterior. 36 de las 216 cuentas son "con
el extranjero"> 4 de las 36 cuentas con el extranjero tienen un error. ¿,Es diferente
la probabilidad de error dado que la cuenta es con el extranjero a la probabilidad
global (no condicionada) de error? Recuerde que había 24 cuentas erróneas en el
grupo de 216, de modo que ?(errónea)- 24/216 - 1/9. la probab1lldac.1 condicio-
nada de error dado que la cuenta es con el extranjero es P(errónea 1
extranjero) - ?(extranjero y errónea} ?(extranjero) (4 2 l 6H36 216) - 4136 = 1/9,
lo mismo que la anterior. Como la probabilidad condicionada de un error es exacta-
mente la misma que la probabilidad no condicionada. se dice que los eventos "selec-
cionar una cuenta con el extranjero" y "seleccionar una cuenta con un error" son
estadísticamente e!>tadblicamen lc independientes.
ind epe ndientei. La idea de independencia estadística es que la ocurrencia del evento A no
cambia la probabilidad de que el evento B suceda. En otras palabras, la probabili-
dad conc.licion:id:i P(B 1 A) es la misma que la probabilidad no condicionada P(B).
Definición de eventos independientes
los e\entos A y B son estadísticamente independientes si)' sólo si P(B A) - P(B).

De no ser así, son dependientes. Nota: Si A y B son independientes, entonces
P(A 1 B) =P(A).
De aquí en addante simplemente diremos e~'entos independientes y omitiremos la

palabra estadísticamente.
EJEMPLO 3. 19 Rcmita~e al ejemplo de las cuentas por cobrar de la sección anterior. Determine si
los eventos "primera cuent.a errónea" y "segunda cuenta errónea" son independientes.
So/uc16n Dado que el muestreo de las cuentas por cobrar se hace i.in reemplazo, el hc:cho de
que se elija una cuenta errónea en la primera selección reduce (ligeramente)
la probabilidad de que se presente una cuenta errónea en la segunda. Por consi-
guiente, los e\Cntos no son independientes. Sabemos que />(la segunda es errónea
la primera C\ errónea) = 23/215 = 0.107 y que la probabilidad no condicionada P(la
segunda es errónea) = 24 216 = 0.111. La diferencia numérica entre las prob:ibali-
dades es muy pequei\a, de modo que los e\.entos son casi independientes. pero no
del todo. •
34 Independencia eir:.ad1suc:a 97
EJEMPLO 3.20 Suponga que en el centro de cálculo de una universidad, 192 de 960 trabajos son de
alta prioridad; de éstos, 128 son propuestos por estudiantes y 64 por el cuerpo do-
cente. Del total, 640 trabajos son de los e~tudiantcs ) 320 de docentes. Si se selec-
ciona un trabajo al azM, ¿son los eventos, ..trabajos <le alta prioridad" ~ "trabajo de
estudiantes". independientes?
Solución Sea A el evento "el trabajo es propuesto por un estudiante" y Bel evento "el traba-
jo es de alta prioridad". Para que los eventos A y B sean independientes debemos
demosU"ar que
P(A j 8) = P(A)
o
PCB I A) = P(B)
En este caso podemos calcular P(B 1 A) util izando la definición de probabili-
dad condicion:ida:
P(AnB)
P(B 1A) = P(A)
= 128 96~ = 128 = .200

640 960 640
Así mismo, P(B) = 1921960 = 0.200. de modo que los eventos A y 13 son inde-
pendientes. •
La definición de C\ entos independientes nos lleva o un caso especial de la

ley multiplicativa.
ley multiplicativa para eventos independientes

Si los eventos A y B son independientes.
P(A n ll) = P(A)P(B}
Este resultado es una definición alternativa del concepto de independencia.
EJEMPLO 3.21 Utilice la ley multiplicativa para eventos independientes para verificar que los dos
eventos del ejemplo 3.20 son independientes.
Solución Pre\ iamcntc demostramos que P( A 1\ B) = 128 960 = 0.133. Análogamente,

P(A)P(B) =(640 960) x ( 192 960) = 0.133. Como P( A í'I B) - P(A)P(B ), los
eventos A y B son independientes. •
La definición de independencia sugiere que para determinar si dos eventos son

independientes, deberíamos encontrar .P( A í'I B ). P(.A) y .P(B), y después comprobar
la independencia. En ocasiones éste es, de hecho, el procedimiento. No obstante,

con frecuencia Ja independencia es una hipótesis natural. Por ejemplo, cuando el
muestreo se hace con reemplaz.amiento, es natural que se suponga la independencia.
En tales casos el pnnc1pio multiplicativo se utili.ai pam calcular probabilidades con-
juntas tales como P<..A r. B).
EJEMPLO 3.22 Suponga que, en una evaluación, el 70% del profesorado de un distrito escolar al-
canza calificación satisfactoria, que el 59% tiene 40 ai\os o más, y que la edad y la
evaluación son inJepcndicntcs. ¿Cuál C!> la probabilidad de que un profesor seleccio-
nado al azar (a) se;i C\aluado satisfactoriamente) tenga más de ~O ;iños; (b) no sea
evaluado satisfactonamcnte y no tenga más Je 40 años; (e) no sea e\aluado satisfac-
toriamente dado que tiene menos de ~O años?
Solución a. Puesto que los eventos "evaluado satisfactoriamente" y "más de 40 ai'los de edad"
se consideran independientes, se sigue que
P(satisfactorio n más de 40) = P(satisfactorio)P(más de 40)

= poX.59) = .413
b. Puesto que los eventos "evaluado satisfactoriamente" y "más de 40 años de
edad" son independientes, sus complementos ("evaluado insatisfactoriamcnte" y
"no tiene más de 40 años") también son independientes. Por consiguiente,
P(insatisfactorior. no más Je 40) = (1 - .70) (1 - .59)

= .123
P(insatisfactorio n no más de 40)

c. I'(insatisfactorio 1 no más de 40) "" - - ' - - - - - - - - - - - - - - ' -
P(no más de 40)
.123
=
.41
Ésta es exacwncntc la probabilidad del evento "no evaluado satisfactoriamente". •
La ley multiplicativa se puede extender a más de dos eventos independientes,
pero para hacerlo necesitamos la idea de procesos independientes. Los procesos
(esencialmente, espacios muestrales separados) son independientes si cualquier
evento de un proceso es independiente de los eventos de todos los demás procesos.
Si, por ejemplo, hay 4 procesos y eventos independientes A, B, C y D, entonces la
probabilidad <le su intersección es
P(A n B n C n 0) = P(AIP(B)P(C)P(D)
EJEMPLO 3.23 Suponga que la probabilidad de que el comprador de un automóvil nuevo pida que
el aire acondicionado venga instalado de fábric:t es de 0.6, y que las diferentes de-
cisiones de los compradores son procesos independientes. ¿Cuál es la probabilidad
de que los próximos cinco compradores pidan que el aire acondicionado venga ins-
talado de fábrica?
99
Solución Sean A 1• A~. Al' A4 y A 5 los ~vcntos de que los compradores 1, 2, 3, 4 y 5 piden
que el aire acondicionado venga instalado de fábrica. En tal caso.
P (los cinco piden aire acondicionado de fábrica) = P(A 1 n A 2 n A 3 n A 4 n A~)
= P(A ¡)P(A 2 )P(AJ )P(A 4 )P(Ad
= (.6)(.6)(.6)(.6)(.6)
= .07776 •
SECCIÓN 3.4 EJERCICIOS
3.30 El director de personal de una empresa que emplea vendedores a tiempo parcial en-
saya un3 prueba de aptitudes para las ventas con cientos de aspir3ntes. Como la
prueba es nueva, los resultado'> no se utilizan para dar el empleo. El 40% de los as-
pirantes muestran gran aptitud segun la prueba, y el 12% de los contratados mue~
tran un3 gran aptitud y alcanzan buenas cuotas de ventas. La experiencia de la
empresa indica que el 30% del personal de \entas consigue buenos nivele'> en !:is
ventas. Sea A el evento "muestra una gran aptitud" y Bel evento "logra buenas venta.""·
a. 1-ncuentre P(A). P( A11B) y P(B 1A).
b. ¿Son independientes A y R?
c. ¿Es ütil la prueba para predecir buenos niveles en las ventas'> ¡,Qué tanto'?
3.3 1 Construya un diagrama de Venn para el ejercicio 3.30.
a. Encuentre P(A 11 i'i ) y />( A A).
h. ¡,Son independientes A y B ?
3 .J:! tin estudio acerca de los trabajadores de dos plantas de una empresa manufacturera
incluye la pregunta: "¿Cuán efectiva es la gerencia para responder a la.'> legítimas
quejas de los trabajadores?" En la planta 1, 48 de 192 trabajadores contestaron
"poco efectiva", una respuesta desfavorable; en la planta 2, 80 de 248 trabajadores
respondieron "poco efectiva". Se va a seleccionar aleatoriamente a un empicado de
la empresa manufacturera. Sea ¡\ el evento "el trabajador procede de la planta I" y
Bel evento "la respuesta es desfavorable".
a. Fncuentre P(A), P(B) y P( Ar. B ).
b. ¿Son independientes los eventos A y B?
c. Encuentre P(B 1A) y P(B A). ¿Son iguales?
3.3 3 Demuestre ~e si A y B son independientes, entonces P<B A) P(B 1A). (Suge-
rencia: B y A también son independientes.)
3 .34 Un distrito escolar debe sustituir profesores en dos escuelas primarias y una escue-
la secundaria. En un día cualquiera, la probabilidad de que, en las escuelas prima-
rias 1 y 2, no se necesite un sustituto para cubrir la ausencia de algún profesor es de
0.60. En la escuela secundaria, la probabilidad de que no se necesite un sustituto es
de 0 .50. Suponga que el ausentismo en las tres escuelas define tres procesos inde-
pendientes. Encuentre la probabilidad de que no se necesite ningün sustituto en nin-
guna de las escuelas en un día especifico.
3.35 ¿Cree usted que la hipótesis sobre la independencia de los procesos en el ejercicio
3.34 es realista?
3.3 6 En el ejercicio 3.18, la probabilidad de .:¡ue una computadora seleccionada al azar
tuviese memoria est~ndar era de 0.84, y la probabilidad de que tuviese unidades de
disquetes de 5W' y 3Yi" era de 0.40. La probabilidad de que tuviese ambos tipos
de unidades y memoria estándar era de 0.24.
a. Encuentre la probabilidad de que una computadora tenga ambos tipos de unida-
des de disquetes dado que tiene memori:i estándar.
b. Encuentre la probabilidad de que una comrutadora tenga memoria estándar.

dado que ésta tiene ambos tipos de unidades de disquetes.
e~ ¿Son independientes los eventos "memoria estándar" y "ambos tiros de unidades
de disquetes"?
3.37 Además de las probabilidades que se dieron en el c:jc:rcicío 3 36, las figuras del ejer-
cicio 3. 18 indican que Ja probabilidad de: que una computadora tenga un disco duro
de 20 mO es de 0.45. La probabilidad de que una computadora tenga ambos tipos de
unidades de disquetes y un disco duro de: 20 mO es de 0. 18 . "Son independientes lns
eventos "ambos tipos de unidades de disquete"} "disco duro de 20 mB"?
3.38 Una aerolínea sigue con atención los problemas a lo~ que <;e enfrenta 5u personal en
el aeropuenn l la encontrado que el 40% de los problema<; tiene que \'er con co-
nexiones perdidas y un 10% tiene que: \ er con equip;ije<; C:\tra\'iados. ¿Es plausible
suponer que el 4% de los problemas comprenden ambos tipos de dificultad.,
3.39 lln vendedor minorista encuentra que el 40% de los pedido' se hacen por teléfono
(y el resto por correo). En el 10% de sus 'entas se presenta una dc\oluc1ón parcial
o completa. ¿Es razonable suponer que el 4~~ de los pedidos que llegan por teléfo-
no corresponden a otros tantos casos de devolución de mercancías'!
3.5 TABLAS Y ÁRBOLES DE PROBABILIDAD
En muchos problemas de probabilidad es necesario utilizar en forma consecutiva

•
varios principios básicos para obtener una solución. Estos problemas se pueden re-
solver algebraicamente, pero es muy util contar con algún artificio que permita
mantener el pensamiento lógico.
EJEMPLO 3.24 Una compaí'ia encuentra que el 46% de sus jóvenes directores está casado con
un(a) profesional, el 37% no está casado con un(a) profesional y el 17% son solte-
ros La compa"ia considera que el 40% de los directores casados con profesionales
rehusarían !>er transferidos a otra oficinn. al igual que el 10º~ de los solteros) el
15% de Jo., qu\! no cMán casados con profesionall!s Si 3 un director seleccionado al
:v.ir se le pmpone ~er transforido. ¿cuál L~ la probabilidad de que rechace la oferta'?
Solución En primer lugar. el C\ento "rechazada" se puede pensar como "(rechazada f"'I dos
profesionales) v (rechazada (')un solo profesional) v (rechazada r-. soltero)". L;is
tres posibilidades son mutuamente cxclu)entes. de modo que por la ley aditiva te-
nemos que
/'(rechazada) - P(rechazada f"'I dos prolesionales )
+ P(rechazada f"'I un solo profesional) + /'(rechazada l'"'I soltero)
En segundo lugar, cada una de las tres probabilidades se puede valorar por medio
de )3 ley multiplicativa. Por ejemplo,
?(rechazada f"'I dos profesionales)= P(dos profesionales)

P(rechazada 1 dos prolesionales)
(0.46)(0.40)
de la reunión de estas dos ideas tenemos que
?(rechazada)= P(dos profesionales)P(rechazada dos prolcsionales)
+ P(un solo profesional)P(rechazada 1 un solo profesional)
~
~ ~· ,. ~
3.5 Tablu y úboles, cH prob&bJidad u 101
~- l'tH:.i:'rt:C
+ P(soltero)P(recha2.ílda 1 soltero) ,,
= (0.46 )(0.40) + (0.3 7)(0.15) + (0.17)(0.1 O) 0 .2565 ~ •
EJEMPLO 3. 25 Se hacen dos inversiones de 100 dólares en dos proyectos. Se supone que el proyec-
to A 'a a producir un rendimiento neto de 8, 1O o 12 dólares, con probabilidades
respectivas de 0.2, 0.6 y 0.2. Se supone que el pro)ecto B va a producir una ganan-
cia neta de 8, 10 o 12 dólares, con probabilidades rcspccti\as de 0.3, 0.4 y 0.3. Ade-
más se supone que las ganancias de ambas inversiones son independientes entre sí.
¿Cuál es la probabilidad de que la ganancia total ~a de ~O dólares cxacmmente?
Solución Oe acuerdo con la ley aditiva,

P(total =$20) P(A produce $8" B produce $12}
P(J\ produce S10f"'I B produce $10)
+P(A produce $12fl B produce $8)
La ley multiplicativa para eventos independientes se puede aplicar a cada probabi-
lidad conjunta para obtener
P(total · $20) = P(A produce $8)P(B produce $12)
+ P(A produce SIO)P(O produce $10)
+P{A produce $12)P(l3 produce $8)
=(0.2)(0.3) + (0.6)(0.4) + (0.2)(0.3) = 0.36 •
No hay ninguna idea nueva en la solución de estos problemas, pero en ocasio-
nes cs dificil encontrar el orden correcto en el que se deben aplicar los principios
básicos. En los problemas de ma)'Or envergadura la dificultad es mayor. por lo
que ha sido necesario crear diversos métodos para clarificar el razonamiento en que
se basa su solución .
Una propuesta muy útil es la de construir una tabla de probabilidades conjun-
tas. En ocasiones, la respuesta que se busca puede encontrarse sumilndo los regis-
tros apropiados de la tabla.
EJEMPLO 3.26 Con los datos del ejemplo 3.24, construya una tabla de probabilidades conjuntas
comparando la condición matrimonial con la actitud ante un:i e\ entual translcren-
cia a otra oficina. Utilícela para encontrar P(rcchazada).
Soluc16n En primer lugar, ponga todas las prob¡¡bilid:ides marginales conocidas en los extre-
mos apropiados d~ la tabla.
Dos profesionales Un profesional Soltero
Rech:i1:ida
Aceptada
.46 .37 .17
Ahora se puede llenar el cuadro u1ili1.ando la ley multiplicativ¡¡. Las probabilidades

margin11les que faltan se pueden encontrar por adición.
102 ) UN PRIMER VISTAZO A lA PROBABILIDAD
Oos profesionales Un profesional Soltero

.
Rccha1.¡da 1 46)( 40) lk40 1.37>(.15)-.. 0555 {.17H.101 c 0170 .2565
Aceptada 146)( 60) 2760 C.37M 85) • 3145 1 17)(.90)"" 1530 7435
.37
P(rechazada) aparece en el margen derecho y es igual a 0.2565, como en el ejem-

plo 3.24. •
EJEMPLO 3.27 •
Con los datos del ejemplo 3.25, construya unn tabla de probabilidades conjuntas y
encuentre ?(ganancia total :: $20).
Solución En este caso. se especifican amhos conjuntos de probabilidades marginales

Ganancia en A
Sk SIO Sl2
Ganancia SI< .)
en S 1O 4
B Sl2 .3
.2 .6 .2
Paro llc!nar la tabla se puede utiliz.ar la ley multiplicativa para eventos independientes.
Ganancia en A •
SK SIO Sl2
Ganancia Sli 06 .IR ()6• .)
en SIO ()!! .24• 08 4
B SI:! ()6• 18 .06 .3
.2 .6 .2
Las entradas 4ue corresponden a una ganancia total de 20 dólares están marcadas
con un asterisco. La ley aditi\ a nos da
P(ganancia total • S20) = 0.06 + 0.24 + 0.06 '"' 0.36.
como en el ejemplo 3.25. •
Las tnhlas de probabilidad constituyen una forma breve y conveniente de re-
solver muchos problemas. Con frecuencia también proporcionan la solución de
algunos problemas relacionados. Por ejemplo. usted no debería tener ninguna difi-
cultad para encontrar en el ejemplo J.27 P(gananc1a total =- S22) o P(ganancia to-
tal= $16). Ahora bien, en aquellos problema!> ~ue comprenden más de dos
categorías de eventos, las tablas de probabilidad son, en el mejor de los casos, di·
ficiles de manejar. Si en el ejemplo 3.25 hubic!>e hah1do un proyecto C, habría sido
necesario utilizar una especie de tabla tridimensional
:irbol de Otro artificio que se usa con frecuencia es el •irhol t.lc p robabilílhu.I Este
1>rohnbi lid11d método es dilic1I de describir pero muy fácil de ejcmplific:ir.
) S Tablu y M'boles de probab1hdad 103
EJEMPLO 3.28 Ulilice un árbol de probabilidad para resolver el ejemplo 3.24.
Soluc..ión Primero, construya ramas para un conjunto de eventos con probabilidades margina-
les conocidas:
Dos profestonates .46
Un profesional 37
Soltero .17
Despu~s. en la punta de cada una de estns romas lc\'ante nuc\ a'l ramas para otro
conjunto de eventos, utilizando probabilidades condicionadas (dada la primera
rama apropiada):
Rechazada .40
(.46)( 40) • . 1840'
Dos profesionales 46
Aceptada 60 (.46)(.60) • .2760
Rechazada 15
(.37)(.15) ~ osss·
Un profesional .37
Aceptada 85
(.37)(.85) • .3145
Rechazada
'º (.17)(.10) - .0110·
Sollero 17
Aceptada 90
(, 17)(.90) . 1530
(Si hubiese habido otro conjunto de eventos relevantes, habríamos ai\adido otro
conjunto de ramas.) Como se ve, la probabilidad de cada tra)ectoria específica (su-
cesión de ramas) se encuentra multiplicando las probabilidades a lo largo de ella.
la probabilidad de un C\.cnto se puede encontrar 'iumando las probabilidades de to-
das las trayectorias que lo satisfacen. Los trayecto!> corre:.pondientc~ a "rechazada"
están marcados con un asterisco: ?(rechazada) = 0. 18..iO + 0.0555 + O.O 170 =
0.2565, una vez más. •
EJEMPLO 3.29 Resuelva el ejemplo 3.25 utilizando un árbol de probabilidad.
Solución Se han especificado probabilidades marginales para ambos proyectos A y 8, de

modo que podemos utilit..ar las ganancias de cada proyecto como el primer conjun-
to de ramas. Comenzamos indistintamente la ramificación con el pro)ecto 13.
Ganancias en B Ganancias en A
se .2
.06
$8 3 S.10 6
.18
$12 .2
.06'
SS 2
.08
SIO 4 $10 6
.24º
$12 2
.08
$8 2
.06'
S12 3 S10 6
.18
$12 2
.06
3.5 Tablas y árboles de probabilidad 105
Como hemos supuesto que los eventos son independientes, no es necesario consi-
derar las probabilidades condicionadas de las ganancias en A para cada ganancia
particular en B. Las ramas correspondientes a las probabilidades para una ganancia
total de 20 dólares están marcadas con un asterisco: ?(ganancia touil =$20) - 0.06 +
0.24 + 0.06 = 0.36. •
Para que un árbol de probabilidad dé respuestas correcuis se debe construir de

acuerdo con las siguientes reglas:
Reglas para construir un árbol de probabilidad

1. Los e'<entos que forman el primer conjunto de ranrns deben ser mutua-
mente excluyentes, sus probabilidades marginales ban de ser conocidas y
deben agotar todas las posibilidades (de modo que las sumas de las proba-
bilidades de las ramas sea igual a 1).
2. Los eventos que integran el segundo conjunto de ramas se deben poner en
la punUl de cada uno de Jos primeros mmalcs. En cada ramificací6n inicial
relevante hay que asentar las probabilidades condicionadas, a menos que
una supuesta independencia permita hacer uso de las probabilidades no
condicionad:is. Nuevamente, las ramas deberán ser mutuamente excluyen-
tes y exhaustivas (de modo que la suma de las probabilidades de cualquier
rama que parta de una punta sea igual a 1).
3. Si aún quedan conjuntos de ramas, las probabilidades deber.in ser condi-
cionadas para todos los eventos precedentes. Como siempre, las ramas ha-
brán de ser mutuamente excluyentes y exhaustivas.
4. La suma de las probabilidades de las trayectorias se debe efectuar sobre
todos los trayectos que estén incluidos en el e\ento relevante.
•
Con un poco de práctica se descubre que los árboles de prohabilidad son muy
fáciles de usar. Árboles y tablas son dos herramientas muy útiles para clarificar la
lógica de una solución. En e fecto, con ambos métodos se construyen espacios
muestrales adecuados; un resultado panicular corresponde a una trayectoria en el
árbol de probabilidad o a un registro en una tabla de probabilidad. Los árboles se
pueden utilitar en una mayor variedad de situaciones. Su único inconveniente es
que en los problemas muy grandes y complicados dejan de ser pr;ícticos por su ta-
maño. Si se está dispuesto a utilizar una gran cantidad de papel, es posible resolver
algunos problemas basuinte desagradables con una velocidad sorprendente.
EJEMPLO 3.30 En un programa de concursos de la tele'< isión hay un valioso premio oculto detrás
de una de tres puertas. Usted, el concursante, debe escoger una de ellas. Una vez
escogida y antes de abrirla, el presentador descubre una de las puertas no seleccio-
nadas para que usted vea que el premio no esuí ahí. Después, le ofrece la oportuni-
dad de escoger la puena rcsiante. ¿Debería usted aceptar el cambio, o éste no le
representa ninguna ventaja?
106 3 UN PRIMER VISTAZO A LA PR08ABILJOAO
So/uc1on Hagamos un árbol.

Llame A a la puerta que usteJ ha escogido, y B ~ C a las otras dos. Suponien-
do que ti premio está d1stnbuiJo ale<1toriamentc entre las puertas, la probabilidad de
que esté Jctrás de cada una de ellas es de 1/3. Si el premio no está en la puerta A ,
el presentador no tiene elección: si Be~ d~mde e!.ta el premio, él debe abrir Ja puer-
ta C, si Ces donde se encuentra el premio, él debe descubrir la puerta A. Pero si
usted escogió correctamente y el premio está en la puerta A. el presentador tiene
que hacer una elección: supongamos que rlige aleatoriamente entre B o C. cada una
rnn una probabilidad de 1 2 en esta situación. PoJemos construir el siguiente arbol:
Puerta en que está Elección del Probabilidad de la

el premio presentador trayectoria
13 1 '2
1/6
A 1 13
e 12
1/6
13 1 13 e
1/3
e 1/3 B
1/3
Supongamos que el presentador ha escogido la puerta B (y que usted inicial-

mente eligiú la puerta A). ¿Cuál es la probabilidad de que el premio esté detrás de
la puerta C"
P( detrás de C y escogió B )
P(detnís de C 1escogió B ) = P(escogió B )
l/3 1/3 2
=
1/6 + 1/ 3
= --
1/2
=-
3
así, P(detrás de A escogió 13) = 1 - 2/3 = 1/3 . ¡La posibilidad de que usted gane
es mayor si acepta el cambio y escoge la puerta C! •
l .S Tablas y arbolei de probabfkdad 107
EJEMPLO 3.3 1 Suponga que el 4~o de los m~icamentos teóricamente aceptables son biológica-
mente activos)' que de estos últimos el 7(J% muestra serios efectos secundarios. Oc
los medicamentos que se sabe que no son activos. el 20% se pueden reformular para
que lo sean y. enlre estos medicamentos refonnulados. el 800/o tienen serios efectos
secundarios. Todos los medicamentos que se van a comercializar deben ser aproba-
dos por el gobierno. La probabiliJad de que un medicamento sea aprobado, supo-
n1enc.lo que es biológicamente activo y no tiene efectos secundarios. es de 0.90. De
lo!> medicamentos qUc! son biológicamente acti"os ) tienen cfoctos secundarios. solo el
Sº o scr:í aprobado. Si el medicamento no es b1ológ1camentc acl1\o, no será aprobado.
a. ¿Cuál es la probabilidad de que se apruebe un nue\O medicamento?
b. ¿Cuál es la probabilidad de que un nue\o medicamento tenga efectos se-
cundarios?
c. Si un mcJicamento es aprobado, ¿cuál es la probabilidad de que tenga
efectos secundarios'?
Soluci6n Se puede construir un árbol de probabilidad. En este caso, como a menudo aconte-
ce, las ramas se suceden en orden cronológico. La primera rama revela si el medi-
camento es o no activo. Después se con-.ídcran los segmentos correspondientes a sí
el mcJicamento se puede rcformular, si tiene efectos '>Ccundarios y si será aproba-
do, en este orden.
¿Activo? ¿ Reformulado? ¿Efectos secundarios? ¿Aprobado?
SI .05
.0140
51 .70
No .95
2660
Sí 40
$1 90
.1080
No .30
No 10
0120
S1 05
0048
Sí .80
No .95
.0912
sr .20
sr 90
.0216
No 20
No 60
No 10
0024
No 80 No 1.00
4800
a. Para encontrar la probabilidad de que un medicamento se apruebe, simple-

mente sume las probabilidades de todas las trayectorias que correspondan a "sí'' en
la pregtlnta correspondiente a "aprobado":
/>(aprobado) = .0140 + .1080 + .OO-t8 + .02 16 = .1484
b. Nuevamente debemos sumar las probabilidades en las trayectorias apro-
piadas. Las trayectorias correspondientes a la existencia de efectos secundarios son
la primera, segunda, quinta y sexta:
P(efectos secundarios) = .0140 + .2660 + .00-18 + .0912 = .3760
Otra alternati\a es dibujar el árbol sin las ramac; de "aprob;ido" y obtener una
'e' más
P(efectos secundarios) = .40(.70) + .60(.20)(.80) - .280 + .096 - .376
c. Para encontrar una probabilidad condicionada como ésta, recurrimos di-
n:ctamcntc a la definición:
P( efectos secundarios n aprobado)
P(efectos secundarios 1aprobado) =
P( aprobado)
En el inciso (a) encontramos que P(aprobado) 0.1484. Observl! que la primera y
la quinta rama, con probabilidades respectivas de 0.0140 y 0.0048, son las únicas
que corresponden a "efectos secundarios r. aprobado''. Asi,
P{efectos secundarios 1 aprobado) = (.0140 + .0048) 1 (. 1484) •
SECCIÓ N 3.5 EJERCICIO S
J.40 La experienc13 de una emrrcsa dedicada al procesamiento de d3tos muestra que al

prob<lr por primera ve1. un programa, hay un probabilidad de 0.6 de encontrar uno o
más errores importantes: defect(ls en el programa que ocasionan que éste falle por
completo, una probabilidad de 0.3 de descubrir errores menore~ (fallos que Jlermi-
ten que corra el program3, pero que producen resultados erróneos en cic:nas situa-
ciones) y una probabilidad de 0.1 de que no se detecte ningun error. f:n los dos
primeros casos. se trata de corregir todos los errores de programación que se encon-
traron. Después, el programa se vuelve a probar sobre un base más amplia. En la si-
guiente tabla de probabilidades condicionadas se resumen los rec;ultados más
probables en la segunda prueba:
Segunda prueba
Importante Menor Ninguno
Importante .) .s .2
Primera prueba Menor .1 .3 .6
Ninguno o .2 .H
a Con'>truya una tabla con las probabilidades conjuntas de todas las combinaciones
posibles de resultados de la primera y la segunda prueba
b. Encuentre la probabilidad de descubrir un error importante durante la segun-
da prueba.
Se<ción ) S E¡erc•clOS 109
c. Encuentre la probabilidad de los errores menores en la segunda prueba y de que

no se descubra ningún error menor en la 'le~unda prueba.
3 41 Construya un árbol de probabilidad para responder al e.1erc1cio 3.40.
3.42 En l:i comp:ii\ia de procesamiento de datos del e1ercic10 3AO. los programas que aún
tienen errores (importantes o menores) después de 13 segunda prueba. se: someten a
una tercera ronda de correcciones. Los programa<. que tu\·ieron un error imrmrtante
en la segunda prueba tienen una prohabihdad de 0.1 de presentar errores imrortan-
tcs en la tercera prueba (independientemente del resultado que hayan tenido en la
prueb3 inicial) y una probabilidad de O.:? de presentar fallos menores ,\qucllo-; que
mostraron sólo defectos mcoores en Ja segunda prueba. no tienen po~1b1ltdadc<. de
mostrar errores importantes en la tercera prueba, pero un:i prtlbahihdad de O 1
de presentar errores menores (de nue\O, 1ndepcnd1entemente del resultado de la pri·
mera prueba). Se supone que los programas que no presentan fallo<; en la <;egunda
prueba no se someten :i una tercera ronda de correcciones.
a. Construya un árbol de probabilidad para esta situación.
b. Encuentre la probabilidad de que un programa presente errore~ importantes en
los tres pruebas.
c. Encuentre la probabilidad de que un programa tenga errores importantes en la
tercera prueba. ¿Por qué es diferente esta respuesta a Ja del inciso (b)?
d. Encuentre la probabilidad de que un programa esté libre de errores (ya sea des·
pués de la segunda o de la tercera prueba)
3..t3 La unidad de compras de un goh1emo ec;tatal h:i visto que de las licitaciones públi-
cas de contratos para la limpie1a de suc; olicina<;, un 60~~ las han ganado postores
regu13res: un 30%, postores ocasionales, y 10%. nue\ os postorec;. Después de un
ai\o de trabajo, los servicios proporcionados por el ganador de una ltc1tac1ón se cla·
c;ilican como s:itisfactorios o no satisfactorios. l.a experiencia indica que el trahajo
de los postores regulares es satisfactorio el qo% de las veces: el de los postores oca-
sionales, el 80% de las veces. y el de los postores nuevos. el 60º'º de las veces.
a. ¿Cuál es lo probabilidad de que un trabajo sea hecho por un postor nue\o y sea
satisfactorio?
b. ¿Cuál es la probabilidad de que un trabaJO sea satisfactorio?
c. Dado que un trabajo es satisfactorio. ¿cuál es la probabilidad 1k que haya sido
hecho por un postor nuevo?
3.44 Un fabricante de galletas presenta muchos productos nuevos cada ailo, de: los cuales
cerca del 60o/o fracasan, 300/e tienen un éxito moderado y un 1Oo/o tienen gran éxito.
Para mejorar sus posibilidades. el fabric:inte somete a prueba sus nuc\01; productos
ante un grupo de clientes. que actúa como jurado calificador. De los fracasos, 50%
se califican como malos, 30% como regulares y 20% como buenos. P:ira los que tu·
vieron un éxito moderado, la calilkación es mala pora un :!0%. regular para un 40º;,
y buena par:i otro 40%. Para los que tuvieron gran éxito. los porcentajes son: malos
10%. regulares 30% y buenos 60%.
<>. Encuentre la probabilidad conjunta de que un producto sea nuevo y reciba una
m:ila calificación.
b. Construya una tabla de probabilidad con todas las probabilidades conjuntas de
los nuC\oS productos y las calificaciones del jurado.
c. Si un nue\O producto tiene una buen<> c:>lif1cación. ¿cu:il es la probabilidad de
que el producto fracase?
3 45 Construya un árbol de probabilidad util11.ando las probabilidades del ejercicio 3.44.
Utilice el árbol para encontrar la probabilidad de que un nUC\O producto tenga éxi·
to. dado que éste obtu\'o una mala cahficac1ón
3.46 tJna compallía de transportes especiali7ada en carga pesada tiene dos tipos de clien·
tes: por contrato y ocasionale~ La politica de la compailia indica que las solicitudes
110 ) UN PRIHER VISTAZO A LA PR08A81LIOAD
de los clientes por contrato tienen prioridad; el 40% de l:is solicitudes son por con-
trato. Las primeras cuatro llamadas de cada dla se asignan de inmediato a los camio·
'1'S. Si al menos tres de ellas son de clientes por contrato, el despachador detie
rehus:ir cualquier llamada posterior de cliente!> ocasionales durante ese di3.
a. Construya un :irbol de probabilidad para las primeras cuatro llamadas. La primera
rJma deberá ser para clientes por contrato u ocasionales en Ja primera llamadJ
b. ¡.Cu~I es la probabilidad de que el despach01dor rechace cualquier otra llamad01
de clientes ocasionales?
3.47 Suponga que, en el ejercicio J.46, el despachador debe recha1ar las llamadas poste-
riores de cualquier cliente ocasional. ¿Cuál es la probab1hdad de que las primeras
cuatro llamac:Lls fuerJn hechas por clientes por contrato'!
TEOREMA DE BAYES. PROBABILIDADES

3.6 A PRIORI Y A POSTERJORJ
•
l la} un extenso grupo <.le problemas de probab1li<.lad que se resuelve rápidamente
con una tabla o un árbol <.le probabilidad > que <,uceden con tanta frecuencia que se
les ha dado un nombre. lntroducimo:-. en estn sección e l teorema de Bayes, que in-
dica cómo se dehen revisar las probabilidades a la lu.1 de n ue' a información. Este
teon!ma no es un nue\O concepto. e~ simplemente una combinación comemente <.le
u.ka\ que >a conocemos
Supongn que en cicrtn población. una décima parte del 1% de los indi\ iduos
están infectado., por d \'Írus lllV que ocasiona el S IDA. Las pruebas para \erificar
la presencia del 'rrus o;on imperfectas: suponga que el 95o/o de quienes estan infec-
tados dan un resultado positivo; y que el 2% <.le aqu¿IJos que en realidad no están
infectados tamhicn Jan un resultado positivo. Si un inlJi\ iduo seleccionado al a:1ar
tiene un prueba positiva, ¿cuál es la probabilidad de que esa persona en realidad
tenga Sll>A'! Como se muestra en la figura 3.S, podemos desarrollar un cálculo de
la probabilidad con un árbl•I.
Positivo .95 00095
SIDA .001
Negabvo .05 00005
Positivo 02 01998
Sin SIDA 999
Negativo .98 97902
FIGURA 3.5 Árbol de probabilidad para el e¡emplo del SIDA

3.6 Teorema de Bayes. Pro~1l1dades a pt'•On y a post•non
Podemos ver que
P(SIDA y positivo)
P(SJDA 1 positivo) =
?(positivo)
.00095
= - ----- = .045
.00095 + .01998
Este ejemplo tiene todos los elementos del teorema de Bayes. Comenzamos
ProbabiJíd;1cks con las p robabilidades a priori e.le un evento o "estado natural". En este caso, las
a priori probabilidades a priori (es decir, antes de que obtengamos nueva información) se
aplican independientemente de que la persona seleccionada tenga SIDA o no. La
información (en nuestro caso. lús resultados de Ja prueba) es una indicación imper-
fecta del estado 'erdadero. A las probabilidades de los distintos resultados que nos
po.,ibilidadcs o da la información. tales como un diagnóstico positivo o negativo, se les llama po-
vc ro:,imilitudcs s ih ilidadcs o veros im ilitudes. Estas probabilidades se combinan para producir
11ro babilitladcs p robabilitlatlcs :i polltcriori (es decir, después de obtenida la información) de los
a polltcriori distinto\ estad os naturales.
Teorema de Bayes
Sí A1, ... , Ak son estados naturales mutuamente excluyentes y si 8 1, ... , B,,, son m
eventos observables posiblemente excluyentes entre sí, entonces
P(B¡I A,)P(A,J
P(B;\A 1 )P(A 1 ) + P(B,jA 2 }P(A 2 J .t ... + P(B,IA JPCA
1 1)
P(B, I A,)P(A.}
L P(B, I A,)P(A,}
1
El teorema de Ba)eS sintetiza cálculos de tres tipos. En el ejemplo del SIDA,

los estados naturales son A 1 ="tiene SIDA" y A. 2 ="no tiene SIDA"; los eventos
ol'lser\ ablcs son 0 1 ="positivo" y B~ = "negativo•·. El numerndor del teorema de
Bayes es P(A, y 8 ) y se encuentra multiplicando las probabilidades a lo largo de una
1
trayectori:i p::irtícular en el árbol; por ejemplo. P(SIDA y positivo) "" P(A 1 y 8 1) =
0.001(0.95) 0.00095. El denominador se encuentra !turnando las probabilidades de
todas las trayectorias correspondientes a B ; por ejemplo, P( posith o) P(B 1) =
1
0 .00095 +O.O 1998. Cuando es aplicable, el teorema de Bayes es un procedimiento
abreviado para el cálculo de un árbol.
En ocasiones los resultados son sorprendentes. En d ejemplo del SIDA la pro-
babilidad a posteriorí de tener SIDA suponiendo que la prueba resultó positiva es de
sólo 0.045. Por consiguiente, de todas las personas que obtu\ieron un resultado po-
sitivo (y se afligieron con esui terrible noticia) sólo el 4.5° o tenían en realidad la en-
fermedad. El resultado positivo sí incrementa Ja posibilidad de tener el SIDA, pero
la probabilidad a priori era tan baja que aun la probabilidad incrementada es muy
peque'°'º· l:.n ocasiones se proponen programns masivos de detección de enfonnedadcs
112 3 UN PRIMER VISTAZO A LA PR08A81LIDAD
como el SIDA; además de su alto costo, el fenómeno del "falso positivo" que hemos
ilu.~t.rado con nuestro ejemplo es un fuene argumento en contra de dichos proyectos.
'
EJEMPLO 3.32 Un club de libros clasifica a sus miembros como compradores grandes, medianos o
peque"os y prepara por separado la correspondencia para cada uno de estos grupos.
Aproximadamente el 200/o de sus clientes son grandes compradores, el 30%, media-
nos y el 50%, peque"os. No se clssilica a un miembro dentro de ningún grupo has-
ta que transcurren 18 meses de su ingreso al club, aunque se realiza una prueba para
ver si es factible clasificar a los miembros con las compras de los primeros 3 meses.
Los siguientes porcentajes se obtuvieron de los registros correspondientes a miem-
bros ya clasificados como comprJdores grandes, medianos o ¡xque"os.
Compras
durante los G"'po
primeros
3 meses Grande Mediano Peque"º
o 5~ .. 15º u 60~0
1 IOuu 30º·o 20~~
2 30% 40º o 15~~
3+ 55~n l 5u0 5uIn•
a. ldentilique los estados naturales y los eventos observables.

b. ¿Cuál es la probabilidad a priori de que un comprador sea pe4ueño?
c. Responda sin hacer cálculos: si un miembro no compra libros, ¿cómo debería
cambiar a la probabilidad de que el miembro sea un comprador P'!queño'?
d. Utilice el teorema de Baycs para calcular esta probabilidad.
e. Utilice un :irbol de probabilidad para calcular esta probabilidad.
Solución a. Por lo que al club de libros concierne, hay tres posibles estodos naturales:
A 1 =grande, A 2 .- mediano y A,= peque"º· Los e\entos observables son las com-
pras en los tres primeros meses: B 1 - O, 8 2 = 1, 8 1 2 y 8 4 - 3+.
:i.
b. Anll..~ de reunir cualquier información :icerca de la..'> compras en los ll\!S pnme-
ros meses, la probabilidad de ser un comprador pequeño 'I! e~pcc.:1fica como 0.50.
c. No comprar ningún libro md1ca que lo más probable es que el miembro
sea un comprador peque"º· Relativamente pocos compradores medianos o ~randcs
no compran libros durante los primeros tres meses. La probabilidad a postcnori de
"peque"o", dado que no hiL.o ninguna compra, debc!ria .,er !>uperior a 0.50.
d. Se puede utilizar el teorem:i de Bayes para 1.:alcl1lar la probabilidad a pos-
teriori de "peque"º· dado O" (es decir, que adquirió O libros).
P(O 1 pequeil.o)P(pequei\o)
P( peque"º 1 O) = P(O 1 peque"o)P(pequei'lo) + P(O 1 mediano)P(mediano) + P(O 1 grande)P(grande)
(.60)(.50) = .845
(.60)(.50) + (.15)(.30) + (.05)(.20)
36 Teorema de Bayes Probab1hdades a pnon y a pouenon 113
Grupo Compras durante los primeros tres meses

o 05
.010
Grande .20
----------·
o 15
045
Mediano .30
---------· -
o .60
.300
Peauel\o .so
-----------
FIGURA 3.6 Árbol de probabilidad para el ejemplo 3.32
e. En la figura .3.6 se muestra una p:ute de un árbol de probabilidad. Sólo se

necesitan las rama<; correspondientes a O compras.
P(pequeño y O)
P(pequeño 1 O) =
P(O)
.300
=
.300 + .045 + .010
= .845 •
EJEMPLO 3.33 Los anuncios para la televisión varían en su efectividad. Una agencia de publicidad
produjo un anuncio para TV de un producto )a conocido (neumáticos radiales para
automóvil). El gerente de marca estima subjetivnmente que el anuncio tiene un
20% de posibilidades de ser efectivo (la participación en el mercado aumentar:í
después de su exhibición), un 70% de posibilidades de ser adecuado (la participa·
ción en el mercado no cambiará) y un 10% de posibilidades de ser desastroso (la
panicipación en el mercado se reducirá). El anuncio se puede poner a prueba con
un grupo de consumidores. Experiencias anteriores con tales grupos indican que
son moderadamente fiables para predecir la efectividad. El director de la marca
estima la verosimilitud de las reacciones positivas, neutrales y negativas dd grupo
(dado el resultado eventual) como sigue:
Res u hado Reacción del grupo

del anuncio Positiva Neutral Negativa
100·4
lo -
Efectivo
Adecuado
Desastroso
.60
.40
.10
.30
.30
JO
.10
.30
.60
::rv
_,ca
!;
11 4 3 UN PRIMER VISTAZO A LA PROBABILIDAD
¿Cómo debería cambiar la probabilidad de que el anuncio será efectivo con una
reacción neutral del grupo'? Verifique su respuesta con el teorema de Bayes.
Solución '
El e-.ento observable "reacción neutral" ce; estadísticamente independiente de los
estados naturales "resultado del anuncio''. La probabilidad (condicionada) de una
reacción neutral es la misma para todos los resultados Por consiguiente, la proba-
bilidad de un anuncio publicitario dectiYO no debería cambiar con una reacción
neutral. Utili1ando el teorema de Bayes,
P( neutral 1efectivo )I'(efectivo)

P(efectivo 1neutral} =
P( neutral 1efectivo)P(efectivo)
+ P( neutral j adecuado )P(adccuado)
+ Ji neutral 1desastroso )P( desastroso)
= (.20)(.30) (.20)(.30) = .20
+ (.70)(.30) + (.10)(.30)
La probabilidad a posteriori es la misma que la probabilidad a priori. como dehc

~er cuando el evento observable es estadísticamente independiente del verdadero
estado natural. •
SECCIO N 3.6 EJERCICIOS
3.48 El lo/e de los préstamos que hace cierta empresa financiera no ~n sal~dos (es de-
cir, la cantidad presuda no le es dc\'uelta en su totalidad). La compa"ia efectua un
estudio rutinario de las posibilidades cn:diticias de los solicitantes. Encuentra que el
JO~o de los préstamos no saldados se hicieron ;a clientes <le alto riesgo. el 40% a
clientes de riesgo moderado >el restante 30% a clientes de bajo riesgo. De los pres-
tamos que fueron saldados. el 10% se hicieron a clientes de alto riesgo, el 40'/o a
clientes de riesgo moderado y el 50°0 a clientes de bajo nesgo.
a. Utilice un árbol de probabilidad para calcular la probabilidad de que un présta-
mo de alto riesgo no sea saldado.
b. Utilice el teorema de Ba) es para calcular la misma probahilid.i<.I.
3 49 Remitase al ejercicio 3.48. Muestre que la probab1hdad a po'>tcrion <le deuda no '\'11-
dada. dado que el riesgo es moderado, es 1gu.il a la probabilidad a priori de deuda
no saldada. Explique por qué este resultado es r.i.ronahle
J .50 Una emprcc;a manufacturera tiene tres opcrarioc; para una máquina que produce cier-
tos componentes. El operario A tiene una tac;a de dcfectoc; del 5%; el operario B. del
1° o, ) el operario C. del 2%. Los tres operarios producen el mismo numero de com-
ponentes. Suponga que un componente seleccionado al :var resulta dcfcctuoc;o Cal-
cule la probahihdad a poo;tcriori de que el componente haya sido producido por A.
Compare el resultado con la probabilidad a priori que es 1' 3.
3 .51 Una empresa que vende póli1as de seguro para casas estudia el problema de los in-
cendios ocasionados por estufas de lci'a. Entre las casas que cuentan con tales estu-
fas, el 30% cuenta con una estufa del tipo 1; el 25%, del tipo 2: el 15%, del tipo J,
y el 30'/e restante tienen estufas de otro tipo. i:n tres a/los de operación. el S% de las
Sección 3.6 E¡ercicioi 115
estufas del tipo 1, el 3°/o de las del tipo 2. el 2% de las del lipo 3 y el 4% de las de
otro tipo han ocasionado incendios. Si en una casa en panicular se presenta un in-
cendio, ¡,cuál es la probabilidad de que haya una estufa de tipo 1 en esa casa?
3.52 Un crítico de libros de tc>.to tiene un curioso "historial".
Calif¡caciún del critico

Libro Bueno Regular Malo
De gran éxito 5º1. 2on ... 75? ...
De éxito regular 15·:~ 40º ... 45°.,
De poco éxito SO" .. 30º n 20~ ..
lJn editor estima los siguientes porcentajes para los libros de gr.in éxito, éxito regu-
lar y poco éxito: Alrededor del 10% de los libros tiene gran éxito. el 500/o tienen un
bito regular y el 40% restante tiene poco éxito.
Si este crítico califica un lit'iro como bueno. calcule la probabilidad a postcrio·
ri de que el libro tenga poco éxito. Compare el resultado con la probahilidad a priori
de 0.40.
3.53 Las probabilidades condicionadas pueden ser útile~ par;i diagnosticar enfermedades.
Suponga que el 25%, el 15% y el 12% de la pohlaeión padece tres enfermedades
diferentes, estrechamente relacionadas entre sí (A 1• A:) A,). AcJem:is, supon¡a que
con cada una de cst¡¡s cnfennedades se pueden asoc1:ir cualquiera de tres estados
sintomáticos mutuamente excluyentes: B 1• B~ y o, 1 .i C'-JlCricncia mue~tra que la
probabilidad /'(li A) de mo~trar un tipo de sintomJ\ cu.indo ~e padece la cnfenne·
dad es la siguiente:
J::nfermeúoú A1
Estado
sintomático B1 A1 /\2 /\l
B, .011 .17 .10
B~ IK .12 .14
B, 06 .07 011
e. (sin síntomas) 61! 64 .68
Encuentre la probabilidad de la enfermedad A2 dado 4u1: se presentan los ~intoma'I

8 1• li2 • U1 y Ji~, respectivamente.
3.54 Un corredor de bienes r:iíces e'itima subjetivamente las probabilidades p:i.ra el mcr·
cado de casas en el próximo :illo como: ílojo, 0.4; normal. 0.5 y bueno, 0.1. Las ven-
ias al inicio de la prima,·era son un cierto indicador del mercado durante el resto del
allo. En los al\os malos, la-; rc'irceti'as prob.ib1hdadé<; de tener \entac;, regulare-;> huc·
ros al comienzo de la prima, ero ~ln O 5. O l) 0.2. En los allos nonnales, la<; prob:ab1h·
dades 'iOn 0.2, 0.6} 0.2. en los allos buenos. las probahilidades son 0.1. OJ > O(,
a. ¿Qu~ probabilid.idcs '>e deberían considerar como probabilidades a priori y cu(l
les como verosimilitudes?
b. Si las ventas al comien10 de la primavera son buenas. l:i probahilidnd de que el
año sea ílojo. ¿se debe incrementar o disminuir? No realice ningún eáh;ulo r•mt
responder a esLa pregunta; use el razon;imicnlO.
c. Utilice el teorcma de Baycs para calcular la probabilidad de un a1'o flojo. dado

que las vcnt:is al comienzo de la prima\ era son buenas. ¿Cambió la probabilidad
' tal como u~ted lo predijo en el inciso (b)?
3.55 a. Construya un árbol de probahilidad utilizando la información del ejercicio 3 .54.
Utillcelo para encontrar las probabilidades de anos flojos. normales y buenos, su·
poniendo que las ventas al principio de la primavera han sido buenas.
b. Si las \Cnt:is tempranas han sido buenas. ¿el resultado más probable es que el
mercado sea bueno durante el ª"º?
3.56 El contrato de los profesores en un distrito escolar sindicali7..ado e<;tá por ll~ar a su
vencimiento. El superintendente estima que hay alrededor de un :?0% de posib1lida·
des de que se inicie una huelga en septiembre. La experiencia en las negoci3cioncs
con la escuela indica que la demanda salarial inicial está relacionada con hudgas
eventuales. En las negociaciones que desembocan en una huelga. la demanda s;ila·
ria! inicial es por "la homologación" (al nivel de los m(jores salario~ en el arca me-
tropolitana) en un 70% de los casos; "alcanzar un mCJOr salarro" en el 20°1, de los
cuos. y "recuperar el poder adquisitivo" en el 10% de los casos rest:intcs. De las
negociaciones que no desembocan en una huelga, sólo el 401/o de las demandas ini·
e1ales son por "homologación salarial", 50% son "tener una mejora salarial" y 10%
son ·•recuperar el poder adquisitivo".
a. S1 la demanda inicial en este distrito es por "homologación salarial". ;.deheria el su·
pcrintendente incrementar o disminuir la probahilidad de una huelga? ¿Por qué'?
b. Utilice el teorema de Bayes para calcular la r>robabilidad de que haya huelga, su-
poniendo que la demanda inicial es por "homologación salarral".
c. Construya un árbol para encontrar esta probabilidad.
3.57 Suponga. en el ejercicio J.56, que la demanda contractual inicial es por "mantener
el poder adquisitivo". La probabilidad inicial de 0.20 de que ha) a una huelga, ¿se
dchc incrementar o disminuir? ¿Por qué?
Resumen
•
Los conceptos de probabilidad que se analizan en este capítulo ~on base y funda-
mento de los métodos de predicción e inferencia que desarrollaremos m:is addan·
te. La probabilidad es el lenguaje básico de lo incertidumbre y la aleatoriedad,
conceplOl> clave en el pensamiento esuidíst1co
1 os enunc1ado5 de la probabilidad se pueden interpretar de distintas manera\.
En la interpretación clásica se les considera como el cociente de los resultados fa-
vorables entre el total de resultados (cuondo se supone que todos los resultados son
igualmente posibles). Otra interpretación es como frecuencias relativas en el lími-
te y otra más como las expresiones subjetivas de una opinión personal. La interpre-
tación clásico y la idea de tomar muestras aleatorias de uno población proporcionan
un m:irco adecuado para entender las definiciones básicas y los principios de la
probabilidad. Las mismas definiciones y leyes se pueden establecer de un modo
general en términos de las nociones de la teoría de los conjuntos y de los concep-
tos de espacio muestra!, resultado. evento, unión, intersección y complemento.
Las definiciones básicas incluyen eventos netamente exclusivos (la ocurren-
cio de uno de ellos hace que los otros sean impo<oible!>), evi:ntos indep(ndit:ntes (la
ocurrencia de uno de ellos no cambia la probahilida<l de los otros) y la probabilidad
condicionada. Resaltan por su import~mcia la ley aditiva {para la ocurrencia de uno
Resumen 117
u otro evento, más fácil de calcular cuando los e\entos son mutuamente excluyen-
tes), la ley de Jos complementos (para encontrar la probabilidad de que un evento
no suceda} y Ja ley multiplicativa (para encontrar la probabilidad conjunta de que
varios eventos sucedan).
Hay algunos anificios muy útiles para entender el razonamiento en Jos pro-
blemas de probabilidad. Para clarificar una situación en que interviene la probabi-
lidod se pueden desarrollar diagramas de Venn, Labias y árboles de probabilidad.
Uno fónnula particular, el teorema de Ba) es, sintcti.t.a los cálculos que hay que rea-
lizar cuando se trata con probabilidades a priori, y la posibilidac.I (\erosimilitud) de
los datos parJ detennmar probabilidades a postenori relativas a los estados natura-
les dada una infonnación adicional; esta fórmula simplifica el trabajo que también
se puede hacer utilizando árboles de probabilidad.
TEMAS Y FÓRMULAS PRINCIPALES: Un primer vastazo a

la probabilidad
1. Interpretaciones de la probabilidad
N
a. Interpretación clásica: P(evento E)= :
b.' frecuencia relativa en el limite: ?(evento E)= ,,

nf.
c. Probabilidad subjetiva o personal

2. Conceptos básicos
a. Experimento: cualquier situación que tiene más de un resultado posible
b. Espacio muestra!, S: conjunto de todos los resultados posibles de
un experimento
c. Resultado: un elemento del espacio muestra~
d . Evento: una colección de resultados
3. Axiomas básicos de la probobilidad para cualquier evento A
a. OS P(A) S 1
b. P(S) = 1
c. Si dos eventos A y B no tienen resultados en común, !'(.A o B)- P(A)
+ P(B).
4. Relaciones entre los eventos y las leyes de la probabilidad
a. Complemento de un evento A: el conjunto de todos los resultados de
S que no están en A
b. Unión, A u 8: el conjunto de todos los resultados que pertenecen a A.
a Boa ambos
c . Intersección, Ali B: el conjunto de todos los resultados que pertene-
cen tanto a A como a B
d. Eventos mutuamente excluyentes: A y B son mutuamente excluyentes
si Ali B no tiene elementos.
e. Ley aditiva: P(A u B) = P(A) + P{B) - P(A l'"'I O)
f. Ley del complemento: P(A) = 1 P( A)

g. Ley multiplicativo: P(A n B) = P(A)P(B I A) - />(O)P(A 1 R)
~. Independencia estadística: A y B son independientes si P(A 1 B) = P(A).
o en fonna equivalente, si P(B 1A) = P(B) o P(A r'I B) = P(,A) P(R).
,,¡ ) P(B, A, )P(A, )
5. Teort!ma de Bayes: • \A, 1B, = I r{B A )P(A )
CAPÍTULO 3 EJERCICIOS
- ----
3.58 Con frecuencia l:is aerolíneas aceplan billetes (bolclos) compradM en otras lineas
aéreas con el mismo destino. Suponga que cada año se rcal11a un recuento > se li·
quidan dichos billetes, } que cada mes se realizan p;1gos aproximados sobre la base
de una muestra aleatoria de lo-; billetes acumulados durante el mes. La aemlmea A
toma una muestra mensual de 60 billetes, que pueden corresponder a las ;icrolinea~
B. C o D. Indique cómo scrfa un resull.ido típico de este experimento. ¿Se debe con-
siderar que todos los resultados son igualmente probables?
3.59 Suponga que en l:i indu~lria ue los cereales envasados, el 290/e de los vicepresiden-
tes poseen el lltulo de maestro en administración de emprec;ac;, el 24% de ellos han
reali1.ado estudios en una escuela comercial y el 8% tiene ambas coc;as. Se \a a se-
leccionar un v1ceprcs1dcn1e al a1ar.
a. Construya un d1agram:i. de Vcnn para esta situación
b . ¿Cuál es la prob:i.b1hdau de que el vicepresidente tenga o hien el título de maes-
tro en adm1n1stracmn de empres:is o haya realizado estudios en una escuela co-
mercial (o ambas cosas)?
c . ¿Cuál es la probabilidad de que el vicepresidente no teng3 ninguno de los títulos
anteriores?
3.60 En el ejercicio J .59, ¿cuál es la probabilidad de que el viccpresideote tenga un titu-
lo o el otro, pero no ambos?
3.61 Suponga que los registros de un fabricante de automóviles muestran que para cier-
to modelo de automóvil comp;icto, el 50% de los clientes lo piden con aire acondi-
cionado, el 49% con dirección hidráulica y el 26% con ambas coc;as Se selecciona
un pedido al a1ar.
a. Trace un d1agram3 de Venn para esta situación.
b. ¿Cuál es la prob3bilidau de que pidan :11rc acondic1onado. ~ no dirección hidr.íulica·?
c. ¿Cuál es la probabilidad de que el cliente no solicite nmguna de estas opciones?
J .62 Fn el ejercicio 3.61, suponga que el 68% de los clientes solidtan transmisii'>n auto·
mática, el 19% transmisión automático y dirección hidráulica sin aire acondiciona·
do, el 13% transmisión automática y aire acondicionado sin dirección hidráulica. y
el 21 % las tres opciones.
a. Construya un diagrama de Venn para esta situación.
b. ¿Cuál es la probabilidad de que se solicite al menos una de las opciones?
c. ¿Cuál es la probabilidad de que se solicite exactamente una de las opcionc:!-'?
3.63 Utilice los datos de los ejercicios 3.61 y 3.62 11ara encontrar P(transmisión automá·
tica n aire acondicionado). ¿Son independientes estos eventos?
J .64 Los defeosorcs de la teoría del recorrido aleatorio de los precios de las acciones sos-
tienen que las predicciones sobre si una acción particular se comportara bien o mal
en el mercado en el cono plazo (digamos, en un periodo de un mes) no son mejores
E¡erc1c1os 119
que las predicciones que se obtendrían al lanzar una moneda al :iire. Suponga que
un analista de valores selecciona 8 acc;oncs que se piensa superarán al mcrcad<1 en
el mes siguiente.
a. Suponiendo que la teoría del recorrido aleatorio es válida, ¿cuál es la probabili·
dad de que las ocho acciones sobrepasen al mercado?
b. Exprese las hipótesis que hizo al contestar el inciso (a).
3.65 En relación con el ejercicio J.64, suponga que la teoría del recorrido aleatorio del
precio de las acciones es válida y que 100 analistas distintos seleccionan ocho ac-
ciones por separado.
a. ¿Cuál es la probabilidad de que ninguno de ellos escoja ocho ganadoras?
b. ¿Cuál es la probabilidad de que al menos un analista seleccione ocho ganadoras?
3.66 Un \cndedor de libros de bolsillo estima las siguientes probabilidades para las ven·
tas semanales de una aventura romántica de carácter histórico:
Ventas : 10 20 30 40
Probabilidad: .40 .JO .20 .JO
Suponga que las vent.as de una semana a otra son independientes entre sí.
a. Construya una t.abla de probabilidad para las probabilidades conjuntas de los dis-
tintos niveles de venta en las semanas 1 y 2.
b. Encuentre la probabilidad de que el nivel de ventas medio por semana (en un
periodo de dos semanas) sea de 25.
3.67 ¿Cree usted que la hipótesis de independencia que se hizo en el ejercicio 3.66
es razonable?
3 .68 Un depanamento de compras encuentra que el 75% de sus pedidos especiales se re-
ciben a tiempo. De los pedidos que se reciben a tiempo, el 80% cumple totalmente
las especificaciones; de los pedidos que llegan con retraso, el 60% cumple con las
especificaciones.
a. Encuentre la probabilidad de que un pedido llegue a tiempo y cumpla con las
especificaciones.
b. Construya una tabla o un árbol de probabilidad para esta situación.
c. Encuentre la probabilidad de que un pedido cumpla con las especificaciones.
3.69 Para la situación descrita en el ejercicio 3.68, suponga que se han recibido cuatro
pedidos.
a. Encuentre la probabilidad de que los cuatro pedidos cumplan con las especi·
licaciones.
b. Se~ale qué hipótesis hizo usted al responder el inciso (a).
3 .70 Una compai'lfa de tarjetas de crédito encuentra que cada mes el SO% de quienes po-
seen la tarjeta cubren totalmente sus dcudJs.
a . Suponga que se seleccionan dos usuarios al azar. ¿,Cuál es la probabilidad de que
ambos paguen totalmente su deuda ese mes? (El número de personas que poseen
la tarjda es tan grande que usted no necesita preocuparse de que la selección se
haga Clln reemplazo o sin él }
b. Suponga que se selecciona al a/.ar un usuario de la tarjeta. ¿,Cuál es la probabilidad
de que dicha pero;ona pague totalmente su~ deudas en do<> meses consecutivos?
c. ¿,En qué hipótesis se apoyó al responder a los incisos (a) y (b)? ¿,En algunos de
los casos le parecen irra.wnables las hipótesis en las que se apoyó?
3.71 Un examen más detallado de los registros de la compai'lía de tarjetas de crédito del
ejercicio 3. 70 muestra que el 90% de los clientes que pagan totalmente una cuenta
mensual también lo hacen al mes siguiente, y que sólo el 10% de los clientes que no
pagan totalmente en un mes cubren totalmente su deuda al mes siguiente.
a. Encuentre la probabilidad de que un cliente seleccionado al azar pague totalmen-
te dos cuentas mensuales consecuthas.
b. Encuentre la probabilidad de que un cliente ~leccionado al J1ar no p.1¡;ue 101al-

mentc ninguna de las dos cuentas mensuales consecutivas.
c. ¡.ncucntre la probabilidad de que un cliente seleccionado al azar pague tot:ilmen-
te sólo wta de las dos cuent.as mensuales consecutivas.
3.72 En el ejercicio 3.71, si un cliente seleccionado al azar paga totalmente la segunda
cuenta mensual, ¿cuál es la probabilidad de que ese cliente también haya pagado to-
talmente la primera de las cuentas mensuales?
3.73 Los registros de una tienda de ropa para c:iballeros muestran que el 40% de los tra-
jes que venden requieren que se haga algún ajuste eo los sacos. 31 igual que en el
30% de los pantalones. En el 22% de las compras, tanto el saco como el pantalón
requieren de :iju~le.
a. Encuentre 13 probabilidad de que no se necesite hacer ningun ajuste .l un 1ra1e se-
leccionado al a.z:ir. Qui1_á usted quiera tr:v.ar un d13grama de \'enn
b. Encuentre 13 probab1hdad de que se requier:i hacer algun aJusle 3) saco o al pan-
talón, pero no a ambos.
3.74 En el ejercicio 3.73, ¿son independientes los C\'entos "ajustar el saco" y "ajustar
el pantalón"?
3.75 Suponga que en el ejercicio 3.73 un cliente compro dos trajes hechos por fahrican-
tes distintos.
a. ¿Cuál es la probabilidad de que los sacos de los dos trajes requieran ajuste?
b. ¿Qut supuso usted al responder el inciso (a)? ¿Es razonable su hipótesis?
J. 76 Un proveedor de computadoras seleccionó un grupo de 10,000 discos e intentó dar-
les formato para una máquina en particular. Encontró que h3bia 8847 discos en per-
fecto estado, 1128 discos que eran utili.t:ibles, pero tenían sectores dañ.tJo~ y 25
discos que no se podian utilizar.
a. ¿Cl.aál es la probabilidad de que un disco elegido al az.ar no esté en perfecto estado?
b. Si el disco no está en perfecto estado, ¿cuAI es la probabilidad de que no se pue-
da util it.:ir?
ESTUDIO DE CASO: Principios de la probabilidad
El presidente de una empresa que hace estudios del mercado tiene un problema con
los datos de una encuesta que realizó para un banco. La instjtución bancaria preten-
de cambiar los estados de cuenta de los clientes que tienen cuentas de crédito (es-
pecialmente tarjetas de crédito y préstamos de interés variable). El cambio afectaría
principalmente a los clientes que tienen varias cuentas en el banco, de modo que la
opinión de estas personas es la que más le interesa conocer.
la institución bancaria proporcionó a la empresa algunas muestras aleatorias
de tama~o casi igual tomadas de tres listas de clientes. la lista "rosa" (entregada en
tarjetas color de rosa) fue una muestra tomada entre 190,878 clientes que aparen-
temente no tenían cuentas crediticias; la lista "amarilla", una mue~tra tomada entre
48,328 clientes que supuestamente sólo tenían un cuenta crediticia; y la lista
"azul", una muestra tomada entre 21,539 clientes que en apariencia tenían dos o
más cuentas crediticias. Los investigadores de mercado entrevistaron telefónica-
mente a todos los clientes. A cada uno de ellos se le pidió su opinión respecto de
los cambios propuestos en los estados de cuenta y se les preguntó acerca del núme·
ro de cuentas que tenían en el banco. La tabla de respuestas mostró qui: los di: la
encuesta acerca del número de cuentas no concordaban con los del banco.
I
¡
Estudio d• a.so· Pronc1p1os de la probllb1hdad 121
Número n!portado •• t
de t:"Ul'/l/,H
o 2+ Total
'\__
Ro~a 66 56 2!1 150
Muestra Amarilla 24 90 36 150
Azul 46 16 89 1.51
lota) 136 16:-? 153 451
Al cotejar la información con la del banco descubrieron que las listas tenian varios
meses de antigüedad, de modo que en el lapso transcurrido algunos clientes cam-
biaron el número de cuentas que tenían en el banco. Los investigadores también hi-
cieron un cuadro sinóptico con las opiniones expresadas acerca del procedimiento
para elaborar los estados de cuenta.
Muesa-a rosa
Número reportado
de <.·uentas
o 2+
1-J\illrahle J1 32 ló
Opinión Neutral :?O IK !I
Des fa\ ora ble 15 6 4
Mu~a-a amarilla
Numero !l!portado
de cuentas
o 2+
Favorable 9 JI 19
Opinión Neutral 7 JO 9
Dcsfo,orable !I 19 !I
Muestra azul
--~
Número reportado
de ,·ucnta.,
o 2+
fa,orable 18 6 JJ
Opinión Neutral 21 5 w
Dei.fa\ ora ble 7 5 25
El presidente de la empresa le ha pedido a usted que le ayude a estimar para

cada grupo de clientes la proporción de per.;onas que tienen cada opinión. Por ejem-
plo, ¿qué proporción de aquéllos que tienen dos o m3s cuentas están n favor del
cambio? El presidente entiende que los datos están sujetos a la variación de la
muestra, pero lo que él quiere es obtener una estimación lógica de estas proporcio-
nes. Además, está interesado en saber. en cada caso, en qué medida dependen es-
tas estimaciones del número de clientes de los que se extrajo la lista. Todo el
mundo desconfiaba de la precisión de estos números. Prepare un informe · la justi-
ficación de su respuesta será una parte importante del informe que la empresa en-
tregará al banco, de modo que usted deberá explicar su razonamiento con la mayor
claridad posible.
Ejercicios de repaso para los capítulos 2 y 3

•
Los siguientes ejercicios tienen como propósito ayudarle a examinar qué ha apren-
dido realmente de los temas tratados en estos capítulos. Los problemas no i.1gucn
ningún orden particular, de modo que su ubicación no le dirá cómo puede rcsol\crlo~.
R1 Se prueban cuatro muestras de otros tantos proveedores de cerraduras para puertas
de automóvil a fin de precisar el número de 'eccs que se r>ucdc uttlíLar Ja cerradu·
ra antes de que falle. Los datos, en miles. son
Proveedor Operaciones antes de rallar
A 24.7 198 22.0 37.6 21.R :?5 4 :?O 6 48 7 23.9 22 6

B 26.8 25.7 39 7 25 8 280 524 2'll 4 31.1 26.0 2X .i
e 15.3 35.7 18 2 15.3 21 o 199 42.6 21 1 18 9 19.7
D 31.4 21.2 24 5 no 26.7 610 22.6 23.5 250 :!:!.6
a. Sintetice los datos de cada r>rovcedor por separado. Asegúrese de ;inalizar el pro-
medio, la variabílidad y las asimetrías.
h. ;,l>ebemos esperar que la regla empírica sea útíl par;i analizar estos d3tos? ¿Por
qué si o por qué no?
R2 E.ncucntrc la medía ) la varianza de los datos combinados del ejercicio k 1. En el
ejercicio R 1. ¿se puede detenninar la media directamente a panir de las medias por
proveedor? ¿Se puede determinar la vanan1u dircctarnente a partir de las v;inanta'>'?
RJ En un supennercado, los precios marcados en los carteles que se colocan en la es·
tantería no siempre corresponden al precio actual de Ja mercancía. pues pueden pro-
ducirse errores al anotar los c;imbios de precios. Suponga que con el tiempo el 60%
de los cambios de precios son aumentos y el 40% reducciones. Suponga también
que el 93% de los incrementos de precio están marcados correctamente. al igual que
el 980/o de las reducciones. Si un precio no está marcado correctamente, ¿cuál es la
probabilidad de que el cambio sea una reducción?
R-l l In estudio de pequeflas sociedades de ahorro y r>ristamo aportó la siguiente infor-
mación financiera :
Eíerc1c1os de repaso pNa los capítulos 2 y 3 123
Cuentas ·1ipo de banco

incobrahks l • Banco de Ahorros.
Depósitos Capital Reservas (porcentaje 12 Sociedad de ahorro y presumo A]
(S000,000) ($000,000) ($000,000) de carterJ) 11 Socie<l;id de ahorro y préstamo 8)
3.68 1.14 0.97 1.62 :?
11 .64 403 3.28 0.97 1
31.62 10.63 9.2:? :? 00 3
2.62 0.85 0.53 397 :?
1.97 0.61 () 79 0.75 1
15.21 S.21 'J.77 1.11 )
3.88 0.65 1.10 1.77 2
5.01 1.00 1.15 0.32
7.53 116 3.02 4.)l 3
3 67 0.89 0.92 1.12 :?
a. Calcule las medias y desviaciones estándar de todas l.ls -..ariables relevantes.

b. ¿llay 'alores atípico~ paról alguna de las variables?
R5 lJn generador eléctrico que consume carbón, en ocasiones no recibe la carga ade·
cuada, lo que pro, oca una combustión deficiente y una inaceptable emisión de ga·
ses. A la larga, este problema ocurre el 1% del tiempo de operación del generador.
Cada hora se toma una muestra del aire y se anali1.a. El ólnálisis no es un indicador
perfecto de la emisión de gases. Una prueba de calihración indica que cuando el ge-
nerador está emitiendo niveles aceptables de gases. el análisis señala emisiones ex-
cesivas el 4°~ de las veces; niveles en el límite, el 5% de ellas, y niveles admisibles,
el 91% restante. En cambio, cuando el generador está emitiendo cantidades excesi-
vas de gases, el análisis indica emisiones excesivas el 92% de las veces; en el fími·
te, el 5% de ellas. y aceptables, el 3% restante. Si fa prueba indica emisiones
excesivas, ¿cuál es la probabilidad de que el generador en realidad esté emitiendo
cantidades inaceptables de gases?
R6 En el ejercicio R5, muestre que "emisiones en el limite según fa prueba" y "emisio·
nes excesivas del generador" son eventos independientes.
R7 Una cadena de supermercados realiza un estudio de la efectividad de sus cupones
para inducir compras adicionales en su depanamento de carnes. Los datos de un e s·
tudio piloto preliminar fueron
----~
X2
x, Precio X1 X~ Xs
Centavos normal Tipo Ventas Ventas en fa
de descuento (centavos) de carne normales semana de cupones
29 379 1 37.000 42.000
19 109 2 67,200 79.900
50 399 1 21 .200 32,SOO
25 199 s 11,600 12.900
59 209 4 18.800 22.800
100 379 1 37,000 51.300
20 109 2 67.200 1!3. 100
40 229 3 l:?.000 13.200
79 199 21.200 36,000
50 2()9 4 18,800 20.100
29 109 2 67,200 83.900
30 379 1 37.000 40.900
50 229 3 12,000 14.100
a. Calcule la media y la desviación estándar de X 3•

b. ¿Cuál es la interpretación de los números calculados en el inciso (a)?
R8 ijn el ejercicio R7, calcule en cada caso la media. mediana y desviación estándar de
X4 , Xs e Y - Xs - X4• ¿Hay alguna relación simple entre las medi:is? ;,Se cumple el
mismo tipo de relación para las medianas? ¿Y para las des\ iaciones estándar?
R9 Calcule el valor de asimetría de Y definida en el ejercicio R8. ¿Confirma este núme-
ro su impresión "isual de la asimetria de Y?
R 1O La experiencia indica que alrededor del 1O'Yo de los nuevos espectáculos para la te-
levisión se sitúan durante el primer afto en el tercio superior de las preferenc1a.s del
público, cerc:i del 40% lo hace en c:I tercio de en medio y alrededor del 50% en el
tercio inferior. Entre los nuevos espectkulos que se ubican en el tercio superior,
sólo el 2% de ellos son suspendidos. al igual que el 40% de lo<> e<>pcctáculos que se
ubican en el tercio de en medio y el 85% de los que se ubican en el tercio inferior.
a. l~ncucntre la probabilidad de que un nuevo espectáculo sea <>uspendido. ¿Cuál es
la probabilidad de que no sea suspendido?
b Colculc la probabilidad de que un espectáculo suspendido sea de los uhic:idos en
el tercio inferior.
R 11 En el ejercicio R 1O, ¿se supone que situación y suspensión son independientes?
¿Qu~ significaría "independencia" en este contexto?
R 12 En una compa"'ía, los jefes clasi lican a los gerentes '>ubaltcrnos segun su rcndunien·
to y capacidad directiva. Las evaluaciones correspondientes al rcml11n1cnto son 18%
excelente, 71% satisfactorio y 11% insatisfactorio, mientras que las evaluaciones co-
m:c;pondientes a la capacidad directiva son 24% clara, 40% posible )' 36% improbable.
a. F.ncuentre la probabilidad de que a un gerente sub:1ltemo seleccionado al azar le
hayan otorgado la calificación de "excelente" en la escala del rendimiento y la de
"clara" en la escala de la capacidad directiva.
b. ¿Qué hipótesis hit.o usted al responder al inciso (a)? ¿Son ra7onables sus hipóte-
~is? Si no lo son, ¿es más factible que la probabilidad que usted calculó sea muy
alta o muy baja?
R 13 Una muestra de los registros de empleados de una compa"'ía 1nd1ca la siguiente dis·
tribución de las deducciones que se exigen en las formas W-4 para retención
de impuestos.
Deducciones: o 1 2 3 4 5 6
7 8 9 10 11 12
Frecuencia: 201 287 364 332 151 97 52
28 11 5 2 o 3
a. F.ncuentre la media del número de deducciones.
b. Encuentre la desviación estándar. ¿llabrá mucha diferencia si los d:itos se consi-
deran como una muestra en vez de una población?
c. ¿Da buen resultado Ja regla empírica con los datos que se encuentran a una des-
viación estándar de Ja media?
RI~ En el ejercicio RIJ se ha seleccionado al a1ar una form3 W-4.
a. ¿Cuál es la probabilidad de que en ella se pida al menoi; una deducción?
b. Si en la forma se pide al menos una deducción, ¿cuál es la probabilidad de que
en ella se exijan como máximo tres?
K15 Se han reunido datos acerca de las remuncrociones (s:ilario m:is bonos) de una
muestra de gerentes subaltemos, tanto hombres como mujeres, en una compailía.
Los datos (en miles de dólares por aoo) son
E1erc1cios de repaso para los capítulos 2 y ) 125
llombres: 39.6 28 9 35.4 36 K 33 7 l:!.8 35. 1 36.7 38 4 35.7 .U.I

31.6 34.7 33.8 36 2 34.9 35 7 40.2 J6.5 37.4 35.2 36.<1
Mujeres: 34.2 31.8 32.7 27.6 33.0 38 1 33.0 31.5 29.8 31.1( 44 7
22.5 30.0 34.3 31.0 .n.s
a. A. simple vista, (.dcberian ser similares las remuneraciones media y mediana de

los hombres'? Calcülclas.
b. Muestre que el grupo más pequel'lo tiene un rango más grande que el otro. Expli-
que qué es lo que ocasiona este fenómeno.
R 16 En el ejercicio R 15 construya diagramas de caja para ambos conjuntos de datos. In·
cluya alguna manera de verificar valores atlpicos.
R 17 Para la muestra combinada de los gerentes del ejercicio RI S, calcule la remunera-
ción media y mediana. ¿Cómo se relacionan estos valores con las medias y media-
nas de los dos grupos por separado'?
R 18 Los datos de un fabricante de automóviles indican que, de todos Jos coches repara-
dos bajo garantía, el 57% necesita reparaciones en el motor, el 4 7% reparaciones en el
interior y el 30% en Ja carrocería. También, el 23% necesita reparaciones tanto
en el motor como en el interior; el 7%, tanto en el motor como en la carrocería. y el
13%, tanto en el interior como en la carrocería, mientras que el 5% requiere de los tres
tipos de reparaciones. llay algunos automóviles que necesitan otro tipo de repar.icioncs.
a. Encuentre la probabilidad de que un automóvil reparado bajo garantía requiera
de reparaciones en el motor, pero no en el interior o en la carrocería.
b. Encuentre la probabilidad de que un automóvil requiera exactamente uno de Jos
tres tipos de reparaciones.
c. ¿Son independientes los c,·cntos "reparaciones en el motor" y "reparaciones en
el interior"?
R 19 Un fabricante de cereales reúne muestras del tiempo que los trabajadores tardan en
limpiar la linea de producción al cambiar de un cereal a otro. Los datos, expresados
en horas de trabajo, son
1larina
anterior Tiempo
Mai1 IOO 11.0 11.5 9.5 10.0 12 5 8.5 9.0 100 105
11.5 13.0 9.5 16.5 14.5 11.0 10.5 10.0 11.0 15.0
Avena 13.5 11.0 10.0 11.5 12.0 10.5 11.0 16.5 13.0 190
12.5 17.0 11.0 13.5 12.0 11 o 13.5 15.0
Trigo 28 o 31.0 33.0 350 30.0 2K.5 27.5 26.5 32.0 240
30.5 32.0 31.5 40 5 31.0 no 30.5 33.0 28.S 47.5
31 o 33.5 35.0 33.5 30.0 36.5 39 5 29.0 30.5
a. Trace diagramas apropiados para los tres grupos de tiempos. ¿Cual es la distribu-
ción general de los datos?
b. Calcule las medias y las medianas para los tres grupos de tiempos. <.Confirma Ja
relación entre las medias y las medianas calcul<idas su juicio acerca de cada
distribución?
R:?O En el ejercicio Rl9, calcule la media y la mediana de las muestras combinadas. ¿F..s
ésta una cifra razonable para resumir el tiempo típico de limpieza?
CAP Í T U L O
VARIABLES ALEATORIAS
4 ' ,
Y DISTRIBUCION DE
PROBABILIDAD ES
Las leyes e ideas de la probabilidad que desarrollamos en el capítulo 3 se 3plican a

cualquier clase de experimento, produzca éste resul1.ados cualiLativos o cuantitativos.
Nosotros utilizaremos estas ideas de Ja probabilidad básicamente con datos numéri-
cos cuantitativos y consideraremos ideas como la de "promediar" que sólo se aplican
a resultado!> cuantitati\ O!>. Para establecer una conexión entre los conceptos de la
probabilidad)' las ideas de media} dcs\iación ec;tandar del capítulo 2, necesitamos
algunos conceptos ad1c1onales de la probab1hdad. Entre éstos destac:m los de varia-
ble ale3toria (c;ccción 4.1) y distribución de probabilidades (secciones 4.2 y 4.3).
Una vez conocidos estos conceptos podremos, en las subsiguientes secciones, rela-
cionar ideas de la probabilidad tales como la de independencia con otras como las de
media y desviación estándar. Por último, en un apéndice, dcriv3mos algunos resul-
tados matemáticos de importancia.
4.1 VARIABLE ALEATORIA: IDEAS BÁSICAS

-----·
Muchas cuestiones de la probabilidad, de suma importancia para los gerentes, com-
prenden resultados numéricos aleatorios. Por ejemplo, el número de pasajeros que
no hacen uso de una reservación en una línea aérea (pcn.onas que habiendo hecho la
reservación no toman el vuelo) es de importancia critica al fijor las políticas de la
empresa en esta materia. El número de pasajeros que no se presentan es aleatorio;
varia, tanto de un vuelo a otro, como de un día a otro en el mismo vuelo. Ciertamen-
te. el número de pasajeros 4ue no toman el vuelo es una variable numérica, y hablar
del número medio de pasnjeros que no se presentaron tiene un sentido muy claro. El
concepto de \anabh: aleatorm es la idea central para entender los resultados numé-
ncos aleatorios
'aria ble alealoria Infonnalmente, una variable aleatoria es un resultado cuantitativo (numérico)
de un experimento aleatorio. Por ejemplo, considere el experimento de seleccionar al
126
1.1 Variable ateatona 1de~ bhtcas 127
a1ar un gerente de nivel medio de una fábrica de automóviles. Defina la variable

aleatoria Y como el número de o.ños de escolaridad que tiene el gerente. En primer
lugar. Y es numérica; el resultado será un número como 12 o 16. no unn categoría
como "escuela privada''. En segundo lugar. Y está sujeta a variación aleatoria. Si el
experimento se repite con una nueva selección aleatoria, lo más probable es que el
resultado cambie. Estas dos co.racteristicas (resultado numérico, sujeto al azar) son
los ;c,pcctos clave para la definición de una variable aleatoria.
Para especificar una variable aleatoria es necesario conocer sus valores posi-
bles y MI!> probabilidades respcct1\as. Para el ejemplo de los años de escolaridad, los
"ªlores posibles podrían ser O. 1, 2, ...• hasta algún número máximo. quizá 20. Las
probabilidades se podrían obtener de los archivos Je la sección de personal de la
compañía. Por ejemplo, si 284 de Jos 500 gerentes han tenninado exactamente 4
años de universidad (después de 4 años de educación secundaria). la probabilidad de
que Y = 16 sería 284/500 "" 0.568. Las probabilidades para los otros valores se po-
dría?' encontrar de manera semejante.
Variable aleatoria: de finición informal

Una variable aleatoria es cualquier resultado de un experimento que está sujeto a va-
riabilidad aleatoria. Se le determina al especificar sus valores posibles y la probabi-
lidad asociada con cada uno de ellos. •
La probabilidad asociada a cada valor de una variable aleatoria se encuentra

sumando las probabilidades de todos los resultado!> a los que se asigna este valor Si
Y= número de cara:> en tres lanzamientos de una moneda halanceada, tenemos el si-
guiente espacio muestra!:
Resultado HHH HHT HTH THH HIT THT rTH TrT

Probabilidad 1/ 8 1/8 1/8 1¡ 8 18 18 18 l, 8
Valor asignado por Y 3 2 2 2 1 1 1 o
Por ejemplo,
. 1 1 l 3
P(Y = 2) = P(H HT) + P(HTH ) + P(l H Hl = S+ g + S = 8
rara establecer un vínculo con los principios de la probabilidad del capítulo 3,

necesitamos una definición más precisa del concepto de variabh: aleatoria. La defi-
nición se puede entender si se con~idera lo que hicimos en el ejemplo del lanz.amien-
to de la moneda en el párrafo anterior: hicimos una lista de todos los resultados en
un espacio muestral. Después. la naturale1a de Ja variable aleatoria nos dio una re-
gla par~ asignar un resultado numérico a cuda resultado. En seguida, podemos uti-
lizar el espacio muestra! para especificar valores posibles y asignar probabilidades.
128 4 VAAIABLESALEATOIUAS Y DISTRIBUCIÓN DE PROBABILIDADES
Variable aleatoria: definición formal
Dado up espacio muestra! S, una variable aleatoria es una regla (función) que asig-
na un 'alor numérico a cada res ultado de S.
•
En la práctica no es necesario seguir la definición formal con mucho apego.
Cuando se fijan los valores y las probabilidades de una variahle aleotoría, implíci-
tamente se define un espacio muestra!: los valores mismos. Por ejemplo, un espacio
muestra! perfectamente 'álido pora el lonz.imiento de la moneda es S - {O. 1. 2, 3},
l.uponiendo las mismas probabilidades 118. 3/8, 3/8 y 118. No existe la necesidad
lógica de hacer algo más que especificar los valores posibles y sus probabilidades.
a menos que convenga primero hacer una lista de todos los resultados.
Se acostumbra representar las variables aleatorias con letras mayúsculas del
final del alfabeto. 01! este modo, podemos definir X - número de caras observadas
en tres lanL.amientos de una moneda e Y~ número de individuos inscritos en la aso-
ciación de teatro, en una muestra aleatoria de 200 personas. Los valores posihles de
una variable aleatoria se denotan usualmente con la letra minúscula com:spondien-
te; digamos que .t puede ser O, 1, 2 o 3 e y puede ser O. 1, 2, ... , 200. La sutil dis-
tinción entre Y, la variable aleatoria en sí, e y, uno de sus valores posibles, se hnce
clara con la práctica.
EJEMPLO 4. 1 Suponga que se va a seleccionar una muestra aleatoria de dos perl.onas de una po-
blación muy grande formada por un 30% de individuos inscritos en la asociación de
teatro y un 70% de no inscritos.
a. Hagn uno lista de los resultados que integran el espacio muestra!.
b. Asigne probabilidades.
c. Defino la variable aleatoria cuantitativa Y como el número <le individuos
inscritos en la asociación de teatro en la muestra. Especifique los valores
que la \arbble alentoria puede tomar y determine lo probabilidad <le cada
uno de ellos.
Soluetón a. Si S designa a un individuo inscrito y Na uno no inscrito, Jos resultados posibles

paro las dos personas de la muestra son
S = ((S, S); (S, N); (N, S) y (N. N)}
b. Del enunciodo del problema sabemos que P(S) = 0.3 y P(N) - 0.7. Bajo la
h1¡x)tes11. de que los resultadoc; paro las dos personas de la muestra son independien-
tes, tenemos lal. '>Íguientcs probabilidodes a1.ociadas a los cuatro resultados:
P(S, S) = (.))l = .09

P(S, N) = (.3)(.7) = .2 1
P(N.S) = (.7)(.3) = .2 1
P(N. NI= (.7) 2 = .49
1.00
4. 1 Vanable aleatona· ideas basteas 129
c. Si la variable aleatoria Y es el número de inscritos en una muestra de dos

personas tomada de la población de interés, entonces los valores posibles para r son
O, 1 y 2. Las probabilidades asociadas con estos valores pueden determinarse a par-
tir de l:is probabilidades de los resultados que constituyen cada evento numérico.
Resultado Probabilidad ,. P(y)
IN.NI 49 o 49
(N.S)
IS.NI
(S.SI
.21
.21
.09
:)
2
.42
.09
•
'ari<thko¡ ~ilrato 1lasta ahora sólo hemos considerado variables aleatorias di.,er ctas: sus posi-
ria" ti io¡rrrta'i ~ bles valores son distintos y separados, como Oo 1 o 2 o 3. En ocasiones, es más útil
continua\i pensar que las variables aleatorias son continuas : sus valores posibles forman un
intervalo (un continuo numérico). Por ejemplo, el rendimiento anual por cada dólar
invertido en una acción ordinaria puede variar desde cero hasta un valor bastante
grande. En la práctica, virtualmente todas las variables aleatorias adoptnn un con-
junto discreto de valores; el rendimiento por cada dólar en una inversión de un mi-
llón de dólares en acciones ordinarias podría ser 1.06219423 o 1.06219424 o
l .062 l 9.i25 o .... Ahora bien, cuando hay muchos valores posibles para una varia-
ble aleatoria, suele ser muy útil. desde un punto de vista matemático, tratarla como
si fuese continua. De hecho, una de las especificaciones teóricas más imponantes de
la probabilidad, la distribución normal con fonna de campana, en rigor sólo se apli-
ca a variahles aleatorias continuas. En la sección 4.2 definimos pane del lenguaje y
de la notación para las variables aleatorias discretas. En la sección 4.3, extendemos
estas ideos a las variables aleatorias continuas.
DISTRIBUCIÓN DE PROBABILIDADES DE VARIABLES

-t.2 ALEATORIAS ~~~~~~~~~~~~~~~~~~~~~~~
DISCRETAS ·
tli">trihución d e 1 a tfotrihuei6n de probabilidades de una variable aleatoria discreta Y es una fun-

probabilidades ción P1l\•) que asigna una probabilidad a cada valor y de la variable aleatoria Y. La
distribuciím de probabilidades de Y se puede c '< prcsar como una fórmula. una
gráfica o una tabla.
A continuación enumeramos las propiedades de la distribución de probabilida-
des de una variable aleatoria discreta.
Propiedades de la distribución de probabilidades de una variable alea-

toria discreta Y
1. La probabilidad P y(y) asociada con cada valor de Y debe estar situada en
el intervalo
130 ~ VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE PROBABILIDADES
2. L!i suma de las probabilidades para todos los \atores de Y es igual a l.
} Pr(}') - 1
l~l>
'
3. Como los distintos valores de Y son eventos mutuamente excluyentes, sus
probabilidades son aditivas. Es decir.
PCY ==a o Y= b) = Pr(a) + Pr(b)
Para la \'aria ble aleatoria Y= número de caras en tres lanzamientos de una

moneda balanceada, podemos definir Py(y) con una tabla, como sigue:
y o 2 3
P,fy) 1/ 8 3/8 3/8 1/ 8
o rodemos usar la fórmula

Pr(Y) - .r'(/~ y)! G)
donde en general k! =k(k-1 )(k- 2) .. . ( 1) y, por convención, O! = 1 Sustituyendo
y= O, 1, 2 y 3 en la fórmula obtendremos las mismas probabilidades que aparecen
en la tabla anterior:
y o 2 3
3. 2. 1 1 1 3. 2. 1 1 3 3·2·1 1 3 3. 2. 1 1 1
Pr(J')
( 1)(3 . 2 . 1) 8 8 (J)U-li 8 = 8 (2. 1)(1) 8 = 8 (3 . 2 . 1)(1) 8 8
3/8
1/8
. y
o 2 3
FIGURA4.I Gráfica de Py (y) para el experimento de lanzar una moneda
'4 2 D1nnb~IÓll de probab1hdades de vanables alea.ton;u dtscreta.1 . ~<
~~ •. "
,
'#
~31 . • •
En la figura 4.1 se muestra una gráfica de esta distribución de probabi\idades lla: ,, .

h~tograma mada histograma. La variable aleatoria discreta Y es el número de caras en tres
lanzamientos de una moneda balanceada.
función de lla> una función, llamada funci ón de distribución. que es particularmente
1fütribución apropiada para calcular probabilidades) CU)O campo de aplicación son los méto<los
de ~imulación que analizaremos en Ja sección 6.6. En general, la función de distri-
bución acumulativa F r de una variable aleatoria discreta Y es una regla que especi-
fica, para cada valor de y. la probabilidad de que Y S y. Así
Fr(.Y) .::: P( Y ~ y) = PrlO) + Pr( l ) + ·· · + P,(y)
Esto se puede ilustrar con el ejemplo del lanzamiento de la moneda previamente

analizado:
y o 2 3
P,(y) 1/8 3/8 3/8 1/8
F,(y) 1/8 4/8 7/8 8/8
Como su nombre sugiere y estos datos ilustran. la función de di!.tribución en un va-

lor particular y es la suma de todas las probabilidades para Y S y. Por ejemplo,
F,(2) = P( Y ~ 2) = 8-l + 8-3 + 83 = 7

8
y
F,(3) = P(Y~ 3) = l
La función de distribución (abreviada fd) se ut1li7.a a menudo para construir
tablas de probabilidad que eviLan al usuario de la tabla sumar muchos valores para
encontrar una cierta probabilidad. Aclaremos estns ideas con un ejemplo. Suponga
que un hospital tiene datos sobre el número de casos agudos de obstrucción corona-
ria Y que llegan al hospital en un día dado. La siguiente tabla compendia la fd:
y o 2 3 4 6 7 8
F,(y) 001 .003 .006 .011 024 061 .139 .224 .336
y 9 10 11 12 13 14 15 16 17
F.(y) .5 10 .672 .782 .870 .925 964 .988 .997 1()(Xl
Suponga que al comenzar un dia el hospital tiene disponibles 14 camas para el cui-
dado de enfennos coronarios. La probabilidad de que el número de casos nuevos Y
sea menor o igual a 14 se puede leer directamente de la tnbla como 0.964. Encontrar
la probabilidad de que Y sea mayor o igual que 15 es también bastante sencillo:
P( r ~ 15) .,. 1 - P( Y s 14) = 1 - O. 964 = 0.036. Si la tabla se hubiese elaborado
en ténnmos de probabilidades individuales P(y), habría sido necesario sumar mu-
chas entradas para encontrar estas probabilidades.
El uso general de las tablas para Ja fd es mu} fácil si usted traza un histogra-
ma. En la figura 4.2 se muestra uno de ellos para el ejemplo del cuidado de enfennos
132 4 VARIABLES ALEATORIAS Y OISTRJBUCION DE PROBABILIDADES
p f (y)
15
10
o 1 2 a 4 s 6 1 e g 10 11 12 13 14 1s 16 11
FIGURA 4.2 Histograma para el e1emplo del cuidado de enfermos coronarios
coronarios; la probabilidad P y(v) de cada valor particular y está indicada por la al-
tura del rectángulo que se halla por encama del valor y.
Por ejemplo, suponga que queremos saber el valor de P(7 $Y$ 12). Buscamos
la suma de las ár~as de los rectángulos por encima de y= 7, 8, 9, 1O, 11 y 12, la re-
gión sombreada en la figura 4.2. F 1{ 12) es el área de todos los rectángulos por enci-
ma de y= O, 1, ... , 12. Para encontrar P(7 ~ Y~ 12) debemos sustraer el área de los
rectángulos por encima de y= O, 1, 2, 3. 4, 5 y 6, es decir, restar F t<6) de F r< 12):
P(7 S: Y S: 12) = Fr(12) - fr(6) ,;,, .870 - .139 = .731
En general, siempre que usted quiera utili?.ar tablas para calcular probabilidades. es
útil trazar un histograma.
EJEMPLO 4.2 Suponga que una compai'lía de cosméticos planea elaborar un nuevo perfume. El
gerente de producto ha estimado las siguientes probabilidades subjetivas para las
ventas del primer ai\o (denor.adas con X) en millones de botellas:
X 0 2 J 4 5 6 7 8
F,r(X) .05 .20 .40 60 .75 85 .90 .95 1.00
Encuentre las siguientes probabilidades, según lo establecido por el gerente de

producto : v
a. P(X ~ 5)
b. P(2 S: X S: 4)
c. P(X S: 1) •
Secciones '4 1 y 4.2 E1erc1c1os 133
Solucíón En la figura 4.3 se muestra un histograma para este ejemplo. Las áreas relevantes
para cada problema están indicadas con a, by c.
a. P(X ~ 5) =1- P(X ~ 4) = 1.00 - .75 = .25
El área. total es l.00 (es decir, el área de todos los rectángulos). Debemos restar la.s
áreas de los rectángulos desde el principio hasta x =4.
b. Para obtener P(2 S X$ 4 ), sustraiga las áreas correspondientes ax = O, 1 de
las áreas correspondientes ax = O. l, 2, 3 y 4;
P(2 ~X~ 4) = F.r(4) - F.r(I) = .75 - .20 = .55
c. Por definición, P(X S 1) = FJ..1) = 0.20; no es necesaria. ninguna
sustracción. •
SECCIONES 4.1 Y 4.2 EJERCICIOS
4.1 El departamento de personal de una compal'lia ha contratado a cinco hombres y tres

mujeres para que vistten universidades y recluten estudiantes jóvenes. Cuando una
universidad es muy grande, se envía un equipo de dos personas. Suponga que se se-
leccionan al azar dos de los ocho agentes. Sea Y= número de mujeres seleccionadas.
·\ a. Construya el espacio muestra!; llame a los agentes A, 8, ..., H.
b. Encuentre el valor de Y para cada resultado en el espacio muestra!.
4.2 En el ejercicio 4.1, encuentre P i{v) contando directamente. Construya un histograma.
4.3 Encuentre la fd de Y en el ejercicio 4.1. Construya una gráfica de Fy(}') contra y.
4.4 Una tienda de aparatos eléctricos tiene las siguientes probabilidades para Y= número
de aparatos grandes que se venden en un cierto día:
y: o 1 2 3 4 5 6 7 8 9 10
P,(y): .100 .150 .250 .140 .090 .080 .060 .050 040 .o25 .015
.20
.15 - -
b b b
.10 ,_
.05 -
e e a a a a
o 2 3 4 5 6 7 e
FIGURA 4.3 Histograma para el ejemplo 4.2
134 '4 VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE PROBA81LIDADES
a. Constru)a un histograma.
b. l:.ncuentre P(Y S 2).
c, Encuentre P( r ~ 7).
d. Encuentre P( 1 ~ r $ 5).
4.5 En el ejercicio 4.4. calcule la fd correspondiente a P y()•). Use esta fd para encontrar
P(YS 2), P(Y ~7) y P(I ~Y!> 5).
4 .6 La demanda semanal X de copias de un procesador de textos en una tiend:i de soft-
ware tiene la siguiente distribución de probabilidades·
x: o 2 3 4 5 6 1 11 9 10
PJ'(T): .06 .14 .16 .14 .12 .10 08 .07 06 04 .oJ
a. ¡,Cuál es la prohabilidad de que en una ~mana particular se pidan 3 o mas copias

del procesador?
b. ¿Cuál es la probahilidad de que la solicitud sea por lo mMos de 2 pero no de más
de 6 copias?
c. La política de la compallía es tener 8 copias del programa al inicio de cada sema-
na. ¿Cuál es la probabilidad de que, en una semana particular. la demand:i supe-
re a la oferta?
4.1 a. Encuentre la función de distribución (fd) F_r(x) para la distribución de probabili·
dadcs que se muestra en el ejercicio 4.6.
b. Utilice la fd para calcular de nue\O las prohahilidades que se piden en el ejerci-
cio 4.6.
DISTRIBUCIÓN DE PROBABILIDADES DE VARIABLES ALEATORIAS

4.3 CONTINUAS ( a. J)
•
En la sección 4.2 se hízo la distinción entre variables aleatoriilS discretas, que sólo
pueden tomar valores distintos y separados, y variables aleatorias continuas. que
pueden tomar (por razones prácticas) un rango completo de valores a lo largo de un
intervalo. En esta sección desarrollamos los conceptos y la notación básica aplica-
bles a las variables aleatorias continuas.
Para dar un ejemplo, suponga que se va a elegir al a.lar un ciudadano de Jos
Estados Unidos de acuerdo con su número de seguridad social de 9 dígitos. Defina
Y= número de seguridad social selcccion:ido. En un sentido estricto, Y es una varia-
hle aleatoria discreta que puede tomar uno entre mil millones de valores posibles,
desde 000--00 0000 hasta 999 99-'1999. Como no nos entusiasma especificar mil
millones de probabilidades distintas, por razone~ prácticas consideramos a Y como
una variable aleatoria continua que puede tomar todos los valores posibles entre O y
mil millones.
Parece ra1onable suponer que las probabilidades de Y son uniforna•., ningún
valor es más probable que otro. Suponga que construimos un histograma. Para co-
menzar, consideramos sólo el primer dígito del número de seguridad social seleccio-
nado. Con base en la hipótesis de la probabilidad uniforme. el histograma deberá
asignar probabilidades iguales a todos los rectángulos, como en Ja figura 4.4. Si
hubiésemos considerado los primeros dos dígitos, tcndriamos un histograma con
100 rectángulos, como se indica en Ja figura 4 .5.
4.3 O.stnbua6n de Pf"Ob~b~1dade.s de van.tila aleatonu con(lnuu ( J. J) 135
Py (y)
1
TO'
o 2 3 4 5 6 7 8 9
FIGURA"4."4 Probabilidades untfonnes: Pnmer dígito
1
10(f
o' 02 03 04 05 . . . 96 97 98 99
FIGURA 4.5 Probab11tdades uniformes. Primeros dos d1g1tos
A medida que refinamos este proceso: considerando los primeros tres d1gitos,
dcspu¿s los cuatro primeros,) así succsi\amcnte, obtcndn:mo~ rectángulo!> cada \C7
más delgados. Muy pronto (matemáticamente. en el limite) los rectángulos desapa·
recen y se fonna una mancha continua.
EJEMPLO 4.3 Suponga que el gerente de personal de un supennercado mide el tiempo real Y de tra·
bajo semanal de los empleados. Consuuya histogramas que indiquen la distribución
de probabilidades de Y cuando las medidas se redondean a
a. la hora más cercana;
b. los 1O minutos más cercanos;
c. el segundo más cercano.
Solución a. Suponga una semana laboral nominal de .io horas, con tiempos extra práctica·
mente nulos. El histograma correspondiente a la hora más cercana puede tener un as·
pecto como el de la figura 4.6a.
b. El histograma correspondiente a los 1O minutos más próximos puede tener
el aspecto de la figura 4.6b.
c. Por razones prácticas, el histograma correspondiente ni segundo más cerca-
no tendría el aspecto de la figura 4.6c. •
136 4 VARIABLES ALEATORIAS Y DISTRIBUCION DE PROBABILIDADES
Py (y)
y
36 37 38 39 40 41 42 43 44 45 46 47
Py (y) (a)
(b)
Py (y)
y
(e)
FIGURA 4.6 Histogramas para el tiempo de trabajo semanal
En la sección 4.2 hicimos la presentación de los histogramas cuando se defi-

nió la función de distribución F (fd). El concepto de función de distribución se
puede extender a variables aleatorias continuas. Para una variable aleatoria conti-
funci ón <k nua Y, la función de d istribución se define como antes:
ti ist ribución
Fr( y) = P( Y :e; y)
Para cualquier ejemplo de variable aleatoria continua, es casi inevitable que la fd se
defina con una fónnula. Por ejemplo, suponga que un programa de transmisión de
archivos para la computadora envía las lineas de un programa a través de un dispo-
sitivo que presenta interferencias. Una variable importante es X - proporción de lí-
ne:is transmitidas correctamente. Suponga que, como modelo, se asume que la fd es
Fx(:c) = 2tx 10 - 20x 21 , para O< x < 1
En este caso, la probabilidad de que la proporción de líneas correctamente transmi-
tidas sea menor que 0.9 es
X. / o '} FxC.9) = 21(.9) 2º - 20(.9) 21 = .3647
'4 3 Distribución de probabilidades de variables ale1noriu continuas ( iJ, J) 137
y la probabilidad de que la proporción sea mayor que 0.9 es

1 - Fx(.9) =1- .3647 = .6353
Además, la probabilidad de que la proporción de que X se encuentre entre 0.7 y
0.9 es
Fx(.9) - Fx(.7) = .3647 - .0056 = .3591
Si recuerda los cálculos que hicimos para las variables aleatorias discretas, es posi-
ble que usted c~pcre que en el cálculo de P(O. 7 s; X S 0.9) sustraigamo!> F\{0.6) o tal
vez F_~0.69) en vez de F_i,0.7). Pero la probabilidad de que la variable aleatoria
continua X sea exactamente igual a O. 7000 ... es insignificante y, como una idealiz.a-
ción matemática, podemos considerar que la probabilidad es cero. Así, en el caso
continuo, podemos ignorar la probabilidad de que la variable aleatoria esté "justo en
la frontera".
EJEMPLO 4.4 Suponga que el gerente del departamento de reservaciones de una linea aérea supo-
ne que el tiempo T (medido en minutos) entre dos llamadas telefónicas consecuti-
vas al centro de reservaciones es una variable aleatoria continua con fü
f'.,(t) - J - e-. 2 •, para t ~ O

donde
e = 2. 7183, la base de los logaritmos naturales
Encuentre
a. P(T?: 5)
b. P(2 ~ T~ 4)
c. P(T ~ 1)
Solución Las tres partes de este ejemplo parecen idénticas a las del ejemplo 4.2. No obstan-
te, en virtud de que Tes continua, el procedimiento de solución es distinto al del
ejemplo 4.2.
a. P(T ~ 5) = 1 - P(T < 5)

Ahora bien, como Tes una variable aleatoria continua, P(T - 5.000000 ... ) se presu·
pone igual a cero y P(T< 5) = P(T-5. 5).
P(T ~ 5)= 1- P(T$ 5)= 1- FT(5)

= 1 - (1 - e- 2<5>) = .0000454
(Los valores de ti pueden calcularse con la mayoría de las calculadoras u obtenerse
en tablas elaboradas para tal fin.)
b. P(2 :s; T ~ 4 ) = P(T s:. 4) - P(T < 2)
El evento T = 2.000 ... tiene probabilidad cero, de modo que

P(2 :s; T~ 4) = P(T ~ 4) - P(T ~ 2)
= FT(4) - Fr(2)
= (J _ e-21•1) _ (I _ e - 2121)
= .0180
138 4 VARIABLES ALEATORIAS Y DISTRtBUCION DE PROBABILIDADES
c. P(T S 1) = F r(l ). por definición,
~
= 1 - e- 2l•> = .865
•
La función de distribución F tiene el mismo significado para las\ ariables alea-
torias continuas y discretas. Para cualquier variable aleatoria Y, F>(.r) = P( Y$ y).
Para las variables aleatorias continuas hay otra función, la función de densidad, que
es ampliamente utilizada. Para una variable aleatoria Y. la función de densidad se
denota con f >ü ). Grosso modo es el análogo de la distribución de probabilidades
!\~')definida para las' ariables aleatorias discretas, en el sentido de que mide cómo
M! cncucnlra dispersa (distribuida) la probabilidad en el rango de valores posibles de
la variable aleatoria. No obstante, para una variable aleatoria continua Y, la proba-
bilidad de que r sea exactamente igual a un número particular es cero. La función de
densidad no proporciona probabilidades directamente. En vez de ello. esta función
define una curva lisa y la probabilidad se calcula como el área bajo la curva, utili-
1..ando el cálculo integral. Si se conocen tanto la fd, F>{l"), como la función de densi-
dad />(.r), podemos calcular de dos manerai. la probabilidad de que Y se encuentre
entre los números a y h.
l'{tl $ Y S h) = Fr(h) - Fr(ut
o
P(a S }' $ b) = f' fr(y)dy
En el ejemplo en que X= proporción de líneas correctamente transmitidas. es posi-

ble demostrar que
ÍA ('<) = 21(20):< 19(1 - .'<). o< X< 1
La proliabilidad de que X sea mayor que 0.9 puede calcul::irse integrando la función
de densidad sobre la región 0.9 S .r S 1, pues X no puede ser ma)or que 1
P(.9 <X)= J: 1
21(20)x "(1 - x)d.'<
= L 21(20)(x
19
- x 2º)dx
= (21x 20x )1.~

20
-
21
= 1 - .3647 = .6353
como ya habíamos encontrado.
EJEMPLO 4.5 Se puede demostrar que la función de densidad de la variable aleatoria T del ejem-
plo 4.4 es
f r(t) - 2e
2
'. t ~O
Calcule la probabilidad de que T se encuentre entre 2 y 4 utilizando esta función de
densidad.
Solucion Para resolver este problema. habremos de recurrir a un resultado del c::ílculo ele-
mental que establece que la integral ind<!finida de ce '"' es - e·'"'. De acuerdo con
lo anterior
'4 3 Oisrrit>uoón de pt'Obabdidadel de variables &lutonu cOl\tlnuu ( f/, J ) 139
, 2 3 4 5
FIGURA 4.7 Área (probabilidad) encontrada en el ejemplo 4.5
P(2 ~ T ~ 4) -= f: 2
2e- 'dt = -e- 2 '1~
= - .000335 - (- .018316) ... 0180
como en el ejemplo 4.4. En la figura 4.7 se muestra el área calculada. •
La función de densidad de probabilidadfrú') de una variable aleatoria conti-

nua Y se puede especificar directamente o derivarla de la fd, Fr(J•). En vista de
que la operación de integración es la opuesta de Ja operación de diferenciación, se
deduce que
d
fr(Y) = dy Fr(Y)
Por ejemplo, en un principio especificamos la fd de X= proporción de lineas trans-
mitidas correctamente como
O<x<l
Al derivar se obtiene la expresión que utilizamos para la función de den~1dad:
fx(x) ... ~(21x 2 º - 20x 21 ) = 21(20)x 19 - 21(20)x

20
dx
= 21(20)x 19 (1 - x)
como hemos indicado previamente.
El proceso de encontrar la función de densidad a partir de la fd se puede inver-
tir. Al igual que en el caso discreto, donde
fx(X) ""' ~ Px(x')

"SJC
en el caso continuo
140 4 VARIABLES ALEATORIAS Y OISTRIBUCION DE PROBABILIDADES
J\I efectuar la integración. hay que tener la precaución de excluir aquellas regiones
en donde la variable aleatoria no puede ocurrir y por consiguiente la función de
densidad.ies igual a cero. Si por definición una variable aleatoria X es no negativa.
la probabilidad de que sea menor que cero (es decir. J0 -f~x)dx), es cero.
EJEMPLO 4.6 Demuestre que la función de densidad que se dio en el ejemplo .i.s proporciona la
fd del ejemplo 4.4.
Solucion Observ:imos en primer lugar que T, al ser una medida del tiempo transcurrido, no
puede ser negativa. Por consiguiente, la función de densidad de T debe ser cero
para todos los valores t <O. En el ejemplo 4.5 est:lblecimos que la función de den·
sidad de Tes /.,{t) - 2e 2', para t > O. Por consiguiente,
-e -21·1,0
F7 (t) =
=
f '2e
0
l -
ll"d.
e-21
t - = -e - 21 - ( - 1)
como se determinó en el ejemplo 4.4. •

En términos generales, todo cálculo con una \ariable aleatoria discreta, que
comprende una suma. tiene un cálculo análogo con una variable aleatoria continua,
que comprende una integral. La dificultad técnica de realizar una sum:i o un:i inte·
gral panicular no debería oscurecer el hecho de que las operaciones de suma e in-
tegración son una el análogo de la otra.
4.8 Ciena sociedad de beneficencia est.á planeando una campai\a direcl:i por correo. Se
considera que la fracción r de quienes no re$ponden es una variable ale:itoria con-
tinua con la sisuiente fd:
o !>; y s; 1
a. Calcule Ft{v) para distintos valores de y entre O y 1. Represente graficamente la
función Ftü').
b. Utilice la grálic:i de F1~y) para calcular P( )'SO 8). /'(}'>O 6) > P(0.5 ~ r~ 0.9).
4.9 llna compai\ia de procesamiento de datos tiene una macrocomputadora, a la cual se
accede a través de un gran número de terminales remot:is. lln modelo razonable de
probabilidad para el tiempo Y (en minutos) tr:inscurrido entre: cnvios sucesivos de
los trabajos a la computadora supone que
F,(y) 1- ,-.s,, Os;y<oo
:i. Calcule los .,.:ilores numéricos de Ft(>') para y 1.0, 2.0, ...• hasta que F ~y) ex-
ceda de 0.98 aproximadamente. Trace una gráfica de F 1ü•) con respecto a v
b. Utilice la gr.ífica de F .,(r) para encontrar PO s O. 75). Pf. Y "2: 4 0) y P(2.0 ~ Y~ 3.S).
I
4 'I Valor esperado. var1111za y desv1ac16n en6ndar o tip1a. vv1ables aleatornu discretas 14 1
J. o 4.1 O a. Demuestre que la función de dcnsid:id de Y en el ejercicio 4.8 es

/,(y)= 20(y' - y 4 }, OSySI
b. Utilice esla densidad para calcular P(O.'.! s; Y$ O. 7). P( Y :S 0.6) y P( Y~ O. · ).

c. Utilice la fd F.,.(y) para encontrar las probabilidades que se indican en el
inciso (b).
4.11 Un analista de valores sintetiza con la siguiente función de densidad continua algu-
nas estimaciones de probabilidades subjetivas del beneficio por acción. después de
impuestos. de una acción especifica:
a. Calcule ¡.¡,y) para varios valores de y (tales como O. 0.25. 0.50, ... ) y trace una
gráfica de/1.(J•) con respecto ay.
b. Encuentre P( Y~ 1.50). Pf. Y 2' 2.00) y P( l $ Y$ 2.50).
c. Encuentre F 1(v) y represéntela gráficamente.
4. I'.! Una casa de corretaje tiene una macrocomputadora en la que proces:i todas sus tran-
sacciones. El tiempo de máquina sobrante se vende a otras compai\ios. Para deter-
minar qué cantidad de tiempo se puede \<ender, la compañia estudió la distrihución
de Y= tiempo de computadora (en minutos) necesario cada día para procesar sus
propias transacciones. Una buena aproximación de l:i densidad de Y es
/,(y)= .0009375[40 - .l(y - 100) 2 ] , para 80 <y< 120
= O. fuera de 80 < _.. < 120
Si la empresa guarda en reserva 11 S minutos cada di:i, ¿cuál es la probahilidad de

que el tiempo real requerido llegue a ser mayor?
4.1 3 Calcule la fd Ft<Y) para la densidad del ejercicio 4.12. Utilice la fd para calcular de
~ nue\o la probabilidad en ese ejercicio.
'(J El tiempo requerido en horas/hombre para armar un articulo complejo es aleatorio.
y su función de densidad es
/r(J') = 3y-". para 1 < y <'X
/:;)Encuentre la probabilidad de que un articulo requiera entre 2 y 4 horasthombre

para ser armado. ¿Qué importancia tiene el que las horas 2.00 y 4.00 se incluyan
c t n el intervalo o se cxcluvan?
o.yncucntrc la probabilidad de que un an1culo requiera entre 0.5 y 1.5 horas 1hom-
brc. (Piense antes de integrar.)
f 4.15 a. Encuentre la lo F 1.(y) correspondiente a la densidad del ejercicio 4.14.
b. Encuentre el q9 percentil de los tiempos; es decir, resuelva r»ü»
= 0.99.
VALOR ESPERADO. VARIANZA Y DESVIACIÓN ESTÁNDAR

4.4 O TÍPICA: VARIABLES ALEATORIAS DISCRETAS
.~-------
En las secciones 4.2 y 4.3 introdujimos el lenguaje de las variables aleatorias. dis-
tinguiendo las variables aleatorias continuas de las discretas. Ahora procedemos a
caracteri1.nr Ja distribución de probabilidades de una variable aleatoria en términos
'
de su media (o valor esperado) y su varíanz.<l. En esta sección sólo considcr-Jrcmos

variables aleatorias discretas, y en la seccion que sigue extenderemos dichos con-
ceptosia variables alea1onas continuas.
\alor l''ipcrado de El 'alor c~perado de 111u1 'aria ble· alcatori•• di,cn' ta Y con distribución de
una 'ariahle alea- probabilidades/' >(v) <.:'>el promedio ponderado con las probabilidades de sus valo-
toria di'icrcta res posibles. El ',1lnr e'>p1.•rado se denota con E(}') o µr-
Definición de E(Y)
Para una variable aleatorin discreta Y con distribución de probabilidades P 1{y), el
'alor esperado de Yes
E(Y) = ~ yP,(y)
teda.,
Para encontrar E( Y), tome cada valor posible de y, multiplique lo (péselo, pondérelo)
por la probabilidad ~uc le corresponde P1~y) y sume los resultados.
EJEMPLO 4 . 7 Una cmprc'>a con-.1derados 1mersiones posibles Como apro"mac1on inicinl. asigna
probabilidades (subjeti\ as) n cada uno de los siguientes eventos: ~rder un 20% por
cada dólar imcrlldo, p<rdcr un 100/o, ni ganar ni perder, gnnar un 1Oºó y ganar un
20%. Sea Y el rendimiento por cada dólar im en1do en el pnmer pro) ccto ~ /el ren-
dimiento por coda dólar invenido en el segundo. Las probahilicbdcs :is1gnada.., son
y: -.20 - .10 o +.10 +.20

P,(y): 1 .2 .4 .2 .1
z: - .20 -. 10 o +.10 +.20

P¿(:): .01 ~ . 10 .50 .35
Calcule los rendimientos esperndos por cadn dólnr invertido en cadn proyecto.
¿Cuál proyecto le parece a usted que rcprcsentn l::i inversión más atractiva?
Solución El proyecto Y. de acuerdo con cualquier estándar razonable. parece meno-. atracti-
vo. Resulta igualmente posible perder un 20% que ganarlo, o gan::ir un 10% que
perderlo. El proyecto Z ofrece mayores posibilidndes de gnn:ir un 1O o un 20% y
relat1vnmentc poca.e; de perder.
Cálculos:
y P,(y) yP,(y) z Pz(Z) zP1 {z)
- .20 .1 - .02 - .20 .01 - 002

- .10 .2 - .02 -.10 04 004
o .4 o o . 10 o
+.10 .2 +.02 +.10 so + 050
+ 20 .1 +.02 + .20 35 + 070
E(Y) o EIZI .11.a
El rendimiento esperado de Y es (como hemos anticipado) menor que el rendimien-

to esperado de Z. •
'4 4 Valor npendo,vam11\u y desviXl6n estAndar o típoa: vanabln aleator1u discretas 14)
El valor esperado (media) de una variable aleatoria }'se puede interpretar de

intcrprctacionc~ distintas manera'>. Fn primer Jugar. es simplemente un promedio pondcrudo t·on
d e E(}) probabilidades. unu cifra que resume y toma en Con:<i1dcración las probabilidades
rd:Hi\ a..., de Jo., dt~tintos valores de Y. En segundo lugar. se puede pensar como un
promedio c n el límite: de Y. Por ejemplo. imagine que la empresa del ejemplo 4.7
pudiese imcn1ren un número mu) grande de prO)eCtos con las n11smas prob:ibilida-
de:. de ganancia que el pro) ecto L. F1rendi míen to medio ror dóbr m\ en ido sería de
0.114, u 11.4%. ( bto es así porque en uno de cada 100 proyectos se perdería un
20%; en 4 di! c;:ida 1OO. un 10%; en 1Ode cada 100 no se perdería ni ~e ganaría: en
50 de cada 100 ~e ganaría un 10%, y en 35 de cada 100 se ganaría un 20%.) En ter-
cer lugar. el \alor espcrJdo define. en cieno sentido,• el justo ulor de una apues-
ta. Suponga que un juego de apuestas en un casino paga 3 dólarc'> con probabilidad
12138 y nada con probabilidad 26/38. Si Y - ganancia tk una jugada, E( n-
3( 12/38) t 0(26/38)- 36/38, es decir, alrededor de 0.947. En un juego imparcial, el
casino debería pedir al jugador qu.:: su apuesta fuese de 36138 dólares, es decir alre-
dedor de 94 .7 centu\ os por jugad:i. (Los seguidores de la modalidad norteamerica-
na del juego de la ruleta reconocerán la n:ituraleu del juego, el hecho de que la
apuesla real es de un dólar y que el efecto en el límite de 2/38 incrementa el benefi-
cio del casino.) Por último, el v:ilor esperado de r repre!ienla una generalización dd
i.:oncepto de media de una población, µ. Si Y es una variable akatoria discreta co-
rrespondiente a un valor tomado al a¿ar en una población de valores discretos, en-
tonces E( Y) =µ, la media poblacional.
EJEMPLO 4 8 Suponga que una población consiste en los siguientes valores y frecuencias aso-
ciadas:
Valor· 1000 :?000 3000 4000
Frecuencia· 80 60 40 :!O
(N ... 2001
La media poblacional es 20-00. Sea Y un valor de Ja población ~eleccionado al azar.

Encuentre P.-M y E(Y).
Solución Los valores posibles y sus probabilidades son

y: 1()()() :?(X)(} 3000 4000
P,(y). !10 200 .4 60 200 = 3 40 :!00 • 2 :!O :!00 • . 1
El valor esperado es
E(Y) = 1000(.4) + 2000(.3) + 3000(.2) + 4000())
- 400 + 600 + 600 + 400 = 2000
E( Y) es exactamente igual a la media poblacional. •
Hasta ahora hemos analtU1do las distintas interpretaciones asociadas con el va-
lor esperado de una variable aleatoria discreta. Otra\ cnraclcri,tica\ igualmente
1mportunlc\ de una \aria ble alealoria tfücrcla ~o n Ja urianu )' la dC!I\ i:1ri(111
• Esta inlcrpttt.x ion ignora c:l factor riesgo.

'arian1a d e una C\tandar, que miden la tJi'\pcr,ii>n de las prohahilidadc' o uriabilidatJ de una
'ariahlc :ale:uoria \itriahlc aleatoria. La varianza de una 'anahh.· ah:aloria), \'M( ~).e' el promedio
<focrct :i pondorado con probabilidades de las dl!sviaeiones cuadráticas con respecto a la me-
dia (valor esperado).
Definición de Var(Y) y ay
Si Y es una variable aleatoria discreta
a: = Var( Y) = L (y -µ,) 2P,(y).

toda)"
donde µ1 = f( Y)
La desviación estándar de Y, denotada conº»·· es (al igual que las otras desviaciones
estándar) la raíz cuadrada positiva de la varianza
~
rsy "Var( Y)
Para calcular Var( Y}, tome cada valor J' sustraiga el valor esperado µ r =E( Y), ele-
ve al cuadrado el resultado, multiplique por P¡(v) y ~ume .
EJEMPLO 4 .9 En el ejemplo 4.7, encuentre la varianza y la dcsviaci<~n c~tándar de Y y Z.
SoluCIÓn En dicho ejemplo tenemos que µr= E(Y) =O y µL- E(Z) = 0.11'1. Un par de tablas
nos muestran los c:llculos requeridos.
y P,(y) (y - Jlr) (y - µ,)' (y - µ,)lP,()')
-.20 .1 -.20 .04 roa

-.10 .2 -.IO .01 00::?
o .4 o o o
10 .2 . IO .01 002
20 .) .20 04 004
a:• 012
ªr _. JM = .110
: P¿(z) (z - µz) lz - µz) 2 r· µ,¡lpz(:}

-.20 .01 -.314 098596 00098596
-. 10 04 .21 4 045796 00183184
o .10 -.1 14 012996 00129960
.10 .50 -.014 000196 000091\00
20 .35 086 007396 002581160
ai • 006110400
Oz "' 082
"" Valol" etperado,vananza y desv1<1c1ón esdndar o típtc;a: vanable5 aleaconu discretas 145
La distribución de r tiene una mayor variabilidad. El grueso de la distribución de

Z se concentra en los valores O. 1O y 0.20, mientras que las probabilidadi:s de Y es-
tán de algún modo dispersas entre todos los valores posibles. Con frecuencia se
toma a la varianza del rendimiento como una medida del riesgo, siendo éste mayor
cuanto mayor es la varianza. En este ejemplo, la inversión Z tiene un rendimiento
más alto y un riesgo menor. •
El cálculo de la varianza puede ser engorroso, ya que comprende una multi-

tud de númi:ros con varios dígitos, como en el caso de Var(Zl en el ejemplo 4.9.
Hay una fórmula abreviada para el cálculo de la varianza que puede ser de utilidad.
Método abreviado para calcular Var(Y)

Si Yes una \ariahlc alcaloria di!>crcta .
Var(Y) =[
lodo y
y 2Pr(Y) - µ:. donde µy = E( Y)
Podemos elevar al cuadrado los valores originales, ponderar con l\O') y sumar. Al
final de dicha operación sustraemos el cuadrado de la media (valor esperado) para
obtener la varianza.
EJEMPLO 4.1 O Use la tOrmula abreviada para repetir el cálculo de las varian7.as del ejemplo 4 .9.
Solución Para Y el cálculo es el mismo, pues µy= E( Y) = O. No tiene ninguna importancia si

sustrae~os O o 0 2• Para Z. conµ/. - E(Z) = 0.114,
: Pz(z) :l z 2Pz(Z)
-.20 .01 ,(,}.1 0004

-.10 04 .01 (X)(}.i
o . 10 o o
.JO .50 .01 0050
.20 .35 .04 0140
.0198
De modo que Var(Z) = .O 198 - (.114)2 = .00680-t. como en el ejemplo 4.9. •
La desigualdad de Chebyshev y la regla empírica, introducidas en el cap:tulo

2 para muestras y poblaciones. también se aplican a las variables aleatorias .
• La desigualdad de C hebyshev y la regla empírica para variables

aleato rias
Si una variable aleatoria Y tiene una media y una varianza finitas,
P(Y esté a menos de cO'y de su mediaµ,.) ~I l/c 2
146 4 VARIABLES ALEATORIAS Y DISTRIBUCION OE PROBABILIDADES
S1 Y tiene más o menos un histograma con forma de campana.
~ P( Y esté a menos de a,. de su media µy) = .68, y

P( Y esté a menos de dos veces ay de su media µy) "' .9S
•
Para la variable aleatoria Y de los ejemplos 4.7 y 4.9, E( Y) = O y ay =- 0.1 1O.
Las verdaderas probabilidades son
P(Yestéamenosdeaydcsumedia) = P(-.110.$ Y~ . 110)
• PCY = -.10) + P(Y = 0) +PO' = .10)
= .80
y
P(Yesté a menos de dos \'eces C1y de su media)= P( .220 :!> Y 5 .220) = I .00
La desigualdad de Chebyshev indica que estas probabilidades deben ser al

meno~ 1 - 1/( 1)1 '"' O y l 1/(2)1 = 0.75. respectivamente. Como de costumbre. las
desigualdades son ciertas con un margen mu) grande. En este caso la aproximación
que nos da la regla empírica es muy mediocre. en parte porque Y toma un número
muy pcquei\o de valores. Si la empresa hubiese estimado probabilidades subjetivas
para los rendimiento<; de, digamos, O 25, O.::!O, -0.15, ... , +0.1 S, +0.20, +0.25, lo
más prohabk e<; que la regla empírica hub1c~e ~ido una mejor aproximación, aunque
la distribución no tenga una forma de campana
A~i como la media de una \ariablc aleatoria es una generaliLación de la idea de
la media poblac1onal. de igual modo la urianza d e una 'ariahlc ¡ilcatoria res
una generalitación d~ la urianza poblacional S1 Yes una variable aleatoria dis-
creta que corrc<;pondc a un 'alor .:,dcccionado al azar de una población, a~= a~.
VALOR ESPERADO, VARIANZA Y DESVIACIÓN ESTÁNDAR:

4.5 VARIABLES AL~TORIAS CONTINUAS ( f)
llerno5 definido el \alor esperado, la \arianza y la desviación estándar para varia-
bles aleatorias discretas. Las dcfinicioncc, matem:iticas de !>U"> contrapanes continuas
comprenden necesariamente los conceptos del cálculo. La definición <le valor espe~
rado para una variable aleatoria continua Y es la siguiente.
Valor esperado para una variable aleato ria continua
Tome cada valor y, multiplique (pondere) por Ja función de dcnsid:id /.,.(y), e inte-
gre (en vez de sumar). Las cuestiones técnicas no deberían oscurecer el hecho de
4S Valor csperado,vwianza y desviac16n esúndar: vr1ables aleatori• contmuat ( /) 147
que E( Y) es un promedio ponderado d e probabilidades, con las mismas interpreta·

ciones de promedio en el límite} justo valor de una apuesta.
EJEMPLO 4 . 11 Encuentre E(1). donde Tes el 1icmpo entre llamadas del ejemplo 4.4 y f .,(t) = le-21,
12 O. ¿Cuál es la interpretación de e~te valor?
Solución Implícitamente, f ¡{t) - O para / <O, pues / <O es imposible en este contexto. Es ne-
cesario saber que
«; 1
Jo re- <1 dt = l
e
De lo anterior se sigue que
Et T) J_"'~ tfrhl de
= 2 Iz. re 2'dt
(pues /.,<1) - O para t < O y /.,(t) le-~')
= 2(.:._)
2 2
=1
2
Como Tes el tiempo que transcurre entre dos llamadas consecutivas, E( T) - 112
significa que, en el límite, M! recibe una llamada telefónica cada medio minuto. •
La definición y la fónnul:i abreviada para Var( Y) sólo se dieron para vnriables

aleatorias discretas. Cuando se trata con variables aleatorias continuas utilizamos la
función de densidad en vez de la distribución de probabilidades discreta y la integra-
ción en vez de la suma.
• Definición de Var(Y) . para variables aleatorias continuas

S i Y es una variahlr ;ilcatoria conlinua
y una fórmula abreviada es

148 4 VARIABLES ALEATORIAS Y OISTRIBUCION OE PROBABILIOAOES
EJEMPLO 4.1 2 Encuentre Var(n donde Tes la variable definida en los ejemplos 4.4 y 4.11. Se
sabe que / 0 t 2 e •' dt =2 / c 1 •
Solución "
lltilice la fürmula abreviada y observe que se puede integrar de O a oo, puesf¡{I) =O
para f < O. En el ejemplo 4.11 encontramos que µr -- E(1) - 1/2.
Var(T) t. t 2fr(t)dt - µ}
= 2f.., t 2 r - 2'dt 4
11
1 1
-
4
::::
2 4 4
•
SECCIONES 4.4 Y 4.5 EJE RCICIOS
4 16 En una fabrica de pinturas se h3 pedido al laboratorio de investigación de nuc\ os

productos que el3bore una pinlura modificada para automóviles. El direclor del la-
horatorio estim3 las siguienles probabilidades p3ra el tiempo que requiere la inves-
tigación (en meses):
y: 2 3 4 5 6 1 K 9 10 11 12
Py()•) : 20 30 .15 .10 OH .06 04 .03 .02 .01 .01
a. Construya un histograma.
b. C:;ilcule el 'alor e~pcrado de Y.
c . Marque E(>) en el histograma. ¿Cómo afecla la form;i del histograma a E()")?
4.17 Remítase al ejercicio 4. 16.
;i. Calcule la des\ iación estánd3r de Y. Use la definición
b. lJc;e el mttodo abre .. iado para c3Jcul;ir CJ,-
4. 18 Remrtase al ejercicio 4.16. ¿Cuál es la probabilid;id real de que }' difiera de Jl 1 en
menos de una desviación estándar? ¿Por qué difiere esta probabilidad de la estima-
ción que no-; d3 la regla empírica?
4 . 19 l na ~icdad de inversiones está tratando de decidir cuál de dos edilicios de apar-
tamentos comprar. cada uno con un valor de $200,000 dólares. Un asesor estima 13s
sii;urentcs prohahilid:ides par3 el rendimiento neto en 5 ar'ios (en m1lec; de dólares):
Rendimiento: - 50 O 50 IOO 150 200 250

l'robahilidad del edilicio 1: .o:! .03 .20 50 .20 .03 .02
Probabrlid¡¡d del edilicio 2: . 15 . 10 10 . 10 .30 .20 05
Calcule el rendimiento neto esperado para el edilicio 1 y para el edilicio 2.

:l.
b. Calcule las varí;in1Ds respectivas y las desviaciones ec;t~ndar.
4.20 Remítase al ejercicio 4.19.
a. ¿F.s alguna de las inversiones mejor que la otm en términos tanto de rcnd11nien-
to neto esperado como de riesgo?
Secciones 4.4 y '4.5 E1erc1c1os 149
h. Si usted tuviese un excedente de 200.000 dólares para invertir, ¿que inversión

preferiría?
-1 .21 En el ejercicio -1.6 consideramos la distribución de probabilidades
o 2 3 4 5 7 8 9 IO
.06 . 14 .16 .14 .12 .10 .01 06 04 ()~
a. Encuentre la media de X.
b. Utilice 13 delinición para calcular Ja varianza de X.
c. Utilice el método abreviado y vuelva a calcular la varianza de X.
-1.22 En el ejercicio 4.21. cakule la probabilidad de que X se encuentre a menos de dos
desviaciones estándar de su media. ¿,Cómo se compara esta probabilidad con los va-
~res teóricos que nos dan la regla empfrica >- la desigualdad de Chcbyshev':'
f 0 - n el ejercicio 4.14 definimos
fr(J) = 3}' 4. para l <y< :e
a. Calcule 13 media. ¿,Cuál es la interpretación del numero calculado?

b. Calcule la varian1:a y la dcs,·iación estándar. El método abreviado quizá resulte
más simple.
f 4 .24 a. En el ejercicio 4.23, calcule los valores de Ja densidad p:ira y= 1.0, l .S, 2.0, 2.S
y 3.0. Represente gráficamente la densidad
b. ¿Debería trabajar bien la regla empírica para esta densidad? Encuentre la proba-
bilidad de que r se encuentre a menos de una des\ 1ación estándar de su media.
Recuerde que r no puede ser menor que 1.
f 4.::! S Las especilicaciones de una línea de montaje exigen que ciertas varillas de mc:tal uti-
li1.adas en ella tengan un diámetro de l O cm. Se insr>eccionan las varillas, y las que
tienen un diámetro menor que 9.90 cm o mayor que 10.1 O cm se descartan. Una
medición cuidadosa indica que la densidad de .l' - el diámetro de una varilla selec-
cionada al azar (después de ser inspeccionada) es
/,(y) IOOtr - 9.9) si 9.9 < >' < 10

= 100(10.I - )') si IO < )' < I0. 1
La densidad es O para los demás valores de .1'.

a. ¿A qué dehe ser igual el valor esperado de Y?
b. Encuentre la desviación estándar de Y.
4.::?6 lln fabricante de controladoras de disco somete cada unidad a una prueha muy rigu-
rosa. De las controladoras recién ensambladas, e l 84% pasa la prueba sin ninguna
modificación. Las que fallan en la prueba inicial son reclaboradas: de estas, el 75%
r>asa una segunda prueba. Aquellas controladoras que fallan en la segunda prueba se
rehacen por segunda ocasión y se vuel\en a probar; 9~o de ellas pasan la prueba y
el resto se desarman. Defina )'como el número de veces que debe reprocesarse una
controladora seleccionada al azar.
a . Esr>ecifique los posibles valores de y.
b. Calcule Ja distribución de probabilidad de Y. Quiiá un pequeño árbol de proba-
bilidad sea de utilidad.
4 .27 a. En el ejercicio 4.26, encuentre el valor esperado de Y ¿Cómo se interpreta este
numero?
b. Encuentre la varianza y la desviación estándar de l'.
150 -4 VARIABLES ALEATOl\JAS Y DISTIU8UCION DE Pll.OBABIUDAOES
4.'.!8 El fabricante del ejercicio 4.26 podría re<>rganiiar sus recursos de modo que el 9'.!º~
de las controladoras pasasen la primera prueba sin tener que ser reelahoradac; Sin
.tmbargo, de a4uellas rech;vadas en Ja primera prueh:i. st'>lo d <10° o la pasaría dcs-
rués de rehacerlas una vez. De aquellas controladoras que follac;en después de ser
rcelaboradas una ver.. sólo el 80% pasaría la prueha después de ser reproce~adas una
segunda vez (y el resto serian desmontadas).
a. ¡,Cómo alteran estos cambios la distribución de probabilidades del ejercicio 4.26?
b . .,Cómo cambia la probabilidad de que una máquina seoi desmontada'.'
c. i.lncrcmcnl4ln estos cambios el valor esperado de Y que se encontró en el c.1crcicio
4 '.!7. o lo reducen'! Vuelva a calcular el valor esperado para verificar su respuesta.
4.'.!9 Una compal\ía que vende articulos de oficina detenta el JOºó del mercado de ahastt:-
ci micnto de oficinas de gobierno suburbana.e;. Esu participación en el mercado ha sido
bastante estable y no hay ninguna ra7Ón para pensar que h.ibrj de cambiar La comp:i·
ilía tiene tres importantes licit.iciones en puena, preparadas de acuerdo con su proce-
dimiento estándar. Sea r el nümcro de alertas de la eompa"ía que sun aceptadas.
a Encuentre la distribución de probabilidad de Y.
b. ¿Qué h1pótes1s hizo usted al responder al inciso (a)? ¿Es alguna de ellas clara·
mente irrazonahle?
4.30 En el ejercicio 4.29, encuentre el valor esperado y la \arian/a de Y.
4.31 Si la compailia del ejercicio 4.'.!9 pierde en l:i primera liciL'.!.ción. se puede SU!'<mcr que
esto es sella) de que un competidor está reduciendo sus precios y que lo más pruh:ible
es que también pierda las otras ofertas. Análogamente. si la compa1'ía ganil en la pri-
mera licit;:ición, esto seria una sc"al de que los competidores ec;t:in tr:>tando de mejo-
rar sus márgenes de ganancia y que lo mác; probable es que tambicn gane lm; otros
concursos. Si los argumentos son correctos ~ ambos c:isos balancean al JOº o la parti-
cipación de la compal\fa en el mercado, ¡,se incrcment.in o reducen el valor esrcrado
y la varianz.a de Y comparados con los valores calculados en el ejercicio 4 ..lO'!
/ 4.32 Una compailia se dedica a rcnO\ ar edificios históricos cnnvirtiéndolos en aparta-
mentos de lujo. La compañía invita a inversionistas particul:ires a que comprc:n ac-
ciones de un edificio particular; los accionistas pueden revender sus acciones a la
compaMa después de dos años. El precio de una acción al lcrmino de do~ a11os de-
pende de di\crsos factores, destacando entre ellos el monto de las t:is:i~ de interés y
l:i demanda de apartamentos. La compal\ia estima que fa distribución de probabili-
dades de X. el rendimiento neto por acción después de dos años. es
a . Encuentre la probabilidad de que un accionista cerminc por perder dinero. es de-

cir, que el rendimiento neto sea ncgati\O. l'or el cálculo difcrcnc1al e inlegral, sa-
bemos que una antidcrivada de f,(x) es
b. l loy en día. un in\ crsiomsta podría adquirir un pagaré dd tesoro que le daria un
rend1m1ento neto de 0.176 al término de dos años Si la in\ crsion en los .iparta-
mentos ha de ser atractiva. la probabilidad de alcan1:1r un rendimiento ma) or que
0. 176 deber:i ser grande. Con la distrihución de rrobabilidadcs e st imada. ¿lo es
realmente?
/ 4.33 a. Encuentre el valor esperado de X en el ejercicio 4.32. ¿Cu:il es el s ignilicado
económico de este número~ La parte motcm:it1ca puede simpli licarse si usted
'I
1
'
I St
considera Y - X+ J ~ recuerda que la integral de: OJ tntinllo de ,>t.' <• e~ k' e'·•': f..J ·¿
"alor c~pc:r.i.do de X se puede detcm1inar a partir del de Y.
b. Encuentre la \arian1..a de X en el ejercicio 4.32. Quizá usted quiera trabajar con
y X+ l.
c. Suponga que un inversionista tiene otra inversión, digamos W, que tiene un valor
esperado (en el mismo periodo de tiempo) de 0.24 y una variani'a de O 30. ¿Se-
gún su npinión. que in\ersión es más probable que escoja el inversionista'!
DISTRIBUCIÓ N DE PROBABILIDADES CO NJU N TA E

4.6 INDEPENDEN CIA ESTADÍSTICA
En las s1:cciones 4.2 y 4.3 desarrollamos el lenguaje básico para tratar con una va-
•
riable aleatoria. En esta sección extendemos dicho lenguajt! para tratar con distribu-
ciont!S de probabilidades conjuntas de dos variables aleatorias X t! Y. Ddinimos
todos los conceptos en términos dt! dos variables aleatorias discretas. Quicnes ten-
g:m conocimientos de cálculo deberían ser capaces dt! deducir los análogos para va-
ri<1bles aleatorias continuas.
Cuando 1ra1amos con dos variables aleatorias X e Y, es conveniente trabajar
con probabilidades conjuntas. En el capitulo 3 la p ro hi& hilid ad conjunta de los
eventos A y B era la probabilidad dt! la mtcrsccc1on />(A /J). Sc.i A el evento X - x
d b tribución de y 13 el c\ento Y"'" y. Defina la distribución de probab ilida d c!I conjunta Pn ( \, 1 ).
probabilidad e\ como una función que proporciona la prohahilldn<l conjunw para cada pareja de \.l-
conjuntu lores x ey.
EJEMPLO 4. 13 Suponga que en la sala de emergencias de un pequeño hospital, los casos más se-
rios comprenden ataques coronarios y traumas (heridas causadas por actos de vio-
lencia o accidentes severos). De tina X= número de casos de coronarias e
Y = número de casos de traumas que llegan por la noche t!n un dia particular entre
:.emana. Se supone que
(Jt + J)(y + 2)
P..,(x, }') = 84 • .~ = º· l. 2; }' = º· l. 2. )
Calcule una tabla numérica dt! probabilidades conjuntas.
Solución Simplemente sustituya los valores deseados x e y para obtener las probabilidades
conjuntas: Pn(O, )) - P(X= O e Y = 3) = (0 1 1)(3 + 2)184 = 5/84, y asi sucesiva-
mente. A continuación mostramos una tabla de la distribución de probabilidades
conjuntas PS)(:c, y):
y
o 2 3
o 2 84 3 84 4 84 5 ll4
4 84 6 84 8 84 10 84
6 84 9 84 12 84 IS 84
152 '4 VARIABLES ALEATORIAS Y DISTRIBUCION DE PROBABILIDADES
Toda vez que se especifica una distribución de probabilidades conjunta se

prob:t bilidadcs pueden calcular las probabilidades m:.trginalco¡ haciendo una suma. l:.n el capitu-
marginales lo 3 cutindo tratamos con probabilidades conjuntas como P(A r'I B), P(/\ r. B ).
etc., el término probabilidad margmal se refería a la probabilidad de un evento ais-
lado, corno P(A). Las probabilidades marginales las calculábamos con la ley aditi-
va. Como esta sección sólo difiere del capítulo 3 en la notación. aquí se pueden
utiliwr los mismos principios.
EJEMP LO 4. 14 Encuentrl.! la distribución de probabilidades marginal de X y la distribución de pro-

babilidades marginal de Y en el ejemplo 4.13.
Solución Sume a lo largo de las lilas para obtener las probabilidades de X. y a lo largo de las
columnas para obtener las probabilidades de Y.
y
X o 2 ) Px(X)
o 2/84 3/84 4/84 5¡84 14/84
1 4184 6/84 8/ 84 10 84 28 184
2 6184 9 84 12/84 15 84 42 84
Pr< y) 12 84 18 84 24 84 30 84
Esta idea se puede expresar con una fónnula. Para encontrar la probabilidad
P_/..x), sume las probabilidades conjuntas para ese valor de x y para cada valor
posible de y:
Px(x) = L Pxr(x. }')

lod• ~
En este ejemplo,
P(X = 1) = L Pxr(l.y)
= Pxr(l,0) + P.rr(l , I) + PxrO. 2) + Pxr(I. 3)

4 6 8 10 28
= 84 + 84 + 84 + 84 = 84
De la misma manera, las probabilidades marginales de Y se pueden calcular co-
mo sigue
P1 ( y) =L Pxr(x, }')
IOda r
En este ejemplo.
P(Y = 1) = L Pxr(x, I)
coda r
- PxrCO. 1) + Pn( l. 1) + Pxr(2, 1)
J 6 9 18
= 84 + 84 + 84 = 84
<f 6 01stnbuc1on de probab1hdade5 coníunta e 1ndependenc1<1 esudí5t1ca 153
La idea consiste simplemente en tr:msportar el principio de adición.* •

Podemos extender la notación básica de l::i probabilidad a las probabilidades
condicionadas. Así como definimos la probabilidad condicionada de B dado A como
P(BIA) = P~" B)
P(A)
distribución Podcmo~ definir la dhtribución condicio11ada de Y dado que X - x como
coudídonad:t
Prr.r(Ylx)
Así, para cualquier valor de Y
P(X =X ri Y= y)
P(Y""' YIX = x) = P(X = .x)
Pxr(x,y)
=---
P,r(x)
La necesidad de esta notación surge de la idea de independencia. Recuerde

que teníamos dos definiciones equivalentes de independencia para Jos eventos A y
B:
P(B 1A) = P(B}
P(A ri B) = P(A)J>(B)
1.kliniciun es También para las variables aleatorias X e }'tenemos dos definiciones equivalentes
cc¡uivalcnks de tic independencia c~ tildís tica :
i11dependcncia Pn.r(yf .x) = lj(y). para toda.r. y toda y
est:I dística
Pxr(x, y) =1>.r(x) P1 ( y). para toda x y toda y
Por comodidad. en este libro utilizamos generalmente la segunda fonna de la defini-

ción de independencia.
EJEMPLO 4.1 S En Jos ejemplos 4.13 y 4. J4, demuestre que X e Y son independientes.
Solución En el ejemplo 4. 14 calcuiamos P.\~:r:) y P .).y). Cuando multiplicamos los valores

apropiados de P.\~x) y Pt(l·), obtenemos la siguiente tabla:
y
JC o 2 3
o ( 12/ 84J(14/84) ( 18/ 84)( 14/ 84) (24/ 84)( 14/ 84) (30/ 84)( 14/ 84) 14/ 84
1 ( 12/ 84)(28 184) ( 18 / 841(28/ 841 (24/ 84)(28/ 84) 130/ 84)(28/ 84) 28/ 84
2 ( 12/ 84 )(42/84) ( l 8 / 84)(42/ 84) (24/ 84 )(42/ 84) (30/ 84)(42/ 84) 42/ 84
12/84 18/ 84 24/ 84 30/84
• Ahora podemos ellplicar por qué utilizamos la notación aparentemente redundante PJ..x), Py(JI). Si sólo
cscribíéKmos .P(x) o .P(v), no sabrfamo$$i P( 1) significa P(X; 1); PJ..1) o P( Y"' 1) - P,( 1).
154 '4 VARIABLES ALEATORIAS Y OISTRIBUCION DE PROBABILIDADES
Dcspués de reducir las fracciones en esta tabla. encontramos que cada valor en ella
r
es igual al valor de Pn{x, y) del ejemplo 4. 13. Por lo tanto, l\""x. y)= ,~' )/> 1{yl
par.s totb :e e y; es decir, X e Y son independientes. •
l:.n la forma matemática de esta P n{r, 1·) particular !>e hace valer la hipótesis
de independencia. En la práctica, a menudo suponemos que X e Y son indcpendien·
les; una vc1. c~pccificados l\{l) y P,.(y). Tal hipótesis nos permite calcular />.11~x.
_\')como el producto !\{.\ J/'¡(r). El ejemplo 4.1 J es una situación en la cual la hi-
pótesis de independencia parece raLonable. El número de casos de coronaria~ que
llegan a la sala de emergencias no tiene ninguna relevancia para predecir el núme-
ro de casos de traumas
En la sección 3.6 discutimos cómo las prohabilidades a priori de \arios esta·
dos naturales se pueden modificar con las probab1l1Jades de e' entos observables
utiliz.:indo el teorema de B:t)es. Algunas \Cccs los estados naturales y los eventos
observables son de naturale1.a numérica, de modo que las ideas de promedio y 'a-
riahilidad tienen sentido. En tales casos, es útil escribir t:l teorcma de Uayes en la
notación <le l::is '::iriablcs aleatorias. Por ejemplo, el agente de un escritor de nove·
las con gran i!xito Je \'entas (he.~/ .vdlers) quiere estimar la cantidad que deberá re·
dir por los derechos de edición de un::i novela reciente. Bas:indo'>e en experiencias
pasadas y en las tendencias recientes de la industria de Jos lihros de bolsillo, el
agente considera que la c:inudad podría ser de S 100,000, S 150,000, $200,000 o
S::!5U.OOO, con probabilidades respectivas de 0.4, 0.3, 0.2 y 0.1. armximadamente
El agente se mantiene mfonnado de las comprns de una cadena de librcrias cuyo
gerente de adquisiciones suele predecir con mucha certe/..a los éxitos comerciales.
Las compras de la cadena de librerías son compras de 10.000, 20,000 o 30,000
ejemplares; el agente piensa que las probabilidades de cada una de estas compras.
dado el eventual precio por los derechos, de~rian ser más o meno~ las siguientes:
Numi:m tle ttjemplarr:.~ e omprados

Cantidad
pcdid:i 10.001 20.000 J0,000
SI00.000 .60 .30 . 10
SI S0.000 .so .30 20
S200.000 JO .fü .30
S250.000 20 AO 40
Con base en estas probabilidades a priori , el valor esperado del precio por derechos
de edición es S100,000(0.4) + $ 150,000(0.3) • $200,000(0.2) -+ $250,000(0.1) -
S 150,000. Suponga ahora que la cadena de librerías pide 30,000 copias; esta nota
de optimismo lleva al agente a revisar las probabilidades a priori. De acuerdo con el
teorema de Baycs (o, lo que es lo mismo, con el cálculo de un á~bol de probabilidad)
PISIOO.OOO JO.OOO) = POO.OOOISIOO.OOO)P{SJ00,0001

P( 30,000 1 S 100.000J PIS 100,000J
+ P00.0001S150.000JPIS 150,0001
P00.0001 S200.000)P(S200.000J
+ P(J0.000 1S250,000)P(S250.000l
Sección 46 E1ercicios 15 5
(.10)(.4)
=-(.10)(.4)
-------------
+ (.20)(.3) + (.30)(.2) + (.40)(.1)
= .20
Cálculos similares nos muestran que P(S 150,000130,000) =OJO, ~$200 ,000 l 30,000)
= 0.30y?($250,000 130,000) - 0.20. Utilizando estas probabilidades a postcriori, el
\ alor esperado del precio es ahora $100,000(0.20) ~ S 150.000(0.30) 1 $200,000(0.30) '
$250,000(0.20) = S 175,000. Como consecuencia de una orden de compra tan optimis-
ta, el valor esperado de los derechos se ha incrementado.
Teorema de Bayes con variables aleatorias

Para variables aleatorias discretas E> e Y,
P8 (0)Py18(}' 10)
I
Pe1r(8 y) = I., P9(8)Pr1eh' l 8)
Para variables aleatorias continuas 0 e Y
Éste es sólo un cambio de notación, que no incluye ninguna idea nueva.
4.34 Un fabricante de televisores tiene a Ja venta dos modelos. Defina X ventas del mo-
delo A el próximo mes de diciembre (en cientos de miles) e } \entas del modelo B
el próximo mes de diciembre. El consejo de administración estima que las probabi-
lidades conjuntas P_n(x, y) son
y
2 3 4
"1 .030 .055 .070 .075
2 055 .070 .075 .070
3 .070 .075 .070 .oss
4 .075 .070 .055 .030
a. l~ncuentrc P(X = 1, Y = 2).

b. Encuentre P(X $ 2, Y$ 2).
c. Encuentre P_,{x) y P>{y).
d. ¿Son independientes X e Y?
4.35 Demuestre que la fórmula

~,(x.y) = .005( - 10 + IOX' + 10}' - x 2 y2 - 2.'()'l
proporciona la tabla de probabilidades conjuntas del ejercicio 4.34. ¿ Puede usted

encontrar una fónnula para P t< t}?
4.36 El propietario de una tienda de e<¡uipos de sonido establece las siguientes prob:ihi-
lidadcs para X • número de ampli licadorc~ vendidos en un día entre semana e
Y - número de micrófonos \endido'> durante el mismo di:i;
x: o 1 2 3 4
P,.(.x): . 10 40 .25 .20 05
y: o 1 2 3 4 5
P,(y): .10 .)0 .25 .20 .10 .05
a. Suponiendo que X e Y son independientes, calcule la di stribución de probabilida-
des conjunta P.nf.x, y).
b. Verifique sus cálculos encontr.i.ndo las probabilidades marginales /'_./..x) y Pi-{y).
4.3 7 ¿Cree usted que la independencia es una hipótesis ro1.onable en el ejercicio 4.36?
4.38 Una compaf\la de asesorías en administración de empresas presenta s us ofertas por
escrito y oralmente en un esfuerzo para obtener nuevos contratos. Los archivos indi-
can que la distribución de probabilidades P.n<x. y ) de X - número de ofertas orale5
en una semana e Y - número de ofertas por escrito en esa semana, está dada por la
siguiente tabla:
y
X o 2 3 4
o 010 .015 030 075 oso
020 030 045 060 040
2 .030 045 100 045 030
3 040 060 045 030 020
4 050 075 030 015 010
a. Encuentre la probabilidad de que en una -;emana ha) a dos ofertas orales y dos
por escrito
b. Encuentre la probabilidad de que haya exactamente dos ofertas orales y dos o me·
nos ofertas por escrito.
c. Encuentre la probabilidad de que haya dos o menos ofertas orales y dos o menos
ofertas por escrito en una 5emana
4.39 a. Utilice la distribución de probabilidades del ejercicio 4.38 para calcular las dis-
tribuciones marginales de X e Y.
b. Asumiendo estas probabilidades. ¿son X e Y indcpend1cnte<;·l
4 40 Con la distribución de probabilidades del CJerc1c1n 4 18. calcule la distribución con-
dicionada de )'para cada \.alor posible de X ¿Indican estas distribuciones condicio·
nadas que X e r son independiente~"
4.7 COVARIANZA Y CORRELACIÓN DE VARIABLES ALEATORIAS

•
En la sección 4.6 definimos la independencia de dos variables aleatorias. Ahora
consideramos los distintos tipos de dependencia que puede haber entre ellas y cómo
4.7 Covar1an1a y correlac16n de vanables aleaconas IS7
se pueden medir. Son muchos los tipos de dependencia que pueden tener dos varia-
bles y muchas las medidas que podemos uti lizar. Dos de ellas, la covarianza y la
correlación. son particularmente imponantes porque están íntimamente relacionadas
con el concepto de \ arianza de una variable aleatoria.
Comenzamos nuevamente con un ejemplo. Un funcionario del departamento de
crédito de un banco supone las siguientes probabilidades conjuntas (subjetivas) del
rendimiento porcentual (interés más cambio en el mercado de valores) de dos bonos
públicos. Llamemos X e Y a los rendimientos.
y
X 8 9 10 11 12 P.r(:t)
8 .oJ .04 .03 .00 .00 .JO
9 .04 .06 .06 04 .00 .20
10 .02 .08 .20 .08 .02 .40
11 00 .04 .06 06 .04 .20
12 .00 .00 .03 04 03 . JO
Pr(Y) 09 .22 .38 .22 .09
Entrl.? X e Y existe una relación. Por ejemplo, dado x = 8, las probabilidades de Y

están concentradas en los valores más pequellos y - 8, 9 y 1O. En el otro extremo,
dado .~ - 12, las probabilidades de Y se concentran en los valores y= 1O, 11 y 12.
En general, Jos resultados X e Y tienden a variar juntos.
Covarianza de variables aleatorias X e Y

Si X e Yson variables aleatorias discretas con valores esperados µ x yµ» respectiva-
mente y con una distribución de probabilidades conjunta P.n~x.y}, la cova ria nza de
X e Y. denotada por Cov(X. Y), se define como
Cov(X, Y)= L L,(x -

s ,
µx)(y - µy)Pxr(x.y)
Una fonna abreviada de calcular la covarian1.a es
EJEMPLO 4. 16 Calcule Cov(X, Y) para la distribución conjunta de los rendimil!ntos <le los bonos
públicos que dimos en el caso precedente. Utilice primero la definición y verifique
después que el método abreviado da las mismas respuestas.
Solución Obtenemos los valores esperados basándonos en las probabilidades marginales,

Pix)yP.,.{y):
Jlx = 8(.10) + 9{.20) + 10(.40) + 11(.20) + 12(.10) = 10

µy¡= 8(.09) + 9(.22) + 10(.38) + 11(.22) + 12(.09)- 10
La covarianza se puede calcular utilizando la definición como sigue:

Cov(X, Y) L L(X - µ.r)(y - µy)P.rr(x,y)
s '
= (8 - 10)(8 - 10)(.03) + (8
10)(9 10)(.04)
+ (8 - 10)(10 - 10)(.03) + ... + (12 - 10)( 12 - 10)(.03)
= .60
De la misma manera, ut1lii:mdo el método abreviado,
Cov(X. Y) - L L xyP.rr(X,}') - µxµr

,.. 8(8)(.03) + 8(9)(.04) + 8(10)(.03) + ... + 12(12)(.03) - 10110)
= 100.60 - 100 = .60 •
La covarianza de dos variables aleatorias está íntimamente relacionada con su

correlación.
Correlación de variables aleatorias X e Y
Si X e r son variables aleatorias discretas con desviaciones estándar ~r y <1r respec-

tivamente, su correlación Pxr se define como
Cov(X, Y)
Pxr = <1.r<1r
Se sigue que
Cov(X, Y) Pu<1x<1r
EJEMPLO 4.17 Encuentre P.n para la distríbución del rendimiento de los bonos analizada anterior-
mente.
Soluc1on En el ejemplo 4.16 encontramos que Cov(X, }') = 0.60. Para obtener P.n· necesita-
mos las desviaciones estándar de X e Y, que podemos calcular a partir de las respec-
tivas probabilidades marginales. Para calcular cr; y a;
se pueden utilizar las
fónnulas de las secciones 4.4 y 4.5.
ni - Ls ."< 1Px(x) - µi
= 8 2 (.10) + 9 2 (.20) + 10 2 (.40) + 11 2 ( 20) + 12 1 (.10)-(10) 2
= 101.20 100 = 1.20
'4. 7 Covar1anu y correlac16n de variables aleatorias 159
por consiguiente, O:r = JI.20 = 1.095.

Análogamente, tenemos que
t1: = L >·lP,(y) -
)'
µ: - 1.16
y t1y = J1.i6 - 1.077.
Sustituyendo en la fórmula correspondiente a P.rr· tenemos 4ue

Cov(X. Y) .60 __ .
Prr -
t1rt1t
:=
l.095(1.077)
509
•
La covorianza y la correlación son ideas ~umamente importantes en la admi·
nistración de carteras de inversiones.
La correlación entre X e Y varia entre 1.00 y+ 1.00. Un valor de - 1.00 o
+ 1.00 indica que en la población la predicción es perfectamente lineal. mientras
que un valor de cero indica que las variables no se pueden predecir linealmente.
Si las variables aleatorias X e Y son independientes. no debería haber ningu·
na relación (lineal o de cualquier otro tipo) entre ellas. Es r.u.onablc suponer <.¡uc
cuando X e Y son independientes Co\ (X. Y) =- Oy, por consiguiente. Pw también ~s
cero. Este hecho puede comprobarse utilizando el método abreviado para la cova-
rianza. Recuerde que las variables aleatorias discretas X e Y son independientes si
P.n~"<. y) - Pi:r)P r(v) para todos los x e y posibles. En ese caso.
Cov(X. Y)= [xyPrr(x,y) - 11 1 µr

"·'
= ~ xPx(x{~ }'Py(y)]- µ 1Jlr

= µzµr - µxµr =O
EJEMPLO 4. 18 Una cadena de montaje se puede detener temporalmente para ajustar partes que
se encuentran mal alineadas o corregir soldaduras defectuos:is. Los archivos de
producción indican la siguiente distribución de probabilidades conjunta para
X - número de su.spcnsiones en un turno de producción por mal nline:imiento e
Y= número de suspensiones en un tumo de producción por soldaduras defectuosas.
y
X o 2 3 4
o .03 06 .12 .06 .03 .30

J 04 08 .16 08 04 40
2 03 06 .12 06 .03 .30
.JO .20 40 20 .JO 100

160 1 VARIABLES ALEATORIAS Y D ISTRIBUCION DE PROBABILIDADES
a. ¿A qué debería ser igual Cov(X, Y) para esw probabilidades?

b1 Compruebe su respuesta numéricamente.
Solución En cada caso PH~x. y)= Px(x)Py(y). Por ejemplo, P.n.<.2, 4) = 0.03 y Pxf,.2)x
P>.(.4) (0.30)(0.10) 0.03. Por consiguienle, X e Y son independientes y Cov(X, Y)
debería St!r igual a cero.
b. Al examinar las probabilidades m3rginalcs de X e Y se puede ver que µ:r = 1
y µy = 2. [)e este modo
Cov(X, Y) = (0(0)(.03) + 0(1)(.06) + · .. + 2(4)(.03)] - 1(2)

- 2.00 - 2 =o
como debería ser. •
Matcmátic3mcnte es posible que Cov(X, Y) - O aun cuando X e Y sean depen·
dientes. La razón es que la covarianza y la correlación miden sólo el grado de la re·
lación lineal. Si hay una relación entre X e Y pero ésta no se puede 3proximar por
medio de una relación lineal, la covarianza puede ser cero.
EJEMPLO 4. 19 Suponga que en el ejemplo 4.18 se obtuvieron l:is siguientes prob3bilidades:
y
X o 2 3 4
o .01 .05 .18 .OS .01 .30
.03 .10 .14 .10 .03 40
2 .06 .05 08 .05 .06 '.30
.10 20 .40 .20 . 10 100
¿Son independientes X e r ¿Cuál es Ja covarianza entre X e r
Soluc i ón No, hay una dependencia. Por ejemplo, Px.J.O, 0) = 0.01, pero PiO)P>.(0) =
(0. 10)(0.30) =0.03. No obstante,
Cov(X, Y)ª (0(0)(.01) + 0(1)(.05) + ... + 2(4)(.06)] 1(2)

= 2.00- 2 - o
(Observe que µ;r = 1 y µy= 2, como en el ejemplo 4 .18.) La razón por la cual Ja e~
\arianza es cero e<\ que no hay una reJ3ción lineal. Observe que cuando y no es ni O
ni 4, el \alor más probable de\ es 2; cuando' C!. 1 o 3, el valor más probable de x es
J; y cuando 1• es 2, el valor más probable de t e!. 2. El cálculo de los valores espera·
dos de X para cada \ alor de y también nos muestra un patrón que no es lineal. •
t:~j
,.
'I 8 Func.6n de deiuid:ad conjunta i-a variables alutoriu continuas ( f) '¡u 161
FUNCIÓN DE DENSIDAD CONJUNTA PARA VARIABLES

4.8 ALEATORIAS CONTINUAS ( f) _.
Nuestro análisis de las probabilidades conjuntas se ha centrado, hasta ahora, en las
variables aleatorias discretas. Dirigimos ahora nuestra atención a las variables alea-
torias continuas. Como veremos. cada sumatoria discreta tiene un análogo directo en
una integral continua. En esta sección requeriremos de algunos detalles técnicos del
cálculo, pero ello no deberá oscurecer la reiterada analogía entre la integración
continua y las sumatorias discretas.
C uando analizamos variables aleatorias discretas, consideramos probabilida-
des conjuntas P.n{x, y) =P(X - x e Y= y). Las probabilidades para X o Y o ambas se
obtuvieron efectuando las sumas adecuadas. Al cambiar a variables aleatorias con-
tinuas X e Y, consideramos funcioni:s de densidad conjunta fn.(x, y). En el caso
continuo, las probabilidades se obtienen integrando (en vez de sumando) la función
de densidad conjunta. Por ejemplo. suponga que un estudio del tiempo T que se re-
quiere para preparar una licitación en días/hombre y el monto U de Ja oferta en mi-
llones de dólares indica que la función de densidad conjunta es
f ru(t, u) .02(t + l }(t + 2)( 1O - t)u'( 1 - u), o< l < 10. o < u < l
En este caso, tanto T como U son variables aleatorias continuas, como lo indica el
hecho de que varían sobre intervalos continuos O < t < 1O y O < u < 1. Así, en v~z
de encontrar la probabilidad de que T y U se encuentren en un intervalo específico
sumando probabilidades, ésta se encuentra integrando densidades.
Probabilidades conjuntas para variables aleatorias continuas

Si X e Y son variables a leatorias continuas con una función de densidad conjunta
h_..j.,x, y), entonces las probabilidades para X e Y se calculan como sigue:
(Parn quienes no están familiariudos con las integrales dobles: La integral se calcu-
la "de adentro hacia afuera". Asi, en la expresión anterior, la primera integral se
efectúa con respecto a y, considerando ax como una constante. Una vez que se ha
integrado con respecto a la variable y, se lleva a cabo la integral con respecto a la
variable .\.)
Por ejemplo, suponga que las variables aleatorias continuas X e Y tienen den·
sidad conjunta
fxr(x,y) = (6 17)(4 - (x + y) 2 ]. O<x<l.O<y<I
Encuentre la probabilidad de que tanto X como Y sean menores que 0.5.

162 '4 VAAIABLES ALEATORIAS Y DISTRJBUCION DE PROBABILIDADES
Debemos observar en primer lugar que ni X ni Y pueden ser negativas, de

modo que lo que queremos encontrar es P(O <X< 0.5 y O < Y< 0.5). Asf.
P(O: X< .S y O< Y< .5) = (6¡ 17) Ls ts (4 - (.x + y) 2 ]dydx
= (6/ 17) tl 4y - (x ~ y)
3
J1::: dx
= (6 17) ts {[2 - (x +3.5)l] + x33}dx
= (6/17)[2.x - (x + .Si• + .x•J1· •.s

12 12 .. o
4 4
1 (.5) ) (.5) ]
= (6/17) [ 1.0 - ( 12 -12 + 12
= .3272
EJEMPLO 4.20 Los histogramas de los datos registrados respecto de X .;;;. tiempo requerido para
cortar rollos de tela con un molde e Y= tiempo requerido para confeccionar unifor-
mes militares con los trozos de tela (ambos medidos en horas/hombre) indican que
/xr(x,y) = 72.x 2 (1 - x)y(I y), para O <:e < 1 y O< y < 1
Encuentre la probabilidad de que Y sea menor que X, y que X se encuentre entre
o y 0.5.
Solución Este problema presenta algunas dificultades técnicas en el sentido de que los limi·
tes de integración para Y dependen del valor específico de x . Debemos tener y< x
y O<' x < 0.5. De esle modo, la región de integración de /xr(x. y) es O < x < 0.5, O
<y< x (porque y, por definición, no puede ser menor que 0). As!,
P(O < Y < X< .5) =

f. . i1ª"
.c•O
s
1s:O
72.x;i(l - .x)y(I - y)dydx
= 36f •-.s x 4 (1 - x)dx - 24 f ••.s x 5 (1 - x)d:c

""º .. o
= 36(.xs - x6)1ª .s - 24(x6 - .x .,)Iª. s
ª
5 6 J:•O 6 7 .r•O
= 36[<·¿
5
- (.¿ 6
] - 24('·¿ 6
- (.~),]
= 0.0955, después de realizar algunos cálculos aritméticos •
48 Función de de~ coojunta ~ ...anables alHton;u continu;u !f) 163
En la sección 4.6 mostramo~ que la distribución de probabilidades marginal

de X se puede encontrar haciendo una suma sobre ven la distribución de probabi-
lidades conjunta Pufr, y). No deberá sorprenderle que, cuando se trata de variables
aleatorias continuas. sustituyamos la ~urna sohre y con una integral. En el caso
continuo.
fx(x) = f. fxr(X.}')d.v
IOd• 1
Para T tiempo requerido para preparar una licitación y U = monto <le la ofcna,
con densidad conjunta
fn:(l,u) - .02(1 + 1)(1 + 2)(10 1)u1(1 - u). O< l < 10. O< u< t
fr(I) = f_. 0
1
.02(t + 1)(1 + 2)(10 t)u'(I - 11)du
~)][: :
1
= 0.2(1 + 1)(1 + 2>( 1O - 1)[(1 11
;
1
) - (lu;
1 1
""' .02(1 + 1)(1+2)(10-11(,--) - -,- - ]
t +l , + 2)
= .02(10 - 1)
EJEMPLO 4.21 En el ejemplo 4.20 encuentre la función de dens1datl marginal de X.

1
Solución fx(:c) = J,f'-_o72x 1 (1 - :c)y(I - }')dy
•
Podemos extender la definición de distribución d.: probabilidad condicionada
a la idea de densidad condicionada de Y dada X Así como la distribución de proba-
bilidad condicionada se define en el caso discreto como la razón de la probabilidad
conjunta P.n.(."<, y) a la probabilidad marginal Pix), podemos definir la densidad
condicionada como
( 1
Jrtx(}' x)
f xr(X, }')
fx(."<)
En panicular, podemos e>.1ender la definición de independencia diciendo que una va-
riable aleatona continua }'es independiente de otra variable aleatoria continua X si
fr1xlYI "<) = /,.(}')

o. lo que es lo mismo, si /n.(x, y) =f,.(x)f.,{v) para cada x e y. Si
/n,(l, u) = .02(t + l)(t + 2)( 10 t)u'(I - u). o< , < 1 º· o< 11 < 1
164 -4 VARIABLES ALEATORIAS Y OISTRIBUCION DE PROBABILIDADES
hemos visto que/,(t) = 0.02( 10 - 1). de modo que
r ' I _ /n,(1. u) _ .02(r + 1)(t + 2)( 10 - l)u'( 1 - u)

Jt•ir(u r) - /r(r) - .02(10 - r)
= (r + l)(r + 2)u'(I - u)
Como J::i densidad condicionada de U dado que T =tes una función de / y de "· U
no es independiente de T.
EJEMPLO 4.22 Rcmitasc al ejemplo 4.20. ¿Son X e Y independientes en ese caso?
Soluc1ó n üeCinimos
f xr(x. }') ""' 72:< 2 ( 1 x)y( l - }'), 0 <X< l, 0 < }' < J
En el ejemplo 4.21 mostramos que
f x(.""<) = 12.'( 2(1 .""<)
de modo que
72x 2(1 - .'t) )'( 1 - )')
fu( y. x) ~ 12x2(l - x) = 6y( 1 - y)
sólo es una función de y. (Cabe sei\alar que el rango de ddinición de la fórmula para
y es independiente de x, como lo es aquí.) Así que X e Yson independientes.
Una alternativa es calcular la densidad marginal de Y como/y(}')= 6y(l - f),
par:i O <y < l. Así
fx(X)/r(J) = 12x 2(1 - x)6y(t y), O< x < l. O< y< 1
= fxr(x,y)
y nuevamente X e Y son independientes. •
SECCIONES 4 .7 Y 4.8 EJERCICIOS
- --
4 .41 l:n el ejercicio 4.38 consideramos la siguiente distribución conjunta P xt.x..v> de
X número de ofertas orales en una semana e Y ... número e.le ofertas por escrito en
una ~emana. e.le acuerdo con la siguiente tabla:
)'
x O 2 3 4 Total
o .010 .015 030 .075 MO 180
1 020 030 045 060 040 195
2 1))0 045 100 045 030 .250
3 040 060 045 030 020 .195
4 oso 075 030 .015 OJO .180
Total ISO .225 .250 .22~ 150
a. ¡,Cu~les son las medias de X e Y? (Piense. no calcule.)

b Calcule las dewiaciones estándar de X e Y.
Secciones '4. 7 y '4 8 E1crcic101 165
.t.4 2 a. Encuentre, en el ejercicio..$ A 1. la covari::ina de X e Y.

h. En el ejercicio .t..t l. encucntn: la corrcltlción de X e Y. ¡,Qué nos indic::i ést::i ::icer-
ca de la rel::ición entre X e t'~ En panicular, ¿podrían ser inderendientes X e >'?
-lA3 l:ncuentre la esperanza comhcionada de r dado que X .t para la distrihuciún de
prohabilid:ides del ejercicio 4.41 . ¡,Cambia la esperan1a condicionada junto con X!
..i..t..i l~lina T =X+ r Cl'mo el número totill de ofcnas hechas en una ~emana ror la em-
rresa descrit::i en los cjercicws 4 38 y 4.4 l
a. Calcuk la d1strihución de probah1lidades de T.
b. Calcule el \'alor esperado y la var1a11la de T dirc<:tamcnte de la distrihui.:iún de
probabilidades.
c. Utilice Jos resultados en el apcndicc de este capitulo para calcular de nuern la
media ) la varian73 de T.
.tA5 En los ejercicios J .27 y 3.29 consideramos un proceso de fahncación en el que se
reali1~n perforaciones en bloques de metal. La probabilidad de que una pcrforaciún
sea defectuosa es de 0.1 O. Sea X número de de lec tos en una mucstril de dos blo·
ques (sólo h::iy una perforación por bloque).
a. Encuentre la distribución de probabilidades de.\'. Qu11á le convenga trazar un ár·
hol de prohahilidad.
b. Encuentre el valor esperado y l::i 'arian1a de X.
c. ¡,Qué supuso usted al responder a los inc1.,os (3) y (b)? ¿ Ba¡o que circunstancias
podrian ser irrazonables tales hipótesis'>
..$A6 En el ejercicio 3.29 asumimos que la probabilidad de que un inspector no detecte un
defecto es de 0.1 O. lmplicitamen1e supusimos que el inspector no ..detec1aba..
defectos cuando de hecho no los hahia Sea Y número de defectos dctectildos. lJti-
licc un árhol de probabilidad p::ira derivar la úistribuciiin conjunta de X <del ejerci-
cio 4A5) e Y. Observe que Y no puede ser mayor que X .
.t A 7 a. En el ejercicio .t.46. encuentre la media y la desviación estándar de Y.
h. ll1ilice la distnbucíón conjunta de X e >: que encontró en el ejercicio 4A6. para
determinar la correlación de X e Y
e. Explique por qué Ja correlación debería ser positl\·a.
4 .tR lln dis1ribuidor de automóviles nuevos ofrece tres paquetes de equipo adicion:il para
un modelo particular. Hay un paquete de tr::insmisión automática con una ganancia
de 200 d61arcs para el distribuidor. un pa4uc1e de aire acondic1onado con una ga-
n:incia tic 150 dólares y un paquete de decorado intaior con una ganancia de 100
dólares. Los datos indican que el 80º'41 de los clientes <;Olieila el raquetc dc transmi-
sión automática. y que de estos, el 60ºó también pide el ::iire acondtcionado. Entre
los que no piden el paquete de transmisión automática, solo el 50ª10 solicita el 3ire
aC()ndicion:ido. Oe los que solicitan amhos paquetes. el 40ºó pide el decorado inte·
rior, al igual que el 30% de los que solicitan exactamente uno de los paquetes de
aire acondicionado o transmisión ilUtom:itica y el :?O~o de los que no solicitan ningu-
no de estos paquelcs. Sea r =número de paquetes solicit:id°' en la compra de un
aulomó' il sclccc10nado aleatoriamente.
a. Encuentre la distribución de prohah1lidad de Y.
b. Encuentre la prohahilidad de I'( r ~ :?).
c. Encuentre la función de dis1ribucion de }'; con ella\ ucl\a a calcular/'( Y~ 2).
-l -19 1-.ncuentre la media y la des' iación estándar de r en el ejercicio 4 .48.
-l 50 En el e.1erc1c10 .tA8. sea X= ganancia por ventas de paquetes opcionales.
Observe que X no es dircctamcn1e una funciún de f. pue" la ganancia no sólo depen·
de de cu:into<; <itno de cuáles paquetes ~e \Cndcn.
166 4 VARIABLES ALEATORIAS Y DISTRIBUCION DE PROBABILIDAD ES
a l:ncucntre la distribución de probahilídadcs de X.

h. Encuentre: la media y la des\ iación estándar de X.
4.S 1 R.cmitac;e al ejercicio 4.50. Sea Tcl total de las ganancias por ventas <'e paquetes op-
cionales a 18 clientes seleccionados al v.ar.
a Utilice los resultados del apéndice de este c:iriltulu ~ra encontrar el valor espe-
rado y la variann de T.
b. ¿Qué suriuso U.'ited al responder al inciso (a)? e.Le parece que alguna de las supo-
<;iciones es claramente irr.uonablc'?
f 4 52 Un diario ('lO'iee un archi\'o sobre la longitud en pulg:adas de las columnas de anun-
ciM cl:is11icados publicados de lunes :a viernes. l.:is ediciones del sábado) el domin-
go tienen una estructura distinta de ¡¡nuncios > no se les toma en cucnt:i. L:as
prohabilidades de ) número de pulgadac; de columnas (en miles) de un dia selcc-
c1onado al a7.ar est:ín dadas rior la función de densidad
Ir< y) 30y4 C1 - y), O<r<I
Ohc;erve que / 1{.y) O para l ' fuera del intervalo O <.Y< 1.

a . Calcule lo densidad para l ' O. l. 0.2 .... , 0.9 y represente la gráficamente.
b. Encuentre la probabilidad de que~ empleen entre 700 y 900 pulgadas de colum-
nas (es decir, que 0.7 < r · 0.9) en un día seleccionado al a/ar
c. Encuentre la rrobab1lidad de que Y> 0.8.
f 4.53 En el ejercicio 4 .52, encuentre la media y la des,•iación estándar del número de pul-
g:1dac; dt columnas que se utili~n. de acuerdo con la función dc den<;1dad
I 4.54 H diario dcl e_jercicio 4.52 tambicn conserva un archivo de X - longitud en pulgadas
dc las columna.e; de anuncios comerciales (en miles). La di<1trihución de X rian:ce ser
/.r(x) "' (6tl 2S)x(S - x), O<x<S

y cero para los dem:is \alores de .t.
a . l:ncucntre la fd de X.
b. Encuenlre la probabilidad de que X sea al meno~ 3.
c. l:ncuentre la media )' la desviación estándar de X.
~ . SS L:is variables aleatorias X e Y de los ejercicios 4.54 ) 4 52 parecen ser (de acuerdo
con los archi\•os del diario) independientes una de la otra <;i suponemos esto, ¡,cuál
es la correlación de X e Y?
f 4.S6 Una compa~ía que ofrece servicios telefónicos transoceanicos cree que los factores
cla\e del costo variable de una llamada son X número de segundos quc tarda la
computadora en colocar la llamada e Y= número de minutos que tarda una operado·
ro en colocar la llamada. La estructura dc las prob:ibilidadcs puede representarse por
medio de la siguiente densidad conjunta:
fx:r( .'C, y) = (.062S)xe '' ' 11 , 0<:<<7-,0<y< s
:i. Encuentre { 1(yJ. Del calculo, sabemos que J0

xe....u = 1/le 2 •
b . 1-ncucntre la densidad condicionada de .\', dado que r =y.
c. En la prá<:tica, ¿deberían ser independientes X e >:¿Lo son en esta densidad con·
junta?
f 4.S1 Para la densidad que sc da en el ejercicio 4 .56, encuentre cl 'alor condicionado cs·
pcradn de X dado que Y= y .
J 4.58 Para la dcnsid:id del ejercicio 4.56, encuentre la co,:inan1a de X e Y.
Secciones 4.7 y 4.8 E1ercic1os 167
TEMAS Y FÓRMULAS PRINCIPALES: variables aleatorias y

distribución de probabilidades
1. Propiedades de la distribución de probabilidades P y(v) de una variable

aleatoria discreta Y
a. OS P(y) S 1 para toda y
b. LPr(Y) =1
toda"
c. Como los valores de Y son eventos mutuamente excluyentes, las pro-

babilidades son aditivas.
2. La distribución de probabilidad P.l.y) de una variable aleatoria discret.n Y
se puede representar en una tabla, fórmula o gráfica (llamada histograma).
J 3. La función de densidad />·(.V) de una variable aleatoria continua Y permite
encontrar las probabilidades por integración:
P(a ~ Y ~ b) = J!fr(y)dy
4. Valor esperado, varianza y desviación estándar de una variable aleatoria

discreta•
µy = E(Y) = L yPy(y)
toda y
a~= Var(Y) = _L(y- µ 1 ) 2 Pr(Y)

lod> V
ar= Jvar(Y)
5. Distribución de probabilidades conjunta, P.d..x, y)

a. Distribuciones marginales, P,r(x) y P.,(J•)
b. Distribución condicionada. Pr ..1-Y 1x)
6. Función de distribución (fd) F 1.(y) = P( Y S y), definida para variables
aleatorias Y discretas y continuas.
7. La covarianza de variables aleatorias X e Y
Cov(X, Y)= L L(x - µx)(Y- µ
.. y
1 )Pxr(x,y)
= L L 9 •Pxr(X..}) - µxµr ·
• y
(Para variables aleatorias continuas, reemplace la sumatoria por una integral.)

8. La correlación de X e Y
Cov(X, Y)
Corr(X, Y) = f1xr = - - - -
ªxªr
9. X e Y son independientes si para toda x y toda y, Pxr<x. y) =P;.,{x)P,.(y)
(Para las variables aleatori:is continuas, reemplace P con/) Sí X e Y son
independientes, P.YY = O.
• Par.a variables akatorias continuas, los signos de sumatoria ~e reemplazan por signos de integración Y
la función de dcnsidild ft'cmplau a P .J._v).
168 4 VARIABLES ALEATORIAS Y OISTRIBUCION DE PR.OBABILIOAOES
Resumen
•
'
Este capitulo contiene los conceptos necesarios rara extender las ideas de la proha-
hilidad a los resultados numéricos. La idea centrnl es la de variable aleatoria. es de-
cir, cualquier cantidad numérica que esté sujeta a una variación alc::itoria. lJ na
variable akatoria se identifica por su distribución de probabilidades. que es una lista
de sus valores posibles y las probabilidades asociadas con ellos.
Las variables aleatorias pueden ser discretas (las que toman valores distintos y
separados) o continuas (las que toman \alores a lo largo de un inter\'alo numérico).
Ha} resultados paralelos para las \ariablcs aleatorias discretas y continuas. cual-
quier cálculo que contenga una suma para vanahles aleatorias dio;crctas imrlica una
operación analoga para \ariables aleatorias continuas que comprende una integrnl.
Como las 'ar1ables aleatorias son cuantitativas (numéricas). podemos extender
la idea de la media a la de valor esperado (promedio en el limite) de una vana ble
aleatoria. También la idea de desviación estándar se: puede extender a variables alea-
torias como una medida de la variación aleatoria que presenta la variable.
También consideramos la distribución de probabilidades conjunta para <los o
más variables aleatorias, )' la extensión de la idea de independencia a este dominio.
El teorema de Aayes se puede exponer en forma modificada en términos de variahles
aleatorias, y la covari:mza y la correlación son formas de medir la relación lineal
entre dos 'aria bles de esta intlolc.
4.59 El personal de ventas de una compai'lia consta de 4 ingenieros (tre~ de lo~ cuales tie-
nen más de 40 ai'los de edad) y 6 representantes de \Cntas (dus de los cuales tienen
m:is de 40 ai\os de edad). Se selecciona. supuestamente al azar. a un ingeniero y a
dos representantes de ventas para recibir un adiestramiento especial.
a. Construya el espacio mue~tral de es1e experimento. l'umerc: a los ing.enieros
1, ... , 4 y a los representantes de \enta<; S•. .. , 10
b. Sea Y = número de personas seleccion::idas que tienen m3s de 40 ai'los de cd::id.
Por conteo, encuentre P r(.i•) y F 1{l·).
4 .60 F.n el eJerc1cio 4.59 encuentre E(Y) y <1r
4 .6 1 Una oficina estatal de salud investiga las denuncias sobre prácticas insalubres en los
restaurantes. tiendas de alimentos y similares. El número de caso~ varia de una se-
mana a la otra. Los datos indican lo siguiente:
Numero de casos'semana: o 1 2 3 4 5 (,
Probabilidad: 02 .IJ 20 30 .19 .15 .01
a. Encuentre F 1ü •) para t - número de casM en una semana especifica.

b. Encuentre 1::( Y) Y u1,
c. Encuentre P(µ, - c 1. $ Y$µ,+ 0'1 ). Compare este resultado con la aproximación
que nos da la regla empírica.
f 4 .62 Considere la función de densidadfiy) = 20(vl - /). O $y$ 1:
a. Encuentre t·(Y) y u.,. Utilice la fónnula abreviada
o:- f ylfy{y)dy-µ;
J1odt •.
169
b. Determine el ar~ bajo la curva/1',y) para encontrar

P(¡1 1 - 2a, S Y S µ1 + 2a7 )
4 .63 La fracción Y de la longitud en pulgadas de las columnas de cierto periódico desti-
nacJas a la publicación de anuncios un martes cualquiera se puede considerar como
una variable aleatoria continua con IO
O < y$1
a. Trace unól gráfica de Ft{.v).

b. Encuentre /'(Y$ 0.5). /'(0.4 $Y$ 0.6) y /'(Y ~0.7).
r). f 4 .64 a. Muestre que Ja función de densidad en el ejercicio 4.63 es
/,(}·) = 30)' 2 - 60y) + 30y 3

b. Represente gráficamente / 1{.r).
c. Encuentre H( Y) y Var( Y).
d. Encuentre Pf.µr - Or $ Y$ µy+ <1r). Compare con la aproximación que propor-
ciona la regla empírica.
4.65 Los registros de un pequeño taller para reparación de carrocerías de automó\•il in-
dican las siguientes frecuencias relativas para el número de clientes atendidos
diariamente:
Nümcro de clientes: o 1 2 3 4 5 6
Frecuencia relativa: .2 1 .38 20 .11 06 .03 01
Sea Y= número de clientes atendidos en un día.
a. Calcule F1(.~·).
b. Encuentre E( Y) y a..-
4 .66 En el ejercicio 4.65 suponga que los números de clientes en días consecutivos son
independientes entre sí. Sean Y1 e Y2 los números de clientes correspondientes a dos
dias consecutivos.
a. Construya una tahla para Pr,t; (y1y 2 ).
b. Defina S = Y1 + Y2, como el número total de clientes en dos dias. Encuentre 1\1,s).
c. Calcule E(S) y a5 .
f 4 .67 Los usuarios de una base de datos de computadora h:in encontr:ido que X= número
1k líneas de código (en miles) e Y= tiempo en minutos que se requiere para correr el
programa, tienen la densidad conjunta
f.o(X,J") (3 3::!0)()6 - 4'1" 2 }" 1 + 4'1".i'). o < '( < 2. () < .\' < 4
a. Encuentre la probabilidad de que lanlo X como Y sean menores que O.S.
b. Encuentre la probabilidad de que l' sea ma)'or que l. (X puede tomar cualquier
valor.)
f 4.68 a. Para la densidad conjunta del ejercicio 4.67, calcule la denc;idad marginal de X.
h. Encuentre fn./.Y 1x).
f 4 .69 !Ornando en cuenta su naturaleza, ¿se deben considerar l:is v:iriahles aleatorias X e
r del ejercicio 4.67 como independientes? ¿Lo son de :icucrdo con el ejercicio 4.68?
f 4. 70 Una compañia de seguros recibe informes semestrales de agentes independientes.
Con base en los datos pasados, un modelo para la dcnsid:id conjunta de
X= proporción de informes que requieren de un estudio de acluali:ración e
Y= proporción de informes que requieren de un cambio de dirección es
fxrl·'"· y) = .:?4(h:J( 1 x) 2 ( 1 - >·». para O < .'I" < l. O < )' < t
170 '4 VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE PROBABILIDADES
a. Encuentre la rrobubilidad de que X e Y sean ma~ores que O.S.

h. F.ocuentre la probahilidad de que r se encueotrc entre 0.1 y 0.3.
I 4. 71 a' En el ejerc1e10 4.70, encuentre l:is densidades marginales de X e Y.
b. ¿A qué es igual la covarianza de X e Y?
(}. I 4.7:? Como parte del proceso de producción de unidades de reproducción de discos com-
p:ictos (DC). se le hace una prueba inic1:il a la unidatJ de lectura (un sistein:i láser
que recibe seilales di¡,ütales del disco). Cualquier unidad que folla al leer un disco
de prueba, por lo general debido a una mala alineación. debe ser arre¡J.lad:i :i un eos ·
to muy clev:ido. Se conserv:i un reg15tm de l:i proporción de unidades que pasan dia-
riamente la prueha inicial. Si Y es la proporción de unitJadcs aprohadas c::n un dia
seleccionado :il azar, la función de densidad tendría la forma
O<r<I
a Calcule los \'alares <le la dcn~idad para y= 0.70, 0.75. 0.80. 0.115. 0.90 y 0.95.
Dibuje la función de densidad sin much(1 detalle.
b. Encuentre el valor y que maximi1..'.l la dcnsídadh(l·) (o. lo que es lo mismo, el"ª"
lor y que maximiza el logaritmo de la densitJad). En otras pulabras, ¿cuál es la
moda tJe )":'
c. Encuentre la proh¡¡hilídad de que en un día seleccionado al azar. al meno~ el <JO~o
de las unidades pasen la prueba inicial. Encuentre la probabilidad de que no más
del 85% pasen la prueba.
I 4. 73 :i. Encuentre el "alor esperado de y para la densidad del ejercicio 4. 72.
b. Encuentre la desviación estándar.
c. Al anali1ar los diagramas de control en el capitulo:?. fijamos como uno de los lí-
mites de control la media menos 3 desv13cíones c:;tánd3r i,Cu31 es la probab11íd3d
de que Y caiga por dehajo de este limite de control?
f 4. 7~ l.os analist:is de la bolsa de valores observan cuidados3mcnte J3 "caída de l:is accio-
ne"" en el mercatJo. Un inversionista \ende acciones a 13 baja 1omandol:1.<; prestadas
de un agente de bolsa. El inversionista espera que el precio de las acciones se "ª)3
3 pique p3ra pagarle al corredor de bolsa con accione~ de poco \'alor. Un anafüt3
díce que la distribución de X. la proporción de toda.~ las 3cciones que ~e 'cndcn a
la h:iJa. es
/,(.'C) = 272.'{(I x)is. par:i 0 < 'C < 1
3. ¡,Pensarla usted que con frecuencia.\' es una proporc1on mu~ grande, como 0.8" S1
eso sucediese, ¿qué significaría en rel:ición con la bolsa de valores'? Calcule algu-
nos valores def1{x). ¿Para qué valores de x es rel:itivamentc alta la densid:id~
h. Encuentre 13 probabilidad de que X sea menor que 0.1 O. (Al integrar se dará
cuenta que es conveniente sustituir w = 1 - x, de modo que dw - dt.)
4. 75 a. En el ejercicio 4. 74. encuentre el v3Jor esperado de .\'. Por el c:ilculo diferencial
e integral s3bcmos que la integral de O a 1 de r"(I xt es a!h! I (o+ b + I~
b. Interprete el número que calculó en el inciso (a). En particular. ¿es éste el valor
más probable para la rroporción de ventas de 3CCioncs a la ba,t3. _\..,
c. Encuentre la varian1.<1 y la dcsvi:ieión estándar de.\'. ¿Qué le dice el ,·alor numé-
rico de la desviación estándar acerca de un rango r:11onable para los \'al ores de X?
4.76 El analista del ejercicio 4.74 t:imhién consideró la \3riahle r - rroporc1ón de \en-
tas diarias a individuos (inversionistas que no son inst1tuc1ones) 1.a s<1hiduría popu-
lar (b:istante cinica) es que los inversionistas indl\'lduales tienden a comprar en Jo-.
peores momentos, justo :intes de las caídas en el mercado de \'alores. de mudo que
l\U'
,o
E1erc1ctos 171
un alto ni\ el de compras mdi-.idualcs es un signo para vender acciones a la baja. El

analista modeló la densidad condicior.ada <le Y dado que X = x como
frix<>·lx> (.x + R)(.'C + 7) .. ·(x)y 6 1

(1 - y) 8 , para O< y< 1
a. ¿Est~ suponiendo el analista que X e Y son estadísticamente independientes'! ¿En
qué basa usted su opinión?
b. Se puede demostrar que el valor esperado de Y dado que X - x es una función
cn~cíente de x. ¿Es compatible este hecho con la indepen<lcncia c:sta<listica? ¿Es
compatible este hecho con el dicho popular acerca de los inversionistas indivi-
duales y las ventas de acciones a la baja?
4. 77 Un plan de abastecimiento par.i una cadena de restaurantes de comida rápida tiene
una ruta que en principio se debe rccom:r en 7 horas. En ocasiones, el tiempo de en·
trega se alarga a causa <le los congcstionamicntos de tráfico y otros problemas. Los
registros <lcl tiempo requerido Y (en horas) indican que se le puc<lc tratar como una
\ariable aleatoria continua con di~tr1buc1ón de probabilidad.
F,(y) 1 -(y - 6)-•, para y 2: 7
a. Al empleado que hace las entregas se le deben retribuir horas extra si el recorrido
requiere más de 8 horas. ¿Cu~I es la probabilidad de que se ¡iagucn horas extra?
b. Si el recorrido requiere más de 9 horas. algunos restaurantes se quedan sin sufi·
ciente producto. ¿Cuál es la probabilidad de 4ue el recorrido requiera del pago de
horas extra sin ocasionar desabasto en los restaurantes?
a,/ 4.78 a. En el ejercicio 4.77, encuentre la función de densidad del tiempo en el recorrido
aleatorio Y.
b. Use la densidad anterior para encontrar la prob;ibilidad de que un recorrido se
realice entre 7 y 7 horas y media.
f 4.79 Un comerciante que reali1.a ventas por teléfono registra la fracción de llamadas que
han sido contestadas antes de que el aparato suene tres veces. Se tiene como objeti-
vo que al menos el 80% de las llamadas (una proporción de 0.80) se contesten rápi-
damente. La proporción <liaria X se puede tratar como una variable aleatoria
continua con densidad
fx(x) 30(x 4 - x5~ para O < x < 1
a. ¿Cuál es la probabilidad de que se alcance el objetivo?

b. Un "día desastroso" es aquel en que menos de la mitad de las llamadas se respon-
den rápidamente. ¿Cuál es la probabilidad de que suceda tal desastre?
I 4.80 Nos referimos nuevamente a X, la proporción de llamadas en el ejercicio 4.79 que
son respondidas rápidamente. Suponiendo que se alcanza el objetivo, ¿cuál es la
probabilidad de que X sea menor que 0.9?
4.81 El comerciante del ejercicio 4.79 también tiene registradas las cantidades en dólares
de las órdenes de compra que recibe por teléfono. El tama~o Y de la orden (en cien-
tos de dólares) de un cliente seleccionado al a1.ar puede considerarse como un:i. va·
riable aleatoria continua con una función de distribución.
Fr(}') = 1 - e · 1• - 2ye· 11 • para y> O

a. Encuentre la probabilidad de que un cliente seleccionado al azar haga un pedido
por una cantidad total entre 200 y 400 dólares.
b. Para las órdenes de más de 1000 dólares se utiliza un servicio de entrega espe-
cial. ¿Cuál es la probabilidad de que la siguiente llamada requiera de una entre-
ga especial?
-t .8:.! a. l·.n el ejercicio 4.81. encuentre la función de dens1dad/1<.r> para un:i venia r.
h. 1-. ncuentrc la moda de Y, es decir, el valor .l' en el que la densidad akan1.:i su máximo.
f ·UD En~I ejercicio 4.77 consideramos Y, el licmpo requerido para completar una ruta de
entregas a los restaurantes. Y es un:i 'ariahle aleatoria continua con den~idad
fr(J'I .. 4(y 6)- '. para J > 7

a. Calcule la densidad para y - 7, 7.5, 8 y &.5. ¿Parece ser simétrica o :isirnétrica la
densidad?
b. Dibuje aproximadamente la densidad. Utilice esta densidad para <;uponer cuál de-
bería ser la media.
e. Calcuk la media ( ,·alor esperado) y la desvillción e"tándar.
d c.Debcriamos esperar un huen funcionamiento de l:i regla empírica con esta den-
sidad'? Calcule Ja probahilidad de que r se c:ncucnire :i meno<; de un:i des\ i:ición
cst:indar de la media.
f 4 .84 1 a proporcióo X de llamadas respondidas con prontitud c:n el ejercicio 4 . 79 tiene
una función de densidad
f.r(\'.) 30(\'.' - \'.'). para O<.\'. < 1

a . t:ncucntre el valor esper;ido. ¿Cómo se interpreta este número»
h L't1licc el método ¡¡brcvi3do para encontrar la varianu y la desviación estándar.
4 .85 Demuestre que: la variahle aleatoria X del ejercicio 4.84 no puede estar a m:is de dos
des\ iaeiones est:indar por encima de Ja medi:i. ¿Qué sugiere este hecho acerca de la
form¡¡ de 13 distribución?
f .¡ .K6 Un almacén otorga una c'11ificación a cada producto alimenticio que recihc. Aquellos
que alcan1..:m una calHkación de "excepcion:il" recihc:n una honiticaciún adicional.
l.as proporciones de tomates y lechugas clasificados como exccpcion:iles v:.irian
cnorrnemcnlc de un Jiu a otro. Si X= proporciún de tomates con una calíricación
e:<ccpcion:il e Y proporción de lechugas con una c:ihlicaciún excepcional, la run-
cit1n de densidad conjunt:i es
fnh . .rl = 3-c{ 1 - .\'. l'}. para O < .\'. < 1 y O < 1 < 1
a. 1-'ncuentre la proh:ihilidad de que menos de la mitad de los tomates. pero m:is de
la mitad de: las Jechu¡,tas, recihan una calificación excepcional
h rncucntre l:is funciones de densidades m:uginales de X~ de r
e. fncuentre la probahilid;id de que X sea menor que 0.5 . Encuentre la proh;.ihilid:id
de que Y sea mayor que 0.5.
d ¡,Son X e Y independientes?
f 4 87 t-1 gerente del almacén del ejercicio 4.86 sospechó que )05 inspectores compensaban
l¡¡, haJ3S calificaciones de un alimento con alta" calificaciones para el otro. ~i la
ma~or parte de los tomate~ no recihi:in Ja más alta calificación, una propnrción de
lc1:hugas <;uperror al promedio recihia Ja m5<. alta cahticación ~ vi\:cversa
a. C\i la sospecha dd gerente es correcta, ¿cuál seria el \igno de l:i covarian1a (y de
la correlación) entre X e >"?
h. C:ileule I¡¡ covariani-a de X e Y ¿Tiene el signo que usted predijo en el inciso (a)'!
e. l·.ncuentre las desviaciones estándar de X) de Y. y la correlación entre X e Y. (,Es
fuerte la correlación? ,,Cuánto v:ilc?
f 4.88 Un mayorista reali1..a operaciones comerciales con ferreterías independientes y ano-
ta el tiempo medio entre dos pedidos consecutivos y la distrihución del tiempo trans-
currido entre los mismos. Si X= tiempo medio entre dos pedidos <:orrespondicntl! a
un:.i tienda ~clcccionada aleatoriamente e ) tiempo para que: esa tienda \ uelva
a hacer un pedido, l:i densidad conjunta de X e Y es
Ettud10 de caio Oistribuoón de probabi1dades 173
fu(x,y) = t2x(I - x)c- 11•, para O< x < 1 y O< y
a. Encuentre Ja densidad de X de manera aislada. ¿Cuál es la probabilidad de que X

sea mayor que 0.5?
b . Encuentre la densidad condicionada de Y. dado que X .r. Si X = 0.5, ¿cuál es la
probabilidad de que Y sea mayor que 1?
f 4.89 a . Utilice la densidad condicionada que se calculó en el inciso (c) del ejercicio 4.88
para encontrar el \'alor condicionado esperado de Y. dado que X"' x. En el con-
texto de ese ejercicio. ¿tiene algún sentido este resultado?
b. ¿Cómo cambia el valor condicionado esperado de Y. dado que X - x. a medida
que el valor de ..r cambia? ¿Qué indica este patrón acerca del signo de la correla-
ción y la covarianza entre X e Y?
f 4.90 En el ejercicio 4.88, calcule la covarianza entre X e Y para la densidad conjunta. Se
sabe que los valores esperados de X e Y son ambos iguales a 0.6. ¿Coincide el sig·
no de la covariani'.a con el que usted esperaba en el inciso (b) del ejercicio 4.89?
Distribución de probabi lidades
Un banco local está interesado en nue\os productos y servicios para extender la

base de sus clientes. Un producto sugerido es una "tarjeta de débito". Ésta funcio-
na igual que una tarjeta de crédito en el sentido de que el beneficiario la presenta
en los comercios para hacer sus pagos. La diforenc1a es que el dueño de la tarjeta
en vez de tomar el dinero prestado del banco (tal como sucede con las tarjetas de
~rédito) tiene una cuenta de la que se deducen los pagos. El poseedor de la tarjeta
no paga intereses por un préstamo cuando utiliza una tarjeta de débito, pero debe
tener suficientes fondos en el banco para poder utHiz.arla. El banco por lo general
no cobra comisión por el uso de Ja tarjeta. Sus ganancias las obtiene de la diferen-
cia entre Jos intereses ganados con los fondos del poseedor de Ja tarjeta y el costo
del servicio de la cuenta.
Un director de servicios del banco llevó a cabo una encuesta con 2150 clien-
tes. Le han pedido a usted que realice un análisis detallado de los tres temas de la
entrevista: El número de tarjetas en activo del cliente, el número de clientes que
por lo general tienen algún saldo pendiente después de un pago, ) el número de tar-
jetas de débito ~ue al cliente le gustaría tener. Si llamamos a estos ítems X. Y y Z.
respectivamente, los datos de la encuesta arrojan las siguientes frecuencias:
x: o o o 1 1 1 1 1 1 2 2 2 2 2 2
o o o o o o 1 1 o o 1 1 t
y:
z: o 1 2 o 1 2
l
o 1 2 o 1 ' º2 o 1 2
Free.: 98 45 10 125 110 28 171 20J J8 96 87 18 ISO 228 66
:e: 2 2 2 3 3 J 3 J J 3 3 3 3 3 3
y: o o o
.. o
2 2 2
1 2 o 1 2
1
o
1
l
2
2 o 1 2
2 2 )
o
J
1 2
3
Free.: 43 160 SI 11 15 10 37 78 29 13 51 22 10 23 34
El director de servicios tenía el presentimiento de que a los clientes con po-

cas tarjetas en activo y a los clientes que tienen pocas tarjetas con balances no
174 1 VAAJ~LES ALEATORIAS Y OISTRJBUCION DE PROBABIUOAOES
pagados les gustaría tener m:is larjetas de débito que a aquéllos con muchas tarje-
tas o con muchos saldos pendientes. Utilice los resultados de la encuesta como si
represe~t.asen a la perfección al total de la población de los clientes habituales del
banco (ignorando por consiguiente toda \'ariación que deri"e de la muestra) para
investigar tal presentimiento. Escriha un breve informe dirigido al director de ser-·
vicios e"<plicando sus hallazgos; usted debería preparar un resumen de una cuarti-
lla, seguido por las evidencia!- que Jo sostienen. El director de servicios no recuerda
_.
la teoría de la probab1lidad, así que tenga cuidado con el uso del lenguaje técnico.
APÉNDICE 4.A Propiedades de los valores esperad~y las varianzas _____ __.
En esta sección presentamos algunos resultados matemáticos simples acerca de los
valores esperados y las varianzas. Los resultados se expresan en el lenguaje de las
variables aleatorias. Dado que las nociones de valor esperado y varianza de una va-
riable aleatoria son generalizaciones de los conceptos poblacionales correspondien-
tes, los mismos resultados se aplican a las poblaciones.
Los primeros resultados tienen que ver con el erecto de sumar o restar una
constante. Al analizar el probable rendimiento de una inversión, hay una estrecha
relación entre el rendimiento bruto (que no considera la inversión inicial) y el ren-
dimiento neto (que sustrae la inversión inicial).
Efecto de añadir una constante

Si u es una constante e Y una variable aleatoria,
E(Y +o)= E(Y) +o
=
Var( Y + a) Var( Y), "r •• • ºr
Si Y es el rendimiento bruto y I es la inversión inicial, entonces el rendimiento neto

esperado E(Y {)es, razonablemente, el rendimiento hruto esperado menos la in-
versión, E(Y) l . Las varianzas de los rendimientos bruto y neto son iguales, y por
lo tanto, las dcsviacione~ estándar también son iguales. El eíecto de sustraer I es el
de desplazar todo el hi!.tograma I unid;;ides hacia la izquierda. Como este desplaza-
miento no altera la fonna del histograma, la varianza es la misma. Estos dos resul-
tados son muy fáciles de demostrar:
E( Y +a) = L (y+ o)Prü)

todo.
= L yPr(}') + L aPr(}')
lodo y toda y
Apéndice '4.A Propiedades <W los v~es esperad°' y las vananzas 175
:::: F.( Yl +a, pues L Prl .\') = 1

lnd> ,.
Varf Y + a) = L [(y+ a) - E( Y +a)] 2Pr(J)

leda.
= LHY + a)-(E(Y) + u)] 1 Py(y)
toda V
Inda V
= Var(Y)
Otro conjunto de resultados trata con la multiplicación por o la división entre

una wnstante. Esta operación matemática es simplemente un cambio en la escala de
medida. Por ejemplo. multiplicar una cantidad en dólare:. por 100 equivale a cam-
biar las unidades a centavos.
Efecto de multiplicar por una constante

Si e es una constante e Y una variable aleatoria,
E(cY) = cE(Y)
Var(cY} = c 2 Var(Y). o,r = lclor
Si e - 100 e Y es el costo en dólares, entonce~ e Y es el costo en centavos. El costo

esperado en ct:ntavos E( e Y) es 100 veces el costo esperado en dólares, cE( Y). La
\.arianza se multiplica por 10,000 = ( 100)~. pues la varianza es el error promedio al
cuadrndo; una vez que extraemo:. las raíces cuadradas. la desviación estándar del
costo en centavos, o; r• es 100 wces la desviación estándar de 1 costo en dólart!s,
cay-• La demostración es cosa de escribir las definiciones de valor esperado y va-
rianza. y foctori1..ar e y c1 respectivamente.
EJEMPLO 4.23 Una empresa estadouniden~c tiene la oportunidad de invertir en Francia. La inver-
sión inicial es de 5,000,000 de francos. La empresa estima que el rendimiento bru-
to r tiene un valor esperado de 6,200,000 francos y una desviación estándar de
500.000 francos. Encuentre el valor esperado y la desviación estándar del rendi-
mi1mto neto en dólares. suponiendo un tipo de cambio de 5 francos por dólar.
• FI 'alor 3bsoluto en la fónnula para la dt'sviación esthdar toma t'n consideración la posibilidmd <W
multiplicar por un número nc¡p.llvo. Observe que J(-s}1 es ... S.
176 4 VAAIABt.ES AlEATOIUAS Y OISTRIBUCION DE PROBABlt.IDADES
SoluCJon Una manera de proceder es traba.1ar primero con d rendimiento neto en francos y
comertírlo después en dólares. El rendimiento neto es Y- S,000.000. de modo que
el \'alor esperado es E(}) - S,000,000 o 1,200,000 francos. y la des\'íacíón estándar
de 50c1.ooo fmncos no cambia. Par.i convertirlo en dólares, divida el \'alor esperado
y la des\ iación estándar de r entre 5. El rendimiento neto esperado es 2~0.000 dó-
lares y la desviación estándar es de 100,000 llólares. •
Los últimos resultados matemáticos que presentaremos comprenden la adi-

ción de dM variables aleatorias. Esta operación surge en una gran variedad de si-
tuaciones : d rendimiento total de dos mversiones diferentes. el número totnl de
casos c.irdíacos y traumáticos en una sala de emergencia~.. la producción total por
día de dos líneas de montaje de automó\'iles. Es obvio que no hay nada mágico en
sumar dos variables aleatorias; los resultados se extienden de inmediato a cualquier
número lle estas variables
Media y varianza de la suma de variables aleatorias

Si X e r son variables aleatorias. entonces
E(X +Y)= E(X) + E(Y)
Sí X e r son independientes, entonces

Var!X + Y)= Var(X) + Var(Y).
LJ <.lemostrac1ón de estos resultados es un poco m:ís dificil que las anteriores.
f(X + Y)= L L (X + }'JP.n(X,y)

tocb t '""~'
= ¿ L .'(P,rr(X, y) + ¿ } .rP.rr(X. J')
CNb ' toda ' toda t i:Mf.. '
En In primera sumatoria doble, piense que se suma primero con respecto a y :
L xPxrCx,y) = x L P.n(x,y) = xPx( '()

h1'd3.. lO&b'
por <.letimción de la distribución marginal de P.\~x). De esta manera. la primera su-

matoria doble se reduce a ¿,,..i.. , .\P \{ \) =- E(X ). Un argumento similar nos mues-
trn 4uc la ~cgunda sumntona <.loble es E( Y). lo que demuestra el resultado sobre el
\ alor c..,rcrado.
l· I resuha<.lo acerca de la varianza supone la independencia, Pxrf...T, y)
P.\~x)P 1 (y), y procede por expansión del binomio al cuadrado. Recuerde que
(a~ h) 2 = cr+ 'Zah + b1 .
Var(X +Y)= L }.:ex+}' - µ.r+r) 2Px(.'()P,(>•)

lodo • IO<b'
= L L (x - µx +.Y - Jtr1 2P,r(X)Py(y)

•nd• • lt><b •
.Aptnd1ce 4 8 Breve repuo del dlculo d1ferenc1~ e íntea.-..J 177
pues acabamos de demoslrar que µx+Y = µx + µr- Ahora desarrolle el cuadrado con
a= X - µX y b =y-µy:
Var(X + Y) = ) ) (x - µx) 2Px(x)Pr(Y)

i~toá&y
+2L L (x - µ,r)(y - µy)Px(x)Py()')

toda T toda >
+ L L (y - 2
µy} Px(x)Pr(Y)
!Oda• toda v
La primera sumatoria doble es
L (x -
toda t
2
.U.r} P.r(x)[) Pr(Y)J
1;t. y
= L (x -
toda •
µ.r) 2Px(x)[l] = Var(X)
El mismo procedimiento nos muestra que la tercera sumatoria doble es Var{ >')y, por
la definición de covarianza que vimos en la sección 4.7, la segunda de ellas es
2Cov(X, Y). Por consiguiente, en general
Var(X +Y)= Var(X) + 2Cov(X, Y)+ Var(Y)
En la sección 4. 7 demostramos que Cov(X, Y) =O cuando X e Y son indepen-
dientes (al igual que en algunos otros casos). Por lo tanto, si X e Y son independien-
tes, el término de covarianza en Var(X + Y) desaparece, y tenemos que
Var(X + Y) =Var(X) + Var( Y).
APÉNDICE 4 .B Breve repaso del cálculo diferencial e integral
Los métodos del cálculo diferencial e integral no son decisivos para entender las
ideas esenciales de este texto, pero hay ocasiones en que es conveniente utilizar al-
gunas ideas básicas del mismo. Este apéndice contiene un breve repaso de los mé-
todos básicos del cálculo, mas no fue escrito como una introducción a este tema.
El primer concepto de importancia es el de función . Informalmente, una fun-
ción asigna un número "de salida", digamos i,, a un número "de entrada", digamos
'·de acuerdo con una regla específica. Como queremos reservar las letras/y F para
otros usos, utilizamos g y G para indicar funciones; escribimos w = g( r).
La derivada de una función gen un punto x = a se define informalmente como
la pendiente de g cuando x =a. Podemos pensar en una línea tangente a la curva
w"' g(x) en x =a, como en la figura 4.8. La derivada es la pendiente de la tangente.
La derivada se denota con
d
dx g(.x)
o g'(.x). No tenemos necesidad de enfatizar el valor particular x =a bajo considera-

ción. En la tabla 4.1 presentamos una breve lista de derivadas.
178 ~ VARIABLES ALEATORIAS Y DISTRIBUCION DE PROBABILIDADES
Tangente - , /
FIGURA'4.8 Línea tangente en x =o
TABLA 4. 1 Derivadas elementales
d
g(x) ;¡;g(x)
e, una tonsuntc o
;x"
e•
log,(l)
;x
En ocasiones utilizamos la regla de Ja cadena pam las funciones compuestas:

funciones que se definen por etapas. En otras palabras, podemos pensar que algunas
funciones toman una entrada x, la transforman a un valor intermedio w - g 1(x), y
luego transforman w a un valor final v:: g 2(w). Una función de este tipo definida en
dos eta11as Ja escribimos como
l" = !11[g,(:c)]
Por ejemplo,
se puede pensar como una funci ón definida en dos etapas. Transforme x en w = x2;
después convierta w en
v =e.,,= e" 1
Otra alternativa es escribir w = g 1(x) = x2 y v = g 2(w) =e", de modo que v -
g 1(g2(x)j. Para tales funciones ..escalonadas'' la derivada también se calcula en pa-
sos sucesivos. Primero, encuentre la derivada de g~(w), evaluada en w =g 1(x),
Apendice 4 B Breve repuo del cáJc:uto ddw.nc:ial • 1n1-.ra1 179
w = g(X)
FIGURA "4.9 La derivada es cero en los mínimos y en los max1mos
pués multiplique por la derivada de g 1(.r). Al poner juntas todas la pie2llS, la regla
de In cadena afinna que
:."I: 9z[g,(x)] ... L~. 92[w = g (x)] }[ddx g (x)J

1 1
Para g(xJ = r'. tome w = g 1(x) = r y v = g 2(w) =e". En tal caso,
d g(x) -
d.'t - [dw
d e '"'][dx
d :e 2]
= [e•[2x] = 2xti'
a partir de las derivadas elementales.
lino de los usos más importantes de las derivadas es el de encontrar máximos
y mínimos relativos. En la figura ~ .9, obi.e!'e que. tanto en las cumbres como en los
valles de la función g(x), la pendiente (derivada) de g(\) es O
De este modo, para localizar un máximo o un mínimo de~('), debemos resol-
ver la ecuación (di'" )g(.\) =O para x. En los problemas que nos ocupan . por lo
general es obvio cuándo una solución particular es un máximo o un mínimo, y no
necesitamos realizar un análisis más complicado (lal como la prueba de la segunda
derivada).
Las ideas que acabamos de analizar se pueden extender a funciones de varias
variables, tales como
\\ = n(x¡.:<z ..l3) xft 3·'1 + log,.(x3)
Podcmo., tomar deril adas parciales con respecto a cada variable tratando (tempo-
r:llmente) las otras variables como constantes. Por ejemplo, la notación para la va-
riable parcial es
En este ejemplo, x 1 (y por consiguiente xf) y x 3 [y por consiguiente logix3)) debe-

rían t:onsiderarse como constantes, digamos. c 1 y el. De esta manera
180 '4 VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE PROBABILIDADES
~ iJ
-
~
( e l....., 3 .1i +e ) ) =e 1 -(el.r')
:\
+e J
vx 2 cx 2
'
donde hemos aplicado Ja regla de Ja cadena para obtener
-
a e 3"• = (e 3.. ')-(3x
a ) = (e 3"')(3)
2
OX2 OX2
Para encontrar un máximo o un mínimo de una función de varias variables,

debemos igualar todas las derivadas parciales a cero y del sistema de ecuaciones que
así se obtiene, calcular todas las variables. En los problemas que aquí nos ocupan,
es obvio cuando una solución es un máximo o un mínimo. Para encontrar un míni-
mo o un máximo de
w = g{.x 1 .x 2 ) = (x, - 4)
2
+ (2x 1 + .x 2 - 4)
2
debemos resolver las dos ecuaciones
o
-[(x 1 - 4) 2 + (2x 1 + x 2 - 4) 2 ] = 2(x 1 - 4) + 24(2x 1 + x 2 - 4t =O
OX1
y obtener -A 1 = 4 "f x 2 = - 4. Obsen:,amos que g( '"I' x 2 ) nunca es negativa y que

g(4, -4) - (4 4)- + [2(4) + (- 4) - 4J• = O. Por consiguiente, hemos encontrado cla-
ramente el único mínimo de g; como la solución que hemos encontrado es única, no
hay un máximo finito de g.
Al igual que del cálculo diferencial, necesitamos hacer uso del cálculo integral.
En general, necesitamos evaluar integrales definidas de la fom1a
w = g(x)
8 b
FIGURA'4.IO La integral como área

~~.
·:~
Apéndice '4. 8 Breve repaso de 1cálculo d1ferenc1al e 1ntegr.al 181
TABLA 4.2 Ant1denvadas para la 1ntegrac1ón l•

~\ .,;..
runción. g(x) Anliderívada. G(.r)

{x + «}•. n ~ - l (:e+ c)". 1;(n + 1)
'
x-1 log,(xJ
t" e"/c
·'°e<.1 .w" le - e" /c 2
c,g 1("<1 + c 1 g 1 h:) <"1G1(x) + r2G2(xl
c.x" + ,.• i·"·-1 + ... +<'o c.x"· 1/{n + 1) +c. 1 x"/n + ··· + c0 x
r g(x)dx
Recordemos que una integral definida es el área bajo la curva determinada por g(x)
entre los puntos a y h. tal como se muestra en Ja figura 4.10. La forma hahitual de
evaluar integrales definidas es recurriendo al Teorema Fundamental del Cálculo. De
acuerdo con este teorema, deberíamos:
1. Encontrar una función G(x) que tenga derivadas g(x): lb mncb antidcriva-
d:1 de g(x).
J: =
2. Evaluar g(x)d.t G(x)I~ = G(b) - G(a).
En la tabla 4.2 mostramos algunas de las antiderivadas más útiles.
Por ejemplo. para evaluar
2
J:
2e 21 dt. encontramo~ la antiderivada de
g(x) = e-2.'. que es G(x) =e '/(-2) y observamos que la antiderivada de 2e 2.• es
2e-2.'/( -2) = -e-lr. Se deduce que
En ocasiones. necesitamos evaluar integrales con extremos infinitos. tales

corno
f.
O
y(x)Jx = lím
H;x.
f111 y(x)Jx
O
suponiendo que el límite existe. Por lo gener.11 el cálculo del límite es claro. pero en
algunas ocasiones requiere de algún truco. Considere la integral (véase la tabla 4.2)
f: xe "dx = L"' w• º"Jx = (xe-'/(-1) - e-x.¡(-1) 2 JI;
El prohlcma consiste en evaluar - xe 'I ;;-.

Cuando x -+ oo, e .. -+ O y x-+ oo, de
modo que e 1 límite de xe • (cuando x ~ oo) es ..O · oo". Debemos aplicar un teorema
del dkulo llnmado regla de L'Hópital que indica que como e '~O más rapido que
X-+ oo,
181 4 VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE PR08A81LIOAOES
Así,
f: ..;e A dx "" (0 - O) [O - (- 1)) =t
Por úhimo. necesitamos evaluar integrales dol'lles J! J:K(X1,Xz )>..dr1 dx2 •

BaJO ciertas condicione') técnica' (que !>tcmprc ~e cumplen en nue~.tra situación) las
integrales d01'1lc5 5C pueden calcular en e.los etapas. Primero, con5idcre \, como una
constante C2 y calcule la íntegrdl con respecto a X, . Después integre el resultado con
respecto a x 2• Puede invertirse el orden e integrar primero respecto a .t2 y después
respecto a .r 1• Por ejemplo, podemos recurrir al hecho de que la antiderivada de
(.r +e)" es (.r +e)"• 1/(n + 1) para evaluar
laml'lién se puede integrar primero con respecto a .t2, y después con rcspecto a .t 1,
ot-teníéndosc el mismo resultac.lo: <>.3333.
,,
1.
CASOS ESPECIALES DE
'
DISTRIBUCIÓN DE
PROBABILIDADES
Las ideas, notaciones y resultados del capítulo anterior se pueden aplicar a tod:io; las
·;:iriables aleatorias y a todas las distribuciones de probabilidades. Vamos ahora a
identificar algunas distribuciones)' fórmulas c~pecíficas que se presentan con fre-
cuencia en la práctica. En particular, queremos describir las situacionc~ >las hipó-
tesis más importantes que ju!>tifican el uso de coda distribución.
5.1 RECUENTO DE LOS RESULTADOS POSIBLES

•
Este capítulo contiene un análisis de las distribuciones de probabilidades que expli-
can o modelan situaciones que ocurren a menudo. Una de ellas es la de tomar una
muestra aleatoria. En ILls secciones 5.2 y 5.3 se anoliUln las distribuciones de pro-
babilidades que se usan en las situaciones más simples del muestreo estadístico. Tal
como lo sugerimos al analizar la interpretación clásica de la probabilidad, haremos
un uso extensivo de la idea de que
número de resultados a favor del evento

P(evento) =- - - - - - - - - - - -
número total de resultados
Para llevar esta idea a Ja práctica, necesitamos un m¿todo que nos permita contar
los resultados posibles sin tener que enumerarlos. Esta sección contiene un breve
análisis de las fórmulas de recuento. Estas fórmulas son fundamentales en el desa·
rrollo de las distribuciones de probabilidad en las dos siguientes secciones. Ellas
surgen como respuesta a las siguientes preguntas:
.
suces iones y 1. ¿Cuántas succ,io ncs de k elementos se pueden formar a partir de un con-
subconj untos JUnto de r elementos distintos, utiliusndo cada elemento una sola vez?
2. ¿Cuántos <iubco njunto!\ de k elementos se pueden formar a partir de un
conjunto de r elementos distintos, u<>rmdo cadn elemento unn sola 'et'?
183
184 s CASOS ESPECIALES DE DISTRJBUCION DE PROBABILIDADES
TABLA 5.1 Subcon¡untos y sucesiones de las S letras A. B, C, O y E

- ---- --
Subcon1untos Sucesionu
(A,B.C} ABC ACB BAC CAB DCA CBA
:A.e.o: ABO ADB BAO DAB BDA DBA
(A.B.E} ABE AEB BAE lAO Bl-.A l:BA
IA.C.Dl ACD ADC CA() DAC COA DCA
(A,C. E} ACE AEC CAE EAC CEA ECA
:A.O.El ADE AED OAE EAD Dl::A EOA
:e.C.Dl BCD BDC C"BO DIK CDS DC"B
:e.e.e: BCE BEC CBl: E:BC Cl::B ECB
IB.D.El BDF lll:.D DBF 1-80 OFB f·OB
!C. O.E} CDE CEO DCF FCD OH' EDC
La única diferencia enlre una sucesión y un subconjunto es que el orden es imponan-

te para las sucesiones, pero no para los subconjuntos. La sucesión /\ BC no es la
misma que la sucesión C/\B, pero el subconjunto {A, B. C} es el mismo subconjun-
to que IC. /\, B} . Por ejemplo, considere las sucesiones y los subconjuntos que se
pueden formar con 3 de las primeras 5 letras del alfabeto Hay 60 sucesiones y tan
sólo 1O subconjuntos (tabla 5.1 ).
Vamos a derivar una fórmula paro el número de sucesiones. En el ejemplo an-
terior. pudimos escoger pam Ja primera posición cualquiera de l:is 5 letras y después
cualquiera de las 4 leuas restantes para fonnar 5 x 4 o 20 sucesiones de 2 letras. Po-
demos combinar cada una de éstas con cualquiera de las J lelraS restantes para formar
(5 x 4) (3) .:. 60 sucesiones de 3 letras. En general, tenemos r alternativas para el pri-
mer elemento, r - 1 para el segundo, y así sucesivamente. Cuando tenemos 4ue selec-
cionar el k-ésimo y último elemento. ya hemos utilizado k 1 elementos y quedan
r - (k- 1) =r-k + 1 elementos para escoger uno entre ellos. Por consiguiente,
número de sucesiones =r(r - 1) ... (r - le+ 1)
de k elementos tomados entre r elementos distintos. Esta fórmula parece un factorial
(r!) salvo que está truncado en r - k + 1 en 'cz de continuar hasta 1. El número de
\:&riaciom•11 suce~iones se suele llamar número de variaciones de r elementos tomados de k en
k y se denota con kP, o rA .• Este número se puede expresar por medio de factoria-
les como sigue:
r!
lP, = =r(r-l)···(r-k+I)
(r - k)!
Los factoresr-k, r-k - 1, ... , 3, 2, 1 en el denominador se cancelan con los factores

correspondientes en el numerador, dejando sólo los factores r, r - 1, ... , r - k + l .
• En inglis. 11 palabra 41\K se utiliza para las vuiacionH n M"""'ª"º"· No obstante, la vo7 ~rmuta
cton se ~K~ en la lcnsua espailola para el caso en que k es igual a r, n decir, ~D l:is vanacione~
de 11 elementos tomados de" en 11. (N. del T.)
S. I Recuento de los resuh.ados posibles 185
El número de subconjuntos se llama número de combinaciones de r elemen-

tos tomados de k en k ) se denota con ,,e,
o (t). L3 tabla 5. 1 sugiere una forma in-
d i n:cta de encontrnr Ü). Cada tila de la tabla de sucesiones corresponde a un
subconjunto panicular. Las seis columnas corresponden a todas las variaciones po-
sibles del conjunto de 3 letras considerado. En general. para k elementos hay le
(k - l ) . .. 3 · 2 · l =k! columnas, pues cualquiera de los le dementas puede ser et
primero. cualquiera de los k 1 elementos restantes el segundo, y así sucesivamen-
te. Como se utilizan los le dementas, el factorial no se trunca. Por consiguiente, nú-
mcw de sucesiones (número <le filas)(númcro de columnas)
r!
(r _ k)! = (número de subconjuntos)k!
J\horJ, al despejar (í}, el número de subconjuntos. obtenemos
') r!
( k = k!(r - k)!
1:.1 símbolo (í) se Ice "k de r'', sugiriendo la elección de un subconjunto de k ob-
jetos tomado de un conjunto de r objetos.
la fórmula para lai. combinaciones ec; particularmente útil en el muestreo alea-
torio, pue'> seleccionar una mue<;tra de tamaño k. sin reemplazamiento de una pobla-
cion de tamaño r. es exactamc!nte lo mismo que escoger un subconjunto de le objetos
de un conjunto de r objetos. Por lo general, es irrele\antc el orden de los objetos o
elementos durante el muestreo, de modo que la fórmula para las ... ariaciones es. de
alguna manera, menos importante.
EJEMPLO 5. 1 Al auditar las 87 cuenus por pagar de una compañia, se inspecciona una muestra de
1O cuenta.s.• ¿Cuántas muestras posibles ha;(? Suponiendo que 13 de las cuentas con-
tienen un error, ¿cuántas muestras contienen exactamente dos cuentas incorrectas?
Solución No hay necesidad de considerar el orden (\ ariacionell) en el que las 1O cuentas se

seleccionan, pues todas serán inspeccionadas. Por consiguiente. podemos contar el
número de combinaciones. Hay {rJ}- 87! 10!77/ ""4,000,000.000.000 muestras
posibles. Pnra obtener todas las muestras con dos cuentas incorrectas. podemos
combinar cualquiera de las ( 1!} selecciones de dos tomadas de las 13 cuentas
incorrectas, con cualquiera de las ( 7t)
elecciones de ocho, tomadas de las 74 cuen-
tas correctas. Como cada selección de dos cuentas incorrectas se puede acompa~ar
con cualquier elección de ocho correctas, hay ( ~') ('a')
= 1,200.000.000.000 mue-.-
tras con dos cuentas erróneas y ocho correctas. •
EJEMPLO 5.2 En un certamen de ventas entre 6 12 vendedores. los 10 primeros lugares reciben
premios. que \an desde unas vacaciones con gastos pagados para el primer lugar
hasi.l 50 dólares para el décimo lugar. ¿Cuánta.s listas con los nombres de los diez
ganadores se pueden formar?
186 S CASOS ESPECIALES DE OISTRIBUCION DE PR08A81LIDAOES
Solución En este caso el orden sí es relevante, de modo que lo correcto es aplicar Ja fórmula pa·
ralas variaciones. Hay 10 Pi. 1 ~ = 612!/602! =6,800,000.ooo.ooo.ooo.ooo.ooo.ooo.ooo
posihifoiades. •
5.1 En cier10 es1ado una corle de apelaciones csla formada por 7 jueces. Para un caso
rutinario, tres de ellos se eligen al :i?.:ir como jurado rara escuchar el ca~n y emitir
un dictamen. ¿Cuántos jurados distintos se pueden formar?
5.1 Suponga. en el ejercicio 5.1. que a 5 de lo:; 7 jueces de la corte de apelac1on~s se les
consider:i potcnci:ilmcnte rroch,es a cierto arg,umcn10 legal ¿Cuantos jurados se
pueden formar en que figuren exac1amen1e 2 jueces proclives? ¡,Cuantos jurados tie-
nen al menos 2 de tales jueces'!
5.3 Una tienda de comestiMes de~a proh:ir una behida de col:i de m:irca propia /\ un ca-
tador c;e le dan Rvasos sin etiqueta. 4 con la hehida de cola de marca propb ~ 4 con
una hehida de cola de marc:i conocida. /\1 catador se le: pide que idcnlllil¡uc los 4
vasos que contienen la bebida de marca propia. ¡,Cuantas elecciones distintas de: 4 \'a·
sos puede hacer el catador'?
54 En el ejercicio .S.3, 1.cuán1as elecciones inclu)cn 3 \'asos correclos y uno incorrec10.,
5.2 ENSAYOS DE BERNOULLI Y LA DISTRIBUCION BINOMIAL

•
El procedimiento más simple de recolección de datos consiste en contar el número
de veces que un cierto e\ ento sucede. Cuando se toma una muestra uleatoria de
electores (votantes) registmdos, podemos contar el número de ellos que prefieren al
titular del cargo que ;i su opositor. Cuando se toman muestras de p1stone" par::t el
montaje del motor de automóviles. podemos contar el número de ellos que ll(l cum-
plen con las medidas de tolerancia. Cuando examinamos las prácticas di: contrata-
ción de personal de una compai'\ia, podemos. contar el número de trabajadores
contratados que pertenecen a una minoría. Cuando examinamos políticas credit1-
c1as. podemos contar el número de deudores morosos. Podemos reducir una 'ane·
dad casi ilimitada de sitwciones a este simple proceso de recuento.
Estos ejemplos, al igual que muchos otros, tienen ciertos ra<;gos en común En
primer lugar, el proceso global se puede pensar como una serie de en'-•)º' (pruc-
has), cada uno de los cuales proporciona uno entre dos posibles resultados. l·n la
muestra de los electores cada persona constituye un ensayo. Se acepta o se rechaza
al titular del cargo. En la muestra de los pistones, cada ensa} o proporciona un pis-
tón deícctuoso o uno dentro de los márgenes de tolerancia. l'ada persona contrata-
da es o no miembro de una minoría, y cada cuenta de crédito corresponde o no a un
di:udor moroso. En el lenguaje comente se acostumbr.i llamar "éxito" o "suceso fo.
vorable" a uno de Jos resultados)' "fracaso" o "suceso desfavorahlc" al otro. Cmíl
de ellos se considere éxito no tiene ninguna imponancia. Una cuenta dc crédito de
un deudor moroso se puede llamar "éxito" o "suceso favorable" .
En segundo lugar. en cada una de estas situaciones, es r;11onable suponer que
la probabilidad de éxito, lí. es la misma para todos los ensayos. La prohobilidod de
encontrar a un elector que íavorece al titular del cargo no camliia durante un mues-
treo (a meno' que la muestra comprenda un amplio periodo de tiempo), al igual
S.2 Ensayos de Bernoulli y la distribución binomial 187
que la probabilidad de un pistón defectuoso o la probabilidad de un deudor moroso.

Si la ta!>a de desempleo y las prJ.cticas cie contratación de la compólñía no cambian,
la probabilidad de que un nuevo trabajador sea miembro de unól minoría no cambia.
Finalmente, en cada situólción, se puede suponer que los resullóldos de los dis-
tintos ensayos son independientes. La preferencia de un elector por el titular del
cólrgo no afecta la preferencia de otro elector; por lo menos esto no debería suceder
en un estudio discñndo cuidadosamente. Si un deudor resulta ser moroso. este he-
cho no debería cambiar la posibilidad de que Ja siguiente cuenta seleccionada co-
rresponda a un buen cliente.
Estas tres hipótesis (cada ~yo resulta en un éxito o en un fracaso, la proba-
bilidad a de éxito es constante y los ensaym son independientes) definen una serie
de cn'iayo.; d e Bcrnoulli. Las hipótesis no son más que suposíc10nes; no todo pro-
ceso de recuento se puede modelar como un ensayo de Bcrnoulli. Que estas hipó-
tesis sean razonables depende de la situación. Los ensayos éxito/ fracaso no son
siempre independientes e idénticos. No obstante, en muchos caso~ csrns hipótesis
son en buena medida acertadas, lo que hace de los ensayos de Bcrnoulli un mode-
lo muy útil.
EJEMPLO 5.3 Analice si una serie de ensayos de Bemoulli proporciona un modelo razonable para
cada una de las siguientes situaciones.
a. Cada 15 minutos, de las 5:30 P.M. a las 10:00 P.~ .• un investigador hace lla-
madas teleíónicas a cierto número de hogares seleccionados al a1ar. A la persona
que contesta le pregunta si está viendo el programa de televisión de la cadena
ABC. Un ensayo consiste en llamar a un hogar y determinar si alguien en la casa
está viendo el programa de la ABC.
b. Un ejecutivo de un consorcio examina una muestra de listas de acciones de
la bolsa de valores de Nueva York para determinar si cada una de las accio-
nes ha subido de valor durante Ja semana pasada. Aquí un ensayo consiste en selec-
cionar una acción y detenninar si el precio ha subido o no durante la semana pasada.
c. Al término de un programa de capacitación, cada uno de los 50 gerentes re-
cién contratados recibe una calificación de sobresaliente, aceptable o insatisfactorio.
Un ensayo consiste en determinar la calificación para un gerente recién contratado.
Solución a. La hipótesis de una prob:ibilidad constante de un ensayo al otro no es plausible

en esta encuesta pues el nivel de audiencia es en general m:is bajo a media tarde. Por
lo tanto, la probabilidad de encontrar a alguien viendo el programa de la cadena
ABC puede variar dcp.!ndiendo del momento en que se haga la llamada.
b. La hipótesis de independencia es muy dudosa. En cualquier periodo de
tiempo ha) una tendencia moderadamente íuertc de los precios de las acciones a
subir o bajar de manera conjunta, a causa del cambio en las tasas de interés, las no-
ticias políticas y el instinto de grupo de los inversionistas. Así, para las acciones
que aparecen en las listas de la muestra, el resultado de cualquier ensayo depende
fuertemente del cambio de precios de las otras acciones.
c. En C\te problema, hay 1 resultados posible'> en cada ensayo, no 2. Sin embar
go, si definimos "éxito'' como tener una calificación de sobresaliente y "fracaso"
como el complemento (no calificado como sobresaliente), los ensayos de Bcrnou
lli pueden ser un buen modelo. Lo más importante es establecer si los resultado' de
los ensayos son independientes. Si hay un límite o cuota efectiva para el número
188 S CASOS ESPECIALES DE OISTRIBUCION DE PROBABILIDADES
(o proporción) de calificaciones sobresalientes (por ejemplo, la rc~tricción de que el

~upen 1sor no pueda calí ficar :l mfu. del 1O~o del grupo como sobre~aliente) entonces
la h1pot1sis de independencia no se cumple Pero si a cada estudiante se le cali lica de
acuerdo con sus propios méritos, con un criterio razonablemente objetivo, la inde-
pendencia de los ensayos (calificaciones) deberla ser una hipótesis ruonable. •
Hay todavia un rasgo común a todas las situaciones del ejemplo 5.3. Estamos
contando el número de éxitos que suceden en un número fijo n de ensayos, sin to-
mar en consideración el orden panicular en el que suceden los éxitos y los fracasos.
Esto no seria cieno si, por ejemplo, el entrevistador telefónico llamase a los hoga-
res al azar hasta alcanzar 24 hogares en los que se estuviese viendo la televisión. En
esta situación, n no es fijo y el orden de los éxitos y fracasos si es relevante; está
gar.inti1.ado que el último ensayo (llamada) será un éxito.
Una colección con un número fijo /1 de ensayos de Bemoulli, en la que el in·
C\pcrimcnto \C'>tigador está interesado en el número total de éxitos, define un experimento hi·
hinomial nomial. A continuación enumeramos las propiedades de un experimento binomial.
Propiedades de un experim ento binomial

1. Hay n ensa} os de Demoulli; cada uno de ellos resulta en un éxito (E) o en
un fracaso {F).
2. La probabilidad 1f- P(E) de un éxito, permanece con.!ttante en todos los
ensa) os [P(F) = 1 - n-].
3. Los ensayos son independientes. (Las hipótesis l -3 definen los ensayos de
Bemoulli.)
4. La variable aleatoria de interés es Y, el número de ¿xitos en n ensayos. El
orden de los éxitos es irrelevante. •
'aria ble aleatoria La variahk aleatoria Y en un experimento binomial se llama 'ariabl(' alea-
hinorn i:t l toria hinomial Se trata de una variable aleatoria discreta que puede tomar cual-
di, trib udón d e quiera de los valores O, 1, 2, ... , n. La di\lril>ución d t prohabilidades b inomial
P (~'). que asigna probabilidades a cada valor de Y, se entiende mejor al conside-
probabilicl:1tk!I 1
binomi:tl rar un ejemplo sencillo.
Suponga que tomJmos una muestra aleatoria de 3 individuos de una pobla·
ción con una proporción n de éxitos. La figura 5.1 mue~tra un árbol de probabili-
dad para calcular la distribución de Y. Sumando las probabilidades de las
trayectorias pertinentes, podemos encontrar la distribución de probabilidades bi·
nomial para n - 3. Por ejemplo. las trayectorias segunda, tercera y quinta (con-
tando de arriba hacia ahajo) dan l ' 2; cada una de esas trayectorias tiene
probabilidad irl(l - ir). Para obtener la probahilidad P(f-' 2) sumamos las proba-
bilidades de las trayectorias, Py(2) = Ji(I n-) + ir( 1 1f) + ,r( 1- 1f) 3tr2(1- n-).
La distribución de probabilidades cornpkta es
y: o
P1 ( y): (1 - n»
52 Ensayos de Bernoulh y I~ d1$tnbuc1ón b.nom1al 189
Ensayo 1 Ensayo 2 Ensayo 3 Valor y Probablhdad
E
3
E lt
F 1 . :t
2
E lt
E n
2
F 1 • lt
F 1 • 1l
11(1 · 1t) 2
E ll
2
E ll
F 1 • 11
lt( 1- lt) 2
F 1 • lt
E lt
1t{1· 11) 2
r: 1 • lt
F 1• lt
o {1 • 11) 3
FIGURA 5.1 Árbol de probabilidades para una d1str1buc1ón binomial con n = 3
EJEMPLO 5.4 Encuentre la distribución binomial parJ /1 - 4.
So /uci6n Para economizar espacio, hemos hecho una lista con las tray~ctorias en vez <.le dibu-
jar el árbol. Quizá usted quiera construir el árbol de probabilidad correspondiente.
Trayectoria número Sucesión de la trayectoria )' Probabilidad

1 EEEE 4 11
2 HH 3 1lJ(I - Jt)
3 l.l:H: 3 nJ(l - n)
.a !:HF 2 1t2(1 _ n)l
5 LI 1:.1:. 3 11 3(1 - x)
6 l:.HJ 2 lt 2(1 - ll)2
7 1 1-11· 2 xl(I - n)2
K l:HF 1 11( 1 - n) 3
9 111:.1:. 3 11)(1 -1l)
10 H:FF 2 nz(I _ 1t)2
11 fFFF. 2 x2(l - n}2
12 FEFf 1 n(I - 1t)3
13 ~ fl:.I:. 2 1t2(l -1tJ2
FFF.F 3
14 lt( 1 - Jt)
IS Fffl:. 1 n( 1 - n:) 3
16 IHF o (1 - 71)
4
190 5 CASOS ESPECIALES DE DISTRIBUCION DE PROBABILIDADES
Todas las trayectorias correspondientes a un valor particular l ' ticnc.:n la misma pro-
babilidad. Por ejemplo, cada una de las 6 trayectorias que dan r - l tiene probabi·
lidad ,r( 1'- 1r) 2. Así. sumar las prohabilidadc'> de la trayectoria para un valor
particular y. equivale a multiplicar el número de trayectorias por la probabilidad
apropiada.
y: o 1 2 ) 4
Prfyl: 11 - J1C)
4
4itll - JIC)) b 1
(1 - .,~ 41f Jtl - lf) 1' ..
•
Necesitamos una fórmula para evitar la tarea de cont.3r trayectorias. Podemos
utiliZ'1r los m¿todos de la sección 5.1 . Una forma de especificar una trayectoria en
un experimento binomial consiste en determinar los ensayos en que 11ucede un éxi·
to. Por ejemplo, si n = 5. los éxitos sólo ocurren en los ensayos 1 y 4: en breve, E
en ( 1. 4). Esto especifica la trayectoria EFFEF. El orden de los números de ensayos
es irrelevante; E en (4, 1) también especifica la trayectoria EFFEF. Por consiguien-
te, en n ensayos el número de trayectorias que contienen y éxitos es el mismo que
el número de subconjuntos de tamaño y que se pueden formar con los primeros n
entero~. De la sección 5.1 sabemos que este número es
(n)y = (n!)
y!(n - y)!
Utiliz.-indo esta expresión para el número relevante de trayectorias en un árbol de
probabilidad binomial, obtenemos una expresión general para la distribución
de probabilidades binomial.
D istribución de probabilidades binomial
n!
Pr(J) = y.'(n - y)!
x'(I - .irr- 1
• para y= O. l, . . . ,n
La tabla 1 en el apéndice al final del libro contiene valores numéricos de las pro-
babilidades binomiales. Cada valor de n determina un bloque de probabilidades.
Para los valores de 1t por debajo de 0.5. sus valores se leen en la parte superior del
bloque y los de y a la izquierda. Para los valores de 11' por encima de 0.5, sus valo·
res se leen en la parte inferior. y los valores de y a la derecha.
EJEMPLO 5.5 [n la tabla 1 de probabilidades binomiales del apéndice. encuentre la distribución

de probabilidades de una variable aleatoria binomial para n = S y (a) 1'C - 0.2, (b)
TC - 0.5 y (C) 1'C= 0.7.
Soluct0n En la tabla del apéndice 1 buscamos en el bloqul! correspondiente a n-" S. Para

TC - 0.2 leemos deha10 de la columna correspondiente a O20. para 1'C - 0.5 utiliza-
mo~ la columna TC - O 50. para 1'C = O. 7 leemos orrrba de la columna 1'C - O.70. La
distribución resultante es
52 Ensayos de 8ernoun1 y la distnbuaón bmomial
) o 2 3 4 ,,.·'
P.,{y) para 1r .20 3277 4096 2048 .0512 0064 .0003

P.,{y) para 1r = .SO 0313 .1563 312S .3l2S 1563 .0313
P.¡.y) para 1r 70
P. • 0024 0284 .1323 3087 3602 .1681
•
EJEMPLO 5.6 A la larga, el 200/o de los gerentes que reciben capacit.ición ohticncn la calificación
de sobresaliente, el 500 o la de aceptable > el 30º o la de insatisfactorio. En una mucs-
tr.s de 20 gerentes seleccionados al a.t.ar, encuentre las siguientes probabilidades:
a. Exactamente 4 gerentes son calificados con sobresaliente.
b. Al menos 4 gerentes son calificados con sobresaliente.
c. ~x:.ictamente 15 gerentes son calificados con sobresaliente o aceptable.
d. Al menos 15 gerentes son calificados con sobresaliente o aceptable.
Supon~a que se trata dc un conjunto de ensayos de Bemoulli.
Solución a. Encucntrc el valor correspondiente a n = 20, Tr- 0.20 (en la parte superior del
bloque) e y =4 (a la izquierda). La probabilidad es O.2 182.
b. Sume los valores correspondientes a n - 20. 1C - 0.20 e y - 4, 5, 6, ... , 20
para obtener 0.5886.
c. La probabilidad de que una calificación sea sobrcsalknte o aceptable es
O 20 + 0.50 = 0.70. Encuentre el valor corre'ipon<.liente a n - 29, rr - 0.70 (en
la parte inferior del bloque) e y= 15 (a la derecha)· 0.1789. Otra alternativa es la
siguiente: esta probabilidad es igual a Ja probabilidad de tener exactamente 5
calificaciones insatisfactorias, ~rala que 1C = 0.30 e y= 5. Este razonamiento pro-
porciona el mismo valor en la tabla: 0.1789.
d. Sume los \atores correspondientes a n = 20, Tr- 0.70 e y- 15. 16, ... , 20
para obtener 0.4163. Alternativamente, sume los valores correspondientes a n - 20,
rr - 0.30 e y =5, 4, ... , O para obtener la probabilidad equivalente de 5 o menos ca-
li ticaciones de insatisfactorio. •
El 'alor esperado y la varianza de una \'ariable aleatoria binomial Y depen-

den, por supuesto, de los valores de n y rr.
• Media y varianza de una variable aleatoria binomial
E( Y) e:: r!7!
Var(Y) = nn(l - 11:), ªr:::: Jn.,,.(l - 7t)
El valor esperado que se ha obtenido para la variable aleatoria binomial parece in-
tuitivamente ra1onable. Si. en promedio, 30~o de los gcrenks capacitados son ca-
lificados como sobresalientes, en una muestra de 20 gerentes capacitados
deberíamos esperar que 20(0.3) = 6 reciban dicha calificación.
192 S CASOS ESPECIALES DE OISTRJBUCION DE PROBABILIDADES
5.5 ~.l >'una variable aleatoria binomial. Calcule Pr(V) en cada una de las siguientes
situaciones.
a. n .. 10, ir= .2. y 3
b. n -- 4, n - .4. y == 2
c. n= 16,ir,,..7,y• 12
5.6 Sea runa variable que tiene una d1strihución de probab1l1dades binomial con 11 • 6
y Ir = 0.25.
a. Calcule a m:mo P r (l') para y= 1, 2 y J. Compare sus result:idos con los que apa-
recen en la tabla 1 del apéndice.
b. Trace un histograma de P r (i·).
c. Encuentre la media y la desviación estándar de Y.
S. 7 Sea Y = número de éxitos en 20 ensa}os independientes. donde la probabilidad de
éxito en cualquier ensayo es 0.4. 1-. ncuentrc
a. P(Y ~ 4)
b. PI Y> 41
c. P(Y e;; 101
d. P(Y > 16)
5.8 Sea Y un:i variable aleatoria hinom1al con n "" 20 y Tr = 0.6. En~uentre /'(Y S 16) y
P( }' • 16 ). Compare estas probabilidades con las que encontró en los incisos (a)
y (b) del ejercicio 5.7.
5.9 Una cadena de moteles ha adoptado la política de hacer un descuento del J~o a los
clientes que p:iguen en cfcctl\o en vez de hacerlo con tarjeu de crédito Su ex,.ie-
riencia indica que el 30% de los chentcs aceptan el descuento. Sea Y• número de
persona.~ que aceptan el descuento entre los próximos 20 clientes.
a. ¿Cree usted que las hipótesis binomiales son razonables en esta situación?
b. Suponiendo que las probabilidades binomiales sean aplicables. encuentre Ja pro-
habilidad de que e\actamente 5 entre los próximos :!O clientes acepten el des-
cuento
c. Encuentre P(5 o menos clientes aceptan el descuento).
d. ¿Cuál es el numero más probable de personas que aceptarán el descuento entre
los próximos 20 clientes?
5.1 O En el ejercicio 5.9, encuentre el valor esperado y la des\ iación estándar del número
de personas que aceptan el descuento.
5. 11 1-.n el ejercicio 5.9, utilice la regla empírica para aproximar la probabilidad de que
)'esté a menos de una des\ iac1ón e"tándar del valor esperado. Utilice las tahlas bi-
nomiales para encontrar la probabilidad exacta. ¿1-.s buena la aproximación de la
regla empirica? ¿Qué tanto?
5. 12 Una comp:u'lia pequeib utiliza un servicio de paqueteri:i para enviar los pedidos de
quesos especiales que son para obsequios. l.a compallia ha encontrado que el 90%
de los paquetes se entregan a tiempo. Se en\ia un embarque de 100 poquetes. Sea
Y= numero de paquetes entregados a tiempo.
a. ¿P:irccen ra1onables las hipótesis binomiales en esta situación'?
b. Suponiendo que l:is prohabilidades binomiales se aplican, encuentre P( Y 2 85).
5.13 Suponiendo probabilidades binomiales. encuentre E( Y)) º>en el ejercic io 5.12.
S 14 Un fohrtc.3nte de medicamentos :ilirma que sólo el 1O'Yo de las mcdu:inas que re·
sultan efecti,as en las pruebas con animales pasan el resto de las que se exigen
para su comerciali1.ación. Actualmente. el fabricante tiene 8 nuc,os medicamentos
de probada efectividad en experimentos con animales y que espcr::n pasar en las
siguientes pruebas.
193
a. Encuentre la r>robabilidad de que ninguno de los 8 medicamentos sea co-

merciali7.ado.
b. Encuentre la r>robabilidad de que al menos 2 de ellos sean comercialitados.
c. Encuentre el número esperado de medicamentos comerci.ili1.ados entre los 8.
5.15 Trace el histograma de Py(.V) para el ejercicio 5.14.
5.3 DISTRIBUCIÓN HIPERGEOMÉTRICA

•
di trihudón de Las fórmulas de recuento de la sección 5. 1 se pueden utilízar para definir la distri-
probabilidades bución de ¡lrohabilidadcs hipergcométrica . En esta sección establecemos una
hipcrgcométrica fórmula para esta dístribución y la relacionamos con la distribución binomíal.
Es fácil descríbir la sítuación que nos lleva a la distribucíón hipergeométríca.
Debe haber una población que contenga cierto número N1:. de éxitos y un cierto nú-
mero NF de fracasos. El tamai'\o total de la población es N - Nr + Nr- • Se toma de
la poblacíón una muestra de tamaño n, sin hacer reemplazos. La variable aleato-
ria relevante es Y= número de éxitos observados en la muestra. El ejemplo 5.1 ilus-
tra tal situación: hay 13 éxitos (cuentas erróneas) y 74 fracasos en la población, y
el tama1'o de la muestra es n =- 1O. Este ejemplo introduce el principio básico de
la distríbución hípergeométrica. que no es otro que la interpretación clásica de la
probabílidad:
.. número de resultados a favor del evento

P(evento) = número total de resultados
En este contexto, "resultado" significa "muestra". Hay (~) muestras posibles

de tamaño n que se pueden tomar de una población de !Jlmal\o N. Las que favore-
cen al evento son aquellas que tienen exactamente y éxítos y n - y fracasos. Como
se ind ica en el ejemplo S. 1, hay ( 'f! X,/!.~) muestras con tales características, lo que
nos lleva a la siguiente dístribución hipergeométrica:
Distribución de probabilidades hipergeométrica

Y"' número de éxitos en una muestra aleatoria de tamal\o n (tomada sin reemplaza-
miento) de una población que consiste en NE éxitos y Nr fracasos.
y= O, l .... ,n
• AW1quc por lo general utilizamos letras mayüsculu para denotar variables aleacoriu, esw lctnu "N" no
son vanablet aleatorias sino cons11ntes.
194 5 CASOS ESPECIALES DE DISTRJBUCION DE PROBABILIDADES
EJEMPLO 5.7 En el ejemplo 5.1 consideramos tomar una muestr.i de 10 de las ~7 cuentas de una
compal'lía. De las 87, 13 tenían errores Encuentre P(2 cuentas incorrectas en la
muestrl ).
Solueton Tenemos N= 87, n = 10. NF. = 13 y. por lo tanto, N>'- 74; i.¡ueremos P(Y 2).
(~)Co J i),. 1.115.600.000.000 _ .294

7
P,(ll _
(~~) 4.000.800,000.000
•
Aunque podríamos citar muchos otros ejemplos de situaciones "hipergcomé·
tricas", preferimos acentuar la estrecha relación entre las probabilidades binomial
e h1pergeoml!trica. ~¡ el tamaño \ de la poblaciún e' grandr (en rl'l:u:iún con l'I
l::11nalio 11 de l:t muc\ lra ). l;e di1,tinción l'ntrc la' di,tríbuciunl'' hínomial e hi-
pergeométrica es despreciable. S1 una muestra aleatoria de t<lmai\o 100 se toma
de una población de 100,000.000. no importa qué distribución de probabilidades se
utilice, la binomial o la hipergcométrica.
EJEMPLO 5.8 Encuentre P(2 cuentas incorrectas) en el ejemplo 5. 7 utilizando una distribución de
probabilidades binomial.
1
Solucion Tomamos n - 10 y n = IJ/87 ""O. 149. Así. P(2 cuentas incorrectas) -(':)o.149)
(0.851}8 "'0.275. Esta probabilidad la hemos calculado utilizando la distribución
binomial. Es aproximadamente igual a 0.30. la probabilidad de 2 cuentas erróneas
i.¡uc habíamos calculado con la distribución de probabilidades hipcrgeométrica. A
medida que N aumenta, dichas probabilidades se hacen mas próximas entre sí. •
La t.."Strecha rdación entre las probabilidades binomial e hipcrgeométrica se

extiende a los valores esperados y las varianzas. Aunque no lo demostraremos, la
media y la varianza de una distribución de probabilidades hipergcométrica son:
Valor esperado y varianza de una variable

aJcacoria hipergeomecrica Y
N
E(Y) = "~
NE(
Var( Y) = n- 1 - - - - NF)N-n
N N- 1N
El cociente N1/N es exactamente lí, la probabilidad de éxito en un solo ensayo. En el

ejemplo 5.8 tomamos re=- 13/87. Por consiguiente. el valor esperado de la variable
hipergeométrica Y es E( Y) = n1C, igual que la binomial. Sustituyendo 1r N1/N, la
01stnbuc1ones geom~tr1ca y bonom.al ne¡at1va 195
vnrian:za de la variable hipergeométrica se reduce a nn( 1 - 1r)[(N - n)/(N - 1)j, en

compar.icil>n con la varianza binomial nn( 1 - n). l la) un factor adicional (N - n)f(N
r1u•tor d e corrl'C- - 1) llamado factor de corrección de pobl:tcionc<1 finitas. Este factor es exactamen-
\ 11111 cfr puhl:tcio- te ig ual a 1 cuando n = 1; de lo contrario. ce; mcnor que 1. Para la mayoría de las si-
n l·~ finita \ t unc i one<., prácticas en las que la muestra es una fracción muy pequeña de la
pohlaciún (ne\ mucho más riequcr~o que NI. el factor(N - n)/(N - 1) es :iproximada·
mente igual a 1. Por ejemplo, sin 100 y N - 100,000.000. entonces (N - n)l(N
1)"'0.999999. J-c; por ello que en Ja mayoría de las situaciones no nos preocupa-
mos por la distinción entre las distribuciones de probabilidades binomial e hiper-
geométrica, pues sólo consiste en una pequeña diferencia numérica.
5. 16 Sea Y una variable aleatoria hiriergeométrica con Nr:. - 3, NF "" 4 y 11 3.

a. Calcule p y(I') rara y"" º· 1. 2. 3.
b. l"race una gnHica de esta distribución de prohahilidades.
5.17 En el ejercicio 5.16, encuentre la media y la desviación estándar de la variable alca-
1oria Y.
5.18 Calcule /' r (2) para una "ariahle aleatoria hipcrgeométrica r en cada una de las si-
guientes situaciones:
a. NE= 2, N,. 3. n J
b. Nr:. = 4, Nr = 4, n = S
c. Nr = 5, N¡; = 1. n .. 3
5.19 1-.n cada una de las situaciones siguientes, calcule la prohabilídad de que Y= O:
a. Y es una binomial con 11 = 5 y 1r -= 0.40.
b. )'es hipcrgeométrica con Ne = 2, Nr - 3 y n = S.
5.20 Remítase a los ejercicios 5.3 y 5.4.
a. Encuentre la prohabilidad de que d catador seleccione los 4 vasos correctos. su-
poniendo que Ja selección es aleatoria.
b. Encuentre P tÜ') donde r numero de elecciones correctas.
5.21 Surionga que de 2500 cuentas comerciales de un banco. 125 han sido alteradas frau-
dulentamente. Las alteraciones son lo hastante sutiles como para que sólo una audi-
toria mu)> detallada las pueda descubrir. Se eligen al a1.ar 50 cuentas comerciales
para una revisión detallada. ¿Cu:il es la probahilidad de que se descuhra al menos
una de las cuenta~ alteradas'.'
5.22 Encuentre el valor esperado y la \'arian1.a del numero de cuentas alteradas descu-
biertas en la auditoria del ejercicio 5.21.
5.23 Utilice la aproximación binomial para responder a los ejercicios 5.21 y 5.22. ¿Cuán·
to se aproximan entre sí las respuestas numéricas':'
DISTRIBUCIONES GEOMÉTRICA Y
5.4 BINOMIAL NEGATIVA
los ensayos de Bcmoulli, analizados en la sección 5.2. se caracterizan por producir

en cada e xperimento un éxito o un fracaso con prob:ibilidades con!-tantes y
por ser independientes entre si. En el primer contacto que tuvimos con ellos sólo nos.
interesó el caso en que el número de ensayos es fijo y el número de éxitos aleatorio.
196 S CASOS ESPECIALES DE DISTRJBUCION DE PR08ABIUDADES
1la> ocasiones en que la <>ituación es la opue<>ta: el número de éxitos es fijo y el de en-

"ª) OS. aleatorio. En e<,t:i sección tratamos con este tipo de situaciones. las cuales nos
lle' arla las distribuciones de probabilidades geométrica y binomial negativa.
Muchos bancos suplementan sus servicios de pago tradicionales con cajeros
automáticos, máquinas que funcionan con tarjetas. Existe el riesgo de que la máqui-
na sea operada con tarjetas bancarias no autorizadas. Suponga que uno de cada mil
intentos de transacción en el cajero autom3tico implica el uso no permitido de una
tarjeta bancaria. S1 consideramos cada transacción como un en'\a)o (e ignoramos la
pos1b1lidad de operaciones repetidas utilizando la mi<>ma tarjeta). podemos suponer
que se trata de una serie de ensayos de Remoulli. La distribución binomial de la
sección 5.2 permite encontrar probabilidades tales como que haya más de 20 usos
no autorizados dentro de las próximas 10,000 transacciones. En tal situación, el nú-
mero de ensayos (transacciones) sería fijo y el número de éxitos (usos no autoriza-
dos), aleatorio. Alternativamente, podemos preguntar el número de transacciones
que tienen lugar antes del siguiente uso no autorizado, o antes del décimo. Esto nos
lleva a las 1.fütribuc1ones de probabilidades geométrica ) binomial negativa.
La distribución geométrica se presenta cuando consideramos Y número de en-
sa) os requeridos para obtener el siguiente éxito. FI árbol de probabilidad paro una \a-
nablc aleatoria geométrica es mu) l>imple. Pedir y cnc;ayos para alcanzar un éxito es
Jo mismo que requerir que haya y- 1 fracaso<> consecuti\ os c;eguidos por un éxito.
Dist ribución de probabilidades geométrica

En una serie de ensayos de Bernoulli, defina Y= número de ensayos requeridos
para alcanzar un éxito. En tal caso
y= '· 2. 3, .. .
donde JC es la probabilidad de éxito en c ualquier ensayo.
•
Estas probabilidades forman una serie geométrica. Si Ir= 0.2, las probabilida-
des son 0.2, 0.2(0.8). 0.2(0.8) 2,.. •• ·
EJEMPLO S.9 Las etiquetas en los frascos de Jos medicamentos se examinan con un lector óptico
para comprobar que están debidamente adheridas a las botellas. Suponga que la
probabilidad de descubrir una etiqueta mal adherida es 1f - 0.0001. Calcule la pro-
babilidad de que el proceso detecte una etiqueta con tales características en el pri-
mer ensayo. También calcule la probabilidad de que el proceso descubra por
primera vez una etiqueta mal adherida en la diezm:~~.,1ma botella.
Solución El evento "etiqueta mal adherida en el ensayo 1" es lo mismo que el evento
"Y"" I". donde Y= número de ensayos para encontrar la primera etiqueta
mal adherida. Dando por sentado que los ensayos son d~ Rernoulli. con P(éxi-
to) 1f == 0.000 l. cmrleamos una distribución geométrica. P( Y = 1) P y ( 1) =
(0.0001 )(0.9999) 1 1 = 0.0001. El evento "primera etiqueta mal adherida en
la botella 10,000" es lo mismo que el evento "Y 10,000" y tiene probabilidad
S.1 01smbuc1ones ceométnca y b1nom1al ne¡auva 197
Py ( 10.000)"" (0.000 l )(0.9999)'°·º00 - 1

= 0.0000368. Observe que, aun cuando
esper3mos una etiqueta mal adherida en cada 10,000 botellas, Ja probabilidad
de! que en la siguiente botella se encuentre una de ellas es m:ís alta que Ja pro-
babilidad de que se encuentre después de 10,000 botellas. •
La media {valor esperado) y la varianza de una variable aleatoria geométnca

se pueden calcular por medio de una fórmula abreviada:
Media y varianza de una variable aleatoria geométrica
• 1
l:.(Y) =-
n
1- lt
Var(Y) - - -
1-
"
donde rr es la probabilidad de éxito en cualquier ensayo.
•
EJEMPLO 5 . 1O Utilizando las hipótesis del ejercicio 5.9, encuentre el valor esperado y la varianza del
número de etiquetas examinadas hasta que se encuentra una etiqueta mal ..idhcridu.
Solución Tenemos que rr =0.0001, de modo que E( n ~ 1 (0.0001) - 10,000. Es ra¿onable

pensar que si una de cada 10,000 etiquetas está mal adherida, tendremos que espe-
rar un promedio de 10,000 botellas para encontrar una botella con tales caracterís-
ticas . La varianza es (1 - 0.0001)/(0.0001) 2 99,990,000; por lo tanto. la
desviación estándar de Yes J99,990.000 = 9999.S. •
La idea de contar el número de ensayos hasta alcanzar el siguiente éxito se

puede extender a contar el número de ensa) os para alcanz.ar el k-ésimo éxito. Por
ejemplo, una empresa que realiza c:.tudios de mercado necesita encontrar k = 100
mujeres que tengan un trabajo a tiempo completo y vean cieno programa de noti-
cias en una estación de televisión local. Para encontrarlas, deberá entre\ istar un
número aleatorio de candidatas potenciales. Cada entrevista es un ensayo, la varia-
ble aleatoria más relevante es Y= número de entrevistas necesarias para obtener
100 mujeres que cumplan los requisitos. Si las hipótesis de tos ensayos de Bcr-
noulli se cumplen (ensayos que se traducen en éxito o en fracaso, probabilidad de
~xito constante, independencia), la distrihución de probabilidades de Y= número
de ensayos necesarios para obtener Je éxitos, es una hinomial negativa.
Distribución binomial negativa

Si Y= numero de ensayos para obtener k éxitos, entonce~
o •) - (y - l)! •tt - )' • •. k 1

,->(} - (k - l)!(y - k)! lf ' lf y= 1t, + , ...
198 S CASOS ESPECIALES DE DISTRIBUCION DE PROBABILIDADES
La razón por Ja cual y - 1 y le 1 aparecen en la expresión para la distribuc16n

binomial negativa es que debe haber le - 1 cxitos en los primeros y- 1 ensayos. sc-
guid9s por un éxito (en el ensayo y).
EJEMPLO 5. 11 En el ejemplo 5.9 supusimos que la probabilidad de una etiqueta mal adherida era de
0.0001 . Suponga que se n«esitan 50 etiquetas mal adheridas para estudiar por qué
r:t76n ec;tán mol pegadas. Escriba una expresión para la probabilidad de que se re-
quieran 100,000 o más botellas hasta alcanzar la cifra de 50 etiquetas mal adheridas.
Solución Podemos considerar el número de éxitos (etiquetas mal adheridas) como fijo, y en-
contrar la prohabilidad de que Y = número requerido de botellas sea al menos
100,000:
"' (y - l)! ~
1
P( Y~ 100.000J = ~ (SO_ l)!(y _ SO)! (.0001)~ (.9999)'
0
•
Dado que la distribución binomial negativa es simplemente la extensión de la
distribución geométrica a le .> 1 éxitos. no nos sorprende que las expresiones para
la media y la \ arian1.a de la distribución binomial negativa 'iean extensiones de las
expresiones correspondientes parc1 la distribución geométrica.
Media y varianza de la distribución binomial negativa

Si Y= número de ensayos requeridos para obtener le éxitos.
k
F.( YJ .. -
7[
Var(Y) = lc(l !T-2 rr)
EJEMPLO 5. 12 Encuentre el valor esperado y la desviación estándar del número de hotellas reque·
rido para encontrar 50 etiquetas mal adheridas. suponiendo que la prohabtlidad de
una etiqueta mal adherida es de 0.0001 .
Solución E(Y) - S0/0 .0001 = 500,000. Var( = 50(0.9999)/(0.0001) 2 =4,999,500,000. La

desviación cstándar es 4.999,500,000 =70,707. •
No todas las situaciones relativas a los ensayos de Bcmoulli se pucden resol·

\er con las distribuciones binomial o binomial negati\a. Si Y= número de ensayos
requeridos para 31canzar dos éxitos consecutivos, entonci:s ni el numero de ensa·
yos ni el número de éxitos es fijo, de modo que ninguna de las prob:ibilidades bi-
nomial o binomial negativa es aplicable. En tal caso es necesario volver a los
principios básicos paro encontrar las probabilidades relevantes.
-
S.S D1Suibuct6n de Po1sson 199
5.5 DISTRIBUCIÓN DE POISSON

- - -- ---- - -
Cuando una sucesíón de eventos parece suceder al aL;.1r a lo largo del tiempo se pre-
senta una clase diferente de 5ituaciones probabilísticas. Una planta de electricidad
afronta ocasionalmente tormentas eléctricas que provocan la caída de las líneas de
transpone de energía o dai'lan los transformadores. Aunque la probabilidad en el lí-
mite de que ocurran tales tormentas se puede determinar con bastante precisión, el
momento en que! se presentará la siguiente tormenta es más bien impredecible. Una
compai'lía que asegura barcos petroleros no puede predecir el momento en que ocu-
rrirá el siguiente naufragio. El director del centro de cálculo de una universidad se
enfrenta a la variación aleatoria del ritmo en que le envían los trabajos. Es muy
importante saber cómo protegerse en tales situaciones contra la probable v:Jriación.
dis tribució n d e La d h lribució n de probabilidades de Poi~so n* es el modelo más simple y
proh:tbílidad es utilitado de aquello~ eventos que ocurren aleatoriamente a lo largo del tiempo. Esta
de l'oisson distribución es el resultado matemático de cienas hipótesis. Si en una situación par-
ticular estas hipótesis no son correctas, al menos aproximadamente, la distribución
de Poísson puede ser un mal modelo. Las dos hipótesis cruciales se pueden tradu-
cir como sigue (sin preocup•irse demasiado por las exquisiteces matemáticas):
1. l.:2s eventos suceden uno cada vez. No hay dos o más eventos que ocurran
precisamente en el mismo instante.
2. La ocurrencia del evento de interés en un periodo dado C'> independiente de
su ocurrencia en otro periodo con el qui: no se c;uperpong:J.; es Jccir, la ocu-
rrencia (o no ocurrencia) de un evento durante un periodo no cambia la
probabilidad de que el evento ocurra l!n algún periodo de tiempo posterior.
En muchos casos se ai'lade una tercera hipótesis: el número esperado de even-
tos en un periodo de longitud especifica permanece constante, de modo que el nú-
mero esperado de C\cntos en un periodo es el mismo que en cualquier otro. Esta
tercera hipótesis hace las cosas más fáciles, pero se ha probado que es esencialmente
irrelevante. En la medida en que las dos primeras hipótesis se cumplen, el resultado
es una distribución de Poisson.
Hay do:. manera-; de analizar si una distribución de Poisson es o no un mo-
delo adecuado para una situación dada. Una consiste en ver sí las hipótesis son
razonables en un contexto dado; Ja otra, en ver si el histogram:i de los datos exis-
tente:. tiene el aspecto de un histograma de Poisson. Por supuesto, lo ideal es te-
ner ambas cosas.
EJEMPLO 5. 13 E.n las tres situaciones descritas al comienzo de esta sección, ¿se cumplen las hipó-
tesis de Poisson?
Solución Esperaríamos que en el caso de la planta de electricidad la hipótesis de independen-

cia fuese dudosa. Nos parece que si en una tormenta el~ctrica un rayo alcanza algún
equipo, es muy probable que otro ra)O de la misma tormenta o de otra vecina al-
cance a otro equipo. En el ejemplo del barco petrolero, podríamos argumentar que,
• Llamada llJI rn honor a Simron Poisson. rl matemático que la derivó por primera vez.
puesto que un barco grande puede chocar con otro, hundiéndose ambos, la hipóte-
sis de que los eventos suceden uno cada vez no se cumple. Aunque esto es realmen-
te posib~e. podemos suponer que tales accidentes son lo bnstnnte raro!> como para
que la distribución de Poisson sea un modelo acepuible de la probabilidad de que un
ba~co petrolero se hund<l en un periodo dado. En d centro de cálculo, todo depende
de l:i situación. Si hay tan sólo unas cuantas terminales y no se puede trabajar en
ellas mientras se ejecuta un trabajo, entonces se reduce la probabilidad de que se re-
ciba otro trabajo (de~d e la misma terminal) un poco más tarde. lo que viola la hipó-
tesis de independencia. Pero si hay muchas tenninales o en las tennmalec, se puede
c;eguar trabajando mientras se ejecutan los trabajos, las hipótesis de J>oisson no~ pa-
recen correctas. ¡Nos gustaría ver algunos dato~! •
Distribución de probabilidades de Poisson
y= o. 1, 2,. ..
donde µ es el número esperado de evento:-. que suceden en un periodo y
(' -:: 2. 71828 ...
Una variable aleatoria de Poisson Y es el número de eventos aleatorios 4ue

suceden en un periodo fijo; en principio, no hay un límite superior para los valores
de y, aunque en la práctica los valores muy grandes de r son poco comune~. En la
tabla 2 del apéndice mm.tramos las probabilidades para la distribución de probabi-
hdadcs de Poisson. Para encontrarµ, a menudo es necesario multiplicar la tasa es-
perada por unidad de tiempo (i.e., una hora) por el número de unidades de tiempo
que h3)' en cada periodo (i.e., horas por tumo).
EJEMPLO 5.14 Los sábados por la mañana. los dientes entran a una pequeña tiemla de un centro
comercial suburbano a una tasa esperada de 0.50 por minuto. Sea Y= número de
clientes que entran en un intervalo específico de 10 minutos Encuentre las siguien-
tes prnhabiltdades:
a . P( Y = 3)
b. P( Y S 3)
c. P(Y ~ 4)
d. P(4 $ Y $ 10)
Solución Las hipótesis de Pois!>on parecen ser ra.wnablcs en este contexto. üamo~ por sen-
tado que los clientes no llegan en grupos (o podemos contar al grupo entero <.:orno
un solo cliente) y que la entrada de un cliente no aumenta ni disminuye la probabi-
lidad de que llegue otro.
Para obtenerµ, observamos que a una tasa media de 0 .50 por minuto durante
un periodo de 1O minutos, podremos esperarµ (0.50)( 1O) 5.0 entradas. Para
encontrar las probabilidades, consultamos la tabla 2 del apéndice .
SS Oostnbuoón de Po.non
,.,
a. P(Y- 3) se lee directamente de Ja tabla 2 del apéndice, conµ,., 5 e y o J·
P(Y-3)-01403
b. P( Y <:, 3) = PO' - O) + P( Y = 1) + P( Y =2) + P( Y - 3) =O.0067 + O. 03 37
+ 0.0843 + 0.1403 =0.2650.
c. P(Y~4)= l - P(Y$3) - I 0.2650 0.7350
d. P(4 S Y .s; 10) ""'"P(Y= 4) + P(Y= 5) + ... + P(Y- 10) 0. 1755 + 0.1755
+ ... + 0.0181 = 0.7213 •
Como se indicó en la definición de la distribución de probabilidades de Pois-

son. el valor esperado es E( Y) = µ. La varianza de una variable aleatoria de Poisson
también es µ.
Media y varianza de una variable aleatoria de Poisson
Si Y tiene una distribución de Poisson. entonces

E(l')=µ
Var(Y) µ =
EJEMPLO S. 1S En el ejemplo 5.14, encuentre la desviación estándar de Y.
Solución En el ejemplo 5.14 encontramos que µ = 5.0. Así,
"r = J var(Y) = N = 2.24 •

:1pr o,imaciún ele La distribución de Poisson nos da una buena aproximación a la distribución
Poi''º" a la' tk probabilidades binomial cuando 1res peque~a. n es grande y ntres menor que 5.
d i\I ribucion<'' En tal caso. el valor esperado de Poisson µse iguala con el valor esperodo de la va-
hi 110 m ial<' ~ riahle binomial mr.
EJEMPLO 5.16 En un ensayo clínico, una muestra de 1000 pacientes están siendo tratados con un
nuc\ o medicamento. Si suponemos que 1í = 0.001, calcule la probabilidad de que
ninguno de los pacientes experimente efectos colaterales (náuseas, por ejemplo).
Solución La media de la distribución binomial esµ = nlí - 1000(0.001) l. Sustituyendo en

la distribución de probabilidades de Poisson. conµ= 1, tenemos que
(t)0 e- 1 _
Pr(O) =- -!-
0
=t 1
= .3679
La probabilidad corres[)9ndiente calculada con la distribución de probabilidades
bi~omial es
0 1000
('c:'Xo.001)(0.999) .. 03677. •
202 5 CASOS ESPECIALES DE DISTRJBUCION DE PROBA81LIDADES
5.:!4
" Sea Y una variable aleatoria con una distribución de Poisson . Utilice la tabl:i 2 del
apéndice para calcular
a. Py(l)paraµ 0.4,µ=0.7yµ=4.8;
b. P(YS3)paraµ = l.6yµ = 7.0;
c. P(YS 10) pm µ = 2.1yµ ,.. 10.0.
5.25 Calcule la distribución de probabilidades de Poisson para µ O S y rcprcséntcla
gráficamente. ¿Es m:is o menos simétrica esta distrihución'?
5.26 IJna compa"ia que asegura casas contra incendios asume que las reclamaciones
por indemni1ación se solicitan de acuerdo con una distribución de 1•oisson a ra-
tón de 2.25 por semana. Sea Y el número de reclamaciones que aparecen en un pe-
riodo de 4 o;emanas. Encuentre (a) P( Y$ 10). (b) PC Y~ 7) y (e) f'( 7 < Y$ 11 ).
5.27 l~n el CJerc1c10 5.26 encuentre el valor esperado y la desviación e\tándar de Y.
5.2& En el ejercicio S.26, ¿puede usted pensar en algunas situac1onec; que hari:in 1rr:izo-
nablc la hipótesis de Poisson?
5.29 Los camiones para el transporte de troncos tienen problemas con loe; neum;íticos de-
bido a pinchaduras y cortes. Estos 'ehiculos se conducen a gr:in \clocidad sohre ca-
minos de tierra sinuosos. Suponga que tales ~sperfeetos suceden conforme a una
d1stnhución de Poisson, a una tasa media de 4.0 por cada 10.000 mill:is.
a. Si un camión recorre 1000 millas en una semana, ¿cuál es la probab1l id ad de que
sus neumáticos no sufran ningún daño'?
b. ¿Cuál es la prohahilid:id de que sufra al meno<. dos 3\erias?
5.JO En el ejercicio S.29. ¿cu:il es el valor esperado > la des\ iación ec;tándar del número
de dal\os en los neumáticos por cada 1000 millas de recorrido,,
5.31 l.:i distrihución de Poisson tambicn se aplica a e\entos que ocurren aleatoriamente
sohrc una superficie o un volumen. Los pedacitos de chocolate di<;persos en una
)'la'lt3 de galleta bien me1.clada tienden a seguir una distribución de Poisson IJna
panaderi:i produce galletas con un promedio de 8 pedacitos por galleta.
a. ¿Cuál es la probabilidad de que una galleta no tenga pedacitos de chocolate
( i horror!)?
b. Se considera que una galleta es aceptahle si tiene al meno<; 5 pedacitos. ¿Qué
fracción de las galletas son :iceptables?
5.6 LA DISTRIBUCIÓN UNIFORME

•
La distribución continu3 más simple es la distribución unifonnc. S1 }'tiene una dis-
tribución uniforme, su densidad se distribuye por igual entre dos valores cuales-
quiera a y b. En Ja figura 5.2 se muestra Ja densidad uniforme. Esta densidad surge
de un modo natural en la selección aleatoria de números. Si Y - número seleccio-
nado aleatonamente entre O y 1, entonces la densidad de probnb1Jidad de Y es pla-
na sobre el intcrv:ilo O a 1: ningún número tiene una probabilidad (densid:id) más
:ilta que otro.
Las fórmulas hásicas para un v:iri:ible aleatoria uniforme (función de densi-
dad. valor esperado y varianza) son muy simples.
S6 La distribución uorforme 203
_1_
b-a
y
8 b
FIGURAS.2 Densidad uniforme
Función de densidad, media y varianza de una

variable aleatoria uniforme
1
si a< y< b
fr(Y) - b - a'
{ O, en otro caso
a+b
E(Y) = -
2-
V (Y)=(b-a)2
ar 12
Las probabilidades para las \.ariables aleatorias uniformes se pueden encon-

trar geométricamente. Por ejemplo. suponga que Y está distribuida uní formcmente
entre O y 50. ¿Cuál es la probabilidad de que Y se encuentre entre 1O y 40? La fi.
gura 5.3 retrata la situación. La probabilidad que se busca es el área del rectángu-
lo: la base por la altura. Por consiguiente, P( 1O < Y < 40) = 30( 1 50) - 0.6.
También podemos encontrar probabilidades uniformes utilizando el cálculo
e lemental. Si Y está distribuida uniformemente entre O y 50,
P(IO < y< 40) = J'°(~)dy =

10 so
Ll.o
so10
(40 - 10)
= so = .ó
1
50
o 10 40 50
FIGURAS .3 Probab1hdades de una distribución uniforme
EJEMPLO 5.17 Una compaiHa que vende por correo programas de software para microcomputado-
ras. ha encontrado que entre el 5% y el 15% de los pedidos diarios requieren un en-
vío e9Pecial. Suponga que, como una primera aproximación. consideramos que la
distribución de Y= porcentaje de pedidos en un dia seleccionado al amr es unifor-
me sobre el intervalo que va de 5 a 15. Encuentre la media y la desviación están-
dar de Y y la probabilidad de que Y se encuentre entre 9 y 12.
Solución Tenemos que a= 5 y b = 15. Por consiguiente.
f(}') = (5 + 15) = 10
2
=(IS~ 5) = 8.3333
2
Var(Y)
<1y = ' 8.3333 = 2.89

La prohabilidad de 1.JUC Y se encuentre entre 9 y 12 es el área del rectángulo CM
base 12 - 9 .s 3 y altura 1/(15 - 5) =O. 1. Por lo tanto.
= 3(.1) = .3
P(9 < Y< 12)
•
SECCIÓN S.6 EJERCICIOS
5.32 Suponga que Y es una variable aleatoria d1strtbu1d:i uniformemente en el intervalo

10 <y< 120. Trace una gnifica de Ja densidad de Y y encuentre la probabilidad de
que r se encuentre en el intervalo 60 <y< 85
5.33 En el eJercic10 5.32. encuentre el \alor esperado y la des' 1ación estandar de Y.
5.34 Calcule las siguientes probabilidades para una urtable aleatoria uniforme sobre el
intervalo O<y< 200:
a. P(IO < }' < 50)
b P(Y > 50)
c. P( Y S 120)
5.35 Una maquina que marca nümeros telefónicos al aLar selecciona aleatoriamente los
últimos cuatro digitos entre 0000 y 9999 (incluidos ambos). Trate a Ja Hriable
Y número seleccionado como si fuese continua (aun cuando sólo hay 10,000 posi·
bilid::ides discretas) y uniformemente d1s1nhuidt1.
a Encuentre P(0300 < Y S 1300).
b. l::.ncuentre la varianza de Y.
5.36 rn loi; dlas del verano, Y • tiempo de retraso de un tren de enlace suburbano se p~
de modelar como distribuida uniformemente entre O)' 20 minutos
a. Encuent~ la probabilidad de que el tren llegue por lo menos con 8 minutos de retraso.
b. Encuentre Ja desviación estándar del tiempo de retraso del tren.
5.7 DISTRIBUCIÓN EX PONENCIAL ( J)

~~~~~..:..-..;.....~~~~~~~~~~~~~~
La distribución de Po1sson analiz.ada en la sección 5.5 se aplica a eventos que suce-

den aleatoriamente a lo largo del tiempo. Específicamente. se aplica a Y - número de
eventos que suceden en un periodo fijo. Si los eventos no suceden aleatoriamente
5. 7 Oinnbucíón exponencill (Í) 205
en el tiempo, también nos podemos preguntar acerca de W - tiempo de espera hasta

que suceda el siguiente e\ento. Bajo hipótesis adecuadas, la distribución de proba-
bilidades de W sigue una distribución exponencial. A diferencia de la variable ale&1-
toria discreta de Poisson, la variable aleatoria exponencial es continua.
Recuerde que las hipótesis para una distribución de Poisson son que los even-
tos sucedan separadamente y que la ocurrencia de un evento en un periodo no cam-
bie su probabilidad de ocurrencia en otro periodo. En un problema de tiempos de
espera, debemos asumir también que la\tasa esperada de ocurrencia es constante a
lo largo del periodo. Así, si hay una situación de horas de afluencia-horas de esca-
sez en la que los eventos suceden primero con mucha frecuencia y después muy es-
paciados, la distribución exponencial no se puede aplicar.
Uno de los muchos usos de la distribución exponencial es en los problemas de
fiabilidad. Si un componente de un !>istema folla sólo n causa de fenómenos alea-
torios (en contraste con las fallas por desgaste), es razonable suponer que el buen
funcionamiento en períodos previos no cambia la probabilidad de una falla en el si·
guiente período y que Ja tasa de fallas es constante a lo largo del tiempo. Es obvio
que no puede haber una aglomeración de fallas en un solo componente y en un solo
periodo. Dadas estas hipótesis, la densidad W - tiempo para el siguiente evento, es
exponencial.
Densidad exponencial
Suponga que los eventos suceden aleatoriamente a lo largo del tiempo, con un
tiempo esperado entre eventos µ. Si W - tiempo para el siguiente evento. entonces
fw(w) = G-)e-•1
•,
E(W) = µ
Var(W)'"" µ 2
A la densidad exponencial se le llama con frecuencí&1 di'>tribución de "tiempo

de espera" porque a menudo se le utiliza como un modelo dd tiempo que hay que
esperar para que suceda el siguiente evento.
Las probabilidades relacionadas con la densidad exponencial se pueden en-
contrar utilizando el cálculo integral elemental. No es dificil demostrar que
f (;)e-w 1
"dw = e-• 1
" - e-"~
La mayoría de las calculadoras y muchos programas de computadora e"·alúan auto·
mat1c;imcnte el numero e'.
( JEMPLO 5.18 El tiempo medio entre dos solicitudes de trabajo a una mncrocomputadora durante
un día de trabajo es de 2.5 minutos. Suponga que los trnbajos llegan aleatoriamen-
te a lo largo del tiempo a una tasa esperada consrnnte.
206 S CASOS ESPECIALES DE DISTRJBUCIÓN DE PROBABILIDADES
a ¿Cuál es la probabilidad de que el tiempo de espera se encuentre entre 2

) 5 minutos?
, b. Encuentre la media y la desviación estándar de los tiempos de espera en-
tre trabajos.
Solución a. Se ha especificado queµ= 2.5 minutos,
P(2 < W < 5) = fs(-1-)~- ..¡isdw

2 2..S
= .4493 - .1353
= .3140
b. La media de W se especificó como 2.5. La \ arianza esµ"= (2.5 }2 -== 6.25.

La desviación estándar es. como siempre, la raíz cuadrada de la varianza.
J6.2S =2.S. Curiosamente, en esta distribución la desviación estándar es igual
a la media. •
La densidad exponencial es sólo un modelo. El uso adecuado de éste requie-

re que las hipótesis subyacentes ~ean válidas. La hipótesis de independencia a lo
largo del tiempo es especialmente importante para la aplicación de la densidad ex-
ponencial, al igual que la hipótesis de la tasa media es~rada constante.
EJEMPLO 5.19 En el ejemplo S.18 supusimos que los trabajos se envían a la computadora a inter-
valos de 2.5 minutos. Suponga que
a. La solicitud de un trabajo tiende a llevar tras de si la ~olicitud inmediata
de otro trabajo relacionado;
b. Los trabajos tienden a recibirse "en cierta hora", cuando los empleados
llegan o se van a una reunión.
¿Qué hipótesis se ponen en tela de juicio con cada tendencia?
Soluc1ón a Aquí t!Xiste una dependencia. Si un trabajo se solicita en un periodo, hay mayor
probabilidad de que otro trabajo se solicite casi de inmediato.
b. Aquí la tasa media de ocurrencias no es constante. La tasa es más alta
"en cierta hora". •
~ J 7 Utilice una calculador-J que evalúe e' para encontrar el valor de Ja función de den-
sidad cxponencial/rM paraµ 2.5 y y= O. 0 .5, 1 O, 1.5 y 2.0. Bosqueje la función
de densidad.
S 38 Calcule las siguientes probabilidades para una vari3hle aleatoria uponenc1al con
µ. 2.
Sección S 7 Ercrc1c1os 207
a. P( Y> 21
b. P(Y > 1)
c. Ptl < Y < 2)
d. P(I :S Y :S 2)
(Sugerencia: En el inciso (d}, utilice la lógica, no la calculadora.)
5.39 En un centro rural para la atención de emergencias el tiemrio entre llegadas sigue
una distribución e\ponencial con un tiempo medio entre llegadas de 1.25 horas.
Encuentre la probabilidad de que el tiempo entre llegadas sea ma~or que 1 hora. En-
cuentre la probabilidad de que el tiempo entre llegadas sea mayor que 2 horas.
5.40 En el ejercicio S.39. en vel de ocuparse del tiempo entre llcgad:is al centro de aten-
ción de emergencias, concéntrese en las llegadas en un lapso de tiempo dadt... Oh·
serve que las hipótesis par:i las distribuciones exponencial y de Poisson ~on
idénticas; observe también que un tiempo medio entre llegadas de 1.25 horas indi·
ca un promedio de 1t 1.25 • 0.80 llegadas por hora.
a. Utíli1.ando las probabilidades de Poisson, encuentre la probabilidad de que no
haya llegadas en un:i hora.
b. Encuentre Ja probabilidad de que no haya llegadas en 2 horas.
c. Compare sus respuestas en este ejercicio con las del ejercicio 5.39. ¡,Cuál es la
e..:plicaci6n?
5.41 En un:i aerolínea, el ticmrio para atender a los pas:ijeros sin billete en el mostrador
del acroriucrto sigue una distribución c..:ponencial con un:i media de S minutos.
a. Encuentre la probabilidad de un tiempo de atención menor que 2.5 minutos.
b. Encuentre la probabilidad de un tiempo de atención mayor que 1O minutos.
5.42 Considere la situación de atención a los pasajeros del ejercicio 5.41 .
a. ;.Cuál es el número esperado de pasajeros atendidos por minuto?
I'>. Encuentre la probabilidad de que al meno'> un pasajero sea atendido en menos de
2.5 minutos.
c. Encuentre la probabilidad de que ningún pasajero sea alendido en mc:nos de 1O
minutos.
5.43 En una cen1ral nuclear ocurren aleatoriamente a lo lilrgo del 1iempo "c\entos poco
comunes" (problemas menores de oricración). El tiempo medio entre dos eventos es
de 40 días.
a. ¿Cuál es la probahilidad de que el tiempo para el siguiente "evenlo poco común"
<;e encuentre entre 20 y 60 días?
b. Encuentre l;i desviación estándar del tiempo para el ~iguientc: "e' cnln poco comun".
5.44 Un análisis de los archivos de la central nuclear del ejercicio 5.43 muestra que los
"eventos poco comunes" suceden con mayor frecuenc ia los fines de semana. ¿Qué
hipótesis subyacente a sus respuestas en el ejercicio 5.43 se pone en duda?
5.45 Un equipo de béisbol de la liga ma)Or (Estados Unidos) vende boletos (billetes) en
una oficina del ccn1ro de la ciudad durante las horas de trabajo. 1.os aficionados lle·
gan a la olicin¡i uno a uno y en fonna aleatoria. a un:i tasa media de 12 por hora; di-
cha tas:i permanece esencialmente constante duranle el día.
a. Encuentre la probabilidad de que hay:i m:is de 5 llegadas en un rc:riodo de 1O mi-
nutos ( 1/6 horas).
b. Encuentre la probabilidad <.le que el siguiente aficionado llegue en !()S próximos)
mi nulos. Observe que el tiempo medio entre llegadas es de 1 12 horas. o 5 minulO!.
5.46 En el ejercicio 5.45, encuentre un número k tal que la rrohahilidad de Ir o más lle·
gadas en un cuarto de hora sea cercana a 0.10.
5.47 El tiempo entre "fallas del sistema" de cierta macrocomriutadora parece seguir llll.I
distribución exponencial. El tiempo medio es de 5 días.
a. ¿Cuál es la probabilidad de que d tiempo para la s1guienl~ falla sea al menos de

una semana (7 días)?
~
b. ¿Cu~I es la probabilidad de que h:iya un periodo de dos semanas sin ninguna falla?
5.48 1-n el ejercicio 5.47, ¿cuál es la probabilidad de que haya 4 o más fallas del sistema
c:n una semana específica?
5.8 DISTRIBUCIÓ N NORMAL

--------~-----·
Pasamos :ihor.i :il estudio de la distribución más importante en la teoría estadística.
la distribución norm:il. Mucho~ procedimientos estadisticos qu~ analizaremos en
capítulos posteriores tienen como b:ise la hipótesis de que la población subyacente
tiene una distribución normal. Muchos métodos que se utilizan en economía. finan-
z.as y anólisis del rnerc:ido tienen como base la suposición de que la pobl:ición es
normal. La importancia de esta sección reside en que ck ella depende la compren-
sión de muchas ~ccciones posteriores del texto.
Una 'aria ble aleatoria con una distribución normal es continua. Por lo tanto,
tiene una función de densidad como la que se muestra a continuación.
Densidad normal
En el caso de la función de densidad normal, los valoresµ y a son de hecho la me-

dia y la d~sviación est:lndar de Y (aunque aquí no lo demostraremos). Tal como se
muestra en L.1 figura 5.4, un histograma para una \ariable aleatoria normal, llama-
cun a normal do l'un a normal, ti~ne forma de campana y es simétrico en tomo a la mediaµ.
Las tabl.1'> p..1ra las áreas de las cul"\as normales (probab1hdadc~) siempre se
di,tribu ciún nor- dan para la di'llribución normal c\ tamlariLat.la (o tipificada). que tiene media O
rn:1I C\lancl:iri1ad<1 y des' i:ición estándar igual a l. La tabla 3 del apéndice nos da las áreas entre O y
FIGURA 5:4 01stnbuc16n normal

S8 O.Stnbuc16n normal 209
P(O S Z S 1 ) = .3413
µ z= O
(J z"' 1
z
-2 -1 o 2
FIGURA S.S D1str1buci6n normal estandarizada
un número positivo z. Por ejemplo, el valor correspondiente a z = 1.00 es 0 .3413;

si Z es la 'anable aleatoria normal estandarizada. entonces P(O S Z S 1.00) =
0.3413, como en la figura 5.5.
1JEMPLO 5.20 Sea Z una variable aleatoria normal estandarizada. Encuentre
a. P(O~ Z S 1.96)
b. P(Z > 1.96)
c. P(- 1.96 ~ Z S 1.96)
d. PC- 1.00 S Z S 1.96)
Solución Una ilustración como la de la figura 5.5 facilita el uso de las tablas normales. El va-
lor para z - 1.96 (que se localiza en la fila 1.9 y la columna 0.06) es 0.4750. En
este caso la figura 5.6 es de gran utilidad.
a. P(O S Z S 1.96) = 0.4750.
b. Como el área a la derecha de Odebe ser 0.5000 (la curva normal es simé -
trica y el área total bajo la curva es 1), P(Z > 1.96) - 0.5000 0.4750
= 0.0250.
c. Por simetría, el área entre 1.96 y O también debe ser 0.4 750. Así,
P(- 1.96 s z s 1.96) = 0.4750 + 0.4750 - 0.9500.
d. P(- 1.00 S Z S 1.96) = 0.3413 + 0.4750 - 0.8163. (Haga un dibujo.) •
~l .. o
Oz .. 1
.0250 .0250
z
-1.96 o 1.96
FIGURA 5.6 Soluc16n al ejemplo S.20

210 S CASOS ESPECIALES DE DISTRIBUCIÓN DE PROBABILIDADES
z
-!<: o
FIGURA 5.7 Solución al ejemplo S.21
EJEMPLO 5.21 Encuentre k1 tal que P(O S Z S k1) = 0.40 y *2 tal que P(-ltz S Z :S' ~) = 0.60.
Solución En cierto sentido, este problema es opuesto al del ejemplo S.20. En ese problema,
se conocen los valores y se desconocen las probabilidades. En este caso, las proba-
bilidades están dadas y los valores son los que se tienen que encontrar. Nuevamen-
te, la representación gráfica es de gran utilidad (véase la figura 5.7).
a. Al buscar en la tabla 3 del apéndice el área correspondiente a 0.40. encon-
tramos que el valor de z más próximo es 1.28. Por consiguiente, P(O $ Z :S' 1.28) =
0.40; es decir, k 1 = 1.28.
b. Un área de 0.30 (Ja mitad de la probabilidad buscada como se muestra en
la figura S.7) corresponde a z.,0.84, de modo que P(-0.84 :S' Z :S' 0.84),.. 0.60; es
decir, k2 0.84 .
Cualq uier varfablc a lCJttoriíl norma l }' e pued e tra nsformar en una u -
riable a leatoria norm al estandar i.Lada (o tipificada) Z ustra)endo e l valo r c.s-
pcrado µ y tfü id icndo el r esultado e ntre la d es' iación est á nd a r o.
Z • Y-p
(1
ulo r esta nd arín- Para un valor dado de y, el valor correspondiente de z, llamado en ocasiones valor
d o z (o n lor z) est a ndarizado z. ~s el número de desviaciones estándar que y dista de µ. Si
µ = 100 y e= 20, un valor de y igual a 130 se encuentro 1.5 desviaciones estándar
por encima de (a la derecha de) la mediaµ y el valor z correspondiente es z - (130
100)/20 - 1.50. Un valor de y igual a 85 se encuentra O. 75 desviaciones estándar
por debajo de (a la izquierda de) la mediaµ y
z"" ss ;0100 = -.1s

La relación entre los valores específicos de una variable aleatoria nonnal Yy los
correspondientes valoresz se muestra en la figura 5.8. [Observe que;: - (y - µyo.)
EJEMPLO 5.22 Los ingresos anuales de los profesores de una universidad siguen aproximadamen-
te una distribución normal con una media de 18,600 dólares y una desviación es-
tándar de 2700 dólares. Encuentre Ja probabilidad de que un profesor seleccionado
al azar tenga (a) un ingreso anual inferior a 15,000 dólares; (b) un ingreso mayor
que 21 ,000 dólares.
S8 01stnbuc:t6n normal {'.! A..
-I • \
y
µ - 2o µ·o µ+o µ+2o
-2 -1 "'o 1 2 l
FIGURAS.a '\elación entre los valores específicos de Y y los v~ores estandarizados z
1867
y
15.000 18.600 21.000
FIGURA 5.9 Áreas mayores que 21,000 y menores que 15,000 paraµ = 18.600 y <1 o:: 2700
en el ejemplo 5.22
Solución En priml!r lugar traz.nmos una figura en la que se muestran las áreas en cuestión (la
figura 5.9). Ahora debemos determinar el área entre 15,000 y 18,600.
y - " 15,000 - 18,600

: =- ª- = - - 2700
- - --
-3600
= 2700
= -1.33
El área entre la media de una di!.tribución normal y un valor de 1.33 des\ iaciones
estándar a la izquierda di! la mc!dia e~ (de la tabla 3 del apéndice) O 4082. Por lo
tanto, Ja probabilidad de percibir un ingreso anual menor que 15,000 dólar~s es
.5 - .4082 - .0918
Análogamente, para calcular la probabilidad de percibir un salario superior a
los 21.000 dólares determinamos el área entre 18,600 y 21,000:
Z
=y - " = 21,000 - 18,600 - 89
" 2700 .
212 S CASOS ESPECIALES DE OISTRIBUCION DE PROBABILIDADES
El área correspondiente a:: = 0.89 es 0.3133. Por consiguiente, Ja probabilidad

buscada es
~
.5 - .Jl33 = .1867 •
EJEMPLO 5.23 Si }'tiene una distribución normal con una media igual a 500 y una desviación es-
tándar igual a 100, encuentre
ª· />(500 $ y s 696);
b. P( y 2: 696);
c. P(J04 s Y .s 696);
d. k tal que P(500 - k s Y s 500 + .k) =0.60.
Solución a. Un \'alor de y igual a 696 est:l a 1.96 desviaciones estándar por encima de la me-
dia;: - (696 - 500)/ l 00 = 1.96. Evidentemente, 500 está a cero desviaciones están-
dar por encima de la media, de modo que;: = (500 - 500Vl 00 = 0.00. Así. P(500 $
Y s 696) ..;. P(O s Z s 1.96) = 0.4750.
b. P( Y 2: 696) - P(Z ? 1.96) = 0.0250.
c. /'(304 $ }' $ 696) P( 1.96 $ Z :5 1.96) =0.950, pues 304 corresponde a
una= igual a (304 - 500) 100 = -1.96.
d. Al igual que en el ejemplo 5.21, P( .84 $ Z S 0.84) = 0.60, de modo que
queremos un rango para Y que vaya de!>dc 0.84 des' iaciones estf.indar por debajo de
Ja media µ - 500 hasta 0.84 des' iacioncs estándar por encima de la media:
P[500 - 0.84( 100) s Y s 500+0.84(100)] =P(4 l6 s Y S 584) - 0.60 (véase la fi-
gura 5.10). •
Un poco de práctica con este tipo de problemas y el hábito de tra.zar figuras

haci: que los cálculos de la prohabilidad nonnal sean mu) fáciles de realizar.
Como ya lo hemos mencionado, el concepto de \ariable aleatoria continua es
en realidad una abstracción. pues la ma)oria de las variables de interés tienen sólo
un número finito de valores posibles. No obstante, en muchas situaciones, e~ con-
veniente suponer que la variable aleatoria de interés tiene una distribución continua.
De la mi!>ma manl!ra, la 'ariable aleatoria normal es una abstracción, pue~ en teo·
ria cualquier valor numérico, negativo o positivo, es posible y el histograma es una
llv • 500
Oy • 100
y
416 500 584
FIGURA 5.1 O Soluc16n al ejemplo S 23

SecctÓO S 8 Et*l'CiOos 213
cuna sua\e, simétrica} con forma de campana. En la práctica. valores positivos

o negativos tales como 612.3142769 dólares pueden ser imposibles. Con frecuen-
cia, tales cuestiones son irrelevantes. Si se supone que una 'anahlc aleatoria }'es
normal, con una media de 500 y una desviación estandar c.lt: 1OO. la prohahilidad
de que Y< O es J'Or hipótesis P(Z < -5), que es efectivamente cero. Si Y puede o
no tomar valores negativos casi no importa. Similarmente. los errorc~ por redon-
deo, como cuando se trunca 612.3142769 a 612.31oa612 dólares. \on insignifi-
cantes. Si d histograma poblacional de una \ ariable aleatoria tiene por lo general
una forma de campana. casi siempre la distribución de probabilidad normal pro-
porciona un excelente modelo de la' erdadcra distnhución de probabilidades.
SECCIÓN 5.8 EJERC ICIOS

----
5.49 Suponga que Z representa una \ariablc aleatoria normal estandari1ada (tabulada).
l~n~uentre las siguientes prohabilidades:
a PIO S Z S 1 001 f. P( - 1.28 S Z S 1.21!)
b.P<O S Z ... 1 65) g. P( - 1.07 S Z S 2.33)
e P( - 1 00 S Z s OJ h. PtZ ~ 2.65)
d P( - 1.28 S Z S O) i. P(Z S - 2421
c. P( - 1 65 sZ S 1 65) j. P(7. 2: 1 39 o 7. S - 1 391
Use figuras.
5.50 Ohtenga el \alor de k en las siguientes ecuaciones para la \ariable ale:itoria normal
est:mdariLad:i Z:
a. P(Z ~ k) =- .01 d. P( - k S Z s k) = 6lC!6
b. P(-k S Z S k}:::: 98 e. P( - .le S L S k) = 9544
s
c. P(Z -k) • .01 f. PIZ ~le)= 95
Nuevamente, use figuras.
5.S 1 Remítase a las respuesl;i.s del ejercicio 5.50. incisos (d) y (e). <.Cómo se relacionan
e~ias rc~puestas con la regla empírica?
5.52 Suponga que Y representa una variable aleatnna con una distribución normal. un va-
lor esperado (media) igual a 100 y desviación estándar 15.
a . Demuestre que el evento (Y S 130) es equivalente 3 (l $ 2).
b. Transforme el evento (Y~ R2.5) al valor estandarizado:.
c. Encuentre P( Y$ 130) y P( Y~ 82.5).
d. Encuentre P( Y _, 160). P( Y• 94) y /'(94 s Y$ 106 ).
e. El'\Cuentre P( Y$ 70), /'(Y~ 130) y /'( 70 • Y< 130).
5 53 Considere la variable alcaloria Y del ejercicio S.52. Encuentre valores de k que
satisfagan
a. P(\00 s Y s 100 + kl .45; d PIY s le) = JO:
b. P(IOO-lesYslOO~k1= .90. e. PI Y S k) = 80:
c P(Y 2: kl .. 20. f P( Y ~ .le) = 70.
Para cada inciso, trace una figura adecuada
5.54 Un analista financiero sc~a\a que (conforme a su probabilidad suhjeuva) el precio Y
de los honos del gobierno a largo plazo, con un valor de 1000 dólarec;, tendrá al cabo
de un a¡\o una distribución normal con .,.alor c~perado de 980 dólares y tlewiac1on
estándar de 40.
214 5 CASOS ESPECIALES DE OISTRIBUCION DE PR08ABILIDADES
a. Encuentre P( Y 2! 1000 ).
b. Encuentre P(Y S 940) .
.fe. Encuentre /'(960 S Y S 1060}.
5.55 Remítase a la variable aleatoria Y del ejercicio 5.54
a. Encuentre el valor de le que: satisface P( Y 2! /e) - 0.90
b. Encuent~ el \alor le tal que la probabilidad de que el rrccio de los bonos (un afio
después) exceda a le sea de 0.60.
5.56 Suponga que el salario por hora de un trabajador en una fábrica de ropa (qu.: se basa
en un sistema de pago a destajo) tiene una distribución normal con valor esperado
5. 1O dólares y desviación estándar 0.40.
a. Encuentre la probabilidad de que el ~lario por hora de un trabajador sea surerior
a 5 40 dt'>lares.
b. Encuentre la rrobabilídad de que el salario por hora se encuentre entre 4. 70 y
5.50 dólares.
c. Encuentre la probabilidad de que el salario por hora sea superior al salario mini·
mo contratado de J .90 dólares.
AP ROX IMACIÓ N N O RMAL DE LAS DIST RI BUCIONES

5.9 BINOMIAL Y D E POISSON
- - -- - - - -- -- •
Una de las muchas aplicaciones de la CUr\:l normal es su uso como aproximación
a otras distribuciones de probahilidades, particulannente a la binomial y la de Pois-
son. Esta sección explica cómo funcionan tales aproximaciones y en qué caso son
razonablemente prccisac:.
L:lS probah1lidadc!> asociadas con los valores d~ y se pueden calcular con un
experimento binomial para valores cualesquiera de no tr. mas como usted se ima·
ginará. la tarea se hace sumamcnt~ dificil cuando n aumenta su valor. Por ejemplo,
suponga que se recoge la opinión de una muestra de 1000 electores para sahcr su
sentir en pro del fortalecimiento del gobierno de 1.-i ciudad y el distrito. ¿Cuál es la
probabilidad de encontrar 460 o menos electores a favor del fortalecimiento si su-
ponemos que el 50% de la población está a favor de él? En este caso tcnerno<; un
experimento binomial con n = 1000; n. Ja probabilidad de seleccíonar un:i persona
a favor del fortalecimiento, es igual a 0.5. Para encontrar la probabilidad de descu-
brir 460 o menos electores a fovor del fortalecimiento en una muestra aleatoria de
1000, podríamos calcular P r<Y> utilizando la fórmula binomial para ~· = 460, 459,
... , O. La probabilidad buc;cada sería en este caso
PI Y = 460) + P( Y = 459) + · · · + P( Y = 0)
! !abría en esta situación 461 probabilidades difíciles de calcular a c.-iusa de los fac-
toriales. Por ejemplo, la probabilidad de encontrar 460 electores a favor del forta-
lecimiento es
215
111>ro, ím ación nor- Para ciertos valores den y p, podemos aproximar la distribución binomial por
111.11 de la distribu- medio de una distribución normal. Este hecho lo podemos demostrar apoyándonos
ción binomial en el Teorema Central del Limite, que analizaremos en el siguiente capítulo. En vez
de demostrar dicho resultado en este lugar, mostraremos cómo y cuándo se puede
utilizar la aproximación. La idea básica consiste en suponer que la variable aleato-
ria binomial Y tiene una distribución normal ~ utilizar Ja media binomial µ "" n1f y
la desviación estándar ~mr.(1 n) Por ejemplo, podcmo-. tratar una variable bino-
mial con n "" 400 y /r - 0.20 como si tuviese una distribución normal con
µ = 400(0.20) .-.. 80 y <J= .J400(0.20X0.80) - 8. Para aproximar P( Y> 96) utilice
las tablas de la distribución normal para obtener P( Y> 96) = P[Z > (96 80)/8] =
P(Z > 2) - 0.0228, o 0.02, como valor aproximado.
EJEMPLO 5.24 Un::i compañia de seguros se ha fijado la meta de que el 10% de los clientes posi-
bles tome un seguro. Suponga que hay independencia entre los prospectos, de
modo que se pueden aplicar las probabilidade~ binomiales. ¿Cuál es la probabili-
dad de que de 600 clientes posibles, 30 o menos de ellos contraten un seguro?
Solución La solución exacta comprende probabilidades binomiales con n =600 y 1C - 0.1 Oen
caso de que se alcance la meta. Como no tenemos tablas para n = 600. utili1.amos
una aproximación normal con µ = ntr- 600(0. to) - 60 y a = , nn(I - n) =
.,/600(0.10)(0.90) = 7.348.
P( Y:s; 30) = P(Z:s; 3~.;4860) = P(Z S -4.08)

que es prácticamente cero. Si un agente vendió sólo 30 pófü.as a los últimos 600
clientes potenciales, deberíamos concluir que el agente no cumplió con la meta; el
resultado (30 éxitos en 600 intentos) no se puede explicar r:11onablemente como
una casualidad atribuible al a1..ar. •
La aproximación normal de la distribución binomial puede ser muy mala si

n1f < 5 o n(I - tr) < 5. Si n, la probabilidad de un éxito, es pequeña y n, el tamaño
de la muestra, es modesto, la verdadera distribución binomial está seriamente ses·
gada hacia la derecha. En tal caso, la curva normal simétrica constituye una mala
aproximación. Si 1l es próximo a J. de modo que n( 1 - tr) < 5, la verdadera distri-
bución binomial está sesgada hacia la izquierda y nuevamente la aproximación nor-
mal no es muy buena. Cuando n1f y n( 1 - n) son mayores que 1O, la aproximación
normal es bastante buena. En la .wna central, n1r o n( 1 ti) entre 5 y 10, una mo-
corrección r>0r dificación llamada corrección por continuidad mejora en gran medida la calidad
continuidad de la aproximación.
La razón por la que se hace la corrección por continuidad es que estamos uti-
lizando la curva normal continua para aproximar una distribución binomial discre-
ta. La situación es la que se muestra en la figura 5.11. La probabilidad binomial de
Y~ 5 es la suma de las áreas de los rectángulos correspondientes a 5, 4, 3, 2, 1 y O.
Podemos aproximar esta probabilidad (área) por medio del área, a la izquierda de 5,
bajo la cur.a normal superpuesta. Así, la aproximación normal ignora la mitad del
rectángulo sobre el 5. La corrección por continuidad simplemente incluye el área
216 S CASOS ESPECIALES DE.DISTRIBUCIÓN DE PROBABILIDADES
1t a30
n - 20
o 1 2 3 4 5 6 7 8 9 1o 11 12 13 14 15 16 17 18 19 20
FIGURA 5.l I Aproximación normal de la d 1stnbuc16n b1nom 1al
entre y - S e y= 5.5. Para la distribución hinomial con n ::a 20 y TC - 0.30, Ja co-

rrección consiste en tomar P( Y <; 5) como P( Y s; 5.5 ). En vc.l de P = (Y $5 .5) = P
!Z ~ (5 20(0.3)) "'20(0.3)(0.7)} = P(Z <; -0.49) - 03121. utilice P - (Y SS.5)=
P!7. s. (5.5 20(0.3)) h 20{0.3){0.7)} = P(ZS 0.24)=0.4052. La probabilidad
binomial real,tomadn de la Labia 1del apéndice, es O 4164. La idea general de la co-
rrección por continuidad es sumar o restar 0.5 del valor binomial antes de utilizar
las probabilidades nonnales. La mejor manera de determinar cuándo sumar o res-
tar es trazar un dibujo como el de la figura 5.11 .
Aproximación norm al de la distribución de probabrhdades binomial

Para valores grandes den} valores de ;r no muy cercanos a cero o a uno. una \,a-
riable ale:uoria binomial Y se uede aproximar por medio de una d1stt1bución nor-
mal conµ= nTC y a= 11 n(I - .1r) Esta aproximación se debería utilizar sólo si n tr
<!!: 5 y n( 1 - ¡r) e=: 5. Una corrección por continuidad mejora la calidad de la aproxi-
mación en los casos en q ue n no es e xageradamente grande.
•
EJEMPLO 5.25 Una f:lhrica de medicamentos realiz;;i pruebas clinic:is con 100 nue' o:. fármacos
potenciales. Cerca del 20º o de las sust;;incias que alcanz:in esta etapa reciben final-
mente la aprobación para su venta. ¿Cuál es la probabilidad de que se aprueben
al menos 1S de los 100 medicamentos? Suponga que se satisfacen las hipótesis de
la distribuc ión binomial, y utilice una aproximación normal con c o m~cción por
continuidad .
So/uctón La media (valor esperado) de }'esµ 100(0.2) - 20 ; la desviación estándar es

<1 = J100(0.2X0.8) =4.0. La prob4lbilidad buscada es que 15 o más medicamentos
se aprueben. Como Y - 15 está incluido, la corrección por continuidad consiste en
tomar e l C\Cnto como Y~ 14.5.
Sección S 9 E1erc1c1os 217
P( Y 2: 14.5) = P ( Z 2:
14.5 -
.0
20) = P(Z 2: - 1.375)
4
que es aproximadamente 0.92.

•
MJlfo\imaciún nor- La a¡ml\imación normal de l:i cli-.trihucic'm ck l'ui' 'º" funciona de la mis-
11,il clr la cl i,tribu- ma manera. Si Y es una variable aleatoria de Poic;son con valor cspcrad0 µ, trate a
"'º" de Poi ~so n }'como si tu\ icse una distribución nonnal; como además la varianza de una distri-
hución de Poisson es igual a µ, utilice a µ como la media y a .[µ comn la des' ia-
ción cst:lndar.
EJEMPLO 5.26 Suponga que Y. el número de trabajos que llegan a un centro de calculo en un lap-
so de media hora, tiene una distribución de Poisson con una media de 0.2 por mi-
nuto Utilice una aproximación normal para em:ontrar P( Y<; l 0).
Solución µ -- (0.2/minuto)(30 minutos) 6. De la tabla 3 del ap¿n<lice tcnemn!; 4uc
P( Y s. 10) '"' P ( Z s. 10 -
J6 6) P<Z S. 1.63) = 9.i8.i
L:i probahilidad de Poisson cx:icta es 0.9574. •

l.a arroximación nmmal es bastante mala paraµ < 5 (correspondiente a nlf .....
5 en el caso binomial) y bastante buena para µ ... 1O. En el caso intermedio, 5 ~ µ
~ 1O, la misma corrección por continuidad hace que la aproximación sea lo sufi-
cientemente precisa en 141 mayoría de las situaciones.
EJEMPLO 5.27 Aplique en el ejemplo 5.:?6 la C(mccción por continuidad.
Solución Seguimos teniendoµ= 6 y CI= J6. Aproxime P( Y$ 10) con P( Y :S 10.5 ). t lse una
figura p:ira ver por qué.
P( Y ~ 10.5) = P (z s. lO.~ 6 ) = PCZ s. 1.84) = 967 1
Nue,amente, la probabilidad de Poisson c:-.acta es 0.9574. •

r CCIÓN s.9 EJERCICIOS
- ---
5.57 Suponga que Y tiene una distrihución hinomial con / 100 y 1T 0.50.
a . Utilice l3S tablas hinomiale~ rara calcular /'(40 s y s 60).
b. Utilice una aproximación norm:tl (sin corrección por continuidad) para calcular
la misma prohabthdad. ¿Es hucna la aproximación?
5 .58 l:t1licc una aproximación norm:il con com:cc1ón por continul(.bd para re~ponder
al e1ercicio 5 57. ¿,Es mucho mejor e~ta aproximación 4ue la que se encontró en
dicho ejercicio?
218 S CASOS ESPECIALES DE DISTRIBUCIÓN DE PROBABILIDADES
5.59 En un sistema de contabilidad computadorizado suceden 1.6 errores por cada 1000
datos introducidos a la computadora. ¿Bajo qué condiciones esperaría usted que las
"hipótesis de Poisson sean una aproximación razonable?
5.60 En el ejercicio S.59, suponga que las probabilidades de Poisson son adecuadas. Sea
Y "' número de errores en un conjunto de 5000 datos introducidos a la computadora.
a. Encuentre E( Y) y a,,.
b. Encuentre P(S ~ Y S 11 )
5.61 P:ira responder 31 inciso {b) del ejercicio 5.60, utilice una aproximación normal con
corrección por continuid3d.
RESUMEN
En este capítulo presentamos las distribuciones especiales más imporulntes. Cada

•
una de ellas surge cuando se satisfacen ciertas hipótesis. Tales suposiciones son una
p:ute importante de la definición de cada distribución. En cada caso, especificamos
las hipótesis, la distribución de probabilidades, el valor esperado, Ja desviación es-
tándar y (en los casos necesarios) una tabla.
Las distribuciones discretas más importantes son: Ja binomial, para el número
de éxitos en un número fijo de ensayos de Bemoulli (independientes, con probabi-
lidad constante); la hipergeométrica. para muesuas sin reemplazamiento tomadas de
una población de éxitos y fracasos; la geométrica y la binomial negativa, para el
número de ensayos de Bemoulli hasta que se alcanza un número fijo de éxitos, y la
de Poisson, para el número de eventos aleatorios (no agrupados, independientes) en
un intervalo de tiempo fijo.
Las distribuciones continuas más importantes son: la uniforme, para probabi-
lidades que se distribuyen unifonnemente sobre un intervalo; la exponencial, ixira el
tiempo de espera hasta que suceda el siguiente evento; la nonn:il, una d1stnbuc16n
que se presenta con mucha frecuencia y es la base de muchos métodos de inferencia
estadística, y una aproximación (preferentemente con corrección por continuidad)
a las distribuciones de probabilidades binomial y de Poisson.
TEMAS Y FÓAHUlAS PRINOPALES: a1sunas clsaibuciones de probabili-

dldes
1. Reglas para un recuento

a. El número de sucesiones (variaciones) de r símbolos tomados de le en
kes
r!
,P, = (r - le)!
b. El número de subconjuntos (combinaciones) de r símbolos tomados

de k en le es
') r!
( le ª lc!(r - le)!
Resumen 219
~- Exixrimcnto binomial
a. Ha) "cosa) o~. cada uno de los cuales resulta en un éxito E o en un
fracaso F.
b. La prohabilidad de éxito P(E) = TC permanece constante para todos
los cnsa)OS;
p (F) = J Tr.
c. Los enSa) os son independientes.
d. La variable aleatoria de interés es Y. el número de cxitos en n ensayos.
3. Variahlc :ileatoria binomial
a. Distril"iución de probabilidades binomial
n'
P.(y)= . n:'(l-n:r-,
y!(n - y)!
b. l\k<lia, varianza y desviación est:índar <le Y
f( n = mr
Var( }') = mr(l - 7r)
,-.:---
<1y = v nn( 1 - n)
4. Variabk :ilcatoria hipergeométrica

a. Distribución <le rrobabilidades hipergeométrica
-"1 ) ( N.. )
( r n- r
P.(}')= . (~) .
b. l\.k<lia. varian7..a y des\ i:ición estándar <le Y
Var(Y) = n('.")(
....E 1 -
N
.\')N-n
--1: - -
N N-1
"r = Jn(NF.)(1
N - NE)!:!._:::_!_
N N-1
5. Variable aleatoria geométrica
a. Distrihución de probabilidades
.r- 1.2•...
220 S CASOS ESPECIALES DE DISTRJBUCION DE PROBASIUDADES
b. Media, varianza y dcS\ iación estándar de Y
~ E{Y) = -1
n
1- 1t
Yar(Y) = - l-
Jt
CTr
~
=---
Tt
6. Variable aleatoria binomial negativ:i

a. Distribución de probabilidades
~( )- (y - I)! *(l - ,,-1 y= k, k + 1. ...

tY -(k-l)!(y-k)!ll 11''
b. Media, varianza )' desviación estándar de Y

•
E(Y) = -nk
k(l - 11')
Yar(Y)=-~-
1l1
<1y = k~
7. Variable aleatoria de Pois~on
a. Distribución de probabilidades de Poisson
b. Media. varianza y des\ iación e~tánd:ir de Y
E( Y) =µ
Var(Y) • µ
CTy = .¡µ
8. Variable aleatoria uniforme

a. Función de densidad
1
fr(}') = --.
b-a
b. Media, varianza y dc~v1ación estándar de Y

Resumen
a+b
E(Y) =--
2
b-a
Var(Y) =- -
12
fJy =
Fa
.,¡12
9. Variable akatoria t!Xponencial
a. Función de densidad
/r(Y) = (~)e-'1 '". }'>O
b. Media. variani.a y desviación estándar de Y
E( Y)= I'
Var(Y) =µ 2
fJy =µ
10. Variable aleatoria normal
a. Función ele densidad
1 -. 5(~)1
/r(Y) = - - e "
Jiña
b. La media. la varianza y la desviación estándar son µ, <J 2 y a. respec-
ti, amcnte.
c. Variable aleatoria normal estandarizada,
Y-µ
Z=--
a
d. Usted puede obtener las áreas bajo una curva nonnal si calcula primero
un valor estandarizado; y después consulta la tabla 3 del apéndice.
11. Aproximaciones normales de las distribuciones de probabilidades bino-
mial y de Poisson
a. Para la aproximación normal de la distribución binomial, use una
J
distribución nonnal con media n1f y desviación estándar n 1t'(I - n},
siempre que
nn ~ 5 y n(I - it) ~ 5
b. Para la aproximación normal de la distribución de Poisson, utilice

una distribución nonnal con mediaµ y desviación estándar .Jii,
siempre qui!µ~ 5.
222 S CASOS ESPECIALES OE OISTRJBUCION OE PROBABILIOAOES
5.62 'Una compallia que realiza ventas por te!Cfono pretende comprar una máquina que
sclecc1nna al azar y marca automáticamente nilmeros telefónico~. La compai\ia uli·
li.taría la máquina para llamar a las residencias <.Jurante la tarde: las llamadas que
correspondan a empresas serian un:i pérdida de tiempo. El fabricante de las maqui·
nas afirma que sr éstas se program:in ~e reduce la ta~a de llamadas a cmprc~as en un
15%. Como una prueba, se \an a seleccionar al a1ar 100 número.; telcfónrcos de
un conjunto muy grande de números posibles
a. ¿Se cumplen las hipótesis de la distribución binomial en este caso.,
b. Encuentre la probahilídad de que al rncnos ~.i de los números correspondan a
alguna empresa.
c . Si en realidad 24 de los 100 números son de empresas. ¿am)ja este hecho -;crías
dudas sohre la afirmación del fabricante'., l:.xplique'>e.
5.63 Rcmuase al ejercicio 5.62.
a . Encuentre el valor esperado y la varianza de Y, el nilmero de llamada<; a teléfonos
de empresas en la muestra.
b. Utilice aproximaciones normales (con y sin correcciones pm continuidad) para
encontrar PC Y~ 24). ¿Qué tan cercanas entre sí ~on las aproximaciones?
5.f>4 Se esuma que en una ciudad de Estados Unidos el 5'1o de las demandas por atención
médica deficiente son fraudulentas. Se toma una muestra aleatoria de 50 demandas.
a. e.Cuál es la probabilidad de que al menos una demand;i en 13 rnue:.tra sea frau-
dulenta?
b. ¿Cuál es la probabilidad de que al menos 4 demanda<> \Can fraudulentas'!
5.65 Remítase al ejercicio 5.64. U11licc una aprox1macion de Porsson para responder a
los apartados (a))' (b). ¡,Es bucn3 la aproximación?
5.66 En una ciudad, de 30.000 tarjetas de crcdilo bancarias en circulación, 300 han sido
anuladas (por huno o falta de pago). l;n comerciante recibe 100 tarjctas diferentes
en un día.
a. ¿Cuántos conjuntos distintos de 100 tarjetas puede recibir el comc::rc1antc'! No
realice ningún cálculo numcrico a menos que usted tenga un gusto sobrenatural
por los números muy grandes.
b. e.Cuántos conjuntos de 100 tarjetas oo contienen ningun;i tarjeta anulada? Nueva-
mente. evite la aritmctica.
c. Escriha una expresión para la probahilidad de no ohtc::ner tar:jetas anuladas en
una muestra de 1OO.
d. Escriha una expresión para la probahilidad de obtener dos o menos ta~jetas ;inu-
ladas en la muestra.
5.67 Remítase a los incisos (e) y (d) del ejercicio 5.66.
a. Escriba expresiones para Ja.s aproximaciones binomiales de estas probabi lidades.
b. lltilicc una aproximación de Po1sson para obtener respuestas numcncas que
correspondan a estas prohab1lidadcs.
5.6R Algunas personas afirman que hay una tcndc::ncia a despla1..nr a las mujc::rcs que ocu·
pan cargos gerenciales hacia áreas de menor relevancia, tales como las relaeioocs
púhlicas o la dirección de personal. en contraste con áreas centrales como la pro-
ducción. la comercialización y las finanzas. Suponga que un3 compai'lía tiene 24
hombres y 6 mujeres ocupando puestos gerenciales l>c estos cargos, 14 se conside·
ran como poco relevantes o marginales.
a. ¿De cuántas manera~ se pueden seleccionar los 14 gerentes de las áreas
marginales?
E¡erc:1c1os 223
h. ¡,De cuántas maneras ~e pueden seleccionar los gerentes de las áreas marginales.
de modo que 5 de las 6 mujeres estcn incluidas entre ellos?
c. Si los gerentes de las áreas margínah:s se seleccionan al atar. ¡.cuál es la proba-
bilidad de que al meno-; 5 de ellos sean mujeres"
5.69 Suponga que en una planta industrial ocurren accidentes que retrasan el trahajo >
que éstos siguen una distribución de Poísson con una medía de 0.12 por"día. Sea
Y= número de accidentes en un periodo de 1O días.
a. Encuentre /'(Y= 1) y P(YS 1).
b. Encuentre E( Y} y O"r
5.70 En el ejercicio 5.69. ¿,sería acertada la aproximación normal?
5. 71 Se supone que la demanda semanal de saco" de harina de 5 lihras en un supermer·
cado es aproximadamente normal. con una demanda medía de 72.0 saco~ y una
desviación estándar de 1.6 SllCOS. Sea r demanda en una ~emana panicular.
a. Encuentre P(>' ~ 72.8) y P(71.2 $ Y :S 72 .8).
h. Encuentre P( Y "2: 74.0).
c. La política de compras del supermercado es que la proba.hilidad de dcsahasto
(i.e. que la demanda supere a Ja ofena) sea del 1%. ¡,Cuántos sacos de harina se
deben tener en el almacén para alcan1..ar esta meta?
5.72 Remítase al ejercicio 5.71.
a. ¿Cuál es Ja probabilidad de que la demanda sea superior a los 73 sacos en una se-
mana particular?
b. ¡,Cuál es la prohabilidad de que la demanda sea superior a los 73 sacos en exac-
tamente 3 de 4 semanas consecutivas? Suponga que las demandas semanales son
independientes.
5.73 Al confeccionar uniformes mílitares se desperdicia ciena. cantidad de material. Un
fabricante encontró que el desperdicio sigue una distrihución normal con media
4.1 % y desviación estándar 0.6% de un lote a otro.
a. En un Jote particular, ¿cu~I es la probahilidad de que el desperdicio exce-
da del S%?
b. Si la cantidad de material necesaria para un lote es de 4700 yardas, y se dispone
de 5000 yardas de material. ¿,cu:il es la prohabilidad de que el material disponi-
ble sea suficiente?
5.74 Suponga. en el ejercício 5.73. que un conador panicular excede el 5% de desperdi-
cio en 8 de ca.da 10 lotes.
a . ¿Cuál es la probabilidad de exceder el 5% en al menos R de 10 lotes?
h. Un resultado de esta naturale1a. ¿iodicaria de forma concluyente que el con:idor
es ineficiente'!
5.15 Un modem es un aparato que permite que dos computadoras se comuniquen entre
si. Las especificaciones para estos disrositivos electrónicos exigen que el numero
medio de errores en Ja transmisión sea de 1 por cada 5000 palahras (o mejor). Se
pondrá a. prueba un modem particular efectuando una transmisión de 25.000 pala-
bras. Si ocurren 8 efTores o mi\s en la transmisión. el dispositivo será rechazado. Su-
ponga que las probahilídades de Poisson son aplicahles y que el modem justo
alcan".a el estandar de 1 por 5000.
a. ¿Cuál es la probahilidad de que el aparato sea aceptado?
b. ¿Puede usted pensar en alguna razón por la que las hipótesis de Poisson no se-
rían válidas?
5.76 Suponga que la distrihución de Poisson es aplicable en el ejercicio 5.15. pero que el
modem tiene una tasa de error media de 1 por ca.da 2500 palabras. de modo que no
cumple con las especificaciones. ¿Cuál es la probabilidad de que el dispositivo sea
aceptado?
.·
5. 77 Los ejecutivos de una compaftia de bebidas gaseosas desean ensayar una fúrmula
novedosa para su principal producto. La nue\ a hebida se prueha en comparación
¡on la bebida actual. Se toma una muestra de 1000 clientes potenciales, )' a cada
uno de ellos se le da un vaso con la fórmula actual y un vaso con la nueva. l.os va-
sos están etiquetados con las letras 11 y K para evitar sesgos indeseados. Cada clien-
te indica una preferencia. Suponga que, de hecho. los clientes no pueden encontrar
ninguna diferencia y están, en efecto, adi\'ínando Defina Y como el número de
clientes (entre 1000) que muestran preferencia por la nueva hcb1da
a. ¿Qué distribución de prohabilidades se debería aplicar a Y? 1 as hipótesic; subya-
centes a esta distribución, ¿parecen plausibles en este cuntc>.to?
b. Encuentre la media y la desviación estándar de Y.
5.78 Encuentre la probabilidad aproximada de que la variahle aleatoria r del ejercicio
5. 77 no sea mayor que 460. ¿Debe ria ser exacta la aproximación?
5. 79 tina empresa considera la posibilidad de utilizar técnicas de venta por tele fono
(telemorketmg) como complemento de los método<; tradicionales. Se estima que
una de cada 100 llamadas resulta en una venia. Suponga que rn un día se hace n
250 llamadas.
a. Escriba una expresión para la pro h:lbilidad de que haya 5 o menos \cotas. No
haga ningún cálculo aritmético.
b. ¿Qué supuso usted al responder al inciso (a)? ¿Es alguna de estas suposiciones
francamente irrazonable?
5.80 a. Utilice una aproximación normal para encontrar el \alor numérico de la probabi-
lidad en el inciso (a) del ejercicio S.79.
b. Utilice una aproximación de Poisson par:i encontrar el valor numérico de la
misma probabilidad.
c. ¿Qué aproximación debería ser mejor? ¿Por qué?
5.& 1 Remítase al ejercicio 5.79. Sea Y= número de llamadas hechas hasta alcannr la
primera venta.
a. Encuentre la media y la des\ iación estándar de Y.
b. Encuentre P(Y .. 1) y P( Y~ 100). ¿Cuál es mayor.,
5.82 · En la situación descrita en el ejercicio 5.79, defina Y como el numero de ll:imadas
hechas hasta alcan1.ar la cuarta venta (incluyendo esta última llamada).
a. Escriba una expresión para la prohabilidad de que )'sea al menos 400. No nece-
sita usted hacer ningun cálculo aritmético.
b. Encuentre la varian1.a de Y.
5.83 El director general de una corporación debe seleccionar J personas para dmg1r la
campaí'la anual de beneficencia de Ja empresa. lla) tres divisiones (A. H y C) den-
tro de l:i empresa y 5, 6 y 4 individuos, respectivamente. dentro de la..; d1' isiones,
que podrfan ser seleccionados.
a. ¿Cuántas combinaciones de 3 individuos se pueden hacer, de modo que c:ida uno
de ellos provenga de una división distinta'!
b. Suponga que el director general selecciona los individuos al a1ar. ¿Cuál es la
probabilidad de que al menos 2 de ellos provengan de la división A?
5.84 Remítase al inciso (b) del ejercicio 5.83. Sea }' = nümero de individuos selecciona-
dos de la di\1s1ón A. Encuentre el valor esperado y la \.arian1a ck Y.
5.85 La computadora que controla los cajeros automáticos de un banco queda fuera de
servicio en ocasiones. El tiempo medio entre dos fallas es de S.O días. Defina Y
como el tiempo de espera hasta que sucede la siguiente falla.
a. Encuentre la probabilidad de que el sistema no falle en una semana (7 días).
b. Encuentre la rrobab1lidad de que el tiempo transcurrido hasla la siguiente falla
sea de al meno-; 2 semanas
E1erc1cios 225
5.86 En el ejercicio 5.85, encuentre el .. alor esperado y la desviación estándar de la va-

riable aleatoria Y.
5.87 En el ejercicio 5.85, ¿que hipótesis hizo usted? Si se sahe que una falla tiende a
ser seguida por otra en un lapso de tiempo relati\amente corto, (..Qué hipótesis se
infringen?
5 .88 Una campal\a publicitaria para un nuevo producto está pro> celada para hacer que el
20% de la población adulta en el área metropolitana lo cono1.ca. Después de la cam-
pai'la, se toma una muestra aleatoria de -400 adultos en el área metropolitana.
a. Encuentre la rrohabilidad aproximad.l de que 57 o menos adultos en la muestra
tengan conocimiento del producto. Utilice una corrección por continuidad.
b. ,,l>ebcna ser precisa la aproximación?
c. La muec;tra pone de manifiesto que 57 adultos conocían el producto. El gerente
de mercadotecnia argumenta que esta tasa tan haja es una casualidad aleatoria de
la muestra. Con base en su respuesta al inciso (a), ¿está usted de acuerdo?
~.89 Los gerentes de marca de un producto en una compai'lia consideran que una campa-
1\a publicitaria para introducir un nuevo producto es exitosa si al menos el :?Oo/o del
grupo objetivo toma conciencia del producto. Después de una de tales campai'las, un
estudio del mercado encuentra que 56 de 400 individuos que conforman la muestra
conocen el producto. El grupo objetivo lo conforman los adultos que tienen licencia
para conducir en Estados Unidos.
a. Escriba una expresión para la probab1hdaJ exacta de que 56 o menos personas
en la muestra conozcan el pmducto, suponu:ndo que el 20~ •del grupo objetivo
tiene conocimiento del mismo. ¿Qué distrit'lución de probabilidades es aplicable
en este caso? ¿Qué suposiciones ha hecho usted?
b. Utilice una aproximación normal para encontr:ir el valor numérico de esta
probabilidad.
c. Si usted fuese el gerente de marca del producto. ¿creería que la campai\a publi-
citaria ha tenido éxito?
5.90 Cierto defecto congénito ocurre con uoa probabilidad de O 0001; es decir, 1 de cada
10.000 bebés tienen este defecto Si en cierto hospital nacen 5000 nii'los en un ailo,
<.cuál es la prohahilidad aproximada de q1.1e al menos un bebé tenga el defecto?
¿Qué aproximación se debería utilizar?
5.91 En varios estados de los Estados Unidos se practica hoy en día el juego de la Lotto
(una \-ariante del juego de la lotería). Un jugador escoge 6 números distintos del 1
al 40. Si precisamente esos 6 números son seleccionados como ganadores. el juga-
dor recibe un premio muy grande. ¿Cuál es ll\ prohabilid:id de que un conjunto p:ir-
ticular de 6 números sea seleccionado'? Usted podria pensar en los 6 números
seleccionados como números "éxito".
5.92 En el juego de la lotto descrito en el ejercicio 5.91. hay premios mas pequei\os para
quienes escogen exactamente 5 de los 6 números ganadores ) premios aún más pe-
quei\os para aquellos que eligen exactamente 4 de los 6 números ganadores.
a. ¿Cuál es la probabilidad de escoger exactamente -4 de los 6 números ganadores?
b. ¿Cuál es la probabilidad de escoger al menos 4 de los 6 números ganadores?
5.93 Suponga que el juego de la Lotto Jel ejercicio 5 91 se cambia, de modo que se eli-
jan 6 números del 1 al 42, en vez del l al 40.
a. Sin realizar ningún cálculo aritmético, determine si la probabilidad de seleccio-
nar los 6 númeroc; ganadore' e'> ma)or o menor que la que se tenia en el ejercicio
S.91 1~1 cambio aludido. ¿ce; grande o ('ICque"o'.>
b. Calcule ahora la probabilidad de seleccionar lo~ 6 números ganadores. escogién·
dolos entre los números del 1 al 42.
c. Compare la respuesta que dio al inciso (b) con la del ejercicio S.91. ¿Cambia la
probabilidad tal como usted lo esperaba en el inciso (a) de este ejercicio?
5 94 Suponga que. en el juego de la lotto del ejercicio 5.91, un millún de jugadores es·
cogen independientemente 6 números.
'ti. 1.Qué dl\tnhuciún de probabilidad se aplica a la varfable aleatoria Y = número de
jugadorcc; que c~cogen los mismos 6 numeros'?
b l·ncucntre una expresión para/'( Y O). No realice ningún calculo aritmético.
c. Escriba una expresión para P( Y ~ 2).
S.95 a En el ejercicio 5.94 , encuentre el valor esperado y la varianta de la v:iriable
aleatoria Y.
b. l Jtilice una aproximación de Poisson para encontrar P( Y 0) y P( Y ~ 2). ¡,Cuán
preci"ll debería ser la aproximación?
c. Sí usted tiene una calculadora apropiada, encuentre el \alor numérico exacto de
la pmbabilidad y compárelo con la probabilidad aproximada que encontró en el
inciso (b).
S.96 En el ejercicio 5.94, ;,se dehcria utílinr una aproximación normal para c:ilcular
P(Y 0)yP{Y~2)?¿Porqué?
5.97 Si en el juego de la/.""" descrito en el ejercicio S.94 nadie escoge los 6 números
corrtttos, el premio principal no se repane. en ve1. de ello, el dinero se acumula
para el siguiente sorteo. Si no hay ganadores en varios sorteos consecutivos. el pre·
mio potencial puede llegar a ser de millones de dólares Suponga. como en el ejer·
cicio 5.94, que en cada sorteo un millón de jugadores escogen independientemente
6 numcros. Defina la variable aleatona X ~ número de sorteos necesarios par:i ohte·
ncr al menos un ganador.
a . ¿Que distribución de probahilidades se aplica a-~ Deliend.:i su afirmación.
b. Encuentre la media y la desviación esttmdar de X.
c. Escriha una expresión para P(X ~ 3). En términos de lo que sucede en el juego
de la lutto, ¡,qué significa el e\'ento X= 3?
5.98 Uay una ohjeción a lo dicho en el ejercicio 5.97. t-:n realidad, si no hay ganador en
l o 2 sorteos consecutivos. los noticieros informan del enorme premio potenc1:il. y
mucha mis gente participa en el juego. Demuestre que este hecho infringe una de
las hipótesis que se hicieron en el ejercicio 5 97.
5.99 En cierta ciudad, ocurren incendios en casas hahitadas a r:11.ón de uno cad:i dos di:u.
a. ¡,Cuál es el número esperado de incendios de casas hahitadas en un periodo de
7 días?
b. Encuentre la probabilidad de que haya al menos 4 inccnd10s en una semana.
c. ¡,Qué ba supuesto usted :icerca de la ocurrencia de incendios al responder al in·
ciso (b)? ;,Pa~ce alguna de las hipótesis francamente irratonable?
5.100 Rcmitase al ejercicio 5.99. Encuentre la probabilidad de que transcurran J dias
sin que haya ningún incendio. ¡,Cuál es el tiempo esperado entre 2 incendios con·
secutivos?
5.101 El operario de una macrocomputadora recibe peticiones imprevistas para montar
cintas de datos en el sistema. Como política, estas solicitudes deben ~er atendidas a
la hre\edad posible; debido a ello, se tiene que interrumpir el llujo del trabajo pro-
gramado. Los datos indican que la ta~ de tales peticiones durante el turno de 9 A.M.
a 5 r.M. es alredcdur de t .5 por bora. Sea Y = número de solicitudes recihidas en un
turno de 9 A .M. a 5 r . M
a . Encuentre la media) la des\'iacióo estándar de Y.
h. Encuentre P(Y> 8).
5.102 Remítase al ejercicio S.101. Encuentre la probabilidad de que el tiempo transcurri-
do entre dos solicitudes consecutivas sea al menos de dos hora.e;.
5.1 03 El gerente de sistemas del ejercicio 5.101 ohserva que la demanda para la in~tala
ción imprevista de cintas de datos \aria durante la jornada laboral normal. 1-.ntre lai;
Estudio de caso: 01stnbuc1ones especiales 227
9 la 1 P.M. hay un promedio de una petición por hora; entre Ja 1

A.M. ) P.M. y las
5 P. hay un promedio de dos solicitudes por hora.
M.
a. ¿Cambia esta situación sus respuestas al inciso (a)?
b. ¿Afecta este hecho su respuesta al inciso (b)?
ESTUDIO DE CASO: Distribuciones especiales
Un provcetlor de máquinas fotocopiadoras está a punto de emprender una fase de ex-

pansión. L:i compañia alquila maquin:is copiadoras y les da m:mtenimiento. Trabaja
con empresas e instituciones de distint:i índole y está a punto de absorber a otra com-
pai\ía competidora. Uno de los grandes problemas a los que se enfrenta la empre-
sa es el siguiente: ¿cuántos técnicos de servicio son necesarios para la fusión de las
dos compai\ías?
La compailia distingue dos categorías de copiadoras. Las de oficina, que se
utilizan ror lo general para hacer un número pequeño de copias y son manejadas por
secretarias y usuarios casuales. Las fotocopiadnras de alto rendimiento se utilizan
por lo general para grandes trabajos y son manejadas por especialistas. La compaMa
alquila distintos tipos de copiadoras para ambos usos. Mantiene por separado plan-
tillas de personal técnico para ambas categorías. Como las copiadoras son de mar-
ca comercial, el servicio es el área principal de competencia con otros proveedores.
1 a empresa quiere tener un equipo adecuado de técnicos. pero no tantos como para
que estén desocupados una fracción muy grande del tiempo de trabajo.
Actualmente, antes de absorber :i la otra compafHa, la empresa tiene alquila-
das 21 OS copiadoras de oficina y 386 de alto rendimiento. Las solicitudes de servi-
cio se atienden siguiendo básicamente el principio de que "el primero en llamar, el
primero en ser atendido". El encargado del servicio recibe las llamadas y asigna a
los técnicos en el orden en que las recibe. Un técnico en copiadoras de oficina nor-
malmente puede atender un máximo de 8 solicitudes por día; un técnico en copia-
doras de alto rendimiento trabaja por lo general en problemas más complejos y
puede atender un máximo de 4 solicitudes por día. Si un aumento súbito en las lla-
m:idas supera la capacidad de los técnicos, los trabajos ser:ín atendidos el día si-
guiente. El presidente de Ja compai\ía presiente que los clientes que no reciben
atención inmediata están dispuestos a cambiar de proveedor cuando venza su con-
trato. La compai'lía emplea actualmente 8 técnicos para las copiadoras de oficina y
7 técnicos para las copiadoras de alta eficiencia. La compañía también parte del
principio de que las copiadoras de oficina necesitan mantenimiento una ve1 cada SO
días <le trabajo (aunque unos creen que esto sucede una ve1. cada 40 días ) otros una
vez cada 60 días), y las copiadora~ de alta eficiencia, una vez cada 20 días de traba-
jo (posiblemente una vez cada 16 o cada 2-1 días).
Cuando la compailía absorba a la otra empresa, tendrá 3185 copiadoras de ofi-
cina y 596 copiadoras de alta eficiencia en renta. El presidente <le Ja compai\ia ha es-
cuchado dos argumentos acerca del número requerido de técnicos. Uno de ellos
sostiene que la incorporación representa básicamente un incremento del 50% en
equipos alquilados. de modo que se necesita también un incremento del SO% en el
número de técnicos. El argumento contrario es que la compañía mantiene un exceso
de técnicos para protegerse en caso de un aumento súbito de solicitudes de servicio.
. 228 5 CASOS ESPECIALES DE DISTRIBUCION DE PROBABILIDADES
La ley de lo!. rromedios dice que el mayor número de copiadoras en al4uiler debe
comrcn<..ar tales aumentos súbitos. de modo que no es necesario hacer un incremen-
to ~rororcional en el número de técnicos.
f-1 presidente le ha pedido a usted que examine el problema, panicularmente
el riesgo de postergar servicios para el día siguiente. El presidente tiene interés ~n
leer material técnico, pero no ha tenido ninguna educación formal en estadística,
así que usted tendr:í que exponer sus ideas con clandad
e ·~ /' Í TU l O
MUESTREO ALEATORIO Y
6 DISTRIBUCIONES MUESTRALES
Nos encontramos en una sicuación que nos permite combinar las ideas relativas a la sín-
tesis de datos del capítulo 2 con los conceptos de la probabilidad de los capirulos 3 - 5
para obtener la noción central de la estadística, la idea de distribución muestra! de un
estadístico. Los ~sLadísticos sumarios (que resumen Jos datos): medias, medianas,
desviaciones estándar, etc., varían de una muestra a otra. Esto ocurre porque las
muestras de una población !>C to man aleatoriamente, de modo que las medias (por
ejemplo) de dos muestras de la misma población pueden diferir en cierto grado.
Las muestras de procesos activos como la producción o las ventas se ven afectadas
por factores aleatorios que escapan de control, de modo que dos medias muestralcs
del mismo proceso diferirán aleatoriamente. La distribución muestra! de un estadís-
tico sumario es una fonna de describir la variabilidad de éste de una muestra a otra.
Bajo ciertas hipótesis, la teoría de la probabilidad se puede utilizar para obte-
ner una distribución muestra!. De hecho, la importancia de esa teorla en este texto
radica en su aplicación a las distribuciones muestrales. Algunos conceptos de la pro-
babilidad, como los de valor esperado y desviación estándar de una variable aleato-
ria, se utiliz.arán con insistencia en este capitulo.
la aleatoriedad y la probabilidad se relacionan con los estadísticos sumarios
por la vía del muestreo aleatorio. En la sección 6.1 explicaremos por qué es impor-
tante el muestreo aleatorio y cómo se lleva a cabo. Después, en la sección 6.2, recu-
rriremos a Ja definición básica del concepto de distribución muestra! y utilizaremos,
en la sección 6.3, el valor esperado y la desviación estándar ~n el contexto de las
distribuciones muestrales. En la sección 6.4 aplicaremos las ideas básicas al caso
especial más importante, a saber, el de media muestra!. En esta sección nos enfren-
Laremos en primer lugar con un resultado matemático crucial, d Teorema Central del
Límite, del que continuamente haremos uso de ahí en adelante. En la sección 6.5
consideraremos este teorema con más detalle: sus interpretaciones y falsos sentidos.
Por último, en la sección 6.6. consideraremos cómo se puede utili1.ar la computado-
ra para complementar las ideas matemáticas de este capítulo con simulaciones he·
chas con su ayuda.
Este capítulo es necesariamente teórico. Los resultados que en él exponemos ~e
utili.t.arán una y otra vez en los métodos de los capítulos subsiguientes. Dicho~ uso-.
229
230 6 MUESTREO ALEATORIO Y DISTRIBUCIONES MUESTRALES
tal vez no sean obvios en una primero lectura, pero le prometemos que podrá \ erlos
m~ adelante. Tenga paciencia.
'
6.1 MUESTREO ALEATORIO
La mayoría de los libros de estadística, incluyendo a éste. dicen que ha> que utili-
•
zar el muestreo aleatorio para reunir úatos. La razón fundamental para utiliz:ir un
muestreo aleatorio es la de asegurar que las inferencias que se hacen con base en
'l>C,go de 'elección los datos de la muestra no estén distorsionadas por un srsgo dr selecció n. Hay un
sesgo de selección siempre que hay una tendencia sistemátic.i a !iobrcMimar o sub-
estimar alguna parte de la población. Por ejemplo. una muestra telefónica de fami-
lias en una región, conducida entre las 9 A.M. y las 5 P.M.• tendría un se-..ero ~e~go
hacia las familias donde, por lo meno~ un miembro, no trabaja. Por lo tanto. cua~
les4uiera inferencias que se hiciesen con base en los datos de la muestra estarían
desviadas hacia los actitudes u opiniones de personas que no trabajan y podrían no
ser representativas de las familias de la región. Del mismo modo, una muestra de
cuentas úe crédito que se realiza con base en un conjunto de transacciones, C\taría
sesgada hacia las cuentas activas. con multitud úe operaciones com<?rciales, y ale-
jada de las inactivas. Las inferencias a partir de estos datos podrían no n:ílcjar las
característica\ del conjunto de todas las cuentas. Un plan de muestreo aleatorio. por
definición, evita este tipo de sesgos.
Ya hemos indicaúo que un muestreo aleatorio simple es un proceso en el cual
cada muestra posible de un tama1'o dado tiene la misma probabilidad de ser sekc-
cionada. Ohtcner uno muestra \ erdaderamente aleatoria, o al menos aproximada-
mente aleatoria, requiere de cierto raciocinio y esfuerzo Una muestra al<?atoria no es
una muestra casual o desordenada. La población objetivo se debe identificar. En
principio. se debería elaborar una lista de todos los elementos de la población y se-
leccionar aleatoriamente aquéllos que estarán incluidos en la muestra, utilw1ndo una
tabla de números aleatorios.
EJEMPLO 6. 1 Suponga que el personal de investigación de un Banco de Rescna Federal quiere

tomar una muestra aleatoria de cheques correspondientes a cuentas personales (no
de negocios) para determinar el importe, el tiempo para su liquidación y el prome-
dio de cheques sin fondos. ¿,Cómo la podrían realizar?
Solución f la) que definir en primer lugar la pohlación objetivo. ¿Se trntu di.: todoc; los cheques
per..orole!. e>.pediJos en un periodo dado? ¿O se trata de todo., lo~ cheques negocia-
do!. por la cámara úe compensación de la reserva federal durante dicho periodo de
tiempo'! Ha) una diferencia, pues un cheque que se paga en efocti\O en el banco en
el que fue expedido nunca llega a la cámara de comp1.:nsac1ón Suponga que se elige
la úefinición de la cámara de compensación. El s1gu1ente paso es cc,tablcccr un mé-
toúo de muestreo aleatorio. Uno podría, en principio. pon<?r una identificación numé-
rica a cada uno de los 326.274 (o el número que sea) cheques procesaúos por la
cámara en un día particular. Acto seguido. se podría extraer una mucstr..i aleatoria de
1000 chc¡,¡ues seleccionando. 1000 números aleatorios de seis dígitos y los cheques
corrc!.pond1entes (dejando tle lado 000000) cualquier numero mayor que 326,274).
6. 1 Muestreo aleatono
r 231
Obviamente. ésta seria una forma poco práctica y costosa de obtener una mues-
tra aleatoria. Tal método sólo sirve como una idealización con la que se pueden
comparar otros métodos más prácticos. Otra posibilidad es elegir sistemáticamente
un cheque de cada 300. Este método no es en rcnlidad un muestreo aleatorio, pues,
por ejemplo, en la muestra no podrian quedar incluidos dos cheques sucesivos. Sin
lugar a dudas, podriamos imaginar algunas situaciones en las que la elección de un
cheque de cada 300 podría introducir algún tipo de sesgo. No obstante, este proce-
so da la imprt.'Sión de que produce una buena aproximación a un muestreo aleatorio
y a un costo muy aceptable. •
El campo de aplicación de los métodos de muc~treo es mucho mas extenso

que el de las encuestas políticas y los estudios de mercado que nos son familiares.
El muestreo se debería considerar siempre que se quiera tener iníonnación y el cos-
to (en <linero. en trabajo o en tiempo) de ohtener la infonnac1(>n completa es exce-
sivo. Por ejemplo, suponga que un fabricante de p:ipas fritas \ene.le el producto a
través de 1943 minorist:is. Una variable crítica para el éxito del producto es el espa-
cio promedio que se le :isigna en las cstantcrias. Sería absurdo que d fahricante tra-
tase e.le visitar a cada distribuidor para medir el área dedicada a su producto.
-:;~poniendo que el fabricante tiene una lista de los distribuidores. sería relativamen-
te más fácil obtener una muestra aleatoria de. digamos. 100 de ellos y medir el es-
pacio promedio en las estanterías de esta muestra.
lde:ilmente, uno tiene una lista de los elementos de la población objeti\ o. Lo
m:ls común es tener una lista que se aproxima. J)\!ro no c.lel todo, a la población ob-
111:.rco mue,tro l jetivo. La lista casi correcta se llama marco de muestreo o mucstral, para indicar
que no es exactamente igual a la población objetivo. Con frecuencia es muy fácil ob-
tener un buen marco de muestreo, como lo sería en el caso del fabricante de papas
fritas, que de seguro conoce a muchos, pero no a todos los distribuidores. Cuando se
toman muestras de poblaciones humanas, es muy dificil encontrar un buen marco de
muestreo. La gente se traslada; un din.-ctorio o una lista de direcciones se puede vol-
ver obsoleta rápidamente. Los directorios telefónicos no son una fuente completa-
ml!nte confiable para desarrollar un marco de muestreo: hay muchos números
telefónicos que no aparecen en la lista y muchos números telefónicos múltiple~. Qui-
zá el problema más serio sea que las personas !.in telt!fono tienden a ser pobres. Este
problema fue una de las causas principales del fracaso <le uno de los ca~os más no-
torios c.lel muestreo, la encuesta de la revista Literory Dige.\t antes de la elección
presidencial de Estados Unidos en 1936. La revista, muy popular en aquel tiempo,
realizó una amplia encuesta (2.4 millones de respuestas) basada en gran medida en
los directorios telefónicos. En 1936, durante la gran depresión, este procedimiento
introdujo un sesgo sustancial. La revista vaticinó que el candidato republicano ga-
naría la elección: él ganó sólo en dos estados. Parj realizar un buen muestreo, gran
parte del esfuerzo se debe dirigir al desarrollo del marco de muestreo
Dado un huen marco de muestreo. el muestreo aleatorio se puede realizar con
un programa de computadora que genere números aleatorios o con una tabla de nú-
meros aleatorios. La tabla 9 del apéndice contiene una tabla J)\!quei\a de números
aleatorios. Para efectos prácticos. dicha tabla se puede consultar en cualquier mo-
mento. (Uno fonna de consultar lo tabla es tomar un billete e.le hl cartera> utíli7.ar el
primer dígito del número de serie para seleccionar la fila y el ~egundo dígito pora
seleccionar la columna.) Suponga que consultamos Ja tabla en la fila 'l. columna 1,
recorremos la lila y utilizamos Jos tres primeros dígitos. Para obtener una muestra
aleatoria de 1O individuos tomados de una población de 916 individuos. numeramos
a los fr\dividuos en el marco de muestreo del 000 al 915 y seleccionamos los prime-
ros 1O números. a saber 24, 130 (utilizando sólo 241 ). 483(60). 225(27 ). 972(75),
763(93), 648(09), 151(79), 248(30). 493(40)) 320(81 ). Si uno de los numeros
aleatorios es ma)or que 91 S, como por ejemplo 972. lo ignoramo~ y obtenemos otro
número en su lugar. Por ejemplo, sustituimos 972 por 306(80). que es el siguiente
número de la tabla 9 del apéndice. Si queremos tomar una muestra sin
recmpla1.amicnto, •también ignoramos todas las repct1c1ones de los números. Por
supuesto, no es necesario depender de la tabla; pr:ícucarnente, cualquier programa de
computadora puede generar una serie de números aleatorios igualmente útilco;
EJEMPLO 6.2 Suponga que se va a tomar una muestra de 4 minoristas de un marco muestra[ de
1943 de ellos. Si consultamos Ja tabla 9 de números alentorios del apéndice en la
fila 3, columna 1, y leemos venicalmcnte las columnas, los primeros 1O registros
son 24,130, 42,167, 37,570, 77,921, 99,562, 96,301, 89,579, 85,475, 28,918,
63,553. ¿Qué minoristas debcrian integrar la muestra'!
Solución U na de las mu..: has maneras en que uno puede utilizar estos números consiste en ig-
norar el último dígito y seleccionar sólo valores entre 000 J y 1943, ambos inclusi-
ve; así, ignore 2143, 4216, y así sucesivamente. Continuando a lo largo de l:i
columna obtenemos los números 0942 (fila 13 ), 1036 ( fi Ja 14 ), 071 1 (fila 15) y
0236. Bajo la hipóiesis de que estamos haciendo un muestreo sin reemplazamiento,
ignoramos las rcpeliciones. (También podríamos haber utilizado una computadora
para seleccionar muestras aleatorias en el intenalo de 0001 a 1943.) •
Para lograr una apro><imación adecuada a una muestra aleatoria, se requiere un

plan cuidadoso y cierta dosis de ingenio. Esto ocurrl! ~obre todo cuando los elemen-
tos de la población objetivo son personas. La gente tira a In basura los cuestionarios
que le son enviados por correo, no está en su casa para responder encuestas telefó·
nicas, y modifica sus respuestas para amoldarse a las normas sociales. Con mucha
frecuencia, las encuestas a personas se hacen en fonna desordenada, utilit~ndo un
cuestionario a vuelta de correo hecho a la carrera (dirigido con frecuencia a "el ocu·
pante"). conforme a una lista de direcciones cuidadosamente elegida, sin ninguna
medida para investigar a quienes no responden. El resultado es una mala colección
de datos afectados por sesgos que tienen efectos imprevisibles. A tales datos, se pue-
den aplicar muchos métodos estadísticos, pero se aplica el bien conocido dicho: ba-
sura que entra, basura que sale. Tomar muestras razonables de poblaciones humanas
es un ane (Y una industria bastante productiva); nosotros no trataremos de capturar
la esencia de dicho arte en un par de páginas.
Hay otros método~ de muestreo muy útiles y valiosos, tales como el muestreo
estratificado. No obstante, en los siguientes capítulos los usos de la teoría probabi-
lística se basan exclusivamente en el muestreo aleatorio simple. Las ideas básicas
siguen siendo las mismas cuando se utili.ran otros métodos. Lo único que cambia
son las fónnulas. que se hacen un poco más complicadas.
• Se dice que hay un mucscn:o sin reempluamiento (o sin reemplazo) cuando los elementos ya 1eleccio.-·
dos 1e sepann de la población. de modo que no pueden volver a CS(Ogerst. (N. d~I T.)
6 2 Estadinicos muestrales y d1stribuc1ones muestrales 233
SE< CION 6. 1 EJERCICros

6.1 Suponga que queremos seleccionar una muestra aleatoria de n == 1O elementos de
una pohlación de 800 individuos. Utilice lo tabla 9 del apéndice para identilicar a Jos
mdi\ iduo~ que formarán la muestra. Comience en la lila 5, columna 1 ~ lea hacia abajo.
6.2 Las autoridades civiles de la ciudad toman una muestra de la opinión de los propie-
tarios de casas de cierta comunidad acerca de la posibilidad de ele\'ur los impuestos
para mejorar la calidad de las escuelas locales. Se utiliza un directorio de todas las
casas en la ciudad: una comr>Utadora genera números aleatorios par:i identi licar las
direcciones que integrarán la muestra. Un entrevistador visita cada hog:ir entre las 3
r .M. y las 6 P.M. Si no hay nadie en casa, l:i dirección se elimina de la muestra y se
reempla7.a por otra que se selecciona aleatoriamente. ¿Se aproxima este proceso a un
muestreo aleatorio?
6.3 El director de una librería univer~itari:i estj intcre~ado en conocer el número de li-
bros de texto que no se pidieron en número suliciente y se agotaron dos dias después
del comienzo de las clases. Para ello, instruye a un empleado para que seleccione un
número aleatoriamente, vaya al Jugar donde está colocado el libro con ese número,
examine los 50 títulos que le siguen y anote cuántos de ellos están agotados.
a. Técnicamente, este proceso no proporciona una muestra aleatoria de los libros en
la tienda. ¿Por qué no?
b. ¿Cómo se podrfo obtener una muestra verdaderamente aleatoria?
6.4 Un equipo de béisbol profesional tiene dos planes para la venta de boletos: uno para
20 juegos )' otro para 40. El director de "enta'> quiere estimar el interés de los aficio·
nados en un plan combinado por medio del cual dos personas que adquirieron pla-
nes de :?O juegos se pueden reunir para :idqu1rir. con un pequei'lo descuento, un plan
de 40 juegos La población objeti\O para tomar la muestra son los compradores regu-
lares del plan de 20 juegos. Se tiene a Ja mano una lista actuali1ada de los 4256 com-
pradores l·.xplique cómo obtener un muestra :ileatona de los compradore\ regulares.
6.5 Una forma de tomar una muestra de los compradores del ejerc1c10 6 4 con~•~tc en ha-
cer una listad~ los números de asiento que ocupan en el estadio y tomar una mues-
tra :ileatoria de ellos. No obstante, esto no parece proporcionar una muestra aleatoria
de los compradores. Explique por qué no.
6.6 El gerente de un complejo de 2526 oficinas empleó a un nuevo contratista en limpie-
'ª y quiere formarse una idea adecuada de cuán satisfactorio es el trabajo que rcali-
l:l los fines de semana. Una e~trategia posible es seleccionar 3 oficinas en los
primeros tres pisos y examinarlas junto con las 1O oficinas que se encuentran a su
al rededor. Otra estrategia, que requiere aproximadamente el mismo tiempo. es selec-
cionar 15 oficinas ale:itoriamente Se argumenta que la primera estrategia es mejor
porque pennite inspeccionar más oficinas. ¿Es válido este argumento?
6.2 ESTADÍSTICOS MUESTRALES Y DISTRIBUCIONES MUESTRALES •
Una vez tomada una muestra y obtenidos los datos numéricos la primera tarea es
sintetizarlos. En el capítulo 2 definimos muchas medidas que resumen los datos,
tales como la media y la desviación estándar de la muestra. Cada una de ellas es un
c'ltadístico ejemplo de un estadístico muc~ tral
mucs trnl No se puede predecir con exactitud el valor numérico que tendrá un estadis-
tico muestra!. Aun si sabemos que la media poblacional µ es 216.3 7 dólares y que
la desviación estándar poblacional aes de 32.90 dólares (es más, aun si conoccmo'>
completamente la distribución poblacional) no podemos decir que la media muc!.tral
f será exactamente igual a 216.37 dólares. Un estadístico muestrol es una variable
234 6 MUESTREO ALEATO.IUO Y DISTRIBUCIONES MUESTRALES
aleatoria. Está sujeto a un:l variación aleatoria porque se hasa en una mucstm. t:lm·
bi~n aleatoria, de mediciones tomadas de la población de interés. Al igual que otras
variables aleatorias. los estadísticos muestrales tienen una distribuciún de probabi·
lidades A la distribución de prohabilidadcs teórica de un estadístico muestra! se le
lli\trihución llama di'ltrihución mu~st ral del estadístico_]
mnl"•lr:il Uno de los problemas básicos de la estadística matemática es la derivación de
distribuciones muestrales. Las técnicas que utilizamos inclu)·en los métodos hásicos
de la probabilidad del capitulo 3, los métodos de Montccarlo (que analizaremos en
Ja sección 6.6) y muchas otras fonnas de manipulación matemática. En esta sección
mostraremos cómo se puede obtener la distribución muestra! de f para una pobla-
ción simphficad::i. Más adelante. en otras secciones. presentaremos varios resultados
de alcance general.
EJEMPLO 6.3 Se va a calcular la media muestra! y a partir de una muestra aleatoria de tamar'lo
2 tom::ida de una población 4ue consiste en los 5 valores ($2, $3. $4, $5 y $6). En-
cuentre la d istribución muestra! de f con b3se en una muestr.i de tam::il'lo 2.
Solución Una forma de encontr:ir P; (ji} es haciendo un recuento. Hay n) 10 muestras

posibles de 2 itcms entre 5 posibles. Son las siguientes: t, ~ ~..
1
Muestras posibles
de tama"o 2: 2. 3 2. 4 2.5 2.6 3,4 3,5 3.6 4.5 4,6 .S,6
Valor de ¡ : 2..S 3 3.5 4 3.S 4 45 4.5 5 5.5
Suponiendo que cada muestra de tamaño 2 es igu::ilmente posible, se deduce que la
dbtribución muestra! de f con base en n = 2 obsenac iones seleccionadas de esta
población es la que se indica a continuación:
)". 2.5 3 15 4 4.S 5 5.5
P;( jJ): l,' 10 1 10 2 ·10 2 10 2 10 1 10 1·10
La distribución muestra! se presenta gr.lficamt!ntc en la figura 6. 1.
2/10
1110
2.5 3 35 4 4.5 5 55
FIGURA6.I D1stnbuc16n muestral de Y: ejemplo 6.3 •
6.2 Estadí1t1cos muestrales y d1str1bucK>nes muestrales 235
Por lo general usamos un estadístico muestro! como una estimación de un pa-

rámetro de la población. Por ejemplo, podemos utilizar una medi:l muestra! para es-
timar la media correspondiente µ de la población de la que se obtuvo la muestra.
Después utilizamos la distribución muestra! de un estadístico muestra! para detenni-
nar la exactitud de la estimación. En el ejemplo 6.3 sabemos que la media poblacio-
nal µ es 4 dólares. Obviamente, en la práctica nosotros no sabemos d valor de µ.
pero podemos utilizar la distribución muestra! de Y para detenninar la probabilidad
de que, por ejemplo, el \'alor calculado tic la media muestra! esté a más de 0.50 dó-
lares de la mediaµ. En el ejemplo 6.3, esta probabilidad es
4
Py(2.5) + Pr(3) + Py(51 + Py(5.5) = -10
En general, un estadístico muestra! se utiliza para hacer inferenci:is acerca de un pa-

rámetro de la población. La distribución muestra! del estadístico es crucial par.i de-
tenninar cuán buena se supone es l;i inferencia._
mlc'rprctacioncs Las distribuciones mucstrales se pueden interprel.'lr cuando menos tle dos ma-
1k una di,trihu - nerns. Una tle ellas adopta el enfoque de la frecuencia relativa en el límite. Imagine
ciún muc.'ltral que se toman mue!>tras repetidas de un tamaño dado de una población y !>e calcula
el valor del estadístico muestra! en cada una de ellas. En el límite, las frecuencias
relativas de los valores del estadístico muestra! se aproximan a las correspondientes
probabilidades de la distribución muestra!. Por ejemplo, si usted toma un gran nú-
mero de muelltras de la distribución de probab1ltdudcs de la población del ejemplo
6.3 y calcula la media para cada una de ellas. y será igual a 3.S en aproximadamen-
te el 20% de las mue~tras.
La otra manero de interpreuir una distribución muestra! hace uso de la inter-
pretación clásica de la probabilidad. Imagine una Jbta de todas las muestras posibles
que se pueden tomar de una población dada. La probabilidad de que un estadístico
muestra! teng;i un valor particular (digamos. que y= 3.5) es la proporción de todas
las muestras posibles que dan dicho valor. En el ejemplo 6.3. Pr (3.5) = 2/1 Ocorres-
ponde al hecho de que 2 de cada l O muestras tienen una media muestral igual a 3.5.
El muestreo repetido y d enfoque clásico son formas legitimas de encontrar proba-
bilidades de un estadistico muestra!.
No obstante, en la pr.íctica una muestra !>ólo se toma una vez, y sólo se calcu-
la un valor del estadístico muestra!. ~Una distribucíém muestrnl 110 ..,, ;1li,:o que
usted pueda \'Cr en la práctic:t; 110 e' un:1 distrihu ción que se pueda obo;cn•ar
empíricamente. \Já~ bien, es un eonc<'pto t<'órico. un conjunto <le probabilidades
deducidas Je hipótesis acerca de la población ~ el método de muestreo~
Desafortunadamente, hay una similitud entre las frases distribución mue.\·tra/,
que significa la distribución de probabilidades teórica que se ha derivado para un es-
tadístico. y dis1ribució11 de la mue.vira, que se refiere al histograma de los valores
indi\ iduak.; que realmente observamos en una muestra particular. Las dos frases
significan cosas mu; distintas. Para evitar toda confusión. nos reforimos a la distri-
hi, logrnrn:i <k la buciún de los valores de la muestra como al hi,tugrama de I:• 11111<',lrn o di~1rih11
11111<',trn o di,lribu- ciún de loi. d11tos en \ l!t de distribución de la muestra.
{'ÍÚn de 'º' datos
236 6 MUESTREO ALEATORIO Y DISTRJ8UCIONES HUESTAALES
EJEMPLO 6.4 Rcmitase ul ejemplo 6.3. ¿Cómo podemos utili1.ar una computadora para aproxi-
mar la distribución muestra) de Y con base en n = 2 observaciones'!
So/uc1on
'
Suponga que decidimos simular 10,000 muestras de tam:iño 2 de la población
del ejemplo 6.3. Para generar 10,000 dígitos aleatorios (O, 1,. ,9) con una dis-
tribución uniforme podemos utilizar una computadora. Como señalamos en el
ejemplo 6.3, hay 1O muestras posibles. La muestra 2, 3 (.'v = 2 .5) se puede
asignar al dígito O, la muestra 2, 4 {.Í' =- 3), al dígito 1, ... • y la muestra S, 6
(.V = 5.5 ). al dígito 9. Así, cada muestra posible tiene la misma proh:ibdidad.
Esto resulta en 10,000 valores .v. A continuación mostramos los valores y las
frecuencias relativas correspondientes :
Valor de ¡: : 2.5 3O 3.5 4o 4 5 5.0 5.5
Frecuencia· 1024 991 2006 :?018 1975 1005 9HJ
frecuencia relativa: 10:?4 0991 2006 .:?OIH 1975 1005 09111
Observe ~ue estas frecuencias relativas simuladas son mu} cercanas a las probabi-
lidades teóricas 0.1, 0.1, 0.2, 0.2. 0.2, 0.1 y O. l. Este método siempre proporciona
distribuciones aproximadas que se pueden mejorar aumentandQ el número de repe-
ticiones (y. por lo lanto, el costo). •
EJEMPLO 6.5 Encontramos que la distrihución muestra) de Y en el ejemplo 6.4 asigna una pro-
hnbilidad de 2/ JO a .Y= 4.5. ¿Cómo se interpreta este resultado?
So/uc1on Ha} al menos e.los interpretaciones muy provechosas. Primero, podemos supo-
ner que se ha tomado un número mu)' grande de muestras de t:imaño 2 de ei.ta
población (conceptualmente, un número infinito de muestras). En tal caso. la
fracción de muestras que. en el límite, producirían una media muestral de .i.s
seria 0.2. Alternativamente. podemos suponer que se ha preparado una lista de
todas las muei.tras posibles de tamaño 2; de éstas, 2 de cada 1O tendrán u na
med1:1 muestra! de 4.5. •
En este libro dem aremos tan sólo algunas dbtnhuc1onci. (mucstralcs ) teoru.:as
muy simples. Las más complicadas requieren dt: unn matemática compleja que no
entra l!n nuestras prioridades. En camhio. nos concentraremos en las hipótesis sub-
yacentes a la teoría y en las consecuencias que trae consigo transgredir tales hipóte-
sis. Para la deducción de los resultados le sugerimos consulte un huen libro de
estadística matemática tal como Larsen y Marx l I 986)
Evidentemente, las d1stribuc1ones muestrale!> 1;imb1én se pueden calcular para
muestras que se toman con reemplazamiento. Sí, en el ejemplo 6.3. la muestra se
tom:i con reemplazamiento. Ja distribución muestra! de )'es la siguiente:
): 2o :? 5 3.0 3.5 4 o 4.5 5.0 5.5 6 ()

P;( j'l. 04 08 12 .16 20 .16 .12 08 (~
Se po<.lria realiz.ar un estudio simulado con una computadora suponiendo que el

muestreo es con reemplu.amiento. Por ejemplo. podríamos tomar 10,000 números
Secc1on 6.1 E¡erc1C10l 237
aleatorios de 2 dígitos permitiendo que cada uno de los números OO. 01, 02 y 03
corresponda a y "' 2. cada uno de los números desde 04 hasta 11 corresponda a
y :!.5. y así suceshamente. Las frecuencias rdativas de tal estudio serian mu~
cercanas ::i las probabilidades que se muestran. •
SECCIÓ N 6.2 EJERCICIOS
6.7 Fl propietario de una cadena de la\anderias automáticas estima el tiempo promedio

entre dos averías de las máquinas midicm.lo el tiempo transcurrido desde la úllima
reriarac1ón en l;is 100 mjqui~s 4ue se han ª'eriado m:ís recientemente ¡,Qué -;esgo
p<">dría hahcr en este procedimiento?
6.8 "Puede usted sugerir un mejor enfoque para reunir una mue~tr:i de loe; tiemrios trans-
currid-Os para las 100 máquin:ic; del ejercicio 6.7?
6.9 Una rnanera de revisar el 1% de tod3s las transacciones que rasan por una cac;a de
corrctaít te; \en ficar aquéllas cu;. o número de serie termina en OO. Si usted fuec;e un
eo;tafador que trahaia en una oscur:i oficina de la compañia. (,Qué penc;arfa usted de
este rroced11n1ento"
6. 1O Sugiera una forma ideal para tomar una mucstrn del 1% de las transacciones del
e.1erc1cío 6.9.
6. 11 De 13 población del ejemplo 6.3 se dehe tomar una muestra aleatoria srn rcempla1.a-
m1ento de tamaño 3 Se puede demostrar que la distrihuc1on muestra! de Y es
Í'' JOOO .u:n H67 4 (X)() 4 3J3 4 667 5000

P,(i·l .10 JO 20 .20 .:!O .10 . 10
a. Trace un histograma de ésl3) de la distrihuciím muestra! del ejemplo 6.J.

h. Suponiendo que n 3. encuentre Ja rirohahilídad de que Y esté a menos de 0 .50
dólares de la media pohlacional que es de 4.00 dólares.
6. 12 Calcule los \alores e~per:idos y las varianzas de las distril'iuciones muestrales del
ejemrilo 6.3 y del ejercicio 6. 1 l. ¿Cómo afectan a los \alores esperados y a las va-
rian1as las diferencias entre los tamaños de las muestras?
6. 13 Se dehe tomar una muestra aleatoria de tamai'lo S. con reemplazamiento, de una po-
hl:ición con Ja siguiente distnhución de prohahilidades.
Valor. 4 8 12 16
l'rol'iahi hdad: .50 .30 .15 05
Se puede demostrar 4uc las distribuciones mucstralcs de Y scm (con 4 decimales):

j': 40 4.5 50 5.5 6.0 6.5 7.0 7.5 80
P;l .\'l: oow 0188 ~88 OK98 1293 15H 1550 1359 104!\
y: 85 9.0 9.5 100 10.5 11.0 11..S 120 12 5

Prlyl: .0718 ~39 0242 .0119 0053 0021 0008 Ol.X)2 0001
y: 13.0 13.5 14 ll 14 5 150 15.5 160

P;(f): 0000 0000 0000 0000 ()()()() 0000 0000
a. Trace histogr.imas de la distrihución rioblac1ooal y de la distrit'lucíón muestra! de Y.

b. \'erifique que la media poblacional es 7.0.
c . ...ncuentre el \'alor esperado) la' arian1a de f.
238 6 MUESTREO ALEATORIO Y DISTRIBUCIONES HUESTRALES
d. Encuentre la probabilidad de que Y se mcuentre a menos de 1.5 unidades de 11

media poblacional µ.
6.14., Remítase a los histogramas trazados en el ejercicio 6. 13, inciso (a).
a. ¿Cuál de ellos muestra una varianza más peque/la? (Determine esto sin hacer
ningún cálculo aritmético.)
b. e:. Cuál de ellos muestra una menor asimetría?
6 . 1 S Una simulación por computadora del proceso de muestreo del ejercicio 6 . 13 propor•
ciona lo~ siguientes \alores:
Media. 40 4.5 5.0 SS 6.0 6.5 7.0 7.S

Frecuencia: 3 25 45 91 122 131! 165 137
Media: 8.0 8.5 9.0 9.5 JO.O 10.5 11.0 11 .5 1:!.O
Frecuencia: 1IS 71 38 23 12 9 3 2 1
a. Trace un histograma de las frecuenc1:is de la simulación.

b. Compare este histograma con las probabilidades teóric:is que se mucstr:in en el
ejercicio 6. 13 .
VALORES ESPERADOS Y ERRORES ESTÁNDAR DE

6.3 LAS SUMAS Y LAS MEDIAS MUESTRALES
La disuibución muestra! de un estadístico es una distribución de probabilidades. Su

forma exacta depende de la distribución de la población de la que se toma la mues-
tra. Afortunadamente, de hipótesis mínimas acerca de la población podemos derivar
las propiedades básicas de las distribuciones muestrales más importantes, las relati-
' a.e; a las sumas y las medias muestra les. l:.n esta sección encontraremos los 'alores
esperados y las varianzas para dichas distribuciones. En la siguiente, mo\traremos
que la distribución normal es a menudo una buena aproximación a las formas exac-
tas de estas distribuciones muestralcs.
Lós resultados matem:i1icos que se muestran en el apéndice 4/\ del capítulo 4
se extienden de inmediato a esta situación, proporcionándonos los resultados husca -
dos relativos a la distribución muestra! de una suma. Suponga que tomamos u 11;1
muestra aleatoria de tamaño n de una población de tamaño ,V suficientemente gr:in-
de como para que n sea pequei\o en comparación con N. Denotemos con Y, la 1-ési-
ma observación de la muestra y sea T la suma muestra! Y1 + Y~+·· · + Y,,. En tal ca\O
se puede demostrar que el valor esperado y la varianza de T son como a continua-
ción se indica.
~ Valor esperado y varianza de una suma muestra!

Si Tes la suma de n valores tomados aleatoriamente de una pohlacíón con media µ
y varianza cr,
entonces el valor esperado. la varianza y la desviación estándar de T son
ECT) = µ + µ + .. · + 11 = nµ
Var(T) = ª2 +al + ... + o2 = naz
--- r
ar=, Var(T) =..,¡na
6 l Val«•s ..pe~s y errores ei~nd.,. de la1 sumu y lu. medias muenralu 239
EJEMPLO 6.6 Suponga que en una oficina regional del programa de asistencia m¿dica para perso-
nas mayores de 65 ailos (.Wedicart!, en Estados Unidos) el promedio en el límite del
número semanal de solicitudes de atención es de 62,000. y que la desviación están-
dar es de 7000. Si suponemos que las solicttudes semanales durante un período de
4 semanas constituye una muestra aleatoria de uimai\o 4, ¿cuál es el valor esperado
y la desviación estándar de solicitudes en este penodo?
Solución Se nos di<.:e queµ::: 62.000. u- 7000 y"= 4. Se sigue que

,._, n .., 14H62.oooi : 241<.ooo
1
t1r = h. 4)(7000) = 14.000
Lil suposición de independencia del número de solicitudes de una ~emana a la otra
es la parte más critica de la hipótesis de que el muestreo es aleatorio. Si en realidad
no hay independencia, e 1 valor esperado de T sigue siendo correcto, pero, de acuer-
do con el apéndice 4J\ (capitulo 4). la desviación estándar es errónea. •
l=.ste es el momento indicado para introducir un nue\o nombre para un concep-

to existente. En los siguientes capítulos \amo., a especificar muchos estadísticos
mucstralcs y muchas distribuciones muestrales; como resultado, hay muchas fónnu-
las para las desviaciones estándar de las distribuciones muesltales de dichos estadís-
ticos. La mayoría de las fórmulas (como la de la desviación estándar de T)
comprenden a la desviación estándar de la población. lo cual dificulta distinguir en-
tre las diferentes desviaciones estándar. De aquí en adelante, utilizamos el término
e rror c'tánda r rrrur c<i;fándar para denotar la desviación est:índar derivada teóricamente de la dis-
trihuc1ón muestra! de un estadístico. El error estándar de la suma muestra! Tes la
desviación estándar de su distribución mue~lral o T =
.Jna 2 a .fñ. =
La distribución muestra! de una media muestral es aún mas 1mponantc que la
distribución muestra! de una suma, el promedio muestra! es el estadístico de uso
más amplio. El valor esperado, la \.ariani.a y el error estándar de esta distribución
muestra! se pueden encontrar fácilmente utilizando los resultados ac~rca de
la suma muci.tral y los principios introducidos en el apéndice 4A . Si Y" ... , Yn re-
presentan los " valores de una muc!.tra aleatoria, !,? media muestra! es
f = (>~ + · ·· + Y,.)! n = T/11, que es el total de la muestra divid1do entre el ta-
maño de la muestraJOel apéndice 4A se deduce que podemos encontrJr el valnr es-
perado y el error estándar de la media muestra! dividiendo entn.: /1 los \'atores
currespondientes de la suma muestr:il T.
Valor esperado y error estándar de Y

Si se toma una muestra aleatoria de tamaiio n de una población, el \'alor esper.ido y
el error estándar de Y son
nµ
E(Y) = -11 ""' I'
,...
" "(1
<1
n, = - - =-=-
n .J"
EJEMPLO 6.7 Encuentre, en la 'iituación del ejemplo 6.6. el valor esperado y el error estánd:ir del
número de '\Olicitudes semanales durante un periodo de 4 semana~ .
Soluc1on En el ejemplo 6.6, µ =- 62.000, CJ = 7000 y n - 4. Si Y es el promedio del numero

Lle solicitudes ~emanales en un periodo de 4 semanas. entonce~
E( Y)= JI = 6~.000
f7
ar =- 1000 " 4 = 35CX}
\. /1
•
'E( f )- µsignifica que. en promcuio, la media muestra] estim:i la media po-
blacion"al corrcct.ament~En una mucMra panicular, la media puede sobrestimar a
Ja media puhlacional; en otra, la media puede subestimarla. Pero, en promedio, no
hay una 1el\uc111. 1J ,¡.,tcmatica Lle la media muestra( para sobrestimar o ~uhe~timar
la media poblacional. Esto es cieno independientemente del tamaño de la mucma.
ÍLa desviación est:índar de la distribución muestral de la media (el error estan-
dar de la m..:dia muestra!) e~ crucial para determinar el probable margen de error en
una esumaciún. l lcmo~ dicho que no ha) una tendencia sistcm:ítica para sohresti-
mar o :.ube:.lllnar p con f. ¡Esto en realidad no nos consolaría si :.upit!semos ~ue la
mitad de las \Cccs hacemos grandes sobrestimac1ones y la otra mitad grandes sub-
cstimaciones! l:.I error estándar de una media muestral ar• junto con la regla empí-
rica <lel capítulo 2. se pueden utili7.ar para tener una buena indicación de 13 probable
desviación de una media mue~lrnl panicular respecto de la media poblacional.
EJEMPLO 6.8 Suponga 4ue el gerente de un supermercado ~uicre estimar el tiempo medio para
pagar la cuenta en las cajas que no son rápidas." Un asistente obtiene una muestra
aleatoria de 2 5 tiempos de pago. Si datos prevms sugieren que la des\ iación están-
dar de la población es de 1.1 O minutos. describa la probable desviación de } de la
media poblacinnal µ.hasta ahora desconocida.
Soluc1on La regla empírica indica que aproxim:idamente el 95% lle his \ ece!'. f se encuen-
tra a menos de uos errore.. cst:índar ( 2CJ r) de la media poblacional µ. Paran 2S,
., 2o- 2( 1.10)
-O"r - -
J11 = - --
5
=.44
El error probable de Y no es mayor de 0.44 minuto. •

La probable precisi1)n de una media muestra(. cuan<lo se le mide Ctlll su 1.·rror
estándar. se \C akct4lda por el tam<lño de la muestra. Como el error cst:índar Je la
media mucwal es la des\ iación e~t:índar de la población dividida entre la raíz cua-
drada del 1amaf10 muestra l. T:! error estándar decrece a medida que el tamaño de la
• (jcneralm~nle, en ur>a c:ijm ripida no se ~rmilc d p:ago de 111ás de 10 anículos ~ ¿ste s~ llene 'lllC ha-
cer en cícctivo (N del T)
Sección 6 l E1erctetos 241
\
. /
muestra se incrementa, Si en el ejemplo 6.8 el tamaño de la muestra hubiese sido 50 /
o 1OO. en vez de 25. los errores probables ( 2<1 y) habrían sido, respectivamente,
0.31o0.22.
Cuando el tamaño muestra! tiende a infinito, el error estándar de la media
muestra! tiende a cero. Esto signific:i que cuando el tama1)0 de la muestra es muy
grande, el error esundar de la media es muy pequeño, y la media muestra! que se
basa en ella es muy próxima a la verdadera media poblacional, con una probabilidad
muy grande.
En la sección 2.3 definimos limites de control, sumando y restando tres des-
viaciones estándar del valor objetivo deseado. La desviación estándar en cuestión
es la desviación esundar de la media muestra), basada en el tamaño de la muestra
utilizada. Por ejemplo, con anterioridad analizamos el caso de las transmisiones au-
tomáticas en el que la presión interna buscada era de 35. La desviación estñndar de
las presiones de transmisiones particulares er:l de alrededor de 1.2, y cada día se to-
maba una muestra de 5 transmisiones. Así, la desviación estándar de Ja media
muestra! {error estándar) debería ser, teóricamente, 1.2 dividido entre la raíz cua-
drada de 5, o 0.54.
En el control de la calidad hay una fuente adicional de variabilidad que no se
encuentra en las muestras tomadas de poblaciones fijas. Aun cuando un proceso esté
bajo control, variará a lo largo del tiempo. Por ejemplo, la \crdadera presión media
de todas las transmisiones puede variar de algún modo (a lo largo del tiempo) en
tomo a 35, aun cuando el proceso sea básicamente satisfactorio. Esta variación adi-
cional con frecuencia hace que la desviación estándar real de las medias muestrales
-;ea un poco mayor que el valor teórico. En el ejemplo de las transmisiones, l:i des-
viación estándar real de las medias era de 0.60.
6.16 Rcmltase a la distribución muestra! del ejercicio 6.13. Demuestre que el valor espe-
rado y la varian7a encontrados en el eJercicio 6.13 concuerdan con los result:idos
teóricos de esta sección.
6. 17 Un asegurador de automóviles ha encontrado que las solicitudes de reparacion tie-
nen un monto promedio de 927 dólares y una desviación estándar de 871 dólares.
Suponga que las siguientes SO solicitudes se consideran como una muestra aleatoria
del proceso a largo plazo.
a. Encuentre el valor esperado y el error estándar del total de las siguientes
50 solicitudes.
b. Encuentre el valor esperado y el error estándar del promedio de las siguientes
SO solicitudes.
6.18 Se puede considerar que una simulación por computador;i es un ¡lroce<;o de mues-
treo. Surionga que se reali1:1 un estudio relall\O al tiempo requcndo para completar
una in\cstigac16n y desarrollar un pro)ecto !la} una incertidumbre considerable en
los tiempos requeridos para complet:ir las di<;tintas partes del proyecto, de modo que
el tiempo de realinc1ón total llene una 'anabilidad muy grande Suponga que el
tiempo de reaJ11..ación tiene una media de 28.2 meses y una desviación estándar de
6.9 meses.
a. S1 la simulación comprende: 1000 ensayos independientes del proyecto, encuentre el
valor tsperado y el error esl.ándar de la media (de la muestra) de la simulación.
b. F.ncuentre el valor esperado y el error estándar si se realizan 4000 simulaciones.
DISTRIBUCIO NES MUESTRALES PARA

6.4 LAS MEDIAS Y LAS SUMAS
" •
En la última sección est<iblecimos los valores esperados y los errores estándar apro-
piados para dos estadísticos muestralcs: la suma muestra! Ty la media muestra) Y.
'En esta sección demostramos que en muchas situaciones la distribución normal es
una buena aproximación a la distribución muestra! de To rJ
Según un teorema de la estadística matemática. si la distrihución poblacional
es (exactamente) normal, entonces las distribuciones muestrales para la suma mues-
tra! T y la media muestr.il r también son (exactamente) nonnalcs. Los valores es-
perados y los crrorc!> estándar relevantes son aquellos que se dieron en la sec-
ción precedente.
Supong.i que un empaquetador de carne~ proporciona corte!> de "12 onzas"
que. de hecho. tienen un peS(l medio de 12. JO ont(C) y una des\ 1ación estándar de
0.20 onzas, y que los pesos tienen una distribución normal Suponga que un paque-
te de 25 eones constituye una muestra aleatoria de la población de cortes (que tam-
bién se puede penS<lr como un proceso que tiene un límite). ¿Cuál es la probabilidad
de que el peso medio del paquete exceda de 12.00 on1..as'? De acuerdo con c:I teore-
ma que acabamos de mencionar, si la distrihución de la población es nonnal, la dis-
tribución muestra! de las medias muestrales también es normal. El valor esperado
de la media mue~tral será 12.10, igual a la media de la población. La desviación es-
tándar de la media mm..-stral 110 será igual a la desviación estándar de la población;
las medias mue~tralcs ~on meno!> \ariables que las observaciones individuales. La
desviación estándar relt:vante para la media muestra! es el error estándar;
ar = a I ¡;, = 0.20 I Jis = 0.040. Para encontrar la probabilidad de que la me-
dia muestra! !>Ca mayor que 12.00 on~s. utilizamos el valor : que nos es fa.
miliar, asegurándonos de utili1...ar el error estándar. no la desviación estándar de
la población.
I'( Y> 12.00) = P(: > (12.00 - 12.10) 0.040) = P(: > 2.50)
= .5000 + J9l8 = .993R (a partir de la tabla 3 del apéndice)
EJEMPLO 6.9 Una compa1'ía maderera planea conar 400 árboles de un bosque muy grande con 50
años de antigüedad La madera que se extrae de cada árbol depende en gran medida
de su diámetro. Suponga que la distribución de los diámetros en el bosque es nom1al
con una medía de 44 pulgadas y una desviación estándar de 4 pulgadas. También su-
ponga (quizá irrcalmcnte) que l<l selección de 400 árboles es efectivamente aleatoria.
Encuentre la probabilidad de que el diámetro promedio de los árboles conados se
encuentre entre 43.S y 44.5 pulgadas.
Solucton ~e supone que 13 distribución poblacional (de los diámetros de todos los árbo-
les en el bosque) cs normal. De los resultados anteriores se sigue que la distri-
bución muestra! de f tambiC:n es normal. El v3lor esperado y el error estándar
.ipropi3dos son
6.'4 D1stribuc10nes muestrales para las medias y las sumas 243
µy=µ= 44
(1 4
<1y = Jñ = .. '400 = .20
Como e s usual, calculamos las probabilidades normales con valores z (vea la

figura 6.2):
P(43.5 s y s 44.5) = p(43.S - 44 S Z S 44.5.20- 44)

.20
... P(-2.50 S Z S 2.50)
= 2( 4938) = .9876
El uso del teorema fundamental de la Estadistica Matemálica, tal como se indi-
có antes, requiere suponer que la distribución poblacional es exactamente normal.
Teorem a Central En la práctica, ninguna distribución lo es. Otro teorema, llamado Teo rema Centra l
d C'I Límite llcl Umitc, implica que la hipótesis de una población normal no es crucial.
Teorema Central del Límite para sumas y medías

Para cua/qwer población (con media finitaµ y desviación estándar O'), las distribu-
ciones muestrales de la suma muestra! y de la media muestral son aproximadamen-
te normah!s si el tamafto n de la muestra es !>Uticientemente grande.
•
Éste es un teorema sumamente notable. Irulcpcndicntcmcntc d e l:t n:1t uralc-
1.1• (h' la distribución poblacional : disc reta o co ntin trn . simé trica o sesgada,
unlmodal o nrnltimodal. las distribucionc mul'strnlcs ¡rn r a T e f son norma-
lc'i micntra'I el tama ño d e la muestra sea suficientemente gr a nde. Esto se ilus-
tra en la figura 6.3 para la media mues tra!. La condición de que la media
poblacional y la desviación estándar sean finitas casi siempre se satisface.•
.4938'
43.5 44 44.5
1 ,••. -f-.. . ~
FIGURA 6.2 Cálculo de ta probabilidad del ejercicio 6.9 •
• La única excepción que conocemos es el caso de las 11111\ada.s leyes estables, que en ocasiones ae uti·
lizan como modelos financ ieros.
244 6 MUESTREO ALEATORIO Y DISTRIBUCIONES HUESTAALES
01slnbuCt6n muestra!
de r
FIGURA 6.3 Una 1lustrac1on del Teorema Central del Límite
Una pregunta obvia es: ¿cuán grande es una muc:-.tra suticientcmcnte grande?
El Teorema Central del Limite es un teorema matematico; "n suficientemente gr.rn-
dc" se traduce en ..a medida que n tiende a infinito'', de modo que no contiene la
respuesta a esta pregunta. En un gran número de estudios se ha tratado de rcspomkr
a la cuestión utiliundo otros teoremas matemáticos y simul3c1ones con computado-
ra. Mucho:- libros de texto dan una regla general: utilice la aproximación normal
siempre que n exceda de 30.
Esta regla es una guía básica para utilizar el ícorema Central del Limite. Una
mejor regla consideraría el efecto de Ja asimetría. Si la distribución de la población
es asimétrica. la d1stribuc1ón muestra! real para n 30 o para /1 =40 tambi¿n será
de alguna m:mern asimétrica. tal \eZ menos que la distritiución poblacional, pero lo
suficiente como p::ira hacer de la aproximación normal algo mediocre. Si la distrihu-
ción poblacional es sim¿trica, aun una distribución muestra! con 11 =- 1O o algo así es
not:ihlernentc cercarui a la normal Una mejor regla se basaría en una gráfica de los
datos mucstrales: siempre es buena idea traz.ar una figura de los datos. Si un histo-
grama de los datos de la muestra exhibe una oh\ 1a a:-.imctria (y, por lo tanto, sugie-
re una asimetría para la distribución pot>ladonal), la aproximación normal se
dcbcna utilitar con escepticismo. a menos que" sea un\ :ilor pm,imo a 100 o más.
Si el histogrJma tiene una pcquci\a asimetría. se puede utilíz.-ir la aprox1111a1:ión nor-
mal con confian~. aun con unan igual a 15 o 20. •
• 1.3 c:ihdad de una aprox11nación normal también se \e hgcrlmcnlc a lcct.ida por l.1 forma de l:is colas
en 1;1 población. Aun ~1 l.1 pohlac1on es c.1~1 s1mctr1\"a, puede contener muchos m:h \alorcs extremada·
meme gr.mdc) o c:\trem.1damc111e pc.:¡uc1)0~ que un.1 d1)tnb11c1on c:m normal Una población con las
colas pesad.as en una muestra manifiesta la prcscl\l:Í3 de valores atipu:os. unos pocos \'alorcs indivi-
duales q~ caen muy ICJOS del resto de los datos. l:l 1ra1:1m1cnto de los valores alípkos lo analí1.arcmos
en capítulos posteriores
6 -4 Omnb..c1~s muestrales para las medial y lal sumas 245
EJEMPLO 6. 1O Se utili1ó un programa de cómputo para extraer 1000 muestras de tamaños 4. 10. 30
y 60 de un:i población exponencial que tiene una media )' una desviación estándar
iguales a l. (í·n la sección 6.6 anali7.amos cómo se pueden realizar tales !>Ímulacio-
ncs con una computadora.) L:.n la figura 6.4 se mueMran los histogramas de las me-
dias muestralcs . A medida que se incrementa el tam:iño de la muestra. ¿cómo
cambia la fom1a di.: la distribución de las medias (muestralcs) teóricas'? ¿Cómo cam-
bia la variabilidad de las medias muestralcs'.'
So/uc16n Para /1 = 4, la distribución de las media!> c!t claramente asimétrica hacia la derecha.
aunque no tanto como la distribución exponencial en si. A medida que se irx:rcmen-
ta el tarnar)o de la muestra, las asimetrías decrecen. Para un tamaño <le la mue~tr.i
igual a 60. la distribución <le las medias parece ser muy próxima a la normal. El
Tc!orema Central del Límite indica que la distribución teórica de las medias mues-
trales debería, en verdad, aproximarse a una distrihución normal a medida que d U·
maño de la muestra se incrementa.
Con la escala que se encuentra en la hase de cada histograma. podemos eva-
luar la variabilidad de las medi:is muestrales. A medida que /1 se incrementa, el ran-
go de las medias rnuestralcs decrece, indicando que la 1.aríahilidad también lo hace.
El hecho de que el error estándar de la media muestral decrece a me<lida que /1 se in-
crementa, indica que la variabilidad de las medias muestrales debería decrecer cuan-
do /1 se incrementa. •
Recuerde que usted no puede trazar la distrihución muestra! verda<lcr.i. Lo que

tiene es la distribución teórica. en el límite, t.tuc surge de muestra~ repetidas. En la
práctica uMed sólo toma una muestra. El diagrama de datos al que no., rc!Crimos es
el histograma de la muestra. Este diagrama es muy ütil como una indicación gene-
ral de la forma de la población, que se sabe tiene un efecto en la calidad de la
aproximación normal del Teorema Central del Limite.
0.17 0.57 0.97 1.37 1.n 2.17 2 57 2 97

(a)
FIGURA 6.4 Histogramas de las medias muestrales: (a) muestra de tamano -4; (b) muestra de
tamaño 1O; (e) muestra de tamano 30: (d) muestra de tamano 60
0.27 0.55 o83 1.11 1 39 1.67 1.95 2.23
(b)
0 .46 0.66 0.86 1.06 1 26 1.46 1 66 1.86

(e)
0.59 0 .71 o83 0.95 1.07 1.19 1.31 1.43

(d)
FIGURA 6.4' (Contmuac1ón)

6 '4 01smbuc1ones muestra.les para las medias y las sumu 247
EJEMPLO 6. 11 En el caso de los pagos en el supermercado del ejemplo 6.8, se obsen aron los si-
guientes tiempos reales en minutos (n - 251· 0.4. 0.4. 0 .5, 0.5, 0.5, 0.6, 0 .6. O.7. 0.8,
0 .9, 1.1. 1.2. 1.4, 1.S, 1.8. 2.0, 2.3. 2.6, V>. 3.4. 4.2. 5.0, 6 .6, 9 .2. 16.1 ( .ii 2. 70).
¿Es claro que una aproximación normal a la distribución muestra! de f (por ejem-
plo. para muestras futuras de tamaño /1 =25, ) seria sausfactoria?
Solucion Los datos de la muestra sugieren que, en apariencia, la distribución poblac1onal de

los tiempos dc pago es altamente asimétrica. Vea el histogram:i hecho con compu-
tadora que mm.tramo' más abajo. La mayoría de los tiempos son breves. pero hay
:ilgunas personas (pocas) que realmente retrasan las cosas. Una muestra de 25 clien-
tes no es suficiente para eliminar la aJimctrio de la distribución muc!str:il. Incluso
una muestra de 50 clientes no es en realidad suficiente en esta situación. Por lo c.an-
to. todo parece indicar que las probabilidadc~ de la regla empírica (que se basan en
la distribución normal) en el ejemplo 6 X. son inadecuadas paran - 25 y quizá para
n = 50. Para n 100, las probabilidade~ deberían ser bastante cercanas.
C1
0.4 0. 4 0.5 0.5 0.5 0.6 0.6 0.7 0.8 0.9 1.1
1.2 1. 4 1.5 1. 8 2.0 2.3 2.6 2.9 3. 4 4.2 5.0
6.6 9.2 16.l
MTB > describe c1
.. KEAN MEDIAN TRMEAN STOEV SE MEAN

C1 2S 2. 696 1.400 2.204 3.563 o. 713
MT8 > hf stogr.,. of c1
M1dpo1nt CO'.l\t
o 10
9
••••••••••
•••••••••
2
4 2 ••
6 2
a o
10 1 •
12 o
14 o
16 1 •
•
EJE MP LO 6.1 2 Una empresa que vende cortes de corne congelados de 9 on/a!. a los restaurantes
quiere valorar el contenido de grasa de los cortes. Sostiene que el contenido de gra·
su tiene una media de 8.1 % y una desviación estándar del 1.0%. Utilice una aproxi·
mación normal para encontrar la probabilidad de que el contenido medio de grasa
c!n una muestra alcatoria de 25 cortes exceda de 8.5%. ¿Esperaría usted que la
aproximación nonnal fuese precisa?
Solución El valor esperado y el error esti1ndar apropiados son
/ly =JI= 8.1° 0

u t.0
(Jt = .Jn ... J25 = 0.2º ~
La aproximación normal nos <la
1'0 , > 8.5) = P( Z > 8.5O.l

- 8.1)
= P(Z > 2.00) ~ .0228
En esta situación esperaríamos que la distribuciún normal fuese casi sim\!trica; di-
gamos. no esperaríamos ver contenidos de grasa del 15% o más (al menos para una
empresa que se mantiene en el negocio), ni un contenido de grasa de prácticament\!
0%. (Por supuesto, una gráfica de los datos reales seria muy útil para valorar nues-
tras suposiciones ) Si nuestras ex~ctativas '><In correctas, la aproximación normal
debería ser bastante hucna para n = 25. •
SEC CION 6.4 EJERCICIOS
6.19 Fn un cierto periódico. la longitud en pulgadas de bs columna~ de: anuncio'\ clas11i-

c:ados que aparecen los lunes tiene una distnbucion apro~imadamcnte normal, con
una media de 327 pulgadas y una desviación estándar de 34 pulgadas. Considere las
medida~ de 1O lunes consecutivos como una muestra aleatona
a. Encuentre el \'alor esperado y el error estándar de la longuud total (en pulgadas)
de las columnas de anuncios clasilicados para 10 lunes.
b. Encuentre la probabilidad de que el tntal se: encuentre entre 31 SO y 3390 pulgadas.
c. Encuentre la probabilidad de que la longitud promedio de las columnas para
cada lunes se encuentre entre 314 y 339.
6.20 Remítase al ejercicio 6. 19. Encuentre un rango <le la forma "desde 327 k hasta J27
• le" tal que
P()27 - k ~ f· ~ 327 + kl ::: .95
ó.21 Suponga que una pohlación tiene la siguiente distrihuci1)n:
Valor: ~00 300 400 50() 6()()

frecuencia relativa: 60 20 .12 06 .02
1 a media y la des,iación estándar poblacionales son 270 y 102.470, respc:cti\amen-

te Un calculo de las prohabilidades exactas muestra lo siguiente
,, ---
ªt PCY < µ - la;) P(Y < µ - u,) P(Y > µ +u;) P( Y >µ + 2u;)
2 72.46 o o 2160 0336
4 51.23 o 1296 1965 .0521
K 36.23 o 1460 1594 0319
lb 25 62 .0173 . 1876 14R6 0.:!.9S
32 18. 11 .0127 .1543 . 1473 0340
a. 1race un histograma de la distribución poblacional. ¡,Cu:il es el rasgo mós oh\ io

' de este histograma?
b. Para cada tamai\o de la muestra, c.:alculc 13 prohabilidad de que Yse encuentre a
menos de dos errores ec;tándar de µ. ¡,Es buena la aproximaeicin normal para l<)S
distintos \alores de n? ¡,Qué tanto?
c. Rerita el cálculo del inciso (b) para Ya menoc; de un error estándar de JI.
Sección 6 4 E1erc:1oos 249
6.22 En el ejercicio 6 . 17 consideramos una compañía aseguradora de automóviles a la

que requerían reparaciones que promediaban 927 dólares, con una des\ iación están-
dar de 871 dólares. Se toma una muestra aleatoria de 50 nuevas solicitudes.
a. Describa Ja distribución muestra! de Y.
b. Utilice una aproximación nonnal para calcular P( Y> 1100).
6.23 ¡,Esperaría usted que la aprnximación normal del ejercicio 6 .22 fuese una buena
aproximación? c:.Qué tanto?
6.24 Remítase al ejercicio 6.22. Suponga que para las SO nuc\ac; solicitudes se observa
que y 1100 dólares. ¿Qué concluye usted acerca de la.s solicitudes de reparación
para este al'lo? ;,Cambiarían sus conclusiones si .v fuese igual a 1000 dólares?
6.25 La demanda promedio, bastante estable a lo largo del tiempo, de esquís en renta en
un 3rea particular es de 148 pares los sábados durante el invierno. ! lay alguna varia-
ción debido a las condiciones climatológicas y a las áreas de competencia. La des·
viación estándar es de 21 pares y Ja distribución de la demanda parece ser normal.
a. Un establecimiento que renta esquis tiene almacenados 170 pares. ¡,Cuál es la
probabilidad de que la demanda supere esta provisión en un sábado invernal?
b. El gerente del establecimiento piensa cambiar la provisión de esquís para el si·
guiente ano si la demanda promedio en los próximos 12 sábados de invierno
(considerada como una muestra aleatoria) es superior a 155 o inferior a 135. Es-
tos límites no son equidistantes del promedio de 148 porque los costos de una provi-
sión abundante )' una provisión deficiente son distintus. Si la media poblacional se
m:mtiene en 148, ¿cuál es la probabilidad de que el gerente cambie la provisión?
6 26 En el ejercicio 6.25, uno podría argumentar que la demanda no será normal. l:n vel
Je ello, la demanda en la mayoría de los ~ábadM ser.i próxima a Ja media. pero en
aquellos pocos días en que. las condiciones para e5<1uiar sean malas, la demanda cac-
r3 muy por debajo de la media.
a. De acuerdo con este argumento, ¿cuál será la fonna (:isimelría) de la di<itribución
de la demanda'?
h. 1.Re,uhan equi\ocadas las dos respuestas del ejercicio 6.25 si este argumento es
correcto? ¿l'or qué?
6 .27 Los circuitos mtcgradoc; de una computadora tienen ratas (pm~) rara conectarlos en
los enchufes que vienen en las tarjetas de la comput:idora. El grosor de las patas es
imponante para determinar la calidad de la conexión con la tarjeta. Cuando el pro-
ceso de producción funciona adecuadamente, el diámetro promedio de las patas (re-
lativo a las cspeci licaciones de su dise"o) es 1.000. ! la)' cierta variación inevitable
en los diámetros; la desviación estándar es de 0 .006 unidades. L:i distribución de los
diámetros es normal.
a. Una pata har.i una conexión de alta calidad sólo si su di3mctro se encuentra en·
tre 0 .997} 1.003 unidades. ¿Cuál es la probabilidad de que una pata individual
haga una buena cnnexión?
h. Como pane del actual control de la calidad, el fabricante de los circuitos integra-
dos loma muestras de 20 patas de cada lote de 25.000. Suponiendo que el proce-
c;o funciona adecuadamente, ¿cuál es la j')rohabilidad de que el diámetrn medio
de la muestra se encuentre entre 0.997 y 1.003 unidades'?
c. Suponga que la media del proceso se cnnscn.a en 1.000 unidades, pero que la va-
nabilidad se incrementa enormemente, de modo que la desviación estándar es de
0.020 umdadcs. Sin rcalitar ningún cálculo aritmético, ¿qué efecto tendrá este
cambio en la prnbabilidad de que una p::ita haga una conexión de alta calidad'?
Verifique su respuesta calculan.Jo la probabilid:id revisada y cornpar:indola con
la respuesta que Jio en el inciso (a).
250 6 MUESTREO ALEATORIO Y DISTRIBUCIONES MUESTAALES
d. Si la desviación estándar es 0.0.:?0. ¿cual es la probabilidad de que la medi:i <le

una muestra de 20 patas se encuentre en1re 0.997) 1.003 unidades'?
Suponga. en el ejercício 6.27. que el diámetro medio de la población de patas es
1.000. pero que la distribución no es normal. En ve1 de ello. la des' iación eslándar
de 0.006 es el resultado de que la mayoría de los diámetros de las patas son muy
cercanos a 1.000 y unos cuantos de ellos se encucniran mu) alejados de dicho \alor.
¿Significa esto que su respuesta al inciso (b) del ejercicio 6.27 es exlremadamentc
incorrecta? Explique por qué si o por qué no.
6.29 Un hotel en el centro de la ciudad tiene una promoción especial con la que trata de
llenar habitaciones que por lo general no est~n ocupadas lo~ fines de semana. La res-
puesta promedio en el limi1e es de 71 habitaciones por cada fin de semana. 1fa} una
variación considcrahlc debido al clima. la competencia, )' otras causas desconocidas.
La desviación cst:indar en las respuestas es de aproximadamenlc 15 habitaciones.
Suponga que la distnbución de las rcspucst:is es normal.
a. En el ho1el se cuenla con un equipo <le trabajo capa/ de atender 811 hahitacioncs.
Si llegan más huéspedes se deben con1ra1ar traba1adorcs C\ cntuJlc\ con una retri-
bución superior a la ordinaria. ¿Cuál es la probabilidad de que \C tengan que con-
tratar trabajadores e1.entuales en un fin de semana particular?
b. l· I director de promociones revisa la tasa de respucsms en hloques de 1O fine$ de
semana, que se consideran como Ul\41 muec;tra aleatoria. S1 la demanda promedio
en la mucslra de 10 semanas excede de 80, el director incrementará el equipo de
trabajo ordinario. Si la mroia en el limite se mantiene en 71, ¿cu:íl es la probabi-
lidad de que la mi:dia muestra! de 10 fines di: semana exceda <le 80'!
ó.30 1-.n el ejercicio 6 29 supusimos .:iue la respuesta a la promoción 1cnía una distribu-
ción normal. De hecho, la distribuc1ún es as1mé1rica debido a que algunos fines de
semana hay una demanda extremadami:nte grand.:. ¿Puede usred afinntlr que su res-
puesta al inciso (b) de dicho ejercicio sigue siendo correc1.i a causa del efecto del
Teorema Central del Limite?
USOS Y ABUSOS DEL TEOREMA

6.5 CENTRAL DEL LIMITE
•
lNos hemos apoyado en el Teorema Central del Limite (introducido en la sección
6.4) para justificar las aproximaciones normales a las distribuciones muestralcs de
las ~urnas y las medias muestrales. Este teorema matemático indica situaciones en
las que es válido suponcr que una distrihudím 11oblacional es ¡¡proxunadamentc
normal, y se pueden utili7.ar algunas \ariacioncs del m1,mo para demo~tmr que l:is
dismbuciones muestralcs de otros estadísticos son apro,1madamentc normalc!>,,.pero
la proposición tamhién se puede malinterprct.ar. En lo que sigue, vamos a indu:ar un
par de usos adicion::iles dt:I Teorema Central del Límite y una intcrprc1.ación errónea
que es común.
l lc aquí cl'f ounciado matemático formal del Teorema Central del Límite: si
>' • }'~· ... , >',, son vari::ibles aleatorias independi!nles con las mismas funciones de
densidad f,~y>. entonces T:: Y1 +Y~+· .. + Y11 e Y= (Y1 + Y2 +·· + Y,.)ln tienen dis-
trit'luciones aproximadamente normales para valores suficientemente grandes de n.
Cuondo hablamos de distribuciones muestralcs, Y1, Y2, •.. , Y" representan valores
individuales extraídos de una muestra de tam¡¡ño n. e interpretamos T como el total
de la muestra e Y como la medía.\ llay otras interpretaciones practicas del mismo
teorema matemático.
6.5 Usos y abusos del Teorema Centnl del Um1te
Una de tales situaciones se presenta cuando cada valor i111lí\ idual en una po-
blacíón se piensa como una suma de n terminos independientes. El ejemplo 6.9 es
uno de t.:iles casos; el diámetro de un árbol individual es la suma de un número muy
gr.:mde de términos independiente$, en el que cada término es el crecimiento anual
de dicho árbol. No es irrazonable suponer que al'lo con ai\o los incrementos del diá:
metro son independientes. con distribuciones de probabilidad aproximadamente
iguales.• Por lo tanto, podemos esperar que los valores individuales de los diámc·
tros de los árboles (es decir, de la población) tengan una distribución aproximada·
mente normal. Esta interpretación del Teorema Central del Limite justifica por qué
podemos esperar que algunas poblaciones (mas no todas) tengan una distribución
aproximadamente norm:il.
La aproximación normal de la distribución de probabilidad binomial que pre-
sentamos en el capítulo 5 es otra consecuencia del Teorema Central del Limite. Su-
ponga que asignamos el valor 1 a todos los éxitos en la población y el valor O a los
frac:isos. La media poblacional es el número total de valores 1 dividido entre el ta-
mai'lo de la población; ésta es exactamente la proporción poblacional lí de éxitos.
La varían.la de la población viene a ser TC ( ( - 1r ). En una mue~tra de tamaño n, la
media muestra! Y es justamente la proporción ir de la muestra. De este modo.
Y-µ n-1t
z - - -- = -;::===-
, - JTC(I - l'C)
<1
Jn Jn
tiene un:i distribución aproximadamente normal si n es suficientemente grande. Es
más, la suma de la mue~tra es Y, el número de éxitos.
Y - nn
Z=-======-
, ' mr( l - l'C)
es un estadístico equivalente, aproximadamente normal.

Otra consecuencia importante del Teorema Central del Límite es que la regla
empírica tiene un campo de aplicación muy extenso, particularmente la porción del
95% de la regla. Como para la mayoría de l:is muestra~ (aquéllas de tamaño ra10-
nable) la distribución muestra! de t' es casi normal con una única moda y no mu-
cha asimetría, el intervalo µ :t 2c r debería contener aproximadamente el 95% de
los valores posibles de f. Esto implica que el máximo error probable para estimar
µ con fes 2.a > . l la} un factor de compensación que actúa a nuestro favor. /\un
cuando la protlabilidad 0.05 rcsl.:lntc no se encuentre distribuida uniformemente en
las dos colas. la .. urna de las probabilidades de estas colas es aproximadamente
igual a 0.05, lo que hoce que la regla empírica funcione. Así, la reglo empírica»
túa bien aun cuando la distribución muestra! de Ysea un poco asimétrica y la pro-
tlabilidad de una cola sea muy próxima a cero. La probabilidad de la otra cola ~eri
aproximadamente igual a O.OS .
Algunas versiones del Teorema Central del Límite también se aplican a ouos
estadísticos de la muestra adem:ís de las sumas y las medías. Hay muchos tcoremu
• Ouas n:rs1ones m.U irn:igmati~as del Teorema Central del l.lmitc son ~:\lidas :iun cuando estas hip6-
tcs1s no se satisfag.:in con ~xaetilUd,.
de la estadística matemática que concluyen que tal y tal estadístico tiene una distribu-
ción asiroximadamente normal cuando n es suficientemente grande. Las proporcio-
nes muestrales, las medianas, las varianzas y muchos otro!> estadísticos muestrales
tienen distribuciones aproximadamente nonnales para muestras muy grandes. Una
vez que se han encontrado los valores esperados )' los errores estándar para estos
estadísticos, se pueden calcular probabilidades aproximadamente normales.
No obstante, la distribución norm:il no siempre se puede aplicar. El Teorema
Central del Limite se ha malinterpretado para sugerir que toda distribución pobla-
ción, datos observados, o lo que sea, debe ser normal. En particular. algunos estu-
diantes creen que c:ualq111er población grande debe tener una d1stribuc1ón normal.
Los Teoremas Centrales del Límite por Jo general se refieren a '>Urnas o promedios
de muchos términos, pero a menos que estén implicado<; una suma o promedio. el
gran tamaño no significa normalidad por sí mismo. Por ejemplo. todos los indivi-
duos que viven en Estados Unidos constitu~en una enorme población. pero la distri-
bución de la riqueza entre estos individuos es extremadamente asimétrica /\ pesar
de la asimetría en la distribución de la riqueza entre estos individuos. el Teorema
Central del Límite garantiza que J.-1 distribución del ingreso medio de la muestra ( f)
es aproximadamente normal para valort!s suficientemente grandes de 11. Cuando tra-
tamos con datos indi,·iduales, los diagramas son la mejor manera de examinar la
normalidad. La normalidad de las distribuciones mucstrales teóricas se puede pro-
har con m¿todos de simulación, que consideraremos en la siguiente sección.
6.6 SIMULACI O NES POR COMPUTADORA

•
! lasta aquí, nuestra atención se ha centrado m:ccsari::imentc en cuestiones teóricas. El
concepto c.le distrihución muestra! es inevitablemente teórico. Una distrihución
muestral se entiende mejor como la distribución de un e<;t;ic.lhtico que se obtiene al
tomar muchas muestras bajo condiciones dadas. En la práctica. es poco probable que
uno tome muchas muc!>tras. Lo que si podemos hacer es utilizar una compuUldora
para tomar muchas muestras de una población dctcmunada. c:ilcular un estadístico
especifico para cada una de ellas. y calcular la distribución de los resultados. En esta
sección analizamos la aplicación de tales métodos a la~ distrihuc1ones mucstrales.
pru,·ctl imien to El procedimiento para simular' alorr\ '>C b::isa en la función de distribución
para \ imular F,.(y). Comen1.imos con una variable aleatoria que tiene una d1stnbución uniforme
\Ilion•., {con la misma probabtlid:id para todos Jos \alores). Se conocen muchos métodos
para obtener variables que en ap;mencia cst<in distribuidas uniformemente. l lna for-
ma es multiplicar un número de 15 dígitos por otro número de 15 dígitos y tomar
los 10 dígitos centrales como el número :ileatorio. Otr:i forma es ut1hzar tablas }::l
elaboradas de números aleatorios. El truco consiste en convertir estos números dis-
tribuidos uniformemente en valores simulados de un;i variable aleatoria que tiene la
supuesta función de distribución, F 1.(,;').
Suponga que se considera que F/•.J') es
9 10 11 r2
F,<yl .37 79 1 ()()
P,tyl .n .e ""5
! 06
66 S1mulKt0n~s por compuu.dora 253
Suponga también que hay una variable aleatoria U de 2 decimales, uniforml!mcntc

distribuida, con probabilidades P t.(u) =O.O 1, para 11 =O.O 1, 0.02, ... , 1.00. Ahora
proceda como sigue:
si .01 $ U$ .37, asigne r = 9

si .38 $ U$ .79, a.signe r = 1o
si .80 $ U$ .94, a.signe Y= 11
si .95 $ U$ 1.00, asigne Y= 12
Así, al v;ilor simulado 11=0.59, que se encuentra entre 0.38 y 0.79, SI! le asigna el
v;ilor y: 1O(v¿ase la figura 6.5 ). Los demás valores simulados son valores y asig-
nados de l;i misma manera. Los valores de corte para U, a saber 0.37, 0.79, 0.9~ y
1.00, se tomaron de los valores de P,.(r) que se muestran en la figura 6.5.
Si bien este proceso da valores aleatorios Y. aún tenemos que dl!mostr;ir que
estos valores tienen las probabilidades correctas.
I'(}" = 9) = P( .01 $ U $ J7) = P(U = .01) + · · · + l'(U = .37)

= .01 + ... + .01 = 37(.01) = .37
P(l" = 10) = P(.38 $ c.:$ .79) = P(t: = .38) + ··· + l'(l' = .79)
= .01 + ... + .01 = 42(.01) = . 4~
Est.is probabilidades concuerdan con las <kscadas. Es mós focil apreciar estas ideas
con una gráfica tal como la figuro 6.5. Se extrae un número aleatorio uni formc-
mcntc distribuido y se le asigna d valor apropiado de Y de la tabla de F.(v).
1.00 -
1
.75 -
1
------------------·
.so -
.25 -
1
1
1 1 1 y
9 10 11 12
FIGURA 6.S S1mulac1ón de valores para una variable aleatoria con fd, Fy(y)
254 6 MUESTREO ALEAT~O y DISTRIBUCIONES MUESTRAles
EJEMPLO 6. 13 Simule seis valores de Y en el caso del cuidado de enfermos coronarios que se ilus·
traen la sección 4.2. Suponga que un generador de núml.'r<h ak:1torios uniformes
prop~rc1ona los siguientes valores: 0.579, 0.286, 0.413. 0. !07, 0.962, 0.494 . A con·
tinuación reproducimos la tabl:i Ftú'):
r: o 2 ) 4 5 b 7 K
f,c 1). .001 .OOJ 006 .011 0:?4 061 IJ9 :?.?4 . J~6
y: 9 10 11 12 1) 14 1s 16 17
f',I rl: 510 672 .782 870 925 964 9KK W7 1 (XIO
Solución u= .579 se encuentra entre .51 O y .672; :isigne y= 1O

11 = .286 se encuentra entre .224 y .336; asigne y 8
u= .413 se encuentra entre .336 y .51 O; asigne l 9
u -= . I 07 se encuentra entre .061 y .139; asigne y 6
11 ::: .962 se encuentra entre .925 y .964; asigne l' - 14
u"' .494 se encuentra entre .336 y .51 O; asigne ,. 9
.Si este proceso se hubiese llevado a cabo sobre un número muy grande de ensayos
(números aleatorios uniformes), 0.672 - 0.51 O 0.162 de las asignaciones Y ha·
brían sido y= 1O, de acuerdo con las supuestas probabilidades Y. •
método de La simulación, o método de Montecarlo (ignoramos por qué dicho casino reci-
\lon tcc:.a rlo be este honor) es un truco sumamente útil y muy empleado Con esla técnica. es mu)
fácil simular casi cualquier situación aleatoria una vct. que se han hecho las hipé>teo;1s
apropiadas. Modificando las hipótesis. uno puede hacer prucb:is de sen<;ibihdad (c.¡ue
.1-.p.:cto\ "ºn crucialc'>, cuales no lo wn tanto). Ha~ mucha-. otras aphcacione-. de esta
tclnica Podemos uulitar la computadora para calcul.ir el \.alor promedio de un e.-.ta-
distico, calculado sobre. digamos, 1000 muestras. Este promedio es una buena
aproximación a su valor esperado, que es el valor promedio teórico sobre un número
infinito de muestras. O podemos utilizar la computadom para calcular la desviación
estándar de un estadístico para 1000 muestras (o cualquier otro número). Esta desvia-
ción c'>tandar es uno buena aproximación al error estándar del estadlstico; recuerde
que el error estándar de un estadístico es su desviación estándar teórica sobre una in·
linidad de muestras. Para verificar la forma de Ja distribución teórica de un cstadisti·
co, podemos calcular su asimetría o la propensión a los valores atípicos, o trazar
histogramas. La simulación con computadora es una forma extremadamente nexiblc
de poner a prueba la validez de cualesquiera resultados teóricos.
Suponga que una computadora toma 1000 mui::.t~ aleatorias simples, cada
una de tamaño 25, de una población que tiene una distribución normal con media
100 y desviación estandar 15. y calcula la media para cada muestra. Además, supon-
ga que después de calcular todas las medias mucstrales, l:l computadora encuentra
que la media muestra! promedio es de 99.921. que las desviaciones estándar de las
medias muestralcs son 3.014 y que la mediana de las medias muestralcs es 100.003.
Teóricamente. el promedio en el limite debería ser el valor esperado de la media
muestra!. a saber, la media poblacional. El promedio simulado, 99.921, es muy
próximo al valor teórico, 1OO. También la desviación estándar simulada de las
66 S1mulwonft por computadora 255
medias mucslrales, 3.014, es muy próxima al error estándar teórico de la media

muestra), 15.0/ ,/25 = J.000. Por último. la distribución (muestra!) teórica debería
tener una forma normal; en panicular, la asimetría debería ser cero. L:a simulac1ón
.. mediana de las medias", l 00.003. es muy cercana a la simulación "media de las
mt!dias", 99. 921, sugiriendo que Ja distribución de las mediai. es casi simétrica. Se
podrí:i construir un histograma de las medias para comprobar la simetría.
EJEMPLO 6.14 Un programa de computador:i calcula las medianas de 1000 muestr:is de t:ima"o 25.
tomadas de una población normal que tiene media 100 y desviación estándar 15. l.a
nedi:ina promedio es 100.081, Ja desviación estándar de las medianas es 3. 763 y un
diagrama <le tallo y hojas de las mt'Clianas tiene una apariencia ca.si normal. ¿Qué
indica cada resultado acerca de la distribución muestra! de la mediana mucstrctl en
este caso?
Soluc1on 1~1 promedio de la simulación deheria aproximar el valor esperado de la mediana

muestra l. Por simetría, el valor esperado deberla ser el mismo que la media poblacional,
MTB> PLOT 'DATA' VS 'NSCOltES'
DATA
75 . •
•
•
•
65.•
•
•••
••2• 2
2•
55.• 232
32
22
322*
•
45 . +
•••
••
•
•
15.• •••
•
•
•
25.+ •
•-----····•--·······•·--······+·········•·········••ICCl!S
·2 .5 ·1.5 ·0.5 0. 5 1.5 2.5
<•I
FIGURA 6.6 Diagramas normales para (a) datos con una d1smbuc1on normal; (b) datos con
asimetría hacia la derecha y (e) datos propensos a valores atípicos
2S6 6 MUESTREO ALEATORIO Y OISTRtBUCIONES MUESTAALES
1OO. La des\ iac1ón estándar de la simulación debería aproximar al error

esr.jndar de la mediana muestr:il; teóricamente, el error estándar debería ser 3 .760. El
histogtama sugiere que la distribución muestra! de la mediana muestra! también es
normal. 31 menos cuando se le tomó de esw población. Como se mencionó en la sec-
ción 6.5. para muestras muy grandes. la distribución muestra! teórica de una mediana
también es normal. Aparentemente, cuando se loman muestras de una distribución
nonnal, un tamailo de 25 para las muestras es suficiente par:i considerarla una "mues-
tra grande". •
En esle libro presentamos los resultados de muchas simulaciones Estamos in-

teresados no sólo en la corrección del valor esperado y en las fórmul3S para el error
estándar. sino también. especialmente, en Ja corrección de resultados teóricos acer-
ca de la forma de la distribución muestra!. Si, teóricamente, un3 distribución mucs-
tr:il de cierto estadístico debe ser normal, pero los resultados de la simulación
indican que la distribución real es claramente nn normal, ello indica que las infe-
rencias estadísticas que se hasan en dicho estadístico podrían ser muy crrúncas.
MTB> PLOT 'DATA' VS 1 NSCO.ES 1
DATA
7.5•
•
6.0•
4 . 5•
•
•
3.0• ••
•••
••
z
•
1.5•
··· ~z·2223
O.O• • • ••
• ··· ·· ·· ··•······ ···•· ··-··· · ·+····· ····•·········•llCOllEI
-2. 5 ·1.5 -0.5 0.5 '·' 2.5
(b)
FIGURA 6.6 (Contmuoción)

6 .6 S1mulK1ones por (omputadora 257
dia ~ rama d e Un dia2ra m a de probabilid ad norma l es una excelente maner3 de establecer

probabilidad si los datos (o las medias en una simulación por computadora) tienen una distribu-
nonmll ción aproximadamente normal. Este diagrama tiene como base los ' :1lorc~ norma-
les. es decir. los valores pronosticados de los datos suponiendo una distribución
normal. La idea es que los datos tenderán a dispersarse uniformemente a lo largo de
los pcrcentiles. Si hay tres observaciones en una muestra, esperamos que el menor
valor se encuentre en tomo al 25 percentil; el de en medio. cerca del 50 pcrcentil, y
el mayor. cerca del 75 percentil. Si suponemos una distribución normal y utilizamos
la tabla 3 del apéndice, encontramos que esos percentiles (en la forma de un valor
=>son z =--0.67, z = 0.00 y z:::: 0.67, respectivamente. Análogamente. con 9 obser-
vaciones. esperamos que éstas se encuentren en tomo a los percentiles décim'l, vi-
gésimo•.. , nonagésimo. Suponiendo nonnaltdad, estos percentiles !>on z =- 1.28,
z =-0.84,... z - 1.28, respectivamente. Para cualquier tamaño de la muestra. el "ª-
lor normal del 1-ésimo valor más pequeño se define como el 1 (n + 1) percentil de
una distribución normal. Todo programa de computadora que realiza un diagrama
de probabilidad normal, calcula los valores normales automáticamente.
lln diagrama normal es un diagrama que compara los datos reales (o medias
simuladas) con los valores normales. Los datos que tienen (en esencia) una distribu-
ción normal dan lugar (esencialmente} a una línea recta en el diagrama normal. Se
MTI> Pl OT ' DATA' VS ' NSCORES'
DATA
6 .0•
•
•• •
3.0• ••
•
•
••2••
22nze
O.O+ ZJ2Z3ll
•zezz
•
•
• •••
-3. 0• •
•
-6 .0•
•
-9. 0•
•······ ··-•·········•·· · ······•·········•········· .. ICOlll
·1.5 •0.5 0.5 1.5 z.s
(C)
FIGURA 6.6 (Contmuoc16n)

258 6 MUESTREO Al..EATORIO Y DISTRIBUCIONES MUESTRAL.ES
observa q04;: los daros asimétricos tienen (en eSt:ncia) un diagrama con fonna di: una
curva única. Los datos simétricos con valores atípicos tienen un diagr;irna con for-
ma de~. Al mirar un diagrama normal generado por una computadora, bu,4uc d
patrón básico gencr31 en ve1. <le buscar "cambios abruptos o en zigzag". l In diagra-
ma normal es particulannentc útil par.i estimar si los datos son propensos a los va-
lores atípicos; 13 forma de S en un diagrama nonnal es, en ocasiones, más fácil de
ver que las colas largas en un histograma. La figura 6.6 nos muestra di:igramas nor-
males generados con una computadora par.i Jatos con una distribución nonnal, da-
tos con asimetrías hacia la derecha y datos propensos a los valores atípicos,
respectivamente. Usted dcbena ser capaz de ver la recta, la curva única y la fonn:l
de S en los diagramas; para observar mejor los patrones, coloque una regla o cual-
quier otro objeto recto sobre el diagrama.
EJEMPLO 6. 15 En la figura 6.7 mostramos un diagrama normal de 1000 medias, cada una h:isaJa
en una muestra de tamaño 1O tomada de una población exponencial (véase.: la sec-
ción 6.7) ¿Indica el diagrama normal que en esta situación la distribución muestra!
de las medias es aproximadamente normal?
valores
...
,,,..
,
···'
..
valores normales
FIGURA 6.7 Diagrama normal de las medias del ejemplo 6. 1S

- ---
66 Slmulacoones p<>f" compuadora 259
Solución No. Hay una curva muy clara en el diagrama, que indica que la distnbución mues-
tra) de las medias mucstrales es claramente asimétrica en esta situación. •
Las simulaciones por computadora son un complemento muy útil a las deriva-
ciones matemáticas de las distribuciones muestrales, no un sustituto de ellas. Una
simulación por compuwdora comprende necesariamente hipótesis muy específicas
acerca del estadístico y la población subyacente, mientras que un tcoremJ matemá-
tico por lo común se aplica de manera mucho más general. Pero en su cnhdad de
complemento, y de ilustración de resulmdos matemáticos. las simulaciones por com-
pur.adora pueden ser extremadamente valiosas.
EJEMPLO 6. 16 En la figura 6.8 se muestran diagramas normales de 1000 medias, b;isadas en muc!.-
tras de tamaño 30 y 60 de la distribución exponencial. ¿Cuál es el efecto de incrc-
ment.ar el tamaño de la muestra'?
valores
/
/
/
~· -
valores normales
(a)
FIGURA 6.8 Diagrama normal de las medias del e1emplo 6.1 6: (a) tamano de la muestra, 30,
(b) tamano de la muestra, 60
260 6 MUESTREO ALEATORIO Y OISTRJBUCIONES HUESTAALES
valores
....
. ... -..
valores normales
(b)
FIGURA6.8 (Concmuooón)
Solución A medida que el tama"o de la muestra se incrementa. el diagrama normal se aproxi-

ma a una línea recta, lo que indica que la distribución (muestr.il) teórica de la me-
dia muestra! se aproxima a la distribución normal a medida que el tamaño muestra!
aumenta. Esto es precisamente lo que establece el Teorema Central del Límite. •
SECCIÓN 6.6 _§_ERCICIOS

- - -- - - - - - - - -
6.31 Se han encontrado las medias mucstrales de 1000 muestras de tamar"\o 4 tomadas <.le
un.i población con distribución norm:il. con media 50 y desviación cst:índ:i.r 10. El
promedio de esus medias es 50.1643 y la dcsnlc1ón estándar es 5.0104
a . ¿Qué cantidades teóricas se est.ln aproximando con el promedio de las medias y
la desviación c~tándar de las medía~'l
b. ;,Cu.iles son los valores teóricos de estas cantidades'? ¿Se aproximan los resultados si-
mulados a estos valores teóricos (correspondientes a una infinidad de muestras)'!
Seccion 6 6 E1erc1acn
=--.
-().82 --0.54 --0.26 0.02 030 0.58 0.86 1.14

(a)
valores
./
valores l'lOl'males
(b)
FIGURA 6.9 Histograma (a) y diagrama normal (b) de las medianas de una población
de laplace; ejerc1c10 6.33
262 6 MUESTREO ALEATORIO Y DJSTRIBUCIONES HUESTRALES
6.3::? Se han calculado las medianas de 1000 muestras de t:una"o 30 tomadas de una po-
blación de Laplace (un:i poblaciún simétrica, con una ligera 1endenc1a hacia los va-
" lores atípicos). El promedio de las medianas es 0.0082 y la desviación estándar es
0.2070. ¿Qué indican estos resuhados acerca de la distribución (muestra() teórica de
la mcdian:i'?
6.33 En la figura 6 9 se mueslr.m un histograma y un diagrama normal de las medianas
calculadas en el ejercicio 6.32. " Indican éstos que la distribución tcúrica de la me-
di:ina es aproxim:id:imcnte normal en este caso'?
6.34 Se calculan las medias muestra les (de 1000 muestras cada una) de mu~-stras <le tama-
''ºs 10 y 30 tomadas de una población discrera que llene los valores posible~ 1, 2. ),
4 y 5, con probabilidades respectivas 0.1, 0.2, 0.4, U.2 y 0.1 . Los promedios y des-
viaciones estándar de estas mc<lias son los siguientes:
T:imaño de Des,·iaciún
la mue~tra Media estándar
IO 30076 .3563
30 29986 2006
a. Calcule la media pobl:icional y la desviacr6n cst3mfar.

b. ¿Cuáles son los valores esperados y los errores ec;tándar de 13., medias rnuestr:i-
les para cada tamal'lo muestra!?
c. ¿Qué bn próximos SOC'l los resullados a los valon:s teóricos calculados l"ll el in<:1so (b)?
6.35 Se han calculado las medias muestrales de 1000 muestras de tamar'\o 10 tomadas de
una población de Lapface. La media poblacional es cero> la v:irian1.a poblacional es
2.00. El \'alor promedio de las medias es O.OIOO y la desviación cst5ndar es 0.43M.
a. Calcule el valor teórico esperado y el error estándar de la mctlia muestra!.
b. ¿Qué tan próximos son estos resultados a los valores teóricos?
6.36 En la figura 6.1 O se muestra un histograma de las mcdi;is de los d:itos del ejercicio
6.35. La pobl:ición de Laplace es simttrica aunque ligeramente propensa a los valore$
atípicos. ¿Queda de manifiesto que la distribución teórica de las medias es casi normal?
-1.27 -0.87 -0.47 -0.07 0.33 0.73 1.13 1.53
FIGURA6.IO Histograma de fas mechas de una poblaci6n de laplace; ejercrc1os 6.35-6.36

Resumen 263
Resumen
En el capitulo 6 se analizan las distribuciones muestrales, base teórica de la inferen-

cia estadística clásica. La idea primordial es que cualquier estadístico que resume los
datos (estadístico sumario) de una muestra es aleatorio y variará de una muestra a
otra. La aleatoriedad puede provenir del muestreo aleatorio, que se realiza para evi-
tar sesgos (distorsiones sistemáticas) de la muestra, o de la aleatoriedad del proceso
a lo largo del tiempo. La distribución mt1estral de cualquier estadístico describe su
probable variación de una muestra a otra, la cual se puede derivar utilizando ya sea
la teoría de la probabilidad o simulaciones por computadora de muestras repetidas.
Las características sobresalientes de Ja distribución mucsLral de un estadístico
son su valor esperado (promedio en el límite sobre muchas muestras) y su error es-
tándar (desviación estándar sobre muchas muestras). Estos valores variarán depen-
diendo del estadístico y del tipo de muestreo considerado. Ya presentamos algunos
resultados para la media muestra[ y la suma de la muestra; más adelante encontra-
remos muchos otros resultados acerca del valor esperado y el error estándar.
Un resultado matemático muy importante que se aplica específicamente a las
sumas y las medias es el Teorema Central del LímilC, que establece que virtualmen·
1e cualquier suma o media de un número muy grande de ténninos tendrá aproxima-
damente una distribución normal. La guía para saber cuántos términos tienen que
considerarse depende de la asimetría Je Ja distribución subyacente (y en menor me-
dida de Ja propensión a los valores atípicos y de la propia discrecionalidad). Un
diagrama normal es un dispositivo muy útil; la nonnalidad de los datos aparece en
un diagrama normal como una linea recta, Ja asimetría como una curva y la propen-
sión a los valores atípicos con una forma de S. Tal como se estableció, el Teorema
Central del Límite se aplica sólo a sumas o medias, no a cualquier fenómeno alea-
torio "muy grande"; su aplicación requiere de cierta dosis de reflexión.
l.\~ Y FÓAHULAS PRINCIPALES: fNMllV90 •a.-ono y

D t l:udonm mumtralm
1. Estadístico: un valor sumario calculado con una muestra aleatoria

2. Sesgo de selección: cualquier tendencia sistemática para sobrestimar o
subestimar a una parte de la población cuando se toma una muestra
3. Distribución muestra! de un estadístico: la distribución de probabilidades
teórica de un estadístico
4. Error estándar de un estadístico: la desviación estándar teórica de la dis-
tribución muestra) de un estadístico
5. Valor esperado y error estándar de una suma muestral T:
6. Valor esperado y error estándar de una medía muestra) Y:

<1
<1y= -
" J;
7. Teorema Central c.lcl Límite para sum;L, y medias: para cualquier pohla-
ción. las distrihuc1oncs muestralés de Te Y son :irroximadamcnte nor-
males, sin es sulicientemcnt~ gr:inde.
6.37 Al demostr:ir eo sus semin3rios el papel de: la 'ariahi lidad en el control cstadl~tico
de 13 colidod, el invcstig3dor W. Ed\\ard~ lkming hace que los participantec; intro-
dutcan una p:ilcta de madera con 50 hoyos en un recipiente que contiene un 20°'0 de
holas rojas ~ un 80% de hol:is hl<mcas perfectamente: metcladas.
a. ¿Cuál piensa usted que seria el número esperado de bolas rojas en la "muestra de
la paleta" de 50 h-Olas?
b. Al responder al incisn (3) usted hito una hipótesis. ¿Cuál fue y cómo es quepo-
dría ser errónt:a'>
6 .38 En miles de repeticiones del experimento con las bolas del ejercicio 6.37. Ocming
reporta que el numero promedio de bolac; rojac; es aproximadomentc igual a 9.4.
¿Que indico e ste hecho acerca de la hipótesis que u~ted hito al responder el ejerci-
cio 6.37?
6.39 Una aplicación importante de la idea de muec;trco al control de la calidad es la ins-
pección Je partes o componentes suministrados por los proveedores. Para el monta-
je de una pucrt:i de automóvil, los proveedores deben suministrar los cristales para
las ventanas, los mec3nismos para subir y hajar los cristales. las m:inijas par3 las
puertas, los mecanismos de cerradur:i y los adomos mteriores. Todos estos compo-
nentes se pueden probar para ver si cumplen con las especificaciones de a,iustc ~ du-
rahihdad. Fn particul3r, suponga que un fahncante de automóviles especifica que
las cerraduras de l3S puertas dehcrán funcionar con SU3\ id ad al ser accionadas
S0,000 \eces.
a. ¿Por qué es ahsolutamente necesario utilií'..ar un muestreo al probar las ccrradur:Lc;?
b. l:n m~todo de muestreo posihle sería probar las primeras 5 cerraduras de cada
emharquc de 1000. ¿Por qué seri3 poco recomendable este método?
Ci.40 Una forma de espcci ficar un muestreo para la inspección de las partes de l:is puena'i
de los uutom6viles del ejercicio 6.39. es pedir que se tome un:i muc<;tra ale.itona del
os·~ de c:ida emharque de cada comrionentc y se pruehe. l.os tnmaños de los cmbar·
ques vori:in desde 1000 manijas para las puertas (enviados por un proveedor de ca
lidad desconocida) hasta S0,000 adornos mteriore<; (de un \'iejo proveedor de
calidad reconocida). ¿Seria la regla del 0.5% un criterio de inspección razon3hle'?
6 41 Suponga que se toma una muestra alcatona de 20 mecanismos eléctricos para abrir
y cerrar las ventanas de cada lote de SOOO suministrados al fabricante de automóvi-
les del ejercicio 6. 39. C3da mecanismo de la muestra se prueba sometiéndolo a un
ciclo continuo de ascensos y descensos hasta que falla. Suponga que, de todo el lote.
el tiempo medio hasta fallar (bajo estas condiciones de funcionamiento) es de 4200
ciclos y que 13 desviación estándar es 3400. Para cada muestra se registra el tiempo
medio hasta follar
a. ;.Cuál es el valor esperado de la media muestra!?
E1erc1c1os 265
b. ¿Cuál es la desviación estándar de la media muestra!? ¿Qu<: tanto intluiría si la

muestra de 20 mecanismos se huhiese tomado de un lote de 10.000 en ve1 de un
lote de 5000 mecanismos?
c. ¿Seria razonable suponer que la distribución de los tiempos de falla individuales
es aproximadamente: normal? ¿Se podria aplicar la regla empirica?
d . ¿Seria razonahle suponer que la distribución de la media muestra! es aproximada·
mente nonnal?
ó.42 Suponga que el método de prueha del ejercicio 6.4 l se modifica para inspeccionar
40 mecanismos por lote en vez de 20. ¿Duplicaría esta modificación la precisión de
la estimación del tiempo medio de falla?
6.43 Los sectores dallados de un disco flexihlc para mícrocomputadora no se pueden uli·
lizar para almacenar datos. Suponga que en una gran cantidad de di~cos ílexihles al-
macenado~ el volumen medio de sectores dar'lados es de 2.13 ~ (kilohytes) por
disco.) que la desviación est~rndar es 0.83 K. Un minori~ta hace paquetes de 100
discos ílcxihles tomados de estas existencias.
a. ¿Cuál es el \Olumen e~perado del total de sectores dar'lados en cada paquete?
ti. ¿Cu:íl es la desviación e~lándar dd total de sectores dar'lados en un paquete'!
6.44 ¿Qué supuso usted en el ejercicio 6.43 acerca del proceso Je empaquetado que hace el
minorista? Si la supo:.kión es errónea. ¿qué parte de su respuesta se 'cria afoctada'?
6.45 Un comprador de discos tlcxihles reune muchos paquetes de 100 discos, encuentra
laboriosamente el volumen total de sectores dañados en cada paquete ~ tra1:1 un his-
tograma de los datos. ¡,Cómo espera usted que sea Ja forma del hi~tograma? ¿Por qué'?
<>.46 lJn editorialista afirma que los directores de la.~ 1000 cmprc~as m:ís importantes de
acuerdo con la re\'ista For/11ne pagaron en promedio sólo un 19. I % de su ingreso
hruto como impuesto federal sobre la renta el año pasado. Con hase en el cJitorial
publicado, se puede inferir que la dcs\'iación estándar pregonada es <>.8º o. Suponga
que a usted, como funcionario de la administración fiscal norteamericana, se Je or·
dena que tome una muestra de 200 cjecutivM para verificar estos datos.
a. Los nomhres de todos los directores de estas empresas están a disposición del pú-
tilico. ¿Cómo puede utili1ar usted esa lista para seleccionar una 1nue~tra alcato·
ria? ¿Qué problemas podria usted encontrar?
b. l:n \ inud de que" 200 es una muc~1ra mu:, grande, ¿puede usted suponer que
la distribución del porcentaje del ingreso hruto que se paga como impuc!>to sobre
la renta en la muestra es aproximadamente normal? Explíquese.
6.47 En el ejercicio 5.71 supu:;imos que la dernanda ~emana) de sacos de 5 0111.as de ha-
rina en un supermercado tiene una distrihuci<'>n normal, con una medía de 72 sacos
y una desviación estándar de 1.6 saco~.
a. ¿Piensa usted que una distrihución normal podria ser un modelo ra1onal'lle?
b. ¿Cómo podria usted tomar una muestra aleatoria r:uonahle de tamaño 15 de
esta pohlación?
6.~8 Suponga que en el ejercicio 6.47 se ha tornado una muestra aleatoria de tama1'0 15.
a. ¿Cual es el valor de P( Y> 73 .0)?
h. Encuentre un íotervalo al 95% para Y; es decir. encuentre un valor le tal que
1'(72.0 - /e ~ f ~ n.o + k) = o.9s.
<1.49 Una tienda de departamentos ("gran almacen") espera que el promedio de "merma
en el inventario" (un eufemismo para registr;tr las cosas hurtadas por los empleados
y los clientes) sea de 2.2%. Se supone que la des\ iación C$tándar es 1.6º o de una ca-
tegoría de artículos a la otra. La tienda tiene 25 71 categorías de artículos, de las
cuales se debe seleccionar una muestra de 100 categorías para vcrilicar con Jetallc
el ioventario.
a. ¿Cómo seleccionaría usted dicha mue'>tra aleatoria'.'

b. ;,Es deseable en este caso una mues1ra aleatoria ~imple? Dando por hecho que us-
~ ted no sabe nada acerca de métodos de muestreo más refinados. ;,puede usted pen-
sar en otras consideraciones para este mue~trco':'
(>.50 Supooi;:i que en el ejercicio 6.49 se selecciona uoa muestra aleatoria de 100 categorías.
a. t:ncuentre el V<llor esperado y el error estándar para la merma en el inveotario de
Ja muestra.
b. ¡,Que diferencia habrá en el inciso (a) si usted utilil.a un mue~trco sin reemplaza-
miento o un muestreo con rcempla/'amiento?
c. Utilice una a¡noximación normal para calcular/>( Y> ~.-1%).
6.51 ¡,Espera usted que Ja aproximación normal en el ejercicio 650 sea una buena aproxi-
mación? ¿Qué tanto'? ;,Cómo se podrian utilizar los datos muestrnles para tener una
indicación de cu:ínto podemos fiamos de es:i aproximación?
6 5~ Suponga que una población lienc la siguiente distribución :
Valores: 1o HO ~O 100 110 1~() 1\)O

Frecuencia relativa: .o:? 10 . :!O J6 .:!O 10 .O:!
a . Veriíique que la media poblacional es 100 y la desviación estándar de la pobla·

cióo es 21.07.
b. Trace uo histograma de esta distribución. ;,Cuál es el rasgo más oh\ ío?
6.5J Remítase al ejercicio 6.S2. La distrihución muestra! exacta de la media muestra!
(para muestras de tamn"o 2, -1 y 8) tiene las siguientes propiedades:
ramailo de Error
lu muc~lra estándar I'~ f· < µ - 2or) /)( 5' < µ
- -
- "• 1
- ¡>4 r > JI + "i 1 l't Y >
- -¡i +- 2n;
-1
'.! l.l 'X) O.,KK llXHX oxxx .mxx
-1 1() 5-1 04Xl< 01<99 OX99 04XX
K 7.-15 .O:iJ3 1456 l.l56 .033.'
a . Para cada tamafto muestra!, calcule la prohahilidad exacta de que Yse encuentre
a menos de un error estandar de µ.
h. ¡,Es bueoa la aproximación normal para cada n" ¿Qué tanto?
c. Repita los incisos (a) y (b) para valores de Y4l menos de dos errores estándar deµ.
6 .5-1 Los archivos de personal de la oficina principal de una compailia de seguros contie-
nen datos sobre el número de dias de permiso (por enfermedad o por r;i;roncs pcrso-
n:iles) que ha tomado cada uno de los 533 empleados a lo largo del año. Los
números están almacenado~ en la columna 1 del conjunto Je Jatos 'CI l<iC l .DAI..
en el disco de datos de este libro.
a. Obtenga un histograma o un diagrama de tallo) hojas de los datos. ¿,Di ria usted
que los datos de la pohlacion tienen aproximadamente una distribución normal?
h . Obtenga la media ~ la des\'iación estándar. Un programa de computadora proba-
blemente considerará los datos como una muestra, no como una población. ¿Qué
efecto tendrá este hecho en los cálculos? ¿Qué tan importante es la diferencia en
términos numéricos?
c. llaga que la computadora extraiga '.?5 muestras aleatorias de la pohlación. cada
una de tamaño 20. ~ calcule la media de cada muestra.
Estudio de aso: Muestreo y d1stribuc1ones muestrales 267
d. Ohteoga un histograma o un diagrama de tallo y hojas de las 2S medias de la

muestra. ¿Tiene este diagrama la misma forma que la distribución de la pobla-
ción? ¿Cómo se explica la diferencia?
6.55 llaga que la computadorl calcule la desviación estándar de las medias muestrales
obtenidas en el ejercicio 6.54. ¿Qué cantid.kl teónca se está aproximando con esu des·
\ iación estándar'? ¿Se aproxima el valor numérico que usted obtuvo al valor teorico?
6.56 Muchos programas de computadora seleccionan números aleatonos que están distri-
buidos uniformemente entre O y l .
a. llaga que el programa tome 100 muestras. cada una de tamailo 12. Obtenga las
medías de las 100 muesuas. Haga que el programa trnce un histograma de estas
medias. (Nosotros habremos de repetir este proceso en un ejercicio del capitulo 7,
de modo que usted puede conservar los valores de las medias o recordar el méto·
do que utilizó r>ara obtenerlas.)
b. ¿Debería tener el histograma de las medias una distribución aproximadamente
uniforme entre Oy 1'?Explique la razón desde un punto de vista teórico. ¿Corres·
pondc ar>roximadamente el histograma que usted obtuvo al resultado teórico?
c. La varian1a de una distribución uniforme (entre Oy l)es 1/12 0.833333. ¿Cuál
es la desviación estándar teórica de las medias que se ob1uv1cron en el inciso (a)?
Haga que el programa calcule esta desviación estandar. ¿Cuán próxima es esta al
valor teórico?
d. ¿Cuál es la media (valor esperado) de una distribución ooiforme enlre Oy 1? ¿Cómo
se compara el promedio de las 100 medias muestrales con este valor teórico'!
ESTUDIO DE CASO: Muestreo y distribuciones muestrales
Usted trabaja en una compai'lía telefónica que presta servicios de larga distancia y
que expide tarjetas de cargo a todo aquel que las solicite. La mayoría de los clientes
son agentes de ventas y ejecutivos de empresas pequei'las y medianas. En tales em-
presas, el pago de las cuentas telefónicas no tiene una prioridad muy alta, de modo
que su compai'lía tiene dificultades de pago con el 8% de sus tarjetas de cargo. Por
con'>iguiente, la compai'lia está considerando establecer un sistema de calificaciones
para el merecimiento de créditos (disponible en una empresa consultora) para deci-
dir si expide o no tarjetas de cargo a los empleados de una determinada empresa.
Para optar por el uso de este sistema en el futuro, Ja compai'lía planea tomar
una muestra de Jos actuales usuarios de su tarjeta de cargo y estimar la calificación
promedio según el sistema. Algunas de las variables del método de registro no es-
tán en la computadora de la compai'lía, de modo que para cada empresa de la mues-
tra se necesita que un empleado dedique cerca de una hora de su tiempo a encontrar
y dar entrada a la información. La compañía no puede decidir cómo tomar la mues-
tra: algunas personas quieren hacer un muestreo de los usuarios de las tarjetas en
fom1a individual, otros quieren tomar una muestra. de las empresas responsables del
pago de las cuentas telefónicas. Algunas personas quieren tomar una muestra de al-
rededor de 200 cuentas; otros dicen que tal muestra sería muy pequei'la comparada
con las (aproximadamente) 80,000 cuentas actuales de la compai\ía.
Nadie parece haber pensado con detenimiento cómo tomar la muestra. aunque
el grupo encargado de los sistemas de infonllación tiene a la mano una lista actua-
lizada de todas las cuentas, que podría clasificarse virtualmente en la forma que se
quisiera. Los especialistas no quieren decir cuál debería ser el promedio, aunque han
268 6 MUESTREO ALEATORIO Y DISTRIBUCIONES MUESTIW.ES
dicho que. en otras aplicaciones del sistema, la g~an mayoría de la~ empresa-. tien-
den a ohtener un valor entre 75 y 85, y que los registros entre 65 y 75 o entre 85 y
95 mJ1son r.iros
Escriba un documento breve acerca de estos problemas, fijando su atcnóón en
cómo se podría tomar la muestra. Dé recomendaciones sobre como seleccionar una
muestra de tamaño 200 o de cualquier otro tamaño Usted puede suponer que sus
lectores sabrán lo que es un promedio. J>t!ro no suponga que sahen mucho acerca de
cuestiones técnicas de Ja estadística. Ocherá tomar en cuenta que sus lectores súlo
podrón dedicar su atención a un texto de una página de longitud.
•
•
Algunos estudiantes quieren entender por c¡uJ la fórmula para el error cstúndar de
f tiene la forma que tiene. Para su beneplácito, este apéndice contiene un bosque-
jo de 13 demostración. Hay dos ideas fundamentales. cada una estahlccida en térmi·
nos de la varianza. En primer lugar, al multiplicar una variable aleatoria por una
con~tante se multiplica su varianza por el rnadruclo de la constante. Fn scgundo lu-
g:ir. la 'ari:in1..a de una suma de variables aleatorias imlepcndiente.\· es la suma de
J~s \arianzas de las componentes. Por lo tanto,
var1r1 = vare="Y.)
1 porque dividir cntrc n equivale a
= 11·, Var('°
L.
l ;) multiplicar por lln
porquc las variables indi' iduaks son,
por hipótesis, independientes
porque las varíahks se toman
de una poolaci<ln con varianz.a <i
""2 al
=-;;z-=-;-
Tomando la r:iíl cuadrada ohtenemos el error estándar de Y:
f1
=--¡=
.jn
Ejercicios de repaso para Jos capítulos 4-6_ _
ll11 l.as calificaciones de una prueba de aptitude$ para los trah3jadorcs de una cadcoa de
monta¡c tienen una distribución aproximadamente normal. con una media de ::!00 y
una desviación estándar de 40
E1erc1c1os de repaso para los capitulos ~-6 269
a. Fncucntrc la prohabilidad de que un indi\'idoo seleccionado alcaloriamente ten-

ga una cal! ricación supcnor a 21 O
h. Encuentre la prohabilidad de que l:i media de una muestr:i aleatoria de :?5 indi-
\Íduos sea mayor que 110.
R:?:? Si la distribución de l3s e:ilifieaciones dc:I ejercicio R.:? 1 no es C\.actamcntc oonnal,
;,cuál de la.s anteriores respuesw proporciona una :iproxim:ieión más pobre? ¿Por qué?
H.:?3 Suponga que en el ejercicio R3 se selecciona una mueslra aleatoria de 50 cambios
de precio. El número de cambios hechos durante el periodo es tan grande que nn
importa si la muestra se toma con o sin reempl:11..amiento.
a. Escriba una expresión para la probabilidad de que tres o rncno'> c amh1ns estén
anotadm incorrectamente.
b. Encuentre un \alor numérico para la prohabilidad del iociso (a) .
c. ¿Qué hipótesis se 3doptaron al responder al inciso (a)? ¡,83jo qué condiciones
puede ser errónea cualquiera de estas hipótesis?
R:?-t Una agencia automo\ ilistica consen a en existencia cicna refacción (pieza de re-
pue<1to). El número de pie1as en su almacén, en un momento dado. sigue la distribu-
ción de probahilidade'I
'( 0.1 ..... 10
a. l·.ncuentre la media y la desviación estándar del número de piezns en ex1l'tencia

en un momento dado.
h. S1 la agencia requiere de 3 pic:r..as en un dia dado, ¿cual es la prohabilidad de que
ha) a Wl número suficiente de ellas en el almacén?
R2~ Suponga que la agencia automo' ilistica del e1ercicío R2-t tiene en existencia 4 tipos
diferentes de refacciones y que la distribución de prohahilidad del número de exis-
tertc1as de cada una de ellas es la distnhue1ón especificada en el ejercicio R2-t
a. l'.ncuentre 13 media > la \'an3n1.a del total de existencias de las 4 refacciones.
b. ¿Qué hipótesis adicH1nalcs. si es que las h3y, hizo usted 31 responder el inciso
(a)? Indique, para cad.i un.i de las hipótesis. si es más decisiva para determ1n:ir la
media o la "arian1a
R:?6 Ahora suponga que la agencia del ejercicio R24 tiene 200 refacciones distintas, y
que la disponibilidad de C3da una de ellas está dada por la distribución de probabi-
lidad del ejercicio R24. Encuentre la probabilidnd aproxim3da de que el número
promedio en existencia (promediado sobre las 200 refacciones) sea mayor que 7.
¿Oebería ser ésta una huena 3prox1m3ción'.>
R27 La demanda di3Ti3 de gas propano de un pro"eedor particular (medida en las unida-
des apropiadas) es aleatoria, con densidad de probabilidad
{,( i·I .0012r 111 O JI. o< r < 10

a. Un estud1:.mte quiere encontrar la probabilidad de que la demanda se encuentre
entre 5 y 8 unidades (incluidas amhas) calculando /><5) + />~61 • /.,(7) + /~8).
Explique por qué este procedimiento no proporciona la respuesta correcta.
b. Calcule la probabilidad que se busca en el inciso (a)
e. Encuentre la media y la des\ iación esl:indar de Y.
R:?N En el ejercicio R27, de los dlas en que la demanda es superior a las 5 unidades, ¿qué
fracción tiene una demanda menor que 8 unidades"
R29 Suponga que el proceso de fabricación del hilo de cnstal que se utilua en las fihra~
ópticas introduce 1mpure:ras con un3 tasa promedio de 0.000:? impure1.ns por pie. H
hilo se corta en secciones de 1000 pies; si se descubre alguna impureza en la sec-
ción. ésta se recicla. ¿,Cu:il es la probabilidad de que una sección elegida al 11ar no
contenga impurezas1
270 6 MUESTREO ALEATOAIO Y DfSTRJBUCIONES MUESTRAUS
RJO ¿Qué hipótesis adicionales además de las ya establccidóis hií'o usted para responder
al ejercicio R29?
10 1 "Cierto programa de radio tiene un catálogo a travcs del cual los aficionados a 13 mü-
s1co pueden pedir discos o cintas. así como algunas prend:is de "recuerdo". Supon·
ga que el 40% Je los pedidos no incluyen discos ni cintas. el 300/o incluye un di<ieo
o cinta, el 15% incluye 2, el 10% incluye 3 y el 5% inclu)e 4 rara cada número po-
"ble de discos o cintas solicitados, el porcentaje de pedido~ con O, I, 2, 3, 4 o 5 "re-
cuerdos" es como se indico en la siguiente tabla:
"Recuerdo.~" so/ic1tado.f (%)
Discos/cintas solicitados o 2 3 4 5
o o 60 30 5 ) :?
1 10 40 25 15 5 5
2 5 30 40 10 !< 7
) ) 15
.,.,
~~ 30 :?O 10
4 l 4 15 JO 40 10
Calcule en una tabla la distribución de probabilidades conjunta de X .. numero de

discos o cintas solicitados e Y ... número de "recuerdos" solicitados. ¡,Son indepen-
dientes los dos tipos de pedidos?
IU:? Encuentre el número esperado de "recuerdos" solicitados, asumiendo las probabili-
dades que se mucc;tran en el ejercicio RJ I . l ;imh1én encuentre la dcs\·iación están-
dar del número de "recuerdos" solicitados.
R33 lJo proceso de fabricación que funciona adecuadamente produce un 5% de articu-
loc; dcfectuo~os a cauc;a de impure1as en Jo.¡ matcnalec; ) otro' factorcc; aleatorio-. Su-
ponga que al término del proceso se seleccionan 20 articulos y se inspeccionan.
Suponga ademi.c; que el proce50 e$tá funcionando bien.
a . Encuentre la probabilidad de que 2 o mós de los artículos seleccionados ten-
gan defectos.
h ¿Qué supuso usted al responder al inciso (a)?
104 Otro método de inspección para el proceso del ejercicio R 11 consiste en revisar cada
aniculo y detener el proceso siempre que se encuentren 2 anículos defectuosos den -
tro de los últimos 1O artículos inspeccionados. ¿Satisface este método de inspección
las hipótesis de una variable aleatoria binomial?
R35 Suponga que, en las calí licaciones analizadas en e 1ejercicio R 12. se asignan las ca-
li licaciones de 3. 2 y 1 a las clases "excelente", "sat1sfactorto" e "1nsat1'lfoctorio",
respectivamente. l·ncucntrc la media y la varian1.a de la calificación de un joven
ejecutivo seleccionad<> al a1.ar.
R3<1 Se estudia la disponibilidad y el abasto real de los comestibles que venden en los su-
permercados Se deline X como la fracción de todos los productos que se almacenan
en un supermercado seleccionado al v.ar. que est:in d1'\po01hlc<; para e'\c mercado.
e r se define como la fracción de los producto'\ d1sponihlec; <lUe <;e llenen realmente
en uistenci:i. Los resultados de la inspección indican que la función de dcn~idad
conjunta de X e Y se pueden aproximar con
f(x.y)=-611-"< 2y+2xy+y1 .xy2 ). 0<x<l.0<y<I
a. Encuentre la probahílidtld de que X sea menor que 0 .3 e Y menor que 5.

h fncuentre la densidad marginal de Y.
F1ercicoos de repuo para los capítulos -4-6 271
c. <.Se surone que X e Y son independientes en e~ta den<;1dad conjunta'? Dé argu-

mentos en favor de su respuesta.
RJ7 Utili1ando la deM1dad que se dio en el ejercicio RJ6. encuentre la media y la des-
\ iación estándar de la fracción de productos que se tienen en exi<;tenc1a ' ·
Encuentre el valor esperado y la -.arianza de W - 40X • 20Y rara 13 densidad con- ~
JUnta que se dio en el ejercicio R36
109 Suron¡a que se ha determinado que el número de line3-; de programa e-;critas ror se-
mana por los programadores de computadoras que u11lm1n un lenauaje d1spomble en
el mercado tiene una media de :?SO} una desviación estandar de 70 Suponga ademis
que se toma una muestra aleatoria de 40 programadores. ¿Cual es la rrohahilidad
aproximada de que el promedio de líneas producido sea ma)'or de :!65?
k40 ¿Qué supuso usted al resronder el eJercic10 RJ9" ;.Bajo que circunstancias podría
ser su respuesta al ejercicio R39 un3 mala aproximación?
lln corredor de bienes raíces cree que. en las condicione' actuales. el 45º-'o de los
clientes que atiende en su oficina eventualmente compran una casa a través de él. En
1·na muestra aleatoria de 16 clientes que visitan la oficina. ¿cuál es la probabilidad
de que 3 o menos lleguen a compr:ir un3 casa. a través del corredor? Proporcione una
respuesta numérica.
Especifique todas las hipótesis que hizo al responder el ejercicio R4 I. ¡,f lay alguna
hipótesis que pare1ca ser bastante irrazonable?
R43 tJn cnm:dor de títulos de renta rija de la bolsa ocasionalmente llama a algunM clier.-
tes partl tratar de colocar bonos exentos de impuestos. Defina X número de llama·
das hechas a un cliente particular en un periodo de tres meses e Y .. número de hemos
pedidos por ese cliente en dicho periodo. Suronaa que
_(4-.t)Cxy+I)
f (x,yl - 30(I + 2x) • X I, 2. ), )' ,. 0, J.2 ..l. 4
a f ncuentrc la distribución condicionada de Y dada X. ya se.i en forma matemáti·

ca o con una labla.
b <.Son X e Y independientes? En el contexto del problema, ¿deberían serlo?
R44 Encuentre la media y la \'arian1.a de Y en el eJercic10 R4J.
R4 <; lJn vendedor maynrisla de software para computadora ocasionalmente recibe pedi-
dos especiales que debe emharcar por avión J'ale" pedidos 4'<\n caro" e improducti-
vos. LM registros indican que ocurren con una tasa promedio de 1.6 por dia de
trabajo. En una 11emana de 5 días laborales, ¿cuál es la prohahilidad de que haya 10
o más pedidos que requieran envío especial? Proporcione una respuesta numéric3.
R46 Especifique con mucho detenimiento las hipótesis que usted hito al responder el
ejercicio R4S. ¡,Es enónea a 1odas luces alguna de dichas hipótesis?
R47 Cuando se tr3nsmí1en archivos de datos entre computadoras. éstos se dividen en pe-
quei\os paquetes para la transmisión. Cuando un paquele se recibe en la computado-
ra destino. es revisado por un programa de verificacinn. Defina X 1iempo requerido
para 1ransmit1r un paquete seleccionado al atar e Y .. licm¡io requerido para verificar
el paquete. ambos medidos en milésima" de segundo. Suponga que la densidad con-
1unta de X e Y es
X > 110. o < y < IOO
l:ncuentre la probab1hdad de que X e~é entre 200 y 300 e Y entre 10 y SO.
R'°'I\ Encuentre la densidad cond1c1onada de Y dada X para las variables aleatorias deti-
mda" en el ejercicio R~7. ¿Qué indica la deMidad coniunt;i acerca de la dependen-
''ª de X e Y?
R-'9 encuentre los valores esperados y l¡¡s v::iriam·.as de X, Y y T •X+ r para las v::inahles
::ileatorias del ejercicio R47.
IUO .Suponga que en el ejercicio R47 redefinimos X e Y par:i cxpres:ul:is en segundos en
"ez de milésimas de segundo. Asi, ,'('"" 0.001 X e r" =0.001 Y. Encuentre los v:ilores
csper:idos )' las V3rianzas de x·. )" )'
T' =X'+ Y'.
R5 I Nos referimos nuevamente al ejcrcicín R4 7. Se elige una muestra aleatoria de '.?50
paquetes y se registra el ttemPQ de transmisión de cada uno de ellos.
a. Encuentre la probabilidad apro,imJda de que el tiempo promedio de 1ransnus1ón
de la muestra sea m.i~ or que 0.180 segundos
b. l.a probabilidad apro,imada que se calculó en el incisn (a). ,debería ser un:i hue·
na aproximación a la pmhabilid.l<.I cxact:i que desconocemos'! Explique por qué.
/,/. •.A1~
., ~
~
CAPÍTULO }l~
,
ESTIMACION PUNTUAL ~J
7
1
1
'· 1
,,
.7
Nos encontramos ahora en condiciones de analizar los problemas básicos de la in-

ícrencia estadística. El objetivo de la estadística es hacer inferencias acerca de uno
o más parámetros de la población con base en datos muestrales observables. Estas
inferencias toman varias formas relacionadas. Conceptualmente, el método de infe-
rencia más simple es la estimación puntual: la mejor suposición que se puede hacer
del \alor individual de un parámetro de la población . Dicha estimación es el tema
de este capítulo. Otros procedimientos de inferencia relacionados con éste son la
estimación por intervalos y las pruebas de hipótesis. En el primero de ellos se utili-
za la estimación puntual y cierta tolerancia para el error aleatorio con el fin de es-
pecificar un rango razonable para el valor de un parámetro. En el :.egundo, se aisla
un posible valor particular del parámetro y se pregunta si este valor es plausible
con base en los datos. La estimación por intervalos es el tema del capitulo 8 y las
pruebas de hipótesis el del capítulo 9; la sustanc ia de ambos capítulos depende en
gran medida de los resultados que se fijen en éste. En los capítulos del 1Oal 16 se
extienden los principios básicos formulados en los capítulos del 7 al 9 a un número
de situaciones que acontecen a menudo.
Comenzamos este capítulo analizando en la sección 7.1 algunos criterios efi-
cientes para estimar un parámetro de Ja población. La sección 7.2 es un análisis de
Jos méritos relativos de tomar muestras con y sin reemplazamiento, y de la impor-
tancia relati\.a del tamaño absoluto de la muestra comparado con la fracción de la
población que se ha considerado; algunos resultados que ahí se obtienen son sor-
prendentes para much:ls personas. En la sección 7.3 se introduce un método de al-
cance general, llamado de la máxima verosimilitud, que en general proporciona
buenas estimaciones puntuales.
7.1 - -ESTIMADORES PUNTUALES

-- - - -- ----- •
La inferencia estadística más simple es la estimación puntual o por punto, en la
que se calcula un único valor (estadístico) con los datos mucstrales para estimar
273
274 7 ESTIMACION PUNTUAL
un par:imetro poblacional ¡,Cómo decidimos qué estodístico muestra! calcular

para dar una i.inica estimación numérica de un p::ir.ímetro de la población'> Supon-
ga t1\Jc tratamo!> de estimar la media poblacional y ~ue estamos dispuestos a supo-
ner 4ue la distrihución de la población es normnl. La media muestra! es un
cstadistico sumario natural que se puede utili7.ar para estimar la media poblac10-
nal. Como esta última también es la mediana de la población cuando In distribu-
ción es normal, la mediana muestral es también una estimación posible. También
lo es una media truncada al 80%. el promedio del 80°n de los valores centrales.
Aunque la población sea simétrica. es casi seguro que la mucstrn sea algo asimé-
trica debido a l::i \'ariación aleatoria. Así, para cualquier muestra particular, los tres
metodos proporc1cman estimaciones en cierto sentido diforcntes. Los valores atipi·
cos tienen una enorme inlluencia sobre la media. Una. media truncada tiene una
menor iníluencia de los 'alorcs atípicos. pero desperdicia da10~ al ignorar (por
ejemplo) un 20% de ellos Podemos pcnsnr en la. med1:m::i. como una media trunca-
da extrema. en donde uno descarta todos los datos excepto el central o los Cl'ntra-
lcs. ¿Cu:ll mctodo deberíamos utilizar?
Para proseguir el análisis, necesitamos una delinició'! técnica . Utilizamos O
como el símbolo genérico de un parámetro pohlacional, y 8 para indicar una esti-
mación de 6 hasada en los datos de una muestra
Estimador
Un c'tinuulor 8 de un parámetro 6 es una función de los valores muestralcs alea-
torios Y1, }'2, •••• r,, que proporciona una estimnción puntual de 6 Un estimador es
en sí mismo una vnriable aleatoria y por consiguiente tiene una distribución (mues-
tra)) teórica.
•
Hay una distinción técnica entre un estim<ldar como una función de variables
aleatori::i.s y una t.•.~fimación como un único número. Es la distinción l'ntre un pro·
ceso (el estimador) y el resultado de dicho proceso (la estimación). Lo 4ue en rea-
lidad importa de esta definición es que nosotros sólo podemos definir huenos
procesos (estimadores). mas no garantizar buenos resultados (estimaciones). Por
ejemplo. más adelante mostraremos que cuando se toma una muestra de una po-
blación normal, la media muestra! es el mejor estimador. Sin embargo. no pode-
mos garantizar que el resultado sea óptimo todas las veces. Es decir. no podemos
garantizar que. para cada muestra, la media muestra! esté siempre más ccrca n la
media poblacional que. dignmos. la mediana muestra! Lo más que podemos hacer
es encontrar estimndores que den buenos resultados en el limite.
EJEMPLO 7.1 Si Yp }'~e }'~son los resultados (aleatorios) de una muestra de tres indi\'iduos
toma.da de una población. defina el estimador de la mctlia muestra!. Si en una
muestra concreta se ohtienen los valores 106.8. 102.0 y 105 O. (,cuál es la cst1ma-
ción resultante?
7 1 Emmadore$ puntuales 275
Solución La estimación
se puede interpretar como el proceso "toma una muestra de tres valores > prom¿dia-
los" En esta mut!stra concreta, y 1 = 106.8. \ ~ 102.0 e y, 105.0 > se obtiene
.Y = 104.6 como una estimación de Ja media poblacional hasada en esta mues-
tra específica. •
La primera propiedad que queremos que tenga un estimador() su distrihución

mut!stral) es que, en promedio. estime correctamente el parámetro de la población.
Por ejemplo, parece e1Tóneo utiliz.ar el 90 percentil de una muestra para estimar la
mediana (50 percentil) de una población, en vez de utiliz.ar lu mediana de la mues-
tro. Aunque es concebible que. en una muestra particular. el 90 percentil est¿ más
cerca de la mediana de la población que la mediana muestra!. en general dicho per-
centil es demasiado grande. En otras palabras, este percentil tiende a sobrestimar la
mediana de la población. Queremos utilii.ar en la estimación un estadístico que no
sobrestime o suhesti mc sistemáticamente el parametro pohlncional que se busca.
Estimador insesgado
Un t!sllmador () que es una función de los datos muestrales }'1• Y~ . ...• Y,. se cono-
ce como estimador inse!IJ:?ado del_ par.imetro poblac1onal ()si su 'alor esperado es
igu~I a 8. Dicho de otra manera, 9 es un estimador insesgado del parámetro () si
E( 8 ) - 9.
l In t!M11nad!.>r insesgado es correcto en el prome~10. Podemos pensar en el valor cs-

pcr¡¡do de 6 como el promedio de los valores 8 para todas las mues1ras posibles,
o, lo que es lo mismo, como el promedio en el lirQite de los valores 9 para mucs-
trus rt!petidas. La c_ondición de que el estimador 9 es insesgado suponl· 4uc el V'!_-
lor 1m 11nr tlio de () es exactamente correcto. No dice que un \alor p11rtic11 lar (}
sea exaclamente correcto (yéase la l}gura 7. 1). Si el estimador es sesgado, la mag-
nitud del sesgo es Sesgo ( ()) '= E ( 6 ) - O
D1stnbuc1on D1stribuc1on
muestra! de muestral de
8, 82
(a) (b)
FIGURA 7.1 Ilustración de (a) un estimador msesgado y (b) un estimador sesgado
EJEMPLO 7.2 Sur)(Jnga que }'" Y2 ••• , Yn representan los valores obtenidos en una mui:stra alea-
toria «imple tomada de una población que tiene media µ y varianza a~. Verifique
que f. la media muestra!, es un estimador insesgado deµ.
Solución En el capitulo 4 demostramos que E( Y) = µ. Así, por definición. la media muestrnl

es un estimad9r insesgado de la media poblacional. •
La exigencia de que un i:stimador sea insesgado no es muy restrictiva y no ex-
cl uyc muchos estimadores potenciales. Por lo general son muchos los estimadores
insesgados de cualquier parámetro poblacional. Por ejemplo. cuando se toman
muestras de una población normal, la media muestra!, la mediana y las medias
truni.:adas son todos estimador~:. insesgados de la media poblacional µ.
l J Ju~encia de sesgos no es la única propiedad que queremos que tenga un es-
timador. l In c:.t11nador ime:.gado que sobresllma el parámetro de interés l:i mitad de
las veces >lo subestima la otra mitad no es un buen estimador. Una segunda propie-
dad que exigimos a un estimador es que tenga una distribución muestra! en que gr.in
p.1rtc de la probabilidad esté concentrada cerca del parámetro que M: 'a a estimar El
error ec,tándar nos da una medida de la concentración de l:i distribución muestra! de
un estimador: mientras más pequei\o sea el error estándar, mayor será la concentra·
ción de la probabilidad cerca del parámetro de interés. La figura 7.2 pn:-.cnt~• la' dis-
trinuciones muestrales de dos estimadores insesgados hipotéticos ~e un parámetro
de la población 8. Es obvio_que a6, > '18, y pClr consiguiente que O~ es un estima-
dor de() más deseable que e,.
l· 1 error estándar de un estimador también se relaciona con el grado de error
probable: mientras más pequer'lo sea aquél. más pequel'lo será é::te. Por cons1guicn-
te, nos gustaría encontrar un estimador insesgado con el menor error c:.t{1ndar posi-
ble o. lo que es lo mismo, el error probable más pcqueilo.
Estimador eficiente
Se dice que un estimador es l"I más eficiente par:i un problema particular cuando
tiene el error estándar más peque~o de todos los estim:>dore~ in!>esgados posibles.
Sc utiliza la palabra eflcienle porque. en una situación dada, el estimador hace

el mejor uso posible de los datos muestrales De :icuerdo con la teoría estadí~tica
9 8
(a) (b)
FIGURA 7.2 D1stnbuc1ones muestrales de 9 1 y 8 2

•
7.1 Estimadora pum~ 277
clásica, en términos generales se debe preferir el estimador insesgado más cfkicnk

sobre cualquier otro. Dadas algunas hipótesis muy especificas, es posible encontrar
los estimadores más eficientes. Por ejemplo. si la población de la que se toman las
muestras es normal. la media muestra! tiene un error estándar más pcquél'10 que la
mediana muestra!, que cualquier media truncada muestra! y que cu::ilquier otro cs-
tim::idor insesg::ido. Por lo tanto, si hay una buena 111/Ón para suponer que la pobla-
ción es normal, el mejor estimador de la media pobl::icional es la media mul!stral.
EJEMPLO 7.3 Un programa di! computadora selecciona 1000 muestras de t.ama~o JO de una pobla-
ción con distribución normal. media 50 y des\ iación estándar 1O. Para cada mues-
tra se calculan la media, la mediana y la media truncada (promedio del 80% de los
datos centrales). El valor promedio y la desvi::ición estándar de cad::i conjunto de es-
timaciones de las 1000 muestras son los siguientes:
Esladlstica Valor promedio Desviación estándar

Media so 1254 1 IH73
Mediana 50 1696 2 2607
Media truncada 501196 111947
¿Parecen ser insesgados los tres estadlsticos'? ¿Cuál de ellos parece ser el más
eficiente?
Solución hl valor promedio de cada estimador es (una aproximación ~11nulatl,1 a) '>U valor es-
perado. Dicho valor promedio resulta en cada caso muy próximo a la media pobla-
cional, 50. Esto último p::ircce indicar que. a l meno'> en esta situación, los tres
estimadores son insesgatlos. La desviación estándar de cada estimador es (una
• aproximación simulada a) su error estándar. Como la media muestra! tiene el me-
nor error estándar, todo parece indicar que en esta situación es el estimador más
eficiente . •
Dcsafonunadamcnte, las declaraciones de eficiencia dependen fuertemente de

algunos supuestos. Cuando la distribución de la población no es normal, la media
muestra! no es siempre el estimador más eficiente. En particular, cuando la distri-
bución de Ja población tiene colas anchas, la medin muestra! es más ineficiente que
una media truncada (aunque aún es insesgada). Las distribuciones con colas anchas
tienden a producir muchos valores "extral'ios", datos extremos que iníluycn más en
la media que en una media truncada. Un tema lle investigación en In teoría cstadis-
r~ t im:u l o r ro bu~ l o tica es el de los llJmados estimadores r obu!llo'I cstadfsticos casi inscsgados y casi
dicientes para una gran \.ariedad de distribuciones poblacionalcs. Aún no hay un
acuerdo general sobre los estimadores robustos ideales, pero es razonable suponer
que tales métodos se utilizarán cad:i vez más en un futuro próximo. Pese a ~u utili-
dad potencial, no dedicaremos mucho esp::icio a los estimadores robustos. Las fór-
mulas para la cstim;ición robusta son mucho más complicadas que l;is que hemos
presentado, pero los principios básicos pura utilizarlas son los mismos.
278 7 ESTIMACIÓN PUNTUAL
EJEMPLO 7.4 Se programó una computadora para tomar 1000 muestras, cada un.a de tama~o 30,
de una población con colas extremadamente anchas y sumamente procli'e a los
valore~atipicos. con una media igual a cero y una desviación estándar de 9.95 r>ara
cada muestra se calcularon la media, la mediana y algunas medias truncadas. Los
\ alorcs promedio)' las desviaciones estándar de las estimacione:, ~(m las siguientes:
Estadístico Valor promedio Desvi:ic1ón estándar

J..,fediJ 01:?S l.!( 757
Mediana 0141! 45JO
Media truncada 1101< 1 .56/l7
¿Qué indican esto~ resultados acerca del sesgo y la eficiencia de los tres estimado-
res al tcimar mue)>tras de esta población?
Soluc1on Los tres promedios, aproximaciones a Jos \'alores esperados. son casi cero. de modo
que los tres estimadores parecen ser insesgados. En este i:aso, la desviación estándar
de la mediana parece ser mucho más pequc~a que la desviación estandar de la me·
dia y un poco más pequel'la que el de la media truncada. Así, para esta f>Oblaci6n
proclive a los valores atípicos, la mediana muestnil parece ser más eficiente que la
media truncada y mucho más eficiente que la rrn!dia muestra!. •
con'i'tcncia Un criterio adicional para un buen estimador es la con~i stcncia Si tenemos la

fortuna de contar con una muestra muy, muy grande, debería e~tar garantizado que
el estimador esta muy próximo al parámetro poblacional (o del proceso).
Estimador consistente
Un estimador es consistente si se aproxima al panímetro pohlacional con probabili·
dad uno a medida que el tamal'lo de la muestra tiende a infinito.
•
Por ejemplo, la medía muestra! Yde una muestra aleatoria tiene valor espera-
doµ y un error estándar que se aproxima a cero a medida que n tiende a infinito.
Por lo tanto, cuando el !amaño de la muestra tiende a infinito, f se aproxima aµ
tanto como se quiera. De acuerdo con la definición, Yes consistente. (Todos los es-
timadores que se analizan en este libro son consistentes siempre y cuando las hipó-
tesis establecidas se cumplan.)
Un estimador inconsistente es a todas luces un mal estimador. No es aconse-
jable dar una estimación imprecisa basada en una infinidad de datos. cosa que pue-
de suceder si el sesgo de un escimador no se aproxima a O a med1d3 que n cic:nde a
infinito. UtiliZA1r el 25 percentil de la muestra para estimar la mediana poblacional
produciría un cscimador inconsistenle. También habría inconsistencia si el error es-
tándar de un estimador no tiende a cero a medida que el tamaño mul!stral crece r>or
lo general, lo~ estimadores inconsiscentes son el resultado de alguna equivocación
o. lo que es más probable, resultan del fracaso de una hipótesis clave.
Sección 7.1 E1eraaos 279
EJEMPLO 7.5 En la sección 4. 7 definimos Ja correlación (poblacional) de dos variables ah:atorias.

Este parámetro se puede estimar con datos muestraJes si Ja~ variables se miden con
precisión, sin errores de medida. No obstante. cuando ha) un error de medida, la co-
rrelación mueslral se acerca a un número entre cero y la correlación de la población
(dependiendo de la magnitud del error). ¿Qué indica este he1.:ho acerca de la corre·
lación muestra( como un estimador?
Solución Cuando hay un error de medida, la correlación muestra! es un estimador inconsisten-

te de la verdadera correlación, pues su sesgo no desaparece al aumentar el tama·
r'\o muestra!. •
7.1 Se toma una muestra aleatoria de 20 vicepresidentes (entre las 500 principales em·
presas según la rcvisla Fortune) y se determina el porcentaje del ingreso bruto que
cada uno pagó como impuesto federal sobre la renla. Los datos son
160 18.1 18.6 20.2 21.7 22.4 22.4 23.l 23.2 23 5

24.I 24.3 24.7 25.2 25.9 26.3 27.9 28.0 30.4 33.7
a. Calcule la media y la mediana muestra!.

b. Calcule la media truncada al 20%; es decir, elimine el 10% inferior y el 10% su-
perior de los datos y encuentre la media del resto.
7 .2 Rcmhnse n los datos del ejercicio 7.1.
a Construya un histograma utilizando alrededor de 6 clases.
b. ¿,llay alguna evidencia de no normnlidad en los dntos,,
c. ¿Cuál de los estadísticos muestrnlcs calculados en el ejercicio 7 .1 seleccionaría
usted para estimar la media poblac1onal?
7.3 Un estudio con el método de Montecarlo comprende 10,000 muestras aleatorias de
tnmal\o 16 tomadas de una población normal conµ 100) a 20. Para cada mues-
tra se calcularon la media. la mediana y In media truncada al 20%, con los s1gu1en-
tes resultados:
l:.st1mador Media Mediana Media truncadn

Promedio 100.23 99.96 99.98
Varianza 26.S2 4061 27 49
a. ¿,Qué sugiere en este caso el estudio acerca del sesgo de los tres estimadores'.'
b. ¿Cuál de los tres estimadores parece ser el más eficiente?
74 Una muestra de 30 ediciones de un periódico semanal revela los siguientes datos numé-
ricos sobre la longitud de las columnas de Olnuncios cl:uificados, mcdidn en pulg3das:
171 185 193 199 204 210 :!16 218 221 223
225 228 228 230 234 235 237 240 241 243
245 249 251 254 257 262 263 271 280 379
a. Calcule la media y la mediann.
b. Calcule la media truncnda al 20%, el promedio del 80°0 de los valores centrales.
280 7 EST'MACIÓN PUNTUAL
7.5 Remítase a los datos del ejercicio 7 4.

a. Construya un diagrama de tallo y hojas. ¿Cuál es el aspecto más obvio del
• diagrama?
b. ¿Sugieren los datos que la media es el estimador más eficiente en esta situación?
7 .6 Suponga que r 1• Y1 , Y3 e Y4 representan una muestr:i aleatoria de cuatro observacio-
nes tomadas de una población con mediaµ y des\ 1ación estándar a. Se pueden con-
siderar dos estimadores de la media:
• - Y1 + ··· + Y4
µ, = y"" 4 )'
l.os resultados del capitulo -t indican que, para varíahles aleatorias independientes,
E(L e, Y,)= (Le,)µ

Var(L r, Y,)=- (L r!)o 2
a ¿Son insesgados ambos estimadores?

b. ¿Cuál estimador tiene la \ arian1.a más pequer'la?
0
7.7 l~ n la figura 7.3 se muestran tres diagramas de caja para las medias, medias trunca·
das (eliminando el 10% superior y el 10% inferior de los datos) y mediana.<; para
muestras de tamar'lo 10 de una población de l.aplace (ligeramente propensa a valo·
res atípicos). La media de esta población es cero,
a. ¿Parecen insesgados los tres estimadores?
b. ¿Qué estimador parece ser el más eficiente?
·- *---11 11~- . . •
media
* *· - il 11--- .. 1
media truncada al so••
o
. . -------il 111------ - o
mediana
-1.65 -1.17 -0.69 -0.21 0.27 0 .75 1.23 1.71
FIGURA 7.3 D iagramas de ca¡ a para tres estimadores; población de Laplace, n= 1O

, ,~
Seccoon 7 1 E1ercocoos 181
7.8 Los promedios y las desü.1ciones est:indar de los tres estimadores lid ejercicio 7.7
-;on los siguientes:
Promedio Des\ iación estánd:u

' :--.
l:st1mador
~1edia 0100 -n66

Media truncada 004() 3899
Mediana .ocm 3704
¿Son consistentes estos resultados con las respuestas que dio al ejercicio 7.7?
7. 9 Se toman muestras de ta mallo 30 de una pobl:ición uní forme . La media poblacional
es 0.500 > la varianza poblacional es 0.08333. l.a distribución poblacional es simé-
trica y absolutamente plana. No bay valores menores que cero ni mayores que uno.
de modo que no hay pos1bil1dad alguna de que existan valores atipicos. Se han ob·
tenido los siguientes promedios> desviaciones estándar:
htimador Promedio Des\ iación e~tándar
\.1ed1a .SOIS 05().4

Media truncada .5017 0611
Mediana 5().4 3 0644
a . Dada la naturale1.a de la población, ¿deberían ser insesgados los estimadores?

¿Parecen serlo?
b. ¿Cuál de los tre<; estimadores p:irece ser el mas eficiente?
7.10 En la figura 7.4 se muestran diagramas de caja para los estimadNes del ejercicio
7.9. ¿Apo)an estos diagramas sus respuestas al ejercicio 7.9?
*_____.¡ l·il.--· ..
media
·--! 11....___. media truncada al 80~o

• •
·~1 11. . ___-

mediana
0 .23 0.31 0 .39 0.47 0 .55 0.63 0 .71 0.79
FIGURA 7.4 Diagramas de caja para tres estimadores; población uniforme, n =30
282 7 ESTIMACIÓN PUNTUAL.
7 .11 El gerente de operaciones del depilrtamento de transmisiones ;iutomáticas de una fá-

brica de automóviles obtiene cada semana datos sobre la presión a la que funcionan
las 50 transmisiones de una muestr:i. Una de sus preocupaciones es la media para la
" producción sem;inal, que es de 2200 transmisiones aproximadamente. (Otra preocu-
pación es la \ariabilíd:id en tomo a la media.) Por In general, la presión de las trans-
misiones es ligeramente superior o lígeramente inferior al nível oominal de 35 libras
por pulgada cuadrada. Algunas transmisiones pueden tener lecturas muy por encima
o muy por debajo del nivel nominal. Una forma de estimar el promedio de toda la
producción es utilizar el rango medio de los datos muestrales: el promedio del valor
más grande y del valor más pequeno de los 50 datos.
a. Con base en la información que usted tiene (sin lugar a dudas limitada), ¿hay al-
guna razón para creer que este método subestima sistemáticamente a la media?
¿O la sobrestima? ¿Que concepto técnico de la estadística se ha puesto en duda
en esta situación?
b. Aun cuando no haya una sobrestimación o subestimación sistemática, puede ser
que el método del rango medio no utilice de una forma efectiva los datos. Expli-
que por qué no.
7 .12 Explique por qué el gerente de operaciones del ejercicio 7.11 puede no querer utili-
1ar la media de las 50 presiones de fa muestra como un estimador del promedio de
toda la producción semanal.
7.2 MUESTREO CON Y SIN REEMPLAZAMIENTO

•
En el capítulo 6 derivamos la fórmula para el error estándar de la media muestra!
( <Jr"" <JI ~)bajo la hipótesis de que los valores sucesivos de l:is variables aleato-
rias de la muestra Y1, ••• , Y,, eran índepcndientes. Dicha hipótesis es literalmente co-
rrecta en una sítuacíón de muestreo aleatorio sólo cuando se toman muestra~ con
reemplazamiento. No obstante, tomar muestras con reempla.i:amiento parece ser
una idea muy poco práctica en la mayoría de los casos. Vamos a mostrar en esta sec-
ción que la distinción entre muestreo con reemplazamiento y sin reempla1..amiento
es irrelevante. Como beneficio secundario podremos aclarar la importancia relativa
del tamaño absoluto de la muestra y de la fracción de la población que se considera.
De acuerdo con la idea de eficiencia, los estimadores insesgados (en nuestro
caso. medias muestrales tomadas con y sin reemplazamiento) se pueden comparar
\arianza de Y, sobre la base de las varianzas o, lo que es lo mismo, los errores estándar. Se puede
con y s in recmpla- demostrar que la varianza de la media muestral (basada en el tamai'\o n de la mues-
7am ie nto tra, el tamaño N de la población y la varianza poblacional (J 2) es <J 2/n, cuando se
toma una muestra con reemplazamiento, y ( <iln)(N - n)(N - l ), cuando se toma
una muestra sin reemplazamiento. El error estándar se puede encontrar, como
siempre, calculando la raíz cuadrada de la varianza correspondiente.
EJEMPLO 7.6 Suponga que se toma una muestra de tamaño 200 de una población de tamaño
20,000. Compare las varianzas y los errores estándar de las medias de la muestra
basadas en muestreos con y sin reemplazamiento. ¿Qué procedimiento de muestreo
proporciona el estimador más eficiente deµ?
7.l M~streo con y $In ~mpbllmtel\to 283
Solución
Método de
mueslreo Con reemplazamiento Sin rccmpla1..amiento
~ (2~.000 -
al
Var( Y) = 005a 1 200) ,,. .00495a:
200 200 .0.000 - 1
11 o J20.000 - 200 .. 07()4o
- - ...0707a ~
J200 " 200 20,000 - 1
El muestreo sin reemplazamiento nos da el error estándar más pequeño, pero la di-
ferencia ap:irece en el tercer dígito significativo del error estándar (el cuarto deci-
mal). Es poco probable que esta diferenci:i tenga alguna importancia prác1ica. •
EJEMPLO 7. 7 Considere las siguientes situaciones de muestreo en que Y se utilil'I para estimarµ .
a. Tome una muestra de 100 items (sin reemplal'lmiento) dc una población
de 1000.
b. Tome una muestra de 1000 itcms (sin reemplazamiento) de una población
de 1,000,000
Si todo lo demás se supone igual, ¿cuál de los dos procedimientos produce el error
estándar más pequeño para Y?
Solución En la situación (a) usted tomaria una muestra de una frac ció n m:h J!rnndc de la
pol>la l'ití n . mientras que en la situación (b) usted tendría un rn111aiio mi•" g r:111tlc:
d e la mu c~ tra Para ver cuál de estos procedimientos es más preciso, podemos cal-
cular el error esuíndar de Y en ambos casos:
(a) " Jiooo

JíOO -_ 100 = .0949a
1000 1
C1 JI .000.000 - 1000
(b) r====
"1000
000000 1
l. • -
= .03 160
Suponiendo que las dos poblaciones tienen varianzas iguales (y por consiguiente
iguales desviaciones estándar), el error estándar de Y es mucho m:ís pequeño en
la situación (b). •
Los ejemplo~ precedente'> ilustr.in dos conclusiones de carácter gener:il. En

primer lugar, l:l c.Ji,tinciún ent re mu c~ lrco con y ~ in rccmpla.rnrnicnto pr:í ctic¡1-
m c 111l' \C p ued e i~nora r ' ªh'o en el (' :l'lio (muy raro ) en c1uc el ta ma1io d e la
mu c~ tr a e ~ :il meno« el 10% clcl t:mrn ii o de Ja población Este es el caso
del ejemplo 7.6.
La segunda conclusión básica, que se iluslrJ en el CJCmplo 7. 7. e' una ~orprc
sa para la mayona de las personas: Par:i cklerminar In precisión probable, el ta-
m a i1 0 a h ~ olul o de la muc,t r:1 C\ mucho m:h importante que el tamailo tic la
fracción de la pobla cici n tpH' "e m11c.,trc:1 Por supuesto, cuando el tama~o de
la población es fijo, incrementar el tamaf\o de la muestra también incrementa la

fracción de muestreo. No obstante, para casi cualquier situación práctica, el efecto
numt!rico del cambio en el tamaño absoluto es más imponante . El tamaf\o de la
muestra, no la fracción, determina cuánta información hay en los datos.
EJEMPLO 7 .8 Una computadora está programada para extraer 1000 muestras de tamaño 20 de
una población, tomando las muestras con y sin reemplazamiento. La distribución
de la población es
Individuos: 00 09 10 29 JO 69 70 89 90 99
Valor: r 2 J 4 5
(La media de la población es 3.) Se calculan las medias muestrales para todas ellas,
y se obtienen los promedios y las desviaciones estándar: 2.9996 y 0.249 con rcem-
plat.amiento y 3.008 y 0.216 sin reemplazamiento.
a . ¿Parece ser insesgada la media muestra!?
b. ¿Qué parece ser más eficiente, tomar las muestras con reemplazamiento o
sin él?
Solución a. Los promedios son muy próximos a 3.0, de modo que la media muestra! parece
ser insesgada en este caso.
b. Las desviaciones estándar (aproximaciones simuladas a los errores están-
dar) son más pequei\as en el caso del muestreo sin reemplazamiento. de modo que
el mueMreo sin reemplazamiento parece ser más diciente. •
EJEMPLO 7.9 Se repite la simulación del ejemplo 7.8, pero con los siguientes cambios. La pobla-
ción se conviene en
Jndh iduos· O 99 100 299 300 699 700 899 900 999
Valor: J 2 3 4 5
(Nue\amente, la media poblacional es 3.) En esta simulación, el tamai\o de la
muestra es 50. Obsene que en este caso el tamaño de la muestra es 2.5 veces el ta-
maño de la muestra del ejemplo 7.8. pero que la muestra es tan sólo el 5% de lapo·
blación, en contraste con el 20% del ejemplo :mterior. Se obtienen los siguientes
resultados: con reemplazamiento. promedio=- 3.002 y desviación estándar= 0.153;
sin reemplazamiento, promedio - 2. 997 y desviación estándar 20 O. 150.
¿,Qué indica una comparación entre este ejemplo> el ejemplo 7.8 acerca de la
importancia relativa de la fracción de la muestra y el tama1'o de la muestra?
Soluetón En cnda caso. la aproximación simulada al error estándar es más pequeña en este
ejemplo que en el 7 .8. Así, el efecto del incremento del tamaño de la muestra es m:ís
imponante que el efecto de considerar una fracción más pequeí'la de la población. •
7.1;\ F.n el ejercicio 7.11 se considera una muestra de 50 transmisiones automaticas to·
mada de una producción semanal de 2200. En las semanas con un día festivo la pro-
ducción se reduce en un 20%. a 1760 transmisiones. ¿Se desprende d1: lo anterior
7.l Estimadores de máxima wrositn1htud (J) 285
que el tJmar'o muestra! también se ruede reducir en un 20%, a 40, y tener la misma
precisión al estjmar d promedio semanal?
7 . 14 a. En el ejercicio 7.11, ¿esperaría usted que la muestra de las transm1s1oncs se to-
mase con reemplazamiento o sin él? e.Por qué?
h. Suponga que la muestra se tomará sin reempli11amicnto, que la des' iación están-
dar en el limite de las presiones es 2.40 libras por pulgada cuadrada y que el ta-
mai'lo muestra! es 50. ¿Es significativo para el e"or estánd:ir de '3 media muestra!
el que 111 producción semanal cambie de 2200 a 1760 transm1s1oncs? ¡,En qué
magnitud,,
7 . 15 l Jn poht1co que contiende por un c'\car'o en la legislatura estatal ohservó que en una
encuesta se hab1a tomado una muestra de 2000 electores registrados de un total de
8,000,000 (uno de cada 4000) y que la encuesta tenia un error probable de i 3 pun-
tns porcentuales. El candidato planea tomar una muestra, guardando la misma pro-
porción de los 40,000 electores de su distrito legislativo )' espera que el error
prohahle se:i igual. ¿En dónde cstfl equivocado el ra.mnamicnto del candidato'?
7 .16 Se toma una muestra de 90 individuos responsables de hacer pronósticos para cier-
tos b3ncos regionales. Hay 650 personas que pueden ser escogidas. Cada uno de los
individuos en la muestra predice el porcentaje del crecimiento del ingreso disponi-
hle real p3r;i el 31\o siguiente. Suponga que la desviación estándar de los pronósti-
cos de la roblación es 0,4o/o.
a. F.n la práctica, ¿se debería tom:ir la mue'itra con reemplazamiento o sin él?
b. Calcule el error estándar de la media suponiendo que la muestra es con
rec mplUól miento.
c. Calcule el error estándar de J;i media suponiendo que la inuc~tra e<; sin rccm-
pla1amiento.
d. ¿Qué error estándar es más pequcl\o? ¿Por cu!nto?
7. \ 7 I· n los di as de elecciones, con frecuencia los espectadores de televisión suelen escu-
char, en los progr3mas nocturnos, proyecciones acerca de quién ser;i el ganador en
un estado bas;idas en un peque~o porcentaje de l;i votación. Para cst3dos tales como
Nueva Yor~ y California, )3 proyección puede basarse en un 1% de los votos, pero
para cst;idos tales como W}oming y Dcl;i\\3re. la proyección tiene como b;ise un
porcentaje mucho más gr;inde. ¿Por qué'l
7.3 ESTIMADORES DE MÁXIMA VEROSIMILITUD (d)

•
En la sección 7. 1 analizamos dos propiedades deseables de lo' C\timadorc' de par.i-
mctro~: que sean insesgados y con errores estándar pequenos. ¿,Corno \C procede en
cualqu11.:r <.ituac1ón de mul''ltreo para enwntrnr un c'\timador de un parámetro 6? El
mNoclo de m:hi- método de m:himu Hros imilitml e<; un procedimiento general par.i la selección de
ma ' r ro, imilitml estimadores.
Hay varias ra.wnes por las que se quiere utili7.ar un estimador <le máxima ve-
rosimilitud para un parámetro. Aunque dichos e'timadorell no siempre ~on eficien-
tes e insesgados, por lo general son la mejor opción que se tiene debido a las
siguientes propiedades: a medida que se incrementa el tamai\o muestra!, el sesgo del
estimador tk máxima \.erosimilitud tiende: a cero, su error estándar se aproxima al
minimo error estándar posible y su distribución muestra( se aproxima a la normal.
f>ctl1do a estas propiedades. muchos investig:idores están a favor del uso de los es-
timadores de máxima verosimilitud c:n gran parte de situaciones de muestreo.
Una de las formas más simples <le ilustr.\r el concepto de estimación de máxi-
ma verosimilitud (máximo verosímil) es mostrar cómo se encuc:ntra un e~timador
de m:íxima verosimilitud en un problema dado. Suponga que tenemos un experi-

mento binomial con una probabilidad de éxito Tt desconocida >que obtenemos ~ 2
éxitd's en n =S ensayos. Podemos utilizar ta tabla 1 del apéndice para evaluar la pro-
habilidad de alcanzar dos éxitos en cinco ensa)os. Para 1't =O 05, la prohatnhdad es
=
0.0214; para 7t 0.1O, la probabilidad es 0.0729 A medida que avanzamos a lo lar-
go de la tabla, la probabilidad de dos éxitos en cinco ensa}os se incrementa a un
máximo (de 0.3456) en 1t := 0.40 y después decrece. Por definición, x;:
0.40 es Ja
estimación de máxima 'erosimilitud (al menos entre los valores que se muestran en
la tabla 1 del apéndice) de 7r cuando los datos son dos éxitos en cinco ensayos.
EJEMPLO 7.1O Encuentre la estimación de máxima verosimilitud de Jren un experimento binomial

con n = 20ey == 16.
Soluci6n Si comenzamos con la tabla 1 del apéndice en 7t - O.OS paran = 20 e y ... 16, encon-
tramos que 13 probabilidad de 16 éxitos en 20 ensayos se incrementa cuando 'amos
de 1t - 0.05 a 1t = O.SO. Para seguir leyendo Ja tabla, debemos buscar en et extremo
derecho el valor de y. y en ta parte de abajo el valor de Jt. La probabilidad de 16 éxi-
tos en 20 ensayos se incrementa a medida que retrocedemos a lo largo de la tabla
hasta alcanzar un máximo (de 0.2182) en 1t = 0.80 Entre los valores de Jt que se
muestran en la tabla 1 del apéndice, 1t = 0.80 es la estimación de máxima verosimi-
litud cuando}' = 16 y n =20. •
Para definir ta estimación de máxima verosimilitud de manera general, nece-

sitamos algunas otras definiciones.
Función de verosimilitud
Para datos discretos y" y 2, ••• , Yn• la función de verosimilitud les la probabilidad
de observar los datos que de hecho se están observando:
L(Y1·>'1·· ··· Y··O} = P{y1.Y1 ..... y.)
que consideramos como una funci6n del parámetro desconocido de la población, O.
Si los datos se toman de una distribución continua/r(y), la distribución de proba-
bilidad P se reemplaZ41 por la función de densidad/ :
L(y¡, Yi· ··· ·Y··O) = /(Y1.Y2···.,y,.)
Suponiendo que los valores muestrales se toman independientemente, podemos ob-
tener la probabilidad Po la densidad f como un producto:
L(Y1·Y2· ····Y··9) = P(y 1)P(y2) ... P(y,.)
o
Si, en un experimento binomial con n =5, obtenemos y =2, entonces la vero-

similitud es simplemente la probabilidad de dos éxitos en cinco ensayos tomada
como una función de la probabilidad de éxito desconocida de la población, 7t.
7.) Ese.madores de mhima veros1m1htud (r)) 287
EJEMPLO 7. 1 1 Suponga que, independientemente de los que sucede el resto de los días, el número
de trabajos que llegan en un día o un taller mecánico tiene una distribución de Pois-
son con media desconocidaµ. Suponga además que el primer dfa de la muc'itra lle-
go sólo un trabajo y que el segundo (y último} día llegan cuatro. Escriba la función
de- verosimilitud.
Solución Recuerde que Ja distribución de Poisson es discreta con
µ'
P()') = t-•-
y!
Los valores observados son y 1 "" 1 e y 2 =4. Lo verosimilitud es
que se puede reducir a

s
t(l,4,µ) = e- 2" ~4 !
•
Estimación máximo verosímil de O

Pora valores observados en una muestra y 1• y 2 , ••• , y"' Ja estimación máximo vero-
símil de un parámetro Oes el valor fJ que maximiza la función de verosimilitud
L(Y1.Y2· ... • y", 8). •
En un experimento binomial con n = 5 e y; 2, la (.'Stimac16n máximo verosí-

mil de 1t es (de acuerdo con Ja tabla 1 del apéndice) igual a O 40.
EJEMPLO 7.12 Remítase a la función lle verosimilitud que se encontró en el ejemplo 7 . 11 . Indique
cómo podríamos utilizar uno tabla de probobilidades de Poisson para enc(lntrar la
estimación máximo verosímil deµ.
Solución La verosimilitud que se encontró en el ejemplo 7.11 es el producto de las probabili-

dades de Poisson de obtener y 1 "" 1 e y 2 - 4. Utilizando la tabla 2 del apéndice, po-
demos c:ilcular estas probabilidades y obtener lo siguiente:
I' 2.3 2.4 2.S 2.6 2.7

P,111 .2306 .2177 .20S2 .1931 . lll Is
P,(4) .1169 .1254 . l.H6 .1414 141(1(
/.(J. 4, JI) .0270 .0273 0274 0273 0270
El valor deµ que maximiu¡ la función de \Crosimilitud es 2.5. Así, la estima-

ción m;\ximo verosímil es ji ""2.5. •
En principio. siempre es posible encontrar estimadores de máxima verosimi-

litud calculando numéricamente la funcíón de verosimilitud. No obstante, con fre-
cuen¡ia es más fácil uti lizar el cálculo diferencial para encontrarlos. Recuerde
ustea que para determinar el máximo de una fu nción se iguala a cero la primera
derivada y se resuelve la ecuación que de ello resulta. En principio se debería uti-
li1.ar el criterio de la segunda derivada para asegurarse que lo que se obtiene es un
máximo, no un mínimo. No obsUUlte, es muy claro que la solución de la ecuación
correspondiente a la primera derivada produce un estimador de máxima verosimi-
litud, no un mínimo.
En los problemas de verosimilitud, con frecuencia es más com eniente traba-
jar con el logaritmo natural de la' erosimilitud que con l:i verosimilitud misma. En
\ irtud de que el logaritmo es una función creciente, a medida que la verosimilitud
se incrementa hacia su máximo, también lo hace su logaritmo. Por ejemplo. consi-
de re nuevamente un experimento binomial con n =S e y - 2. La verosimilitud es
., 5! 2 3
L( ... n)-= !)! n (1 - tt)
2
Si denotamos la función logarítmica de la verosimilitud como /(2, n), tenemos que

/(2.n) = log(5!l- log(2!3!) + 21ogn + 31og(I - n)
Igualando la primera derivada a cero:
2 3
---==O
n 1-n
La solución de esta ecuación es ñ=215 - 0.40. Por lo tanto. el cálculo diferencial

proporciona la misma estim:ición máximo verosímil, it = 0.40, que la calculad:i
con m¿todos numéricos.
EJEMPLO 7. 13 Remítase al ejemplo 7.11. Encuentre la estimación má.ximo verosímil deµ utilizan-
do el cálculo diferencial.
Solución Nuevamente, lo mejor es utilizar el logaritmo de la verosimilitud. En el ejemplo

7.11 encontramos que
s
L(l ' 4 ,µ ) --e -2,.L
1!4!
de modo que el logaritmo de la verosimilitud es

/(1.4.µ) = -2µ + 51og(µ)- log(l!4!)
Igualando a cero la primera derivada, obtenemos la ecuación
Seccoon 7 3 E1erc1c1os 289
de modo que la estimación máximo verosímil deµ esµ = 512 2 5. Una vez más.
el resultado que se obtiene con el cálculo diferencial concuercfa con el resultado
que se encontró numéricamente. •
Un problema importante en la teoría estadística consiste en estimar la media

poblacional µbasándose en una muestra aleatoria tomada de una pohlación normal.
La distribución normal se hasa en una variable aleatoria continua con densidad
El logaritmo de la !'Unción de verosimilitud de una muestra alcatona tomada de una

población normal se puede encontrar por medio del álgebra. Éste es
Para cualquier valor especifico de (T, digamos 3.72. la deri\'ada del logaritmo de la
veros1m1litud con resrccto aµ es
{}' - µ)
o+ o+¿ ~.122 ( o
1-.l estimador de máxima verosimilitud o;c encucntr.i rl.'sol\'iendo la ecuación que se
obtiene al igualar esta expresión a cero
'(}', µ) o
i...,3}22
Una forma de ver que µ - y es la solución de esta ecuacit'ln es ohsen ando que
t(y, - .v) =O. Obviamente, la elección de cualquier valor particular de a es irre-
levante para el cálculo del estimador de máxima verosimilitud de µ; nuestra elec-
ción de a 3.72 fue arbitraria y no tuvo ningún efecto en los cálculos 1 n gener.il.
cuando la distribución de la roblación es normal. la media muestral es el estimador
m:is diciente y tamhién el estimador de máxima \'Crosimilitud . /\si, saht!mos 4ue
cuando la población es normal, la media muestra! es un estimador de múxima ve-
rosimilitud de la media pohlacional y tarnhh!n, que la proporción muestra! es el es-
timador de máxima \erosimilitud de la probahilidad de éxito cn'un experimento
binomial.
SECCI Ó N 7 .3 EJERCICIOS
7 .18 Con frecuencia es factible suponer que loi; tiempos >'¡. Y~ . ... entre las llegadas de
clientes a una tienda tienen una d1 ~1r1h11ción cxpo~ncial negativa.
f,,(y) = º(' .,
Utilizando un proceso similar al de las distribuciones discrela.S, podemos encontrar

ert este caso el estimador de máxima verosimilitud para una muestra de n observa-
ciones y 1, y 2, • •• , y~ maximiundo la verosimilitud
Suponga que una muestra de tamai'\o n • 4 nos da
y 1 = 2 4, y1 .:: .8, y, .2, y., = 4.6

a. Demuestre que para 9• 0.S, la verosimilitud es (0 ..5)4c 4 - 0.00114.
b. Construya una tabla de "erosimilitudes para este problema. con
o- .1, .2• .3. .4, . .s•.6• .7.. 8, .9. lo

(Necesitará una calculadora que maneje valores exponenciales.)
c. ¿Cuál piensa usted que es la estimación de máxima verosimilitud de 8 en esta
situación?
iJ 7. 19 a. Utilice el cálculo diferencial para demostrar q:JC el estimador de máxima verosi-
militud de 9 en el ejercicio 7. 18 es iJ - 0.S.
b. Dcmuestre que para una muestra de tamallo n tomada de la distribución expo-
nencial negativa, el estimador de máxima verosimilitud de 9 es
l
o- ... -¿11-r.= r
7 .20 Una expresión de la función de densidad logarítmica normal está dJda por la si-
guiente función matemática:
/.(y)• _l_ c 1n(C1ou1-•I',

,/hy
donde 7t .. 3.141.59 ... y log y es el logaritmo natural de y . Suponga que una mues-
tra de tamai'\o 2 nos da y 1 = 4.28 e y 2 = 4.69.
a. Utilice una calculadora que maneje logaritmos naturales para verificar los si-
guientes valores.
Sugerencia: la verosimilitud paran"' 2 observaciones es
(- -1- e - 11111• . , • . ...e -111t1•01-•1•)

l•Y1.Yz
(J. 1.2 1.3 14 1.5 16
Verosimilitud: 00723 00760 00783 00791 00783
b. ¿Cuál es la estimación máximo 'erosimil de 9, según estos valores?

i} 7 .21 a . En el e1ercicio 7.20, utilice el cálculo diferenciill para maximizar la verosimili-
tud.
b Demuestre que para un n general, el estimador de m:lxima verosimilitud de 8 en
la función de densidad logarítmica nonnal es
•
os=-1•_•¿ _togy,
_
11
.
Sugerencia: para maximinr la verosimilitud, minimice
¿ ººª r. - nil
1. 1
Re-sumen 791
7.22 La función de den~1dad de Laplace

/,(y) • .St 11-fl
se compara con una distribución nonnal, simétrica en tomo al valor de 9, pero tien-
de a presentar valores atípicos. Suponga que cinco observaciones tomadas de una
densidad de Laplace nos dan y 1 - 2.6, y 2 = 5.1, yl 4.7. y~,. 9.6 e Ys 5.0.
a. Encuentre la media y la mediana de los datos muestrales.
b. Calcule la función de verosimilitud cuando 9 es igual a cada uno de los valores
que se encontraron en el inciso (a).
c. ¿Puede ser la media muestra! el estimador de mbima verosimilitud de una po-
blación de Laplace? Explique su razonamiento
Resumen
•
Este capitulo es el primero que se dedica a hacer inferencias acerca de la población
(o proceso) subyacente basándose en los datos de la muestra. En él se introducen
algunos principios para elegir buenos estadísticos que resuman la muestra. Hay dos
criterios fundamentales: Los estadísticos deben ser insesgados (ser correctos en el
promedio) y deben ser eficientes (tener la menor variabilidad posible y, por consi-
guiente, el error estándar más peque~o posible). La ele<:ción del mejor estadístico
depende de las hipótesis que se hagan acerca de la población o del proceso subya-
cente. Por consiguiente, las gráficas de los datos son extremadamente útiles para
seleccionar estimadores razonablemente buenos.
La noción de eficiencia se puede aplicar al considerar muestras con reempla-
zamiento o sin él. Los resultados indican que tomar muestras sin reemplazamiento
es mós cticicntc. pero por un margen 1nsignificantc en la mayona de los casos. Los
resuh3dos también indican qu~ el tamai\o 3bsoluto muestra! es el factor primordial
al determinar la precisión de la estimación; y que, sorprendentemente, la fracción
de ta población de donde se toma la muestra tiene muy poca importancia.
FÓRMULAS PRINCIPALES: Est1mac1ón puntual
l. Estimador inscsgado (} del parámetro 9.

E(O) :e: o
2. Error estándar de Y
<1
muestra con reemplaz.amiento: ª1 .. J;
muestra sin reemplazamiento: 11, - j;; JZ =;

3. Función de verosimilitud:
L(y 1 ,y1 , •.•• y.,6) = P(y 1)P(y1 )- · · P(y,,)
Para variables 3leatorios continuas, reemplace 13 probabilidad P(y,) con la
función de densidad./tv,).
Bajo hipótesis muy específicas acerca de la distribución de Ja población subya-

cente, se pueden encontrar estimadores eficientes e insesgados por el método de
mi.xi~a verosimilitud. Este procedimiento pennitc encontrar el valor del parámetro
de la población que maximiza Ja probabilidad de obtener los datos que en realidad
se obtuvieron.
CAPITuLO 7 EJERCICIOS
7.23 Una aplicación del método de Montecarlo incluye 5000 muestras, cada una de tama-
rto 30, de una población con colas anchas que tiene una media de 300 y una desvia-
ción estándar de 25. En cada muestra se calculan la media, la mediana y la media
truncada ni 20%:
Estad lstico Media Medianii Media tnsncada

Valor promedio 298.91 300 74 299 09
Varianu 3S.79 41.27 28.47
a. ¿Resultan insesgados o casi insesgados los estimadores?

b. ¿Qué estimador parece ser el mis eficiente'!
7.24 Se toman muestras de tam<mo 30 de una población exponencial que tiene media r.
Recuerde, del capitulo 5, que la distribución exponencial es asim~trica hacia la
derecha.
1 e.Deberían ser la media, la media truncada y la mediana mucstralcs estimadores
in csgado-; de la media poblac1onal?
b. Los valores promedio (de 1000 muestras) de estos tres est1madorcs son 1.0026
para la media, 0.8489 para la media truncada y 0.7149 pora la mediana. ¿Con-
cuerdan estos resultados con su respuesta al inciso (a)?
7.25 Se toman muestras de tamarto 60 de una población simetrica. ~ro con fuene ten-
dencia a los valores atípicos, que tiene media cero y desviación estándar 9.95. En la
figura 7.5 se muestran diagramas de caja de las medias, medias truncadas y media-
nas resultantes.
a. e.Parecen ser insesgados los estimadores?
b. ¿Deberla ser la media muestra! el estimador más eficiente de la media poblacio·
nal cuando se toman muestras de esta población'?
7 .26 A continuación se muestran los promedios y las desviaciones estándar de los tres es-
llm:idorcs del ejercicio 7.25:
Estimador Promedio Desviación cstindar

Media -.028S l.JI6S
Media truncad3 0014 J6Q9
Mediana .0003 .3262
¿Son consistentes estos resultados con sus respuestas al ejercicio 7.25?

7.27 Se va 1 tomar una muestra aleatoria de SO observaciones de una población de inte-
rés. e.Bajo qué distribución muestra! preferirla usted utili7.ar la mediana muestra! en
293
o
.. ·-·--1 11 1 - - - - -- - ••
media
media truncada al
·+ -·
so•.
me dia na
·+ -
-6 .20 -4.68 ·3.16 ·1 .64 ·0.12 1.40 2.92 4 .44
FIGURA 7.5 Diagramas de ca1a de tres estimadores: población prope nsa a valores atípicos.
n=60
vez de la media muestra! como un.i estimacíón del "centro" de la población? En

cada caso, explique por qué prcfcrirfa utilit."1r la mcdi:ina.
7 .28 Se toma una muestra de 400 individuos de la población de todos los individuos en
E~tados Unidos que tienen licencia para conducir. El propósito del estudio es deter·
minar si conocen un nuevo producto. Ila} muchos millones de personas en la pobla·
ción; una muestra de 400 es tan sólo una fracción microscópica de ella. Por
consiguiente, podemos oirgumentar que l:i mue~tra no puede m siquiera dar una es-
timación precisa de la proporción de indi' iduos que tienen conocimiento del pro -
ducto. ¿Es éste un argumento \:ilido?
7.29 Un estudio proporciona dos variables ale:itorias. Y1 e }'~ . Cada una de ellas tiene va-
lor esperadoµ, la media pohlacional de interés. 1.a variam'."1 de Y1 es 2 y la de Y2 es
8. Se (lTOponen tres estimadores:
1i, _. .5 Y, + 5 Y1
¡,I .:? Y, + .ll )'!
til = .8 Y, + .2 Y2
lJ11licc las propiedades de los valores esperados que analitamos en el capítulo 4

p:.m1 determinar cu:il de estos estimadores es insesgado.
7 .30 ¿C~I de los estimadores del ejercicio 7.29 tiene la vari:in7.a más pequella? lltihce
las propiedades de las varian1as que analizamos en el capítulo 4. ¿A qu~ \.inalile
:ileatona se le debería ~r un peso mayor, a la que tic:nc la varian1.a más grande o a

lj que tiene la varian7..a mós pcquei\a?
7 .31 Una compañia de servicios que administra comedores c:n distintas compañías prue-
ba un nuevo procedimiento para Ja licitación de contratos CadJ un¡¡ de las cuatro
oficinas de la compaftia utilit.41 el procedimiento hasta g;inar tres licitaciones. La
oficina 1 n:4uicre 7 de ellas. la 2 requiere 9, la 3 requiere 6 y la 4 requiere 14 lici-
taciones. Podc:mos suponer que a la \;ir1able Y número requerido de llc1taciones i;e
le puede aplicar una d1stribuc1ón binomial negativa (capítulo 5). Recuerde que pilril
la distnbuc1ón binomial negiltiva.
P.() (y-1)! 11
'(I )'•
' }' - (k - l)!(y - k)! - JC
donde k número de éxitos que hay que obtener y Ir es la probab1lid:id de éxitos.

a. ¿Cuál es el valor de le en este problema?
b. Calcule la verosimilitud de los resultados obtenulos pilra tr • 0.1 O. 0 .20, O.JO,
0.40, 0.50.
14TB > pr lnt •sal es'
sa les
100. 11 98 .2 99 .9 99 .S 100.1 100 . 1 100.7 103 . 9 80 . S
99 .9 100 . 0 911 . 3 142.l 101.3 98 . 2 98 . 2 98.7 93 . 2
101.8 93 . 6 101.2 99 . 7 91 .7 100. l 119. 4 99. 3 101 . 6
84 .0 100.5 100. 3 99.1 99.6 100. 1 100 . 2 102. 1 100 . 2
100 .9 99 . 5 104 .8 102 . 7 109 .3 98 .0
14TB > descri be •sales '
N MEAN HEOIAN TRMEAN STOEV SEHEAN

sales 42 100. 71 100. 10 100.09 8 .61 1.33
HIN HAX 01 03
sales 80 .50 142 . 30 911 .60 101.22
14T8 > hist ogr11111 of •sa les'
HiStOiJr8111 of sales N = 42
Hidpoiot Count
80 1 •
85 1 •
90 o
95 2 ••
100 32 ••••••••••••• •• • ••••••••••••••••
105 3 •••
110 1 •
115 o
120 1 •
125 o
130 o
135 o
140 1 •
• Noto. soles • ventas.

Sahda de M1n1tab para el e jerc1c10 7.35
Ejerc1ct0$ 295
•
140•
sel es
120•
... . •
•
••
•
80• •
········+·····-···+·········•·········•·········•········nacorea
· 1.60 ·0. 80 0.00 0.80 1.60
FIGURA 7.6 Diagrama normal para los ejercicios 7.35-7.36 Minitab para el ejerc1c10 7.37
c. ¿Cuál de estos valores de tr parece ser el más cercano al estimador de máxima

\erosimilitud?
d 7.32 Utilice el cálculo diferencial en el ejercicio 7.31 para encontrar el estimador de
máxima verosimilitud de rr.
7.33 Una compailfa de seguros utili.ta l:i distribución de Pareto
como la supuesta distribución de probabilidad de Y= importe (en miles de dólares)

de los pagos por liquidacióo de seguros de responsabilidad civil. Para una clase de
póli1.as, tre'> reclamos de pago proporcionan y 1 -= 0.82, y 2 - 0.63 e y 1 • 7 .55.
a. Escriba una expresión para la \ erosimilitud como una función de 6.
b. Calcule la verosimilitud para 8 1, 2 y 3. ¿Cuál de estos tres valores de 9 lc pa-
rece más cercano a la estimación máximo verosímil?
iJ 7.34 En el ejercicio 7.33, utilice el cálculo diferencial p:ira encontrar el estimador de
máxima verosimilitud de O. ¿Cómo se generali111 la respuesta para cualquier mues·
tra de tamaño " tomada de una población con distribución de Pareto?
7.35 Una c:idena de 1.apaterías fija un presupuesto de ventas para cada tienda. Se reunen
Jos datos de las ventas reales de una muestr:i de tiendas como una fracción de las
ventas presupuestadas.
Estos dalos, procesados con Minitab. son Jos que se muestran en la página anterior:
a. Localice Ja media y Ja mediana muestrales.
b. ¿Cuál de estos valores debería ser una mejor estimación de la media pobla·
cional?
7.36 l:n la figura 7.6 se muestra un diagrama normal de los datos del ejercicio 7.35.
a. ¡,Qué indica la forma del diagrama normal acerca de Ja forma de los datos
de Ja muestra?
b. ¿Confirma el diagrama normal su respuesta al inciso (b) del ejercicio 7.35'?
7.37 Un represeotantc de un productor de café mide la fracción dedicad::i a su marca en
las eslanterlas en que se exhiben todas las marcas. Obtuvo los siguientes resultados:
HTB > pr int • fr• ct fon'
f r ac t t on
o. 157895 0. 160000 o. 105263 o. 142657 0.250000 0 . 166667 0.2 10526
o. 142857 0. 200000 0. 200000 o. 160000 0. 210526 o. 142857 o.2212n
0.090909 0.1 25000 o . 142857 o. 142857 0.21 0526 o. 130435 o. 136361.
0.269231 o. 13636' o. 176471 o. 2212n 0. 120000 0 . 176471 0. 210526
0.238095
0. 130435
0 . 210526
o. 192306
º· 111111
0.187500
0. 187500
0. 210526
o . 142857
o. 117647
0.095238
0. 200000
0. 210526
0 . 125000
0 . 230769 o . 190476 0 .062500 o. 166667 0.083333 0. 142857 0.150000
o . 153846
MT8 > t t 9m and lttf of •f rec tíon•
Sttm·•nd· l ••f of fr ac t lon N • 50

Lttf Un l t • 0.010
, o 6
4 o 899
7 1 011
14 1 2223333
24 1 4444444555
(6) , 6666n
20 1 8899
16 2 0001111 111
6 2 2233
,
2 z
z
5
6
HTll > duc rlbt 1 f r1et l on•
N HEAM HEOJ.AM lRHEAll STOEV SE MEAN

fr ect l on 50 0.16623 o. 16000 o. 16631 0.0461.4 0.00657
MIN MAX 01 03
f r ect l on 0.06250 0. 26923 o. 13488 0. 21053
¿Hay algun3 razón para pcnsM que la media muesmll es un esum:idor ineficiente de
la media poblacional?
7.38 En la figura 7.7 se muestra un diagr:ima normal de los datos del ejercicio 7.37.
¿Confirma la forma del diagr;ima normal su respuesta al ejercicio 7.37?
7 39 Una compaJ'lla que alquila teléfonos celul:ires p:ira automóvil cst;i interesada en l:i
cap:icidad crediticia de sus clientes. Si los pagos dc:I alquiler no se hacen a uempo
(o simplemente no se hacen). la compaJ'lia sufre cu:intiosa~ pérdidas. En general, al-
rededo r dc:I 11 % de los alquileres presentan problemas crediticios. La compaJ'lia ha
decidido ensayar un sistema de registro de créditos para e\aluar a sus futuros clien-
tes. l· I s islcma utili;;a información contahlc de los clientes. tal como el cociente ca·
pital de trabajotgasto; med idas d e la cst:ibilidad del cliente, como el numero de aJ'lo~
en su dom icilio actual, y medidas de la estabilidad de la industria del cliente, como
la variabilidad de las utilidades de un aJ'lo a otro. Toda esta información se combina
para obtener una calificación: mientras mis alta sea éiaa más fiable será e l cliente.
La eompai\ia quiere hacer una estimación del 11 percentil ele la población de sus
cliente s actuales con este sistema de ealiíieaciones, pues planea utilizar dicha cali-
ficación como un limite para otorgar los créditos.
297
" T8 > plot 'f ract ion' vs •nscores•
0.280+
•
fr 1ct ion-
•
2•
0.210+ 7
2 3
z2
2
2•2
o. 140• 2 7
• 22
•••
•
• •
0.070•
•
········•···-·--··•·········•···-·--··+·········•········nscorea
- 1.60 -0. 80 0.00 0.80 1.60
FIGURA 7.7 Diagrama normal para los ejercicios 7.37-7.38
l.a base de datos computadori1..a<la de la empresa no tiene toda la información

que se requiere, de modo que un empleado de la oficina deberá dedicar algún tiem-
po para reunir la información relativa a cada cliente. Para alcan1ar los resultados
dentro de un tiempo ra.wnablc. la compar'lí:t planea e\•aluar una muestra aleatoria de
400 clientes actuales. Se han propuc<;to dos métodos para utili1ar los datos de la
muestra y evaluar el 11 percenlll Uno con<>1<;tc simplemente en utili7..ar el promedio
de lo<; registros cuadragésimo cuarto y cuadragésimo quinto. ordenados de menor a
ma) or l·ste método garantii..:i.rá que 44 ·400 de los registro\ <le la muestra, que es el
11° o. est..irán por debajo dt!I percent1I estimado. El segundo método utili7.a el hecho
de que el 11 pcn.:entil de una distribución: (normal estandarizada) es -1 .23; este
método utilil<l la media muestra! menos 1.23 desviaciones estándar como una esti-
mación del 11 percentil de los registros.
a. Si la distribución de los registros de crédito correspondiente a la base de datos de
los clientes es realmente normal. ¿qué método esperaría usted que diese la mejor
estimación? ¿Mejor en qué sentido? ¿Por qué piensa usted así?
b. (.Qué métoJo piensa usted que será .más robusto si no se cumple la hipótesis de
que la distribución es normal?
c. llay una raLón para esperar que la distribución de los registros de crédito len-
dri muchas compa"ías en Jos niveles KO y 90 (donde 100 es el máximo registro
posible), algunos registros en los 60 y 70 y unos pocos en niveles tan bajos como
20 y 30. Si suponemos que éste es e1 patrón general, ¿cuál método es prefe-
rible? ¿Por qu~?
7.40 lln programador que ofrece sus servicios a la compaMa del ejercicio 7.39 promete
escribir un programa que incorporaría las distinus hipó1csis acerca de la distribu-
ción de los registros del crédito en la base de d.ilos de clientes de la empresa. El
programa simularía muchas muestras de tama"o 400 y obtendría estimaciones del
11 percentil con base en ambos métodos. ¿Cómo se podría utilizar la salida de este
programa para seleccionar el método? ¿Que cifras sumarias de las estimaciones si·
muladas serian útiles parl. tomar una decisión?
7.41 La compailla de alquiler de teléfonos del eje:-cicio 7.39 quisiera obtener una mues·
tra de los registros de crédito de 400 climtcs. Los datos se utili7.arian para estimar
no sólo el 11 perccntil, como en el ejercicio 7.39, sino también para estimar la mc-
'ttia. Como una "estimación h1potetica", la compai'Ua ~upone que la desviación es-
tándar de los ~gistros de 18,000 chentcs es alrededor de 12.0
a. Calcule el error estándar de la media mucsr.ral suponiendo un muestreo con reem·
pla7.amiento. llaga el mismo cálculo suponiendo que la muestra se toma sin él.
b. Oe hecho, ¿cómo deberla llevarse a cabo el muestreo? ¿Qué t:in gr.lnde es la di-
ferencia?
c. ¿Se deheria preocupar la compa"ia porque la muestra sólo toma en considera-
ción a menos del 3% de sus clientes?
7.42 l'n anísta hí10 cieno número de impresione~ de una litografia ~ de«pue-; deo;trU)Ó la
plancha. Nunca se re ..eló el número total de impresiones, pero cada copia tenia un
número de serie. lJn corredor de obras de arte se dio cuenta de que el 'alor de cada
copia dependi:l en gran medida del número que se hubiese hecho. También dcscu-
hrtó que las cuatro copias que se encontrahan en ese momento a la venta tenían nú-
meros de serie y 1 14, ) 2 • 4. l ¡ =21 e l '4 = 11. Parece rvonable rnponer que toda~
las copias tienen 13 misma probabilidad de estar a la \cnta, de mod(l que la d1-;1ribu-
ción del número de serie }' deheria ser uniforme:
P,(y)-= 110. para }' .. 1. 2•.. .•O
donde 9 es el número desconocido de copias que se hicieron. (Por supuesto. es im-

posible tener un numero de serie mayor que el número de impresiones hechas.)
a. Calcule la verosimilitud de los números de serie observados para 8 = 25. 24. 23,
22, 21 y (atención) 20. Aun cuando los números de serie en realidad no son in-
dependientes (en efecto, la muestra se ha hecho sin reempla7.amiento), en este
caso no se perderá nada importante si supone que lo son .
b. ¿Cuil parece ser la estimación mbimo verosímil de ff!
7.43 a En el problema de los números de serie del ejercicio 7.42, ¿cómo se generali7..a el
estimador de mbima verosimilitud al caso den números de serie ~· 1 • v, .... >'?
Aunque no concuerde con los hechos. usted puede '>uponcr que ha) indercndenc~a
entre los numeros. )a que ello no tiene ninguna imponanc1a en este problema.
b. ¿Es ~te un estimador inscsgado? Usted no deheria reali1ar ningún cálculo mate-
mittco para responder a est.i. pregunta
7.44 Fn el e1ercíc10 6 51 usted obtuvo 100 muec;tras. cada una de tamaf\o 12, de números
aleatorios que e<;taban distribuidos uniformemente entre O y 1. Introduzca los datos
de esas muestras a un programa de computadora o. en su defecto, obtenga un nue-
vo conjunto de 100 muestras.
a llaga que el programa calcule la media> la mediana de cada muestra. Encuentre
el promedio de las medías y el promedio de la-; medianas. <.Parecen i;er insesga-
dos ambos cstadisticos?
b. llaga que el programa calcule las desviaciones estándar de las media<; y las me-
dianas. "Qué estadístico parece ser más eficiente en est:i situación?
estimación
En el estudio de caso del capitulo 6, usted desempeM el papel de un empleado de

una compailia telefónica que estaba considerando tomar muestras entre sus clientes
par:i. estimar la califkación promedio en un sistema en el que <;e valorad mereci-
miento de créditos. Dicha comp:ii\ía ha decidido tomar una muestra de 200
299
empresas (usuarios que no son individuos) de la lista de clientes actuales. No obs-

tunte, alguien se dio cuenta de que lo que importa no es la calificación promedio
sino la calificación que indica problemas potc:ncialcs para pagar las deudas.
Específicamente, la compafüa m:ccsita estimar el 8 percentil de las califica-
ciones. pues cerca del 8~o de sus clientes tienen problemas de paso. Como el 8° o
de 200 es 16, una estimación obvia es la decimosexta calificación más baja de la
muestra to tal vez el promedio de Ja decimosexta> la decimoséptima). Su ayudan-
te arguye que una muestra de tamaño 200 es sulicientc:mentc grande como para su-
poner que los datos son normales, de modo que usted dc.:bcría obtener la media y la
desviación estándar muestr.ll y estimar el 8 perccntil como 1.41 desviaciones están·
dar por debajo de la media. Sin embargo, su ayudante sigue creyendo que la muc:s-
tra es una fracción muy pequeña de los 80,000 clientes de la compañía.
Escriha un breve memorándum para su U) udante, respondiendo a sus ideas.
Como) a ~e hahrá dado cuenta, su ayudante no fue un estudiante estrella de estadís-
tica, de modo que usted deberá explicar .. u r.lzonamiento con claridad.
•
CAPÍTULO
8 ESTIMACIÓN POR INTERVALOS
En el capítulo 7 el análisis se centró en un tipo de inferencia estadística: la estima·

ción puntual. La tarea consistla en hallar el mejor número para el valor del paráme-
tro de una población. Los métodos que desarrollamos en et capitulo 7 no incluyen
ninguna indicación explicita del probable grado de error. Es por ello que en este
capitulo vamos a desarrollar métodos que nos permiten no sólo encontrar la mejor
estimación del valor de un parámetro, sino también el pro bable grado de error en la
estimación. Los métodos que estudiaremos permiten determinar tanto un valor ais-
lado que sea la mejor estimación del parámetro de una población. como un interva·
lo de valores razonables para dicho parámetro. Dado que estos procedimientos
proporcionan todo un intervalo numérico de valores posibles para un parámetro, se
les llama métodos de estimación por intervalos.
En este capítulo nos basamos en los métodos de estimación puntual del capítu-
lo 7 para desarrollar la estimación por intervalos para los parámetros. Una vez que
hayamos especificado algunos procedimientos de carácter general, nos ocuparemos
Je algunos métodos espec íficos para los parámetros más impo rtantes, tales como las
medias) proporciones poblacionales. En la sección 8. 1 se presenta. el concepto gene·
ral Je intervalo de confianza, dándose la casualidad de que el análisis se lleva a cabo
en términos de las medias. En la sección 8.2 se extiende dicho concepto al problema
de la estimación de úna proporción. En la sección 8.3 volvemos al problema básico de
la planificación de estudios estadísticos: ¿ De qué tam:u1o necesita ser la muestra para
lograr una precisión dctermi nada? La sección 8 4 contiene la teoria básica de la distri-
bución t de Student. una distribución de uso general para la determinación de interva-
los de confianza y el desarrollo de otros t ipos de inferencias estadísticas. En la
sección 8.5 se analizan las consecuencias de la aplicación de la d istribucí~\n t de Slll-
dcnt a los problemas relativos a los intervalos de confianza. En la sección 8 6 analil,.a-
mos las hipótesis subyacentes a los métodos de estimación por intervalos. las
consecuencias de violar dichas hipótesis. y los métodos para detectar el incumpli-
miento de las mismas. En la sección 8.7 analizamos la estimación por intervalos para
la mediana de la población, en contraste con los métodos para la media, y en Ja sec-
ción 8.8 utilizamos los intervalos de confianza para estimar la desviación estándar.
300
l
81 101
ESTI MACIÓN POR INTERVALO S D E LA MEDIA PO BLACIO NAL

8.1 CO N DESVIACIÓN ESTÁNDAR CO NOCIDA
'
Las ideas presentadas en el capítulo anterior analizan la estimación puntual: encon-

trar la mejor estimación de un parámetro poblacional. Es casi inevitable que tales
rango prohablc c~timaciones tengan algún grado de error. La especificación <le un ran20 proba-
ble del parámetro, en el que se indica el margen de error con un doble signo más-
menos, es crucial para indicar cuán confiable es una estimación. Un enunciado
como "la tasa estimada de respuestas es 28%" es menos útil que uno como "la tasa
estimada de respuestas es 28% ± 2%", pues 28% ± 2% indica una estimación mu-
cho más fiable que 28% ± 15%. En esta sección uuliLarnos la idea de una distri-
estima ción por bución muestra! para construir una estimación po r intervalos de una media
inte rvalos poblacional. Más adel:inte en este capitulo analizaremos los intervalos de confian-
za para las proporciones.
Es más fácil introducir la idea con un ejemplo. Suponga que se toma una
muestra aleatoria de tamai\o 36, y que la distribución muestra! de Y es normal. • (Si
se puede asumir que la población es simétrica, se debe utilizar el Teorema Central
del Límite.) Como ilustración, suponemos que la desviación estándar poblacional es
18.0. El valor esperado de fes la m~ia de la población µ, el.J!._arámetro que que-
remos estimar, y el error estándar de Y es cr, = C1 ./ñ = 18/ ./36 =3 . Con base en
las propiedades de una distribución normal. hay un 95% de posibilidades de que Y
se encuentre a menos de 1.96 errores estándar deµ (vea la figura 8.1):
P[µ ,.... 1.96(3) ~ Y ~ µ + 1.96(3)] = .95
Dicho de otra manera: cada vez que la media muestra! observada y se encuentra en
el intervalo µ ± 1.96(3 }, el intervalo y± 1.96(3) contiene a µ. Esto se muestra en
la figuro 8.2. Como la posibilidad de que Y se encuentre en el intervaloµ:!:: 1.96(3)
es de un 95%, la posibilidad de que el intervalo Y± 1.96(3) contenga aµ es de un
95%. En la práctica, por lo general, sólo tomamos una muestra de la población de
interés. El intervnlo y± 1.93(3) que construimos utili1.ando la medio muestra! ob-
intc nalo d e con- servada se llama internlo d e confianza al 95% para µ,
fianu al 95%
paraµ
µ - 1 96(3) µ µ + 1.96(3)
FIGURA 8.1 D1stnbuc1ón muestra! de Y
• Nuevamente, ut1hz.arnos leins mayüsculas para las variables aleatorias y lctta.s minúsculas ¡art loa v1·
lor~s correspondientes. Asl, cuando planeamos tomar una muestra, consideramos probabilidades 1cer·
ca de Y. Cuando la mucstr1 nos proporciona los valon:s 90, 96, 100 y 106, y• 98.
302 8 ESTIMACION POR INTERVAl.05
'
µ 11 + 1.96(3)
y. 1.96(3)
y+ 1 96(3)
FIGURA 8.2 D1stnbuc1on muestra! de Y
La f<.'>rmula general para el intervalo de confianza de una media poblacional

se deriva de la misma manera. Dicha fórmula es exacta sólo cuando la distribución
de la población es normal y se conoce la desviación estándar de la población. No
obstante, cuando la distribución de la población es simétrica o ligeramente asimé-
trica, la aproximación que nos proporciona es excelente para tamaños mucstrales
iguales o mayores a 30.
1ntervalo de confianza al 100( 1 - a)% para ¡i. con a conocida
Y- =1111"r S: µ ~ Y+ z.,2"r
donde u, = u/ Jñ y za12 es el valor tabulado que tiene un área igual a (1)2 en la
cola derecha Je la distribución normal estándar o tipificada.
•
EJEMPLO 8. 1 Una aerolínea necesita estimar el numero promedio de pasajeros en un vuelo de re-
ciente apertura. Su experiencia es que los datos del primer mes de vuelos son poco
fiables, pero que despucs el número de pasajeros se estabiliza. Por consiguiente, el
número medio de pasajeros se calcula con base en los primeros 20 días hábiles del
segundo mes después de haber iniciado los vuelos (considerados como una mucstr:i
aleatoria de 20 días tomada de una población hipotética form::ida por los días entre
sem;ma). Si la media muestra! es 112.0 y se supone que la desviación estftndar de la
población es 25, encuentre un intervalo de confianza al 90% paro el numero medio
verdadero de pasajeros del vuelo, en el límite .
Solueton Suponemos que la hipoh!tica población del número de pasajeros diarios entre semana
no tiene un sesgo considerable. En tal caso. la distribución muestra! de Y es aproxi-
madamente normal y los resultados del intervalo de confianza son bastante correctos.
aun para un:i muema de sólo 20 días. Para este ejemplo, y 112.0. a;:: 25, y
81 Esumaoón pe< intenr~os de la media poblaoc>Nll con desv1ac160 ~itandar coooc1d1 303
CJ, =
CJI ./20 = 5.59. En tal caso, para un intenalo de confianza al 90%, utili-
zamosz0.os - 1.645 en la fórmula para obtener
112 ± 1.645(5.59), o 102.80 a 121.20

Tenemos un 90% de confianza de que la media µ en el límite se encuentra en
este intervalo. •
Hay un pequei\o probkma lógico al interpretar el "90%" de un intervalo de
confianza al 90%. En el ejemplo 8.1 uno se siente tentado a escribir
P(l02.80 s µ :s; 121.20) = .90

pero, tal como se ha escrito, no hay ninguna cantidad aleatoria en la expresión· µ
es una conswnte poblacional desconocida, mientras que 102.80 y 121.20 son sólo
números. Por lo tanto, desde un punto de vista estrictamente lógico, no podemos
aplicar una probabilidad a un intervalo par1icular.
El "90%" se refiere al proc:eso de construcción de Jos intervalos de confianza.
Cada intervalo de confianza o incluye o no incluye al verdadero valor del parámetro
que se estima. En el limite, el 90% de los intervalos así construidos incluye el valor
interpretación d el
poblacional Asi, decimos que tenemos confianza, al 90%, de que 102.80 ~ µ ~
in ten alo cJe
121.20. Esta es una forma abreviada de "el intcnalo 102.80 S µ S 121.20 es el resul-
conlian1u
tado de un proceso que, en el límite, tiene una probabilidad de 90% de ser correcto".
EJEMPLO 8.2 Un estudio de Montecarlo considera 5000 muestras, cada una de tamai\o 40, toma-
das de una población aproximadamente normal. Para cada muestra, se calculan in-
tervalos de confianza de la media poblacional al 90% y 95%. Se lleva la cuenta de
aquellas muc)tras para las que la '>crdadcra media se encuentra por debajo. dentro
o por arriba del intervalo de confianza:
Debajo Dentro Arriba

- -- --- -
lnten·alo al 90~o 236 451'.1 251
lntervalo al 95% 129 4753 118
¿Cuáles son las frecuencias esperadas'! Compare las frecuencias teóricas (espera-
das) con las observadas.
So/ucion Las frecuencias esperadas se pueden encontrar multiplicando las probabilidades

teóricas por 5000:
' .
Debajo Dentro J\rriba
Intervalo al 90° o 250 4500 :?50

Intervalo al 95% 125 4750 125
l ,as frecuencias de la simulación son todas muy próximas a las frecuencias esperada!.•
304 B ESTIHACION POR INTERVALOS
El análisis que hemos realizado en esta sección incluye una hipóte~i ~ poco' ia-
hle: a saber. que se conoce Ja desviación estándar pohlacional. En la práctica. es di-
ficil e~contrar situaciones en las que se descono1ca la media pohlac1onal y se
wno1ca la desviación estánóar. Por lo general. tanto la meJin como la desviación
est:indar se tienen que estimar con base en la mueMra. Como (1 se estima con la
desviación cstanJar muestra!.~. el \erdadcro error estándar de la media. CJIFn. se
estima naturalmi:ntc con si.fñ. Esta estimación introduce otra fuente de error
aleatorio (s varía aleatoriamente, de una muestra a la otra. en torno a a) y, cstricta-
<1u-.tit11cio11 11l'' mente hahl:mdo, invalida nuestra fórmula para i:I intervalo de confian1.a. Afortuna-
r or <l <lamente, la fónnula sigue siendo una muy buena aproximación para muestra!. muy
gr::1ndes. Como regla muy gen,.ral. podemos utilizar esta fórmula cuando n es mayor
que 30;• en la sección 8.S se describe una mejor forma de resolver esta cuestión.
EJEMPLO 8.3 Suponga que la aerolínea del ejemplo 8. 1 torna una mucstr:i de 40 días y encuentra
una media muestra! de 112.0 y una desviación estándar de 25. Encuentre un inter-
valo de confianza al 95% para la media poblacional.
Solución Paro .f - 112, s 25 y n = 40, <J, =25 / ./40 =l95. Así, utili1ando : 0 .025 - 1.96, el
intervalo de confianza al 95% para µ es
112 ± 1.96~3.95) o 104.26 a 119.74 •
SECCIÓN 8. 1 EJERCICIOS
~--~--~----~----------~----~----~----~------------~
8.1 A continuación reproducimos los datos del ejercicio 7 .1 acerca de un.i muestra del
(Xlrccntaje del ingreso bnito que 20 ejecutivos pagaron como impuesto federal sobre
la renta
160 lll I 186 202 21.7 224 22 4 23 1 23 2

!4 1 24 .l 24 7 25.2 25 9 26.3 27.9 2ll () ·'º
4
Supooga que la des\ iación estándar de la población sub}acente es 4.0.
a. Calcule un intervalo de contian1a al QSºó de 13 media poblacional
b. ('alcule un intervalo de confian1.a al 99~o de la media poblacional.
8.2 Dé una interpretación verbal mu} de1allada del intervalo de confianza del inciso (a)
del ejercicio 8.1.
83 Hasándose en la apariencia de los datos del ejercicio 8 1, ¿es razonable suponer que
la distribución muestra! de la media es casi normal? (És1a es una hipótesis subya·
ccnte al procedimiento del intervalo de conlian1.a.)
8 •1 Una re\·ista de negocios toma una muestra de OI'. ,.ersonas encargadas de h;icer pro-
nósticos económicos para bancos regionales. La población es suficicntemen1e gran·
de. de modo que no importa si la muc~tra se tomó .:on o sin reemplaLamiento.
• Rt>sulta que csla rc¡la coincide con una regla cs1~ndar para rccumr al Teorema Ccn1ral del l.lm1tc.
bta úluma sólo es bueAa para dis1ribuc1oncs de población s1métncas o liscramcntc asimétncas
Secc160 8 1 E¡erocios 305
Suponga que la muestra de 90 pronósticos da una previsilin promedio <le un crec1-

m1cnto del 2.7% en el ingreso disponible real) que la dei;\·iac1ón cstin<l:tr de lapo-
blación es 0.4%. Calcule un inte,.,,alo de conliani..a al 90~ó para la previsión media
de la población.
K.5 En una revisión de inventarios. un auditor interno toma un:i muestra de 16 articulos
y determina la "merma" (pérdida debido a robos realizados por clientes y empica-
dos) para cada anículo, en términos de porcentajes. La media de la 1nuci;1ra es 5.8%
> la desviación cs1ándar es 4.2%. Calcule un intcr,alo de contian1a al 95% rara la
media verdadera de la merma.
8.6 ¿Cree usted que la distribución mucstml de Y en el e1ercicio 8 5 sea aproximad:i-
mt'ntc normal?
8. 7 t lna cadena de talleres de "servicios rápidos" tiene un servicio estándar para reali1.ar
cambios de aceite y verificar el funcionamiento básico del automóvil Sus norm:is es-
1ablccen que el tiempo promedio para dar el servicio debería ser 12 .5 minutos por
au1omó.. 1l lla> un:i variabilidad considerable en los tiempos. entre otros motivos, a
causa de las diferencias en el dise1'o de los motores y la carga de trabajo en otras
áreas. La desviación estándar observada ha sido de 2.4 minutos. 1~1 gerente de uno de
los talleres cronometró aleatoriamente 48 tiempos de servicio (-1 diarios durante 12
días). Los datos se analizaron con Minitab. obtenrcn<lose los siguientes n:sulwdos.
HT8 > z1nterval 95X conf1<knce ass11111ng s igma • 2.4 for 't1111eusect•
THE ASSUMEO SIGMA •2.40
N HEAN STOEV SE MEAN ~.O PEACENT C. I .
t1mcused 48 13 . 104 2 . 417 0.346 ( 12.424, 13 .784)
• Nnta l1Mc11tcJ • tiempo u1ili7..ado
a. Escriba el intervalo de confiani..a :11 95% rara la media. Indique qué significa la
cifr:.i del 95%.
b. ¿ Indica este intervalo que la media de este taller d11im: de los 12.S minutos del
estándar?
R.8 Tamb1~n se calculó con Minitab un intervalo de confianza al 90•1o para la media uti-
li1ando los mismos datos que en el ejercicio 8. 7.
MT8 > i i nterval 90X conf1~nce essi.níng s1 g11W • 2.4 f or •t1~us ect •
THE ASSUHED SICMA =2. 40

N HEAN STOEV SE HEAN 90 .0 PEACENT C.I.
t 11neus ed 48 13 . 104 2.4 17 o.346 e 12.s14, 13.6~>
,,Indica este intervalo que: la media de este taller difiere dt: los 12.5 minul!ls del
estándar? ¿Por qué e~ diferente esta respuesta de 13 que se dio en el inciso (b)
del ejercicio 8. 7?
8 .Q El siguiente es un dia¡rama de caja de los datos del ejercicio R 7:
Ml8 > bo~plot of 1

t1~us ed'
···-·! + !-··---··--·······--· •
+·-··--···+----·-·-·+·-··-·····----·····•···----··•-··-··ti191\9Mf
10.0 12.0 14.0 16.0 18.0 20.0
306 8 ESTIMAOON PORINT!RVALOS
a. 1,Quc forma de no normalidad indica el diagrama de caja?

b. ¿Invalida cs1.:i no normalidad lo-; niveles de confi.:in;ra intl1cados en los ejerci-
' cios 8. 7 y 8.8'!
8.2 INTERVALO S DE CONFIAN ZA PARA UN A PROPO RCIÓ N

•
El método de los intervalos de confianza de la sección 8.1 ~ puede ad:iptar íntegr.i·
mente p;ir.i encontrar un interv:ilo de confianza para un:i proporción poblacional.
Este método se basa en una aproximación normal a la distribución muestra! de una
proporción muestra!. Como tal es también una aproximación, por lo 4ue re4uicre
de alg.unu~ reglas paru su uso.
1 a proporción de ~xitos <le la muestra. denotadu con ñ . es precisamente el nú-
mc:ro }'de éxitos dividido cntl'I! el tamMo de la muestra. Como la medi3 y la desvia-
ción c!>tándar de la vnriable aleatoria binomial Y son, respectivamente, ntr y
J111cC 1- n) • se: sigue que (con hase en las propicdadc:s desarrolladas c:n el capítulo
'a lor es 1u~ ra d o 4) e l valor t'Spt'rad o )' t'I error <'~tímdar de ir son, respectivamente.
y c•rr or c'l andar
dl· ic E(ñ) n y " · := J lf( 1 • lf)/ 11
Cuando n es suÍlcientementc grande, ir tiene una distribución aproximacfamente
normal. así, por ejemplo
p( - 1.96 $ n "• n 5 1.96) :::: .95
Equivalentemente,
P(ii - 1.96'1. ~ n 5 ñ + J .96a.I ~ .95
Esta expresión tiene el aspecto de una fórmula par.:i el intenalo de confianza, pero
tiénl! el problcmn de qu..: d error e~tánd.u <J,. Jír( 1 ir) /1 comprende al paráme-
tro pohl::lcwnal 1r 4ue se desconoce. Así como podemo'> recmpl:11.ar a con .~ en <J f
cuando n es muy grande, <lcl mismo modo podemos reemplazar 1l( 1 - Jr) con ic ( 1
- ir) en C1ñ . Esto nos proporciona un:i íónnula muy práctica para el intervalo de
confianza de la proporción poblacional:
Intervalo de confianza al 100( 1 - u)% para una propo rci6 n
Esta íórmula es la misma que figura en el intervalo de confianz.a para la media:

"estadístico muestra! ± valor en la tabla multiplicado por el error estándar". La me-
dia muestra! ji se rccmpla.za con la proporción muestra! ir Análogamente, uf se
reemplaza con a Ji •
Sección 8. 2 E1erc1c1os 307
EJEMPLO 8.4 Suponga que en una muestra de 2200 familias con uno o más televisores, 471 \en
un progrjma particular en un momento dado. Encuentre un intervalo de confian:ta
al 1 >5% para la proporción de la población de familias que ven este programa.
Solucion J
La proporción muestra! es ir - .n 1/2200 = 0.214, y it(I: Tr)/ n =0.00874. El
v;1lor =de Ja tabla que corta un área de la cola derecha de 0.025 es 1.96. El inter-
valo de confiani.a es
.214 1.96(.00874) s 1[ ~ .214 + 1.96(.001<74)

o
.197 ~ 1T ~ .231
Usted puede consultar la clasificación jerárquica de los programas de televisión

actuales para ver cómo repercute en la clasificación de un programa la difcn:ncia
entre .ma audiencia de 19. 7% y una de 23.1 %. •
apro~i.u:tci(m nor- El método del intervalo de confianza tiene como base una :tflrct\.imaciún
mal a h1 '\ di,tríbu- normal a h1 di,1rihudú11 hinomial que es adecuada para /1 suficientemente gran-
cíoncs binomiales de. La regla es que tanto ntc como n( 1 tr) deberían ser al menos 5, pcm, como Ir
es la proporci6n de la población que desconocemos, la regla se tiene que basar en
n ir y 11( 1 - ic ). Por lo general, si el tamaño muestra! infringe esta regla (o si !>Ólo
se aproxima a ella), el intervalo de confian1..a que se obtiene es <lem::isiado amplio
como para ser informativo. Por ejemplo, si n 20 y ir - 0.20, entonces n re 4 y
el intervalo de confianza al 95% para 1rcs 0.025 S 1!~ 0.375. fate intervalo <le con-
fianza es prácticamente inútil; no conocemos a ningún gerente de producto que
consideraría el enunciado "su participación en el mercado se encuentra entre 2.5%
y 37.5%" como realmente informativo. Sin embargo. aun cuando el tamaño <le la
muestra satisfaga la regla, no C1.tamos seguros de 4uc el intervalo ~ca informativo.
La regla juzga tan sólo la idoneidad del tama1'\o de la muestra y la precisión del in·
tervalo de conliani.a basándose en la aproximación nonnal. Es posible utilizar pro-
babilidades binomiales para encontrar intervalos de confianza exactos, aunque muy
amplios, al 90~o o 95%.
SECCIÓN 8.2 ~JERCICIOS
8.1 O El gerente de ventas de un mayorista en hardware encuentra que. Je las últimas 500
llamadas telefónicas a sus clientes (liencfas de computación), 22? resultaron en la
colocación de nuevos productos. Suponiendo que las 500 llamada" representan una
muestra aleatoria, encuentre un intervalo de conlian;r.a al 95% de Ja proporción en el
límite de colocaciones de nue\nS productos.
8. 11 Dé una interpretación vcrhal mu) Jetallada del intcr\'alo de conlian:1a que encontró
en el ejercicio 8.1 O.
8. l 2 Como pane de un estudio de mercado, en un:i muestra de 125 personas se encontró
que 84 de ellas tienen conocimiento de cierto producto Calcule un intcnalo de con-
fian1.a al 90% para la proporción de individuos de la población que tienen conoci-
mrento del producto.
8. 13 ¿Podemos considerar que la aproximación normal subyacente al inter\'alo de con·
fian1a Jel ejercicio 8.12 es adecuada?
308 8 ESTIMAOON POR INTERVALOS
8 14 En una muestra de 40 gerenres de rango medio de una compaMa, se encuentra que 8

participan activ;amentc en organi1..aciones civicas o de beneficencia. Calcule un inter-
"valo de confian1.a al 90% para la proporción de: todos los gerentes de rango medio
que esr3n comprometidos de esa manera
8.3 iQUÉ TAMAÑO DEBE TENER LA MUESTRA?

•
La información es cara. Reunirla cuesta en términos <.le s:ilanos, gastos y tiempos (y
utilidades) perdidos. Obviamente, alguna infonnación es crucial para tomar decisio-
nes gerenciales. De este modo, el problc!ma de cuánta información hay que rl!unir
(de qué tamaño ha~ qui! tomar la muestra) es básica. Los intervalos de confian?a
proporcionan un método adecuado pura rcspondl.'r a c\ta rm.:gunta
Suponga que un cjccuti\o de opcrnción de un banco con muchas sucur.,ales
qu1c:re saber el promedio dinno de cheque\ 4uc pc!rmaneccn l.'n las sucursales hasta
el día siguiente. Todos los días, un coche hhndac.lo recoge los cheques recibidos y
los transporta a un centro de procc:so, donde se les registra y envía a la cámar.l de
compensación. Los coches deben visitar las sucursales antes de que éstas ciem:n.
por lo que un volumen sustancial de cheques pueden no ser recogidos sino hasta el
día siguiente. El interés perdido puede ser muy costoso. ¿Por cuántos dias se dche
calcular el volumen de cheques no recogidos para tener una idea r:mrnable <lcl ver-
dadero promedio diario?
En el contexto de los interv:llos de confianz.a. hay que consi<lerar dos aspectos
rclac1onndos con Ja frase idea rawnable. En primer Jugar. ¿qué nivel de conlianui
se debe seleccionar? En segundo lugar, ¿cuál es el límite de tolerancia para la exten-
sión del intervalo?
El nivel de confianza a menudo se fija en un 90% o 95%. En parte, esta es una
costumbre tribal primiti\a que ha pas:ido de generación en generación en los libros
de estadística; en parte, es una traducción con\eniente de una cenc1a razonable. Es
mu) f:icil entender 90 (o 95) posibilidades en 1OO. pero dificil comprender 999,999
pos1b1hdades en 1.000.000
amplitud tolrrahle La a mplitud lokrab lc depende en gran medida del contexto del problema.
Má!.-ml.'nos 80,000 do la~<, (o una amplitud de 160,000 dólares) l!S moJcrJ<.lamente
grande para el volumen de rodos los cheques que no se recogen en las sucursales de
un banco. grandísimo para una sola sucursal y minúsculo para el promedio nacional
de los bancos estadounidenses. La tolerancia la debe detenninar un gerente que co-
nrn.:c la situación.
Cuando se considera un intervalo de confianui para la media poblacional µ,el
término más-menos del intervalo de conliann es =a.'2 (]¡.donde <1¡ = CJ/ .¡-,,.Son
tres las cantidades que detenninan el valor del ténnino más-menos: el nivel de con-
fianz¡¡ deseado (que determina el valor: utilizado), la desviación estándar CJ y el ta-
mar"\o de la muestra (que junto con (]determina el error estándar CJ ¡ ). Por lo
general, el tarnaño de la des\ iación estándar de la población se debe estimar. (En
ocasiones. se toma una muestr.l inicial para estimar la desviación estándar; esta c:s-
timación proporciona una base para determinar el tamnño de la mue!ltra :ldicional
que se ni:cesita.) Para una tolerancia dada. una vez que el intcr.alo de confianza se
ha especificado) se ha proporcionado una estimación de (],el tamai\o de! muestra
requerido se puede calcular por ensayo )' c:rror o con una fórmula .
8 3 <Que tamano debe tener •~ m~st~• 309
El procedimicnto de ensayo y error se puede ilustrar con el ejemplo de los

cheques que no se recogen cfo las sucursales del banco Suponga que se desea un in-
tervalo de confianza al 95% con una amplitud no mayor de 5000 dólares (un térmi-
no más-menos no ma~or de 2500 dólares), y que la desviación estándar en el límite
se estima en 10.000 dólares. Suponga que nue~tro primer intento lo hacemos con
11 = 16. El intervalo de confiant..a es y± 1.%( 10.000 í ./i6) o ji± 4<>00. l a ampli-
tud de este intervalo es casi el doble que la deseada; para reducir a la mitad la am-
plitud del intervalo de confianL.a, dchemos cuadruplicar el tamar'to de la muestra,
pues éste aparece en la fórmula para el error estándar como _¡¡;.Con /1 =64, el in-
tcnalo de conlianl.41 al 95% es y :1: 1.96(10.000 'J"64) o Y t 2450. que es aproxi-
madamente lo que queremos. Como la hipótesis de que la des\ iac1ón est;índar es
l 0.000 dólares es tan sólo una suposición. no tiene mucho sentido discutir si /1 de-
bería ser 64 o 63 o 65: un valor den que "cumple su p:lrtc" es suficiente.
rodemos calcular el tamaño de mue'>tra requerido con una fórmula. Haga
=an.<J I Jñ igual a la tolerancia Ey obtengan.
Tamaño muestra! requerido para un inte rvalo de confianza al

100( 1 - c.t)% de amplitud ciada para la media poblacional µ
El 1am:ii10 muc, cral requerido para obtener un intervalo de confianza al 100( l -
a)% para una media poblacional µde la forma y± E, donde E - : 112 (] / .Jñ. es
z!,2112
n =--
E2
La amplitud del intervalo de contian1.a es 2E.
•
EJEMPLO 8.5 L's dirigentes sindicales están pn.:ocupados por los informes de 4ue una compar'tía
dentro de su jurisdicción está pagando salario<; interiores a sus empicados ~De qué
tamaño dl!bc ser la rnue:;tra para obtener un intervalo de cnnfian1a al 90° o para el
salario medio por hora de la pohlación. µ.que tenga amplitud igual a un dólar? Su-
ponga que (] - 4.00 dólares.
Solución La amplitud buscada es 2E - 1.00 y (] =4.00. Sustituyendo en la formula para el

tama11o muestral con =a/2 = 1.645, tencrno<>
•
EJEMPLO 8.6 ¿De qué tamar'to debe ser una muestra para obtener un intervalo de confianza al 9S%
paraµ. con una amplitud de 2 décimas de una desviación est:indar (poblacional)?
Soluc1on L;i amplitud busc:ida es '2E =0.2CT. de modo que E= 0.1 CT. f>or lo t::into
3 10 8 ESllM.t.CION POR INTERVALOS
2
( l.%)211l
-(.111) 1
( 1.96)
--- ~
(. l)z
J
84 •
Oeterminar el tamaño rnuestral para d intcr'<alo <le confianza de una propor-
ción es un proceso similar. l.:i íúrmula correspondiente es
:: li(I - if)
E1
El único problema es que el tam:iño muestra! depende de ii. !lasta que se determi-
na el tamai'lo muestra! y se toma la muestra, desconocemos el valor de ii. ! la) va-
rias maneras de resolver este problema. Podemos sustituir ir"' 0.5 en la fórmula
para el tamaño muestra!, lo que resulta en un tam;iño muy conservador, por lo ge-
neral. más grande que el tam:iño requeri<lo. Otra posibilidad es sustituir un vulor de
.i ohtcnido ya ~ea en un estudio previo o en un estudio pi loto . ./\ con ti nuaciún mos-
tramos la fúrmula del tamaño mucstral para estimar una proporción binomial:
Tamaño muestra! requerido para un intervalo de confianza al

100( 1 - a)% de amplitud dada para 1f
El tamaño muestr.il requerido para obtener un intervalo de confianza al 100( 1 - a)%
para Tr de la forma ii ±E, donde
es
Nota: uuhce ii = 0.5 para tener un tamaño prudente (más bien grande) de 1:i mues-
trJ. o utilice el valor de ir de algún estudio previo (o estudio piloto). •
EJEMPLO 8.7 El director comercial de cierta compañía que reali1..a ventas por correo dehc preci-
sar con mucho cuidado sus polític:is de crédito. Suponga que la compañí::i sospcch::i
que los anuncios ..:n cierta n:vista han conducido a una tasa mu) elevada <le canc.:e-
laciones (cuentas considcrad;,is im:obrabks). La c.:ompañia quiere ddem1inar un in·
ten·alo de conlianza al 90% par:i Ja proporción d..: c::im.:eladoncs de esta re\'ÍSt:i con
una precisión de t.0.02
l. ¿De cunntas cuentus dehen form;,ir l::i muestra para alcanl'lr la meta'>
b. Si se toma un:i muestra con estas cu..:ntas y se determina que d 10% son
c:rncclacioncs. ¿que inten·alo de confianza al 90% result::i de ello'.'
Secc.On 8 3 E1erc1C1os
Soluetón a . La fórmula para el tamaño muestra! es
lltilizando la estimación conscrvador:i de ir

=(I~ 1.645, el tarnar1o muestra! buscado es
0.5 y sustituyendo E
"
0.02 i:on -
. (':l.':
( 1.645 ¡i1.5 ¡l
11 =- -
(.02) 2
:::: 169 1
b. Si una muestra <le 1691 cuentas contiene 169 cancelaciones (esencial-

mente el 10%), el intervalo <le confianJa al 9()% <ll! la \er<ladera proporción de
c:mcelaciones es
.10 ± 1.645, (.10)(.90)tl691 = .10 012

Aquí se pone <le manifiesto la naturale211 prw.knte del intervalo de contianta que
resulta <le un tamaño muestra) determinado al asignar el valor R - O.S en la fórmu-
la. El verdadero intervalo de conlianza tiene E · O.O12, mientras que el objetivo
era E= 0.02. S1 la compañía hubiese hecho una suposición inicial de que R seria
aproximadamente 0.1 O, habría podido utilit..ar un tamaño de muestra más pequeño.
n = (1.645 )1 (.1)(.91
'02)
2 609
•
Tal como lo indica el ejemplo M.7, h~l\ur In tlctcr111in:1tio11 del tamaiw
mll<''lral en la hipólesis de que ir e' 0.5 1rncck 'cr e\ce .. i\ amente 1>rudcnlc.
Siempre que ha> a información que sugiera que la proporción muc'> tr.11 d11icn: <le
0.5, la l.U\titución ir 0.5 resulta en un tamaño rnuestral muy grande (en exceso).
El intervalo <le conlian1.a correspondiente tient! una amplitud más pt!qucña que el
que St! busca.
SECCIO N 8.3 EJERCICIOS
N. 15 3. Remitasc al ejemplo 8.5. ¿Oc qué tama"o se debe tom3r una mucslra para obtener
un intervalo de confian1a al 90% con amplitud SO.SO? <.Y con amplitud S0.25?
¿Y con 3mplitud S0.125?
b. En general, ¿cuánto se debe incrementar el tama"o mucstr:il rara reducir la.
amrlitud del intervalo de confian;r:t a la mit3d (utíli7.ando un nivel de confian1.a
específico),,
8.1(, Remítase al ejemplo 8 .6. ¡,Oc qué tamai\o debe ser un:i muestra para obtener una
am)">htud de 3 décimas de una desúaeión estand:ir? <.Y de 4 décimas''
R.17 lJn3 eomrai'ia que vende seguros de: automó,iles quiere encontr:tr el \ 3Jor prome-
dio de las c;olicitudes de reparación de carrocerioi.~ de los automóviles asegurados.
Sus registros combinan Jos importes corre!\pond1en1es 3 carrocerías con todos los dc-
mas, de modo que se debe tomar una muc~tr3 ele i1ohci1udcs indh 1duales. Se busca
un intervalo de confianza al 95o/o con una amplitud no mayor de 50 dólare~ . Se pien·
s:t que la desviación estándar es de alrededor de S400. ¿De qué tamal\o se necesita
13 muestra?
312 8 E511W.OONPORINITRVALOS
8.18 '\uponga que la des' iaciún estándar con.1eturad;i en el ejercicio 8.17 se cnn1cntra
entre los 300 y los -l50 dúlares.
• Calcule el tamai'o requerido muestra! para cr 300 ~ para a .i 'iO
h ¿Qué le sucederi3 a la amplrtud del intervalo de conft;m;ra si se utih1ase el\ alor
de /1 correspondiente a a - 450, cuando en realidad la llC~\iación estandar fuc,c
de 300 dól;ircs?
8. 19 ¡,Piensa usted que el l3mai'o mucstr;il utili1ado en el e1ercic10 8 17 serla adecuado
para suponer que Y tenía una distnhuci<ln muestra! apro:1.iniadaml·ntc normal''
8.'.!0 l In fohric;inte de cajas para dulces está preocupado por la proporción de ca.1as
con imrerfeccioncs (aquéllas que están cuarteadas. rota" o hacen poco apetitmos Jos
caramelos J.
3. ¡,De qué tama"o dche ~er una muc~tra para obtener un intervalo de eunlian1a al
95% para esta proporción, con una amplttud no m;i~nr de O O~'.' l ltilice la su'>ll-
tución consen ador;i 1f - 0.5.
t>. ¡,Cómo camhia la respuest;i al inciso (a) si suponemos que la proporción de c;i.1a~
imperfectas es al menos de 0.005 y no ma~or que 0.0W?
8.-t LA D ISTRIBUCIÓN t
•
Los procedimientos que presentnmos en la sección 8.1 para estimar la mcJi;1 pohb·
\.'tonal ¡i ti~nen como hase la h1pótes1s de l)Uc o <1 se comx:c o se rcali~ un núme-
ro sutic1ente de ohservac1ones (i . ~ .• JO o más) de tal forma que la Jcsviac1ón
estándar muestra! s puede reemplaz:ir a <Jen el error estándar para .Í' ::: CT ! ./ñ. Sin
embargo. hay ocasiones en qLX: es imposibk o mu) costoso ohtencr una muestra
sulici~ntcmcnte grande para hacer inferencias acerca Je la media pohlacional. Por
ej~mplo, realiur 30 ohservaciones del patrón que sigue el trático en las inmedia-
ciones de un puente los' ierncs por la tarde tomaría m:ís de 6 me<;es. fatc puede ser
un periodo mu) extenso de tiempo para proponer medidas com.-ct1vas.
\\'. S. Ciosset encaró un problema similar a principios dd siglo xx cuando. en
la cervecería Guinncss, donde trabajaba, se le pidió que hiciera un dict:\mcn acer·
ca de la calidad media de varias ccn·c1.as. Para akantar sus conclusion~s. tan solo
le proporcionnron algunas mucstrac; sumamente ~que?las.
Gosset creyó que al utiliL.ar el estadístico= para muestras pcqu~1,as
t - µo
q/.j;.
y sustituir o con s. se
~staba subestimando la' ariahilidad en el estadístico. lla-
h1éndose interesado por el problema. resol\'JÓ derivar la distrihución muestra! de
la cantidad
y µo
.~1Fi /
en el caso particular en 4ue n < 30.

"''titu r iún de \ La '"'litucicín de .\ por CT en d estadístico=
por CT
8 4 La d1stnbuc16n e 313
introduce una segunda fuente de variabilidad además de Y. En la sección 8.1 reco-

mendamos la sustitución de s por <J siempre que 11 ~ 30. Ahora proporcíonamos
intervalos de confianza para µ, cualquiera que sea el valor de n > I. Los procedi-
mientos son muy parecidos a los que ya presentamos para muestras grandes.
Gosset obtuvo la distribución muestra! para el estadístico
f - JI
s/Fn
y publicó sus resultados en 1908 bajo el seudónimo de "Student", ya que iba en
contra de la política de la compañia publicar sus resultados. Con frecuencia, al
estadístico
l= -
Y-µ
-
s/Jn
t tic Studc·nt se le nombra t de Student y a su distribución distribución t de Student Podemos
sinteti1.ar las propiedades de una distribución t comparándola con una dístribución
normal estándar(:).
Propiedades de la distribución t de Student

1. La distribución t, al igual que la distribución:, es simétrica con respecto
a la media µ = O.
2. La distribución t til!ne una mayor variabilidad que la distribución z (véase
la figura 8.J).
Normal
o
FIGUAAB.3 Una d1stribuc16n t con una d1str1bución normal superpuesta
J. l la) muchas distribuciones t diferentes. Se dctennina una en particular al

especificar sus grados de libenad. g.I. Si se toma una muestra aleatoria de
una población normal. el estadístico
t=--
Y-µ
s/Jn
tiene una distribución t con g.I. =n - l.
4. A medida que n se incrementa (o, lo que es lo mismo, los g.I. se incremen-
tan), la distribución t se aproxima a la de.::.
•
314 8 ESTIMACIONPORINTERVALOS
o fa
FIGURA 8.4 Ilustración del área para la distribuc16n t que aparece en la tabl:i '4 del apend1ce
~rado" de libr rtad La definición general del ténnino 2rados dr libertad requiere de la geome-
tría n-dimcnsion:il y del conocimiento del álgebra lineal. En vez de abordar con de-
talle esLa cuestión, tr:i1.arcmo~ de dar una idea intuitiva del significado del término.
El término g.I. se refiere a la desvi:ici6n estándar estimada y se le utiliza para indi-
car el número de pie1.as de información disponibles para ella. La desviación están-
dar se basa en n desviaciones de la media, pero las desviaciones deben sumar O. de
modo que sólo n - 1 desviaciones pueden variar libremente. La última desviación
(la n-ési ma) cst:l determinada por las otras n - 1. Por consiguiente, se dice que el
estadístico t tiene n - l grados de libertad.
Aunque se puede proporcion:ir una fórmula para la función de densidad de la
distribución t, ésta carece de importancia ya que se cuenta con 13blas para evaluar
las probah1lidadcs t. Como / es simétrica, sólo se han tabulado los puntos porcen-
tualc' (áreas o probabilidades) de la cola superior de la distribución t. Éstos apare-
cen en la t:ibla 4 del apéndice. Los grados de libertad (g.1.) se enumeran a lo largo
de Ja columna izquierda de la página. Cada entrada en la tabla especifica un valor
de t, <ligamos t,., al que corresponde un área u hacia su derecha (véase la figura
8.4). A lo largo de la fila superior de la página aparecen varios valores de a. Así,
por ejemplo, con g.I. 0 7. el valor de 1 con un área de 0.05 a su derecha es t .895
(que se encuentra en la columna a - O.OS y en la fila g.I. = 7).
EJEMPLO 8.8 Si se toma una muestra aleatoria de tamai'lo n .::: 15 de una población con distribu-
ción normal, l!ncuentrc
p( -2.145 ~ ~/--;. ~ 2.145)

Solución Debemos utiliz.ar la tabla /,es decir, la tabla 4 del apéndice con n - 1 = 14 g.I. La
t.1bla indica los valores que separan áreas especificas en Ja cola derecha. En parti-
cular, se puede ver que P(t 14g 1 • > 2.145) es 0.025, de modo que
• Otr.u formas de notación comunes son 111 ~ 1 o 'fil (N. dt lo R T)

84 La d1str1buc1on t 315
·2.145 o 2.145
FIGURA 8 .5 Distribución t con 14 g.I.
p(:!Fn > 2.145) = .025
(véase la figura 8.5). La distribución / es simétrica en tomo a cero, de modo que el

área de la cola izquierda también es P<.11481 < -2.145) - 0.025. El área restante des-
pués de cortar ambas colas es 0.95, de modo que
Y-µ )
P ( - 2. 145 s s/Jn s; 2.145 - .95
Un examen de la tabla / nos muestra el efecto de cambiar de
Y-µ
t=--
s/Jn
Cuando n es muy pequeJ'la, los valores de la tabla t son muy grandes, y para
g.I. - 2, un área de 0.025 en la cola derecha se corU en 4.303. A medída que g.I. se
íncrementa, los valores de la tabla 1, para un área dada de la cola, se reducen. En la
última fila, que corresponde a un número ínfmito de grados de libertad, la tabla t
contiene los valores de la distribución normal (z).
Este fenómeno se puede explicar si se considera cómo aparece la distribución
t. El estadístico t se obtiene al reempla1.ar la verdadera dc~viac ión estándar O' por la
desviación eslándar s muestra!, introduciendo de este modo una fuente adicional de
variación aleatoria. Cuando n es muy pequeJ'lo, el valor des puede diferir enorme·
mente del valor de O'. y la distribución t debe tener una varianza bastante grande.
A medida que n aumenta de valor, hay una menor variación aleatoria des con res·
pecto a O', y la varianza de la distríbución t se hace más pequci\a. Cuando n tiende
a infinito, s se aproxima a <J y la única fuente importante de aleatoriedad es f; la
distribución z explica Ja variación de Yen tomo a µ .
La primera vez que consideramos sustituir O' con sutilizamos la regla de que
se podían usar las tablas de zen caso de que n fuese mayor o igual a 30. Los valores
316 8 ESTlMAOON POR INTERVALOS
de la tabla t para 30 g.I. ~on muy próximos a los valores de la tahla normal. cxccpto
para áreas mu) pequeñas de la cola. No obstante, no hay ninguna necesidad de se-
guir ~onservando esta regla en adelante. En vez de ello podemos utilizar las tabl:is I
de manera rutinaria par.i todos los estadísticos t. Si el valor g.1. en curso no aparece
en la tabla. para casi todo lin práctico es sufil:iente hacer una interpolación aproxi-
mada. Otra altemali\a más conservadora consiste en utiliLar el valor mmcdioto in-
ferior de g.I. en la tabla.
EJEMPLO 8.9 Encuentre el punto de separación de un área de 0.025 en la cola derecha para una
muestra all!atoria de tamaño 46 tomada de una población normal: es decir. em:uen-
trc 'oms tal que
Y-µ
p (- Y > f OH
) = .025
s/""
So/uC1on Hay n - 1 - 45 g.I., y los entradas de la tabla para g.I. igual a .JO y 60 son 2 021 )'
2.000, respectivamente. Como el valor de g l. es más pnh1mo a 40 que a 60, t 0 02 \
debe ser más próximo a 2.021quea2 .000. Podemos utili1ar un d1agmma \imple. tal
como el que se muestra a continuación, para encontrar el valor de interpolación de t
valor t 2.021 e? 2 000
g.I. 40 4S 60
Como In distancia de g.I. - 40 a 45 es la cuana parte de la distancia de g.I. =.to a

g.1. .,. 60. qul.!remos un valor t que se encuentre a una distílncia proporcio-
n:il entre 2.021 y 2.000. Con 0.02 1/4 =0.005. el valor buscado de I es 2.021 -
o.oos . . 2.016. •
Otrn posibilidad seria ir de 45 g.I. al valor inmediato inferior en la tobla, íl saber 40,
) utili;rar este valor. Ésta es un;i elección consl.!rvadora, suficientemente precisa
para muchos. fines.
8.21 Se v:i a tomar un:i muestra alc;11oria Je tama"o 4 Je una pohlaciún ll(>rrn"I con rnc-
dia µ - 100 Sea
y 100
1 =--=-
s//4
Calcule las siguientes probah1hdadc~:
a. #'(I > 1 63R' J . P( - 2.353 < / < 2.353)

b. Plt > 5.341) e. P(lrl>l182)
c. P(t < - 2.353) f P\11 1 > 4 5411
1race figuras.
es Intervalos de confianza pa~ la d1stnbuct6n 1 3 17
8.22 Suponga que se asume equivocadamente que el estadístico / del ejercicio 8.21 tiene
una distribución normal (z). Evalúe P(t > 1.638) y P(ltl > 1.638) bajo esta errónea
suposición. ¿Ocasiona esta suposición una sobrestimación o una subestimación de
las probabilidades?
8.23 Se bacc un estudio de Montecarlo tomando 1100 muestras de tamai\o 4 de la pobla-
ción nonnal del ejercicio 8.21. El estadístico I está definido en ese ejercicio. Los re-
sultados del estudio son los siguientes:
Evento Frecuencia
( < -2.353 44
- 2.353 < 1 < - 1.638 59
-1.638 < I < 1.638 896
1638<1 < 2.353 47
t > 2 353 54
a. ¿Cuáles son las frecuencias teóricas correspondientes?

b. ¿lla) alguna evidencia de que las frecuencias del estadístico t se estén alejando
sistemáticamente de las frecuencias teóricas correspondientes?
8.24 Para un estadístico r con 72 grados de libertad. utilice una interpolación burda par:i
encontrar los pcrccntiles 90, 95 y 99.
INTERVALOS DE CONFIANZA PARA

8.5 LA DISTRIBUCIÓN t
•
Los desarrollos matemáticos de la sección 8.4 se pueden utilizar para determinar
procedimientos di! inferencia para la media, aplicables al caso en que se descono-
ce la desviación estándar de la población. Esta sección está dedicada a los interva-
los de confianui.
Los cambios en el procedimiento para el intervalo de confian7a cuando se
desconoce <rson muy simples. Reemplace la a desconocida con s para obtener una
eslimación del error estándar si .¡-;:, y utilice las tablas / en lugar de las tablas::.
EJEMPLO 8. 1O Suponga que una muestra de tamaño n =25 tomada de una población aproxima-
damente normal proporciona una media muestra! igual a 96.2. Calcule un intervalo
de confianza al 95% para la media poblacional suponiendo que la desviación están-
dar de la población es l 5.0. Vuelva a calcular el intervalo suponiendo ahora que
se desconoce l;i desviación estándar de la población y que la desviación estándar
muestra! es 16.2.
Solución Con el primer problema podemos utilizar los procedimientos de la sección 8.1:
( 15.0) ( 15.0)
96.2 - 1.96 f:tt $ µ $ 96.2 + 1.96- -
" 2s J2s
90.32 $ µ $ 102.08
31 8
En el scgunJo problema necesitamos el valor de la tabla t para n 1 = 24 g.I. Este

'alor debe ~e parar dos áre~ en las colas derecha e izquierda, con un valor total de
1
O.O,, de modo que el área que se quiere en la cola derecha es 0.025. El valor en la
=
tabla / es 2 .064. Sustituya a=- 15.0 con s = 16.2 y z0.025 1.96 con 10 ois 2.064 =
96"
16 2
.• - 2.064 (J2s· ) $µ$ °
6·2)
2 064 J2s
96. 2 +.
89.51 ~ µ $ 102.89
Este intervalo es más ancho que el anterior por dos ra.1.ones: por4uc t00 H > ::11 >'~·
y porque en este casos= 16.2 resulta ser mayor que la supuesta a- 15.0. •
El intervalo de confianza / para µ basado en una distribución t con g.I. =

n - 1 es el siguiente:
Intervalo de confianza al 100( 1 - a}% para µ, G desconocida
- -
Y- 1., 2 fn:. s µ s Y+ r. 2 j;
1
.\
donde 1,, es el valor / tahulado que separa un área de a,2 en la cola derecha con
n- l g1
intenalo de cun- A la fórmula anterior a menudo se le denomina fórmula del in ten alo de confian-
fianL:t en m u c'- za para la mcdiu en mue!ltras pequeñas, :mnque es válida para muestras de cual-
tra!> p cqueitn'i c¡111er tamar1o Para una muestra J e gran tamai'lo, l~ diferencia entre utilizar la tabla
1 y la tabla :: es insignificante, de modo que la distinción entre t y:: sólo es impor-
tante para muestras de tamai'lo pequei'lo. La hipótesis de una población normal es
critica para muestras de tamai'lo pequei'o, para las que el Teorema Central del Li-
mite tiene un efecto relativamente pequei'lo.
EJEMPLO 8. 11 Una aerolínea tiene en un aeropuerto cuatro ventanillas para la venta de boletos. En
un intento por reducir los tiempos de espera de los clientes, la aerolinea introduce
el "sistema de única fila". En este sistema, todos los clientes forman una única fila
que se va distribuyendo entre las ventanillas. La persona que alcanza la primera po-
sición de la linea es atendida en la primera ventanilla que quede libre.
Durante tres semanas, el director del departamento de atcndón al cliente re-
gistró el tiempo de espcrn en minutos del primer cliente que llegaba a las ventani-
llas después de las 4 P.M. Una observación se excluyó a causa de una condición
inesperada: hubo neblina en el aeropuerto y muchos planes de vuelo debieron ser
cambiados. Los datos son
4.3 5.2 2.1 6.2 58 4.7 3.8 113 5.0 41 60 8.7 O.S 49
Encuentre un intervalo de confianza al 95% para el tiempo de espera medio i:n el
límite, e n días hábiles, bajo condiciones normales.
8S Intervalos de confianz:a para la dmnbuco6n 1 3 19
Solución Pnmero calcule y"" 5.043 y s = 2.266. El 'alor de la tabla I ( 13 g.I., y un área en
uní> cola igual a 0.025) es 2.160. El intervalo es
~ ~ (2.266) ., (2.266)
. 04. - 2.160 r.; s JJ s 5.043 + _,16() r.;
vl4 v l4
o
3.735 sµs 6.351
Lo mejor sería reportar este resultado como 3.7 S µ S 6.4, redondeado según la pre-
cisión de los datos. •
ta maiio m1H.''itrul Uno de los usos importantes de los intervalos de confianza es determinar el tama-
requerido para cs- ~o muestra! requerido para obtener un grado de precisión deseado. La precisión
limur µ está determinada por el nivel de confianza y la amplitud del intervalo. Recuerde
4uc cuando se conoce u y especificamos el nivel de confianza 100( 1 a)% y la
amplitud del intervalo de confianza deseado 2E, el tamaño muestra! buscado lo en·
contramos resolviendo la ecuación
Z•/l(I _ L'
Jn - r.
para"· Ahora nos gustaría encontrar n resolviendo 'u.:i-~ Jñ =E, pero hay dos difi-
cultades. En primer lugar, s se desconoce hasta que la mue!>tr'.t se toma), en segun-
do lugar. no tenemos g.I. para 147 hasta que n se especifica. El primer problema se
puede resol\ cr) a sea utilizando una aproximación al valor des o especificando la
amphtuJ tkseada como una fracción de una de!>v1aci6n C!>tóndar. (Un error de menos
de O O1 desviación estándar al estimar una media se ve ria empcque~ccido por la va-
riación de los vil lores individuales de la media, mientras que un error de 1.00 desvia·
ción estándar sería algo sustancial.) El segundo problema se puede ~solver haciendo
una suposición preliminar de que n es suficientemente grande como para que: se
pueda sustituir con l. Sí la n resultante es demasiado pcquc~a. por lo general se pue-
de obtener una respuesta rápida por ensayo y error (en la dirección creciente den).
EJEMPLO 8. 12 Suponga que en el ejemplo 8.11 se desea un intervalo de contianL.a al 95% con una
tolerancia de más-menos media desviación estándar. ¿De qué tama~o tiene que ser
la muestra?
Solución E ha de ser 0.5s. Por ahora, suponga que podemos utilizar el valor 1.96 de la tabla
: ~orno una aproximación de 'o.o~s· Resolviendo la ecuación
para n, tenemos que
(l.96s) 2
n= 5
=1.4
(.5s) 2
320 8 ESTil"W:ION POR IN'TtKVAlOS
Paran= 16( 15 g.I.) utilizarfamos 'o.ols =2. 131 en vez de 1.96 para obtener el "ª-
lor real de E igual a
'2. l 3Js
{, ::::: .533(.t)
"16
que: es un poco grande. Trate n = 18 ( 17 g.l.); 'o.o:?s =2. 11 O y
2.1IOs
:::: .497(s)
' 1
de modo que bastará con n = 18. •
SECCIÓN 8.~E_R_C_IC_l_
O_S _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ __
8.25 lJn fabricante de galletas y bocadillos n:aliza una pequclla revisión de la antigüedad
de uno de sus productos en los puntos de venta. Para llevarla a cabo. toma una
muestra aleatoria de 23 minori~tas en una región particular. En cada tienda se selec-
ciona el en\ase que se encuentra al frente del anaquel y se determina el número de
días transcurridos desde su fabricación por medio de un código que tiene impreso.
Los datos (dias transcurridos, ordenados de menor a mayor) son
27 34 36 ~6 lK 19 39 39 40 40 42 45 47 51 52
57 63 71 75 ~4 96 110 147
a. Verifique que y• S6.87 y s "' 28.97.
h. Calcule un inter\·alo de confian1a al 99% para el verdadero tiempo medio
transcurrido.
8 26 Suponga que el fabricante del ejercicio 8.26 quiere obtener un mtcrvalo de confian-
u al 90% con una amplitud no ma)or de seis días. Suponiendo que la desviación
estándar muestra! no cambia, ¿de qué tamallo necesita ser la muestra?
8.27 Un grupo de consumidores quiere estimar el precio de entrega medio de cierto mo-
delo de refrigerador en el área metropolitana de Nueva York. tos precios se deter-
minan por medio de las compras rcafü.adas por clientes en 14 tiendas seleccionadas
al uar en el área. Dichos precios son, en dólares (sin considerar los impuestos),
341 319 331 326 298 33S 351 316 307 335 320 J2Q 346
347
(¡¡lcule un intervalo de confianza al 9S% de la \erdadera media.
8.28 lJna muestra aleatoria de 20 catadores calific¡¡ la calidad de un nue\O produc10 en
una escala del O al 100. Las calificaciones son las siguientes:
16 20 31 SO SO SO SI S3 SJ 55 57 5'1 óO 60 61 6~
67 67 81 92
a. Calcule un intervalo de confianza al 95% para la calificación media pohlacíonal.
,se deberían utilitar tahlas to tablas:'!
b. Trace una gráfica de los datos. ¿ llar alguna ra1ón para pensar que es una mala
idea usar un intervalo de confian1.a basado en la media?
8.29 Un transportista de muebles calcula el peso real como una proporción del peso es-
timado en una muestra formada por los últimos 31 trabajos. La media muestra! es
1.13 ) la desviación estánd<lr es 0.16.
a. Calcule un intervalo de conlian1..a al 9S%, para la media poblacional utili1ando
tahl:is 1.
;t1
,,
l l......~
~
'·.
b. Suponga que la desviación estándar pohlacional es 0.16. Calcule un intcrvalo'de
conlian1..a al 95% para la media poblacional utilizando tablas : . ~ .
c. ¿Son aproximadamente del mismn tamar'o Jos intervalos calculados en los in~
sos (a) y (b)?
8.30 Cuando se traza una gráfica de los datos correspondientes al ejercicio 8.29, el ',·
diagrama muestra una fuerte asimetría hacia la derecha. ¿Indica este hecho que
el nivel de confian1a nominal del 95% puede estar equivocado?
8.6- - - --HIPÓTESIS
- - PARA LA ESTIMACIÓN POR INTERVALOS •
Cualquier método estadístico incluye hipótesis. Algunas de ellas son gene-ales y se
aplican a una gran variedad de métodos; otras son específicas pnra un método en
particular. En los próximos capítulos tendremos mucho que decir acerca de las hi-
pótesis. En vista de que Ja estimación por intervalos para un parámetro único (sea
éste una media, una proporción o una mediana) es un concepto relativamente sim-
ple, en este contexto podemos tratar con mayor claridad las cuestiones relativas a
las hipótesis y a su violación.
En primer lugar, queremos subrayar que los métodos de este capítulo sólo se
aplican a muestras aleatorias. La tolerancia de errores inherente a los intervalos de
confianza es sólo una concesión para el error aleatorio; no se tolera ningün sesgo
en la selección de datos. Si, por pereza, los datos en que se basa un intervalo de
confianza se han reunido con una muestra no muy buena, es mu> probable que el
intervalo de confianza no sea el adecuado, simplemente por los sesgos en la selec-
ción de datos. No se conocen métodos para compensar por los sesgos en las mues-
tras que se han seleccionado mal.
En las muestras aleatorias legitimas, hay algunas hipótesis específicas que
pueden ser problemáticas. Una hipótesis clave es Ja de independencia e ntre las
muestras. Todos los métodos descritos en este capítulo suponen que las observa-
ciones son independientes entre sí, aunque no todos Jos métodos de muestreo alea-
torio proporcionan observaciones independientes. Por ejemplo, suponga que un
a:-.esor en bienes raíces selecciona 22 manzanas (bloques de casas) en una tona re-
sidencial para evaluar, con base en las listas de impuestos de la ciudad, el valor de
mercado de las casas de cada manzana. Si se supone que la selección es realmente
aleatoria, no hay un sesgo sistemático en favor de las casas de escaso o alto valor.
Pero hay un problema de dependencia. Dada la clara tendencia a que las casas <le
alto valor se encuentren juntas (lo mismo que las de escaso valor), si una casa en la
muestra tiene un \alor mucho m:ís alto que el promedio, las casas adyacentes tam-
bién lo tendrán. Los datos podrán comprender, digamos, 300 casas; sin embargo, el
método no da 300 medidas separadas e independientes de valores de casas.
La fuente más común de problemas con la hipótesis de independencia c;c pre-
senta en los datos de series tempora les, que se reúnen s iguiendo un orden cronológi-
co bien definido. S uponga, por ejemplo. 4ue medimos el monto en dólares lle lo.,
pedidos pendientes de un fabricante en particular durante 20 vieme~ consecutívoi.. ¡.,
nuonable suponer que un volumen muy grundc de pedidos pendientes en un' icmc'
esté seguido también por otros viernes con' o lúmenes muy grandes, pudiéndo'>e <ll'L ir
lo mismo de los volúmenes bajos. Las fórmulas para el error cstándnr que util11.11nm
322 8 EmM...clON POR INTERVALOS
en los intervalos de confianta dependen en gran medida de la hipótc~1s de indepcn·

dcncia de las observaciones. Cuando ha) dependencia, las fórmulas para el error c.;-
tñndar pueden subestimar la incertidumbre real en una estimación. Aun si l:i
depcndenc1:i es modesta, el grado Je sube-.t1mación puede ser mu) seno.
En efecto, la dependencia significa que no tenemos tanta información como
indica el valor n. Considere la dependencia extrema que se daría en una muestra de
25 observaciones si la primera observación fuera genuinamente aleatoria, pero h1s
subsiguientes observaciones tuviesen que ser iguales a la primera. La fórmula para
el intervalo de confianza estaría b:isada en una muestra de tamaño 25, pero de he·
cho sólo tendríamos una muestra de tamaño l.
Siempre que los datos se toman en orden temporal es una buena idea hacer
una gráfica de las observaciones con respecto al tiempo. S1 las observaciones son
realmente independientes, no debe aparecer ningún patrón en la gráfica, los datos
deben parecer aleatorios. Cualquier patrón que sea muy claro (cido<. o tendencias)
en la gráfica es una raLón para preocuparse por la independencia. Por ejemplo,
busque un patrón en la gráfica de la figura 8.6, hecha con Minitab, relativa al au-
sentismo semanal de trabajadores. En ella se observa claramente un patrón cicli·
co ondulante en los datos. Fn esta situación no nos sentiríamos satisfechos con una
hipótesis de independencia.
Además de la hipótesis de independencia, los métodos para las media:. inclu-
yen la supo,ición de que la población correspondiente tiene una distribución
nom1al En h1 práctica, ninfeuna pohlarión ('S C\ :1ct:1111('ntc normal Cuando uti·
!izamos los 111c1odoi. de la J i-.1ribuc1ón t para la media, estamos suponiendo que la
población es normal, aunque claramente el>ta hipótesis no es del todo cierta.
Cuando se supone que las poblaciones no son normales. hay que con!>iderar
dos cuestiones. l: n primer lugar, ¿qué clase de no normalidad se supone? y, en se-
guncJo lugar, ¿qué efectos posibh:s tienen estas formas específicas de no normali-
dad en los procedimiento!> de la distribución(! De las distribuciones que se desvían
de la distrihución normal las más imponantes son t:is asimétricas y las que tienen
colas pesadas. (I as d1stnbuc1onei. con colas pe:.a<la!> ~e dan por la presencia de \a-
lores :llípico5 en datos que de otro modo serian simétricos.)
,\fin de valorar el efecto de la no nonnalicJad que se revela en la 3ll11netriao en las
colai. pei.ada-., debemos discurrir si los procedimientos de la dl'>tribución / siguen
siendo, a gr.indes rac;gos, correcto:. para este tipo de distnbucionei. o s1 ha} otros pro-
cedimientos más cfccti' os. Aun si un intcl'\ alo de confianz<1 paraµ basado en t no-;
proporciona resultadoi; casi correctos para. digamos, unadic;tribución poblacional con
cola:. pe~ada'>, es posible que ha) a otro proced1m1cnto más eficiente (que proporcio-
ne un intervalo de confianl'.a de menor ampl itu<l) ha<>ado en una media truncada.
El problema de la precisión aproximada de los procedimientos t ha sido objc·
to de muchos estudios. la conclusión general de <'r:~ investigaciones es que las
probabilidades especificadas por los procedimientos t. en particular el nivel de con-
fian1a, son bastante precisas aun cuando la distribución de la población tenga co·
'rn~ibilidacl
de lo~ las pesad:is (o ligeras). En contraste, la asimc:tria, paniculannente con mue!>tras de
p rocedimientos de tamaño pequeño, puede tener un efecto importante en estas probabilidades, en es-
una col:1 pecial en los procedimientos de una cola. Como sabemos, toda distribución tes si-
m.!trica. No obstante, si la distribución poblacional e!> asimetrica. la verdadera
distribución muestra! de un estidistico / también lo es. Dich:i asimetría se reduce a
86 H1p6tesos para la Hllmaoón por 1nterval0' 323
60•
1bscnces· •
45•
•
.. . • . . • •
• • •
• •
30• • •
•• • •• •
•
•
15•
•·····-···+·········•·····-·-·•·-···-··-+·········•··--··11eet,...
o.o 6 .0 12.0 18 .0 24 .0 30.0
FIGURA8.6 Gráfica de ausencias por semana

•Noto. absr11ces • íalw. wu.tnum 2
número de semana.
medida que el tamai\o muestra! se incrementa, pero no hay ningún tamai\o que eli-
mine por completo la asimetría en su distribución muestra!.
El segundo problema trata con la eficienci:i de los procedimientos t y sólo re-
cientemente se le ha estudiado con seried:id. La conclusión :i la que se ha llegado
con estos estudios es casi un:inime: Cuando la distribución de la población es simé-
método<o robu''º' trica pero tiene colas pesadas, varios procedimientos robusto\ son más eficientes
que los procedimientos estándar t. Virtualmente todos los procedimientos robustos
eliminan o dan un peso muy bajo a las pocas observaciones mu) grandes o muy
pequci\as en la muestra. La media muestra! ordin:iri:i da un mismo peso a todas las
observaciones y es muy sensible! a los valores extremos. Por coni,iguicntc. cuando
la distribución pobl:icional tiem: colas muy pesadas, los proccd1m1entos robustos
tienden a producir estimaciones más precisas y errore~ eslánJar m;h pequei\os que
la media muestra! ordinaria.
Desafortunadamente, no se ha trabajado tanto en la efectividad de los proce·
dimientos robustos cuando la distribución de la población es asimétrica. Una me-
dia truncada al 20%, que promedia el 80% de los valores centrales, es
indudablemente un estimador sesgado de la media poblacional cuando la población
es asimétrica. Que este sesgo se vea compen'ia<lo por un crmr c<;tjnJar más pcque-
i\o es un problema matemático y conceptual :ibierto. No ohstante. seria un motivo
de preocupación tener un C!)timador con un error c">t:índar pequc1'\o que ~1..:mprc so-
brc~timasc el p:ir:imetro poblacion:il.
Entonces, ¡,qué debe hacer un gerente que no es expeno en la materia? En pri-
mer lugar, ob5cnar lo.\ d<1tos. Uno de los peligros más serios al utilizar el sofiware
c!itadistico disponible es que el análisis estadi•a1co '>C puede llevar a cabo sin que el
usuario haga ningún razonamiento. Un simple histograma de los datos o algún otro
recurso gráíico puede re\ ciar una fuerte asimetría o la presencia de valores atípicos.
También podemos calcular el coeficiente de asimetría para los datos de l:i muestra
(véase el capítulo 2). Si no hay una anormalidad evidente, las probabilidades nomi-
nales de la distribución t deberían ser razonahlerr.ente correctas y el procedimiento
324 8 ES'Tlt-WX>N POR INTERVALOS
t deberia ser razonablemente eficiente. Si los valores de los datos tienen una obvia
asimetría o colas pesadas, las probabilidades de la distribución t y la eficiencia del
proceaimiento / serán dudosas. Siempre que sea posible, usted debería intentar otro
método en estas situaciones. Por ejemplo, en la sección 8. 7 presentamos un inter-
\alo de confianza para la mediana poblacional. Dado que la mediana no se ve t:in
afect;1da por los valores atipicos como la media, aquélla se puede utili:zar como una
altemati\.a para el intervalo basado en el e!>tadi5llco t.
En este libro se mencionan otros procedimientos robustos, mas no podemos
hacerles justicia a todos ellos. Esperamos que en los at'los venideros estos procedi-
mientos se integren a los paquetes estadísticos para la computadora. Si tales pro-
gramas no están disponibles hoy en dia, un gerente debería al menos mostrarse
escéptico respecto de la precisión de las probabilidades set'laladas.
8.7 INTERVALOS DE CONFIANZA PARA LA MEDIANA

•
Ya en el capitulo 2 observamos que la ml!diana es menos sensible que la media a
las asimetrfas y a los valores atípicos. Por consiguiente, en ocasiones es preferible
hacer inferencias basándose en la mediana en vez de la media. Las inferencias re-
lativas a la mediana resultan métodos relativamente robustos cuando la hipótesis de
la normalid.id de la población es incierta. Es decir, las inferencias basadas en la
ml.'Cliana son en general más creíbles que las inferencias basadas en la media cuan-
do no se cumplen las hipótesis subyacentes a estas últimas. Aun cuando las mues-
tras sean muy grandes, de modo que las inferencias acerca de la media se apoyen
tn el Teorema Central del Limite, las inferencias basadas en la mediana pueden ser
m:is precisas y eficientes. Este fenómeno se presenta en panicular cuando los datos
<..on propensos a los \alores atípicos.
Uno puede esperar que el inter. alo de confi:in1.a para Ja mediana saga Ja regla
convencional ..cs.11mac1ón más-menos valor en la tahla, multiplicado por el erTor
estándar''. Sin tmbargo. no es a.si. En vez de ello, el problema se reduce a una si-
tuación binomial cuando se fonnula de nuevo basándonos en la idea de que aproxi-
madamente la mitad de los datos de la muestra deberían de estar por encima de la
mediana y la otra mitad por debajo de ella.
4•,tndhtico' El intervalo de confianza para la mediana tiene como base los c-,t11dí,tico' de
de onkn orden. El estadístico de orden le de una muestra de n valores es el k-ésimo valor
muestra) en orden asctndente. Así, la medida más pcquct'la es el estadístico de pri-
mer orden, la medida más grande es el est;1distico de orden n, y para un númtro
impar de valores la mediana de la muestra es d estadístico de orden (n + 1)12. A
continuación estipulamos un procedimiento para utilizar el orden entre los estadís-
ticos a fin de obtener un intervalo de confianza para la mediana.
Intervalo de confianza aJ 100( 1 - a)% para una mediana
1. Para una muestra de tamaño n, utalice tablas binomiales con esa n y 1r:::
0.50. A~ada probabilidades hasta justo antes de que el total exceda de a/2.
87 Intervalos de conflanu pMll la ~~ 325
Llame k al núme ro de éxitos en que esto sucede. Sí el valor de n no figura

en las tablas, utilice el valor aproximado le= 0 .05n - 0.05:11".? redon- rn
deado hacia abajo.
2. Ordene Jos datos de menor a mayor, y cuente k + 1 valores desde cada ex-
tremo; es decir, encuentre los estadísticos de orden k + 1 y n - Je. F:;tos va-
lores son los extremos del intervalo de confianza.
•
EJEMPLO 8 . 13 Un ajustador (negociador) de una compai'lia de seguros obtiene los presupuestos de
dos talleres para la reparación de automóviles extranjeros que han sufrido da1'os en
colisiones. Su interés se centrn en la diferencia entre los presupuestos. Se obtuvo
una muestra de 16 diferencias.
Automóvil: 1 2 J 4 s 6 1 !< 9 10 11 12 13 14 IS 16
Diferencia: .3 t. 1 1.1 -.2 .J .S .4 9 .2 6 .3 1.1 .I< 9 9 .7
Encuentre un intervalo de confianza al 95% para la med ia poblacional de las

di fcrencias .
Soluetón Para n = 16 y al2 = 0.025, podemos ver en las tablas binomiales que
P( }' S 3l n ,. 16, lt = .50) == OI05

y
P(y S 4ln'"' 16. n =.SO)= .0383

Por i.:onsiguiente, tomamos le ""'3. fa así que el intervalo de confianza al 95% para
la mediana poblacional tiene como límite inferior al estadístico de orden 4 y como
límite superior al estadístico de orden 13. Para estos datos. las diferencias ordena·
das de manera creciente son
- 2 2 .l .l .3 .4 .S ~ .1 H 9 .9 .9 1.1 1.1 1.1
l f
4 13
Oc c~tc modo, el intervalo de confianza al 95o/• para la mediana poblacional es

O 3 S mediana poblacional ~ 0.9 •
EJEMPLO 8 . 14 Encuentre los estadísticos de orden que proporcionan los límites inferior y superior
del intervalo de confianza al 90% para la mediana poblacional ba~ados en n"" 100
observaciones.
Solución Aunque podríamos utilizar la tabla 1 del apéndice. otra posibilidad es la siguiente:
k es el mayor número entero menor que
.5n - .5Z,.¡2 j;
Para /1 100 y a/2 =O.OS, tenemos que
.5(100) - .5(1.645)10 = 41.775
326 8 ESTIMAOON POR INTERVALOS
de modo que le --= 41. Los límites de confianza pertim:ntes son los estadisticos de
orden 42 y 59. •
Cuando se toman muestras de una población normal, no hay razón alguna

para utilil.ar los intervalos basados en la mediana. En dicha situación, comCI hemos
visto en el capitulo 7, la media muestra! es el estimador insesgado más eficiente
(menor error estándar); cuando la población es normal, un intef\.alo 1 (o.:) tiene el
rango más estrecho y preciso. No obstante, cuando Jos datos son altamente propen-
sos a los valores atípicos, los intervalos paro la media pueden muy bien tener un
rango mayor que el de los intervalos para la mediana. De nuevo resulta muy útil
construir un diagrama para los datos para ver cuál método es el mis adecuado.
EJEMPLO 8.15 Una prueba del sabor de un nuevo producto comprende 50 individuos que valoran
el gusto en una escala que va desde O.O (lo mejor) a 9 .9 (lo peor). Se obtuvieron las
siguientes calificaciones:
08 1o 29 3.0 3.4 3.5 3.7 3.7 38 3.9 4.1 4 1 4.2
42 42 4.3 4.3 4.3 43 4.3 4.3 44 44 44 44 44
44 4 .5 45 4.5 45 45 4.S 46 46 46 46 47 4.7
4.7 48 48 48 H 4.9 49 5.1 5.1 67 68
La calificación media de los 50 degustadores es 4 .300; la desviación estándar
es0.966
a. Trace una gráfica de los datos. ¿Cuál es la forma general? ¿ Hay valo-
res atípicos?
b. Calcule un intervalo de confianza al 90° o para la media.
c. Calcule un intervalo de confianza al 90°0 para la mediana.
d. En conformidad con el inciso (a), ¿cuál de los intervalos deheria ser má!>
J)Cquei\o? ¿Lo es en realidad?
Soluc1ón a. lln d1agrJma de tallo;. hojas o un histograma indica que los datos son casi
si métricos. "A ojo" parece haber valores atípicos importantes. Los "cuartiles pri-
mero > tercero" (25 percentil y 75 percenttl) son 4 .2 y 4 . 7, lo que nos da un RIC de
4.7 - 4.2 ""0.5. Las b:meras interiores son 4 .2 1.5(0.5)"" 3.45 y 4 .7 +
=
1.5(0.5) 6.45. Siete de las 50 calific ac iones se encuentran fue ra de estas ba-
rrl!ras, sugiriendo que la mu~stra se ha tom;ido de una población propensa a los
valores atípicos.
b. No hay ninguna entrada en la tabla t para 50 1 = 49 g.I.; razonable-
mente, utilizamos el registro correspondiente a 40 g.I. y ( 1 - 0.90)/2 = 0 .05, 1.684.
El intervalo es
(0.966) (0.966)
4.300 - 1.684 ~ $ µ ~ 4.300 + 1.684 ~
..¡so " 50
o
407 ~ µ ~ 4.53
=
c. Sumando probabilidades binomiales de la tabla con n 50 y Tr 0.50, en- =
contramos que P(Y~ 18) = 0 .03 13 y P(Y~ 19) = 0 .0583. Entonces tomamos k = 18
Secciones 8.6 y 8 7 E1erctc105 327
y el intervalo de confianza al 90% se extiende desde el (k + 1)-ésimo =\'alor 19,

4.3. hasta el (n - k)-isimo valor= trigésimo segundo \•alor, 4.5.
·U s; mediana ~ 4.5
d. Hemos indicado que el uso de la mediana es más eficiente (proporciona
intervalos de confianza mas peque~os) cuando los datos son propenc,os a \alores
atípicos. El intervalo de confianza p:ira la mediana tiene una amplitud de 4.5
4.3 =0.2; el intervalo de confianza para la media tiene amplitud 0 .46. •
EJEMPLO 8. 16 \fo~tramos un diagr:ima normal para los datos del ejemplo 8.15 hecho con Mini-
tab. ¿Confirma el diagrama la opinión que nos formamos acerca de la distrihución
de los datos en el ejemplo 8. 15?
MTB > p\ ot •ret ing' va •nscore• '

• •
6.0+
ret lng • 2
3 3 3
3 6 6 6 4
4.0+
•
•
2.0•
. . •
· ·······+·········•·········•···· · · ··•+·· ···· ···•·· ······nacor..

·1.60 · 0.&0 0.00 O. &O 1.60
• .\'010. roting - calificación, flSCOrt'.T • valon:s l\Qnnalcs.
Solución En el ejemplo 8.15 concluimos que los datos eran propensos a \'alores atípicos. El
diagrama normal muestra la forma de S que es característica de este tipo d.: d.lto •
SECCIONES 8.6 Y 8.7 EJERCICIOS
8 31 Remiiase a los datos del ejercicio 8.27.

a. Trace un histograma o un diagrilma de tilllo y hojas de los diltos
b. <-11'1) alguna razón oh\'io p;ira dud:ir de la correcta aproximación del nivel de
confian¿a al 95º'o.,
8.32 Con los datos del ejercicio 8.27, encuentre un inter. alo de confi:in1a al 95°10 para la
'erdadera mediana de los precio~.
8.33 Un fahricante de ropa ¡irueh:1 un siqema compu1adori1ado rara cortar rollos de tela.
Su mteres rnncipal se centra en la cantidad de tela desperdiciada. l 'n cortador ex·
penmentado (y costoso) tiene un rromed10 de 11.3'/o de desperdicio. Se selecc10na
328 8 ESTV-W:ION POR INTERVALOS
unJ mue~tra aleatoria de 18 patrones y ~ calcul:i el porcentaje que se desperdicia

con el sistema. Los datos son los siguientes:
1o 6 11.3 11.6 11.6 1 1.8 12 o 12. t 12.2 12 4

12.6 12.8 13.0 132 13.J IJ.6 13.9 143 149
(media 12.622, desviación estándar 1.113)

a Calcule un intenalo de confian1a al 95% para la medi;i.
b. Calcule un intervalo de contianZ<> al 95~~ para la mediana.
8.34 Considere los datos del ejercicio 8.33.
a. Construya un diagr;ima de tallo y hojas para los datos. ¿Existe una evidencia cla-
ra de no nonnalidad?
b. ¡,Qué indica su respuesta al inciso (a) acerca de la eficiencia relativa de la media
mucstral cuando se le compara con la mediana? ¿Se ve confirmada su respuesta
por las amplitudes relativas de los dos intervalos de confi;inz:i que encontró en el
ejercicio 8.33?
8.35 Si usted dispone de un programa para la comput01dora, construya un diagrama normal
de los datos del ejercicio 8.33. ¿Muestra el diar¡rama alguna obvia no normalidad?
INTERVALOS DE CONFIANZA PARA LA

8.8 DESVIACION ESTÁNDAR
•
Hasta aquí sólo nos hemos concentrado en los intervalos de confianza para prome-
dios (medias o medianas). No obstante, en muchas situaciones. especialmente en el
control de la calidad. la variabilidad es tan import:mte como los valores medios
Obviamente, reducir I:> variabilidad es una meta importante en la producción ma·
siva de artículos: una compal'\ia que produce rollos de "3 pulg:>d:i~". la mitad de los
cu:>les tienen :!.4 pulgadas de longitud y la otra mitad 3 6 pulgad:i., de longitud. no
ser.i un buen negocio por mucho tiempo. L:i \ :iriabilidad también es importante en
las organi~ciones de servicios: si un cajero automático nos hace esperar un prome-
dio de 15 segundos (5 segundos en 90% de l:is veces) 105 segundos el 1Oºlct restan-
te), el IOºo de las veces estaríamos molestos Una de las fonnas más razonables de
mi:dir la v:inabilidad es la des\ iación estándar. por Jo que en esta sección estudia·
remos J:i inti!rencia de intel'\ alos de confianla par:> este estadístico.
El método que se describe en est:i sección utiliza una nue\ a distribución
di">I rihul.'iún j i (muestra!) teórica. l:i distribución ji cuadrado (X"). En el apéndice de este capítu-
cuadrado lo mosm1mos qui:. p:ira medidas independientes tomadas de una población o pro-
i:eso con un:i distribución nonnal. la c:intidad (n - 1)(s1 1 cr)
tiene una distribución
ji cuadrado con n 1 grados de libenad. Por lo tanto, necesitamos usar t:iblas X~
para obtener un intervalo de conti:inza p:>ra la desviación estándar. En contraste
con las distribuciones =y t, la distribución X: no es simétrica, por lo que el uso de
tahl:is paro x= es un poco más complicado.
L:i tabla 5 del :ipendíce nos da puntos: \':llores porcentuales que tienen una
cola derech:i con :íre:i predetenninada a. Por ejemplo. el \'alor que separa un:> cola
derecha con un área de! a=- 0.05 para una distribución x= con 5 g.l es 11 .07 (véase
la ligur:i 8. 7:i). Para encontr:ir un punto que tenga una cola i:q111erda con un :íre:i
predetenninada, debemos buscar el área complementaria. Por ejemplo, el valor que
88 Intervalo• de confianza para la den\8cJ6n inúndar 329
I(?)
t t .07
(a)
!(..-'}
05
t .15
(b)
FIGURA8.7 D1stnbucr6n x2 con g.I. = S: (a) valor superior O.OS; (b) valor rnfenor O.OS
tiene un área izquierda de O.OS corresponde a un área derecha de 0.95. El valor ta-
bulado para a - O.95 y g.1. =S es 1.15. Un diagrama como el de la figura 8.7b acla-
ra la ~1tuación . Para valores muy grandes de g.I. un valor aproximado es
l~ ~(Ji- + J g.1. _ .s r
EJEMPLO 8.17 Utilice la tabla 5 del apéndice para encontrar valores que tengan áreas en la cola
derecha y en la cola izquierda iguales a 0.025, parn una distribución X~ con 29 g l.
Utilice la aproximación que consiste en tomar g.I. muy grandes para determinar los
mismo~ valores.
Solución Para el \'alor correspondiente a la cola derecha, buscamos en la columna a= 0.025

y Ja fila 29 g.I., encontrando~ ois - 45 .72. Para el valor correspondiente a la cola
330 6 ESTlMAOÓN f'Oll INTCRVALOS
izquierda. debemos utilizar un área complementaria, a= 0.975; la entrada para 29

g.I. es~~ 975= 16.05. Para utilizar la aproximación con g.I. grandes, observamos que
=~ 025 es el número 1. 96, qu..: ya nos es familiar. El valor ~ 02 ~ aproximado es
X~H ~ (l.96/v2 + y'28.5) 2 = 45.22

Para la cola izquierda, el valor de la tabla;; debe tener un área de la cola i::q11ierda
igual a 0.025 y un área en la cola derecha de 0.975; este valor es z0.975 = - 1.96. El
valor aproximado r} para la cola izquierda es
2
;{ 91s ~ (- 1.96/ Ji. + J28.5 ) = 15.62
2
Aun para 29 g.I. l::i aproximación con g.I. grandes es razonablemente precisa. •
Los valores tabulados se utilizan para encontrar un intervalo de confianza

para la varianza pobl::icionnl (o del proceso). El intervalo de confianza correspon-
diente p::ira la desviación estándar se puede encontrar extrayendo las raíces cuadra-
das di: los limites de confianza para la varianza.
Intervalo de confianza al 100( 1 - a)% para a2 y a

si s2
Para a 2 •• (n - 1) - 2 - < 1
- a <- (n - 1 )
2 --
Xw2 Xi •l
~a~ J(n - l)~

2
Para a; (n - 1) s2
Xe12 X1 - o12
donde x.! separa un área a en la cola derecha de la distribución x2 con n - 1 g.I. •
Por ejemplo, una cadena de moteles tiene un número 800 para recibir reser-
vaciones telefónicas. Un índice de la calidad de un servicio es el tiempo de espe-
ra, el tiempo que transcurre desde que el teléfono suena por vez primera hasta que
un agente responde, preparado para hacer las reservaciones. El estándar de la ca-
dena es que el tiempo promedio de e~pera no debería ser mayor de 30 segundos.
La cadena tiene inspectores que viajan a los distintos moteles y verifican todos los
aspectos del servicio. Estas personas realizan cada semana 30 llamadas para hacer
reservaciones y registran, entre otros indicadores, el tiempo de espera en cada una
de ellas. En una semana, los tiempos en segundos son 12, 13, 13, 14, 14, 14, 15,
15.16.17, 17, 18, 18, 19, 19.25,25,26,27,30, 33,34,35,-t0,40, 51,51,58, 59
y 83. En esta muestra, la media es 28.37 y la desviación estándar, 17.37. Podemos
utilizar los valores tabulados ( 16.05 y 45. 72) que encontramos en el ejemplo 8.17
para calculor un intervalo de confian.ra al 95% para la varianza poblacional y Ja
desviación estándar.
(30- 1)(17.37) 2 2 (30- 1)(17.37) 2

------ < q < ------
4S.72 - - 16.0S
o
~I
88 lntel"alos de conlianu para la desV1aclÓn es~r
2
191.38 .S u S 545.16
Extrayendo raices cuadradas obtenemos el intervalo de confi:mJ'a al 95% para la
desviación estándar del tiempo de espera.
1383 s (1 s 13.35
El inten-alo indica que hay una gran \ariahilidad en los tiempos de espera, aun
cuanJo todo parece indicar que el estándar para l:i media si se alcanza
EJEMPLO 8. 18 Una compañía farm:icéutica fabrica cierta clase de tabletas antihistamínicas. Es

muy importante limitar la variabilidad o potencia de una tableta a la otra. El depar-
tamento de control de la calidad prueba rutinariamente muestras aleatorias de las
tablet.a.S de cada lote. u potencia nominal de cada tableta es 25 miligramos y las
potencias medid:is de 30 tabletas en una mueMra son
24.1 27.2 26 7 ::?3 6 264 25.2

25.8 27.3 23.2 :?69 27.1 26 7
22.7 269 24 g 24 o 234 2SO
24 s 261 25.9 25 4 22 9 24 9
264 2S4 23.3 23.0 24.3 23.11
Construya un intervalo de conlianJ'..a al 9S~o pam la desviación estándar de la po-
tencia de las tabletas.
Solución Los cálculos uswles nos muestran que y= 25.097 y s1 2. l 5tn Como n = 30. hay
29 gJ. Consultando la tabla 5 del apéndice, los valores X.Í ª 1 }' X~~ para un inter-
valo de confianza al 95% son¡.~ m = 16.05 y x~ ou = 45.72 . Porlo tanto. el interva-
lo de conlia~ al 95% para cr es
2.1583 2 29 2.1583
<29> 45.72 .S ª .S ( ) 16.05
o
1.369 S a 1 S 3.900
Extrayendo raices cuadradas, el intervalo de confianza al 95% para <:1 es
.[1369 s t1 .s . . 3.900
o
1.17 s s
(1 1.97
La justificación de este intervalo de confianza es que el C\ ento
sz sz
(n - 1)-2- .S u 1 S (n - 1)-1- -
X.12 11 -.¡z
es algebra1camente idéntico al evento
3)2 8 ESTIHAOON POR INTERVALOS
Sabcmo~ que (n 1h:/d tiene una distribución X~ con n - 1 g.1. y que x?-a 2 y
x}, ~ tient:n áre:is en la cola izquierda y en l:u:ola derecha de u 2. rc:.pccti\ amente.
Laprob:d>ilidaddcl e'ento(el ni, el dcconfianai)esporlotantoel \alordel-.eado 1 a .
Las inferencias ji cuadrado acerca de la de-,, iaci<~n estándar o de la 'arianza
son panicularmente sensibles a la hipótesis de una pohlación o proceso normal. Si
la población no es normal, las probabilidades anunciadas como el nivel de conlian-
i'..O pueden ser erróneas. Un supuesto intervalo de confianza al 95% puede tener en
realidad sólo una prohabilidad del 80°'1> (o aún menos) de incluir el valor correcto.
La razón es que no hay nada en el procedimiento (excepto los valores tabulados.
que suponen normalidad) que dé cuenta de la incertidumbre de la 'arianza mws-
tral. El Teorema Central del Limite no prcst:i ninguna ayuda: éste es un teorema
acerca de las medias muestrales, no acerca de sus varianzas. Por consiguiente. en
esh: caso es aún más importante trazar diagramas con los datos; si éstos tienen un
aspecto no normal, el supuesto nivel de confianza no es creíble.
método j t1ckk11iji.• Otro método par:i determinar intervalos de confianza es el mHodo jflc/..k11ife,
que se basa en un enfoque de cómputo. Para llevar a cabo este melodo. cxclu~ a
cada vez y en forma consecutiva una observación muestra!, y vuelva a calcular l:i
varianza. Si usted omitió un valor típico. la varianz.:i no cambiará mucho: pero si
usted omitió un valor atípico, la varianza decrecerá se1,eramcnte. Así, el método
1ackknife le advertirá si está tratando con datos propensos a los valores atípicos.
pues las varianzas correspondientes a dichas exclusiones 'ariadn enormemente.
Como es de esperar. usted deberá aplicar el m¿lodo con una computadora, no a
mano; un programa para tales propchito' se hará cargo de los det:illcs técnicos.
(Para su conocimiento: la computadora calcub "scudovalores" por ejemplo. /1 \C·
ces el logaritmo de la varían~ menos 11 1 veces el logaritmo de las varianz.:is co·
rrespondientes a las exclusiones- y después encuentra un intervalo de confianza /
utilizando los seudovalores. Quizá tenga que reconvertir los logaritmo~. mas en
otro'\ aspectos usted puede dejar el trabajo pesado al programa.) l:I métodn jack-
knife no supone una población normal, y la prohahilidad bu-.c:HJa ::.e hace más pre-
cisa a medida que jUment¡¡ el tamai'\o de la muestra; por consiguiente, es más
fidedigno que el inlcr\'alo ji cuadrado en los casos en que un diagrama de los datos
sugiere que éstos ticn~·n una distribución no normal.
Los datos correspondientes a los tiempos de espera en el trámite e.le rescn a-
ciones considerados con anterioridad en esta sección son asimétricos a la derecha.
"4T8 > let k1 • 1

MTB > execute 'kn1 fe1 '
"4T8 > let c50•ck1
"4T8 > l et k2•s1.111(c50)
HTB > let k3•ssq(c50 )
MT8 > le t k4•count(c50 >
MTB > let c49• (C k3· c50••2)·CCk2·c50)••2)/( k4 ·1))/( k4-2)
MTB > l et c48s2•k4• loge(s tdev(c50))-C k4 ·1>• 1oge(c49)
MT8 > tlnte rve l of c48
N MEAN STDEV se MEAN 95 .0 PERCENT C.J.
C48 30 5.790 2. 333 0. 426 ( 4.9 t 9, 6.661) MT8 > end
MTB > let k5•exponent ial(4.919)
MTB > let k6•exponent ial C6. 661)
HT8 > note k5 and k6 are conf1dcnce t imlts for t he va ri ance
HTB > prlnt k5 •nd k6
KS 136. 866
K6 781. 332
333
de modo que un intel"'\·alo de confi::in;.a determinado con estc método delierá ser
más digno de crédito que un inter\'alo x!El trabajo lo hizo un "macro·· de Miní-
tah; y nosotros consideraremos los resultados. no los cálculos.
l· I intervalo jaclclcnifc 136.87 ~ d S 781.33 es más amplio que el intervalo ·i
191.38 $ d ~ 545.16 que encontramos previamente. No obstante, la pretendida
conftanz;i al 95% del imervalojockkn~fe es más fidedigna que la corrl!spondiente al
95% dd inter\'alo parad, dada la no nonnalidad de los datos de la muestra.
EJEMPLO 8. 19 Con hase en los datos del ejemplo 8.18, el intervalo de conti::inza jocklcnife al 95%
para la desviación estándar de la potencia de las tabletas es 1.581 $ d ~ 3.034. Un
díagr.ima di! tallo y hojas de los datos es básicamente plano sin nada parecido a un
\ alor atípico. ¿Hay alguna ra1.ón para prefl!rir el intervalo 1ackk.nifi• en VC7 del in-
tcl"'\·alo 1.369 S <:i- ~ 3. 900 que se enconlró en el ejemplo 8.18?
Solución No hay ninguna indicación de asimetrías o valores atípicos, de modo que la preten-
dida confianza del intel"'\·alo X~ debería ser ra/'onablcmcnte precisa, al igual que el
nivcl de confian1..a del intervalo jocklcnife. Ambos son válidos. ma~ el intervalo
jaclclcnife es preferible por ser más pequei\o. •
SECCIÓN 8.8 ~JERCICIOS _
8.36 Suponga que r tiene una distribución X2 con 27 g.I.

a. Encuentre f>(f > 46.%1.
h. Encuentre l'( r · 18.11 ).
c. Fncuentre P( Y· 12.88).
d. ;,Que 'alor tiene P( 12.8786 < Y< 46.9630)'.>
8.37 l'.ira una distribución x. 2 con 11 g.I.,
a. Encuentre X~ 0 ,~ ;
.
b. hncucntre
~
Xo -
•m .
x
8.18 Suponga que Y tiene una distribución 1 con 277 g.I. Encuentre \alorc!t aproxima-
dos para X~ o~s y X~ im •
8.39 Un vendedor de muebles de madera con disc~os modernos importa muchos de sus
articulos del norte de EuroJla. Para reducir )os gastos de embarque. los muebles se
en\ ían desarmados en empaques planos y compactos. El cliente arma los muebles
en su casa. No se puede esperar que el compr:idor haga trabajos de carpintería de
alta precisión. de modo que las pJrtcs deben encuadrar muy bien. Para un modelo
11111) poflular. el cliente dehe insert3r cuatro Jliltas redondas en sendos hoyos ya per·
for3dos. Para un ajuste adecuado. el diámetro de las patas debe ser ligeramente me-
nor que un centímetro. lne\ itahlemente, ha) cierta 'ariacion en los diámetros de las
patas, debida principalmente al desgaste de las herramienta~ de corte e imperli:ccio-
nes en 13 madera. El vendedor compra las patas a dos proveed-Ores bajo la e~pcc11i
cacion de que el d1.imetro medio dehe ser de 0.99S centímetros> la desviación
estándar menor que 0.030 centímetros. Como parte de los procedimientos de control
de la calidad, se obtu\ ieron muestras 3Jea1orias de 12 l pata~ de cada uno de los pro-
\'Cedores. Los datos correspondientes al proveedor A se analilaron con Minitab, con
Jos siguientes resultados:
334 8 ESTIMACIÓN POR INTERVALOS
HT8 > print •s~lA'
S~lA
0.937 0.947 0.957 0.962 0.963 0. 963 0.964 0 . 967 0.970
" 0.970
0 .978
0.972
0.978
0.972
0 .978
0.973
0.979
0.974
0.979
0.974
0.980
o. 975
0.980
o.9n
0.981
o. 9n
0 .981
0.982 0.982 0.982 0.983 0.983 0.981. 0. 981. 0.985 0. 986
0.986 0.987 0.987 0.987 0.987 0.989 0.989 0.989 0.990
0.990 0.991 0.991 0.991 0.992 0.992 0. 992 0 . 992 0 .993
0.993 0.993 0.993 0 .994 0.995 0.995 0.997 0.997 0. 997
0 .998 0.998 0.998 0. 999 0.999 1.000 1.000 1.000 1.000
1.000 1.001 1.001 1 .002 1.002 , .002 1.002 1.002 1.002
1.003 1.003 1.003 1.004 1.004 1.005 1.005 1.005 1.006
1.006 1.006 1.007 1.008 1.008 1.008 , . 009 1.010 1 .011
1.011 1.011 1.012 1.012 1.015 1.015 1.017 1 .018 1. 019
1.020 1.021 1.023 1.023 1.024 1 .025 1.025 1.025 1.026
1.028 1.029 1.032 1.038
MT8 > describe •supplA'
11 MEAN MEOIAll JRMEAN STOEV SEMEAN

Supc>IA 121 0. 99516 0.99700 0.99548 0 .01825 0.00166
Mlll ltAX 01 03
SupplA 0.93700 1.03800 0.98250 1 .00600
• /\'ottJ. supp/A ,. ptovtc:dor A
a. C3kule un intenalo de confianr.3 al 95% pilra la desviación estándar de todo un

lote de varios miles de palas.
b. De acuerdo con este intervalo de confian1.a, ¿es posible que la \Crdadcra desvia-
ciún estindar sea mayor que 0.030 centímetros?
K 40 a. F.I intervalo de confianz.a del ejercicio 8.39 tiene dos extremos. ¿Por qué un in·
tervalo de confianza ~on un solo extremo. el superior, puede ser más útrl'>
b. Calcule un interulo :il 95% p3ra la desviación estándar con un solo extremo. d
superior. ¿Qué indica este intervalo acerca de la posibilidad de que l:i des\ iac1ón
estándar sea ma)or que 0.030 cenlimctros?
S.41 Se ha clatoorJJo unJ mac ro (sucesión de instrucciones) parJ M initab llamada ..kni·
fe I " para realizar los cálculos del mctodo jackknife par:i f3 v:irianza de una sola
muestra. A conlinuación se mue ..tran los resultados para los datos del ejercicio 8.39.
MTB > l et k1•1

ltTB > ex~ute •a : kni fel'
MTI > let cSO•ckl
MTB > l et k2ss1111(c50>
MTB > l et k3 =ssq(c50>
MTB > l et k4•cOYnt(c50>
ltTI > l et c49•<< k3 ·cso••2>·<< k2· cSO> ••z>t< l4 · 1))/( k4 ·2>
MTB > t et c48=2•1t4*1oge(stdev(c50 >> · <k4·1>•toge(c49)
ltll > t1nterval o f c4&
11 MEAN STOEV SE MfAll 95 .O PERCEliT C. I.
C48 121 ·8., 17 1.540 0.140 e · 8.J94 , - 1 . &1.0>
MTB > ffd
MTI > l et k5=cxpon< 8.394)
Ml8 > l et k6=exponC · 7.840>
MTB >note kS ard k6 a r e the j ackkn1fe conf1dence li•1ts far Sl llfl\t squared
MT8 > print kS k6
(5 0 .000226221
(6 0.000393669
Sección 8 8 E1erc1c1os 335
a. Identifique el inlervalo de confian;ra al 95% para la \'arianza de la población.

b. ¿Es este intervalo muy distinto del que se encontró en el ejercicio 8.39?
8.42 Los siguientes datos y anáJisis corresponden al segundo proveedor del problema 8.39.
Suppl8
0.907 0.921 0.936 0.945 0.946 0.946 0.948 0.951 0.955
0.956 0.959 0.959 0.961 0.962 0.963 0.963 0.966 0.967
0.967 0.968 0.969 0.969 0.970 0.971 0.971 0.973 0.973
0.973 0.974 0.974 0.975 0.976 o.9n 0.978 0.978 0.979
0.980 0.981 0.981 0.982 0.982 0.984 0.985 0.985 0.985
0.987 0. 987 0.987 0.988 0.989 0.989 0.990 0.990 0.990
0.991 0.991 0.991 0.993 0.993 0.993 0.996 0.996 0.997
0.997 0.997 0.997 1.000 1.000 1 .000 1 .001 1.001 1.001
1. 001 1.002 , .003 1.004 1.004 1.004 1.004 1.004 1.005
1.005 1.005 1.006 1.006 , .007 1.008 1.009 1.009 1.010
1.010 1.011 1 .012 1.012 1.013 1.013 1. 015 1.016 1.017
1.017 , .018 1.019 , .019 1.023 1.024 l.027 1.027 1.029
1. 031 1.033 1.036 1.036 1.036 1.039 1.039 1.039 1.040
1.043 1.045 1.050 1.059
MT8 > describe 'Suppl8'
N MEAN MEOIAN TRlo!EAN STO EV SEl~EAll

Suppl8 121 0.99378 0.99600 0.99422 0.02740 0.00249
HIN MAX 01 oJ
S~l8 0.90700 1.05900 0.97450 1.01050
MTB > l et kh2
MlB > execute 1 a:kn1fel'
MTB > let c50:clt1
MTB > lct k2ssUll(C50)
>tTB > lct kJ•ssq(c50)
MTB > l e t k4=couot( c:50>
MTB > let c49•(( k3·c50**2)·(< k2 ·c50)**2 )/( k4 ·1))/(k4·2>
MTB > let c48=2•k4*1oge(stdcv(c50))·(k4· 1) *loge(c49)
MT8 > t1ntervel of c48
11 MEAN STDEV se MEAN 95.0 PERCENT C.I.

C48 121 . 7. 273 1.541 o. 140 ( ·7.550, ·6 .995)
MT8 > end
MTB > let k7=expon(· 7.550)
MTB > l et k8=expon(·6.995)
MT8 > note k7, k8 are jockkn1fe conf. lim1ts for t~e Suppl8 veriance
MTB > print k7 k8
(7 0.0005261 10
(8 0.000916453
Mín1tab para el ejercicio 8.42
:i.Con los métodos ji cuadrado y jadtknife. obtenga intervalos de conliani'.a al 95%

p:ira la de$viaci6n estfodar. ¿Son parecidos estos inten a los-:>
b. Si usted ya llegó a alguna conclusión, ¿cuál de los proveedores diría que tiene
una mayor variabilidad? ¿Es suficiente la información que proporcionan las
muestras para sustentar su decisión con una certeza casi absoluta?
••• " t UtW • H'OftlNllKVALOS
La estina:lción por intervalos nos pem1itc especificar límites ra1onables para los va-
lores de los parámetros de una población y nos da una ind1c:lción explícita del gra-
do de inccrtidumhre en una estimación. La forma de un intervalo de confianza para
la media de una población o proceso es
estimador± (valor tabulado)(error estándar)

donde el valor tabulado se toma de una tabla zen el caso (poco realista ) de que se
conozca la desviación estándar de la población, y de una uibla ten el caso (cieno
por lo general) de que sea desconocida. Lo mismo se puede decir de muchos, pero
no de todos. los intervalos de confianza de otros estadísticos, con distintas fórmu-
las para el error estándar. Los intervaJos de confianza para las medianas, que re-
quieren tablas binomiales, y las desviaciones estándar, que requieren de tablas ji
cuadrado, son intervalos que no son de esta forma.
Los estimadores eficientes proporcionan intervalos de confianza precisos y
peque~os. La elección del método para el intervalo de confianza depende de la na-
tUr.lleza de la población o proceso subyacente. Nue,amentc, los diagramas para los
datos pueden indic3.f si las asimellÍas o los valores atípicos obligan a utili7.ar un pa-
rámetro distinto a la media.
Una forma muy útil de determinar el tamaño que debe tener una muestra, es
decidir la amplitud deseada del intervalo de confianza y después calcular n. Este
principio se aplica por ensayo y error en muchas situaciones, mas para el caso es-
pecifico del muestreo aleatorio y la media se puede proporcionar una fórmula.
FÓRMULAS PRINCIPALES: estimación por rntervalos
l. Jntervalo de confianza al 100( 1 - a)% para µ, cuando se conoce O"

(1
donde <1 r = /;
Observe que za.'"2 es el valor de la tabla normal que tiene un área igual a
aJ2 en Ja cola derecha.
2. lnteí\alo de coníianza al 100(1 - a)% para 1C
-± Ji(I -
1l Za¡2
i)
3. Tama~o
"
muestra) requerido para obtener un intervalo de coníianza al
100( 1 - a)% para µ, con amplitud 2E
z:12C12
n =---
E2
4. Tam:li'lo muestra! requerido para obtener un intervalo de confianza al
100( 1 - a)% para te, con amplitud 2E
337
Z~12i(l - Í!)
ti=-------
fl
donde ;r se puede estimar con base en un:l inform:ición previ:i o tomar.
de manera conservadora, como O 50
5. Intervalo de confianza al 100(1 - a)o/o paraµ
- s
>' ± le¡l ¡;.
donde la12 se basa en g.1. =n - 1
6. Intervalo de confian1..a al 100( 1 a)% para la mediana
estadístico de orden (k + 1) S mediana$ estadístico de orden (n .le)
donde
P(número de éxitos S k) $ aJ2
y
P(número de éxitos S k + 1) > aJ2
en la tabla 1 del apéndice, tr = 0.50. Para n muy grande,
k • 0.05n - 0.05zan.Jn.
7. Intervalo de confianza al 100{ 1 - a)% para la varianL.a
sl sl
(n - 1)-2- ~ u2 s (n - 1)-2- -
le/2 l1-e12
---------------
8.43 Una muestra aleatoria de los balances de fin de ai\o de 22 empresas pequei't:11s (con
ventas anuales inferiores a los S00,000 dólares) 1irrojo una media muestra! de los
beneficios brutos de las ventas del 5.2% y una desvit1ción estándar del 3.3%. Utili-
ce C'itos resultados para calcular un intervalo de confianza al 90% de J;i media po-
blac1onal, donde la población estÍI constituida por (el beneficio bruto de) los .. arios
miles de pequei'tas empresas de la ciudad.
8.44 Rcmftase al ejercicio 8.43. Obviamente, el beneficio bruto de un negocio saludable
no puede ser negativo. La regla cmplrica para dos desviaciones estándar indicaría
que una fracción sustancial de los negocios tienen beneficios brutos negativos.
a. ¿F.s probable que los datos de la muestra tuviesen una distribución cercana a
la normal?
b. ¿Qué indica su respuesta al inciso (a) acerca del intervalo de confianza que se
calculó en el ejercicio 8.43'?
8A5 Un pro)'ecto de investigación para una compaflia de seguros tiene como propósito de-
terminar el valor medio de las posesiones personales de los arrendadores de aparta-
mentos urbanos. Un estudio previo sugiere que la des' iación es~ndar de la población
deberi:i ser aproximadamente 10,000 dólares. Se pide un intenalo de coofian.1a al
95º• con una amplitud de 1000 dólares (más-menos 500 dólares) e.De que tamai\o se
debe tomar la muestra para obtener dicho inte~alo de conli3n1J"'
8 46 Se puede argumentar que los datos del ejercicio 8.45 podrían ser 3simétricos:
son pocas las personas que poseen propiedades de mucho valor. Por lo tanto (conti-
nú3 el argumento) el intervalo de confianza es totalmente inválido. 1, Es correcto
este argumento?
8.47 Mucho~ incfüiduo!> de más de 40 ai'los desarrollan intolerancia para la leche y otros
productos lácteos. Un fabricante ha elaborado una linea de productos sin lactosa que
338 8 ESTIMACION POR INTERVALOS
'ºº mejor tolerados. Para determinar el mercado potencial de estos productos. el

fotmcante pidió a un grupo de in\'esiisaciñn de mercado que estud13c;e :i los indivi-
~uos
con m:is de 40 ailos en su áre:i de \Cnta. Una muema :ilcatoria de :!SO perso-
nas indica que 86 tienen intolerancia para la leche Calcule un intervalo de
confian1.a al 90°ó para la proporción de la roblación que tiene intolcrJncia hacia la
leche con hase en los rcsuhados de la muestr:i.
8.4 S En el ejercicio 8.4 7 se plantea un segundo e~tudio. Se debe construir un ínter\ alo de
confian.1~ al 90~o. ¿Oc qué t:im:tllo se debe tomar la muestra para ec;timar la propor-
ción de 13 población, con un error no mayor de O.O:?. t-.310 las siguientes condiciones:
3. Suponiendo que la proporción de la muestr3 es 3proximadamente la misma que
-;e cncootró en el ejercicio 8A7.
b Suponiendo que la proporción de la población puede ser cualquier3?
8.49 Poco ante~ del 15 de ahriJ• de un ailo particular, un grupo de sociólogos realizó una
encuesta para in\estigar su teoría de que los e\'asores de impuestos tienden a redu-
cir sus culpas sosteniendo cienas creencias. Se entrevistó a un total de 500 adultos,
a quienes se les preguntó en qué situaciones pensaban estaba ,1ustificado hacer de-
claraciones incorrectas. Las respuestas inclu}eron las siguientes:
56° o est:i de acuerdo en que "otras personas no declaran todos sus iogresos".
50°ó cst:i de acuerdo en que "el gohicmo a menudo no tiene cuidado con el uso del
dmero recaudado ror impuestos".
~6° o est:i de acuerdo en que "el engallo puede no ser tenido en cuenta si en i¡.éneral
uno es respetuoso de las leyes".
Suponiendo que lo~ datos son una mue'>tra alc;iton3 simple de 1.1 pohlJc111n de quu:nes
dehen ra¡¡ar 1mpuc<;tos (inclu~ cndo e' a'>orc'\). calcule un intcn alo de conlian.1.i JI 95° •
p.ua la proporción de la población que concuerda con cada una de la'I atirmacmnes
8.50 Al coment:>r el estudio del ejercicio 8 49. un escritor de editon3lcs alirma que la
opinión de 500 individuos es 'mu::ilmente msignificante comparada con el número
total de quienes pagan impuestos en .. stados Unidos; estos podnan ser los 500 "ma-
~orcs e\awres" de todo el pais. Critique 13 postura del editorialista.
8.51 Se midio el contenido de cafeína {en mili¡;r3mos) de una muestra ::ileatoria de 50 ta-
/3S de café negro sel"\ idas por una nue' a máquina L3 media> la desviación están-
dar son 100 miligramo'> y 7.1 miligramos, respcct1' ¡¡mente. Construy::i un ínter\ alo
de contian1a al 98°0 para la \erdadera media (poblacional) del contenido de c3feí-
n3 por ta.13 ser\ ida por la máquina.
K.52 La rn:iquina del ejercicio 8.51 es capal de servir 3000 ta1as por día fl conh:nido de
cafeína camhia dehido a las \'ariaciones en la cantidad presente: c:n los ¡¡.ranos de
calC molidos y en el tiemro de extracción
a . ¡,Se puede cuestionar el estudio del ejercicio 8.S 1 en 'irtud de que ~e ha analin-
do una fracción mu~ peque/la de las ta1as que sir\ e l<J máquina'?
b. Las 50 ta1as de la muestra se toman de la m:iquioa en forma consecutiva t.1lace
esto que el estudio sea cuestionahlc?
8.53 \ ln:i muestra aleatoria de los halances financieros de fin de año de una muestra de
:!:? pequeilos negocios minoristas (con ,·cntas anuales inferiores a 500,000 dólares)
muestra que el margen de ganancia neta sohre las 'entas es 0.021 O y la de~' iación
c~tindar 0.011~ . Encuentre un inter\alo de confianta al 90°ó para el margen medio
de ¡;:inancia nela de todos los peque/los negocios minoristas de la ciudad.
8.S~ LM rell-istros indican que en el ejercicio 8.53 hahia 97!0 pequei\os nesocios mino·
nstas. La mue,tra se tomó sin rccmplatam1en10. t.t::s imponante corregir los cálcu-
los del inten alo de confianza parn el mue~treo sin reempla.1anucnto''
85) Los datos del ejercicio 8.53 indican que la d1stnhuc1ón de los márgenes netos de ga-
nancia tiene un pico alrcdi:Jnr de O 015. algunos negocios tienen márgenes mucho
• l"i.!.:h3 ~n que las ~rSOl13S lis1cas 11cnm que pc~scnw su dt"dar3c1on de ingresos '-'fl r.,udos 1'mdos.
(,\' tft'I T.)
E¡ercicios H9
m:i~ grandes pero ninguno margenes miis pequeilos. ¡,Que indica este hec ho acerca
del inten.alo de confian1.a al 90% que se encon1ró?
8 56 Se obtu"o un:i mue~tra aleatoria de 100 registros. Los dalM y la \alicfo de Minitah
son los siguienles:
values
40 42 45 47 48 48 49 49 50 51 51 52 53
54 55 55 55 55 56 56 56 56 56 56 57 57
57 57 58 58 58 58 58 59 59 59 59 59 59
60 60 60 60 60 60 60 60 60 61 61 61 61
61 62 62 62 62 63 63 63 61, 61, 61, 65 65
65 65 65 66 66 66 66 66 67 67 67 67 67
67 67 68 68 68 68 69 69 69 69 70 70 72
72 72 7J 7J 74 76 79 81 81
HT8 > ~sc:ribe •values•
11 MEAll HEOI AN TRHEA N STOEV SEHEAN

v1lues 100 61.460 61.000 61.478 7.845 0.784
HIN HAX Q1 Q3
values 40.000 81.000 57.000 67.000
HTB > t interval w1th 95X c:onf1denc:e for 1

v1lues•
N >'EAN STOEV SE MEAN 95.0 PERCENT C.t.

values 100 61.460 7.845 0.784 ( 59.903, 63 .017)
a. íracc un diagrama de tallo y hojas o un histograma. ¿Cuál es la forma general de

los datos.,
b. l»I in1crvalo de conlian1.a para la media. ¿debería ser más grande o m:i~ pcquel\o
que el intervalo de confian1a al 95% para lu mediana?
c. Calcule un intervalo de cunfian1.a al 95% par;i la mediana. t.Concuerda el resul-
1ado con la respuesta que usu:d dio al inci~o (h)?
8.57 A continuación moslramo" un diagrama normal de los dato'\ del ejercicio R.56 hecho
con Mini1ah ¿Confirma el diagrama !J opinión que u<;tcd se formú en el inciso (a)
de dic ho e1ercic10'!
HTB > plot 1

v1lue1 1 vs • nscores •
values
2
•
75• ••
32
4 42
55 7
433
60• 6 9 5
6 45
24
•2•
• 22
45• •
•
•
+· • • • • · · · ·+· • • · · · · · ·+· • · · · · · · -•· • · • • - · · ·•· • • · • • • · ·•· · • • • ·nacor••
·3 . 0 · 2.0 · 1.0 o.o 1.0 2.0
340 8 ~STIHACIÓN POR INTERVALOS
IU8 l·.I dep:1r1amen10 de policía de una ciudad de rcgul3r t3m3ilo registró el tiempo de
respuesta a 13s ll3mada<; en las que se denuncian delílos. pero que no <;on emer-
gencias. como desvalijamiento de automó\'1les o robo a casas Como una muestra
' alc3toria del proce<¡o en curso, ~e tomaron los tiempos en minuto~ correspondiente~
a 29 llamadas registradas durante una .;emana. 11. cont1nuac1ón st: muestra 13 s3lida
de Minllah
IH B > print • res pt il!lf •
respt i 111t
24 25 18 zs 1S ,, 11 19 36 l9 1J 21 12
12 26 16 19 12 2t 12 12 18 11 19 16 24
14 23 17
MTB > descri ~ ' res ptilllf'
N MEAN MEDI AN TRMEAN STOEV SEMEAN

resptime 29 18 .3 1 18 .00 17.93 6.l9 1. 17
MIN MAX 01 03
respt iine 11.00 36.00 12.00 23.SO
MTB > zínte rva l w1th 901' conf1dence si gma • 6.0 da ta •r esptiN '
THE ASSUMEO SI GMA "6.00
N MEAN STOEV SE MEAN 90.0 PERCENT C. I .

respt11M 29 18 . 31 6. 29 1. 11 < 16 .48, 20 . tS >
MT8 > tl n terve l wí th 90X conf ldence date 1
resptí111e 1
N MEAN STDEV SE MEAN 90. 0 PERCENT C.I .

respti • 29 18. 31 6. 29 1.17 ( 16 .32 , 20. 30)
• ,\'01<1. n·.fpttn1c! tiempo de respue~ta.
a. Calcule un inter\'alo de confi3n1a al 900/o p3ra el tiempo medio del proceso. en el

limile. suponiendo que la des\'i3ción estándar es de f\.O minutM. Localice el re-
sultado en la <¡alida de Minitah.
b. Vuelva a calcular el inlervalo de confian1..a suponiendo que <¡e desconoce la des-
\ iación estándar en el limite. Localice este re~ult3do en la s3lida de Mini1ab.
c. 1,l'nr qu~ el segundo intcí\'3lo es más nmplio que el primero?
8 5<> 1racc un hi'itogr3ma o un diagrama de 1allo y ho1as de los dato<; del ejercicio fUR 1 l .e
rarccc que la di'itribucion de Jo<; tiempos de respuesta e<; arroximadamcnte normal?
!1.60 I· n un crl3dero estatal de pece'\ se crían truchas rara aprovisionor ríos y lagos. El
peso del pe1 en el momento que es li~rado se puede controlar variando su alimen-
1ación. El ohjetivo e<; una media de 10 on1.a"I. s1 los peces son mu:. pcqueilos. quie-
nes los pe<;c.m no quedan muy contentos. pero ~i los pece" son dema"liado grandes,
los descontentos son quienes compran el alimento. Se pesa un3 muestra de 61 peces
en el momento de ser liberados. tos pesos, con una aproximación de dl!cimas de
on1n. son los siguientes:
93 11 7 11 o 9 !I 10.1 K9 !17 95 l08 ti 7 76

1()0 !l!I 9.3 92 K1 99 94 IU 10 3 98 9.5
98 9.0 10 7 9.J 96 104 94 9 !I 91( 9.2 11.0
10::? 91 11.0 94 9.7 12.1 9 !I 7. 1 113 ro J 10.6
101 10.2 !I K 9.J 10.J 10.7 IOK 75 9 (1 101 9.2
9.7 J04 91 97 107 tOó
media 9.6803, des\'iaeión est:\ndar 0 .95983.
341
a. Calcule un intervalo de conlianla para el pe$o medio de un grupo formado 11M

'arios miles de peces. ¿Se debe considerar la de'' 1:u:wn C'-t.rnd.1r 1nd11:ad.1 comfl
una des\ iación estándar poblacional o muestra!?
b. ¿Indica el intervalo de conlianra 4ue el criadero no está logrando el ohieth o de •:
10 onzas?
&.61 Obtenga un diagrama de tallo y hojas de los dato~ del ejercicio R.60. ¿Indica d
diagrama que la distrihución de pesos es aproximadamente normal? Si no lo es, ¿se
im alidaría por ello el intervalo de confian1a calcubdo en el ejercicio &.60'?
8.62 Los datos del ejercicio 8.60 se ohtu\ ieron dividiendo aleatoriamente los pece~ en
grupos con distintos destinos. Después, dentro de cada grupo se seleccionaron algu-
nos peces (escogidos ;il aru en la medida de Jo posible). Podemo$ sospechar que al
principio se atraparon con la red los peces más ~randes ) 4ue estos se asignaron a
los primeros grupos. A continuación se mue~tra un diagrama del peso de los peces
contra su número de grupo. ¿l la~ ;ilgún indicio claro de que los pesos se van redu-
ciendo a medida 4ue se incrementa el número del grupo'?
wei ghts • •
•
11.2•
• • 2 •
• • 2 3
• • • 4 •
• • 2 • 2 •
9.6+ • 2 • 2
• 3 • 2 • • •
• • • • • • •
• •
• •
8. 0• •
•
•
•
· ·····•·· ·· ·····•· ·· ······•········ ·•·········•·········•betcti
1.5 3.0 4.5 6. 0 7.5 9. 0
8.63 a. Utilice los dalos del ejercicio 8.60 para calcular un intervalo de confian1..a al 95%
de la desviación e<;tándar ¡'l(>hlacional.
h. El criadero espera una des"iación esr:indar de 0.75 on1;i~ en los pesos. ¡,Indica
el intervalo de confianla del inciso (a) que en este ca"o no se alcanzará dicho
o~jetivo?
8.M Un fabricante de m;illas metálícas trata de limit;ir el nümero de defectos a no más
de 5 por cada 1000 pies. Los defectos son por lo general alambres rotos en la mall:i
o hurbujas de pintura. Cada día. se inspecciona una n1ue .. tra de 2-J corte~ de tela me-
tálica, cada uno de 500 pie" de longitud. Los siguientes datoi; corresponden a los
defectos encontrados en lo" cortes de la muestra.
J ~ J o ti o 2 ~ ~ .¡ .1 ó
.i J .i 5 ~ o 5 2
11
'media
* medi;ina des\iac1ón
estándar
.:!4 2.917 300() 1. 7IJ 2
342 8 ES'TlMACION POR INTERVALOS
a. Calcule un intervalo de confi:inza al 99% para el número medio de defectos en la

producción de un di:I. de muchos miles de cortes de 500 pies.
1> De acuerdo con las metas del fabrican1e, ¿cuól debería ser el número medio de
defectos en los cortes de 500 pies? ¿Indica el intervalo de confianza que este \3-
lor no es posible?
8.65 Los datos del ejercicio 8.64 se obtuvieron por inspección \isual lle la malla. Supon·
¡;a que el día en que se reali16 la mues1ra, Ja inspección no fue tan cuidadosa como
debería haberlo sido. ¡,Qué sesgo se introduce con ello? Como resultado, ¿el 1n1er-
valo de confianta deberia ser muy pequel'to o muy grande?
8.66 a . En d ejercicio 8.64, la media menos dos desviaciones estándar corresponde a un
número negativo de defectos. ¿Que sugiere este hecho acerca de la distribución
de Jos datos?
b. Trace una gráfica de lo.> Jatos. ¿Confirma la figura su respuesta al inciso (a)?
8.67 a. Calcule un intervalo de confian1a al 90°0 para la verdadera desviacibn estándar
pohlacional del número de defectos.
b. Suponiendo que la distribución del número de defeclos no es normal, ¿cuál es el
efecto sobre el intervalo de confian1a para la desviación cstándor?
8.68 Un fabricante de di squete~ para computado ras personales está preocupado por el
número de sectores doi\ados que se registran cuando se formatea un disco en una
computadora particular. Se selecciona una mue ~tra de 36 disquetes de Ja producción
diaria. se les da formato y se registra el tama"o (en miles de bytes) de los sectores
Mf8 > print 'badsects'
b.1dsects
4.92 10.20 12.88 1.05 12.09 4.54 5.96 7.36 17 .21
6.97 4.69 14.79 1S .53 12.43 8.00 7.97 4.85 0.94
3.91 0.49 7 .57 1.03 6.02 26.43 4 .19 7.07 48.93
S.47 26.03 0.6J 5.77 1.68 3 .68 31.68 3..~1 5.43
MTB > st ~ and leaf of 'badsects•
Ste111-end·leaf of badsects N • 36
leaf Unit " 1.0
14 o 00011 133344444
(11) o 55556677778
11 , 02224
6 1 57
4 2
4 2 66
2 3 1
1 3
1 4
1 4 8
MTB > describe 'badsects •
N MEAN MEDIAN UNUN STOEV SE MEAN

badsects 36 9.49 5.99 8. 12 10.02 t.67
MI N AA)( 01 03
badsecu 0.49 48.93 3.98 12.34
MTB > t1nterval 951 conf 1dence of 'badsecu•
N MEAN STOEV SE MEAN 95.0 PERCENT c.r.

b.:ldsects 36 9.49 10 .02 1.67 ( 6 . 10, 12.88) (con11nú.1)
343
MT8 > s i nterval 95l confidence of 'b&dsect s •

SI CN CONFIDENCE I NTERVAL F~ MEDIAN
ACHIEVED
N MEDIAN CONf IDENCE CONf" IDE NCE IN TERVAL POSIT JOli
badsects 36 5.990 0.9348 ( 4. 850, 7. 970) 13
0 .9500 ( 4.808, 7 . 978) llll
0.9712 ( 4 .690 , 8 .000) 12
• No1a. bC1dst'cl.1 '" sectores dallados.
daí'tados de cada disco. A continuación se muestran los datos correspondientes a un

día de producción.
a. Localice el intervalo de confianza (para la media) con base en los métodos de la
distribución t.
b. ¡,Se puede decir que este inter"·alo significa que el 95% de los discos individua-
les tienen entre 6.10 y 12 .88 miles de bytes de sectores d!Wados?
8.69. a. Determine un intervalo de conlian1.a al 97.12º'.. para la media poblacional de los
dato~ del ejercicio 8.68.
b. Explique por qué este intervalo incluye valores tan distintos a los del iotervalo de
confianza del ejercicio 8.68.
8.70 Los datos sobre los sectores daí'tados <lel ejercicio 8.68 se ohtu\. ieron tomando
muestras de distintos lotes. A continuación mostramos un diagrama de los datos con
respecto al número de lote. ¿Indica el diagrama que hay una tendencia o un ciclo
evidente en los datos? ¿Se observa con claridad algún otro aspecto de los datos en
el diagrama?
48+ *
badsec ts·
32+ *
* *
16• * *
* * *
. . • *
2 2
*
*
*
•
*
•
2
O+ • z •
······•·········•·········•·-- -···-·•·-·· · ····•·· ·······•totRAll
2. 0 4.0 6. 0 8 .0 10 .0 12. 0
3.71 Una compal'lia arrendadora de automóviles compra unidades nue\as, las utilii'..a du-
rante unos seis meses y después las vende en subasta. En efecto, la compal'lia está en
el mercado de valores luturo~ de los automóviles usados. Por lo tanto. quiere tener
una estimación correcta del valor futuro de su flotilla actual de automóviles. Un
asesor propone un nue\o método para estimar el valor futuro. ~:ste se aplica a un:i
muestra de automóviles. Se hacen estimaciones iniciales, se utilii'an los autornóvi·
les ) después se obtiene el precio subastado de cada uno de ellos. Los datos soo el
c~iente entre el valor real y el valor estimado para cada uno de los 121 automóvi-
les que no sufrieron da1'o durante el periodo de arrendamiento. A continuación mos·
tramos los datos como los presenta la computadora.
llT8 > prlnt '•ct/est•
ect/Ut
" o .968n 1. 02 149 1.01100 1.03069 1.0 1039 1.03266 0 . 98667
1.01080 0 . 96833 l.01814 0.98233 0.989SO 1.00423 0.96911
0.94118 o.9n19 1.00409 1.00S9S 0 . 98702 0.97J97 1.01228
1.02320 0.97978 0.89570 1.02869 0.99\89 1.00378 0 .96988
1. 04872 1.01224 0.9S 713 0.96719 1.07646 1.00463 0 . 96637
0.96125 0.95879 0 .98965 0.97314 1.02847 1.01319 o. 9687S
0.99000 0. 99463 1.on83 0.98070 0.95106 1. 04667 0.98620
0 .96406 0.96311 1.01996 0.98937 0.99123 1.00000 1.04423
0.99622 1.06927 0.92623 1. 03237 0 . 99904 1.05807 0.99028
0.960 11 1.039S9 0.94857 0.9813S 0.93376 1. 00000 1.01877
1.00280 1.02494 0 .98779 0.96610 0.94118 0.99445 1. 02761
1.001 8.3 1.04700 0. 99011 1.04333 l . 06329 0.96900 0. 96613
1.01532 0. 99293 1 . 01865 1. 06040 1. 03927 0.96418 0 . 99283
1.00563 1.0S370 0 .99537 1.00424 1.00686 1.05361 0.97479
0.98227 0.97611 1.00074 l. 08310 1.01981 1.03604 1. 01578
1.00000 1.00579 0.95124 0.99522 0.961&4 0. 98S85 0 . 98786
0.95688 1. 02029 0 .9929S 1. 00000 1.00435 l .01088 1.02974
1. 07150 1 .01643
MT8 > boxplot of '•ct/est•
-·······---·-
• ······ ··· ····· ! • f······-···········
·· ··---····· ·
···· ··•· ·-·-····•·· ······ ·•·· ·······•·· ··-·- ··•· ······· ·•ectl••t
0.910 0 .945 0 .980 1. 015 1. 050 1.005
llTB > tlnte rvtl for '•ct/ est '
M MEAN STOEV SE MEAN 95 .0 PERCENT C. I .
I Ct/Ht 121 0 . 99964 0.03404 0 .00309 ( 0.99371, 1.00597)
Hf8 > sintervel for ' act / est'
SJGN CONFIDENCE INTERVAL FOlt MEDI AN

ACHIEVEO
ect / ut
•
121
MEDI AN
1.000
CONf lDENCE
0.9310
CONFIDENCE INTERVAL
( o . 992, 1.004 )
POS ITI ON
S1
0. 9500 ( 0. 991, 1.004) Nll
0.9545 ( 0. 991, 1.004 ) so
a. Basándose en los métodos t, determine el valor del intervalo de con fianza al 9S%
para la media.
b. ¡,Se puede interprel.;lr el inlervt1lo como la indicación de que el precio real se en·
cuenlra entre el 99.37 1'/o y el 100.597°0 d-: lo estimado para el 95% de los auto·
mó\·iles.,
8 .72 a. rara los datos que se muestran en el ejercicio 8. 71, determine el intervalo de con-
fian.ta al 95 45°11 part1 la mediana.
b. ¡,Son los inter\.alos de conlian1.a par.i la media y la mediana dt: estos daws mu)
distintos entre sí? Con base en el dia~rama de caja de los mismos, 1,dehcri:m d1-
fenr mucho entre sí los intervalos?
8. 73 a. Calcule un intervt1lo de confian1~ ~I 95o/o para la desviacióo estándar roblacional
con los datos del ejercicio 8.71.
b. Si la desviación estándar es tan grande cornil el limite superior del 1nter,alo de
conlian7.a, ¿qué podemos decir acerca de la precisión de la estimación del precio
individual de los autos?
ti .7-1 Para ver sí h:ibia alguna tendenci3. o;c trv.ó un t.li:il!ram3 de los d.ito~ Jel ckrcicio J
8 71 con respecto al precio real del automóvil. (,Encuentra u~tcLI alguna cc~t.lencia
crcc1entc del cocicnce Jd precio real entre el precio ei;timado a medida que el pre-
cio re:il se incremeota'>
MTB > plot •ect/est• vs •1c:tue1• 81
·'
ac:t/ut -
• *
1.050• •
•
2
* •
.. • •
••
•
.. • 2 ••
2• •
• • 2 •2•• •
•• • 2••2•2••
z ·2
2 • • • • •
0.980• • • ••
• • •
2 •
2 ••
•• • • •
••• • •
z
0.910•
l
• I
-··-•·-···-···•·········•··-····-·•·····-···•·····-···•··ect~l
7.5 9 .0 10.5 12.0 13 .S 1S.O
8.75 IJn rest:iurante tratb de incrementar la as1~tenc1a loo; lune\ pnr la oo'he. que tradi·
cionalmente es la noche más ílo1;i de la scman:i. ofreciendo los postres de su menú
e~pecial a un dólar promocionándolos con la fr:isc "¡Anímese!". Se registró el nú·
mero de cenas servidas los lunes durante l:ls doce semana\ en que estuvo vigente la
oferta Los datos fueron .
119 llY 112 126 121 l:!K IOX 63 l IX 105 131 14:!
media 117.67. cksvi:ición csúndar 20 65
a. Calcule un inten.alo de con fianza al 95% para el númeromedtode cenasen el límite.

b. Antes de la promoción. el restaurante o;ervla en promedio 105.2 cenas los lunes por
la noche ¿Es ra1onablc interpretar el 1ntef\ alo de conlian1a del 1nc1~0 (.1) como
una indicación Lle que la oferta especial no 1ncremcnlo el numero mc1.ho de l.'cna,'.'
8. 76 a. l t1hce los dalos del ejercicio 8. 75 para calcular un intervalo de conlioloza para la
mediana. IJtíhce un nivel de confianza ligeramente !'iupcrior al Q5ºó. pero tan
próximo a este valor como le ~ca posible
b ¿Cómo ~e compara la amplitud de este inten1 alo con 13 del intcr\ :ilo que ~e en·
contró en el ejercicio 8.75'.' ¿J\ que se dehc 13 difcrenci3'.'
8. 77 lltihce los Jatos del ejercicio l!.75 para c31cular un intervalo d.: contian/a 3J <>O"'é
para la verdadera desviación estándar en el limite ¡,113~ alguna razon para pcn~ar
que la pretendida confiann del cm•~ podría ser incorrecta'>
8. 78 Una mJdercria minorista inspecciona los embarque~ de madera que llegan Je sus
proveedores. rara los embarques Lle pino de calidad selecta. Lle 8 pies (2 por 4 ). el
'.'IUpcrvisor escoge aleatoriamente una grues:i ( 12 docenas o 144 hojas 1 de un emhar·
que de varias decenas de miles de hojas. En la muestra. 18 hojas no pueden \cnder·
se como de calidad ~electa .
a. Calcule un inlef'\ alo de conli:an1...a al 95°~ para la proporción de hojas de todo el
embarque que no pueden vendeue como de calidad ~electa.
h. Si el 20% o mas del emharque no puede venderse como madera de calidad selec-
ta, el embarque no es renlahlc. e.Indica el intervalo de confian1:i que ha) ruon~
p;ira pcn~ar que el embarque no es rentahlc?
8. 79 a. l.a maderería del ejercicio 8 78 tiene que decidir cuántas hojas f)or embarque se·
rin inspeccionadas. ¿De qué tamaño <;e debe tomar una muestra para obtener un
" intervalo de confianw al 95~o con una amplitud de 0.04 para la proporción de ho-
jas invendibles? Su¡x>nga que entre un 1O~o) un 20% del embarque es invendihle.
h l:.n esta situación. ¿seria útil calcular el tamallo muestra! con base en la hipótesis
extrema de que el 50% del embarque es invcn<hble?
8.!lO a. La muestra del ejercicio 8.78 siempre se toma de la plataforma ubicada en la par·
te posterior derecha del camión de carga. Cada plataforma contiene cuatro grue·
<;as (576 hojílS), de modo que la maderería seleccion<1 las 144 hojas de la muestra
por rotación: del primer embarque, las 144 de arriba a la i:tqu1erda: del siguien-
te embarque. las 14~ de arriba a la derecha, y así sucesivamente. ¿Por qué ésta
no es una muestra aleatoria de las hojas? ¿No podría un f)roveedor falto de ética
tomar \enta1a de c~re proceso?
b. fn ~u Of)tn1on, ¿seria factible tomar una muestra aleatoria s1mf)lc en esta situa-
ción? ¿Cómo tomaria la muestra para dificultar que un proveedor falto de ética
lo engaile'.' Ob\ iamente. no ha) una única respuesta correcta en este caso.
8.81 l na compañia electrica ofrece tarifas reducidas a aquellos clientes que han instala·
do medidores de "horas de máxima carga". Estos artefactos interrumpen todos los
dlas el suministro de energía a los aparatos eléctricos de alto consumo (principal-
mente lavaplatos y secadoras de ropa) durante las horas de máxima carga entre las
3 A.M. y las 9 P.M. 1.3 emprcs3 quiere inspeccionar una muestra de e~tos mcdidorc~
p3ra determinar la proporción de los que no están funcionando. >ª ~c3 porque no se
conectaron con el circuito central o porque el equipo ha fallado. lla) 45,300 medi-
dores en uso y la compailia no está en posibilid3d de in~peccionarlos todos.
a. Se quiere para la proporción un intervalo de confian1.a al 90% con una amplitud
no mayor que O 04. ;.Cuantoc; medidores se deben tomar en una rr.uestra si no se
hace ninguna h1potes1s particular acerca de la proporción correcta?
b. ¿Cuántos medidores se dehen considerar en la muestra si la compañia supone
que la verd3dcra proporción de la poblacion se encuentra entre O.OS )' 0.15?
e. ¿l'ermite la hipótec;is del inciso (b) reducir considerablemente el tamailo de la
muestra requerid3'l
R 82 1 a compailia eléctrica del ejercicio 8 K1 toma una muestra de MO medidores~ en-
cuentra que 61 de elloc; no ec;un runc1onando. ::?8 porque no se concct3ron al circulln ~
l 3 JlOr defectos en el equipo. Calcule mtel'\alos de confian1a al 90°0 para las proJlOr·
ciones de 13 población de los mcd1dorcc; füera del c1rcu1to ~ de lo<; 4ue han fallado
8.83 La mucc;tr3 del ejercicio 8.8::? se obtuvo inspeccionando todos los medidores de 16
c;ectores seleccionados aleatoriamente entre los 1062 del área de la comrallia. En
cada sector hay entre 30 y 50 medidores. ¿Por qué este procedimiento no reúne una
muestra aleatoria simple?
8.84 En el ejercicio 2.66 se consideraron las reclamaciones de pago (en miles de dólares)
hech:is a una compañia de seguros por averías por colisión de autom6\ 1les asegura-
dos. En la figura 8.8 se muestra un diagrama de caja de los d3tos. Junto con la fi.
sur:i se presenta un análisis utiliando el paquete Statgraph1cs.
a. Interprete el intervalo de confi3nw. para la media. ¡,Es importante si el inter\'alo
se nasa en las tablas ro en las tablas :?
b. Utilice el intervalo de confianza para la vari:in¿a para encontrar un tntcr\'alo de
confianza al 95% para la desviación estándar.
8.85 !-.1 diagrama de caja de la figura 8.8 indica que la distribuc1on de la ¡>Oblación sub-
) acente es asimétrica hacia la derecha. ¿Cómo :lfccta este hecho a la credibili·
dad de los intervalos de confianza del ejercicio 8 84? ¿Afecta igualmente la credi·
hthd.id de los intervalos para la media y la ,·arianza'l
E¡eretc101 347
Diagrama de ca¡a y bigotes
_ _ _ _ _ _, 00 00 c?ln o
)1( )l
o 10 20 30 40
cantidad reclamada
FIGURA8.8 Diagrama de ca¡a para los datos sobre el monto de las redamac1ones de pago
One· Sa11'1le Anel ys is Res utt s
c ta 11M i zir
S1111'pl e St • tl s tics: No..rrbe r of Obs . 187
Averege 5. 17754
Vtr i anee 27. 9194
Std. Oeviat 1on 5 .28388
Median l .5
Conf 1dence l nterval f or Mean: 95 Percent
S1111'pl e 1 4. 41 509 5. 93999 1860 . f .
Conf idcnc:e l nterval f or Var1anc:e : 95 Percent
Sairpl e 1 23.01 23 34 .5919 186 O. f .
8 .86 Mucho-; periódicos, al informar los resultados de las encuestas ¡iolitícas, afirman
que "los rc'lullados tienen un:i confian1a del 95% y un error nn ma) or de 3 pun· *
tos porcentuales". FI tamai'lo usual de las muestras es de aproximadamente 1500
persona<;. Se supone que el error permitido cubre tanto la variabilidad de la mue<;tra
como el efecto de pequei'los sesgos.
a. Suponga que la encuesta (muestra) indica que alrededor del 50% de los electores
piensa votar por un candidato en panicular. ¡,De qué tamar'lo dehe ser el término
± para un intervalo de confianza al 95% para la pro¡iorción de la población?
b. ¿Seria mu) distinto el tl!rmino ± si el 40% de los electores de la muestra favore·
ciese al candidato'?
c . ¿Por qué el margen mencionado de± O 03 es ma)or que el término± que usted
calculó en el inciso (a)"
8 87 Considere de nuc\.O 'ª"
encuestas políticas. Cuando hay muchos candidatM, como
en las etapas iniciales de las elecciones presidenciales primarias (de Estados Uni·
dos). un candidato espccirico puede ser favorecido por sólo el 2% de los panicipan·
tes en la encuesta. Dados los ± 3 ¡iuntos porcentuales ya mencionados, la broma
comün es que tal candidato puede tener una preferencia negativa. Con un inter,alo
de conrianza al 95•1o. ¿qué térmioo ±se debería aplicar si el candidato ei. favoreci-
do por 30 de los 1500 electores en la muestra?
R 88 l.a división de mercadotecnia de un fabricante de automóviles quiett estimu la satis-
facción de los compradores con un distribuidor particular, seis meses después de ha-
ber adquirido un auto. Los gerentes Je mercadotecnia no quieren utilizar
una encuesta ¡ior correo porque creen que: los cuestionarios que no sean contestados
producirán un sesgo importante. Es más factible hacer un muestreo por teléfono,
pues los números telefónicos de: los clientes aparecen en las pólizas de garantía.
348 8 ESTIMACIÓN POR INTERVALOS
Una pregunta clave seria la siguiente: ;_rccomendaria a este di~tribuidor con ~us
;1m1gos y vecinos? Los gerentes de mercadotecnia quieren estimar la proporción de
}Odos sus clientes que respondenan "sí" basándose en una muestra telefónica.
a 1,De qué tamar)o <,e dellc: tom:lr la muc~tra para ohtencr un intervalo de conliann
al 90°0 para esta proporción. con una amplitud de 0.10 (un término± de: 0.05)?
Utilice la estimación más conservadora, la que aphcarí:i en el peor de los casos.
b . S1 se duplica el tamaño muestra!. e.se reduciría la amplitud a 0.05?
H.89 a. Con la estimación más conservadora del ejercicio 8.88, que se utilizaría en el
peor de los casos. ¿qué está usted suponiendo acerca de la satisfacción de Jos
clientes con el distribuidor? ¿Piensa que ésta seria una hipótesis accptabk en la
práctica?
b. ¿Cómo cambiaría el tamaño de la muestra del inciso (a) del c1erc1eio !US8 si su-
pone que la proporción del "sí" dehcria estar en algún punto entre 0.80 y 0.<>5?
8. 90 Una revista para abogados tomii una muestra de 147 despachos para determinar el
costo del a lquiler que paga cada uno de ellos por sus oficinas (en dólares por pie
cuadrado al allo) Los datos se ano:ilizaron con MinilJlb. con los siguientes resultados :
MEAll MEOIAll TRMEAll STOEV SEMEAll

r~.,te ls 147"' 18 . 366 17 .soo 18. 0S7 2.949 0. 243
Nlll MAX 01 03
r ental a 1S.050 32 .S50 16 .330 19.610
MIB > t1n t erval 90X conf1dence bas @d on 'ref'ltet s•

N MEAN STOEV SE MEAN 90 .0 PERCENT C. I .
r ente ls 147 18 . 366 2.949 0.243 ( 17 .963, 18 . 768 )
SIGN CONflOENCE INTERVAL fOR MED IAN

ACHIEVEO
N MEO IAll CONFIOENCE COllflOEllCE lNTERVAL POSITION
r entals 147 17.50 0.90 10 ( 17. 27, 17 .96) 64
MIB > boxplot of 1

rent111•
· · ·I • t····· · ·· •• •• o o
-·•···--- ·· · • -·· · ·-- ··•·---·····•···----·· rent1l1
15 .0 20 . 0 25.0 30.0
¿Por qué los resultados "tintervaf' y ..s1nttrvaf' son tan distíntol' entre sí y ni si-
quiera se superponen?
8. 91 En una muestra de 21 S residen les urbanos entre 22 y 35 arios de edad se registran
todos los días durante un mes los gastos en díversiones } entretenimientos El total
de gastos de cad;i individuo, expresado como un porcentaje del ingreso mensual,
cslá almacenado en la columna 1 del archivo 'CB8CI .DAT' en el disco de dato~ .
(El número de individuos se encuentra en la columna 2.) Cargue los datos en algún
paquete estadístico que cslé a su disposición
a . Ohteng3 la media y la desviación e:.tándar mucstrales para los gastos.
h. Calcule (ya sea a mano o por medio de la computadora) un intervalo de conlian-
7.3 al 95% para la media pohlacional.
Estudio de caso estimación por intervalos 349
c. Interprete cuidadosamente el intervalo de confianza.

8. 92 a . Obtenga un diagrama de callo y nojas o un diagrama de caja para los datos co-
rrespond1en1es :a ga5tos en el e1erc1cio 8. 91.
b. Con base en el diagrama recién elaborado. ¿ha) algun motivo para pensar que es
incorrecto el pretendido nivel de confian1.a al 95% del ejercicio 8.91?
8.93 Un proveedor~ equipos de oficina proporciona servicio a las fotocopiadoras que
alquila- Todas las solicitudes de senicio se registran, anotándose la hora en que fue-
ron hechas y el tiempo necesario para reali;r,ar el servicio. Para cada una de las últi-
mas 61 llamadas, el tiempo transcurrido (en minutos) entre la solicitud y la
tenninación del servicio se ha guardado en la columna 1 del archivo 'CH8C2.DAT'
del disco de datos, mientras que en la columna 2 se encuentra el número de llama-
da, del 1 al 61. Cargue los datos en un programa para la computadora.
a. Obtenga la media y la desviación estándar de los datos relativos al tiempo trans-
currido.
b. Calcule un intervalo de confianz.a al 90% para la media del proceso en el limite.
con el programa o a mano.
8.94 a. En el ejercicio 8.93, obtenga un diagrama normal de los datos relativos al tiem-
po transcurrido. (Si el programa no le permite hacer lo anterior, trace un diagra-
ma de tallo y hojas en su lugar.) <.Se puede decir que los datos tienen una
distribución aproximadamente norma1·1
b. Haga que el programa trace una gráfica del tiempo transcurrido contra el núme-
ro de la llamada. (Los números de llamada son el orden lemporal de las solicitu-
des.) ¿Hay algún patrón en este diagrama? En caso de que así sea. ¿qué nos
indica acerca de la hipótesis de independencia de las observaciones?
8.95 Un banco de inversiones est~ considerando el posible uso en sus análisis de dos ho-
jas de cálculo (programas para la computadora). Se realizó una muestra con 20 pro-
blemas de análisis característicos utilizando ambos programas en Ja computadora
personal cstfadar de la compa~ía. Para cada problema y cada programa, se anotó el
tiempo necesario (en minutos) para cargar los datos y programar los cálculos que
habría de realizar la hoja de calculo, así como el tiempo que lardó el programa en
efectuar los cálculos e imprimir los resultados. Los datos relativos a la hoja de
cálculo A se encuentran en la columna 1 del archivo 'Cll8C3.DAT' del disco de da-
tos, mientras que los correspondientes a la hoja de cálculo 8 se encuentran en la co-
lumna 2. Cacb fila del archivo corresp<>nde a uno de los 20 problemas. Cargue los
datos en un programa para la computadora.
a. llaga que el programa calcule las diferencias de los 20 registros.
b. Obtenga un intervalo de confianza al 95% para la media de las diferencias.
c. ¿Indica con toda claridad este intervalo de confianza que alguna de las hojas de
cálculo es mejor (es decir. necesita, en promedio, menos 11empo)?
8.96 a. Obtenga un diagrama de caja parJ lo~ datos relati•o~ a las d1fcrcnci.is del ejerci-
cio 8.95. ¿Hay valores atípicos?
b. ¿Se podrin decir que la distribución de las diferencias es asimétrica?
8.97 Con los datos del ejercicio 8.95, calcule (a mano o con la computadora) un inlerva-
lo de cnnlianza al 95% para la desviación estándar de las di;erencias.
ESTUDIO DE CASO: estimación por intervalos
En una universidad le han pedido al director del departamento de personal que eva-
lú~ los costos de un sistema de prestaciones flexible que se ha propuesto. Bajo
JSO 8 ESTIMACIÓN POR INTCRVAL.OS
dicho plan, cada individuo elige una "canasta" de prestaciones como mejor se ajus-
te a sus necesidades. Las elecciones más importantes, en términos de lo que cuesta
a la uni' ersidad, ~on el monto del seguro de vida, el del S<!guro medico ) la apor-
taciófi al fondo para el retiro. El director del departamento de personal necesitaba
información acerca de la cantidad media de cada una de e~tas opc1onec; para deter-
minar el costo por empicado para la universidad. De acuerdo con este sistema, cada
trabajador pagaría parte del costo (por encima del mínimo pagado por la universi-
dad), pero el gasto de Ja universidad también se incrementaría en alguna medida
con el aumento de las prestaciones.
El director no quiso realii.ar una encuesta que abarcase a todo el cuerpo do·
cente y a todo el personal administrativo de la universidad. En primer lugar, porque
hay alrededor de 17,000 empicados elegibles, <le modo que la encuesta sería una
tarea dificil de realizar, y en segundo lugar porque el nue,·o plan aún no ha sido
aprobado. de modo que existe el peligro real de que una encuesta general se pudie-
se interpretar como una promesa de que el plan estaría pronto en acción. El direc-
tor escogió tomar una muestra de empleados que ya contaban con algún tipo de
prestaciones. A cada uno de ellos se le hizo una entrevista personal. en parte para
explicar las posibilidades y en parte para hacer hincapié en el caracter tentativo del
plan. Se obtuvieron datos para 61 empleados. Se calcularon los costos anuales (en
dólares) de las opciones que escogió cada uno de ellos. Son los siguientes:
""P' 1•
nv
med~a UH rem1 empl 14 ~ ... ,.,,,,
-
1 '19' tu 4t rn •" s 19
z '24 21' n.e w 74S llal 1161
J
4
07
•1•
,,.
tJO u.
IW
,1
5l
uo
1)9
t.70 70
no
s •SS
'"
ni
,.
u SZI
.,,
701 661
•
-
61)
7
SS9
6SI '"
..,..
114&
,,.,
m ,.u
t47
~J Sl9
66)
67•
,.,,•
)19 no
9 na 61'1) )7 .02 '"
llS
•IJ
nt
4~ ~I SOl
,,
~ 493 1120 l8l
-
97 )tl StO Tll 4&1 7(>1
ll 47' 1137 l'M 60 2'7 390 6'24
1J ll9 )9S ~ 61 ,, l'9 6.19
14 MI ns 6)J
IS zo 4n ~7
tal 492 76'
"'-
11 J\7 MiZ
'°'
•n
-
11) 60I
J)I Z4' ~
" 'º
20
Z1 J9S
ltli
74&
u
u '"
)IS
'°'
..,.,
4U 11)1
61.J
Z4 167 )6) '60
n 189
.,,..,
181 .SS
z• 7" m MT
17 lS. sn
'º'
..,..
ll
Zt
JO
4~ "'
llZJ
921
7'f
1157
,,
)1
Jl
20
~
. .1
740 ....
714
,,,
J4
'n
sn
'47
,..,
IZl7 ,.,
)S 17'
nu "'
,....
"'
)7
P)I
S79 1)1 ""
TOO
,.
-
JI ION Tl"O
m
-
SM
441
41
4l
4)
lSI
'61
l~
n
soo
, ..
10l4
IW 4119
411
w
44
,..
4S ))O
7J6
126.l
609
11114
'" 742
667
47 .01 71J 71'
"• Nota.nslife • sc¡uro de vida, "'edical ; seguro mtdico, rrurt'metft ª

tz1 711
fondo para el retiro
Apéndice La. d1Stnbuc1one5 t y 11 cu1.drlldo 351
El director del depanamento de personal quiere precisar un rango ra1.onahk

para el costo medio que cada tipo de prestación representa para la universidad, así
como el costo total medio por empleado. Además, quiere tener una idea del tama~ .
1"\o de la muestra necesaria para estimar el costo total por empicado con una preci- ~
sión <le ± 50 dólares. Le han pedido que trabaje con los <latos disponibles y les '-
envíe un breve rnemorándum respondiendo a sus preguntas. El director del depar-
tarncnto de personal estudió estadística hace algún tiempo, pero ha olvidado la
mayoría de los conceptos. de modo que en su informe usted tendrá que explicar
cualquier término técnico que utilice. •
Apéndice: Las distribuciones t y ji cuadrado_ ___

•
Presentamos en este apéndice un breve bosquejo de las matemáticas suhyacentes a
lu distribución / y la distribución ji cuadrado (X 2 ) relacionada. Esta es la base de los
métodos del capítulo anterior y de los siguientes. También debería ayudar a clari-
ficar el concepto de grados de libertad.
La hipótesis matemática formal es que hay n variables aleatorias Y¡. Y2, ....
r,,. cada una de las cuales tiene una distribución normal con media µ y desviación
estándar a; en particular, las hipótesis son válidas para una muestra aleatoria toma-
da de una P<Jblación normul. Los correspondientes valores= son 2 1 = ( }'1 - µ)la, ... ,
z,, <r,, - µ)la.
Antes que nada. definimos la distribución x~ con 11 grados de libertad (g.I.).
Distribución x.2
Lu distribución x2 con n grados de lihena<l (g.I.) es la distribución de
¿o'¡ - µ12
U' = z ~ + ... + z; = -· -o- - - 2
propfrdadc'i dr l:i Oe la definición se siguen directamente dos propiedades de la distribución x2:

di, tribuci6n ;( 2
l. Si Y= I., Y, 1n, entonces n( f -µ) 2 /cr
tiene una distribución x2 con 1 g.I.
, Si W1 y W1 son variables aleatorias independientes con una distribución
x 2• con n 1 y n 2 g.I,. respectivamente, entonces W1 + W~ tiene una distribu-
ción x2 con n, + "2 g.I.
La primera propie<lud ~e cumple pon~ue ( f - µ)/(al .fii) es un estadístico z,

como ~e mostró en el capítulo 6. De este modo, [( f - µ)!(al Jñ )) 2 =n( Y µ)2!a2
es un estadístico Z 2 y se puede considerar como una suma con un solo término. La
definición de una distribución x2 implica que n( Y - µ) 2 /cr
tiene una distri-
bución x2 con 1 g.I.
352 8 ESTIMACIÓN POFl INTERVA.LOS
La segunda propiedad se cumple en vinud de que W1 y W2 son sumas de tér-

minos Z2, de modo que W1 + W2 , como suma de sumas, es a su vez una suma de (n 1
+ n2) términos Z2 • La hipótesis de independencia de W1 y W2 nos permite afirmar
que t&tos los términos Z2 son independientes. de modo que w, + w]. tiene las pro·
x
piedades que ddinen una distribución 2 con n, + nz g 1
Fstos resultados nos penniten relacionar la distribución x~ con la distribución
muestra! de \1 , la varianza muestra!.
D istribución muestraf de s 2
Paril una muestra aleatoria de tamaño n tomada de una población normal, el es·
tadístico
s1
(n - 1) -
ul
x2 con n -
tiene una distribución muestra! 1 g.I.
•
Recuerde que s 2 ==l(Y, -Yi /(n-1), de modo que (n-1Xs2 l<r) l(Y, -Y)2 /~.
La demostración de la distribución muestra) se basa en las ideas que ya desarro-
llamos en este apéndice. Aunque no podemos proporcionar una demostración ri-
gurosa dentro de la esfera de este libro, podemos indicar la idea básica.
La clave de la demostración es la identidad
¿ (Y, - µ) l = ¿,.J
"
Y, - -2
Y) + n( y- - µ) 2
(11 02 (11
que se puede demostrar escribiendo l(Y,- µ) 2 t[CY - Y) • (r - µ))2. desarrollan-

do el cuadrndo y observando que l:7. 1(Y- µ)(>: - >') (Y - µ)¿7 1p;- >') O.
La cantidad l(Y- µ) 2 / <i1 tiene, por definición. una distribución x2 con n
g.I. Corno }3 lo hemos ser'lalado, el término n( > cr
' µ) 2 tiene una distribución 2 x
con J g.I. En vista de que estadísticos x. independientes se suman para formar es-
2
x
tadísticos 2 con más grados de libenad, es razonable que el otro término l< r -
f )2 / o 2 también tenga una distribución x2 . Es más, como los grados de libenad
son aditivos, este término deberia tener n - 1 g.1. El único paso del argumento que
omitimos es la demostración de que los dos términos en el miembro derecho d~ la
ecuación son independientes; esto sólo se demuestra en textos avanudos.
Estos resultados preliminares acerca de las distribuciones x~ se utilizan al de·
sarrollar la distribución t. En primer lugar definimos la distribución t con v grados
de libenad (g.I.):
Distribución t con v grados de libertad
, ___
La distribución t con v grados de libertad es la distribución de
7.
J w¡11
Ap~ridoce l.» dosinbuoones t y j1 ~drado 353
donde Z tiene una distribución normal cstóndar {µ - O, <J - 1) y W una distribución

x2
con \' g. l. Es necesario que Z y W sean independientes. 8
Tomamos 2 como ( r µ) I ( <r- ..[t,) y W como (n - 1)(s2/ cr), que como aca-
b:imos d..: ver tiene una distribucion x!
con v = /1 - 1 g.l. (Se puede demostrar que
Z) W son independientes.) Por definición,
(y - JI)
tJ \, n Y- JI
1 = - - - -~~-1- - - -- s. fn
\J1 111 - 1)
a·
, (n 11
que es el estadístico t utili1.:ido en este capítulo.

CAPITULO
PRUEBAS O CONTRASTES
9 - ,
DE HIPOTESIS
A menudo los datos muestrales sugieren que algo relevante está sucediendo en la
población o proceso subyacente. Una muestra de clientes potenciales puede poner de
manifiesto que una mayor proporción prefiere una nueva marca sobre la ya existen-
te. Una muestra del tiempo que tardan los empicados de la oficina de reservaciones
en atender las llamadas telefónicas puede mostrar que hay un incremento en el tiem-
po medio de espera por parte del cliente. Una muc¡,tra de los cigOei'lales elaborados
con una nueva aleación puede mostrar una disminución en la desviación estándar de
la dureza del metal. En cada caso, los datos provienen de una muestra limitada y por
lo mismo están sujetos a cierto grado de variación aleatoria.
La pregunta es si el resultado o el efecto aparente en la muestra es una indica-
ción de que algo está sucediendo en la población (o proceso) subyacente o si el re-
sultado obsc"'ado es pos iblemente una casualidad, un fruto de la variación aleatoria.
Probar hipótesis e tadisticas es una manera de estimar si los resultados aparentes en
una muestra indican concluyentemente que en realidad algo está pasando. Este capí-
tulo está dedicado a Jos conceptos básicos de las pruebas de hipótesis.
Comen1amos en las secciones 9. 1 y 9.2 con el análisis de una prueba de hipó-
tesis para la proporción, basada en las probabilidades binomiales. Esto prueba tie-
ne alguna importanci.:i práctica, pero Ja estudiamos principalmente como un vehículo
idóneo para introducir las ideas sin cálculos complicados. Después dirigimos nues-
tra atención a una prueba para la media, que se utiliza más y está basada en proba-
bilidades normales. La mecánica de esta prueba: se expone en la sección 9 .3, y en
Ja sección 9.4 st estudian sus propiedades teóricas. El valor p de una prueba, un
método estándar para indicar cuán concluyente es el resultado de una pnu:ba, e~ el
objeto de la sección 9 S. Una vez establecida la teoría de las pruebas de hipótesis.
podremos anah.l.3r algunos métodos ampliamente utili?.ados: en la sección 9.6, una
prueba t para la media, en la sección 9. 7, una veriucac!ón est:lndar de las hipótesis;
en la sección 9.8, una prueba para la mediana, y en la sección 9.9, una prueba:
~proxim:ula para una proporción. Las pruebas de hipótesis y Jos intervalos de con-
lianza son dos formas de tratar con el problema de la variación aleatoria y la incer-
tidumbre en las muestras, por lo que en Ja sección 9 .1O se estudia la conexión entre
estos dos enfoques. Las pruebas para la desviación estándar y los intervalos de con-
fianza relacionados con ellas son el tema de la sección 9. 11. Por último, en la
354
9. 1 Una prU4tba para la proporc.00 b4noml&I lSS
sección 9.12 consideramos Jos pros y los contras de las pruebas de hipótesis como
un método para la toma de decisiones empresariales.
Las pruebas de hipótesis comprenden algunos conceptos y definiciones nue-
vos, más un cierto número de fórmulas para llevar a cabo los cálculos. Cuando tra-
baje con éstos, trate de no perder de vista la idea básica. Los datos de una muestra
están sujetos a la variación aleatoria, de modo que Jos resultados aparentes <le la
misma pueden ser engai\osos. ¿Cuán concluyente es la evidencia que nos dan los
datos de una muestra acerca de un efecto más que aleatorio en la población o proce-
so subyacente?
Casi siempre hay distintas maneras de llevar a cabo unn prueba de hipótesis.
Se puede n:ah1.ar una prueba fonnal utilizando un procedimiento en cinco p;1S0s que
se describe en este capítulo. o se puede calcular un valor p par.i realizar la rrueba, o
se puede utili1ar un inten ato de confiann como una prueba de hipótesis. Fstos mé-
todos son equivalentes y todos ellos llevan a la misma conclusión. El método fonnal
de los cinco pasos es más fácil de entender en un principio, el método dt!I valor pes
comúnmenll! utilizado por los paquetes de cómputo, y el enfoque del inten·alo de
conlianza es fácil de interpretar (y dificil de entender mal). Repetimos. todos ellos
son fonnas útiles y equivalentes de resolver el problema.
9.1 UNA PRUEBA PARA LA PROPORCIÓN BINOMIAL

------•
La investigación de mercado preliminar para un nuevo producto con frecuencia com-
prende una muestra de consumidores que lo comparan con una versión anlcrior <lcl
mismo o con un produclo compelidor. Suponga que 100 clienles indican sus prefe-
rencia.' ya sea por el nuevo producto o por una versión anterior. ¿Qué resultados de
la mucslra imlic:irían concluycnlcmcntc que el nuevo produclo es :.urcnor'.'
Esle problema <;e puede manejar fácilmente utilizando las ideas de las pruebas
de hipótesis. Hay cuatro conceptos clave: la hipó1cs1s nula. la hipótesis alternativa
(de investigación), el estadístico de la prueba}' la región de rech:vo.
hipútcsis Quienes investigan el mercado tienen una hipó tesis alleroati\a o de investi-
alte rnativa o de gación: que el nue' o producto es superior al antenor Formalmente, una hipótesis
in\ c"tigación altcmati' a, denotada con H.,. es un enunciado acerca de un parámetro de la pobla-
ción. En nuestro ejemplo. el parámetro rclc,ante es la proporción {r de consumido-
res en la población (no sólo de la muestra) que prefieren el nuevo producto. Decir
que el nue\o produclo es superior es decir que más de Ja mitad de los consumidores
lo prefieren, e~ decir, que H 0 : n> 0.50.
hipótesis nula l a hipótesis nula. denotada con H0 , es la negación de la hipótesis alternativa
H0 • Como el nombre sugiere, la hipótesis nula con frecuencia tiene una calidad ne-
gativa. En el ejemplo de la investigación del mercado. si 7r $ 0.50, el nuevo produc-
to no se pn!ficrc a la versión anterior. Llamamos a H0 : ¡r S 0.50 la hipótesis nula
porque niega o contradice nuestra hipótesis altemali' a. rosterionnente veremos que
el valor límite entre H 0 y Hª (n O 50 en el ejemplo de la investigación del merca-
do) es el valor crucial de n para la prueha.
hipótesis unilate- La hipólesis altemati\a puede ser unilateral o de una ~ola col11 (dirigida) o
r a les ~ bilater a les bilateral, de d os colas (no dirigida). En el ejemplo de la comparación de produclos
se especificó una dirección particular para H., relativa a H0 • H.,: 1C > 0.50 es una
hipótesis unilateral. Por el contrario, si hubiésemos especificado H": Tr 'jt O.SO,
356 9 PRUEBAS O CONTAASTES DE HIPOTESIS
tendríamos una hipótesis alternativa bilateral, no dirigida. La finalidad del estudio

determina la elección de hipótesis alternativas unilaterales o bilaterales. Cuando se
com~ra un nuevo producto con otro anterior. queremos 'cr si el nuevo producto es
mejor, de modo que utili7.amos una hipótesis alternativa unilateral. Si estamos com-
parando dos versiones de un nuevo producto, quercmoi. saber cuál de ellas es clara-
mente superior a la otra. Si 1C es la proporción de la población a fovor de la versión
I, queremos saber si n > 0.50 o 1C < 0.50; asi que utilizamos la hipótesis bilateral
H0 : tr ~ 0.50.
EJEMPLO 9.1 Una cadena de supermercados vende pan recién horneado. Los cálculos realizados
confonne a ta teoria de inventarios indican 4uc para balancear los co.,tos del pan no
vendido (por estar duro) y la satisfacción Je los el ientcs. la cadena debería agotar sus
existencias de pan el 20% de los días. Se elige una muestra aleatoria de 50 tiendas
y se determina la tasa de desabasto de esas tiendas en una fecha particular. Formule
una hipótesis nula del tipo "no hay problema". ¿Se debe considerar a la hipótesis al-
ternativa como unilateral o bilateral?
Solución La hipótesis nula se refiere a 1C, la proporción de todas las tiendas de la cadena (no
sólo las consideradas en la muestra) en las que que se agotó el pan en esa fecha. El
valor deseado para Tres 0.20, de modo que la hipótesis nula "no hay problema" es
H0 : Tr 0.20. En este problema, nos deberían preocupar las tasas de desabasto que
son o muy hajas (que resultan en dcmasiaJo pan duro) o muy altas (que resultan en
"'enta.-. perdidas e insatisfacción de los cliente~). Por consiguiente, deberíamos tomar
la hipótesis bilateral Hª: Tr ~ 0.20. •
La estrategia básica en las pruebas de hipótesis es tratar de apo) ar la hipóte-

sis alternativa "contradiciendo" la hipótesis nula. Se "contmd1cc" a la hipótesis nula
si los datos de la muestra son poco creíbles dada H0 y sumamente verosímiles dada
H0 • As!, para apoyar H0 : 1C > O 50. necesitaríamos encontrar que los resultados de la
muesLra fuesen muy poco probables suponiendo que 110 : JC S 0.50 es cierta
estadístico d e la Los datos se deben sintetizar en un est1dtstko de la prueba (E.P. ). Dicho es-
prucha t.:1dlstico se calcula para ver si es razonablemente compatible con la hipótesis nula.
Cuando se prueba una proporción el estadístico de la prueba E.P. es muy simple: se
cuenta el número de éxitos en la muestra para encontrar E.P.: Y= número de éxitos.
Fn el ejemplo del nuevo producto contra el anterior, suponemos que éste es al me-
nos tan bueno como aquél. Dada la hipótesis, es muy poco probable que Y, el núme-
ro de consumidores en la muestra que prefieren al nuevo producto, sea muy grande.
Así, si Y resulta ser muy grande, rechazamos la hipótesis nula y apoyamos la hipó-
tesis alternativa de que el nuevo producto es mejor. Para ser más precisos, digamos
que la lógica bisica es la siguiente:
t . Suponga que H 0 : Tr S 0.50 es cierta;
2. Calcule el valor del E.P.: Y - número de clientes en la muestra que prefie-
ren el nuevo producto;
3. Si est.e valor es inverosímil (lo que, en este caso, significa muy grande), re-
chace H0 y acepte Hª.
9.1 Un.a prueba par.a la. propotc•6n binomial 357
EJEMP ~0 9. 2 En el ejemplo 9.1, Jfrepresentaba IJ propon:1ón de todas las tiendas que se queda-
ban sin abasto de pan en una fecha partu:ulur. Si Ja hipótesis nula es H0 : TC-=- 0.20 y
la hipótesis alternativa H,, es bilateral, ¿cu..'ll es un estadístico adecuado para la prue-
ba'! (,Qué valores de este estadístico contradirían la hipótesis nuln y por consiguien-
te apoyarían la hipótesis de alternativa?
Solución El est.adistico natural de la prueba es E.P.: Y= número de tiendas de la muestr..1 que se

quedan sin abasto de pan en esa fecha. Suponiendo que H0 : Jf= 0.20 es verdadera, es
muy probable que Y sea próximo a 50(0.20) 1O. Los valores de r mu~ por arriba
o muy por debajo de 1oson muy poco prooobles ~ tienden a contr.1dcc1r // •
En las pruebas de hipótesis es necesario tr;u..'.lr una linea entre los valores del
estadístico de la prueba que son relativamente probables dada la hipótesis nula y los
':llore~ que no lo son. ¿Fn qué \alor del estadístico de la prueba comen7..amos a de-
cir que los datos apoyan a la hipótesis altcmntiva'! Para contestar a e:.ta pregunta se
requiere conocer Ja distribución muestral del estadístico de la prueba. Los valores
del estadístico de la prueba que son sumamente improbables bajo la hipótesis nula
rc~ión de rccha10 (tal como los determina Ja distribución muestral) fonnan una región de rechazo
(R.R.) para la prueba estadística.
Cuando se especifica una región de rechazo se debe reconocer la posibilidad de
error Suponga que. para una muesu-a de 100 con!>umidorc~. fijamos la región de re-
chazo en y= 59 o más clientes que prefieren el nuevo producto. Aun si la hipótesis
nula H0 : te s; 0.50 es verdadera, hay una pequeña probabilidad de observar y 2. 59.
Si dicha situación ocurriese, los investigadores de mercado pensarían equivocada-
mente que el nuevo producto es superior al anterior. Esta clase de error· rechazar una
error tipo l hipótesis nula que es. de hecho, verdadera. se llama error tipo 1 Al establecer una
región de rechazo. un investigador debe especificar la máxima probabilidad tolera-
ble de un error tipo 1, denotada con a.
La prohahilidad a en la pmeba de una proporción podemos calcularla suman-
do prohabilidaJes binomiales de la tabla 1 del apéndice, pues el estadístico Y de la
prueba satisface todas las hipótesis de una variable aleatoria binomial En el ejem-
plo de la comparación de productos. si tenemos 11 - 100, H 0 : Tí S 0.50 y R R. :
y 2: 59, l!ntonces el riesgo a es•
a máxP(Y2:59jn~.50}
"
En principio, para encontrar a debemos calcular P( Y 2: 59) para cada valor de
tr S 0.50. Si buscamos en la tabla 1 del apéndice con n =100 y Jf - 0.50, encontra-
mos que
P(Y ~ 59ln = .50) = 0159 + .0108 + ·· ·,. 0444
• Hcnicamente, !a notación pan la probabilidad condicional P(Y ~ S9 t 1r S 0.501 no es correcta., pues

1r s O SO no es un evento alca.torio en un espacio muc:stral. No obstante. la no(;l.CIÓn es muy convemcll1C.
:uf que 9eguiremos utili.Dndoll. Para evitar este upo de incomcc:iones. lea el slmbolo ~r como supon1e11-
do en vez de dodo f/W.
358 9 PRUESAS O CONTRASTES DE HJPOTESIS
En la columna correspondiente a Tr = 0.45 encontramos que
PJ Y~ 59 l tt = .45) - .0016 + .0009 + ··· = 0034

Análogamente
P(Y ~ .S9l1t = .40) - 0001 + .0000 + .. · =- 0001

Obsen:e que el mayor valor <le P( Y~ 59) se obtiene en el valor límite de H0 : 7r
~ O..SO, es decir, en ;r - 0.50. Así. si Ja región de rechalo es R.R.: rechace H 0 si
Y~ 59, entonces a = 0.04-1-1.
Por lo general, lo que se hace es especificar a, el máximo valor permisible
para la probabilidad de un error tipo 1, y después se encuentra una región de recha-
zo adecuada. Por ejemplo, en el caso de la comparación de productos, suponga que
especificamos a 0.1 O. Sabemos que el \oalor importante para 7r es 0 .50; sumando
probabili<lades binomiales con Tr ~ 0.50, encontramos que
P( Y ~ .S6 l l'I' = .50) = .1358 y l

P( Y <?: 57 n - .50) = .0968.
Por lo tanto. una región de rechazo adecuada es Y~ 51.
En la ma)ona de los estudios, a se especifica como 0.1 O. 0 .05oO.O1 aunque
el valor que elegimos e~. en cierto sentido, arhitrario. En la sección 9.11 hablaremos
un poco más acerca de la elección de a.
EJEMPLO 9.3 Encuentre una región de rechazo correspondiente a a - 0 . 10 en el problema relati-

vo a la venta de pan en los supennercados de los ejemplos 9. 1 y 9.2.
Solución Debemos ohservar que en el ejemplo 9.2 la región <le rechazo debería incluir tanto
valores muy grandes de 1· corno muy pequeños. La forma natural de proceder es lo·
calizar las dos partes de la región de rechazo a d istancia<> iguales del valor esperado
<le Y bajo H0 , a saber 50(0 20) 1O. En la tabla 1 del apéndice, con n = 50 y rr =
0.20, encontramos que
l = .20) =
P( Y <?: !6 tt 0308 y l
P( Y S 4 1t = .20) = .0185
y
P( Y <?: 15 In = .20) = .0607 y P( Y~ 5 l n = .20) = .0490

Como región de rechazo escogemos R.R.: Y $ 4 o Y~ 16, pues
Pt Y s; 4 o Y~ 16) 0308 + .0185 = 0493

mientras que
P(Y s; 5 o Y ~ IS) ....0607 + 0490 = 1097
que es mayor que el valor a admisible (O. 1O). •

El último paso en la prueba de hipótesis es obt~ner los datos y llegar a una
conclusión. Por ejemplo. suponga que 65 de los 100 clientes considerados en la
Seccl6n 9 . 1 E¡trc1c1os 359
muestra del ejemplo de la comparación de productos, prefieren el nuevo producto.

Hemos fijado como región de rechazo (para a - 0. 1O) a R.R.: Y 2: 59. El valor
y"' 65 se encuentra dentro de dicha región. As!, hemos contradicho H 0 y los datos
apO) an la hipótesis alternativa H.,: TC "> 0.50. •
EJEMPLO 9.4 Si en los ejemplos 9.1-9.3 se encuentra que 14 de las 50 tiendas se quedaron sin
abasto de pan en el problema de la \ enta de pan en los supennercados, ¿podemos
decir que los datos apoyan la hipótesis alternativa?
Solución En el ejemplo 9.3 encontramos que R.R.: Y S 4 o Y 2: 16. El valor y= 14 no escá en

esta región. Por consiguiente, los datos no apoyan la hipótesis alternativa. •
Podemos sintetizar el proceso de probar una hipótesis en cinco pasos, utili.t..an-

do el ejemplo de la comparación de productos.
Los cinco pasos de una prueba estadística

1. Hipótesis nula H0 : Tí s 0.50.
2. Hipótesis alternativa o de investigación H.,: n > 0.50.
3. Estadístico de la prueba E.P.: Y = número de clientes que prefieren el nue-
vo producto.
4 . Región de rechazo R.R.: para a - 0. 1O, Y 2: 57.
S. Conclusión: como y= 66, rechace H0 y acepte H".
•
Cuando H0 no se rechaza. en ocasiones hablamos de "aceptar" H0 . Pero cuan-
do H0 no se recha.L'.l, esto sólo significa que no tenemos suficiente evidencia para
aceptar la hipótesis alternativa. Si no se apoya H., e~to no es una evidencia conclu-
yente en favor de H0 ; ¡puede mu} bien suceder que no tengamos evidencia ~uficicn-
retc·nción de 110 te para decir nada en particular! En esta situación. rreferirnos decir que r<'tcnemos
H 0 , en vez de decir que la aceptamos.
La lista anterior incorpora la estrategia b{11,ica de las rrucbas de hipÓICSIS. Ne-
cesitamos fomrnlar una hipótesis nula. escoger una hipótesis alternativa unilateral o
bilateral y seleccionar un estadístico adecuado de la prueba En cal caso, la selección
de una probabilidad a tolerable nos pcnnite e~pccificar una región de rcch:vo: aque-
llos valores potenciales del estadístico de la prueba que contradicen la hipótesis
nula. Por último, la obtención de datos reales nos permite alcanzar una conclusión.
9.1 Suponga que la opinión prevaleciente entre los analistas de la bolsa de "ªlores es
que sólo ti 35% de las ofertas públicas de compra resultan en una adquisición real.
Un grupo de analistas cree que incluso este porcenlaje es muy elevado. Para poner
a prueba sus creencias, el grupo planea rastrear las siguientes 20 ofertas públicas de
compra para ver cuántas de ellas derivan en una adquisición.
360 9 PRUEBAS O CONTRASTES DE HIPOTESIS
a. Defina el parámetro relevante para una prueba de hipótesis estadística.

b. Como hipótesis nula, sostenga que "la opinión prevaleciente es correcta".
a Formule una hipótesis alternativa para el grupo que cree que la opinión prevale·
ciente es errónea.
d. Suponga que se establece una región de rechazo para rechazar la hipótesis nula si
3 o menos de las 20 ofertas públicas de compra resultan en una adquisición.
1.Cu.íl es la correspondiente probJhilidad á'
9.2 Fn el e1crc1c10 9 1. de><; de las ofertas púbhca'i de compra resultaron en un.i adqu1~1c16n .
c,113) una e\.1dcnc1:i suficiente en los date><; para :icept.lr la hipótesis altematl\ .t''
9.3 L na cadena de mmolnharias ofrece un plan de venta garantizado. Las cosas que h:in
estado en la lista ) no se han .,.end1do durante 6 \emanas son adquindas por l.1 mmo-
hiliaria en un precio predeterminado. Con el tiempo, el 5% de las ca'ias que la in·
mobiliaria pone en sus listas son compradas bajo este plan. Dado que las residencias
con piscina son en ocasiones más dificiles de vender. se sospecha que con este plan.
la inmobiliaria adquiere una fracción muy grande de dichas casas. La cadena ha
puesto en sus listas 50 residencias con piscina, y puede determinar cuántas fueron
compradas con este plan.
a. ¿Cuál es el parámetro poblacional relevante para este problema?
b. Formule la hipótesis alternativa adecuada. ¿Debería ser unilateral o bilateral.,
c. Fstahlc1ca la hipótesis nula.
d. Use tablas binomiales para determinar una ~gión de rechazo correspondiente a
un valor tolerable de a= 0.05.
9 .4 Suponga que 7 de las 50 casas dd CJerc1cm <J 3 fueron compradas bajo el plan ,,Apo)a
esta e'·idcnc1a a la h1pótcs1s alternativa? ¿~ puede rccha1..ar J10 con a O 05?
9.5 FI anterior 1hrcctor (por muchos ª"os) de scr\.1c10~ municipales de la ciudad obtuvo
del gobierno federal la subvenciún solicitada el 50~o de las veces que pidió ayuda.
Se nombró un nuevo director de servicios municipales de la ciudad, quien presentó
18 solicitudes de ayuda al gobierno federal durante su primerª"º· El concejo muni-
cipal quiere saber si hay un cambio en la tasa de resultados positivos bajo la nue-
va dirección
a. Defina el parámetro poblacional adecuado para una prueba estadística.
b. Formule una hipótesis nula apropiada.
c. La hipótesis alternativa, ¿debe ser unilateral o bilateral?
d. Encuentre la región de rechazo correspondiente a a- 0.05, utilizando el estadís-
tico de la prueha Y~ número de solicitudes que tuvieron resultados positi' os en·
tre las 18 sometidac;.
9.6 Suponga que 7 de las 18 solicitudes del ejercicio 9.S fueron subvencionadas ¿Se
puede recha.7.ar //11 con a= 0.05?
9.7 En el ejercicio 9.5 se utilinron prohabilidades binomi:iles. ¿Bajo qué condiciones
puede ser la distribución binomial una hipótesis muy pobre?
<;.8 El gerente de investigación y desarrollo de una compai\ía de alimentos comprohó
que sólo el 40% de los nuevos productos potenciales que se han someudo a prueha
con los clientes llegan a ser comercialiados. Para determinar qué productos habrin
de someterse a prueba con los clientes, el gerente ha establcddo un método de selec-
ción revisado
a. Formule la hipótesis nula de que el método de selección revisldo no tendrá ningún
efecto en la proporción de los nuevos productos potenci:iles que se comercialiL.an.
b. ¿Qué argumentos se pueden dar en favor de una hipótesis alternativa bilateral?
c. Si se va a utilinr una hipótesis alternativa unilateral. ¿cuál debcria ser ésta?
9. 9 Suponga que en la situación del ejercicio 9.8 se ha utilizado una hipótesis alterna-
tiva bilateral. Una muestra de 20 nuevos productos potenci<iles son sometidos a
92 Error CJpo 11, prob~11td.t /J y potenc1~ de una prueba
36(~~
:z
~
v
prueha con los clientes. Defina Y• número de estos productos que lin.ilmentl!...}
5on comerciali7..ados. _,0
a. Suponiendo que la hipótesis nula es verdadera, cuál es la media (valor espera-
do) de Y?
b. Determine una región de rechazo, simétrica en tomo a la media que <;e encontró
en el inciso (a). correspondiente a una tolerancia a = O.OS.
9.10 Fn el ejercicio 9.9 se utili7..aron tablas binomiales para encontrar la región de recha-
LO. Se observa que varios de los producto'> que se han sometido a la prueba con los
clientes compiten cnlre sí, de modo que si un producto se comercializ.:i, lo más pro-
bable es que los otros no lo sean. c,h esta una indicación de que 1:1..c; probabilidades
binomiales podrian no ser aphc.:ihles'> Explique por qué.
ERROR TIPO 11, PROBABILIDAD f3 Y POTENCIA

9.2 DE UNA PRUEBA
Hasta ahora sólo nos hemos interesado en un tipo de error en las pruebas de hipóte-
sis: el error tipo 1, en los que se recha.t.a la hipótesis nula cuando ésta es verdadera.
En el ejemplo de la comparación de productos, un error tipo 1 sería una afirma-
ción de que el nuevo producto es mejor 4uc el anterior cuando en realidad no lo cs.
Ha) 01ro error posible; los in\e-,t1gadorc'> de mercado pueden afirmar que el nue\o
t•rror tipo 11 producto no es superior al anterior cuando, de hecho, si lo es. Es1c error, un error
tipo 11 , proviene de no recha1.ar la hipótesis nula cuando la hipótesis alternativa
es verdadera.
Cuando la hipótesis nula es negativa, como a menudo sucede, un error tipo 1se
puede llamar un error falso positivo, pues en él se llega a la conclusión equivocada
de que una hipótesis positiva Hu es verdadera. Análogamente, un error tipo 11 se
puede llamar un error falso negativo. la conclusión errónea de que una hipótesis
negativa H0 es verdadera.
EJEMPLO 9 .5 En el problema de la venta de pan en los supennercados que se analizó en los ejem-
plos 9.1-9.4, ¿cuáles son las consecuencias de los errores tipo 1 y 11 ?
Solución H0 : te =- 0.20 afirma que la cadena de supermercados no tiene ningún problema.

y H,,: Tr ~ 0.20 afinna que sí hay un problema. Un error tipo 1 es por con'i1guiente
la afirmación incorrecta de que hay un problema con la cantidad de pan que se po-
ne a la venta; en efecto, un error tipo 1es una falsa alarma. Un error tipo JI es la afir-
mación incorrecta de que la cantidad de pan que se pone a la "enta C!>tá bajo control;
· en efecto. un error tipo 11 corresponde a un fracaso en que no suena la alanna. •
La probabilidad de que se cometa un error tipo 11. dado que la h1pótes1s alter-
nativa es verdadera, se deno~ con /l La cantidad 1 - f3 se llama potencia de la prue-
ba; la potencia es la probabilidad de que la prueba apoye la h1pótc~1s alternativa
cuando ésta es verdadera. En la tabla 9.1 se presenta un resumen de los resultados
posibles de una prueba estadística y las probabilidades asociadas con ella.
)61 9 PRUEBAS O CONTRASTES DE HIPOTESIS
TABLA9.I Posibles resultados y probabilidades para una prueba de hipótesis

Concl1c1án
Concl!Aíón 110 es ..,,erdadera /10 es verdadera
Aceple H 0 Conclusión correcta Error tipo 11
probabilidad 1 - ex probabilidad {J
Rechace H0 Error tipo J Conclusión correcta
probabilidad a probabilidad l {J ( polencia)
EJEMPLO 9.6 Remii.ase al ejemplo 9.5. Bajo cienas condiciones, la potencia de la prueba es 0.60.
¿Qué significa esto?
Solución La potencia se refiere a la probabilidad de que la hipótesis alternativa sea apoyada

correctamente. De este modo, el enunciado significa que si la hipótesis alternativa es
verdadera (i.e., la cadena si tiene un prohlema con la cantidad Je pan que se pone a
la venta), hay una probabilidad de 60~o de que la prueba descubra la existencia d~
dicho problema. •
En una prueba binomial para una proporción, f3 se puede calcular sumando

probabilidades binomiales. El problema conceptual consiste en especificar el valor
que se usará para 1C. La hipótesis alternativa del ejemplo de la comparación de pro-
ductos afinna lan sólo que tr > 0.50. La probabiliJad de que no rechacemos la hipó-
tesis nula depende en gran meJ ida de que la hipótesis alternati\a sea "extre-
madamente verdadera", tal como tr- 0.90, o "apenas verdadera", tal como tr =
0.51. Así, /3 se debería considerar como una función del justo valor del parámetro
poblacional y se debería calcular para varios valores distintos. Por ejemplo. si supo-
nemos que 1t - 0.55, podemos encontrar f3 sumando probabilidades binomiales para
la región de no rechazo. (Recuerde que f3 es la probabilidad de que la hipótesis nula
no sea rechazada, dado que la hipótesis altemati\a es verdadera.) La región de re-
chazo para el ejemplo de Ja comparación de productos es Y~ 57; para encontrar fJ,
debemos sumar las probabilidades de todos los valores de y S 56. Leyendo hacia
arriba Ja columna correspondiente a tr- 0.55 en el bloque correspondiente a n = 100
de la Labia 1 del apéndice, encontramos que
/J H = .0071 + 0108 + .0157 + ··· = .6172

Los valores de f3 que se muestran a continuación se determinan con cálculos seme-
jantes utiliz.ando otras columnas de la tabla 1 del apéndice:
Valor de 1ten H,,: .SS 60 .65 .70 .7S
P.: .617::? .2368 0389 0020 ()()()()
EJEMPLO 9.7 En el ejemplo 9.3 se vio que la región de rechazo correspondiente a a= 0.10 era
Y S 4 o Y ;? 16. Encuentre f3 y la potencia de la prueba cuando tr = 0.30 y cuando
tr - 0.35.
Solución Para encontrar fJ debemos sumar probabilidades para todos los valores de y que no
se encuentran en Ja región de rechaz.o, a saber, 5 S y S 15. La potencia es simplemente
Secc16n 9 2 E¡en::1cios 363
1 - {J. Sumando probabilidades para y - 5, 6, ... , 15 en las columnas correspon-

dientes a tr - 0.30 y tr- 0.35 de la tabla 1 del apéndice, con n =50, obtenemos los
siguientes valores:
ir: JO .J5
/J: 569 :!80
Potencia: .431 .720
Observe que Pdecrece (y por consiguiente la potencia se incrementa) a medida que
el valor de tr se aleja del valor para H0 , rr = 0.20. •
El valor de fJ eslá influido por ciertos factores.

1. Si todo lo demás se mantiene igual y a se incrementa, fJ decrece. Incremen-
tar a facilita rechazar H 0 , disminuyendo así la probabilidad de que no re-
chazaremos H 0 • No obstante, observe t¡ue no es verdad que a+ fJ = l.
Tanto a como f3 son probabilid:>de~ conJ icion:>das. definidas por condicio-
nes diferentes; su suma no significa prácticamente nada.
2. Si todo lo demás se mantiene igual y n se incrementa, fJ decrece. Con más
información, el riesgo de error es menor.
3. Si todo lo demás se mantiene igual y el \alor hipotético del parámetro de la
población se aleja de H0 , fJ decrece. Es más fácil percibir una desviación
grande de H 0 que una pequeila.
9.11 En el ejercicio 9.1 lenfamos H0 : tr • 0.35, H..: 11' < 0.35," 20, R.R.: Y S 3 y una a
real de 0.0445.
a. Suponga que, de hecho, tr 0.25. ¿Cuál es la probabilidad de que la hipótesis
nula no sea rechazada? ¿Cuál es el nombre técnico de esta probabilidad?
b. Si rr 0.25, ¿cuál es la probabilidad de que /10 será rcch:11ada? ¿Cuál es el nom-
bre técnico de esta probabilidad'?
9.12 ¿Cómo debería cambiar la probabilidad que se encontró en el ejercicio 9.11 inciso
(a). si 1f 0.20 en .. ez de 0.:!5? Sustente su respuesta en principios generales antes
que en un cálculo.
9. 13 En el ejercicio 9.3, suponga que. a la larga. el 10% de las residencias con piscin3
son compradas por la inmobili:iria. Encuentre la probabilidad de que la hipótesis
nula no sea recha.LD.da. ¿Es ésta una probabilidad a o {J?
9.14 Una clase de error que podemos cometer en la situación del ejercicio 9.3 es alirmar
que la probabilidad de que las residencias con piscina se compren bajo el plan es
mayor que Ja de las otras casas, cuando en realidad las res1denc1as con piscina tienen
la misma probabilidad que éstas. Acorde con el planteamiento del ejercicio 9.3, ¿es
este un error ttpo 1 o tipo 11?
9. 15 Suponga que la muestra del CJcrcic10 9. 3 se extiende a 100 casas y que el .. alor de a
sigue siendo 0.05. También suponga, como en el ejercicio 9.13, que, a la larga, el
10°0 de las residencias con piscina son compradas por la inmobiliaria.
a. La probabilidad de que la hipótesis nula no sea recha1.ada, ¿debería ser mayor o
menor que la probabilidad que se encontró en el ejercicio 9.13? Sustente su res-
puesta en principios generales antes que en el cálculo.
364 '1 PRUEBAS O CONTRASTES CE HIPOTESIS
b. La región de rechazo con n"' 100 y a - 0.05 se convierte en Y <!: 1O. Calcule Ja
probabilidad de que H0 no sea recha1.ada. ¿Confirma este resultado su respuesta
J al inciso (a)?
9. 16 Explique que cosas constituirían errores tipo 1 y tipo 11 en el ejercicio 9.8.

9. 17 Encuentre la rrobabilid:id de que //0 no será rechazada para los siguientes valores de
rr en el e1crcicio 9.8: 0.45, O.SO. 0.55. 0.65, 0.75, 0.80. Trace la curva correspon-
diente a las probabilidades /J.
9.18 Fn el ejercicio 9.9teníamos110 : rr= 0.40, ll.: .ir~0.40, n - 20 y R.R. Y S 3 o Y~ 13.
a. Suponiendo que el valor real de 1f es O.SO, encuentre la potencia de la prueba
b. Sin se incrementa hasta 100 y no se hace ningún cambio en las especificaciones.
¿debería ser la potencia mayor que la determinada en el inciso (a). o debería re-
duci~e? No necesita realizar ningún cálculo para responder a esta pregunl:i.
UNA PRUEBA PARA LA MEDIA POBLACI ONAL CON

9.3 DESVIACIÓ N ESTÁNDAR CONOCIDA
•
Los conceptos relativos a la<> pruebas de hipótesis se introdujeron en el contexto de
la proporción binomial. Hay muchos otros parámetros poblacionalcs y muchas otras
prueh:is estadísticas. En esta sección ilustramos los conceptos básicos correspon·
dientes para el caso de una prueba estadística para la media poblacional.
Como es usual, trabajaremos con un ejemplo. Suponga que una oficina de pe-
sas) medidas tiene interés en determinar el peso real de 13, caja.o¡ de un cereal mar-
cadas como de 16 onzas. Hay alguna variabilidad en el pcc;o de una caja a la otra, a
causa principalmente de la forma de las piezas del cereal Algunas experiencias pa-
sadas han mostrado que la desviación estándar de los pesos de las cajas es de 0.1
onza. Aunque la oficina no exige que cada caja pese 16 ont..:ls. quiere asegurar al
público que el peso medio de las cajas de cereal es al menos de 16 onzas. Si la ofi-
cina sospecha que la compailía no llena debidamente las cajas (pone menos cereal en
ellas), ¿cómo puede probarse esto?
Dado que las cajas se deben abrir para pesar el contenido, la oficina no puede
probar cada caja que sale de la linea de producción. En vez de ello se debe tomar una
muestra aleatoria de las mismas para probarlas. Suponga que los datos muestrales
son los pesos reales del contenido de 25 cajas seleccionadas aleatoriamente. ¿Cómo
debería proceder la oficina?
Este problema lo podemos formular en t¿rminos de una prueba estadística del
peso medio poblacional µ para todas las cajas de cereal producidas. La oficina está
interesada en el problema básico de llenado insuficiente; en particular, en confirmar
la hi[l6tesis alternativa H.,: µ < 16 onuis. Para esta hipótcsic; alternativa, la hipóte-
sis nula correspondiente es H0 : µ ~ 16 onzas. Como ya se indicó en la sección 9.1.
el interés primario se centra en el valor límite. Denotamos el valor límite de la me-
dia hipotética con µ 0 ; en este caso Jlo = 16. ...._
El cstadbt1co de la prueba más razonable en este caso es el pc~o medio .v de la
muestra de las 25 cajas. Las medias muestrales mucho m3s pequcl\as que µ 0 son
poco probables bajo H11 y relativamente más probables si H0 : µ < 16 es verdadera.
Por lo tanto, la región de rechazo es "rechace H 0 si .Y es menor de lo que razonable-
mente ocurriría por azar".
9 3 Una prueba para la media pobla<:1onal con deJv11c16n estindar conocida ) 6S
Para determinar con exactitud la región de rechazo. necesitamos conocer la

distribución muestra! de f. Recuerde, del capítulo 6, que si la distribución pobla-
cional de los pesos es normal con mediaµ y desviación estándar <J, entonces la dis-
tribución de la media muestral también es normal con valor esperado igual al peso
medio poblacional (µY µ)y con un error estándar igual a <Jy o!.[;. Aun en
el caso en que la distribución poblacional sea ligeramente no normal, el Teorema
Cl!ntral del Límite nos a) uda a hacer que esta distribución sea una buena aproxima-
ción. Para el problema de la oficina, <J"" 0.1, n = 25 y el valor crucial paraµ es el
valor límite de la hipótesis nula µ 0 "" 16. Así, si la hipótesis nula es verda-
dera, la media muestra) Y tiene una distribución normal con µy :;;.. 16 y
o r = 0.1 / = 0.02 Podemos us~ esta información acerca de la distribución
./25
muestra! del estadístico de la prueba, Y. para determin:lr una región de rechazo.
La región de rechazo complet~para H0 : µ - 16, Hu: µ < 16 se encuentra en la
cola inferior de la distribución de Y En panicular, a partir del conocimiento que
tenemos de las propiedades de la distribución normal, sabemos que la frontera de
la región de rechazo se localiui a una distancia de 1.645 errores l!stándar ( 1.645
<J V) por debajo de µ = 16 cuando a se toma igual a 0.05 (véase la figura 9 1)
Para determinar si debemos o no rechazar la hipótesis nula, también podemos
calcular a cuántos errores estándar por debajo deµ - 16 se encuentra el valor obser-
e'O tad b tico z vado de y Esto se logra calculando un c"tadlst ico z para la media muestra! ob-
servada .v con la fórmula
y - µ0 y- 16
:
(J / ,¡;, - ---m-
Esto sugiere dos formas de determinar la región de rl!chazo para una prueba
estadística relativa a µ. En primer lugar, en términos del estadístico y de la prue-
ba. Ja región de rechazo es
rcJ:ión tic r cchaLo R.R.: Para a- O.OS, rechace H0 : µ ~ 16 si el valor observado de .f se encuentra
u t iliLando ji más de 1.64 S <J r veces por debajo de µ = 16 (véase la figura 9 .1 ).
µ:: 16
.1
Rogión do
rechazo r 1.645ay
FIGURA 9.1 Región de rechazo para el estadístico y de la prueba (a = 0.05. una cola)
366 9 PRUEW O CONTRASTES DE HIPÓTESIS
-1.645 o
Rechace H0 1
FIGURA 9.2 Región de rechazo para el estadístico de la prueba z (a = 0.05, una cola)
Una fonna equivalente de establecer la región de rechazo es en términos del estadís-

tico de la prueba z = (_v JJr,)/ o- y, también llamado estadístico::
región de rccbaio =
R.R.: para a = 0.05, rechace H 0 : µ 16 s i el valor calculado <le= es menor
utilizando z o igual a 1.645 (véase la figura 9.2).
En virtud de que esta última alternativa es más breve y quizá más simple, la utiliza-
remos a lo largo del texto.
Finalmente, suponga que el peso med io muestra! para una muestra de n = 25
cajas es 15.83 onzas. ¿Q ué puede concluir la ofic ina Je pesas ) medid as en relación
con la media poblac1onal (el llenado medio d ~ las cajai.)'> El estadístico =
z = 15.83 - 16 = -8.5
.11.fiS
indica que la med ia muestra! ( 15.83) se encuentra 8.5 e rrores estándar por debajo
de la media hipotética µ = 16. En virtud de que el valor c3lculado del estadístico
z ( -8.5) se encuentra en la región de rechazo muy por debaj o del valor criti-
co - 1.645, la oficina puede recha.zar la hipótesis nula y afinnar que la compa~ía no
llena correctamente las cajas. Una lista nos muestra el trabajo realizado por la oficina.
Resumen de la prueba de una cola para µ , con a conocida

Ho: µ = µo (µo= 16 onzas )
H. : µ< µo
y- µo (1
E.P.: : = -- ,
a, "r • .¡;,
-
R.R.: Para a = 0.05, rechace H0 si z :S - 1.645
15.83 - 16
Conclusión: z = ~ = -8.5; rechace H0
.1 / ...¡¿_~
Nota : Para H 0 : µ =- µ 0 y H 0 : µ > µ 0 , la región de rec hazo para
esz ~
a = 0 .05 l .64S.
•
93 Una prue~ para la media poblaaonal con des11tac16n estándar conocida 367
Para las pruebas de hipótesis que comprenden tanto a µ como a Tr, hemos se-
i"talado que el valor limite de la hipótesis nula es el valor más importante. En el
ejemplo del peso de los cereales, suponga que habíamos tomado algún otro valor
dentro de H0 para la media, tal comoµ = 16.01 . El estadístico z correspondiente es-
taría aún más lejos dentro de la región de rechazo:
: = 15.83 - 16.01 = -9.0

.11Jii
Si el estadístico de la prueba basado en el valor límite nos lleva al rechazo de h 0 , un
estadístico de la prueba basado en cualquier otro valor de H 0 también nos
lleva al rechazo de H 0 . Ahora bien, hasta aquí sólo hemos utilizado un signo de des-
igualdad para H0 en las pruebas unilaterales. En adelante, únicamente nos preocupa-
remos por el valor límite que es capital y eliminaremos el signo de desigualdad.
EJEMPLO 9 .8 Un investigador afinna que el tiempo que los nii"tos preescolares urbanos entre 3 y
5 ai"tos dedican a ver la televisión por semana tiene una media de 22.6 horas y una
desviación estándar de 6.1 horas. Una compai"tía de investigación de mercado cree
que la media proclama4a es muy pequeña. Para probar su hipótesis, se toma una
muestra aleatoria de 60 njños preescolares urbanos y se mide el tiempo que dedican
a ver la televisión, encargándole a los padres que lo anoten diariamente en una hoja
de registro. Si la media semanal del tiempo dedicado a ver la televisión es de 25.2
horas y se supone que Ja desviación estándar poblacional u es de 6.1 horas, ¿se de-
bería rechazar la atinnación de los investigadores con un valor a de O.O1?
Solución La hipótesis alternativa de la compañía es que 22.6 es un valor demasiado pequeño

para la media poblacional. Así. la hipótesis alternativa de interés es H": µ > 22.6 y
la hipótesis nula es H0 : µ = 22.6. Los elementos de la prueba estadística para a =
O.O 1 se resumen como sigue:
H 0 : µ = 22.6
H. :µ> 22.6
. _ ji - µ 2S.2 - 22.6 J
P z - "r 0
E... .... 6.l/J60 e: .
30
R.R.: Para a= 0.01, rechace H0 si z 2: 2.326

Conclusión: corno z "" 3.30 se encuentra adentro de la región de rechazo.
rechazamos H0 : µ == 22.6. •
El procedimiento de prueba paraµ se puede modificar fácilmente para mane-

jar otra~ hipótesis alternativas. Por ejemplo, si la compai'\ía de cereales quiere esta·
blecer, más allá de toda duda razonable. que el verdadero peso medio es mayor que
16 onzas, podría comenzar con la hipótesis alternativa unilateral H": µ > 16. Los
valores grandes de ji indicarían entonces el rechazo de la hipótesis nula H0 : µ = 16.
En particular, para a - O.OS, la región de rechazo comprendería los valores de ji
que se encuentran al menos l.645u ¡;por encima de J.lo = 16, o lo que es lo mismo,
z ~ 1.645 (véase la figura 9.3).
",. 16
Aeg1on de
rechazo
o 1 645
Re91ón de
1 rechazo
FIGURA 9.3 Reg16n de redlazo para H 0 : µ > 16, con (a) y como estadístico de la prueba;
(b) z como estadlstico de la prueba
De nuestro análisis de las pruebas de una colo se sigue directamente w1a prue-
ba de dos colas para la hipótesis alternativa, Hu: µ~/Jo· Por ejemplo, el gerente de
la compañía que se interesa en el posible llenado excesivo o deficiente de las cajas
puede tomar como hipótesis alternativa que µ ~ 16. Tanto los valores grandes como
los valores peque~os de y se~alarlan el rechazo de H 0 : µ 16. Si la región de recha-
zo ~e divide unifonnemente cm.re las colas, para a - O.OS. ést;:1 sería como se mues-
tra en la figura 9.4a; la correspondiente región de rechazo basada en el estadístico:
~e muestra en la figura 9.4b.
Se puede escribir un cuadro para la prueba : cubriendo las tres formas de la
h1pótcs1s alternativa. Recuerde que : 0 es el valor z que tiene un área a en la cola de-
recha de la curva z. Así, zo.os - 1.645 y z0 ois - 1.96. Para una prueba de dos colas y
una a dada, los puntos de corte buscados son : 4 1 ) : 41 . Para a- 0.05, utilizamos
:-00 ~ ~ - 1.96 y - z0 02 s .. -1.96. Los pri"'.'eros cuatro pasos de la prueba estadística
para µ (<1 conocida) se muestran aquí. Estos enuncian el problema y determinan la
región de rechazo; el último paso consiste simplemente en llegar a una conclusión
9l Una prueba p~ la media pobladonal con desviac:16n eslindat conocida 369
.025
15.961 ¡.t • 16 16 039
~ t ~
l=\eg¡ón de Región de
rechaio 1.96oy 1.96oy rechazo
(a)
·1.96 o 1 96
Región de Región de
rechazo rechazo
(b)
FIGURA 9.4 =
Región de rechazo para H0: µ 16, con (a) y como estadístico de la prueba;
(b) z como estadístico de la prueba
con bru.c en el valor calculado del estadístico de la prueba z. Si el valor calculado z

se encuentra dentro de la región de rechazo, rechazamos la hiplltcltb nula en favor
de la hipótesis alternativa. Si el valor= no ~e encuentra dentro de la región <le rccha·
ro, nos reservamos nuestra opinión hasta que se calculen las prohab1lidade!> f3 para
varios valores de µ.
Resumen de la prueba z, a conocida

Ho: µ=/.lo
H.: l. µ>µo
2. P <Po
3. µ #- Po
170 9 PRUEBAS O CONTRASTES DE HIPÓTESIS
y- µo
E.P.: : = u/.¡;
'
R.R.: para la probabilidad de un error a tipo 1, rechace H 0 si
l. => ••
2. ::: < -z.
J. z > z.11 o z < - : 1112
EJEMPLO 9.9 Remítase a los datos del ejemplo 9.8. Ponga a prueba la hipótesis alternativa
H0 : µ ~ 22.6 ~tilizando a= O.O l.
Solución Sintetizamos los cinco pasos de la solución corno sigue:

H0 : µ = 22.6
H.,: J' :;, 2::!.6
E.P.: : =y - Jlo = 3.30

Uy
R.R. : Para a= 0.01, rechace H0 si z 2: 2.576 o si: S-2.576

Conclusión: como el valor calculado de z (3 .30) se encuentra dentro de la re-
gión de rechazo, rechazamos H 0 : µ =- 22.6. En otras palabras,
como la media muestra[ es mayor que 22.6 y corno rechazamos
H 0 : µ -= 22.6, podemos concluir con seguridad que µ > 22.6. •
En el ejemplo de las cajas de cereal hemos supuesto que se conoce la desvia-

ción c:.tandar poblacional. cosa que en general no sucede en la práctica. Algunos
parámetros poblacionales. como la desviación estándar, tienen por lo general valo-
res desconocidos. En el capítulo 8 manejamos el problema de las desviaciones es-
tindar desconocidas utilizando la distribución t. En la sección 9.6 analizaremos
algunos métodos de pruebas de hipótesis que utilizan la distribución t. No obstan-
te. a fin de C\iltar algunas complicaciones mcnorés. nos conviene utilizar por algún
tiempo pruebas zen nuestros ejemplos. Recuerde que para muestras grandes la di-
ferencia entre las tablas t y z es insignificante. Asf. para tamai\os muestrales en los
cientos, no importa si se utiliza una tabla to una 1.abla z.
Suponga que Ja oficina de pesas y medidas torna una muestra de n - 100 cajas
de cereal y encuentra que la media muestra! es ji - 15.83 onzas y la des,•iaci6n es-
t(indnr mues tra! es s:: 0.12 onzas. Suponga también que la oficina no quiere hacer
suposiciones infundadas acerca de la desviación estándar poblacional. Una estima-
ción razonable, basada en los d:ltos, es que la desviación estándar poblacional CJ es
aproximadamente igual a la desviación estándar muestra! s (es decir, aproximada-
mente igual a 0.12). Parece razonable sustituir el valor des, la desviación estándar
muestra!, como la mejor estimación del valor de a en el estadístico z. De acuerJo
con un teorema de la estadística matemática, si n es suficientemente grande. el es-
tadístico z que de ello rcsuli.a tiene, de hecho, una distribución z, al menos como una
9 4 L• probabilidad (J poa.ni laJ pruebas z 37 1
buena aproximación. La oficina puede proseguir y realizar una prueba=· El resumen

de la prueba es el siguiente, la oficina ha utiliZ3do en esta ocasión a= O.O 1 sólo
para variar. "~
Resume n relativo al resultado de muest ras grandes, <1 desconocida
H0 :µ= 16
H.: JI< 16
y-µ 0 15.83 - 16
E.P.: z ~ --= • - 14.167
s/...fñ . 12/~
R.R.: Para a= O.O!, rechace H0 si z S -2.326

Conclusión: como z = - 14.167 se encuentro dentro de la región de rechazo,
rechazamos H 0 .
•
Usted debería ser capaz de verificar que - 2.326 es el valor critico correspondiente
a a = 0.01.
El procedimiento para muestras grandes es muy simple: utilice la desviación

estándar muestra! sen vez de "· la desviación estándar poblacional, en el estadísti-
co z. En la sección 9.6 daremos una justificación más amplia de esla sustitución. Por
1amaño mu e~tra l ahora, suponga que el procedimiento para muestras grandes proporciona una
requerido aproximación razonable si n ;::: 30 y una buena aproximación si n ~ 1OO. Dado que
el estadístico de la muestra de la oficina de pesas y medidas se encuentra dentro de
la cola de rechazo, la oficina puede rechazar H0 sin ningún temor.
EJEMPLO 9. 1O Suponga que la muestra del tiempo dedicado a ver Ja televisión del ejemplo 9.8 tie-
ne una desviación estándar de 5.8. Utilice este valor para probar la hipótesis alter-
nativa Hu: µ> 22.6, con a= 0.01.
Solución Cuando s reemplaza a a, el valor del estadístico ;: es
;: = 25.2 - 22.6
= 3.47
5.8//60
Este valor se encuentra dentro de la región de rechazo z ~ 2.326, de modo que se
acepta Hu. •
9.4 LA PROBABILIDAD /J PARA LAS PRUEBAS z

•
En la s~ción 9.2 introdujimos el rie~go fJ (la probabilidad de no rechaLDr la hipó-
tesis nula cuando la hipótesis :iltemati' a e~ verdadera) en Ja prueba para la propor-
ción hinomial. Los mismos conceptos son aplicables a la prueba: de esta sección,
pero el cálculo de f3 es algo más que la simple suma de probabilidades binomiaks.

Como modelo utilizaremos el ejemplo de la~ cujas de cereal. Recuerde que para H0 :
µ - Ji>, Hu: µ < 16. <1 =O 1. n - 25 } a= O.OS, la región de rechazo fue z < - 1.645.
P::ira calcular el riesgo de un error tipo JI (la probabilidad de aceptar incorrectamen·
te 11 ). debemos suponer algún \alor paraµ bajo Hu. Nuevamente, el valor de {3 de-
pende Jel supuesto valor deµ en H.,. Específicamente, supongamos que µ = 15.92;
esto corresponde a un peso inferior en un 0.5° o respecto del peso marcado. ¿Cuál es
la probabilídad de que la oficina detecte esta reducción en el peso?
Es más fácil entender el cálculo si la región de rechazo se establece en térmi-
nos de Ja media muestra! y en vez del estadístico z. Si la región de rechazo es z <
- 1.64.5, rechazamos H0 : µ = 16 para valores de .v que se encuentren al menos
1.645 des\'iaciones estándar por debajo de µ = 16; es decir, rechazamos H 0 si
.v S 16 - 1645 <11../n =1.5.9671. Silavcrdaderamediaesµ= 1.5.92,laprobabi-
lidad {3 de que la media muestra! no se encuentre dentro de ln región de rechazo es
/J = P(Y_ > 15.96711µ = 1.5.92)"" P

(Y - 15.92
r.;; >
159671 15.92)
r.;;
.1/ ..;25 .l/..;2.S
= P(: > 2.355} ~ .01
Este cálculo se ilustra en la figura 9.5.
Tales cálculos se pueden llevar a cabo en cualquier situación de pruet>a, y se
pueden resumir en uno fórmula general. Si µ 0 es el valor limite de µ bajo H0 y µ"
f3 pua un a pruc- es In media seleccionada como hipótesis alternativa, se puede demostrar que para
ha d e una cola una prueba de una cola
fJ = P(: > -:. + lµ;;}nºI)

En el ejemplo de los cereales, - za= -z0 os= -1.645, mientras que
1µ. - µol .,. 11.5.92 - 161 .08 = 4
al.fo .1 ¡J25 .02
(Recuerde que" ¡"indica el valor absoluto, o magnitud de un número sin tomar en
consideración el signo.) Por consiguiente,
ji= P(: > -1.645 + 4) Plz > 2.355}.::; .01
Es así que la oficina tiene una pequeifa probabilidad ({J - 0.01) de no poder recha-
1..Jr H0 en coi.o de que el pc~o medio del llenado de las cajas sea 0.5°;o inferior a las
16 onzas establecidas. En otrJS palabras, con este procedimiento de prueba hay una
probabilidad muy alta ( 1 {3 O. 99} de descubrir el llenado defectuoso en un o.si¡.o
si éste se da.
Para las pruebas de dos colas se puede realizar un cálculo similar. El gerente
de producción de la compai'lía de cereales tenía una región de rechazo (con a=
0.05) de z ~ -t.96 o z ~ 1.96, o lo que es lo mismo,
- 16 - 1.96(.1) s 96 1 _ 16 + t.96(. 1) o~
y~ r.;; =I o y~ r:;-; :: 16. .19
..,¡ 25 ..,¡ 25
9 '4 La probablhdad /J para las pruebas z 373
15.92 15 9671
(a)
15.9671 16
(b)
FIGURA 9.5 Cálculo de fJ para una prueba z de una cola: d1stnbuc1on muestra! de
Yba,o (a) H.,: µ = 15.92; (b) H0 : µ = 16.00
Si 15.961 < .V < 16.039. H 0 no se rechaza. Así, si la 'crdadera media es l S. 92, Ja
probabilidad de aceptar incorrectamente H 0 es
/1 = P(l5.961 <Y <16.039jµ = 15.921
l5.961 - 1592 16.039 - 15.92)
= P( <1<----- -
.11Jii .11J2s
""' P12.05 < z < 5.95)
Observe que el limite superior S.95 {que corresponde al límite superior de
y::: 16.039) no tiene prácticamente ningún efecto, pues P(z ~ 5.95) es cero con
muchas cifras decimales. Por consiguiente, el valor de /3 es P(2 .05 < z < 5.95)
-= P(z > 2.05) = 0.02. En la figura 9.6 se ilustra este cálculo.
Afonunadamente, se c uenta con una versión abreviada de estos cálculos. Re-
cuerde que Jlo denota el valor límite de µ bajo H0; análogamente, denote con µ 0
cualquier \alor seleccionado deµ dentro de la hipótesis alternativa. El cálculo abre-
viado de f3 se muestra en el siguiente recuadro:
Cálculo de fJ para una prueba z
Prueba de dos colas: en la prueba de una cola, reemplace -=rr con ~zC!G •
15.92 15.961
(a)
15 961 16 16.039
(b)
FIGURA 9 .6 Cálculo de {J para una prueba z de dos colas: distribución muestra! de

Y bajo (a) H0 : µ = 15.92; (b) H0 : µ = 16.00
EJEMPLO 9. 11 Calcule probabilidades fJ para las pruebas de una cola del ejemplo 9.8. Suponga
que la 'erdadera media es 25 .O.
Solución Como a 0.01 µ =25.0. JJo = 22.6. a= 6.1

0
y n - 60,
{l = P(z ~
6.1/-;61)
- 2.326 + 125.0 60
... P(: ~ .72) = .2358 •
En el capitulo 8 se utilizaron los intervalos de contianw para determinar de
~ué tama1'0 debería ser la muestra. Otra allemativa es utilizar las pruebas de hipóte-
!.I!. para !.cleccionar el tamaño. Por ejemplo, una cadena de restaurantes económicos
especializados en carnes asadas obtiene gran parte de MIS ganancias de los "platos
extra" platos que no se incluyen en el menú y que se cobran por separado. En pro-
medio, los extra suponen 4.24 dólares por cuenta, C"~ una desviación estándar de
2.00 dólares. Se está considerando un programa de incentivos paro Jos meseros y las
meseras con la idea de vender más platos extra (i.e., incrementar la media). No obs-
tante, se tiene la preocupación de que el programa sea contraproducente y conduzca
a una reducción real. El objetivo es una media de 4.50 dólares ¡,Cuántas cuentas
deberla in<:luir una prueba que se llevase a cabo bajo el esquema de los incentivos?
Como se tiene la preocupación de que el programa sea contraproducente, se
debe utthmr una hipótesis bilateml. Para calcular el tamafto requerido de Ja mues-
tra es necesario especificar tanto a como {J. Suponga que enunciamos la hipótesis
9 '4 la probati.hdad Pp1r11 lu pruebas z 375
nula como H0 : µ: $4.24 y especificamos que a - 0.05 y f3 = 0.1 O. Tomamos

µ 0 = $4.50 como media objetivo y suponemos que (J sigue siendo igual a $2.00.
Podríamos proceder por ensayo y error. Suponga que ensayamos n - 400. En
este caso
,,= p(z> -
fl
l 96+ 14.50 - r-:-:=
4.241)
2.00/.j400
= P(: > .64) = .5000 - 2389 - .2611
La probabilidad fJ es mayor de lo que se quiere; se necesita una muestra más gran-

de. Siguiendo este procedimiento. podríamos llegar a encontrar la n requerida.
Afonunadamente, es posible calcular directamente dicho valor.
Tamaño muestral requerido para un a y un {J predeterminados

(z + .. ¡2q2
Prueba de una cola: n = {µ.
• - ·-µo) 2
Prueba de dos colas: en la prueba de una cola. reemplace : 0 con =cr.-i
•
En el ejemplo de la cadena de restaurantes. tenemos una prueba de dos colas
y a,,_ 0.05; por lo tanto, utilii.a.mos Zan = ro.oS/2 = 1.96 y z/J = z0. 10 = 1.28:
- ( 1.96 + 1.28) 2 (2.00) 2 - 6

2 6
n- (4.50 - 4.24) 2 - 1.1
Para asegurar que la probabilidad /3 no es mayor que 0.1 O, debemos redondear ha-
cia arriba a n dándole el valor 622.
EJEMPLO 9. 12 Una compatlía que fabrica panes para máquinas de poca potencia (para trabajos li-
geros) utiliza en ocasiones obreros temporales que contrata a travé<; de una agencia.
Estos trabajadores tienen una producción media de 2250 artlculos por día y una
desviación estándar de 260 artículos por día. Los gerentes de la compai\ia quieren
obtener una muestra de trabajadores temporalc!. de una agencia diferente (una que
proclama tener nom1as más rigurosas) para ver si se incrementa la productividad.
Piensan realizar una prueba de una cola con a - 0.01. Si la productividad media
(poblacional) en el limite de los trabajadores temporales de la nueva agencia es
de hecho 2380 (media desviación estándar más alta). los gerentes quieren que
la prueba tenga una potencia de 0.95 . ¿Cuántos tr.ibJJadore!. temporales se deben
incluir en la prueba?
Solución Suponemos que la desviación estándar de los trabajadores temporales de la nueva

agencia es la misma que la de la anterior, a saber, <J - 260. La hipótesis nula es que
los trabajadores temporales de la nueva agencia no son mejores que los de la ante-
rior; H 0 : µ = µ 0 = 2250. Tomamos µ 0 = 2380. De la tabla 3 del apéndice,
=o.oi - 2.33 y z0 .D5 ::. 1.64 o 1.65; digamos 1.645. Asi
Redondeando hacia arriba. encontramos que los gerentes necesitan una muestra de
64 trabajadores temporales. Observe que puede ser muy dificil obtener una muestra
aleatoria; para ganarse al nuevo cliente, la agencia podría enviar a sus trabajadores
más productivos. •
SECCIONES 9.3 Y 9.4 EJEROCIOS
9 19 El gerente de una organización pan la conservación de la S3lud ha fijado como ob·

Jetlvo que aquellos pacientes que no acudan por alguna emergencia esperen menos
de 30 minutos para ser atendidos. En un control por sondeos. el gerente encuentra
los 1iempos de espera de 22 pacientes; éstos se seleccionan aleatonamente en dife-
rentes dia.s. Suponga que la desviación estándar de la población de tiempos de espe-
ra es de 10 minutos.
a. ¿Cuál es el parámetro relevante para la prueba?
b. Formule las hipótesis nula y alternativa.
c. Determine el estad1stico de la prueba y la región de rechazo correspondiente a
ª ""
0 .05.
9 .20 En el ejercicio 9 .19, suponga que el tiempo de espera medio para los 22 pacientes es
de 38.1 minutos. ¿Puede rechazarse H0?
9.:! 1 Par.i el procedimiento de prueba del ejercicio 9 .1 9, encuentre Ja probabilidad de que
no se rechace 110 , suponiendo que la verdadera media del tiempo de espera es de 34
minutos. Haga lo mismo para otros \.alorcs de µ, y trace una curva para /l
9 .22 En el ejercicio 9.19 se dijo que los 22 pacientes fueron seleccionados en días dife-
rentes. ¿Por qu~ no serla conveniente escoger a los 22 pacientes en un solo día toma-
do al vM'>
9.23 Una estnción de radio quiere controlar el tiempo destinado a Jos anuncios gratuitos
de servicio público. Si ha} demasiados anuncios de este tipo, la estación pierde in-
gresos; si hay muy pocos, la estación pierde puntos en Ja Comisión Federal de Co-
municaciones. El objetivo es un promedio de 1.5 minutos de estos anuncios por
hora. Una muestra de 18 horas proporciona los siguientes tiempos (en minutos) des-
tinados a los anuncios gratuitos de servicios públicos:
.O .O .O .O .o .o .s .s .s 1.0 l.S
1S 2.0 2O 2.S 3.0 6.5 (media - 1 278)
Suponga que la desviación estándar poblac1onal es 1.60. Determine todas la.s partes
de una prueba z de H0 : µ l .S ¿Ocbcrfa 5er 11., de una o dos colas? l tihce a= 0.05.
9 24 Remítase al ejercicio 9.23. Calcule probabilidades fJ paraµ - 1.0, 1.2, 1.4, 1.6, 1.8
y 2.0. Trace una curva para /l
9.25 La teoria subyacente a la prueba del ejercicio 9.23 supone que Y tiene una distribu-
ción aproximadamente ñonnal. Con base en el aspecto de los datos. ¡,cree usted que
la apro,imación es huena para este problema?
9 .S El valor p ~ la prueba de una h1p6tes1s 377
9.5 EL VALOR p PARA LA PRUEBA DE UNA HIPÓTESIS_

En los problemas de prui=bas de hipótesis hasta aquí considerados siempre llegarnos
a un::i Jecisión dd tipo rechazo-no rechazo, sin tomar en cuenta el peso de las evi-
dencias. En la práctica esta es una simplificación exagerada. En el ejemplo de la
comparación de productos de la sección 9. 1, especificamos H0 : 1r = O.SO, H.,: 1r >
O.SO y n - 100, y escogimos a = O.OS. La región de rechazo correspondiente era
y~ 59. Formalmente, y- 59 nos lleva justo a la misma conclusión que y 99. Evi-
dentemente, mientras más se adentra el estadístico de la prueba en la región de re·
chazo, más concluyente es el rechazo de la hipótesis nula. ¿Cómo podernos medir el
peso de la evidencia que nos proporciona la muesU'a para rechazar una hipótesis
nula en favor de una hipótesis de investigación?
El peso de la evidencia, o indice de evidencia, para rechazar una hipótesis nula
valor p se llama valor p o nivel de significación alcanzado. El valor p es la probabilidad
(suponiendo H 0 ) de obtener un valor del estadístico de la prueba a una distancia
mayor o igual que la del valor observado. A medida que el e~tadístico de la prueba
se aden1.ra en la región de rechazo, el peso de la evidencia para rechazar la hipóte-
sis nula se hace más decisivo y el valor p se hace más pequeño. En el ejemplo de la
comparación de productos, 5Uponga que el valor observado y es 59. La región de
rechazo es Y ~ 59, de modo que noso1.ros (apenas) rechazamos formalmente la hi-
pótesis nula. Podemos calcular la probabilidad de obtener el valor de y que obtuvi-
mos , 59, u otro más extremo (mayor, en este caso) utiliuindo probabilidades
binomiales con n = 100 y 1r =O.SO.
P(Y ~ 59jn = .50) = 0159 + .0108 + ··· + 0001 = .0444
Ahora suponga que el valor y es 65, más adentro de la región de rechazo. El valor
p para este resultado se encuenl.ra sumando probabilidades binomiales con n= 100
yp =o.so.
P( Y ~ 65 l n = .50) = .0009 + .0005 + 0002 + .0001 + 0001
= .0018
que es un valor mucho rnás pequeño. Cuanto más 5e inteme el estac.lístico de la prnc-
ba en la región de rcchaLO, más pequei'lo 5Crá.el valor p , y de mayor peso la evic.lcn·
cía que tendremos para rechazar la hipótesis nula y apoyar la hipótesis altcmati va.
Los valores p muy pequei\os indican una fuerte evidencia, tal vez decisiva,
para rechazar la hipótesis nula. La razón es que un valor p indica que el dato obser-
vado es muy poco probable. suponiendo que la hipótesis nula es verdadera. En el
ejemplo de la comparación de productos, un valor observado y de 65 (p - 0.0018)
sería mucho más decisivo que un valor observado y e.le 59 (p =0.0444).
Aunque ninguno hipótesis nula se puede refutar de manera absoluta, un valor
p muy pcquefio nos conduce a su rccha10 y a la aceptación de la hipótesis altcrnati·
'a más allá de toda dudn.
EJEMPLO 9. 13 En el ~jemplo 9.1, encuentre el valor psi en una muestra de 50 tiendas se encuen-
tra que I 8 de ellas se han quedado sin pan.
Solución Las hipótesis nula y alternativa son H0 : 1r ~ 0.20 y H 0 : 1r > 0.20. Utilizando las ta·
hlas binomiales con n - 50 y probabilidad de éxito (carencia de pan) 1r = 0.20,
P (Y ~ 18) - 0.0062. El valor pes aún más pequel'lo que O.O 1, indicando que H0 se
puede rechazar decididamente. •
"
Cuando la región de rechazo de la prueba tiene dos colas. el cálculo del valor
p se debe modificar ligeramente. Un valor aún más extremo que el del estadístico de
la prueba puede estar en la misma cola o en la cola opuesta. Si la distribución mues-
tra! del estadístico de la prueba es simétnca (como casi siempre sucede en el caso de
u lo r p de las pruebas de dos colas) el ,·a lor p de dos cola'! se puede calcular duplicando el
do'! colas valor de una cola. En el ejemplo de la comparación de productos. el valor p de una
cola correspondiente a y= 59 es 0.0444; si H., '>C hubiese considerado como bilate-
ral, H0 : 1t ~O.SO, el valor p sería 0.0888
El cálculo de los valores p es también muy simple para las pruebas z. En el
ejemplo de las cajas de cereal, para probar el peso medio del llenado, la oficina de
pesas} medidas utilizó una prueba de una cola con H 0· µ 16 y H., Jl < 16. El va-
lor observado del estadístico z fue 8.5 . Dado que la última entrada de la tabla 3 del
apéndice, 3.09, corresponde a un área de la cola igual a 0.001. el valor p, P(: ~
8.5 1 µ = 16), es más pequel'lo que 0.001 paro. esta prueba de una cola.
Para una prueba de dos colas, como la correspondiente a H0 : µ = 16, H0 : µ ;oi!' 16
en el ejemplo de las cajas de cereal, el valor p, P(z $ - 8.5 o z ~ 8.5 1 µ = 16), es
menor que 0.002. Las tablas z más detalladas indican que el valor p de una cola
es menor que 0.0000000001, una posibilidad en 10,000 millones. Con base en los
datos de la muestra, la oficina puede decididam~nte rechazar H 0 . El cálculo de
los va lores p basados en el estadístico z se hace de la siguiente manera:
Valores p para la prueba z

1. Si Hª: µ > JJt¡. valor p = P(z > =~"-ido)
2. S1 Ha: µ < JJt¡, valor p = P(z < =ob'>CMdo)
3. Si Ha: µ -F JJt¡, valor p =2P(z > .Zobs~ado)
Análogamente. los valores p de una prueba para 1t utilizando el estadístico z se
calculan como aqui se indica, reemplazando a µ por rr para las pruebas de una y
dos colas.
El valor calculado del estadístico: se denota con =oi..mado·
•
La mayoría de los paquetes estadísucos para las computadoras calculan auto-
máticamente los valores p. Un Hlor p muy pcquci'io indica que la hipótesis nula se
debe rechazar con cualquier valor a razonable; un valor p muy grande, tal como
0.4 o 0.6, índica que la hipótesis nula no :.e debería rechazar con valores razonables
de a. Un principio muy general relaciona los valores p con a; el principio es tan
general que merece ser llamado región de rechazo universal.
Región de rechazo universal

Si se ha especificado a. rechace la hipótesis nula si y sólo si el valor pes menor que
el valor a.
9 S El valOf" p para la prueba de una h1p6tes1s 379
EJEMPLO 9.1 4 Mucho~ programas de cómputo para el análisis estadístico calculan rutinariamente
valores p. usualmente en la fonna de dos colas.
a . Paro la siguiente salida, encuentre el valor p de una cola.
b. Verifique el cálculo del valor p utilizando tablas:.
c . ¿Se puede rechazar la hipótesis nula con a= 0.05?
HTB > ztest of mea~ • 150 asst.1T11ng slQft'lll • 20 data in •oata '
TEST OF HU • 150.000 VS MU N.E . 150.000
THE ASSUMEO SIGIU. a 20.0
N MEAN STDEV SE MEAN l P VALUE
Oata 25 156.'80 22.515 4.000 1.62 o.,,
Solución a . El valor p (de dos colas) es 0. 11. El valor p de una cola es la mitad de él,
aproximadamente 0.0515.
b. El estadístico: es 1.62. Con base en las tablas normales. el área a la dere-
cha de 1.62 es 0.5000 - 0.4~ 74 "" 0.0526.
c. Como el valor p no es menor que 0.05, no podemos rechazar H0 con a= 0.05,
aunque nos podemos acercar. Observe también que el valor p, 0.0526. no es menor
que 0.05 aunque esté próximo a serlo. •
Como ya dijimos, al valor p se le llama nivel de significación alcanzado de

una prueba estadística. Los resultados de una prueba estadística con frecuencia se
C\t:1tJl4'ticamcntc re:,umen diciendo que el resultado es e~tadísticamente si~nific:ati\'O para el valor
!IÍJ!nificath o p especificado. Por ejemplo, en el caso de la comparación de productos, un valor y
igual a 59 es estadísticamente significativo con p = 0.0444 cuando se utiliza una
prueba de una cola. En el ejemplo del peso de los cereales, z = -8.5 es estadística-
mente significativo con p = 0.0000000001 . Mientras más pcquei'lo es el valor p.
más decisivo es el rechazo de la hipótesis nula.
La frase es10díst1camente significativo es desafortunada. La palabra significa~
ti\'O sugiere "importancia", "interés" y "grandeza". La significación estadística no
necesariamente implica importancia, relevancia o utilidad práctica. Sólo quiere de-
cir que la hipótesis nula se puede rechazar con un riesgo de error muy bajo. Una
mejor frase sería estadíslicamente percep11ble Decir que una diferencia es estadís-
ticamente significativa o estadísticamente perceptible significa que los resultados
observados no se pueden atribuir razonablemente a la mera variación aleatoria: en
este punto viene al caso el problema del peso de los cereales. Con un valor z de
-8.5, la prueba es estadísticamente significativa al nivel p S 0.0000000001 . Esto
permite a la oficina concluir, con toda confianza. que la compai'lía tiene la culpa de
llenar las cajas con menos peso, aunque el peso medio mueslral de 15 83 onzas es
sólo 1° o menor que el peso nominal de la coja. Sera pequei'lo, pero queda demostra-
do concluyentemente que los paquetes se llenon con menos cereal del e~pecificado.
Debemos reconocer que rara vez es exactamente verdadera la hipótesis nula.
Por esta razón, con un tamaño muestra! suficientemente grande, casi cualquier hi-
pótesis nula se puede rechazar. ¿Qué significa esto? Cuando se rechaza la hipóte-
sis nula, s1gn1fica que se ha establecido una diferencia decisiva, aunque nn se
haya hecho juicio alguno acerca de la importancia o el significado de la diferen-
cia encontrada.
A Ja inversa. un resultado muestra( con un valor p asociado > O 05 (conside-

rado por algunos como una indicación de "no estadísticamente significatl\ o .. ) po·
dría se~ mas quizá no sería. el resultado de una fluctuación aleatoria: es decir. aun
cuando el valor p sea mayor que O.OS, puede haber un efecto 1mplíc1to. El proble-
ma es que no lo hemos determinado más allá de toda duda. Con todo. usted debería
tener cuidado de no atribuir demasiada imponancia a la significación estadística. El
valor p da el peso de la evidencia de la muestra para rechazar la hipótesis nula.
Quien realiza el experimento debe juzgar el significado practico de los resultados
observados que se dice son estadísticamente significativos.
SECCIÓN 9.5
-------- EJERCICIOS
9.26 Encuentre el valor p para la prueba en el ejercicio 9.20.
9.27 Una compailfa financiera encuentra que el 15% de sus clientes se retrasan en sus pa-
gos. Se pone a prueba un plan de préstamos re\is:ido con una mucstr.i aleatoria de
50 clientes. Si 4 de ellos se retrasan en sus pagos, dé un valor p para la prueba esta·
dística de H0 : tr • 0.15 contra H.: tr < 0. 15.
9 28 L tillce tablas normales en el ejercicio 9.27 para encontrar un valor p aproximado.
9.29 Un gerente de ventas cree que los agentes de ventas de la compañia deberían estar
de viaje cerca del 40% de los dias de trabajo. Si el tiempo que pas:in de viaje es
mucho menor, declinan las solicitudes de compra y, tanto el servicio de los agentes
como la recopilación de infonnación. no ron adecuados. Por el contrario. si pasan
viajando mucho más del 40• o del tiempo. los gastos consumen el aumento en las
ganancias. Un estudio de los últimos 5 me~c s ( 11 O dlas de trabajo) índica los si-
guientes datos (número de días que ha viajado cada agente)
32 36 41 45 48 48 51 54 57 M
(y 47.6. ·' = 9.65. n • 10)
A continuación se muestra una salida de la computadora para estos datos (b:isados
en una supuesta desviación estándar poblacional de 10 .0)
MTB > z t est of mean • 44 assu111ng sigm11 • 10 da ta In 'Oeta '
TEST Of MU • 44.000 VS MU N. E. 44.000

THE ASSlMEO SI CM.4 : 10.0
N "EAJI STOEV SE " EAN z P VAL UE

Data 10 47.600 9.652 l.162 1.14 0.26
a. Identifique el valor del estadístico z.

b. Identifique el \alor p .
c. ¿ F.s m:is comeniente para este problem:i un 'alor p de dos cola., o de un:i cola'>
9.30 El gereote de ventas del e1erc1c10 9.29 conclu} e que la d1scrcpanc1a entre el prome-
dio ohservado de 47.6 y el promedio deseado de ~4 O no es e'iuidisticamente signi·
ficall\.O, debido a lo c ual el estudio demuestra que Ja situación de los días de viaje
de lrJb:ijo está bajo control.
a. <. t-stá usted de acuerdo en que el resultado no es estadisticamente significativo
(con los usuales niveles a)?
b. <.e stá usted de acuerdo en que el estudio demuestra que la situación de los días
de viaje de traba10 está bajo control?
96 Pruebas e h1pdusls con la drstnbuaón t
9.31 Se s upone que la pila eléctrica de una calculadora de mano puede realizar 20,000
cálculos antes de que se le tenga que 1,.ol"er a cargar. Una prueba de 114 pilas el~- d
tricas da un promedio de 19.695 cilculos y una desviación est:indar de 1103.
a. Formule las hipótesis nula y alternativa. ~'
b. Calcule el estadístico de la prueba y el valor p apropiados. -.
9.32 c:.Es estadísticamente significativo el resultado del ejercicio 9.31 con los niveles
usuales «!¿Diría usted que el resultado es significativo en la práctica?
9.6 PRUEBAS E HIPÓTESIS CON LA DISTRIBUCIÓN t

-------·
Las modificaciones hechas a los procedimientos(.:) nonnales para obtener interva-
los de confianza con la distribución/ también se aplican a las pruebas de hipótesis.
Una vez más, sustituimos G con s y usamos las tablas ten vez de las tablas z. En
esta sección resumimos el procedimiento y hacemos hincapié en algunas pequel'las
diferencias en el método.
El procedimiento básico para cualquier método de prueba de hipótesis requie-
re que se formulen las hipótesis nula y alternativa (H0 y H), se seleccione un es·
tadistico de la prueba (E.P.), se defina una región de rechazo (R.R.). se calcule el
valor E.P. y se llegue a una conclusión. Por ahora nuestro interés se centra en la
prueba de hipótesis acerca de la media poblacional; seguimos sosteniendo la hipó-
tesis matemática fo1mal de que la dist.ribución de la población es exactamente nonnal.
Prueba de hipótesis para µ con muestras pequeñas

Ho : µ=µo
Ha : l. µ>/Jo
2. µ<µo
J. µ:,t. /Jo
y- Jlo
E.P.: t = s/Jn
R. R.: Para una probabilidad dada a de un error tipo l. rechace H 0 si
l. r > c.
2. 1 < -r.
3. ltl ~ '•fl
donde ta tiene una cola derecha con área (a) en una distribución t con
1 g.I.
11 -
EJEMPLO 9. 1S Una aerolínea establece un sistema de "única lila" en la línea de espera de sus ven-
tanillas a fin de reducir el tiempo de espera. En el sistema anterior el tiempo de es-
pera medio bajo condiciones especificas era de 6.1 minutos. Se toma una muestra de
14 tiempos de espera; los tiempos se miden en momentos suficientemente distantes
entre sí para eliminar la posibilidad de observaciones dependientes. La media de la
muestr3 es 5.043 y la desviación estándar 2.266. Ponga a prueba la hipótesis nula

de ningún cambio contra la hipótesis alternativa apropiada, utilizando a.: 0.1 O. Su-
ponga qee la pobl3ci6n de tiempos de espera es aproximadamente normal.
Solución FI parámetro poblacional <le interés esµ , el tiempo de espera medio. bajo condicio-
ne<; normales, uti lil.3ndo el sistema de única fila. La hipótesis alternativa es que la
media es menor que la media anterior, 6.1, de modo que H.,: µ < 6.1. Podemos to-
mar como hipótesis nula H0 : µ :;; 6.1 (no hay cambio). Como es usual. sólo nos te-
ncmo<; que preocupar por el valor límite de la hipótesis nula.
H0 µ = 6.1
H. : µ< 6.1
E.P.: t = 5.04J -ó.I = - l. 75

2.266 / Jf4
R R.: Para a; 0.10 y g.1. = 13, rechace H0 cu:mdo I ~ - 1.350
Como el valor observado de t, -1.75, es menor que - 1.350, rechawmos H 0 y con-
cluimos que la reducción aparente en el tiempo de espera med10 (de 6.1 a casi 5
minutos) no es una mera casuali<l3d estadística. •
Al principio de este capítulo introdujimos el valor p como un índice del grado

de apoyo que proporciona un conjunto de datos a la hipótesis alternativa En ese
ca<;O pudimos utilizar las tablas z para calcular los valores p. Ahora debemos recu-
,·a lor p pa r a una rrir a las tablas I que son menos extensas; dados los gr.idos de lilxrud, una tabla t
prueba t proporciona sólo unos cuantos valores, pudiéndose en oc:is1ones obtener sólo un
\ alor p aproximado (aunque la mayoría de los paquetes estadísticos d:in valores p
muy precisos). La aproximación se basa en el hecho de que el ... alor p cs el menor
\alor a que nos permite rechazar la hipótesis nula. Si la hipótesis nula se puede re-
chazar en un nivel panicular a. el valor p debe ser menor que a. Si la hipótesis nula
no se puede rechazar en un nivel particular a, el valor p debe ser mayor que e~c a.
Por lo tanto, con frecuencia podemos acotar el valor p entre dos números. Todo lo
que se necesita es ubicar el estadístico t que se haya observado entre dos valores Ita-
bulados. Los limites para el valor p se pueden leer directamente.
EJEMPLO 9. 16 Encuentre limites paro el valor p en el ejemplo 9.15.
Solución Fn el ejemplo 9.15 vimos que corno I = -1. 75 es menor que t0 10• " ' ' '"'- 1.350, •
se puede rechazar H0 con a - O. l O. Por lo tanto, p < 0.1 O. Cuando lo intentamos
con a - O.OS, encontramos que no podemos rechazar H0 ; el valor t tabulado es
-1.os. 131 1. = - 1.771. Por consiguiente, p > 0.05. Podcmo<; sintetizar el valor p
aproximado como 0.05 < p < 0.1 O. •
• Se ut1li1an también como form3s de notación 1011(13). o hien tr1 111 (N. J,• lo R T.)
9 6 PruebaJ de h1pótes1s con la d1stribuc16n t 383
EJEMPLO 9 .1 7 Un ajustador de seguros utiliza dos talleres distintos para mandar a reparar los au-
tomóviles extranjeros que sufren d<IDos por colísión. Para probar si los talleres son
competitivos en precio, el ajustador obtiene estimaciones del costo de reparación en
ambos talleres para 15 automÓ\ íles. Ponga a prueba la hipótesis nula de que la di-
ferenc:1a m~d1a es cero contra la hipótesis alternativa apropiada ¿Qué se puedi::: de·
cir aci:::rca del valor p?
Estimación de la reparación (en cientos de dólares)

Au1omó .. il 1 2 3 4 5 6 7
Taller 1 7.6 I0.2 9.5 1.3 30 63 5.3
faller 2 7.3 9.1 84 15 2.7 5 !I 49
Diferencia., d .J 1.1 1.1 - .2 .3 .s .4
Estimación de la reparación (en cientos de dólares)

i\utomóvil 8 9 JO 11 12 13 14 15
Taller 1 6.2 2.2 48 11.3 12.1 6 ') 7.6 l! 4
Taller 2 5.J 2.0 42 11.0 11 .0 6. 1 6.7 7.5
Diferencia., d .9 .2 .6 .3 1.1 .8 .9 .9
Solución La h1¡>ó1em nula es que la verdadera diferencia media µel es O Como no se ha espe-
cificado ninguna dirección particular para la hipótesis alternativa, tome Hª : µJ ~O.
Basamos la prueba en las diferencias (que, en este caso, son designadas con den vez
de y). El estadístico de Ja prueba es
r---
J-o
s,/J;
y se hasa en n - 1 =14 g.1. Un cálculo rutinario nos da d = 0.613 y sd"" 0394, de
modo que
- .613 - 603
1- r. -
.394/..¡ 15
El ma)Or valor tabulado t para 14 g.1. es 2.977, el cual corTespondc a un área de una
cola de 0.005. Así, aun para un a (de dos colas) igual a O.O 1, H0 se puede rechazar
f:ícilmente. El valor p debe ser menor que 0.01; de hecho, sospechamos que el va-
lor pes mucho más peque~o que 0.01. Formalmente, concluimos que los dos talle-
res tienen diferentes estimaciones medias. Es bastante claro que el taller l tiene
estimaciones medias más altas que el taller 2. •
La evaluación de f3 ) de la potencia es más difü:il para las pruebas t que para

las pruebas z. El método para calcular f3 que se introdujo en la sección 9.4 es válido
sólo para las pruebas z, pero se puede utilit.ar como una aproximación en las prue-
bas r Como el esi.adístico tes más variable que el c!.tadíst1co z, la fórmula tiende a
subestimar f3 y. por consiguiente, a sobrestimar Ja potencia. La forma más fácil de
utilizar el método es especifica: un valor para
184 9 PRUEBAS O CONTRASTES OE HIPÓTESIS
y un valor para a. Por ejemplo. suponga que se realiza una prueba t utilizando
n = 25) <X O 05 (de do!. colas))' que suponemo!. que la verdadera media poblacio-
nal c:.tJ-0 ~ dci.\iacioncs cMándar por encima de la media de la hipótesis nula:
µ. - JJo = .8
En este caso,
"
p = P(z > -z912 + lµ;¡fnol)
P(z > - 1.96 + I/...¡·~)
2S
- P(: > 2.04) = .0207
aproximadamente. Se deduce que, bajo estas condiciones, la potencia es aproxima-
damente 1 - 0.0207 =0.9793. Como ya lo hemos sei!alado, el cálculo subestima f3
y sobrestima la potencia, así que ésta no es tan buena como el cálculo indica.
EJEMPLO 9. 18 En una simulación por computadora, se toman 1000 muestras de tamar'\o 30 de una
población normal que tiene media S5 y desviación estándar 1O. Con base en cada
muestra se prueba la hipótesis nula de que la media poblacional es 50. Se obtienen
los siguientes resultados:
Mu Si!llM n
55.000 10.0000 30
nurt>cr of times HO: 11111ten 1s 5011 is re jecte<:I in favor of
al pt\1 "llll!an > 50 11 "meen < 50" tot1l (alptle dcx.Cle<:I)
o. 100 919 o 919
0.050 856 o 856
0.025 7!;2 o 7!;2
0.010 624 o 624
0.005 541 o 541
Los valores a que se indican son para pruebas de una cola, mientras que el to-
la! que se muestra en la salida corresponde a una prueba de dos colas. Como se ve,
el valor a debería ser el doble. ¿Qué probabilidad ~e e~tá aproximando con la frac·
ción 919 1000? ¿Cuánto se acerca la aproximación a la probabilidad teórica calcu-
lada con la fórmula?
Solución En esta simulación la bipotcs1s nula es foil.a;µ es 55. no 50. La fracción 919 1000
aproxima la probabilidad de que la prueba rechace a la hipótesis nula cuando es fal-
sa. Por Jcfimción, dicha probabthdad es 1 - /J, la potencia de Ja prueba. Podemos
calcular el valor teórico fJ coo la fórmula. Para una prueba de una cola y ex= 0.1 O,
el valor tabulado es z0. 10 = 1.28; #Jo= SO, µ""' SS, a; 0.1O y n = 30. Por lo tanto,
11 = P( z > - 1.28 + 1ss -J3o

so1) = PI: > 1.46)
10/ 30
=- 0721
~cc16n 9 6 E1erctc1os 385
De modo que la potencia es 1 - 0.0721 - 0.9279. El valor simulado, 0.919, es bas·

tante próximo a la potencia calculada. •

----~~~~~~~~~~~~~
9.33 L'n dic;tribu1dor de papel reciclado coloca contenedores \acios en \ ano<; lugJrc-., c~
IO'i ~ellenan gradualmente con IM periódico'! viejoq y matmale-. c;imilarc" que traen
varios indi\.iduo<; Los contenedores se recogen() se reempla1an con olm\ \ac1oc;)
siguiendo distintos itinerarios. 1-n uno de tales tra)ectos se hace la rccolccc1ón c,1da
dos semanas. Este plan es aconsejable si la cantidad media de papel reciclado en
cada periodo de dos semanas es mayor que 1600 pies cúbicos. Distintos re~istros
correspondientes a 18 periodos de dos semanas mucc;tran los siguientes volúmenes
(en pies cúbicos) para un lugar particular:
16(1() 1820 15Q() 1~40 1730 lti!Hl 17~0 1720 1900

1570 1700 1900 !MIO 1770 2010 1~80 1620 1690
1.i' - 171!1.3. .~ - 13711)
Supongt1 que esta<; cifras rcprcsenian los resultados de una muestra aleatoria. ¿Apo-
)'an la h1pó1cc;1c; alternativa de que µ > 1600, utiliJ'ando a -= O. 1O? Escriba todas las
,.,artes del proccd1m1ento de prueha'i de hipótesis.
9.34 f'n el ejercicio 9 H , determine una. cota -;upcnor parad 'alor p ¿Diria usted que se
apo) a claramente que µ .,. 1600?
9.35 Un organismo de conirol federal está investigando uoa afirmación publicilaria de
que cierto disposiuvo reduce el con,umo de gasolina en los automóviles. Se han
comprado e instalado siete dispos11ivos en autos que pertenecen a la institución.
Para comparar los rendimientos en condiciones estándar, se miden las millas que
cada aulomóvil recorre con un galón de gasolina en la., dos situaciones. antes y des-
puts de la instalación.
AutoMóvll
2 ,) .. 5 6 7
Mpg antes 19 1 199 17 6 W2 23 5 26 ll 21.7
Mpg desputs 200 237 18.7 22 J 238 19 ~ 24 6
Cambio 9 38 1.1 2. 1 3 -7.6 29
La diferencia media en el rendimiento e~ de 0.50 millas por galón y la den•i:ición

e~tándar de 3.77.
a. Formule las hipótesis nula y altemaliva apropiadas.
b. ¿Es apo)ada la afirmación publícitana con a .. O.OS? Lleve a cabo los pasos de
una prueba de hipótesis.
9.36 Utilice los datos del ejercicio 9.35 para construir un intervalo de confian1a al 90°0
para la diferencia media. Sobre la base de este interYalo, ¡,puede uno rechvar la hi-
pótesis de que no hay cambio en el rendimiento? (Obsenc que el inter\alo de con-
fouv.a bil1teral al 9oe.1. corresponde a una prueba de una cola con a• O.OS.)
9.37 ¿Oírla usted que el or¡anismo de control federal de los ejercicios 9 .35 ) 9.36
ha comprob:ido concluyentemente que el dispositivo no llene ningún efecto en ti
rendimiento de los automóviles? ¿Qut tiene que ver la amplitud del interulo del
ejercicio 9.36 con la respuesta'?
9.38 lln fabricante tiene que elegir entre enviar Ja mcrcancla a través del servicio postal
o por medio de una compai\ía privada. Como prueba se eligen 10 dc'ltmos y se
386 9 PRUEBAS o CONTRASTES oe HIPOTESIS
envían paquetes a cada uno de ellos por ambas rutas. Los tiempos de entrega, en
días. son los siguientes:
,¡
Destino
2 3 4 5 6 7 8 9 10
Servicio postal 3 4 5 4 8 9 7 10 ~ 9
Transportista privado 2 2 3 5 4 6 9 (i 7 6
D1ferenci:1 2 2 -1 4 ) -2 4 2 J
a Calcule la media} la desviación est:índar de lai; difertncias.

b Ponga a prueba la hipótesis nula de 4ue no hay ninguna diferencia media en los
tiempos de cntttga contra la hipótesis alternativa de que el tiempo de entreg:i del
transpon1sta privado es menor. Utilice a 0.01.
9.7 EL EFECTO DE LA N O NORMALIDAD DE LA POBLACIÓN _.

En la sección 8 6 se analizó el efecto de la no normalidad de la población sobre los
intervalos de confianza t. Exactamente las mism:is conclusiones se aplican :i las
pruebas t. El valor nominal a y el valor p son razonahlemente precisos si la pobla-
ción es '>imétrtca aunque con colas más pesadas o más ligeras en relac1l>n con la dis-
trihución normal. En este caso, una prueba 1 puede ser mefic1cme La ineficiencia en
términos de las prueb:is de hipótesis significa que alguna otra prueba (tal como la
prueb:i del signo (median:i) analizada en la siguiente sección) tiene una ma)or po-
tencia con el mismo nivel a. Ilustramos estos efectos de Ja no normalidad con' arios
estudios :.imulados.
EJEM PLO 9. 19 En un estudio s imulado se tomaron 1000 muesm1s de tamaño JO de una pobl:ici6n
de Laplace, simétrica y moderadamente propensa a los valores atf picos. Se obtuvie-
ron los siguientes resultados:
Cheüing Alpha
Stll\Jlet1on of One Saftl>lt t·test (1000 Sal!"f>les)
Populat1on shape 1s moderately outlier prone.
Hu Sigma n
50.000 10.0000 30
one·ta1 l :
nvit>cr of t i-s HO: "niean is is r e ¡ected in favor of

alpha "mean > 50" "mean < 50" total (alpha ~led)
o. 100 104 95 199
0.050 51 51 102
0.025 28 24 52
0.010 7 6 13
0.005 3 7
'
average t is 0.0077 wi th va riance of 1.086943
98 Pruebu acera de la mediana de 11 población 387
¿Qué hipótesis es verdadera en la simulación? ¿Es muy serio el efecto de la

propensión a los valores atípicos de la población de Laplace?
Solu ción La s::ilida de la computadora indica correctamente que H0 esµ 50, pues la media
poblacional es 50. Por lo tanto a, la probabilidad de un error tipo l. está aproxima-
da por f rocciones como 10411000. Éstas sólo son aproximaciones porque están ba-
sadas en 1000 muestras, no en un número infinito de ellas Observe que todas las
fracciones son muy cercanas a los valores nominales a. Por ejemplo, con un a de
una cola de 0.025, las fracciones observadas son 0.028 y 0.024. •
EJEMPLO 9.20 Olro estudio simulado comprende muesU"aS de tam~o JO tomadas de una población
de Laplace. En este estudio la media es 55, de modo que H0 : µ 50 es falsa. A con-
tinuación mostramos los resultados de una prueba t y de una prueba del signo (una
prueha para la mediano, que tombién es 55 debido a la simetría de la población
de Laplace):
Results fer t test

Mu Si~ n
55.000 10.0000 30
~r of times HO: "mean is 5011 is rejacted in favor of
alpha "111ean > 50" ucnean < 5011 total <alpna doubled)
0.100 913 o 913
0.050 !31 o 831
0.025 745 o 745
0.010 629 o 629
0.005 537 o 537
S1nul1tion of Sign Test ClOOO s~les)
St"'-llat1on results uslng the nor11111l approx11N1t1on

nurbcr of times HO: "IM<li.n is 50" 1s r e jected in ftvor of
alpna "lllCdian > 5011 "median< 50 11 total (al pna doubled)
0.100 956 o 956
0.050 905 o 905
0.025 816 o 816
0.010 686 o 686
0.005 519 o 519
En general, ¿qué prueba parece tener una mayor potencia?
Solución Recuerde quc la potencia es la probabilidad de que la hipótesis nula sea rechazada
i.uponiendo que es falsa. Observamos que para cada cr, excepto para 0.005 (de una
cola), la prueba del signo rechaza la hipótesis con más frecuencia que la prueba t.
Por consiguiente, la prueba del signo parece ser, en general, más poderosa para esta
población moderadamente propensa a los valores atlpicos. •
9.8 PRUEBAS ACERCA DE LA MEDIANA DE LA PO BLACIÓ N __ ..

La mediana es más robusta que la media. Los valores específicos que alcanzan
las pocas observaciones muy grandes o muy pequei'las afectan considerable-
mente a la media, pero no a la mediano. En algunas situaciones, la mediana de
la población es una descripción más útil del valor central de una distribución que la
media poblacional.
Al igual que con los intervalos de confianza para la mediana. las pruebas de
hipótesis acerca de este estadístico no siguen el fonnato eslándar de las inferencias
acerca de la media. En vez de ello. el problema se puede refonnular para reducirlo
a una !>ltuación binomial. Para esclarecer estas ideas, suponga que la hipótesis nula
es que IJ calificación media en una prueba de aptitude!> para la progrJmac1ón es 60.
con una hipótesis alternativa de que la mediana es mas peque"ª La idea t:s que cada
ob'>el'\'ac1ón de una muestra aleatoria sea comparada con la mediana h1potet1ca de
60. Después, calificando como éxito a cada observación por encima de 60 ) como
fracaso a cada observación por debajo de 60, • el problema relativo a la mediana de
Ja población se traduce en uno relativo a una variable aleatoria binomial. Por defi-
prueba dr 1:1 mc- nición de la mediana. Ja hipótesis nula nos da una probabilidad de éxito de 0.5.
di:m:.1 en términos Si la hipótesis alternativa es verdadera, la probabilidad de éxito es algo menor que
de un:1 d b lribu- 0.5. Por lo tanto, se puede aplicar la prueba binomial descrita con anterioridad
ci{m binomial en este capítulo.
EJEMPLO 9.21 Realice una prueba para la mediana con los datos del ejemplo 9.17.
Solución fornamos H0 : la diferencia en la medrana es cero, contra una H., bilateral. Llame
éxito a cualquier diferencia mayor que cero. Como ninguna diferencia es igual a
cero, n = 15 y el número total de éxitos, Y. en los 1S ensayos es y - 14. Consultan-
do una tabla binomial con n = 15 y tr= 0.5, P.,J...v ~ 14)•0.0005. Para una prueba
de dos colas sumamos las dos probabilidades P.,J...v ~ 1) y Pr(y ~ 14) para obtener
un valor p igual a 0.0010. Nuevamente, H 0 se puede rechazar con toda seguridad .
•
EJEMPLO 9.22 Rcmít<bc! al ejemplo 9.20. ¿Qué índica el estudio de simulación acerca de la venta-
ja de utiliz.ar una prueba para la mediana en vez de una prueba ten el ca!>O de una
población propensa a los valores atípicos?
Solue16n Como ya indicamos en el ejemplo 9.20, la potencia de la prueba (signo) para Ja me-
diana es en general mejor para los datos propensos a los valores atípicos. •
9.39 Remítase a los datos del ejercicio 8.27 .

a. Trace un histograma o un diagrama de tallo y hojas de los datos.
b. ¿Hay alguna razón obvia para dudar que la aproximación del nivel de l.'.onfi;inz.a
al 95% sea corrccta?
9.40 Nos referimos nuevamente a los datos del ejercicio 8.27.
a. Ponga a prueba Ja hipótesis nula de que el precio medio es ele 315 dólares contra
una Hu bilateral. EncuenlrC cotas para el valor p.
• Si hay wlof'CS txaciamentr 1gmlcs a i.. nxdiana hipol'bca, no podemos decir si se les consldc:n J>Of enci-
ma o J>OC' debajo de ella La JOluc:ión mú fkil a este problema, adopada rn 11 mayoría de los paquetes de
computo, es dc:scanar 11ks valores y redL.1C1r nen el número descartado.
99 Prueba pani lli ¡.ol'()porción de una poblaciÓll utihundo la aproximac16n normal 389
b. Ponga a prueba l:i h1pótem nula de que la mediana de los precios es de 315 dó-
lares contra una 11., bilateral Encuentre cotas para el valor p.
c. <-Hay gran diferencia entre las conclusiones de los incisos (a) y (b)?
9.41 U11lw1ndo los datos del ejercicio 8.27, encuentre un intervalo de confian~ al 95%
para la verdadera mediana de los precioc;
9 42 Remítase a los datos del ejercicio 8.25.
a. Realice una prueba I de /10 • µ <;; 45 contra H.,:µ> 45. U1ilice a• 0.05.
b. fracc un:a gráfica de los dato:.. ¿lhl) alguna rwón para lomar con e'!cept1c1'1mO In
conclusión alcanzada en el 1nc1so (a)?
9.43 Nos referimos nuevamente al CJercicio 8.25.
a. Pons- a prueba Ja hipótesis nula de que ta verdadera mediana es menor o igual a
45. Utiliceª"' O.OS.
b. "lla) alguna diferencia de importancia entre las conclusiones que acaba usted de
obtener)' la!> que obtuvo en el ejercicio 9.42? S1 la ha). ¿cómo ~e explica la mi~ma'>
9.44 Se toman mue~tras nleatorias de tamni'lo 30 de una poblJc1ón normal que uene media
55 y desviación estándar 1O. Se realizan una prueba t y una prueba para la mediana
(prueba del signo), y ~ obtienen los siguientes resultados:
Si 111Jlation o f Onc: S~le t·test <1000 s~ l es)
Mu Sigma n
55.000 10.0000 30
~ rof ti N s HO: "111ean is 50" is re j ect f'd in f avor of
e l phe "mean > 50" 0 ttan <
50" tota l (al pha ~t41d)
o. 100 91 9 o 9 19
o.oso 856 o 856
0.025 752 o 752
0.010 624 o 624
o.oos S41 o 541
Si111.1t•t1on of Sign Test (1000 s•Jl1)tes)

Mu s 1gtl\11 n
SS.000 10 . 0000 30
S1111.1lation resutts usi ng b1nomi1l Pf"obabilities

l"IU!'C>cr of t lines HO: "mecli•n Is 50" ta re ¡ected 1n f avor of
elph• "medi an > 50" "medi en < 50" totel (at pha doubl ed)
0.100 698 o 698
0.050 698 o 698
0.025 564 o 564
0.010 409 o 409
0.005 256 o 256
a. ¿Qué probabilidades se están aproximando en esta simulación?

b. ¿Qué indican los resultados acerca de l<i comcnienci<i de la.s pruebas t y del sig-
no cuando se toman muestras de una población normal?
PRUEBA PARA LA PROPORCIÓN DE UNA POBLACIÓN

9.9 UTILIZANDO LA APROXIMACIÓN NORMAL
~--------
En Ja primera sección de este capitulo llevamos a cabo Ja prueba de una proporción
poblacional utilizando t.ablas binomiales. El problema práctico consiste en que no
siempre se tienen a mano tablas binomiales completas, ) en caw de que las haya,
éstas son fastidiosas y necesariamente limitadas. Por ejemplo, ¿cómo probaría la hi·
pótesis nula de que tr - 0.373 con n ""277? Aun con un buen programa de compu-
~
tadora, las probabilidades hinomiales son relativamente lentas y su cálculo es

costoso. La aproximación a la distribución binomial por medio de la distribución
normal permite realizar pruebas aproximadas; el méto<.lo es muy parecido al de la
sección 9.3 para una prueba estadística relativa aµ.
El método ~e puede ilustrar con el ejemplo de la comparación de productos de
la sección 9.1 . La hipótesis nula es H0 : rr """ 0.50 y Ja hipótesis altern::itiva H11 : tr..,.
0.50. En consecuencia, queremos una prueba de una cola. En el capítulo 5 mostra-
mos que si n es grande y rr no es muy cercano a Oo a 1, un estadístico:: para la va-
riable aleatoria binomial Y,
z=----- y- 117(
.Jmr( 1 - x)
es aproximadamente normal estándar (tabulado). Este:: se puede utilizar como el

estadlstico de Ja prueba en vez de y; el valor relevante para tres el \alor de la hipó-
tesis nula (límite), Tro ""' 0.50. Al igual que con la prueba estadística paraµ, la región
de rechazo de una cola para a=- 0.05 es z > 1.645 . Un o de álgebra nos muestra
que z > 1.645 es equivalente a y > ntro + 1.645 n.tr0 {I - JT0 ). o, en el problema
de comparación de productos, y~ 58.225. En rntu<l de que y s6Jo·puedc tomar va-
lores enteros, esta región de rechazo es equivalente a y~ 59, que es la región que
obtuvimos en la sección 9. 1 para a = 0.05 . Análogamente, para a = 0.1 O, la región
de rechazo es z ~ 1.282, o y;:: 56.41. Como y sólo puede tomar valores enteros, esto
es equivalente a y~ 57, que nue,•amcntc es la región que obtuvimos en la sección
9. 1 para a- O.\ O. El valor observado y igual a 68 corresponde a un valor:: de 3.6:
y- 11n 0 68 - 50
z = = - 3.6
J nrr 0 (1 - n 0 } " 100(.5)(.5}
De aquí que rechacemosH0 : tr= 0.50 para a : 0 .05 (Y para a = 0 .01). A continua-
ción presentamos un resumen del procedimiento aproximado para probar una pro-
porción de la población utilizando un estadístico =·
Síntesis de la prueba de una proporción poblacional cuando se ut iliza la

aproximación normal
Ho : n ::a llo
H., : l. n > 1f0
2. n <no
3. n ~ lfo
E.P.: z = y - nno
Jnn0 (1-n0 )
. l
9 1O Relac16n entre las pruebu de h1pótes11 y los intervalos de confianza 391
R.R.: Para la probabilidad de un error atipo 1, rechace H0 si

1. z >za \\•
2. z < - za
3. z > zcúl o z < -zcúl
Nota: n¡, es el valor 1ímite de la proporción poblacional 1C en la hipótesis nula.
Hay otra fonna de escribir el estadístico de la prueba::. Si ii es la proporción

de la muestra (es decir, i ;;;: yi n), entonces z se puede escribir como
1t - lto
z = ---;::=====
J1t0 ( 1 - n 0 )/n
En el ejemplo de la comparación de productos, ir =68/J 00 = 0 .68 y nuevamente
z = 3.6. Las dos fonnas de;: son algebraicamente iguales, de modo que siempre dan
la misma respuesta.
Dijimos que la prueba;: para 1f es aproximada y trabaja mejor cuamlo n es
grande y iru no es demasiado próximo a Oo a 1. Surge entonces la pregunta: ¿cuán-
do la podemos utilizar? Hay varias reglas para dar una respuesta, mas ninguna de
estipulación del ellas se debe considerar sagrada. Después de muchos estudios que se han realizado,
tamaño muestra! nuestro criterio es el siguiente: si ntr0 o n( 1 - lru) es menor que 2, trate los resulta-
dos de una prueba z con escepticismo. Si ntr0 y n(I - tr0) son al menos 5, la prueba
z debería ser razonablemente precisa. Para el mismo tamaño muestra!, las pruebas
basadas en valores extremos de iru (i.e., 0.001 ) son menos precisas que las pruebas
para valores de n:0 tales como 0.05 o O. JO. Por ejemplo. una prueba de H 0 : 1f =
0.0001 con nn0 = 1.2 es mucho más dudosa que una para H 0 : re = O. 1O con nrc0 = 50.
Si el problema es delicado, lo mejor es interpretar los resultados con escepticismo.
RE!J\CIÓN ENTRE !J\S PRUEBAS DE HIPÓTESIS Y

9.10 LOS INTERVALOS DE CONFIANZA
•
Tenemos ahora dos formas de inferencia: los intervalos de confianza y las pruebas
de hipótesis. Ambas se pueden llevar a cabo con los mismos datos. ¿Cómo se rela-
cionan entre sí? En el ejemplo de las cajas de cereal, un intervalo de confianza al
95% para el verdadero peso medio esµ± l .96av. Sustituyendo y = 15.83. n = 25
y a ~ 0.1, tenemos que
(.l) (.1)
15.83 - 1.96 ¡-;:;; .S: Jt S 15.83 + l.96 ¡;;e o 15.791 ~ µ ~ 15.869
v25 v25
En nuestra prueba estadística de H 0 : µ ~ 16, el valor limite Jl{J =16 no se encuentra
dentro del intervalo de confianza al 95%, por lo que parece razonable rechazar H 0 .
¿Cuál es la probabilidad de un error tipo J para una prueba estadística basada en un
intervalo de confianza al 95%? En general, un valor particular de la hipótesis nula,
digamos 60, de cualquier parámetro de la población 9 se puede rechazar con una
probabilidad a de un error tjpo 1 si y s61o si 90 no se encuentra dentro del intervalo
de confianza al ( 1 a) 100% paro e.
Por ejemplo, como el intervalo de confianza 15.791 S µ $ 15.869 al 95% no
incluye a µ 0 - 16, podemos rechazar H0 : µ"' 16 con base en a - 0.05. De hecho,
este es un m~todo general para construir intervalos de confianza; un intervalo de

confianLa al 95°0 c;e puede definir como el conjunto de valores de· la hipótesis nula
que no.:;e pueden rech:u.ar (a = 0.05). Verbigracia. en una prueba de dos colas. un
valor particul:ir µno se rechaza utilizando a 0.05 si el estadiMico;: se encuentra
en el intef'\ alo
1.96 .s y - /!: $ 1 96
u/v"
Un poco de álgebra nos muestra que esto es equivalente a
(1 (J
J - 1.96--;:= $ JI S f' + 1.96-r
"" '\)11
que es el intervalo de confianza al 95"" par.i µ. (Hay un pequeño prohlema cuando se

utiliz;i < o$. Sin embargo. la probabilidad de que= c;ea exactamente igual a 1 96 es tan
pequcf\a te6ncamente es cero- que no nos pn..>oCupamos por dio ) Fn este sentido.
los intervalos de conlianL.a >' las pruebas de hipótesis dan resultadoc; equivalentes.
El intervalo de confianza más usual es bilateral. Como en el caso anterior, di-
chos intervalos de confianza corresponden a pruebas de dos colns. No existen inter-
valos de confianza de una cola. La región de no rechazo con a= O.OS para una
prueba de una cola izquierda es
y - µ > -1 645
a/J;. - .
Si se despeja µ, el resultado es
- (J
µ$y+ l.645r=
...¡n
intcnalo de con- que es un intcn alo de confianza unilateral En el ejemplo de las cajas de cereal,
fia1uu unilateral este intervalo esµ< 15.863; en vista de que el valor limite '11) - 16 no c;e encuentra
dentro de este intervalo, H0 : µ = 16 se puede rechazar utiliz.ando a - O.OS, de un3
cola. En lo que resta del texto utilizamos intervalos de confianza bilaterales, que sir-
ven para probar hipótesis alternativas bilaterales.
EJEMPLO 9.23 Para los datos del tiempo dedicado a ver la televisión del ejemplo 9.8, utilice un in-
tervalo de confianza al 99% para poner a prueba H0 : µ = 22.6 contra Hu:µ.~ 22.6.
Solución La hipótesis alternativa bilateral implica que podemos utilizar un intervalo de con-
fianza bilateral para poner a prueba la hipótesis nula. En el ejemplo 9.8, y =25.2,
n = SO y se supone que cr es 6. l. El intervalo de confianza al 99% es
6.1 6.1
25.2 - 2.576 (;";:\ $ µ ~ 25.2 + 2.576 r;:r. O 2J.~ ,S JI $ 27.2
vflJ ..¡60
Como el valor de µ bajo H 0 , 22.6, no se encuentra dentro del intervalo, rechaza-
mos H0 utilizando a= 0.01. Por supuesto, en el ejemplo 9.8 se obtuvo la mis-
ma conclusión. •
Sección 9 10 E¡eraGI09 393
intervulo de Cuando la hipótesis nula no se rechaza. los mtervalos de confianza permiten

confiann y {J dar una medida aproximada del riesgo oc un error tipo IJ. A grandes rasgos, un am-
plio intervalo de confianza aJ 95% indica un alto grado de incertidumbre y por lo
tanto una alta probabilidad fJ de un error tipo 11. (Desde luego, la confianz.a al 95%
fija a en 0.05.) Por ejemplo, suponga que un vendedor de lámparas de alta intensi-
dad para cámaras de tele\.isión portátiles afirma que la vida media de las lámparas
es de 40 horas y que una muestra de 1O de ellas proporciona un intervalo de con-
fianza al 95% de 28.0 S µ S 44.0. En este caso la afirmación del vendedor no se
puede rechaz.ar utilizando un nivel de a - O.OS. Observe, también. que el intervalo
es muy amplio; el límile inferior de 28.0 está un 30% por debajo del valor afirma-
do. Si la diferencia encre la vida media de 40 horas y, digamos, una vida media de
30 horas fuese decisiva par.i realizar la compra o no, el comprador no se sentiría có-
modo al aceptarµ 40. La probabilidad de un error tipo 11 correspondiente aµ 30
\cría indudablemente muy grande
SECCIÓN 9. 1O EJERCICIOS
9.45 En el ejercicio 2.66 consideramos las reclamaciones (en miles de dólares) hechas a
cierta compaiHa de seguros como pa¡¡o por los dai\os sufndos por automóviles acci-
dentados. En la figura 9.7 se mues1ta un diagrama de caja paro los datos CU)O aníli-
sis, realizado con el paquete Statgraphics, es el siguiente:
Orw -S~le Analysis Results
cla 1lftS Ue
S~le Stetistics : N~r of Obs . 187
olver-ve 5.1m4
Variance 27. 9194
Std. Oevi at ion 5.28368
Median 3.5
Conf idence lntervel for Mean: 95 Percent

5811'ple 1 4.41509 5.93999 186 D.F.
Conf1dence lntervel far Variance: 9S Percent

S~le 1 23.0123 34 . 5919 ~86 O.F.
Hypothes1s Test for HO : Mean • 4 .62 C~ted t statistlc : 1.44293

vs Alt: NE Sl g . level • 0. 150723
et Alpha z 0.05 so do not re ject HO.
a. La companía afirma que Ja medi:i de las reclamaciones, a nivel nacional, es de

4.62 (en miles de dólares). Los da1os provienen de una ciudad particular del me-
dio oeste. ¿Indica el intervalo de confianza para la media que la media de la ciu·
dad puede ser Ja misma?
b. Un miembro del departamento de reclamaciones dijo 4uc la desviación con res-
pecto a 4 62 no era estadis1icamen1e significativa, de modo que la companla po·
di3 suponer con segundad que la media para esta ciudad también era de 4.6:?. " Fs
esta una m1erpretac1ón \ahda de los resultados'>
Diagrama de caja
______, co (1). o
)1(
o 10 20 30 40
Monto de la reclamación
FIGURA 9.7 Diagrama de e.aja para los datos de las reclamacio nes de daños por colis16n
9.46 El diagrama de caja de los datos de reclamaciones por dai'los de la figura 9.7 mues-
tra alguna asimetría. ¿Significa esto que las probabilidades afirmadas parn la prueba
de la media están equivocadas?
9.47 En el ejercicio 9.23 probamos la hipótesis nula de que el número medio de anuncios co-
merciales de servicio público era, en el Hmite, de 1.50. La prueba tenía como base una
muestra de 18 observaciones con una media muestra! de 1.278; 'e 'upu~o que la desvia-
ción e~tándar pohl:lc1onal era 1.60. La hipote5is nula no fue rcch.w1.<1,1 con a 0.05.
a. Calcule un intcn-alo de confianLa JI 95º o para la media pohlacional (media en el
limite). Bajo Ja suposición de que se conoce (j, utilice la tabla:.
b. Demuestre que este intervalo de confianza es consistente con la conclusión del
ejercicio 9.23 .
9.48 La hipótesis nula del ejercicio 9.29, que el número medio de dfas de 'iaJC para IJ po
hl:lcíón de representantes de ventas era de 44, apenas se pudo apo)aJ con ex O 20.
La media muestra! era 47.6; el tamailo de la muest~ 10, y la (jSupuest.a, 10.0.
a. Calcule un intervalo de confianza al 80% para la media poblacional; el valor z0 10
es 1.28.
b. ¿De qu~ mancr:i índica este inter\'alO de confianza que no debe rechuarse la hi-
pótesis nula?
c. ¿De q~ manera indica que H 0 apenas se puede retener?
9.49 En el eJcrcic10 Q 31 pusimos a prueba la afirmación de que la' ida media de una pila
ran calculadora~ era de 20,000 opernc1ones. En una muestra <le 114 pilas, la media
fue 19,695 y la des\ iacíón estándar 1103.
a. Calcule un intervalo de conliana al 99~ó para la vida medía poblac1onal.
b. Demuestre que con a • O.O 1 se del><: recha.73r la hipótesi<> nula de que la media
es 20,000.
c. ¿Serla razonable decir que, en vista del fuerte rechazo de 110 , la vida medía debe
ser mucho más baja que 20,000?
9.50 El principal camino de acceso a un centro comercial suburbano sufre en ocasiones
severos congestionamientos (atascos). Entre semana, excluyendo Jos dlas festivos. el
numero promedio de vehículos que van hacia el centro comercial entre las 9 A.M . y
las 7 P.M., registrados por un coni.idor electrónico, es de 11,260. El departamento de
tránsito trató de mejorar el ílujo vehicular cambiando los ciclos de los semáforos y
mejorando los carriles para dar vuelta. Durante los primeros cinco días no festivos
entre semana, los volúmenes fueron 10,690, 11,452, 12,316. 12,297 y 12,647. La
media de esta muestrn es 11,880.4 y Ja desviacióo estándar 798.68.
a. Calcule un intCT\alo de confianza al 95% para la media (poblacional) en el límite.
b. Demucstn: que con a 0.05 se debe retener la hipótesis nula de que la media si-
gue siendo 11,260.
9. 11 Prueba~ la desviao6n n~ar 395
9.51 Un polltico local revisó los resultados del ejercicio 9.50, >dijo que los datos demos-
traban que no había habido ninguna mejora en el volumen de tráfico. ¿Es esta una
interpretación razonable Jel inlenalo de confian1_a?
9.52 Se hace una lista de los datos del ejercicio 9.50 en orden temporal. ¿Hay indicios de
alguna tendencia o dependencia a lo largo del tiempo?
9.53 Un fabricante de ropa compra la tela en rollos y la cona. En el proceso, ciena can-
tidad de tela se desperdicia. Con los métodos estándar, el desperdicio es de 9.26%.
Un productor de máquinas controladas por computadora le permitió probar una de
sus máquinas con una muestra de 762 eones distintos. En la muestra, el desperdicio
medio fue de 9.11 % y la desviación estándar 1.07%.
a. Calcule un inten alo de contiani'.:i al 99°~ para el desperdicio medio cuando se
utiliza la máquina controlada por computadora.
b. Utilizando a - 0.01, demuestre que ha habido un camhio e\ladísticamemc per-
ceptible (significativo) en la media.
9.54 En el ejercicio 9.53, ¿puede el fabricante de la máquina decir Jc:g111mamcntc que las
pruebas estadí~ticas muestran que ésu reduce mucho el porcentaje de desperdicio?
9.55 Los datos en el ejercicio 9.53 eran asimétricos debido a la prc~cnci:i de algunos ca-
sos con un gran desperdicio. ¿Invalida este hecho el intervalo de contian1a y la
prueba del ejercicio 9.53?
9.11 PRUEBA PARA LA DESVIACIÓN ESTÁNDAR

-~----- ·
Al inicio de este capítulo contrastamos una proporción y después nos ocupamos de
las pruebas de hipótesis para promedios (medias o medianas). Se pueden aplicar los
mismos principios a pruebas de hipótesis acerca de la desviación estándar. Tales
pruebas son particularmente relevantes en las situaciones de control de la calidad.
Una manera de mejorar Ja calidad es reduciendo la variabilidad. Poner a prueba una
desviación escándar es una forma de ver si la innovación en el Jiscilo o en el proce-
so ha traído, de hecho, un cambio en la \'ariabilidad También mostraremos que las
pruebas de hipótesis y Jos intervalos de confianza para una del>\ iación estándar se
relacionan entre sí de la misma forma que lo hacen las media!..
Una prueba para la des\ iac1ón estándar de una población o de un proceso se
basa en la distribución r.
la cual. como se vio en Ja sección 8.8, también es cierta
para el intervalo de confianza de una desviación estándar. El estadístico de la prue-
ba es x2 -=- (n l) s 2 1rr.
con n 1 g.I. Instituimos el procedimiento de prueba en tér-
minos de varianzas; como es usual, se puede convertir a des\ iaciones estándar
tomando las raíces cuadradas pertinentes.
Prueba de hipótesis para a 2
Ho·u 2 =o-5
H. : t. n2 > t1~
2. n 2 < (J 5
3. '1 1 #: t1b
E.P.: Xl =(n l)sl/02
R.R.: l. Rechace H0 sí X2 > ,;

2. Rechace H0 si X2 < ¡f •
. 2 2 2 2
. ec1lace H o SI l > l.. 2 O l < l 1 at l
3R
donde x,;
tiene una cola derecha con un área Q en la distribución x2
con n - l g.I.
Por ejemplo, una compañía de transportes especializada en lotes pcqucilos

quiere cargar los camiones con un peso de 20 toneladas (40,000 libras). La varia-
tlllidad es costosu, las cargas que son muy ligeras no 5<>n económicas y las que son
mu} pesadas son ilegales ) son causa de multas. El sistema actual de carga propor-
ciona una media de 36.60 miles de libras y una desviación estándar de 3.01 O miles
de libras. Se ensaya un sistema de carga computadoriz.ado con un::i muestra de 1O1
fletes. El peso medio es 36.81 miles de libras; la desviación estándar es 2.064 .
¿Hay alguna evidencia concluyente de que la desviación estándar utilizando el sis-
tema computadorizado será diforente de la que proporciona el sistema actual? La
hipótesis nula es que u - 3.010 es la misma para el sistema computadorizado; en
vista de que lo que buscamos es un cambio. tomamos una H 0 bilateral. El estadís-
tico de la prueba es x2 .. (101 - 1)(2.064) 2 (3 .010) 2 47.02. La conclusión depen-
derá de la elección de a; para a= O.OS y una prueba de dos colas con
101 - 1 =100 g.I., la R.R es x2 < 74.22 o i
> 129.56. Como 47.02 < 74.22, re-
chazamos 110 > concluimos que hay una buena cvidcnci;:i de que el sistema compu·
tadorizado proporcionará una desviación cstánJar diferente (y. en la práctica, más
pequeila). Aun escogiendo a = 0.002 (por ser a 12 - 0.001 el área más pequeña en
nuestra tabla z2 ), rechazaríamos H 0, pues 47.02 < 61.92, el \.alor tabulado. Dado
que el valor p es menor que 0.002. el límite de la región de rechazo universal (re-
chace H0 siempre y cuando el valor p < a). la evidencia es concluyente.
Otra fonna de realizar Ja misma prueba es utilizando un intervalo de confian-
za. Como en Ja sección 9 1O. rechazaremos la hipótesis nula si este valor no se en-
cuentra dentro del intervalo de confianza. El intervalo de confianza x2 al 95% para
la varianza poblacional es
(101 - 1)(2.064) 1 l (101 - 1)(2.064) 1
129.56 ~ ª ~ 74.22
o 3.288 S a2 S 5. 740. El intervalo de confianza al 95% para la desviación estándar
es 1.81 Su S 2.40, que se obtiene extrayendo ralees cuadradas. Este intervalo no
incluye al valor de H 0 , .3.010, de modo que una vez más rechazamos H 0 con a =
O.OS (correspondiente a una confianza del 95%).
EJEMPLO 9.24 Suponga que una compañia farmacéutica quiere que Ja desviación estándar de las
potencias en cualquier lote de tabletas no sea mayor que 1.40. ¿Se puede rechazar
esta H0 para a= 0.1O si una muestra de 30 tableuis tiene una varianza de 2.1583?
Solución Los elementos de la prueba estadística para u3- son

H 0 : a 1 ""'(1.4) 2 = 196
H. : a 2 > 1.96
Scco6n 9 11 E1ercoeios 397
1
_ s2 _ 29(2.1583) _
- (n - 1) ~ - 31 934
E.P.: l
0 - 1.
96
R.R.: El valor tabulado z!

para a = O. IO y g.1. "'29 es 39.09, de modo que no
hay evidencia suficienl.e para rechazar H 0 .
En este problema se tiene un buen argumento para decir 4ue <T - ( 1 -tO)~ es la
má xima vari:m.t.a pemlisible y que la hipótesis alternativa debería '>Cr H.,· <i < 1.96.
Ningún grupo de tabletas deberla ser pllesto a la venta a menos que el control de la
calidad apoye a <i < 1.96. Este es un estándar más severo; para los datos de
la muestra, <T < 1.96 es insostenible. •
En la sección 8.8 dijimos que los métodos i

para Ja varianza eran muy sensi-
bles a la no normalidad. Si tomamos una muestra de una población o proceso no
nonnal, la probabilidad a y Jos valores p serán incorrectos, quizá dbrnratados, in-
dependientemente del tamaño de la mueslta. Para reali1.ar pruebas de h1potesis más
creíbles en casos de no normalidad, se ruede recurrir al método ¡tu.kkmfe que se
describió en la sección 8.8. Una prueba muy sencilla de este tipo consiste en recha-
zar H 0 si este valor no se encuentra en el intervalo de confianz.:ijaclclmife.
9.56 Se toma una muestra de 25 ohservacioncs de una población con mediaµ descono-
cida y varianza u1 Defina
1 (11 - l)s 2
l ... ,,.1
I;ncuentre las siguientes probahilid:i.des:

a. P(x. 1 > 124)
b. P(x. 2 < 36.4)
c. P(9 89 < x. 2 < 45.56)
9.57 F.n una línea de envasado se llenan tarros de Jugo de tomate con un contenido nomi-
nal de 32 onzas y una media real de 32.30 ontas. ti proceso debería tener una des-
\ iación est6ndar menor que 0.15 on1as por tarro (una desviación c<;tándar mayor
conduce a tener muchos taJTos con un peso deficiente> otros con un peso excesivo).
Para prob:ir el proceso se toman regularmente muestras de 61 tarros. Una de ellas
dio una media muestra! de 32.28 onzas > una desviación estándar de 0.132 on1as.
¡,Es esta una indicación de que C1 <. 0.15 (utilizando a = 0.05)? Realice: una prueba
formal de hipótesis.
9 58 Suponga que la hipótesis alternativa en el ejercicio 9.57 se formula como <:J > 0.15 .
¿ fiende a ser esta reformulación mb o menos generosa en términos de los resulta-
dos de la muestra que ocasionan que ~e suspenda el tnabajo en la linea de en1.asado
pJrJ rcali1ar a1u,tes?
9.59 Cierta parte para un pequei'o en\amhla1e dcbena tener un d1.lmctrn de 4 000 m1hme-
1ros, permitiendo la especificaciones una dcniación estándar máxima de 0.011 mi-
lunetros Los siguientes diámetros se tomaron en una muestra aleatoria de 26 partes:
3 952 3 978 3 979 3 984 3 987 l991 3 995 3.997 3 999 H99 3 999
4 000 4 000 4 000 4 001 4 001 4 002 4 002 4 001 4 004 4 ()()6 4 009
4 010 4.012 4.023 4 041
398 9 PRUEBAS O CONTRASTES DE'HIPÓTESIS
a. Calcule l:i media muestra! ) la desviación estándar.

b. ¿Se puede apoyar la hipótes is alternativa de que a >O.O 11 (con a= 0.05) con es-
- tos datos? De1ennine todas las panes de una prueba estadística de hipótesis.
9 .60 Calcule intervalos de confianza al 90° • para la verdadera varian7a ) la .. erdadera
desviación eslándar con los datos del ejercicio 9.59.
9.61 Trace una gráfica con los datos del ejercicio 9.59. ¿Sugiere la grilica alguna violación
de las hipótesis subyacentes a las rcspuestAS que dio en los ejercicios 9.59 y 9.60?
¿Tendría una violación de ese tipo un efecto severo en la validez de sus respuestas?
9.62 Las pelotas de béisbol varían en su coeficiente de dureza de rebote. Una "bola muer-
ta" tiene un coeficiente relativamente bajo, mientras que una "bola viva" 1iene un
coeficiente muy alto. Se ha desarrollado una prueba estándar. Un comprador de gran-
des cantidades de pelotas necesita que el valor medio sea 85 y que la desviación es-
1.indar sea menor que 2 unidades. Se pone a prueba una muestra de 81 pelotas. El
\alor medio es 84.91 y la desviación estándar es 1.80. ¿Se puede sostener la hipóte-
sis alternativa de que <J < 2 utilizando a = 0.05? Desarrolle todos los pasos de una
prueba fonnal de hipótesis.
9.63 Acote el valor p en el ejercicio 9.62.
9.12 LAS PRUEBAS DE HIPÓTESIS COMO MÉTODO DE DECISIÓN

•
En este capitulo se han presentado las pruebas de hipótesis como un método para
aceptar o rechazar hipótesis alternativas. Tales hipótesis no tienen por qué relacio-
narse direct.amente con la toma de una decisión. No obstante, hay situaciones como
la que se presenta en el ejemplo de las lámparas de alta intensidad para las e<ímaras
de televisión de la sección 9. 1O, en las que se incluye una decisión como la de si se
reali1,a o no una compra. En tales casos se acostumbra llamar hipótesis alternativa•
a la hipótesis de investigación: el problema consiste más hien en decidir entre dos
hipótesis, no en aceptar o rechazar la hipótesis de investigación. Por lo general, es-
tas hipótesis corresponden d irectamente a dos acciones posibles
El problema de las lámparas de alta intensidad para las cámaras de televisión
ilustra cómo utilizar una prueba estad1stica para tomar dec1s1ones. La hipótesis nula
se puede tomar como µ ~ 40. Supongamos que la estación de televisión estaría de
acuerdo en comprar las lámparas si la h1pótes1s nula e., verdadera. La alternativa re-
levante es H.,·µ< 40; si la verdadera\ ida media es sustancialmenlc menor que 40
horas, es de s uponerse que la estación no querría comprar las lámparas. Suponga
que el comprador planea observar una muestra de 8 lámparas anh!S de tomar una
decisión. Suponga, además. que C1 ; 1O horas. (Obviamente, en la práctica descono-
ceríamos C1 y por consiguiente necesitaríamos una n más grande para sustituir s en
vez de <1 en el estadístico z.) Si la estación determina a - 0. 1O, la región de recha-
zo para una prueba estadística de H0 : µ ~ 40 y H11 : µ < 40 es=~ 1.282. Asi, en tér-
minos de un procedimiento de decisión, la esi.ación compraría las lámparas si z >
1.282 y no lo haria si z ~ - 1.282. En tal caso, un error tipo 1 consiste en no com-
prar las lámparas cuando la afirmación (H0 : µ ~ 40) es correci.a.
Suponga que una vida media de 30 horas hiciese caras a las lámparas. Un
error tipo 11 en esta situación consistiría en comprar lámparas que son costosas. La
esi.ación de televisión tendría interés en el riesgo fJ. De acuerdo con la fórmula de la
sección 9 .4,
• Ésr.a es la razón por la quie utiliumos el slmbolo H. en vez de, quizJ,. H,.
399
{J30 = p ( : > - 1.282 + 130- lo

401)
10/..¡8
== P(: > l.S5) ::::: .06
De este modo. aun una muestra de tamailo 8 es suficiente para proporcionar riesgos
de error razonablemente bajos (a - 0.1 O, {3,0 = 0.06), ya que µ 0 - 30 y ~ = 40 se
encuentran mu) alejados el uno del otro. l:.I problema de decidir si comprar o no,
con base en los resultados de Ja muestra, se puede interpretar como un problema de
prueba de hipótesis.
La dificultad práctica de este enfoque es la elección de riesgos aceptables a y
{J. Por supuesto. nos gustaría que ambos riesgos fuesen muy pequei\os. No obstan-
te, por lo general la única manera de hacer esto es tomando un:i muestra muy gran-
de, lo 1.1ue no siempre es costeable o posible. Como }a lo hemos seilalado
previamente, para un tamai'lo fijo de la mucslra, sólo se puede reducir a incremen-
tando {3. Con frecuencia es dificil saber cuál es la elección correcta. fata depende no
sólo de los costos relativos de los errores, sino también de la relativa posibilidad de
las hipótesis. Si el costo de las lámparas defectuosas es alto y la pérdida por dejar
pasar la oportunidad de comprar lámparas de buena calidoo es baja, un error tipo 11
es mó~ costoso que un error tipo l. De este mo<lo, se debería c~coger el rie~go /3. mu-
cho más pequeño que el riesgo a. Si se sabe que la palabra del \Cndedor es digna de
confian~. lo que hace que la hipótesis nula sea sumamente probahlc. es posible que
la estación de televisión acepte considerar una media muestr:il muy baja como una
casualidad y rechace la hipótesis nula sólo para valores extremos del estadístico =·
Una región de rechazo que descana la hipótesis nula sólo para valores extremos del
estadístico de la prueba tiene un valor a muy peque~o. La elección apropiada de a
) fJ depende no solo de los costos relativos de los dos tipos de error. sino también de
probabilidades a las 1•robabilidadcs a priori de las dos hipótesis.
priori
9.64 El contrato de un molino harinero con un \endcdor de granos estipula que el conle-
nido de proteína promedio del trigo de in' iemo debe ser al menos de 13.5%. En el
molino se anali?an varias muestras de cada embarque de granoc;. S1 el contenido es
inferior a 13.5% (en un porcentaje cc;tadlsticamcnte sign1ficat1\.0). el molino deduce
del pago una cmtidad como castigo para el vendedor
a. Formule las hipótesis nula > altcmativa para este problema.
b. ¿Qué acciones se siguen del rechazo y del no rechazo de la hipótesis nula?
c. ¿Cuál seria la consecuencia de fijar a en un valor muy peque/lo?
9.65 Suponga las siguientes condiciones en el ejercicio 9.64:
i. Imponer un castigo puede llevar a acciones legales; si se aplica un castigo y
posterionnente se encuentra que el embarque sausface el estándar de proteína,
el molino puede tener que pagar indemniuciones sustanciales.
ii. S1 todo el embarque es deficiente en proteínas, el molino puede complementar
el contenido proteínico a un bajo costo.
iii. El embarque pro\.iene de un vendedor bien establecido >esti formado por gra-
nos provenientes de una cosecha excelente.
¿Que implican estas consideraciones respecto de ta elección apropiada de los va.l o·
resay¡J?
400 9 PRUEBAS O CONTRASTES OE HIPÓTESIS
9.66 Un antiguo com1!>ionado de la Food and Drug A.dmm1strat1on (FlJA) comenta que
el Congreso se queja con mucha energía siempre que la FDA permite equivocada-
mente que un medicamento inseguro o inefectivo sea lanzado al mercado. pero ja-
6iá<; dice una palabra cuando no se permite que un medicamento efectivo > seguro
no se comercialice. Si tomamos como hipótesis altemati\a "el medicamento es se-
guro y efectivo", ¿qué implica el comentano del ex comisionado :icerc:i de los cos-
tos relativos de los erron:s tipo 1 y tipo 11?
Resumen
•
Las pruebas de hipótesis son un medio para que los gerentes decidan si un resulu-
do aparente en una muestra es probablemente una indicación de que hay un efecto
real en la población o proceso subyacente, o si el resultado es tal ve7. una casualidad
de Ja muestra particular. Fonnalmente. las pruebas de hipóte~i!. se utilizaron para
"contradecir" una hipótesis nula negativa que por lo común decía que no había nin-
gún efecto real. La hipótesis nula se "contradice", suponiendo que es verdadera, si
los datos muestralcs son poco probables. Las pruebas de hipótesis se pueden llevar
a cabo en cinco pasos: especificación de la hipótesis nulo, c!ipecificación de la hipú-
tesis alternativa (pudiendo ser ésta unilateral o bilateral), elección del estadístico de
Ja pnacba, especificación de una región de reeha7o y conclusi6n con base en los da-
tos reales.
La especificación de una región de rechazo requiere de la consideración de
posibles errores falsos positivos (tipo 1) y falsos negativos (tipo 11). Lo común es
especificar la probabilidad a de un error tipo 1y utilizarla para determinar 1íl región
de rechazo (R.R.). 1 a probabilidad JJ de un error tipo 11 (o potencia, el complemen-
to de la probabilidad {J) se puede calcular dada la R.R. y un valor particular de la
hipótesis de investigación
La técnica básica se introdujo en el contexto de una prueba binomial pjlra una
proporción, principalmente porque los cálculos eran fáciles en ese caso. Los mismos
pasos esenciales se aplican a la prueba z para una media con desviación estándar
poblacional conocida y :i una prueba t para una media con desviación estándar po-
blacíonal desconocida, así como a la prueba ji cuadrado para la desviación estánd:ir.
El valor p, ampliamente referido en los paquetes estadisticos y revistas profe-
sionales, es un indice de la evidencia de una prueba estadística. Mientras más pe-
queM es el valor p (el nivel de significación alcanzado), los datos apoyan con
mayor finneL.a la hipótesis alternativa. La significación estadística, estimada con el
valor p, mide el carácter concluyente de la prueba, pero no implica necesariamente
que haya un resultado práctico en los datos.
Las pruebas de hipótesis y los intervalos de confian.w son fonnas de inferen-
cia relacionadas entre si. Un intervalo de confianza da lugar de inmediato a una
prueba de hipótesis: rechace Ja hipótesis nula en el nivel indicado, siempre y cuan·
do el valor de Ja hipótesis nula no se encuentre en el intervalo de confianza. Un in-
tervalo de confianza mu) extenso indica una prueba de h1pótes1~ mu) pobre (de baja
potencia) y por lo tanto indica que ha} muy poca C\ idcncia en un sentido u otro.
Si las pruebas de hipótesis se \an a utilizar como método de decisión, un ge-
rente no sólo debe considerar las probabilidades de los dos tipos de error, sino tam-
bién el costo relativo de dichos errores y la credibilidad a priori de las dos hipótesis.
R.sumen 401
Si Ja hipótesis nula es muy razonable o si su falso rechv.o es muy costoso, ento~es

se necesil.3 una fuene evidencia (un valor p muy pequei\o) para hacerlo.
FÓRMULAS PRINCIPALES: Pruebas estadísticas o contrastes de hipótesis
1. Prueba paraµ, <J conocida

Hipótesis nula: µ = l'o
. . de 1a prueba: z
E~ta d 1st1co y - "º
= ---¡:::
a /...¡ n
2. Prueba paraµ, a desconocida, /1 2! 30: El procedimiento es el mismo que

¡:uando <J es conocida, excepto que .~ rcempla7,.a a <J en la fónnula para el
csmdístico de la prueba.
3. Cálculo de /3 para una prueba sobreµ
a. ParJ una prueba de dos colas:
/J ~ P(z > -z.,l + lµ;;'}nº 1)

b. Para una prueba de una cola:
p= P(z > -z. + lµ;¡J;º')

4. Tamaño de la muestra requerido para un a y un /3 estipulados
a. Prueba de una cola:
(z. + z )2 a 2
n - I
- (µ. - µo)l
b. Prueba de dos colas: reemplace zªcon;a12

5. Prueba para la mediana: elija como estadístico de la prueba a Y= número
de valores de la muestra que exceden del valor de la mediana en la hipó- •
tesis nula. Contraste H 0: tr =0.50.
6. Prueba para tr, aproximación normal
Hipótesis nula: 1f = TC0
y - nn0
Estadístico de la prucb.:i: z = -;:::====
Jrut0 ( l - 1t0 )
7. Valores p para pruebas::
a. H.,:µ> l'o (o tr> .71".o). P "' P<.z > ZobKrva.do)
b. H.,:µ< JJ.o (o rr< 1Gi). P"' !'<.= < zobwrvlldo)
c. H0 : µ ~ l'o (o 1f '#- .71".o). p = 2P(: > izobs.tl'Ylldol)
8. Prueba para <i2

• . 1n - l ls l 1
Estad1suco de la prueba: xz = n
con n - 1 g ..
CAPÍTUL09 EJERCICIOS
9.67 Un fabricante de productos de) ogur 1mpnme una fecha límite de venta en cada en-
vase. Los productos que no se venden al cumplimiento de esa fecha deben desechar-
se. Corno comprobación del sistema de fechado, 50 productos se conservan 8 días
más después de la fecha impresa en el envase. el tiempo máximo que el yogur dehe-
ria conscn.arse en un refrigerador casero. Bajo condiciones tan se\ eras, el fabrican-
te está d1~pue~to a consentir que el 1O~o de lo:. produc1os estén echados a perder.
Un porcentaje más alto indicaría la necesidad de cambiar la política de las fechas lí-
mite de venta. Suponga que 9 de los 50 productos están echados a perder. Lleve a
cabo una prueba estadística usando tablas binomiales y a= 0.05.
9.68 Encuentre el va!or p en el ejercicio 9.67.
9.69 La F.PA (Envmmmental Prote<:tion Agenc:v) de E~tados Unidos obtiene: valores no-
minales de los rendimientos por galón de todos los modelos de automóviles que se
venden en el país. Uno de estos valores pretende representar la distancia en millas
que pueden conducirse si se manej a tanto en c3mpo como en ciudad. Suponga que
un grupo realiza pruebas de manejo con 8 automóviles de un modelo con un rendi-
miento nominal EPA de 28.2 millas por galón. Si H0 esµ= 28.2, ¿qué argumento
nos llevarla a una hipótesis alternativa unilateral? ¿Cuál nos llevaría a una hipótesis
alternativa bilateral?
9. 70 En el ejercicio 9. 79, suponga que la desviación estándar poblacional es 2.1 y que el
rendimiento medio para los 8 automóviles es 26.7. ¿Se puede aceptar la hipótesis
alternativa hilateral con a= O.O 1?
9.71 Encuentre el valor p en el ejercicio 9.70.
9.72 Un oficial del grupo de consumidores interpreta los resultados del ejercicio 9.70 como
carentes de s1gnificac1ón estadística. Por con~igu1ente. conclu)e que se puede suponer
con toda confiaru~ que la verdadera media cs Je 28.2. ¿t-stá usted de acuerdo'>
9.73 l:.n el ejercicio 9.70. calcule un intenalo de confianza al 99~o para el 'erdadcro rendi-
miento medio. Utilice este intervalo para confinnar el resultado que i.e obtuvo antes.
¿Qué podemos suponer con "confian1a" acerca del \Crdadero rendimiento medio?
9. 74 En una encuesta de opinión por todo Estados Unidos, basada en una muestra aleato-
ria de 2417 personas, una pregunta es: "¿cómo califica usted la ética de los dirigen-
tes comerciales de las grandes compailías?" Una calificación de 3 significa "ni mejor
ni peor que la de la mayoría de la gente". Una calificación de 1 es "mejor que la de
la mayoría de la gente", y 5 es "peor que la de la mayoria de la gente". La califica-
ción media es 3.05 y la desviación cs!Andar es 0.62.
a. Calcule un intervalo de confian7...a al 95% para la calificación media poblacional.
b. ¿Se puede rechazar H0 : µ = 3.00 con a 0.05 (comparada con una alternati-
va bilateral)?
9.75 Un periódico que informa acerca de la encuesta del ejercicio 9.74 indica que "los
respondcntes calificaron la ética de los grandes negocios significativamente peor
que el promedio".
a. ¿Es cierta esta afirmación en el sentido estadístico?
b. ¿Piensa usted que podría confundir al público en general?
9.76 ¿Qué se puede decir acerca del valor p del ejercicio 9.74?
E¡erc1c101 403
9.77 En el ejercicio 8.58, el departamento de policía de una ciudad obtu\lo datos de Jos
tiempos de respuesta a las denuncias de delitos que no son emergencias. A continull-
ción reproducimos los datos y la salida de Minitab.
MTB > pr int •resptime'
respt 1me
24 2S 18 25 1S 11 11 19 36 29 13 21 12
12 26 16 19 12 21 12 12 18 11 19 16 24
14 23 17
MTB > describe 'res pt iM '
N MEAN MEOIAN TllMEAN STOEV SEMEAN

res pt imr 29 18 .31 18 .00 17.93 6.29 1.17
MIN MAX Q1 Q]
respt1- 11.00 36.00 12.00 23. 50
a. El depanamento quiere tener una evidencia concluyente de que Ja media es me-

nor que 20 minutos. Fonnule esta meta como una hipótesis alternaliva. ¿Cuál es
la hipótesis nula correspondiente?
b. Suponga q!.le la dislribución de los licmpos de rcspucsla es aproximadamente
normal y que la verdadera Jesviación estándar (poblacional o del proceso) es de
6.0 minutos. ¿Cuál es el esladlstico apropiado de Ja prueba?
c. Escriba las cinco partes de una prueba formal de hipótesis, utilizando a - 0.05.
9.78 ¿Cuál es el ~alor p para los datos del ejercicio 9.77?
9.79 Trace un diagrama con los datos del ejercicio 9.77. digamos un diagrama de tallo)
hojas. ¿l lay alguna clara indicación de una distribución no normal? Si así es, ¿inva-
lida esto por completo sus respucslas al ejercicio 9.77?
9.80 En el ejercicio 9. 77 supusimos una desviación estándar poblacional de 6.0 mmulos.
Pruebe la hipólcsis alternativa de que la media poblacional es menor que 20 minu-
tos, utifüando a - O.OS y sin hacer dicha suposición.
MTB > dcSCl'I be 'respti111e'
N MEAN ME DIAN TRMEAN STOE V SEHEAN

respt imr 29 18.31 18. 00 17.93 6 . 29 1. 17
HIN KAX Qt 03
r espti111e 11.00 36 .00 12.00 23.50
9.8 l En el ejercicio 8.60, en un criadero de peces existia preocupación de que el peso me-
dio {poblacional) de los peces puestos en libertad podría ser distinto de 1O.O onzas.
Las diferencias en cualquier dirección eran indeseables. A continuación reproduci-
mos los datos.
9.3 11.7 11.0 9.8 10.I 89 8.7 9.5 10 8 8.7 7.6
10.0 8 !( 9.J 9.2 81 9.9 94 8.3 10 J 9 !( 9.5
98 9.0 10.7 93 9.6 IOA 94 9K 98 9.2 11 .0
102 9. 1 11.0 94 9.7 12.I 98 7.1 8.J 10.J 106
10. 1 10 2 88 9.3 10.3 10 7 108 7.5 90 10 1 9.2
9.7 104 91 9.7 10.7 106
media 9.6803, desviación estándar 0.95983
a. Formule una hipótesis alternativa y una hipótesis nula.
b. Suponga que la desviación estándar poblacional es de 1.0 onz.a. Escriba un esta-
dístico de la prueba.
c. Lleve a cabo l:is cinco partes de una prueba estadística con a - 0.1 O. Enuncie
cuidados:imente la conclusión.
9.82 Determine un valor p para el ejercicio 9.81. ¿Debería ser de una cola o de dos colas?
9.83 tn el ejercicio 9.81 obtuvimos, con una muestra de 61 peces. un peso medio mues·
tral de 9.6803 onzas y una desviación estándar muestra! de 0.95983 ona. Utilice
estos resultados para probar la hipótesis alternativa de que el peso medio poblacio-
nal no es igual a 10.0 onzas. No haga ninguna ~uposíción :icerca de la des,iación
estándar poblacional.
9 84 Determine cotas para un valor p de dos colas en el ejercicio 9.83.
9 85 Una muestra de 61 peces produjo en el ejercicio 9.81 una desviación estándar mues-
tral de O. 95983 on.l.'.1. Utilizando a - 0.1 O. pruebe la hipótesis alternativa de que la
desv1ac1ón estándar poblacional no es 1.0 on1a.
9.86 En el ejercicio 8.67, un fabricante de mallas metálicas estaba preocupado porque en
una sección de malla metálica de dos pies de longitud, el número medio de defec
tos podría. exceder de 2.5. Se tomó una muestra nleatoria de 24 secciones con los si-
guientes resultados:
3 4 3 o 6 o 2 1 3 4 4 3 6
4 4 3 4 5 2 o 5 2
desviación
n media mediana estándar
~4 2 917 lOOO 1.792
a. Util11ando u O.O 1. desarrolle lo~ cmco paso~ de un proced1m1cnto formal de pruc·
has de hipotes1s. Considere sí la hipotesis ahemati":i dehena ser unilateral o bilate-
ral,} ~¡ la des\ i:ición estándar indicada se refiere a 1.1 muestra o a la población
b. ¿F~ ra.t-Onablc concluir que la prueba demuestra que la media no es mnyor que 2.5'!
9.87 ¿Qué se puede decir en el ejercicio 9.86 acerca del tamallo del valor p?
9.88 Demuestre que un intel"alo de conli3JU.:i al 99°/o para la media poblacional lleva a la
conclusión alcanzada en el ejercicio 9.86. (Si usted quiere comprobarlo. dicho inter·
valo se calculó en el ejercicio 8.86.) ¿Cómo se relaciona la longitud de este intc!"·a·
lo con la respuesta al inciso (b) del ejercicio 9.86?
9.89 Un fabncante de discos flexibles para computadoras personales probó una muestra
de 36 discos buscando sectores dañados cu:indo se les formateaba en una PC. S1 hay
una clara evidencia de que el tamaoo medio de los sectores dat\:ldos excede de 7 5 K.
se realizará una prueba más extensa.
a. Formule "rcali7.ar una prueba más extensa" como una hipótesis esladlstica alternativa.
b. La media muestra! fue 9.49 y la desviación estándar de la muestra fue 10.02.
¿Hay un incremento estadísticamente significativo (a = 0.05) en el tamano de los
sectores dañados, por encima de 7.5 K?
9.90 ¿Qué se puede decir acerca del tamaño del valor p en el ejercicio 9.89?
9 .91 El siguiente es un dingrama de tallo y hojas de los datos del ejercicio 9 .89.
o 00011 1-¡ 3"144444
o 55SS667777K
02:?~4
57
:!
2 66
3 1
3
4
4 8
405
¿Indica este diagrama que las probabilidades determinadas en los ejercicios 9.89 y
9. 90 pueden ser erróneas?
9.92 En vista del crecimiento de la televisión por cable, las redes de televisión que
transmiten por sei'lal aérea y sus anunciantes se han preocupado por la cantidad
de tiempo que el auditono al que quieren llegar pasa viendo l:i televisión con·
vencional. Durante una scm:ina, se registró, con una precisión de media hora, el
tiempo que una muestra de personas, tomada de un grupo objetivo particular,
dedican a "er la tele"isión convencional. 1:.1 siguiente es un diagrama de tallo y
bojas hecho con Statgraphics:
Steftl·and·leaf display for hrswatched: 1r1it • 0.1 112 represents 1.2
LOl215,22S
4 24ol55
5 25• 10
5 25ol
7 26*1 00
9 26ol55
15 21· 1000000
21 270(555555
<5> 28*100000
18 2801555
15 29*)0000
,1 290155
9 30•10
Hll330,335,335,335,33S,390,415,435
a ¿Qué indican las entradas LO) 111 acerca de la forma de los datos?
b. ¿Serla correcto decir que los datos parecen tener una distribución casi normal?
9.93 l·n la figura 9.8 se muestra un diagrama de prohabilidad normal de los datos del
ejercicio 9. 92. (Observe que los datos están en el eje horizontal y que los registros
teóricos para 13. distribución normal están en el eje vertical, al contrario de los
otros diagramas normales que se muestran en este texto.) ¿Considera usted que
los datos se aproximan a la linea recta indicada? Si no, ¿qué clase de no normali·
dad está presente?
9.94 De acuerdo con una encue-;ta mu) c>;tcnsa real11ada hace dos ai'lo~. para la población
objetivo del ejercicio 9.92, la media() la mediana) obsel"\ ad.i de las horas fue 30.4.
Los datos del ejercicio 9.92 se anal11:1Jon con el paquete Statgraphics. con los si·
guientes resultados:
One·S~le An1lysis Results
hrswa tched
S.,,..:¡le Statistlcs: Nl.6Tbcr of Obs. 44
Average 2s.s9n
Var1ance 18.4486
Std. Oeviat1on 4.29518
Median 28
Conf1dence tnterval for Mean: 90 Percent

Saq>le 1 27.809 29.9865 43 O.f.
Conf1dence Jnterval for V1rianc:e: 90 Percent

Saq>le 1 13.376! 27.3881 4l O.f.
• Nora llrswotcMd • horas dedicadas a 11cr la telc11isi6n convencional.

Díagrama de probabilidad normal
99.9
99
95
ee
se
28
D
o
5 o
o
o
1
e.1
21 26 29 33 3"1' 41 46
hrswatched
FIGURA 9.8 Diagrama de probabilidad normal: horas dedicadas a ver la telev1s16n
a. De acuerdo con el intervalo de confianza para la media, ¿hay alguna evidencia

convincente de que Ja media observada de las horas ha cambiado desde la encues-
ta anterior?
b. Los di:igramas de los ejercicios 9.92 y 9.93 sellalan que los datos no tienen una
d1stnbuci6n normal. ¿Indica este hecho que el nivel de la confiana del intervalo
para la media es considerablemente incorrecto?
9.95 La :aparente no normalidad de los datos del ejercicio 9.92, ¿tiene algún efecto en la
corrección del intcl"\'alo de confianza para la varian1.a que se muestra en el ejercicio
9.94? En caso de que asl sea. ¿es dicho efecto más o menos serio que el efecto sobre
el intervalo de confianza para la media?
9.96 La salida de Statgraphícs del ejercicio 9.94 también incluyó el siguiente resultado
de una prueba formal de hipótesis:
Hypothes ls Test for HO: M~an = 30.4 CQll'9Jt~ t st at lst1c • ·2. 32003
VS Alt: l l Si9. Level • 0.0125765
at Alpha • 0. 1 so reject HO.
a. O~ acuerdo con el estadístico t calculado, ¿se puede recha1.ar la hipótesis nula

utili1.ando a - 0.10 y una prueba de dos colas? La salida indicó 43 g.I.
E1ercic1os 407
b. ¿Es consistente su respuesta con la que dio al inciso (a) del ejercicio 9.94?
c. ¿Cómo es el valor p que se muestra en la s:llida? ¿Indica este valor que la hipó-
tesis nula se debería rechal.élr utih.iando a • 0. 1O?
9.97 Una compal\ía de comunicaciones tiene un programa de "incentivos" por medio del
c u:il los gerentes o empleados con ideas comerciales reciben bonos anuales basados
en la productividad de sus ideas. Los premios no son mu) grandes; el último ai\o, el
promedio fue de 3550 dólares. Este .mo se concedieron 144 honos. El director del
programa tenia la preocupacion de que el 'alor medio de los bonos decrecería a me-
dida que se utilizaran las ideas más evidente<;> pro,echo-;a <;. Se anali7..aron los datos
con Statgrorhics (expresados en miles de dólJrc' por premio), produciéndose la si-
g uiente salida:
Cine-San-ple An.lysis Results

·······-·--··············---·--········ ···-·---·-················-----··
ewerd
So,,..:>le Statistics: NUTt>c r of Obs. 144
Ave rage 3.218~
Veriance 6. 12042
Std. Oeviatíon 2.47395
Median 2.5
Conf1dence Jnterval for Mean: 9S Perccnt

S81f1)l e 1 2.811 t4 3.62636 t43 D.F.
Conf1dence lnterval for Varience: 95 Percent

Sa!Tl>le 1 4.91695 7.82963 143 D.F.
Hypothes1s Test for HO: Mean s 3.55 COll'pJted t st1tist1c • · 1.60674

vs Alt: lT Sig. level • 0.0551582
et Alphe • 0.05 so do not rejec:t HO.
a. Ut1li1ando a "' O.OS, demuestre que la salida indica que no ha habido una dismt·
nución estadísticamente significativa en el valor medio de los premios.
b. 1-.1 gerente interpretó la salida como una prueba de que no habla disminuido el
valor medio de los premios. ¿Es ésta una interpretación \'álid:i?
9 98 En la figura 9.9 se muestra un diagrama de caja producido con Statgraphics de los
datos del ejercicio 9.97.
Diagrama de caja
[ __,.__ _.__ __,1------.;...._-, o p a
e 2 4 6 e 12
incentivo
FIGURA 9.9 Diagrama de caja de los incentrvos otorgados

a. ¿Qué forma de no normalidad indica el diagrama de caja?

b. ¿Indica esta no normalidad que las probaliilidades que se muc~tran en la ~alida
~ (que supone una población normal) son erróneas?
9.99 a. Utilice la salida del ejercicio 9.97 para calcular un inter\'alo de confianza al 95%
para la dcwiación estándar.
b. ¿Es correcto decir que cualquier no normalidad en el proceso de incentivos no
afecta la corrección del intervalo de confian1.a en virtud de que el tamailo mues·
tral es muy grande?
9.100 Los datos del ejercicio 9.97 son lodos los incentivos que Ja compailla otorgó
en ese ai\o. ¿En qu~ sentido, si es que lo hay. se pueden considerar los datos como
una muestra?
9. 101 Un servicio de entrega de paquetes adoptó un nue'o sistema de distribución tratan·
do de reducir la distancia total que recorre su ílola de camiones para hacer las entre·
gas. El nuevo sistema valdría Ja pena si lograse reducir la distancia en más de un 5%
de su nivel actual de 2420 mill:is diarias {i.e., reducirla a menos dt: 2299 millas por
día). Las millas recorridas en cada uno de los 49 días de ensayo del nuevo sistema
están registradas en la columna 1 del archivo '019CI .DAT' en el disco de datos; el
número del dla est.á registrado en la columna 2. Cargue los datos en la computadora
con algún paquete estadístico.
a. Obtenga la media y la desviación estándar de los datos relativos a las dislanci:is.
b. Pruehc la hipótesis de investigación de que la media en el límite será menor qut:
2299, utili1ando, de ser posible, el paquete de cómputo. Obtenga un valor p .
(Nota: muchos paquetes pondrán a prueba una hipótesis nula de que la media es
cero. Para convertir el prohlema a dicha forma, reste 2299 de cada observación.)
c. 1,Hay alguna evidencia concluyente de que el nuevo sistema si vale la pena'?
9.102 a. Obtenga un diagr3m3 de tallo ) hojas de los datos sobre las distancias del e1crcicio
9 101 (,lla) alguna r.vón para pensar que ha) un problema de no nonnalidad''
b. Los datos son una serie de tiempo. Obtenga un diagrama de las distancias en re·
lación con el número del día. ¿Hay evidencia de alguna tendencia? ¿Se trata de
ciclos. lo que 1nd1caría una dependencia entre los datos y los días?
9. l 03 Un restaurante económico especializado en carnes as:idas obtiene la mayor p:irte de
sus ganancias con la venta de platillos que no se incluyen en el menú, los cuales son
sugeridos a los clientes por los meseros. Como experimento, el propietario del res·
1aurante premia a cada mesero con el 10% del precio de cada platillo que venda.
Después de 1O dfas, el propietario calculó el valor de los platillos especiales vendi·
dos por cliente para cada uno de los 41 meseros Los datos están almacenados en la
columna 1 del archivo 'Cll9C2.DAT' en el disco de datos; el número del mesero
está registrado en la columna 2. Cargue los datos en un paquete para computadora.
a. Obtenga la media y la desviación estándar de los datos del valor de los platillos.
b. 1 a polit1c3 de incentivos será provechosa si la cantidad media es mayor que 2.40
dolares por cliente <.l la) alguna fuerte evidencia en los datos de que ésta será en
realidad prm ec ho~a ?
9. 104 a. Obtenga un diagrama de caja de los datos sobre e1 número de 'en tas del ejercicio
9. 103 . ¿liay valores atípicos?
b. Obtenga un diagrama normal de los datos. ¿Qué tipo de no normalidad, si es que
la hay, parece estar presente?
9.105 FI director de recursos humanos de una compai'lía puso a prueba una político. de in-
centi.,.os para tratar de reducir el número de días de permiso que se toman los cm·
picados. /\ los elementos de una muestra de 50 de ellos (tomada de varios cientos
Es~udio de aso pruebas de hipótesis 409
que hay en la compallia) les ofrecieron bonos ~i el número promedio de dios de per-
miso se podía reducir del nivel actu31 de 5 7 por empl~do por ai'lo. Después de un
ai'lo, se calculó el número de días de permiso p:ira cada uno de ellos Lus datos
están almacenados en la column:i 1 del 3rchívo 'Cll9C3.DAI.. en el disco de d3los.
En la columna 2 se encuentra el número de 1dent11icación del empleado C;irgue los
datos en cualquier paquete estadístico que pueda utili7.ar.
a. Obtcng3 13 media, la mediana y la desviación estándar de los dias de permi~o que
se tomaron. ¿Qué sugiere esta información acerca de la asimetría de los datos?
b. Obtenga un diagrama de tallo y hojas o un histograma de los dato<;. ¿Confirma el
diagrama su impresión :icerc:i de Ja asimetrla de los datos·~
9.106 a. Ponga a prueba con la computadora 13 hipótesis nula de que la media de los di3s
de permiso sigue siendo 5.7. Posiblemente tendrá que reslar 5.7 de todos los da-
tos para probar la hipótesis de que 13 media es O.
b. Obtenga un \3lor p para la prueba. ¿Qué cipo de valor calcula la compuladora:
unil31eral o bilateral'? ¿Cuál prueba considera es mis apropiada en esta situación:
una unilateral o una bilateral?
ESTUDIO DE CASO: pruebas de hípótesis
Un fabricante de muelles de lámina de trabajo pc'>ado para c:imiones comienza por

hacer las piezas fundida!> básicas. El factor má!> importante en l::i calidad de una rie-
za fundida es su longitud. Idealmente, la pie1.a debería medir 8.05 pulgada'> (A la
pieza fundida se le da un tenninado con una longitud de 8.00 pulgada.,.) Aun si el
proceso trabaja adecuadamente, hay una variación sustancial en la long11ud de l::is
piezas, debido a la variación de la temperatura exterior. la humedad y a lac; variacio-
nes en la calidad del acero que se utiliza como materia prima. La experiencia indi-
ca que, cuando el proceso de fundición trabaju bien. la desvi::ición cstánd::ir de las
longitudes de las piezas fundidas es aproximadamente igual a 0.180 pulgadas.
Los problemas que de manera sistemática tienden a manifestarse en el proce-
so son los rcl:itivos a una longitud media incorrecta, antes que un incremento de la
variabilidad. Por consiguiente, se mide la longitud de cada pieza fundida. Después
de cada 16 piezas se c:ilcula la longitud promedio. Si la media de cualquier muel>-
tra de 16 piezas esti muy lejos de la media buscada. 8.05 pulgad:is, el proceso de
fundición se detiene y se lleva a c:ibo un largo procedimiento de reajuste (moder.i-
damente caro) para volver el proceso a la normalidad. Definir lo que se entiende por
"demasiado lejos" de 8.05 pulgadas, es un problema dificil. El director del proceso
de fundición quiere establecer limites de 7.915 y 8.185 pulgadas. pero el gerente del
proceso de ac::ibudo prefiere limites de 8.000 y 8. 100 pulgadas. Arnbos están de
acuerdo con la meta oficial que establece que la mediu en el límite (lomada sobre
varios miles de piezas fundidas) se dehe mantener dentro del rango de 7 95 a 8.15
pulgadas; en lo que no están de acuerdo es en las implicaciones de esta meta para las
muestras de 16 piezas
Escnba un infonne a amboc; directores~ e'phquc las implicaciones de la elec-
ción de los límitt.'S. Indique cuáles parecen ser los puntos irn¡iort:intcs y que! otros
factores se deben investigar para alcanzar una conclusión razonable Ninguno de los
directores sabe mucho acerca de la teoría estadística. de modo que trate de explicar
las ideas técnicas con mucho cuidado.
•
EJERCICIOS DE REPASO PARA LOS CAPÍTULOS 7-9
R52 Una compai\ia que produce programas para computadora adquirió un nuevo editnr
para que éste fuese ulilizado p<>r una muestra aleatoria de sus programadores. Una
-·
vez que los programadores habían aprendido a utilizarlo razonablemente, la compa-
ilia midió el número de lineas de código depurado (i.e., libre de errores) que cada
uno de ellos produce. (Las tareas de programación lenian un grado de dificultad
comparnble.) Los datos fueron
178 183 199 101 204 210 218 2 llC 219 220 :?25 227 :!.'I
232 232 233 233 235 238 139 241 241 2-U 24t> 247 249
250 251 264 266 270 271 :!71 273 275 276 277 279 2X.'
28.t 285 286 289 289 298 303 306 315 315 345
El tamailo de la muestra es 50, la media muestra) es 253.32 y la desviación estándar
de la mueslra es 36.1.
a. La dc:sviaci6n estándar poblacional para el editor anlerior era 35.4. Suponga que
esta desviación estándar poblacional se aplica igualmenle al nuevo editor. Calcu-
le un intervalo de confianza al 99% para la media poblacional correspondiente al
nuevo edilor.
b. ¡,llay una clara evidencia en los datos de que la media muestra! es probablemen-
te un estimador ineficiente: de la media poblacional?
RS3 Remílase al inlervalo de confian1..a que se calculó en el inciso (n) del ejercicio R52.
La media poblacional correspondiente al viejo editor era 230.2. Con base en el inter-
valo de confianza, ¿podemos rechazar la hipótesis nula de que la media para el nue-
vo editor es 230.2, utilízando a = O.O 1?
R54 Con los datos del ejercicio R52, lleve a cabo una prueba formal de In hipótesis nula
de que la media poblacional sigue siendo 230.2, comparada con la hipótesis nlterna-
tiva de que no es igual a 230.2. Utilice a O.O1 ) suponga que la desviación están-
dar poblacional es 35.4.
R55 Para la prueba de tlipótesis que realizó en el ejercicio R 5~. det.:rmine un valor p.
" Dehc ser este unilateral o bilateral?
R56 Vueha a desarrollar los ejercicios R52- R55 sin la hipótesis de que la desviación eslán·
dar de la población es 35A. ¿Cambia sustancialmente alguna de sus conclusiones?
R57 Con los datos del ejercicio R52, calcule un intervalo de confianza al 99% para la
media poblacional. Con base en este intervalo, ¿podemos rechazar la hipótesis nula
de que la medía poblacional es 230, con a= O.O 1?
R58 ¿Cuál de los intervalos de confianw al 99% tiene mayor amplitud, el que se calculó
en el ejercicio R56 o el que se calculó en el ejercicio R57? ¿Qué sugiere su respues-
ta acerca de la eficiencia de la media muestra! comparada con la mediana muestra!
en este caso particular?
RS<> Se afirma que el 45% de todos los clientes potenciales que acuden a las oficinas de
una compañía de bienes raices compran eventualmente una casa a tra\·és de ella.
Para probar la afirmación, se considera a los siguientes 100 clientes como una mues-
tra aleatoria. Determine una prueba formal de la hipótesis alternativa de que la pro-
porción de la pohlación es menor que 0.45, utilizando a 0.05.
R60 (.Cómo cambia la región d.: rechazo en el ejercicio R59 si la máxima a permisible se
fija en O.O 1?
R6 I Suponga que la gerencia de la oficina de bienes raíces del ejercicio R59 determina
que el 32% de los clientes potenciales que acuden a las oficinas eventualmente com-
pran casas a través de ella. ¿Apoya este hecho a la hipótesis //u, si a se fija en 0.05?
R6:? El resultado que se indica en el ejercicio R61, ¿lleva al rechazo de H0 , si a se lija en
O.O1? ¿Qué indica su respuesta acerca del valor p para los datos?
11
E¡erc1cios de ~paso para Jos capítulos 7-9 .411
R63 Un silvicultor necesita probar un nuevo metodo para culti\'ar pinos maderables, disei'la-
do rara minimizar las pérdidas debi<las al ramoneo de los venados. Se requiere un ensa-
yo de cinco ai'los de duración. Se va a cultivar una muestra de 25 plantaciones
recurriendo al nuevo método en su cuidado. El procedimiento vigente tiene una media
de 272.6 y una desviación estándar de 67.3, en unidades de medida apropiadas.
a. Formule una hipótesis nula y otra alternativa, razonables. En particular, ¿cómo
deberla ser la hipótesis alternativa, unilateral o bilateral?
b. Determine las primeras cuatro partes de una prueba formal de la hipótesis nula.
Suponga que la desviación estándar poblacional sigue siendo la misma. El valor
a deseado es 0 .05.
R64 Suponga que la media poblacional que se obtiene bajo el nuevo método de cultivo
en el ejercicio R63 es 305. Calcule: la probabilidad de que la prueba del ejercicio
R63 no rechace la hipótesis nula. ¿Cuál es el nombre técnico de esta probabilidad?
R65 Suponga que la media poblacional del ej erc icio R64 es 295 en vez de la supuesta
media de 305. En relación con la probabilidad calculada en el ejercicio R64, ¿será
ma}or la probabilidad de que la hipótesis nula no sea rechazada utilizando la prue-
ba del ejercicio R63, o sen~ menor?
R66 Suponga que el experimento del ejercicio R64 tiene como resultados los siguien-
tes datos:
135 185 231 247

322 324 328 335
262
362
285
366
300
368
304
370
"º
384
312
384
313
385
319
40 1
322
(j .. 314 16. $ = 64.0)
¿Cuál es la conclusión de la prueba especificada en el ejercicio RM?

R67 Remítase a los ejercicios R64 y R66. Encuentre la probabilidad de que, dada una
media poblacional de 272.6, la media muestra) sea mayor o igual que 314.16. ¿Cuál
es el nombre técnico de esta probabilidad'?
R68 Trace un diagrama c on los datos del c1emplo R66 <.!lay alguna ra.rón para creer que
13 media muestra! no es el mejor estimador de la media poblacional?
R69 Una compañia de in"estigac aó n de mercados trata de estimar la proporcion de clien-
tes de un centro comercial suburbano que son lectores regulares de dos periódicos
específicos, a fin de juzgar los méritos relativos de las dos publicaciones como ve-
hículos publicitarios. Se ha instruido a lo~ empleados de la compai'lía para que tomen
muestras aleatorias de los clientes hasta que encuentren a un lector de ambos perió-
dicos; una vez hecho lo anterior, se registra el valor de X número de otros clientes
interrogados. Bajo hipótesis ra1onables, la distribución de probabilidades de X
es geom~trica:
f(xl - 11(1 - 111• para x = 0. 1, 2•... ,
Suponga que se han registrado seis valores de X: x 1 5, .r2 = 8, .x3 = 2, .x4 = 9, .rs = O
y .l6 ~ 6 . Calcule la verosimililud de estos valores dando a n valores desde 0 .2 hasta
0 .5. Al ohscrvar los resultados numéricos, ¿cuál parece ser la mejor estimación de TT'!
R70 a. En relación con los datos del ejercicio R69, utilice el cálculo diferencial para en-
contrar el estimador de máx ima \erosimihtud.
b. Generalice el método derivado en el inciso (a) a valores arbitrarios x 1, .. . , x,,.
R 71 Se puede demostrar que el promedio en el limite (sobre muchas muestras) del esti·
mador que se encontró en el ejercicio R70 es mayor que n, aunque dicho promedio
decrece rápidamente hacia TC a medida que el tamallo de la muestra se incrementa.
¿Que propiedad deseable de un e stimador es violada (ligeramente) por este estima-
dor particular?
412 9 PRUEBAS O CONTAASTES DE HIPOTESIS
R72 Un centro de cómputo que presta servicios, entre otros clientes. 3 pequeftas asocia-
ciones de cr~dito y ahorro. nea:sita saber la proporción de trabajos de estos negocios
~e requieren de la inrervención del operador de la computadora. En una muestra
aleatoria de 133 trabajos, 22 requirieron la intervención del operador. Calcule un
intenalo de confianza al 95% para la proporción poblac1onal de trabajos que requie-
ren intervención.
R73 Suponga que el mtcnalo de confiana del e1erc1c10 R72 se considera demasiado am·
pho Calcule el ramafto de la muestra requerida para ohtencr un inter\Jlo de conli3n-
1.a al 95% con una amplitud de 0.06 (un lérmtno ± de 0.03) bajo cada una de las
siguientes suposiciones:
a. Suponiendo que la proporción muestra! sigue siendo igual a 221133.
b. Suponiendo que la proporción muestra) puede tomar cualquier valor.
R74 En los ejercicios R72 y R 73 se utilizó una apro>.1mac16n normal al responder. ¿Po-
demos tener confianta de que la :iprox1maci6n es buena?
R75 Un auditor quiere verificar los registros de las transacciones de una compa1'ía que
están dispuestos en un orden aleatorio. Uno de sus ayudantes conserva una copia
acumulativa de las cantidades de las transacciones en dólares; cada vez que el total
supera un incremento de 100,000 dólares (es decir. cuando el total pasa de
SI00,000, $200.000. S300,000. etc.). la transacción se separa para su verificación.
Muestre que este proceso no proporciona una muestra aleatoria de las transacciones
R76 El proceso del ejercicio R 75 proporciona 241 transacciones El tamailo medio de és-
tas es de 5381 dólares y la des.,iación estánd:ir de 2271. Cuando se tra1.a una gráfi-
ca de las cantidades, mueslran una asimetría sustancial hacia la derecha.
a. Calcule un supuesto intervalo de confiani.a al 95% par.a el tarnafto medio pobla-
cional de las transacciones.
b. Explique por qué es poco probable que este intervalo incluya el verdadero tama-
i'to medio poblacional de las transacciones.
R77 Un fabricante de productos químicos que realíu un estudio píloto sobre los rendi-
mientos, obtiene los resultados de una muestra de 26 lotes Los rendimientos, expre-
s:idos como porcentajes del máximo teórico, son
67.6 68.5 74.7 77.6 784 79.3 79.5 803 803 807 808 1108 1109
812 814 1114 81.5 82.5 82.5 82.9 829 83.8 844 84-4 1154 860
(y ... 80 37. l = 4.37)
Calcule un inten.alo de confian7.a al 900 o para la media pohlacional del rendimienlo.

R 78 IJlllice los datos del ejercicio R77 para calcular un in ter" alo de confianza al 90% de
la medía poblacional.
R79 Comp:ire la amplitud de los inten alos de los ejercicios R 77 >R78. ¿Que indican és-
tas acerca de la eficiencia relativa de utililar la media muestra! frente a la mediana
muestra! en esta situación? ¿Indica lo mismo un diagrnma de los datos?
R80 Utilice los datos del ejercicio R77 para probar la hipótesis nula de que la media po-
blactonal es 82.0 contra una hipótesis alternativa bilateral. Determine cotas para el
R8 I ~~~
l:.I estudio piloto completo del ejercicio R 77 comprende eventualmente una muestra
de 150 lotes. Suponiendo que la desviación estándar poblac1onal es próxima a 4.4,
y que la media poblacional es 80A, encuentre la probabilidad de que H0 : media po-
blacional 82.0 sea rechazada. Suponga un a de 0.05.
R82 La prob:ibilidad que se calculó en el ejercicio R8 I no es un valor p. Explique por
qué no lo es.
R83 En ocasiones la función de densidad de Pareto se utiliza como un modelo, sobre
todo en reclamaciones de seguros, donde puede haber muchas peticiones de pago
E1ercic1os de repuo para los capitulos 7- 9 413
pequenas y unas pocas peticiones de pago enormes. Una de las formas que adopta la
función de densidad de Pareto es
1
/(y) = O(y + W 1- 1
,. para y > O
Encuentre una buena estimación de 8, para una muestra de valores con y 1=2.730,
.v2 = 5.124, y 3 = 0.798 e y 4 = 36.215.
R84 En el ejercicio R83, encuentre un buen estimador del parámetro 8 para valores ar-
b1trariC1s y 1, .. . , y,,.
R85 El estimador del ejercicio R84 tiene las siguientes propiedades: su valor medio en el
limite es 8, y entre todos los estimadores con un 'alor medio igual a 8, tiene el me·
nor error estándar. ¿Qué indican estas propiedades acerca del estimador'?

Estadistica Hildebrand

Cargado por

Copyright:

Formatos disponibles

Estadistica Hildebrand

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Hildebrand

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO

La tcorl:1 t.lc l;i 1>robabilidad es la ha-ic de la inferencia cstat.lfstica y un instru-

3.1 DISTINTAS INTERPRETACIONES D E LA PROBABILIDAD

Solueton La afirmación se justifica en términos de la frecuencia relativa en d limite si una

La interpretación de la probabilidad como frecuencia relativa en el limite se

Hay muchos argumentos filosóficos acerca de cuál de las interpretaciones de la

Malo Regular Bueno Excelente Total

Suponga 4uc un miembro dd jurndo se selecciona al a1.ar. ¿,Cuál es la proha-

mutuamente excluyentes si no tienen n!sultadCls en común. Al seleccionar un miem-

• Ley aditiva para eventos mutuamente excluyentes

Si IC1s eventos no son mutuamente excluyentes. al añadir las probabilidades se

Ley aditiva general

TABLA 3.2 Orígenes y tamaños de las órdenes

Total 2604 817 503 76 4000

Solución a. ?(proceso de entrada) = P(de catálogo o repetida)

?(retenida) = P(mayor o telefónica)

Ley de los complementos

E:.I concepto de probabilidad condidon:uh1 e\ importante por derecho propio

Probabilidad condicionada P(B 1A)

De acuerdo con esta definición,

Ley multiplicativa para probabilidades conjuntas

En el ejemplo del jurado calificador de la tabla 3.1, podríamos encontrar directamen-

Probabllidades condicionadas para el tamaño. dado el tipo de orden y las

probabilidades no condicionadas para el tipo de orden \\ -,

a. ¿Cómo se obtuvieron las probabilidades 0.751 y 0 .3400?

Solución a. La probabilidad 0.751 es P(pequei'ta de catálogo). Se obtuvo dividiendo el nú-

b. P(de catálogo y pequei'ta) P(de catálogo) ?(pequeña 1 de catálogo)

Estos principios básicos: suma, leyes multiplicativa) de complementos. y de-

SECCIÓN 3.1 _!:JERCICIOS_ _ __

W\a forma de conirol, se conl.lrá el número de hombres en la muestra. La prohabili-

Motor Transmisión Escape Armado/acabados Otros Total

a. ¿Cuál es la probabilidad de que un problema seleccionado al azar corresponda a

Total 517 70 22 609

Incorrectamente Favorable Desfavorable Total

a. Utilice la ley aditiva para encontrar la probabilidad de que un individuo seleccio-

En la sección anterior analizamos varias interpretaciones de los enunciados de la

S = ((HHH); (HHT); (HTH l; (THH); (H TT); (THT ): (TTH ): (TIT):

Este mismo problema se puede enunciar en términos más administrativos

Solución A "" {I HTI). (THT). (TTH l}

Suma de las probabilidades de los resultados

Solución P(A) = ?(exactamente una cara)

Observe que podrlamos h3ber tomado cada probabilidad como

Esta manera de calcular las probabilidades no siempre es asequible. Cuando

,E CCIÓN 3.2 EJERCICIOS

Se sclcccionari al az..ar una computadora vendida el :iilo pasado

3.3 LEYES DE LA PROBABILIDAD

Complemento, unión e intersección

Eventos mutuamente excluyentes

FIGURA3.2 Tres eventos mutuamente excluyentes

El tercer axioma de Ja teoría matemática de la probabilidad se traduce, utili-

Ley aditiva para eventos mutuamente excluyentes

Solución En la figura 3.3 se muestra un diagrama de Venn apropiado. Como A y B no se su-

FIGURA 3.3 Diagrama de Venn para el ejemplo 3.11

La ley aditiva general se obtiene a través de un razonamiento similar a éste.

Ley ad it iva general

P(A o B) = P(AuB) = P(A) + P(B) - P(A í'IB)

Cuando A y B son mutuamente excluyentes, A í'I B no contiene ningún re-

EJEMPLO 3. 13 En el ejemplo 3.12, encuentre P(A u Ou C) y P(sucede exactamente uno de los

FIGURA 3:4 Diagrama de Venn para el ejemplo 3 .13