Probabilidadyestadistica(2 7-13)

PROBABILIDAD Y ESTADÍSTICA.
APLICACIONES A LA INGENIERÍA
DEPOOL RIVERO, RAMÓN
MONASTERIO, DIÓSCORO
2013

PROBABILIDAD Y ESTADÍSTICA.
APLICACIONES A LA INGENIERÍA
Dr. DEPOOL RIVERO, RAMÓN
Profesor Titular de la Unexpo
Vicerrectorado Barquisimeto
Ing. MONASTERIO, DIÓSCORO
Profesor Titular de la Unexpo
Vicerrectorado Barquisimeto
Depósito Legal Número: lfi 05120133102363
Publicado de manera gratuita por la Unexpo en la
página http://www.bqto.unexpo.edu.ve/

DEDICATORIA
A mi hija Mary Carlota.
Ramón Depool
A mi esposa Thais.
Dióscoro Monasterio

ÍNDICE
PÁGINA
INTRODUCCIÓN
CAPÍTULO 1. Nociones Básicas de Estadística.
Definiciones Básicas. Escalas de Medición. Elaboración de Tablas.
Representaciones Gráficas de Datos. Problemas propuestos.
1
CAPÍTULO 2. Medidas Descriptivas.
Medidas de Tendencia Central. Medidas de Dispersión. Medidas de
Posición. Problemas propuestos
26
CAPÍTULO 3. Probabilidades.
Definiciones Básicas. Conteo de Puntos Muestrales. Probabilidad de un
Evento. Problemas propuestos.
44
CAPÍTULO 4. Distribuciones de Probabilidad.
Variable Aleatoria. Distribución Discreta de Probabilidad. Distribución
Continua de Probabilidad. Distribución de Probabilidad Conjunta.
Problemas propuestos.
71
CAPÍTULO 5. Esperanza Matemática.
Medidas de Tendencia Central. Medidas de Dispersión. Propiedades de las
Medidas de Tendencia Central y de Dispersión. Teorema de Chebychev.
95
CAPÍTULO 6. Distribución de Probabilidad Discreta.
Distribución Uniforme. Distribución de Bernoulli. Distribución Binomial y
Multinomial. Distribución Hipergeométrica. Distribución Binomial
Negativa. Distribución Geométrica. Distribución de Poisson. Teoría de
Colas. Problemas propuestos.
117

CAPÍTULO 7. Distribución de Probabilidad Continua.
Distribución Normal. Aproximación Normal a la Distribución Binomial.
Aproximación Normal a la Distribución de Poisson. Distribución
Uniforme. Distribución Log-Normal. Distribución ji Cuadrada.
Distribución t de Student. Distribución F. Distribución Gamma.
Distribución Exponencial. Distribución de Weibull. Distribución Beta.
146
CAPÍTULO 8. Distribución de Muestreo, Estimación Puntual y por
Intervalo.
Distribución Muestral de la Media. Distribución Muestral de la Varianza.
Distribución Muestral del cociente de Varianzas. Inferencia Estadística.
Estimación Puntual. Estimación por Intervalo. Problemas propuestos.
191
CAPÍTULO 9. Pruebas de Hipótesis.
Prueba de Hipótesis relacionada con Medias. Prueba de Hipótesis
relacionada con Proporciones. Prueba de Hipótesis relacionada con
Varianzas. Problemas propuestos.
235
ANEXO I. TABLA DE DISTRIBUCIÓN BINOMIAL 271
ANEXO II. TABLA DE DISTRIBUCIÓN DE POISSON 279
ANEXO III. TABLA DE DISTRIBUCIÓN NORMAL ESTÁNDAR 286
ANEXO IV. TABLA DE DISTRIBUCIÓN JI CUADRADA 289
ANEXO V. TABLA DE DISTRIBUCIÓN t DE STUDENT 291

ANEXO VI. TABLA DE DISTRIBUCIÓN F 293
RESPUESTAS A LOS PROBLEMAS IMPARES 296
BIBLIOGRAFÍA 238

INTRODUCCIÓN
El presente libro tiene como finalidad fundamental servir como soporte
bibliográfico en un curso de Probabilidad y Estadística para estudiantes de Ingeniería,
aunque puede ser utilizado por otros profesionales, debido a que la teoría se presenta de una
manera sencilla y con muchas aplicaciones, que pueden adaptarse a otras disciplinas.
La Probabilidad y la Estadística son dos campos distintos aunque relacionados entre
sí. Utilizando la Probabilidad se obtiene la frecuencia de un suceso determinado mediante
la realización de un experimento aleatorio, del que se conocen todos los resultados posibles,
bajo condiciones suficientemente estables. La teoría de la probabilidad se usa extensamente
en áreas tales como: Física, Matemática, Economía, Ingeniería y Filosofía, para obtener
conclusiones sobre la probabilidad de sucesos potenciales y la mecánica subyacente
sistemas complejos. La Estadística es una ciencia formal que estudia la recolección,
análisis e interpretación de datos de una muestra representativa, ya sea para ayudar en
la toma de decisiones o para explicar condiciones regulares o irregulares de algún
fenómeno o estudio aplicado. Sin embargo, la Estadística es más que eso, es decir, es el
vehículo que permite llevar a cabo el proceso relacionado con la investigación científica. La
Probabilidad y Estadística puede utilizarse para optimizar el uso del material y la fuerza de
trabajo. Al investigar el desarrollo de nuevos productos, éstas permiten comprender los
fenómenos sujetos a distintas variaciones y predecirlos, así como también controlarlos de
manera eficiente.
En este libro se presentan los temas, iniciando de lo más elemental, con un breve
resumen de Estadística General; luego se introduce la teoría básica de Probabilidad, para
entrar en el estudio, un tanto profundo, de las Distribuciones de Probabilidad para variables
continuas y discretas, con lo cual se logra tener una visión amplia del alcance, utilidad e
importancia de los conocimientos tantos de Estadísticos como de las Probabilidades.
Al principio de cada capítulo se expone un pequeño comentario introductorio. Cada
teoría es ilustrada con ejemplos prácticos; y se incluye una lista de problemas propuestos, al
final de cada capítulo, con sus respectivas respuestas a los problemas impares.

Para dar soporte informático al estudio de la Probabilidad y Estadística, se hace
necesario el manejo de algún software tanto Matemático como Estadístico, que permitan
realizar los cálculos y elaborar representaciones gráficas adecuadas. Para tal finalidad se
han escogido los software Matemático “Derive” y “GeoGebra”, el software Estadístico
“Statgraphics Centurion XVI” (versión 16.1.15) y el programa Microsoft Office Excel.
La distribución de libro es de manera gratuita a través de la página virtual de la
Universidad Politécnica Unexpo (http://www.bqto.unexpo.edu.ve/)

Probabilidad y Estadística
Depósito Legal: lfi 05120133102363
CAPÍTULO 1
NOCIONES BÁSICAS DE
La estadística, como toda ciencia, utiliza una terminología con la cual el lector
debe estar familiarizado. En este capítulo enunciaremos una serie de definiciones
básicas; así como también desarrollaremos procedimientos para la elaboración de
tablas de datos y representaciones
particulares.
DEFINICIONES BÁSICAS.
DEFINICIÓN 1.1. Datos.
El dato es una representación
otros) de un atributo o característica de una entidad. Los datos describen hechos
empíricos, sucesos y entidades. Los
relevante. Sólo cuando un
enfoque, hipótesis o teoría se puede apreciar la información contenida en dichos datos.
Los datos pueden consistir en números, estadísticas o proposiciones descriptivas. Los
datos convenientemente agrupados, estructurados e interpretados s
la base de la información relevante que se pueden utilizar en la toma decisiones, la
reducción de la incertidumbre o la realización de cálculos. Es de empleo muy común en
el ámbito informático
En programación, un dato es la expresión general que describe las características de las
entidades sobre las cuales opera un
En estructura de datos
stadística Depool R.; Monasterio D.
lfi 05120133102363 Distribución gratuita en www.bqto.unexpo.edu.ve
TULO 1
NOCIONES BÁSICAS DE ESTADÍSTICA
representaciones gráficas de información recolectadas de situaciones
Datos.
es una representación simbólica (numérica, alfabética, algorítmica, entre
empíricos, sucesos y entidades. Los datos aisladamente pueden no contener información
relevante. Sólo cuando un conjunto de datos se examina a través de un
o teoría se puede apreciar la información contenida en dichos datos.
datos convenientemente agrupados, estructurados e interpretados s
informático y, en general, prácticamente en cualquier investigación científica
, un dato es la expresión general que describe las características de las
entidades sobre las cuales opera un algoritmo.
estructura de datos, es la parte mínima de la información.
Depool R.; Monasterio D.
Distribución gratuita en www.bqto.unexpo.edu.ve
1
ESTADÍSTICA
recolectadas de situaciones
(numérica, alfabética, algorítmica, entre
datos aisladamente pueden no contener información
se examina a través de un
o teoría se puede apreciar la información contenida en dichos datos.
datos convenientemente agrupados, estructurados e interpretados se consideran que son
investigación científica.
, un dato es la expresión general que describe las características de las

Probabilidad y Estadística Depool R.; Monasterio D.
Depósito Legal: lfi 05120133102363 Distribución gratuita en www.bqto.unexpo.edu.ve 2
Un dato por sí mismo no constituye información, es el procesamiento de los datos lo que
nos proporciona información.
DEFINICIÓN 1.2. Sujeto.
Es el objeto de investigación; el cual puede ser animado o inanimado. Personas,
objetos, medidas, etc., son ejemplos de sujetos.
DEFINICIÓN 1.3. Población.
Conjunto de sujetos que poseen una característica común observable. El
investigador debe definir la población en estudio; la cual puede ser tan pequeña como se
quiera.
Ejemplo 1.1. La población en una empresa puede estar definida por la producción de
tornillos en un día determinado; por el personal de guardia en un turno de trabajo; por
las órdenes de pedido de un artículo producido; por los productos defectuosos en una
producción, etc.
DEFINICIÓN 1.4. Muestra.
Es un conjunto de sujetos tomados de una población. Ya que la muestra es parte
de una población, se debe tener cuidado que sea representativo de la población, es decir
que las características esenciales de la población estén reflejadas en la muestra.
Ejemplo 1.2. En relación con ejemplo 1.1, una muestra puede ser, los tornillos con un
tipo de rosca, el personal que estaba de guardia en la entrada, los artículos de una cierta
utilidad, los que tienen un tipo definido de defecto.
DEFINICIÓN 1.5. Variable.

Característica de los sujetos que puede tomar valores diferentes. Las variables a
estudiar son las variables discretas y las continuas. Las discretas tienen como caracteriza
la existencia de saltos o discontinuidades entre un valor y otro; además puede tomar sólo
valores enteros finitos o contables. Las continuas pueden tomar todos los valores
posibles dentro de un intervalo dado.
Ejemplo 1.3. El número de empleados en una fábrica, la producción de una determinada
pieza para automóvil, son ejemplos de variables discretas. La longitud de una barra de
metal, el tiempo, la velocidad, la temperatura, son ejemplos de variables continuas.
DEFINICIÓN 1.6. Parámetro.
Son valores constantes que definen una población. Los parámetros suelen notarse
con letras griegas (µ,σ).
Ejemplo 1.4. Supóngase que se está estudiando la población, constituida por la
producción semanal de una determinada pieza; un parámetro puede ser el promedio
poblacional de producción semanal.
DEFINICIÓN 1.7. Estadístico.
Valores calculados de los datos de una muestra y estiman a los parámetros de una
población.
Ejemplo 1.5. El promedio muestral de producción de una pieza determinada.
DEFINICIÓN 1.8. Exactitud y Precisión.
La exactitud expresa cuán cerca están las mediciones respecto al valor verdadero
o real de la magnitud que se mide. La precisión se refiere al grado con el que las
mediciones concuerdan entre sí.
DEFINICIÓN 1.9. Estadística y Probabilidad.

La Estadística es una ciencia cuyo método consiste en recopilar, presentar,
analizar e interpretar datos numéricos extraídos de hechos reales e inferir de ellos,
conclusiones lógicamente aceptables. Si el objetivo es el análisis de la información de
una muestra o una población, sin que ello implique alguna relación con otras muestras o
poblaciones, la estadística es descriptiva. Pero si se utiliza para inducir información
referente a otra(s) muestra(s) o población(s), la estadística es inferencial. La
Probabilidad estudia la frecuencia de un suceso determinado mediante la realización de
un experimento aleatorio, del que se conocen todos los resultados posibles, bajo
condiciones suficientemente estables.
DEFINICIÓN 1.10. Estadística industrial
La estadística industrial es la rama de la estadística que busca implementar los
procedimientos probabilísticos y estadísticos de análisis e interpretación de datos o
características de un conjunto de elementos al entorno industrial, a efectos de ayudar en
la toma de decisiones y en el control de los procesos industriales y organizacionales.
Pueden distinguirse tres partes:
• El estudio de las series temporales y las técnicas de previsión, y la descripción de los
pasos necesarios para el establecimiento de un sistema de previsión operativo y
duradero en una empresa;
• El análisis multivariante, necesario para la extracción de información de grandes
cantidades de datos, una de las necesidades más apremiantes;
• El control de calidad y la fiabilidad. Se pueden distinguir varios aspectos:
• Serie temporal o cronológica es una secuencia de datos, observaciones o
valores, medidos en determinados momentos del tiempo, ordenados
cronológicamente y, normalmente, espaciados entre sí de manera uniforme.
El análisis de series temporales comprende métodos que ayudan a interpretar
este tipo de datos, extrayendo información representativa, tanto referente a los
orígenes o relaciones subyacentes como a la posibilidad de extrapolar y predecir

su comportamiento futuro. De hecho, uno de los usos más habituales de las series
de datos temporales es su análisis para predicción y pronóstico. Por ejemplo, los
datos climáticos, las acciones de bolsa, o las series pluviométricas. Resulta difícil
imaginar una rama de las ciencias en la que no aparezcan datos que puedan ser
considerados como series temporales. Son estudiadas
en estadística, procesamiento de señales, econometría y muchas otras áreas.
• Control de calidad son todos los mecanismos, acciones, herramientas que se
realizan para detectar la presencia de errores. La función del control de calidad
existe primordialmente como una organización de servicio, para conocer las
especificaciones establecidas por la ingeniería del producto y proporcionar
asistencia al departamento de fabricación, para que la producción alcance estas
especificaciones. Como tal, la función consiste en la recolección y análisis de
grandes cantidades de datos que después se presentan a diferentes departamentos
para iniciar una acción correctiva adecuada. Todo producto que no cumpla las
características mínimas para decir que es correcto, será eliminado, sin poderse
corregir los posibles defectos de fabricación que podrían evitar esos costos
añadidos y desperdicios de material. Para controlar la calidad de un producto se
realizan inspecciones o pruebas de muestreo para verificar que las características
del mismo sean óptimas. El único inconveniente de estas pruebas es el gasto que
conlleva el control de cada producto fabricado, ya que se eliminan los
defectuosos, sin posibilidad de ser reutilizable. La función principal es asegurar
que los productos o servicios cumplan con los requisitos mínimos de calidad.
• El término fiabilidad es descrito en el diccionario de la Real Academia Española
(RAE) como "probabilidad de buen funcionamiento de algo". Por tanto,
extendiendo el significado a sistemas, se dice que la fiabilidad de un sistema es la
probabilidad de que ese sistema funcione o desarrolle una cierta función, bajo
condiciones fijadas y durante un período determinado. Por ejemplo, condiciones
de presión, temperatura, fricción, velocidad, tensión o forma de una onda
eléctrica, nivel de vibraciones. Consideramos dos aspectos: la fiabilidad de

sistemas y la fiabilidad humana. Un sistema es una colección de
componentes/subsistemas dispuestos de acuerdo a un diseño dado con el
propósito de lograr el cumplimiento de unas determinadas funciones con una
adecuación y fiabilidad aceptables. El tipo de componentes, su cantidad y el
modo en que están dispuestas tiene un efecto directo en la fiabilidad del sistema.
Se considera que el componente humano es de una complejidad mucho mayor
que cualquier otro componente y, por tanto, las técnicas aplicables al estudio de
la fiabilidad humana o, complementariamente, del error humano son específicos
e integran aspectos psicológicos y organizacionales a las habituales técnicas
matemáticas.
ESCALAS DE MEDICIÓN.
Las escalas de medición son utilizadas para diferenciar elementos en un proceso.
Se clasifican en nominal, ordinal, intervalo y de razón. En diversos estudios, la escala a
utilizar, depende de la naturaleza del elemento o del interés del investigador.
La Escala Nominal, se utiliza cuando un objeto o evento se diferencia de otro
solamente por la nominación con que se conoce. Se pueden utilizar numerales, letras o
cualquier otra nominación sin que ello represente orden o continuidad; solo se pretende
clasificar. El personal de una empresa puede ser clasificado, utilizando una escala de
letras como A-B-C.
La Escala Ordinal, se utiliza de manera nominal pero para jerarquizar datos. La
producción se puede clasificar con la escala alta, mediana y baja.
La Escala de Intervalo, esta escala posee todas las características de una escala
ordinal. Además se conoce la distancia entre dos números cualesquiera, y el valor cero
no representa ausencia de una característica. La escala utilizada en los termómetros, es
de tipo por intervalo ordinal y el valor cero representa punto de congelación, pero por
debajo de cero existen otros valores.

La Escala de Razón. Esta escala es similar a la anterior, excepto en que el cero sí
representa ausencia de una característica. La escala utilizada para el tiempo es de tipo
razón, ya que debajo de cero unidades de tiempo no hay valores.
ELABORACIÓN DE TABLAS DE DATOS.
DEFINICIÓN 1.11. Distribución de frecuencias
Una distribución de frecuencias es una tabla en la cual se agrupan en clases los
valores posibles para una variable y se registra el número de valores observados que
corresponde a cada clase.
DEFINICIÓN 1.12. Clase (xi)
La información recolectada puede ser presentada utilizando para ello, valores; es
decir clases.
Ejemplo 1.6. Supóngase que se desea elaborar una tabla con el número de horas
trabajadas por 5 empleados de una empresa manufacturera. La clase se puede establecer
con una escala nominal como Trabajador 1-2-3-4-5.
DEFINICIÓN 1.13. Frecuencia ( fi ).
Representa el número de veces que un dato se repite.
Ejemplo 1.7. En el ejemplo 1.6, supóngase que los empleados trabajaron 8, 11, 5, 7, 9
horas respectivamente; esta serie representa la frecuencia de horas trabajadas.
DEFINICIÓN 1.14. Total de datos (n).
Es la sumatoria de todos los datos.

Ejemplo 1.8. De acuerdo al ejemplo 1.7, éste sería ݊ = 40.
DEFINICIÓN 1.15. Frecuencia Relativa ( fr) y Frecuencia Relativa Porcentual ( fr%).
La frecuencia relativa representa el cociente entre cada frecuencia y total de
datos. En tanto que la porcentual, se obtiene convirtiendo la frecuencia relativa en
porcentaje.
݂‫%ݎ‬ =
݂‫ݎ‬
݊
× 100
Ejemplo.1.9. De acuerdo a los ejemplos 1.6 y 1.7, se tiene que las frecuencias relativas
son: 0,2; 0,27; 0,13; 0,17; 0,23. Las frecuencias relativas porcentuales son: 20%; 27%;
13%; 17%; 23%.
DEFINICIÓN 1.16. Frecuencia Acumulada. ( fai ) y Frecuencia Acumulada Porcentual
( fai %).
La frecuencia acumulada representa el número de datos que se acumulan al
pasar de una clase a otra. En tanto que la porcentual, se obtiene convirtiendo la
frecuencia acumulada en porcentaje.
݂ܽ௜% =
݂ܽ௜
݊
× 100
Ejemplo 1.10. De acuerdo al ejemplo 1.7, las frecuencias acumuladas son: 8, 19, 24, 31,
40. Las frecuencias relativas porcentuales son 20%; 47,5%; 60%; 77,5%; 100%.
La información anterior se puede representar por la siguiente tabla.

HORAS TRABAJADAS POR UN GRUPO DE EMPLEADOS DE UNA EMPRESA MANUFACTURERA
Trabajador N º de Horas Porcentaje de
horas trabajadas
N º de horas
acumuladas
Porcentaje de horas
acumuladas
1 8 20 8 20
2 11 27 19 48
3 5 13 24 60
4 7 17 31 78
5 9 23 40 100
Fig. 1.1 Tabla de frecuencia
DISTRIBUCIÓN DE FRECUENCIAS PARA DATOS AGRUPADOS EN
INTERVALOS DE CLASE.
Cuando se tienen datos muy numerosos es conveniente utilizar intervalos en los
cuales se agrupen clases, de tal manera de establecer una tabla más reducida. A estos
intervalos se le denominan intervalos de clase. Por razones de cálculo, generalmente es
deseable que todos los intervalos de clase, en una distribución de frecuencia, sean de
igual amplitud. Para datos distribuidos de manera irregular, como los datos anuales de
salario para diversas ocupaciones, pueden ser convenientes los intervalos desiguales de
clase; en este caso, se utilizan intervalos de clase de mayor amplitud para los rangos de
valores en que hay relativamente pocas observaciones.
Por lo general se recomienda que el número de intervalos esté entre 5 y 15.
Aunque existe una fórmula para el cálculo del número de intervalos, hay que hacer notar
que en algunos casos puede dar valores errados, esto sucede cuando el número de datos
n es muy grande; esta fórmula es:
ܰú݉݁‫ݏ݋݈ܽݒ݁ݐ݊݅ ݁݀ ݋ݎ‬ = 1 + 3,3 ݈‫݂( ݊݃݋‬ó‫)ݏ݁݃ݎݑݐܵ ݁݀ ݈ܽݑ݉ݎ‬.
El procedimiento para conformar los intervalos es el siguiente:
• Calcular la amplitud de los intervalos de frecuencia para datos no agrupados
(DNA), utilizando la fórmula:

‫݀ݑݐ݈݅݌݉ܣ‬ =
ܸ݈ܽ‫ܣܰܦ ݏ݋݈ ݊݁ ݎ݋ݕܽ݉ ݎ݋‬ − ‫ ܣܰܦ ݏ݋݈ ݊݁ ݎ݋݊݁݉ ݎ݋݈ܽݒ‬
ܰº ݀݁ ݅݊‫ݏ݋݀ܽ݁ݏ݁݀ ݏ݋݈ܽݒݎ݁ݐ‬
• El primer intervalo tiene como extremo izquierdo el menor valor de los datos
recolectados. El extremo derecho de este intervalo se obtiene, sumando al
menor valor la amplitud menos una unidad.
• El extremo izquierdo del segundo intervalo es el número entero siguiente al
extremo derecho del primer intervalo. El extremo derecho se obtiene
sumándole al izquierdo la amplitud menos una unidad. Utilizando este
mecanismo, se establecen todos los restantes intervalos.
• Puede suceder que al establecer los intervalos, el último número sea inferior o
superior al valor mayor, una manera de resolver esta dificultad, es jugar con
el número de intervalos, o si es posible, agregar un intervalo.
• Si los datos originales están en decimales es conveniente llevarlos a números
enteros; y una vez elaborada la tabla, restaurar la coma que tenían los datos
originales.
Ejemplo 1.11. La producción de Bandas (por pares) para frenos, en 34 días, en una
pequeña empresa (BANFRE) está dada por:
56 24 67 98 70 78 99 67 58
98 78 69 38 67 60 56 56 57
98 56 87 34 23 38 68 36
78 45 56 48 56 100 40 87
Elaborar una tabla de distribución de frecuencias.
Solución:
Para elaborar la tabla, primero hay que seleccionar el número de intervalos
deseado y luego calcular la amplitud.

Sea n = 6 el número de intervalos. De la tabla se tiene que el valor mayor es 100, y el
valor menor es 23. Utilizando la fórmula para el cálculo de la amplitud, se tiene que:
‫݀ݑݐ݈݅݌݉ܣ‬ =
100 − 23
6
= 12,83 ≈ 13
(Se recomienda tomar un valor de amplitud impar).
El extremo derecho del primer intervalo es 23 + (13 − 1) = 35. El primer intervalo va
de 23 hasta 35.
El extremo izquierdo del segundo intervalo es 35 + 1 = 36. El extremo derecho es
36 + (13 − 1) = 48. El segundo intervalo va de 36 hasta 48.
El resto de los intervalos son: de 49 hasta 61, de 62 hasta 74, de 75 hasta 87, y de 88
hasta 100.
DEFINICIÓN 1.17. Límite Inferior (‫)݅ܮ‬ y superior (‫)ݏܮ‬ de un Intervalo.
El límite inferior en un intervalo de clases de frecuencias lo representa el extremo
izquierdo de cada intervalo. En tanto que el superior lo representa el extremo derecho de
cada uno.
Ejemplo 1.12. En el ejemplo 1.11, en el intervalo que va desde 23 hasta 35; ‫݅ܮ‬ = 23;
‫ݏܮ‬ =35.
DEFINICIÓN 1.18. Marca de Clase. (xi).
Es el punto medio de cada intervalo. Hay que hacer notar que si se toma la
amplitud como un número impar, las marcas de clase darán números similares a los
usados en los límites de los intervalos.
Ejemplo 1.13. En el intervalo del ejemplo 1.12, la marca de clase xi = 29.

DEFINICIÓN 1.19. Límite Real Inferior (‫݅ݎܮ‬). Límite Real Superior (‫ݏݎܮ‬).
El límite real inferior, en cada intervalo, se obtiene restando cinco décimas al
límite inferior de éste ‫݅ݎܮ‬ = ‫݅ܮ‬ − 0,5. En tanto que el superior se obtiene, sumando
cinco décimas al límite superior del intervalo ‫ݏݎܮ‬ = ‫ݏܮ‬ + 0,5.
Ejemplo 1.14. En el intervalo del ejemplo 1.12; ‫݅ݎܮ‬ = 23 − 0,5 = 22,5; ‫ݏݎܮ‬ = 41 +
0,5 = 41,5.
DEFINICIÓN 1.20. Total de datos (n).
Es la sumatoria de las frecuencias.
݊ = ෍ ݂௜
௞
௜ୀଵ
Ejemplo 1.15. En el ejemplo 1.11, el total de datos es:
݊ = ෍ ݂௜ = 34
଺
௜ୀଵ
DEFINICIÓN 1.21 Frecuencia Acumulada (݂ܽ௜) y Frecuencia Acumulada Porcentual
(݂ܽ௜%).
La frecuencia acumulada, representa la suma de la frecuencia en cada intervalo,
con las anteriores. En tanto que la porcentual, se obtiene convirtiendo la frecuencia
acumulada en porcentaje.
݂ܽ௜% =
݂ܽ௜
݊
× 100
Ejemplo 1.16. De acuerdo al ejemplo 1.11, las frecuencias acumuladas son: 3, 9, 19, 24,
29, 34; respectivamente en cada intervalo. Las frecuencias acumuladas porcentuales son:
8,8%; 26,5%; 55,9%; 71%; 85%; 100%.

FÁBRICA DE BANDAS DE FRENO (BANFRE)
N° de
Bandas
N° de días, en el
cual se
fabricaron
Promedio de
bandas
fabricadas.
Acumulación de
días.
Porcentaje
acumulado de
días
23----35 3 29 3 8,8
36----48 6 42 9 26,5
49----61 10 55 19 55,9
62----74 5 68 24 71
75----87 5 81 29 85
88---100 5 94 34 100
Tabla 1.2. Tabla de Frecuencia.
REPRESENTACIÓN GRÁFICA DE DATOS.
Uno de los recursos más útiles en el momento de diagramar la información que
se tiene en tablas, es usar gráficos. Existe una gama de éstos; en este capítulo se tratarán
los más usuales y sencillos. En capítulos posteriores se diseñarán los que se ajusten a la
teoría que se trate. Los diagramas que ilustraremos fueron diseñados con software para
computadoras.
DIAGRAMA PASTEL.
Destaca la información como porciones de un pastel; los datos se tienen que
transformar en frecuencias relativas porcentuales. Esto representa una ventaja; ya que se
le da un carácter de totalidad a lo que se quiere expresar.
Ejemplo 1.17. A continuación se presenta una tabla que establece la relación del
personal ocupado en una Empresa.

PERSONAL OCUPADO EN UNA EMPRESA
Mes N° de Técnicos Porcentaje de Técnicos
Enero 14 24
Febrero 10 17
Marzo 8 14
Abril 26 45
Tabla 1.3. Tabla de frecuencias
PERSONAL OCUPADO EN UNAEMPRESA
Enero
24%
Febrero
17%
Marzo
14%
Abril
45%
Gráfico 1.1. Diagrama Pastel
DIAGRAMA DE LÍNEA.
Se utiliza para representar los datos relacionados con sus respectivas frecuencias,
utilizando una línea continua. En la línea horizontal se ubican las distintas clases y en la
línea vertical sus frecuencias.

PERSONAL OCUPADO EN UNA EMPRESA
0
5
10
15
20
25
30
Enero Febrero Marzo Abril
Mes
Nro.deTécnicos
Gráfico 1.2 Diagrama de Línea.
DIAGRAMA DE BARRAS.
El uso es similar al de línea, con la diferencia de que se utilizan barras separadas.
Las barras pueden ser dibujadas en dos o tres dimensiones.
10
8
26
0
5
10
15
20
25
30
Nro.deTécnicos
Enero Febrero Marzo Abril
Mes
PERSONAL OCUPADO EN UNAEMPRESA
Gráfico 1.3. Diagrama de Barras

DIAGRAMAS DE ÁRBOL.
Estos diagramas son utilizados con frecuencia cuando en un proceso, la
escogencia de algún elemento produce nuevas alternativas. Se construye, uniendo, a
través de segmentos, elementos que se relacionan.
Ejemplo 1.18. El ejemplo siguiente se relaciona con el proceso de escogencia, en varios
pasos, de artículos defectuosos (D) y no defectuosos (N).
SELECCIÓN DE ARTÍCULOS EN UN PROCESO
D
N
D
N
D
N
{D,D}
{D,N}
{N,D}
{N,N}
Gráfico 1.4. Diagrama de Árbol
HISTOGRAMA.
Este tipo de diagrama es similar al de barras, pero difiere de éste, en que las
barras están unidas y se utiliza para representar información tabulada en tablas de
distribución de frecuencias. En la línea horizontal se ubica cada marca de clase, en el
punto medio de la base de su respectivo rectángulo; y en la línea vertical la frecuencia.
Ejemplo 1.19. El Promedio de lesiones ocurridas en 50 empresas esta dado por:
PROMEDIO DE LESIONES OCURRIDAS EN UNA EMPRESA
N° Promedio. de Lesiones por millar de
Horas – Hombre
N°. de Empresas Promedio en cada
intervalo
1,5---------1,7 20 1,6
1,8--------2,0 13 1,9
2,1--------2,3 10 2,2
2,4--------2,6 40 2,5
Tabla 1.4. Tabla de Frecuencia

1,6 20
1,9 13
2,2 10
2,5 40
PROMEDIO DE LESIONES OCURRIDAS EN 50 EMPRESAS
0
10
20
30
40
50
1,6 1,9 2,2 2,5
Nro Prom. de Lesionespor millar de Horas-Hombre
Nro.deEmpresas
Gráfico 1.5. Histograma
POLÍGONO DE FRECUENCIA.
Este diagrama tiene el mismo uso que el histograma, con la diferencia que se
utilizan líneas continuas para unir los puntos, estos puntos son la intersección de las
marcas de clase con las respectivas frecuencias.
1,4 0
1,6 20
1,9 13
2,2 10
2,5 40
2,7 0
PROMEDIO DE LESIONES OCURRIDAS EN 50 EMPRESAS
0
5
10
15
20
25
30
35
40
45
1,4 1,6 1,9 2,2 2,5 2,7
Nro prom. de Lesionespor millar de Horas-Hombre
NrodeEmpresas
Gráfico.1.6. Polígono de Frecuencia

DIAGRAMAS DE PUNTOS.
El diagrama de puntos tiene semejanza con el polígono de frecuencia, en cuanto
a correlacionar variables. El punto representa la intersección de un valor particular, de
una de las variables, relacionado con el valor de la otra variable.
Ejemplo 1.20. Al fabricar cierto tipo de recipiente donde se relaciona la variación de
presión de aire, con la resistencia de las paredes de éste, se obtuvieron los siguientes
resultados.
RELACIÓN ENTRE PRESIÓN DE AIRE Y LA RESISTENCIA
DE LAS PAREDES DE UN RECIPIENTE.
Presión del aire (kg/cm2
) Ancho de la pared (mm)
8,1 4,61
8,4 4,42
8,9 3,24
9,2 2,10
9,6 1,64
Tabla 1.5. Tabla de Frecuencia
Gráfico 1.7. Diagrama de puntos
DIAGRAMAS DE PARETO.
Los problemas que se presentan en un proceso, por lo general, dependen de la
combinación de pocos elementos principales y muchos secundarios. Si se pueden
controlar estos elementos principales, se puede reducir la frecuencia en que ocurren. El
diagrama de Pareto, puede representar ordenadamente cada tipo de falla o defecto que se

produce en un proceso, de acuerdo con su frecuencia; lo cual ayuda al Ingeniero a
detectar defectos y las causas que lo produzca.
Ejemplo 1.21. Representemos el problema siguiente a través de un diagrama de Pareto.
Las piezas elaboradas por un Torno controlado por una computadora, está saliendo fuera
de especificaciones, los operarios registraron las causas y sus frecuencias:
Controlador inestable 24
Error del operador 15
Fluctuación de corriente 7
Herramientas gastadas no cambiadas 6
Otros 3
El diagrama de Pareto se representa a continuación las causas de un defecto de
fabricación con la frecuencia en que ocurren.
Gráfico 1.8 Diagrama de Pareto.
Ejemplo 1.22. Una vez que se ha obtenido la información anterior, se calculó la
desviación de la velocidad de corte con respecto al valor deseado, ajustado por el

controlador. Dando los resultados: 4, 8, -3, 5, 7, 6, 4. Estos valores se representan en el
siguiente diagrama de puntos.
DESVIACIÓN DE LA VELOCIDAD DE CORTE CON RESPECTO AL VALOR
DESEADO Y AJUSTADO POR EL CONTROLADOR
Gráfico 1.9. Diagrama de puntos.
Observación 1.1.
En este último ejemplo se observa que el diagrama de Pareto puede ser
complementado con otros diagramas, como el de puntos, para visualizar la información
que se tiene.
Sugerencias para la elaboración de un diagrama de Pareto.
• Establezca el problema a investigar. Ejemplo: Objeto defectuoso.
• Qué datos necesita y cómo clasificarlos. Ejemplo: tipo de defecto.
• Establezca el método de recolección de los datos. Diseñe una tabla de
representación de datos. En esta tabla liste los totales individuales, los totales
acumulados y los porcentajes acumulados. Organice los datos por orden de
cantidad.
• El ítems “otros” debe ubicarse en el último renglón. No es conveniente que
“otros” represente un porcentaje de los más altos. Si esto ocurre debe
reclasificar.
Ejemplo 1.23. En un proceso se recolectaron los datos referentes a los defectos en
cuanto a: Fractura, Rayado, Mancha, Tensión, Rajadura, Burbuja y otros.
-4 -2 0 2 4 6 8

DESCRIPCIÓN DE DEFECTOS EN LA FABRICACIÓN DE UN ARTÍCULO.
Tipo de Defecto N ° de Defecto Total Acumulado Porcentaje Acumulado
Tensión 104 104 52
Rayado 40 144 72
Burbuja 20 164 82
Fractura 15 179 89
Mancha 12 191 96
Otros 9 200 100
Tabla 1.6. Tabla de Frecuencia.
Gráfico 1.10 Diagrama de Pareto.

PROBLEMAS PROPUESTOS
1. Elaborar una tabla de distribución de Frecuencia. Los Datos representan las
mediciones de la resistencia a la ruptura (en Onzas) de una muestra de hilos de
cáñamo.
43,6 36,8 15,2 25,0 37,5 33,5 34,6 65,1 38,6 54,9 25,9
45,8 34,7 23,5 44,7 56,8 45,7 56,8 34,8 23,6 56,9 23,5
23,6 26,9 45,8 34,9 54,9 23,7 35,8 56,8 37,9 56,8 45,8
34,9 34,7 59,9 61,0 42,4 57,8 60,8 28,0 26,0 50,8 34,8
2. Elaborar una tabla de distribución de Frecuencia. En un estudio de tres semanas
sobre la productividad de los trabajadores, se recolectó la siguiente información
sobre el número de piezas aceptables que produjeron un grupo de empleados.
56 67 89 23 78 55 56 78 34 89 23
56 34 56 78 98 23 56 78 54 45 78
56 34 58 78 98 89 67 60 20 45 26
45 78 89 45 67 89 78 90 34 67 34
45 90 56 70 56 23 78 56 79 57 24
45 76 98 45 28 44 45 56 87
3. Los datos de la siguiente tabla representan el rendimiento de gasolina en 30 viajes de
los automóviles de una compañía de transporte.

RENDIMIENTO DE 30 VIAJES DE LOS AUTOMÓVILES
DE UNA COMPAÑÍA DE TRANSPORTE.
Kilómetros por Litro N° de Viajes
10,0------12,0 6
12,1------14,1 7
14,2------16,2 12
16,3------18,3 4
18,4------20,4 2
20,5------22,5 3
Elaborar un histograma y un polígono de frecuencia.
4. En una prueba de la elasticidad de 40 vigas formadas por láminas con adhesivo, se
obtuvieron los siguientes valores de su constante elástica (en MN/m), los cuales se
representan en la siguiente tabla:
ELASTICIDAD DE 40 VIGAS FORMADAS POR LÁMINAS ADHESIVAS.
Valores de la constante elástica N° de vigas
6,61-------6,65 9
6,66-------6,70 10
6,71-------6,75 6
6,76-------6,80 12
6,81-------6,85 3
Elaborar un histograma y un polígono de frecuencia.
5. Los datos siguientes representan la fabricación de varios tipos de tubos plásticos en
una compañía.

FABRICACIÓN DE TUBOS PLÁSTICOS SEGÚN SU TIPO.
Tipo de Tubo Cantidad Producida
A 28
B 34
C 12
D 3
Elaborar un diagrama Pastel, uno de Barras y uno de Línea.
6. Los empleados de una empresa manufacturera fueron clasificados según la cantidad
de sujetos, con lo cual se elaboró la siguiente tabla.
CLASIFICACIÓN DE LOS EMPLEADOS EN UNA EMPRESA MANUFACTURERA
Tipo de Empleado Cantidad
Gerente 2
Administrativos 8
Obreros 20
Mensajeros 1
Vigilantes 4
Elaborar un diagrama Pastel, uno de Barras y uno de Línea.
7. Con las mediciones de los puntos de ebullición de un compuesto de silicio(en
grados Celsius), que se presentan a continuación, elabórese un diagrama de puntos
135 150 158 171
135 178 146
8. Los recipientes que contienen las reacciones en algunas plantas nucleares, consisten
en dos componentes soldados entre sí. El cobre en las soldaduras podría hacer que se

volvieran frágiles después de años de servicio. Las muestras del material de
soldadura de una colada que se usó en una planta, tuvo contenidos de cobre de:
0,27 0,34
0,36
Las muestras de la siguiente colada tuvieron valores de:
0,24 0,10 0,30
0,26 0,22 0,27
Elabórese un diagrama de puntos, que muestre las diferencias posibles en las dos
corrientes de producción del material de soldadura.
9. Los accidentes en una empresa, que se dedica a la fabricación de Correas para
Damas, se clasificaron de acuerdo con la zona del daño en:
Dedos 16
0jos 6
Brazos 3
Piernas 1
Elaborar un diagrama de Pareto.
10. Los daños en una fábrica del papel, (en miles de Bolívares), debidos a la ruptura de
la hoja se pueden dividir de acuerdo con el producto:
Papel higiénico 123
Toallas 76
Servilletas 34
Otros productos
Elaborar un diagrama de Pareto.
11. En el diagrama del ejercicio 9, incluir la frecuencia porcentual acumulada.
12. En diagrama del ejercicio 10, incluir la frecuencia porcentual acumulada.

CAPÍTULO 2
MEDIDAS DESCRIPTIVAS
Las medidas de tendencia central, de dispersión y de posición, son de relevante
importancia en el momento de realizar estudios estadísticos. Las medidas de tendencia
central son utilizadas para localizar el centro de un grupo de datos. La dispersión
evalúa la separación o apartamiento de las medidas de los datos, respecto al centro.
Las medidas de posición ubican un elemento en un grupo de datos respecto a otro. En
este capítulo se estudiarán estas medidas para datos agrupados y no agrupados en
intervalo de frecuencia.
MEDIDAS DE TENDENCIA CENTRAL.
Cada medida de tendencia central proporciona un valor numérico, el cual es el
más representativo de los datos, es decir, el estudio de la tendencia generalizada de que
los datos se agrupen en su mayoría alrededor de un valor calculado. Entre las medidas de
tendencia central están la media aritmética, la mediana y la moda. Se debe hacer notar
que el valor de la medida de tendencia central calculado, no necesariamente coincide con
uno de los valores de los datos que se tienen. En este capítulo se estudiará la media
aritmética y la mediana.
DEFINICIÓN 2.1. Media Aritmética.
Si los datos no están agrupados en intervalos de frecuencia, la media aritmética
se define como la suma de las medidas de los datos entre el número de datos. En el caso
de que los datos estén agrupados en intervalos de frecuencia, la media aritmética se
define como el producto de cada frecuencia por su respectiva marca de clase, entre la
suma de las frecuencias. Si la media aritmética es un parámetro se denota por la letra
griega µ, y si es un estadístico por la letra x .

Caso 1: Media aritmética para datos no agrupados en intervalos de frecuencia.
El procedimiento que se debe utilizar es el siguiente:
• Se establece la cantidad de datos (n para muestra y N para población) con los
cuales se va a calcular la media o promedio.
• Se suman los valores numéricos de los datos.
• Se divide la suma entre la cantidad de datos; obteniendo así la media o
promedio aritmético.
Si la media es un parámetro µ, dado el conjunto N de datos Nxxx ,,, 21 K , entonces:
ߤ =
∑ ‫ݔ‬௜
ே
௜ୀଵ
ܰ
Si la media es un estadístico x , dado el conjunto n de datos nxxx ,,, 21 K , entonces:
‫̅ݔ‬ =
∑ ‫ݔ‬௜
௡
௜ୀଵ
݊
pequeña empresa (BANFRE) está dada por:
56 24 67 98 70 78 99 67 58
98 78 69 38 67 60 56 56 57
98 56 87 34 23 38 68 36
78 45 56 48 56 100 40 87
Calcular la media aritmética de la producción de bandas para frenos. Exprese los
resultados como parámetro y como estadístico.
Solución:
En el caso que la media fuese un parámetro.
ܰ = 34

෍ ‫ݔ‬௜
ଷସ
௜ୀଵ
= 2146
ߤ =
2146
34
= 63,12
En el caso que la media fuese un estadístico.
݊ = 34
෍ ‫ݔ‬௜
ଷସ
௜ୀଵ
= 2146
‫̅ݔ‬ =
2146
34
= 63,12
Este resultado se puede interpretar como que el promedio o media de la producción es de
63,12 pares de bandas. Es de resaltar que el resultado no es entero, como los datos
iniciales; ya que la media es un valor central y no necesariamente debe ser un valor de
los que se tienen en los datos.
Caso 2: Media aritmética para datos agrupados en intervalos de frecuencias:
El procedimiento que se debe utilizar es el siguiente:
• Se suman las frecuencias.
• Se multiplica cada marca clase con sus respectivas frecuencias, y se halla la
suma total. Luego se divide esta suma entre la suma de las frecuencias;
obteniendo así la media o promedio aritmético.
Si la media es un parámetro µ, donde ܰ = ∑ ݂௜
௞
௜ୀଵ la suma de las frecuencias y xi para
i=1, 2,..., k; las i-ésimas marcas de clase, entonces:
ߤ =
∑ ݂௜‫ݔ‬௜
௞
௜ୀଵ
ܰ
Si la media es un estadístico x , donde ∑=
=
k
i
ifn
1
la suma de las frecuencias y xi para
i=1, 2,..., k; las i-ésimas marcas de clase. Entonces:

‫̅ݔ‬ =
∑ ݂௜‫ݔ‬௜
௞
௜ୀଵ
݊
pequeña empresa (BANFRE) está dada por la siguiente tabla de distribución de
frecuencias.
Nº de Bandas fi
23-----35 3
36-----48 6
49-----61 10
62-----74 5
75-----87 5
88----100 5
Calcular la media aritmética de la producción de bandas para frenos. Exprese los
resultados como parámetro y como estadístico.
Solución:
Se calcula la suma de las frecuencias y la suma de los productos de las frecuencias por
las marcas de clase.
Nº de Bandas fi xi fi.xi
23-------35 3 29 87
36-------48 6 42 252
49-------61 10 55 550
62-------74 5 68 340
75-------87 5 81 405
88-----100 5 94 470
Suma 34 2104
En el caso que la media fuese un parámetro.
ܰ = 34
෍ ݂௜‫ݔ‬௜ = 2104
଺
௜ୀଵ
ߤ =
ଶଵ଴ସ
ଷସ
= 61,88

En el caso que la media fuese un estadístico.
݊ = 34
෍ ݂௜‫ݔ‬௜ = 2104
଺
௜ୀଵ
‫̅ݔ‬ =
ଶଵ଴ସ
ଷସ
= 61,88
Observación 2.1.
Este resultado difiere del calculado en el ejemplo 2.1, ya que aquí se utilizan las
marcas de clases y no los valores originales.
DEFINICIÓN 2.2. Mediana.
Se define como el valor que se encuentra en el punto medio o centro de un grupo
de datos ordenados de una manera creciente.
Observación 2.2
La mediana así como la media aritmética, proporciona un valor de tendencia
central, el cual puede coincidir o no con el de la media aritmética. En la práctica es
preferible trabajar con la media aritmética.
Caso 1: Mediana para datos no agrupados en intervalos de frecuencia.
Para calcular la mediana se procede de la siguiente manera:
• Se ordenan los números de forma creciente.
• La mediana es el valor medio o el promedio de los valores medios.
Ejemplo 2.3. Calcule la mediana de los datos del ejemplo 2.1.
Solución:
Ordenando los datos de manera creciente, se tiene:

23 24 34 36 38 38 40 45 48
56 56 56 56 56 56 57 58 60
67 67 67 68 69 70 78 78 78
87 87 98 98 98 99 100
Ya que hay 34 datos, la mediana está entre la posición 17 y 18; es decir el valor medio
entre 58 y 60. Por lo tanto, la mediana es el promedio de estos valores:
‫݀݁ܯ‬ =
58 + 60
2
= 59
Caso 2: Mediana para datos agrupados en intervalos de clase.
Para calcular la mediana se procede de la siguiente manera:
• Se identifica la clase mediana (esta clase contiene la mediana), la cual es la
primera cuya frecuencia acumulada iguala o excede la mitad del total de
datos. Para ubicar la clase mediana se puede utilizar la siguiente fórmula
ܰú݉݁‫݋ݐܽ݀ ݁݀ ݋ݎ‬ =
݊
2
• Para calcular la mediana se usa la fórmula.
‫݀݁ܯ‬ = ‫݅ݎܮ‬ + ቎
݊
2
− ݂ܽ‫ܣ‬
݂ܿ
቏ ݅
c: clase mediana.
Lri: Límite real inferior de la clase mediana.
n: Total de datos en caso de que sea una muestra y N: en caso de población
faA: Frecuencia acumulada de la clase que precede a la clase que contiene la mediana.
fc: Frecuencia en la clase mediana.
i: Tamaño del intervalo de clase.

Ejemplo 2.4. Calcular la mediana, utilizando la información del problema 2.2.
Solución
Para identificar la clase mediana calculemos
ܰú݉݁‫݋ݐܽ݀ ݁݀ ݋ݎ‬ =
34
2
= 17
Observando la columna de la frecuencia acumulada, el intervalo (49----61) contiene los
datos del 10 al 19. Por lo tanto la clase mediana se ubica en esta línea
Nº de Bandas fi fa
23-----35 3 3
36-----48 6 9
49-----61 10 19
62-----74 5 24
75-----87 5 29
88----100 5 34
Sustituyendo los siguientes valores en la fórmula se tiene:
Lri n faA fc i= = = + = = =48 5 34 3 6 9 10 13,
‫݀݁ܯ‬ = 48,5 + ቎
34
2
− 9
10
቏ 13 = 58,9
Observación 2.3. En los ejemplos anteriores se observa que la media aritmética difiere
de la mediana. Esto es importante, ya que pueden ocurrir tres situaciones:
• Si la mediana es mayor que la media, hay mayor cantidad de datos
superiores a la media que inferiores a ella.

• Si la mediana es menor que la media, hay mayor cantidad de datos inferiores
a la media que superiores a ella.
• Si la mediana coincide con la media, los datos están distribuidos
equitativamente a ambos lados de la media.
MEDIDAS DE DISPERSIÓN.
Las medidas de tendencia central sirven para ubicar el centro de un grupo de
datos; pero no dicen cómo se reparten o dispersan los datos a uno y otro lado del centro.
Esta última característica se denomina dispersión.
Si la dispersión es poca, indica gran uniformidad entre los valores; una gran
dispersión indica poca uniformidad; y una ausencia de dispersión es señal de
uniformidad completa, lo cual quiere decir que los datos tienen el mismo valor.
Entre las medidas de dispersión se encuentran: el rango, la desviación media, la
varianza y la desviación estándar. En este libro, se estudiarán las dos últimas.
DEFINICIÓN 2.3. Varianza y Desviación Estándar.
Se definen como los valores que determinan la dispersión o separación de las
medidas de los datos, respecto a un valor central. Si la varianza y la desviación estándar
son parámetros se denotaran por las letras griegas ߪଶ
y σ respectivamente; y si son
estadísticos por las letras s 2
y s respectivamente.
Caso 1 Varianza y desviación estándar para datos no agrupados en intervalos de
frecuencia.
Para calcular la varianza y la desviación estándar se procede de la siguiente
manera:
• Se calcula la media aritmética.
• Se eleva al cuadrado cada valor numérico y se calcula la suma total.
• Se usa una de las fórmulas siguientes, de acuerdo al caso.
Si se trata de un parámetro, entonces:

ܸܽ‫ߪ ܽݖ݊ܽ݅ݎ‬ଶ
=
(∑ ‫ݔ‬௜
ଶ௡
௜ୀଵ ) − ܰߤଶ
ܰ
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ߪ ݎ‬ = ඥߪଶ
Si se trata de un estadístico, entonces:
ܸܽ‫ݏ ܽݖ݊ܽ݅ݎ‬ଶ
=
(∑ ‫ݔ‬௜
ଶ௡
௜ୀଵ ) − ݊ߤଶ
݊ − 1
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ݏ ݎ‬ = ඥ‫ݏ‬ଶ
Ejemplo 2.5. Utilizando la información del ejemplo 2.1, calcular la varianza y la
desviación estándar, en los casos que sean parámetros o estadísticos.
Solución:
Del ejemplo 2.1 la media aritmética es µ = x = 63,12. El total de datos N=n=34.
La suma de los valores al cuadrado está dada por.
෍ ‫ݔ‬ଶ
= (56)ଶ
+ (24)ଶ
+ ⋯ + (87)ଶ
= 151158
En el caso de parámetros
=
(151158) − 34(63,12)ଶ
34
= 461,82
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ߪ ݎ‬ = ඥ461,82 = 21,49
=
(151158) − 34(63,12)ଶ
34 − 1
= 476,11
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ݏ ݎ‬ = ඥ476,11 = 21,82

Observación 2.4.
La Media Aritmética, la Varianza y la Desviación Estándar, para datos no
agrupados por intervalos, se pueden calcular usando una calculadora de bolsillo; con lo
cual se puede ahorrar tiempo y esfuerzo.
Caso 2. Varianza y Desviación Estándar para datos agrupados en intervalos de clase.
Para calcular la Varianza y la Desviación Estándar se procede de la siguiente
manera:
• Se calcula la Media Aritmética.
• Se eleva al cuadrado cada marca de clase y se multiplica por la respectiva
frecuencia, y se calcula la suma total.
• Se usa de las fórmulas siguientes, de acuerdo al caso.
Si se trata de un parámetro.
=
(∑ ݂௜‫ݔ‬௜
ଶ௡
௜ୀଵ ) − ܰߤଶ
ܰ
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ߪ ݎ‬ = ඥߪଶ
=
(∑ ݂௜‫ݔ‬௜
ଶ௡
௜ୀଵ ) − ݊ߤଶ
݊ − 1
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ݏ ݎ‬ = ඥ‫ݏ‬ଶ
.
Observación 2.4. Puede existen diferencia entre el valor de la varianza y la desviación
estándar, cuando se trata de un parámetro o un estadístico; a medida que se aumente el
número de datos esta diferencia se minimiza.

Ejemplo 2.3. Utilizando la información del ejemplo 2.2, calcular la varianza y la
desviación estándar, en los casos que sean parámetros o estadísticos.
Solución:
Nº de Bandas fi Xi fi.Xi
2
23-----35 3 29 2523
36-----48 6 42 10584
49-----61 10 55 30250
62---- 74 5 68 23120
75-----87 5 81 32805
88----100 5 94 44180
Suma 34 143462
Si se trata de un parámetro, entonces:
=
143462 − 34(61,88)ଶ
34
= 390,34
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ߪ ݎ‬ = ඥ390,34 = 19,76
=
143462 − 34(61,88)ଶ
34 − 1
= 402,16
‫݅ܿܽ݅ݒݏ݁ܦ‬ó݊ ݁‫ݐݏ‬á݊݀ܽ‫ݏ ݎ‬ = ඥ402,16 = 20,05
MEDIDAS DE POSICIÓN.
Estas medidas determinan la posición que ocupa un dato, al ser comparado con el
resto. Esto permite determinar qué porcentaje de datos se encuentran por debajo y por
encima, de uno en particular. Entre las medidas de posición se tienen los deciles,
cuartiles, percentiles y rango percentil. En este libro se estudiarán los dos últimos, para
datos agrupados en intervalos de frecuencia.
DEFINICIÓN 2.4. Percentiles.
El percentil Px es un valor tal que p% de las medidas son menores que ese valor
calculado, y (100-p)% son mayores.

Observación 2.5.
Si los datos están representados en una tabla de distribución de frecuencias. Los
percentiles dividen en 100 partes iguales la distribución de frecuencia. Los percentiles
son 99 y se denotan por P P P1 2 99, , ,K . El Percentil 25, o equivalentemente P25, establece
que el 25% de las observaciones están por debajo de un dato. El percentil 50 es la
mediana.
El percentil para datos agrupados en intervalos de clase.
Se calcula con el siguiente procedimiento.
• Se identifica la clase del percentil. Para ubicar esta clase, se puede utilizar la
fórmula
ܰú݉݁‫݋ݐܽ݀ ݁݀ ݋ݎ‬ =
௡௫
ଵ଴଴
• Para calcular el percentil se usa la fórmula.
ܲ௫ = ‫݅ݎܮ‬ + ቎
݊‫ݔ‬
100 − ݂ܽ‫ܣ‬
݂ܿ
቏ ݅
c: clase mediana.
Lri: Límite real inferior de la clase del percentil.
n: Total de datos en caso de que sea una muestra y N: en caso de población.
faA: Frecuencia acumulada de la clase que precede a la clase que contiene el percentil.
fc: Frecuencia en la clase del percentil.
i: Tamaño del intervalo de clase.
Ejemplo 2.4. Utilizando la información del ejemplo 2.2, calcule el percentil 50 y el
percentil 45.

Solución:
Percentil 50.
Para determinar la clase del percentil 50, sabiendo que n=34 y x=50, se tiene que:
ܰú݉݁‫݋ݐܽ݀ ݁݀ ݋ݎ‬ =
34,50
100
= 17
La clase mediana está ubicada en el intervalo (49----61), que contiene los datos del 10 al
19.
Nº de Bandas fi Fa
23----35 3 3
36----48 6 9
49----61 10 19
62----74 5 24
75----87 5 29
88---100 5 34
Los elementos necesarios para aplicar la fórmula son:
‫݅ݎܮ‬ = 48,5 ݊ = 34 ݂ܽ‫ܣ‬ = 3 + 6 = 9 ݂ܿ = 10 ݅ = 13
Sustituyendo
ܲହ଴ = 48,5 + ቎
(34)(50)
100
− 9
10
቏ 13 = 58,9
El percentil 50 igual a 58,9, significa que el 50% de los datos se encuentran por debajo
de 58,9. Esto equivale a que el 50% de las bandas producidas están por debajo de 58,9
pares de bandas.
Percentil 45.
Para determinar la clase del percentil 45, sabiendo que n=34 y x=45, se tiene que:

ܰú݉݁‫݋ݐܽ݀ ݁݀ ݋ݎ‬ =
34,45
100
= 15,3 ≈ 15
La clase mediana está ubicada en el intervalo (49----61), que contiene los datos del 10 al
19.
Para determinar la clase del percentil, sabiendo que x=45 y n=34, de tal manera que
esta clase se ubica en el dato 15,3 = (34.45/100). Este está en el intervalo (49---61), que
contiene los datos del 10 al 19. Los elementos necesarios para aplicar la fórmula son:
‫݅ݎܮ‬ = 48,5 ݊ = 34 ݂ܽ‫ܣ‬ = 3 + 6 = 9 ݂ܿ = 10 ݅ = 13
ܲସହ = 48,5 + ቎
(34)(45)
100
− 9
10
቏ 13 = 56,69
El percentil 45 igual a 56,69, significa que el 45% de bandas producidas se encuentran
por debajo de 56,69 pares de bandas.
DEFINICIÓN 2.5. Rango Percentil.
El Rango percentil Rpx es el porcentaje de las medidas que son menores que un
valor dado.
Observación 2.6.
Esta medida de posición proporciona una interpretación similar al del percentil;
con la diferencia que se calcula es el porcentaje de observaciones que hay por debajo de
un dato dado.
El rango percentil, se calcula con el siguiente procedimiento:
• Ya que el objetivo es calcular el porcentaje de valores que están por debajo
de uno en particular, se ubica este valor en el respectivo intervalo; obteniendo
así los elementos necesarios para aplicar la fórmula respectiva.

• Para calcular el rango percentil se usa la fórmula
ܴ‫݌‬௫ = ቈ
ቀ
ೣషಽೝ೔
೔
ቁ௙௖ା௙௔஺
௡
቉ 100
Ejemplo 2.5. Utilizando la información del ejemplo 2.4, calcular el rango percentil
correspondiente al número 58,9, o equivalentemente Rp58,9.
Solución:
Ubiquemos el valor 58,9 en los intervalos de frecuencia, que se encuentran en la tabla,
éste está en el intervalo (49----61). Los elementos para el uso de fórmula del cálculo del
rango percentil son:
‫݅ݎܮ‬ = 48,5 ݊ = 34 ݂ܽ‫ܣ‬ = 3 + 6 = 9 ݂ܿ = 10 ݅ = 13
ܴ‫݌‬ହ଼,ଽ = ቈ
ቀ
ఱఴ,వషరఴ,ఱ
భయ
ቁଵ଴ାଽ
ଷସ
቉ 100 = 50%
El rango percentil del número 58,9 igual al 50%, esto significa que se produce el 50% de
bandas por debajo de 58,9 pares de bandas.
1. Los datos representan las mediciones de la resistencia a la ruptura (en Onzas) de una
muestra de hilos de cáñamo:
43,6 36,8 15,2 25,0 37,5 33,5 34,6 65,1 38,6 54,9 25,9
45,8 34,7 23,5 44,7 56,8 45,7 56,8 34,8 23,6 56,9 23,5
23,6 26,9 45,8 34,9 54,9 23,7 35,8 56,8 37,9 56,8 45,8
34,9 34,7 59,9 61,0 42,4 57,8 60,8 28,0 26,0 50,8 34,8

Halle:
a. La media aritmética
b. La mediana.
c. La varianza y la desviación estándar, si se consideran los datos como medidas de
una población.
d. La varianza y la desviación estándar, si se consideran los datos como medidas de
una muestra.
2. En un estudio de tres semanas sobre la productividad de los trabajadores, se
recolectó la siguiente información sobre el número de piezas aceptables que
produjeron un grupo de empleados.
56 34 58 45 55 56 60 34 23 90 78
56 34 89 78 23 67 90 89 78 56 56
56 78 23 98 89 78 34 45 26 70 79
45 89 78 98 89 78 54 45 34 56 57
67 56 78 67 56 78 20 67 45 23 24
45 76 98 45 28 44 45 56 87
Halle:
a La media aritmética
b La mediana.
c La varianza y la desviación estándar, si se consideran los datos como medidas de
una población.
d La varianza y la desviación estándar, si se consideran los datos como medidas de
una muestra.
4. Los datos de la siguiente tabla representan el rendimiento de gasolina en 30 viajes de
los automóviles de una compañía de transporte.

DE UNA COMPAÑÍA DE TRANSPORTE.
Kilómetros por Litro N° de Viajes
10,0-----12,0 6
12,1-----14,1 7
14,2-----16,2 12
16,3-----18,3 4
18,4-----20,4 2
Halle:
b La mediana.
una población.
una muestra.
e Los percentiles P P P50 30 75, , .
f El rango percentil Rp13 8, .
5. En una prueba de la elasticidad de 40 vigas formadas por láminas con adhesivo, se
obtuvieron los siguientes valores de su constante elástica (en MN/m), los cuales se
representan en la siguiente tabla:
ELASTICIDAD DE 40 VIGAS FORMADAS POR LÁMINAS ADHESIVAS.
Valores de la constante elástica N° de vigas
6,61-----6,65 9
6,66-----6,70 10
6,71-----6,75 6
6,76-----6,80 12
6,81-----6,85 3

Halle:
b La mediana.
una población.
una muestra.
e P P P5 0 4 0 6 1, ,
f Rp7 2,

CAPÍTULO 3
PROBABILIDADES
Es común que las personas se refieran a las probabilidades para indicar la
posibilidad de ocurrencia de un evento futuro. Esta interpretación puede considerarse
aceptable, pero no clarifica de forma explícita de cómo se mide y de qué manera se
utilizan las probabilidades para hacer inferencias. Las probabilidades son de gran
utilidad cuando se opera con problemas físicos que generan observaciones, las cuales
no son factibles predecir con exactitud. Por ejemplo, el número de artículos defectuosos
en un proceso de la fabricación de tubos plásticos. Los eventos que poseen estas
propiedades se denominan eventos aleatorios.
En este capítulo se hará un enfoque de estas dos alternativas, así como también
la teoría básica de las probabilidades.
DEFINICIÓN 3.1. Experimento.
Es el proceso a través del cual se obtienen observaciones.
Ejemplo 3.1. Considere el experimento siguiente: en una empresa existe una grúa que
tiene un sistema de guayas, las cuales requieren ser reemplazadas cada cierto tiempo de
uso. Para probar si se debe cambiar, se somete el sistema a una tensión exagerada, si se
rompen 2 o más hilos, se dice que la guaya no sobrevive y por lo tanto debe ser
reemplazada. Se sabe por experiencia, que en cada tensión exagerada, se rompe a lo más
un hilo y que la probabilidad de que se rompan más de uno es despreciable

DEFINICIÓN 3.2. Espacio Muestral.
Es el conjunto de todos los posibles resultados de un experimento estadístico. El
espacio muestral suele denotarse por la letra S. Los elementos del espacio muestral, se
denominan puntos muestrales.
DEFINICIÓN 3.3. Espacio Muestral Discreto.
Es un espacio muestral que contiene un número finito o numerablemente infinito
de puntos muestrales.
Ejemplo 3.2. En el ejemplo 3.1, el espacio muestral es discreto finito. Para definir este
espacio muestral elaboraremos un diagrama de árbol. Codifiquemos como cero (0) si no
se rompe algún hilo y uno (1) si se rompe un hilo (ver gráfico 3.1).
S={{0,0,0},{0,0,1},{0,1,0},{0,1,1},{1,0,0},{1,0,1},{1,1,0},{1,1,1}}.
Como puede observarse existen 8 puntos muestrales en este experimento.
0
1
0
1
0
1
0
1
0
1
0
1
0
1
{ 0,0,0}
{ 0,0,1}
{ 0,1,0}
{ 0,1,1}
{1,0,0}
{1,0,1}
{1,1,0}
{1,1,1}
R ESU LTA DO S D E LA SOB R EVIVEN C IA D E LA
G UA YA D E UN A G RU A
Gráfico 3.1.Espacio muestral.
Ejemplo 3.3. Supóngase el experimento que consiste en el registro del número de
automóviles que le suministran gasolina de un cierto octanaje, en una estación de

servicio. El espacio muestral es discreto (numerablemente infinito). El espacio muestral
se puede definir así:
S= {0, 1, 2, 3, 4, 5,6,...}.
DEFINICIÓN 3.4. Espacio Muestral Continuo.
Es un espacio muestral que contiene un número infinito de posibilidades iguales
al número de puntos que existen en un segmento de línea.
Ejemplo 3.4. Supóngase el experimento que consiste en investigar la distancia que
recorrerá un automóvil en un trayecto de prueba prescrito con 8 litros de gasolina.
DEFINICIÓN 3.5. Evento.
Es un subconjunto de un espacio muestral. Debido a esto, un evento puede estar
formado por todo el espacio muestral, parte de éste o por el conjunto vacío ∅, el cual no
contiene puntos muestrales.
Ejemplo 3.5. En el ejemplo 3.1, un evento puede estar definido por los puntos
muestrales en los cuales se rompan dos o más hilos. Este evento se puede denotar por:
A={{0,1,1},{1,1,0},{1,0,1},{1,1,1}}.
DEFINICIÓN 3.6.Complemento de un Evento.
Es el conjunto de puntos muestrales, del espacio muestral, que no están en el
evento. Si el evento lo denotamos por A, el complemento esta denotado por A’.
Ejemplo 3.6. En el ejemplo 3.5, el complemento de este evento sería definido por los
puntos muestrales en los cuales se rompan menos de dos hilos. Este evento se puede
denotar por:
A’={{0,0,0},{0,0,1},{0,1,0},{1,0,0}}.

DEFINICIÓN 3.7. Intersección de dos Eventos.
Es el evento que contiene los puntos muestrales comunes de los dos eventos. Si
denotamos por A y por B los dos eventos, entonces la intersección se denota por A∩B.
Ejemplo 3.7. Sea el evento A definido en el ejemplo 3.5 y sea el evento C definido por
los puntos muestrales de que se rompan dos hilos. Este evento se denota por:
C= {{0,1,1}, {1,0,1}, {1,1,0}}.
La intersección de estos dos eventos sería: A∩C= C.
Ejemplo 3.8. La intersección de los eventos de los ejemplos 3.5 y 3.6 sería vacía; ya
que no tienen puntos en común. Esto se denota por A∩A’=∅.
DEFINICIÓN 3.8. Eventos Mutuamente Excluyentes.
Se dice que dos o más eventos son mutuamente excluyentes si no ocurren al
mismo tiempo, y además la ocurrencia de uno de ellos impide la ocurrencia del otro. La
intersección de estos eventos es vacía.
Ejemplo 3.9. En una sala están reunidos 4 personas, que pertenecen respectivamente al
departamento de ventas, al departamento de compras, al departamento de producción y
al departamento de personal de una empresa que fabrica neumáticos para camiones.
Pertenecer a ventas, producción o personal, excluye pertenecer a compras.
DEFINICIÓN 3.9. Eventos Independientes.
Se dice que dos eventos son independientes, si la ocurrencia de uno de ellos, no
excluye la ocurrencia del otro.
Ejemplo 3.10. De los artículos producidos por una fábrica, 40% provienen de la línea 1
y el 60% de la línea 2. La escogencia al azar de artículos de cada línea, para determinar
si tienen defectos, son eventos independientes.

DEFINICIÓN 3.10. Unión de dos Eventos.
Es el evento formado por todos los puntos muestrales que pertenecen a uno, al
otro, o a ambos eventos. Si denotamos por A y B, dos eventos, la unión de ellos se
denota por A∪B.
Ejemplo 3.11. Sean los eventos A y C definidos en los ejemplos 3.5 y 3.7; la unión de
estos eventos es el evento A. Se denotan de la siguiente manera A∪C= A.
Observación 3.1. Diagramas de Venn.
Estos diagramas se utilizan para verificar relaciones que se pueden establecer
entre conjuntos. El espacio muestral está representado por un rectángulo y los eventos a
través de cualquier figura geométrica, que se dibujan dentro del rectángulo. A
continuación se ilustra un diagrama de Venn.
Gráfico 3.2. Diagramas de Venn.
Ejemplo 3.12. Veintidós automóviles se sacan de una línea de ensamblaje y se
examinan para ver si tienen defectos. Doce de los automóviles no tienen defectos, nueve
tienen defectos de acabado exterior, y cuatro tienen defectos en su ensamblaje. Sea A, el
evento formado por el conjunto de automóviles que tienen defectos de ensamblaje y sea

B el evento formado por el conjunto de automóviles que tienen defectos en el acabado
exterior. Elabore un diagrama de Venn para simbolizar:
a) El evento formado por los automóviles que tienen los dos tipos de defectos.
b) El evento formado por los automóviles que tienen por lo menos un tipo de
defectos.
c) El evento formado por los automóviles que no tienen defectos.
d) El evento formado por los automóviles que tienen exactamente un tipo de
defecto.
Solución:
Gráfico 3.3. Diagrama de Venn.
a Los automóviles con ambos tipos de defectos deben estar en A y en B; por lo
tanto, este evento se puede representar con A B∩ Como sólo 10 de los
automóviles tienen defectos; y A contiene 4 con defectos y B contiene 9 con
defectos, entonces 3 automóviles están en la intersección, es decir tienen los
dos tipos de defectos.
b Los automóviles que tienen por lo menos un tipo de defecto deben tener un
defecto de ensamblaje o un defecto de acabado. Este evento está representado
por A B∪ ; Por lo tanto existen 10 automóviles que tienen por lo menos un
tipo de defecto.

c El evento representado por los automóviles que no tienen defectos es el
complemento del evento de los que tienen defectos; es decir, ( )A B c
∪ , por lo
tanto existen 12 automóviles que no tienen defectos.
d El evento representado por los automóviles que tienen exactamente un tipo de
defecto es( ) ( )A B A B∪ − ∩ , por lo tanto existen 7 automóviles con un sólo
tipo de defecto.
CONTEO DE PUNTOS MUESTRALES.
Teorema 3.1. Regla de la Multiplicación.
Si una operación puede realizarse en n1 maneras y si para cada una de éstas se
puede efectuar una segunda operación en n2 maneras, y para cada una de las dos
primeras se puede efectuar una tercera operación en n3 formas, y así sucesivamente;
entonces la secuencia de k operaciones puede llevarse a cabo en ݊ଵ, ݊ଶ, ݊ଷ, ⋯ , ݊௞
maneras.
Ejemplo 3.13. En un estudio sobre economía de combustible, se prueba cada uno de 5
automóviles, utilizando 3 tipos de gasolina en relación con su octanaje, en 7 lugares
geográficos del país. Si se utilizan 3 conductores en el estudio y las corridas de prueba se
llevan a cabo una vez bajo cada uno de los diferentes conjuntos de condiciones ¿Cuántas
corridas de prueba se necesitan?
Solución:
Sean las siguientes designaciones:
n1=5 Automóviles n2=3 tipos de Gasolina
n3= 7 lugares n4=3 Conductores

Lo anterior expresa la manera en las cuales se pueden efectuar cada operación, por lo
tanto las corridas de prueba que se necesitan son: ݊ଵ ∙ ݊ଶ ∙ ݊ଷ ∙ ݊ସ = 5 ∙ 3 ∙ 7 ∙ 3 = 31
DEFINICIÓN 3.11. Permutación.
Es el número de arreglos diferentes en un orden específico.
DEFINICIÓN 3.12.
El número de permutaciones de n objetos distintos es
݊! = ݊(݊ − 1)(݊ − 2)(݊ − 3) ⋯ 1
Teorema 3.2.
El número de permutaciones de n objetos diferentes, tomados r a la vez es:
ܲ௡,௥ =
௡!
(௡ି௥)!
ܵ݅ ݊ = ‫,ݎ‬ ݁݊‫ܲ ݏ݁ܿ݊݋ݐ‬௡,௥ = ݊!
Ejemplo 3.14. Un mecanismo de control electrónico necesita 6 circuitos idénticos de
memoria ¿De cuántas maneras se puede armar este mecanismo, usando los seis
circuitos?
Solución:
Sea n=6 (número de circuitos); ya que son tomados los seis circuitos a la vez, se trata de
una permutación, donde n= r. Por tanto, la cantidad de maneras en que puede armarse el
mecanismo es:
ܲ଺,଺ = 6! = 720
Ejemplo 3.15. En relación con ejemplo 3.14. Supóngase que los circuitos son tomados
dos a la vez ¿De cuántas maneras puede ser armado el mecanismo?
ܲ଺,ଶ =
଺!
(଺ିଶ)!
= 30

Teorema 3.3.
El número de permutaciones diferentes de n objetos, de los cuales n1 son de una
clase, n2 de una segunda clase, ... , nk de una k- ésima clase, es:
ቀ
݊
݊ଵ, ݊ଶ, ⋯ , ݊௞
ቁ =
݊!
݊ଵ! ∙ ݊ଶ! ∙ ݊ଷ! ⋯ ݊௞!
Ejemplo 3.16. Se necesitan instalar 5 bombillos de 45 vatios, 8 bombillos de 60 vatios y
4 bombillos de 100 vatios ¿De cuántas maneras se pueden colocar en una instalación en
serie?
Solución:
El total de objetos es n=17 bombillos discriminados en:
n1=5 bombillos de 45 vatios.
El número total de arreglos distintos es:
17!
5! ∙ 8! ∙ 4!
= 3063060
DEFINICIÓN 3.13. Combinación.
Es el número de arreglos distintos en el cual no se especifica el orden o
colocación de los elementos.
Teorema 3.4.
El número de combinaciones de n objetos distintos tomados r a la vez es:
ቀ
݊
‫ݎ‬
ቁ =
݊!
‫!ݎ‬ (݊ − ‫ݎ‬)!

Ejemplo 3.17. En una empresa se necesita elegir 5 obreros de un grupo de 24 obreros
¿De cuántas maneras diferentes se puede elegir el grupo de obreros?
Solución:
Este ejemplo representa una combinación, ya que los grupos formados por los mismos
obreros, no importando el orden en que se escogieron, representan el mismo grupo.
Se tiene n=24 obreros; de los cuales se van a tomar r=5.
El total de maneras diferentes es:
ቀ
24
5
ቁ =
24!
5! (24 − 5)!
= 42504
PROBABILIDAD DE UN EVENTO.
DEFINICIÓN 3.14.
Supóngase que un espacio muestral S está asociado con un experimento. A cada
evento A definido en S, se le asigna un número, P(A), denominado probabilidad de A, de
tal manera que se cumplen los axiomas siguientes:
‫0 :1 ܽ݉݋݅ݔܣ‬ ≤ ܲ(‫)ܣ‬ ≤ 1
‫ܲ :2 ܽ݉݋݅ݔܣ‬(∅) = 0
‫ܲ :3 ܽ݉݋݅ݔܣ‬(ܵ) = 1
DEFINICIÓN 3.15.
Si un experimento puede dar como resultado cualquiera de N resultados
diferentes igualmente probables, y si exactamente n de estos resultados corresponde al
evento A, entonces la probabilidad del evento A es:
ܲ(‫ܣ‬) =
݊
ܰ

Observación 3.2.
Aunque el valor calculado de una probabilidad se encuentra en el intervalo [0,1],
también suele interpretarse como una proporción (frecuencia relativa). Por ejemplo, si la
probabilidad es de 0,23, esto equivale al 23%.
Ejemplo 3.18: Un empresario desea saber la probabilidad de escoger un artículo
defectuoso en la producción de vasos plásticos; para ello tomo una muestra de 500
vasos, mediante un proceso de muestreo, y encuentra que 17 vasos tienen defectos. Con
estos datos calculó la probabilidad, quedando así:
A: El evento formado por los vasos plásticos que tienen defectos.
n=17 vasos (resultados en el evento A).
N=500 vasos (Total de resultados posibles).
ܲ(‫ܣ‬) =
ଵ଻
ହ଴଴
= 0,034
.
En conclusión, la probabilidad de escoger un artículo defectuoso en la producción de
vasos plásticos es 0,034. Equivalentemente, en porcentaje, la probabilidad es del 3,4%.
Teorema 3.6. Reglas Aditivas.
Si A y B son dos eventos cualesquiera, entonces:
ܲ(‫ܣ‬ ∪ ‫ܤ‬) = ܲ(‫ܣ‬) + ܲ(‫ܤ‬) − ܲ(‫ܣ‬ ∩ ‫ܤ‬)
Corolario 1.
Si A y B son mutuamente excluyentes, entonces:
ܲ(‫ܣ‬ ∪ ‫ܤ‬) = ܲ(‫ܣ‬) + ܲ(‫ܤ‬)
Corolario 2.
Si A1, A2, A3,..., An son mutuamente excluyentes, entonces:
ܲ(‫ܣ‬ଵ ∪ ‫ܣ‬ଶ ∪ … ∪ ‫ܣ‬௡) = ܲ(‫ܣ‬ଵ) + ܲ(‫ܣ‬ଶ) + ⋯ + ܲ(‫ܣ‬௡)

Ejemplo 3.19. Un sistema contiene dos componentes C1 y C2 y se conecta de tal
manera que éste funciona si cualesquiera de los componentes funcionan. Se sabe que la
probabilidad de que el sistema funcione con sólo el componente C1 es 0,8 y la
probabilidad de que funcione con sólo el componente C2 es 0,7; y la probabilidad de
que funcione con ambos componentes es 0,71. Calcular la probabilidad de que el sistema
funcione.
Solución:
Sea A: el evento de que el sistema funcione con sólo el componente C1.
Sea B: el evento de que el sistema funcione con sólo el componente C2.
Sea A B∩ : el evento de que el sistema funcione con ambos componentes.
ܲ(‫)ܣ‬ = 0,8 ܲ(‫)ܤ‬ = 0,7 ܲ(‫ܣ‬ ∩ ‫)ܤ‬ = 0,71
Entonces:
ܲ(‫ܣ‬ ∪ ‫ܤ‬) = 0,8 + 0,7 − 0,71 = 0,79
Ejemplo 3.20. Se tienen 8 tarjetas de computadora de la marca T1 , 5 tarjetas de la marca
T2 y 4 tarjetas de la marca T3 ¿Cuál es la probabilidad de que se escoja una tarjeta de
la marca T1 o una de la marca T2?
Solución:
Sea A: el evento de seleccionar la tarjeta de la marca T1.
Sea B: el evento de seleccionar la tarjeta de la marca T2.
La probabilidad de escogencia de una tarjeta de la marca T1 es
ܲ(‫)ܣ‬ =
଼
ଵ଻
= 0,47
.
La probabilidad de escogencia de una tarjeta de la marca T2 es
ܲ(‫ܤ‬) =
ହ
ଵ଻
= 0,29

Los dos eventos son mutuamente excluyentes, ya que, al tomar una tarjeta de una
marca elimina la posibilidad de escogencia de la otra.
La probabilidad de escogencia de una tarjeta de una de estas dos marcas es:
ܲ(‫ܣ‬ ∪ ‫ܤ‬) = 0,47 + 0,29 = 0,76
Teorema 3.7.
Si A y A’ son eventos complementarios, entonces:
ܲ(‫ܣ‬) + ܲ(‫′ܣ‬) = 1
Ejemplo 3.21. Las probabilidades de que en una estación de servicio sirvan gasolina a
0, 1, 2, 3, 4, 5 o más automóviles durante un período de 30 minutos, son de: 0,03; 0,18;
0,24; 0,28; 0,10; 0,17 respectivamente. Encuentre la probabilidad de que, en un período
de 30 minutos, 4 o más automóviles reciban gasolina.
Solución:
A: es el evento de que 4 o más automóviles reciban gasolina.
A’: es el complemento del evento A.
P(A’)= 0,03+0,18+0,24+0,28=0,73.
P(A)=1-P (A’)= 1-0,73=0,27.
DEFINICIÓN 3.16.
La probabilidad condicional de un evento A, dado que el evento B ha ocurrido, es
igual a:
ܲ(‫ܤܣ‬) =
ܲ(‫ܣ‬ ∩ ‫ܤ‬)
ܲ(‫)ܤ‬
Siempre que P(A)>0. El símbolo P(A B) se lee “la probabilidad de A dada la ocurrencia
de B.

Ejemplo 3.22. Una compañía de transporte cuenta con un grupo de camiones movidos
por gasolina o por gasoil, lleva registros anuales de las reparaciones generales de los
motores. En la tabla siguiente se representan la cantidad de kilómetros recorridos por un
camión antes de tener que ser sometido a la revisión necesaria para cada tipo de
vehículo.
KILÓMETROS RECORRIDOS POR UN VEHÍCULO ANTES DE SU REVISIÓN
Kilómetros recorridos Vehículos con
Motor de Gasolina Motor de Gasoil
Total
0------20.000 36 11 47
20.001-------40.000 58 55 113
40.001 o más 12 23 35
Total 106 89 195
Tabla 3.1.Distribución de frecuencias.
¿De qué manera influye el tipo de motor en la probabilidad?
Solución:
Se trata de una probabilidad condicional, ya que se desea saber la probabilidad de
que un vehículo haya tenido un recorrido mayor a 40.000 km, antes de ser reparado, de
acuerdo al tipo de motor (a gasolina o a gasoil).
Sea A: el evento de que el vehículo funcione con gasolina.
Sea B: el evento de que el vehículo funcione con gasoil.
Sea C: el evento de que el vehículo que rebase 40.000 km, necesite reparación.
La probabilidad de que un vehículo funcione con gasolina es:
ܲ(‫)ܣ‬ =
ଵ଴଺
ଵଽହ
= 0,54

ܲ(‫ܣ‬ ∩ ‫ܥ‬): Probabilidad de que el vehículo sea de gasolina y necesite ser
reparado porque rebasó los 40.000 km es:
ܲ(‫ܣ‬ ∩ ‫ܥ‬) =
ଵଶ
ଵଽହ
= 0,06
P(C| A): Probabilidad de que el vehículo sea reparado, dado que es de gasolina
es:
ܲ(‫ܣܥ‬) =
଴,଴଺
଴,ହସ
= 0,11
La probabilidad de que un vehículo funcione con gasoil es:
ܲ(‫ܤ‬) =
89
195
= 0,46
P B C( )∩ : Probabilidad de que el vehículo sea de gasoil y necesite ser reparado
porque rebasó los 40.000 km. es:
ܲ(‫ܤ‬ ∩ ‫ܥ‬) =
ଶଷ
ଵଽହ
= 0,12
P(C |B): probabilidad de que el vehículo sea reparado, dado que es de gasoil
ܲ(‫ܤܥ‬) =
଴,ଵଶ
଴,ସ଺
= 0,26
Como se puede observar, la probabilidad se ve afectada por el hecho de que los
motores usan distinto tipo de combustible.
Observación 3.3. Muestreo con reposición
La probabilidad de un evento donde se extraen dos o más artículos, no se ve
afectada cuando se extrae el primero y se repone al sistema de donde se extrajo.

Observación 3.4. Muestreo sin reposición
Al hacer un muestreo sin reposición, el resultado de la primero extracción
influye en los resultados posibles de la segunda. En este caso, se dice que los sucesos no
son independientes. Otro hecho importante en este tipo de muestreo es que después de
haber obtenido un resultado en la primera extracción, es mayor la probabilidad de cada
uno de los resultados restantes que serán seleccionados en la segunda extracción. Debe
tenerse en cuenta que la diferencia entre el muestreo con reposición y sin reposición, es
despreciable cuando la población es grande respecto a la muestra.
Ejemplo 3.23. En una caja se tienen 8 bujías para automóviles. Es evidente que cada
bujía tiene la misma probabilidad de ser seleccionada; es decir, 1/8. Supóngase que se
extrae una de ellas y luego se repone a la caja, la segunda bujía que se extrae tiene la
misma probabilidad que la primera; es decir 1/8. No obstante, si no se repone a la caja,
la probabilidad de la segunda bujía es diferente a la de la primera; es decir, 1/7. Aquí se
evidencia que al reponer o no un artículo, puede alterarse las probabilidades.
Teorema 3.8. Reglas multiplicativas.
Si A y B son eventos en un espacio muestral S, entonces:
ܲ(‫ܣ‬ ∩ ‫ܤ‬) = ܲ(‫ܣ‬)ܲ(‫ܣܤ‬) ܵ݅ ܲ(‫ܣ‬) ≠ 0
ܲ(‫ܣ‬ ∩ ‫)ܤ‬ = ܲ(‫)ܤ(ܲ ݅ܵ )ܤܣ(ܲ)ܤ‬ ≠ 0
Corolario 1.
Si A y B son eventos independientes, entonces:
ܲ(‫ܤܣ‬) = ܲ(‫)ܣ‬
ܲ(‫ܣܤ‬) = ܲ(‫)ܤ‬
ܲ(‫ܣ‬ ∩ ‫ܤ‬) = ܲ(‫ܣ‬)ܲ(‫)ܤ‬
Corolario 2.
Si en un experimento pueden ocurrir eventos ‫ܣ‬ଵ, ‫ܣ‬ଶ, ‫ܣ‬ଷ, … , ‫ܣ‬௞ entonces:
ܲ(‫ܣ‬ଵ ∩ ‫ܣ‬ଶ‫ܣ‬ଷ ∩ … ∩ ‫ܣ‬௞)
= ܲ(‫ܣ‬ଵ)ܲ(‫ܣ‬ଶ‫ܣ‬ଵ)ܲ(‫ܣ‬ଷ‫ܣ‬ଵ ∩ ‫ܣ‬ଶ) ⋯ ܲ(‫ܣ‬௞‫ܣ‬ଵ ∩ ‫ܣ‬ଶ‫ܣ‬ଷ ∩ … ∩ ‫ܣ‬௞ିଵ)

Si los eventos son independientes:
ܲ(‫ܣ‬ଵ ∩ ‫ܣ‬ଶ‫ܣ‬ଷ ∩ … ∩ ‫ܣ‬௞) = ܲ(‫ܣ‬ଵ)ܲ(‫ܣ‬ଶ)ܲ(‫ܣ‬ଷ) ⋯ ܲ(‫ܣ‬௞)
Ejemplo 3.24. Si elegimos al azar en sucesión dos tarjetas de vídeo para computadora
de un cargamento de 250, de los cuales, 17 están defectuosos ¿Cuál es la probabilidad de
que ambas estarán defectuosos?
Solución:
Sea A: el evento de que la primera unidad esté defectuosa.
B: el evento de que la segunda esté defectuosa.
B A: el evento de que la segunda unidad esté defectuosa, dado que la primera lo
está.
‫ܣ‬ ∩ ‫ܤ‬: El evento de que la primera y segunda unidad esté defectuosa.
ܲ(‫ܣ‬) =
17
250
= 0,07
ܲ(‫ܣܤ‬) =
16
249
= 0,6
ܲ(‫ܣ‬ ∩ ‫ܤ‬) = (0,07)(0,06) = 0,004
Observación 3.5.
En el ejercicio 3.24 se observa que el objeto es tomado sin reposición en el lote,
esto influye en el cálculo de la probabilidad de la selección del segundo objeto.
Ejemplo 3.25. En una fábrica existen dos trenes de producción. Se sabe en el primero
12 de 34 piezas son defectuosas; y en el otro tren, 9 de 40 piezas son defectuosas ¿Cuál
es la probabilidad de escoger una pieza de cada tren que tenga defectos?
Solución:
Los eventos son independientes, ya que se trata de trenes diferentes.

Sea A: el evento de seleccionar una pieza del primer tren.
Sea B: el evento de seleccionar una pieza del segundo tren.
Sea A B∩ : el evento de seleccionar una pieza de cada tren.
ܲ(‫ܣ‬) =
12
34
= 0,35
ܲ(‫)ܤ‬ =
9
40
= 0,23
ܲ(‫ܣ‬ ∩ ‫ܤ‬) = (0,35)(0,23) = 0,08
Ejemplo 3.26. Una caja de fusibles contiene 25 piezas, de las cuales 8 están defectuosas.
Si se seleccionan al azar tres de los fusibles y se sacan de la caja en sucesión sin
reemplazo ¿Cuál es la probabilidad de que los tres fusibles estén defectuosos?
Solución:
Sea A: el evento de que el primer fusible esté defectuoso.
Sea B: el evento de que el segundo fusible esté defectuoso.
Sea C: el evento de que el tercer fusible esté defectuoso.
Sea B| A: el evento de que el segundo fusible, dado que el primero lo está.
Sea ‫ܣܥ‬ ∩ ‫ܤ‬: el evento de que el tercero esté defectuoso, dado que los dos
anteriores lo están. Entonces:
ܲ(‫ܣ‬ ∩ ‫ܤ‬ ∩ ‫ܥ‬) = ܲ(‫ܣ‬)ܲ(‫ܣܤ‬)ܲ(‫ܣܥ‬ ∩ ‫)ܤ‬
ܲ(‫ܣ‬) =
8
25
= 0,32 ܲ(‫ܣܤ‬) =
7
24
= 0,29 ܲ(‫ܣܥ‬ ∩ ‫ܤ‬) =
6
23
= 0,26
ܲ(‫ܣ‬ ∩ ‫ܤ‬ ∩ ‫ܥ‬) = (0,32)(0,29)(0,26) = 0,02
DEFINICIÓN 3.17. Partición de un espacio muestral.
Los eventos B1, B2, B3,..., Bk determinan una partición del espacio muestral si se
cumplen con las dos condiciones siguientes:
ܵ = ‫ܤ‬ଵ ∪ ‫ܤ‬ଶ ∪ ‫ܤ‬ଷ ∪ … ∪ ‫ܤ‬௞

‫ܤ‬௜ ∩ ‫ܤ‬௝ = ∅ ‫݅ ܽݎܽ݌‬ ≠ ݆
Teorema 3.9. Regla de eliminación.
Si los eventos B1, B2, B3,..., Bk constituyen una partición del espacio muestral S
tal que P Bi( ) ≠ 0 para i=1, 2,3,..., k, entonces, para cualquier evento A de S,
ܲ(‫ܣ‬) = ෍ ܲ(‫ܤ‬௜ ∩ ‫)ܣ‬
௞
௜ୀଵ
= ෍ ܲ(‫ܤ‬௜)ܲ(‫ܤܣ‬௜ )
௞
௜ୀଵ
Observación 3.6.
El teorema anterior es útil en los casos donde la fase intermedia admite K
alternativas, cuya incidencia se denota por B1,B2,B3,...,Bk.
La relación se puede representar a través de un diagrama de árbol.
P(B1 )
B1
P(AB1 )
A
A
A
P(AB2 )
P(Bn )
P(ABn )
B2
Bn
Gráfico 3.4 Diagrama de árbol
Ejemplo 3.27. Una planta de ensamblado recibe sus reguladores de corriente de tres
diferentes distribuidores: 45% del distribuidor B1 , 35% del distribuidor B2, y 20% del
distribuidor B3. Si el 85% de los reguladores del distribuidor B1, el 76% de los
reguladores del distribuidor B2, y el 60% de los reguladores del distribuidor B3, tienen
un rendimiento de acuerdo con las especificaciones. Calcule la probabilidad de que
cualquier regulador de voltaje recibido por la planta dé un rendimiento según las
especificaciones.
Solución:
B1: el evento de recibir reguladores del distribuidor B1.

A: el evento de que el regulador de voltaje recibido por la planta dé un
rendimiento según especificaciones.
A B1: el evento de que el regulador de voltaje recibido esté bajo
especificaciones, dado que fue enviado por el distribuidor B1.
El diagrama de árbol que establece las relaciones anteriores es:
A
A
A
B1
B2
B3
P(AB1)=0,85
P(AB2)=0,76
P(AB3)=0,60
P(B1)=0,45
P(B3)=0,20
P(B2)=0,35
Gráfico 3.5 Diagrama de árbol.
ܲ(‫ܣ‬) = ܲ(‫ܤ‬ଵ)ܲ(‫ܤܣ‬ଵ) + ܲ(‫ܤ‬ଶ)ܲ(‫ܤܣ‬ଶ) + ܲ(‫ܤ‬ଷ)ܲ(‫ܤܣ‬ଷ)
P(B1)=0,45 P(B2)=0,35 P(B3)=0,20
P(AB1)=0,85 P(AB2)=0,76 P(AB3)=0,60.
ܲ(‫)ܣ‬ = (0,45)(0,85) + (0,35)(0,76) + (0,20)(0,60) = 0,77
En conclusión, la probabilidad de que cualquier regulador de voltaje recibido por la
planta, dé un rendimiento según las especificaciones es 0,77. Equivalentemente el 77%.

Teorema 3.10. Teorema de Bayes.
Si los eventos B1,B2,B3,...,Bk constituyen una partición del espacio muestral S tal
que P Bk( ) ≠ 0 para i=1, 2,3,..,k, entonces, para cualquier evento A de S tal que
P A( ) ≠ 0.
ܲ(‫ܤ‬௥‫ܣ‬) =
ܲ(‫ܤ‬௥ ∩ ‫ܣ‬)
∑ ܲ(‫ܤ‬௜ ∩ ‫ܣ‬)௞
௜ୀଵ
=
ܲ(‫ܤ‬௥)ܲ(‫ܤܣ‬௥)
∑ ܲ(‫ܤ‬௜)ܲ(‫ܤܣ‬௥)௞
௜ୀଵ
‫ݎ ܽݎܽ݌‬ = 1,2,3, … , ݇
Observación 3.5.
Este teorema proporciona una fórmula para calcular la probabilidad de que el
“efecto” A fue “causado” por el evento Bi.
El numerador, en el teorema de Bayes, expresa la probabilidad de llegar a A por
la i- ésima rama del árbol y que la expresión del denominador es la suma de las
probabilidades de llegar a A por las n ramas del árbol.
Ejemplo 3.28. En relación con ejemplo 3.27, supóngase que se desea conocer la
probabilidad de que un regulador de voltaje específico, cuyo rendimiento corresponde a
las especificaciones, provenga del distribuidor B2.
Solución:
El teorema de Bayes, aplicado a este ejemplo, quedaría así:
ܲ(‫ܤ‬ଶ‫ܣ‬) =
ܲ(‫ܤ‬ଶ)ܲ(‫ܤܣ‬ଶ)
∑ ܲ(‫ܤ‬௜)ܲ(‫ܤܣ‬௜)ଷ
௜ୀଵ
ܲ(‫ܤ‬ଶ‫)ܣ‬ =
(0,35)(0,76)
(0,45)(0,85) + (0,35)(0,76) + (0,20)(0,60)
= 0,35

En conclusión, La probabilidad de que un regulador de voltaje específico, cuyo
rendimiento corresponde a las especificaciones, provenga del distribuidor B2 es 0,35.
Equivalentemente 35%.
1. Cuatro personas, numerados como 1, 2, 3 y 4, solicitan dos puestos idénticos en una
compañía. Los puestos se otorgan seleccionando dos de los aspirantes al azar:
a Establezca el espacio muestral.
b Establezca el evento A de que si el sujeto 1 es seleccionado, el segundo sea
seleccionado del resto.
c Repita el aparte b, si el sujeto 2 sea seleccionado. Evento B
d Halle A B∪ .
e Halle .BA ∩
f Halle A’.
.
2. Un inspector de edificios debe revisar la instalación eléctrica de un nuevo edificio de
departamentos, el Lunes, Miércoles, Viernes y Sábado; a las 9 am, 11 am y a las 2
pm. Dibuje un diagrama de árbol que represente el espacio muestral.
3. A un grupo de electricistas se le preguntan si es muy fácil, fácil, regular, difícil o
muy difícil reparar un modelo específico de automóvil; codifique las respuestas
como 1, 2, 3, 4,5, respectivamente. Si A= {1,2}, B= {3,4}, C= {4,5}. Halle:
a A B∪ .
b A B∩ .
c A B∪ ' .
d C'.
e Escriba con palabras el significado de cada resultado.

4. De 25 computadoras disponibles en un almacén, 10 de ellas tienen tarjetas
adaptadoras para una impresora, 5 tienen tarjetas adaptadoras para un modem, y 13
no tienen ninguna de éstas. Utilizar A, para representar el evento de aquellas que
tengan tarjetas de impresora, B para representar el evento de las que tienen tarjetas
de modem y, luego, representar en un diagrama de Venn los siguientes eventos, así
como mencionar el número de computadoras que hay en cada uno.
a Las que tengan ambas tarjetas.
b Las que no tengan tarjetas alguna.
c Las que sólo tengan tarjetas para impresora.
d Las que tengan exactamente una de las tarjetas.
5. El constructor de una Urbanización ofrece a sus posibles compradores viviendas las
cuales se pueden seleccionar entre 5 diseños, con tres diferentes sistemas de
calefacción, un garaje cerrado o abierto, y un patio o un porche cubierto. ¿De cuántas
formas diferentes están disponibles para un comprador?
6. Un envío de 15 celulares contienen 4 defectuosos. ¿De cuántas formas puede un
distribuidor adquirir 6 de esos aparatos y recibir cuando menos 3 de los defectuosos?
7. Una caja con 15 baterías contiene una que está defectuosa.
a ¿En cuántas formas diferentes un supervisor puede elegir 4 de estas baterías y
obtener la defectuosa?
b ¿En cuántas formas diferentes un supervisor puede elegir 4 de estas baterías y
obtener ninguna defectuosa?
8. Con respecto al ejercicio 7, supóngase que dos baterías están defectuosas.
a ¿De cuántas maneras diferentes puede el supervisor escoger tres de las baterías y
obtener ninguna batería defectuosa?

b ¿De cuántas maneras diferentes puede el supervisor escoger tres de las baterías y
obtener ambas baterías defectuosas?
c ¿De cuántas maneras diferentes puede el supervisor escoger tres de las baterías y
obtener una defectuosa?
9. Una tienda de artículos posee en existencia 9 clases de cocinas, 7 tipos de neveras y
7 clases de televisores ¿En cuántas formas diferentes pueden elegirse dos artículos
de cada clase?
10. Una operación de ensamblaje en una fábrica consta de 5 pasos, que se pueden llevar
a cabo en cualquier orden. Si el fabricante quiere comparar los tiempos de
ensamblaje para cada arreglo posible de los pasos, ¿cuántos arreglos habrá en el
experimento?
11. Para usar un telecajero se requiere de la selección de un conjunto de cuatro dígitos en
sucesión. Supóngase que no se utiliza el mismo dígito dos veces. Encuentre el
número total de los posibles arreglos
12. De un conjunto de 7 hombres y 6 mujeres ¿cuántas cuadrillas de trabajadores de de
9 miembros se pueden formar si cada uno de ellos debe contener cuando menos 4
mujeres?
13. Se sacan 12 cajas recibidas en diferentes épocas de cierto proveedor. Cada caja
contiene 600 artículos con las mismas especificaciones. Al examinar el contenido de
las cajas se encuentra en cada caja el siguiente número de piezas con
especificaciones equivocadas, debido a errores al empacar:
ሼ7, 4, 9, 5, 8,10,12,8,9,9,6,9ሽ ¿Cuál es la probabilidad de encontrar una pieza con
especificaciones erróneas en una caja cualquiera enviada por el proveedor?

14. Se tienen cinco Lanchas, numeradas del 1 al 5, disponibles para su uso, y la Lancha
número 3 tiene un defecto. Las Lanchas 1 y 3 provienen del fabricante Multilanchas
y el resto del fabricante Lanchas Lara. Supóngase que se seleccionan, uno tras otro,
al azar dos Lanchas para someterlas a una prueba de velocidad. Sea A el evento en el
que se selecciona la Lancha defectuosa y B el evento en el que por lo menos una de
las Lanchas se obtuvo del fabricante Multilanchas. Halle P(A) y P(B). Sug. elabore
un diagrama de árbol.
15. Si 4 de 21 encendidos electrónicos están defectuosos y 5 de ellos se escogen al azar,
¿Cuál es probabilidad de que solamente uno de los defectuosos sea escogido?
16. Las probabilidades de que un producto para pulir la pintura de los automóviles
califique como, muy malo, malo, regular, bueno, muy bueno, o excelente son:
ሼ(0,08), (0,24), (0,12), (0,30), (0,06), (0,20)ሽ, respectivamente.
a) ¿Cuáles son las probabilidades de que lo califiquen como muy malo, malo,
regular o excelente?
b) ¿Cuáles son las probabilidades de que lo califiquen como bueno, muy bueno,
malo?
17. Supóngase que dos transformadores defectuosos han sido incluidos en un envío de
seis transformadores. El comprador empieza a probar los seis transformadores uno a
uno.
a ¿Cuál es la probabilidad de que se encuentre el último transformador defectuoso
en la cuarta prueba?
b ¿Cuál es la probabilidad de que no haya necesidad de probar más de cuatro
transformadores para encontrar los dos defectuosos?
c Dado que uno de los dos defectuosos ha sido identificado en las primeras dos
pruebas ¿Cuál es la probabilidad de que el otro defectuoso se encuentre en la
tercera o cuarta prueba?

18. Por problemas de empaquetado se mezclaron 42 tornillos de alta resistencia con 30
tornillos comunes, de igual apariencia, por lo que resulta imposible diferenciarlos. Si
se extraen dos tornillos (uno después del otro) ¿Cuál es la probabilidad de que uno
sea de alta resistencia y el otro sea un tornillo común?
19. Dos máquinas presentan dos componentes A y B. Las confiabilidades de que ambos
componentes trabajen de manera correcta son 0,6 y 0,8, respectivamente. Supóngase
que A y B funcionan de manera independientes entre sí, determine la confiabilidad
de cada sistema si,
a Ambos componentes deben funcionar correctamente para que el sistema
siguiente también lo haga
b Los componentes están conectados en paralelo de manera que, si cualquier
enlace A- B funciona de manera correcta, entonces el sistema siguiente también
lo hará
20. Una red comunicaciones en un aeropuerto posee un sistema de seguridad contra
fallas. Si en este sistema falla la línea A, se utiliza la línea B como una emergencia;
si también falla la línea B, se utiliza la línea C como una desviación. La probabilidad
de que falle cualquiera de estas líneas es 0,2 y las fallas de estas líneas son
independiente. ¿Cuál es la probabilidad de que este sistema de tres líneas no falle
totalmente?
21. En una fábrica de motores hay 3 máquinas para pistones. La máquina A produce el
50% de los pistones; la máquina B el 32% y la máquina C el resto. Se ha observado
que el 7% de los pistones producidos por la máquina A salen fuera de
BA
A
A
B
B

especificaciones, al igual que el 8% de los producidos por la máquina B, y el 6% de
los producidos por la máquina C. Si seleccionamos al azar un pistón del lote general
de producción de las tres máquinas ¿Cuál es la probabilidad de que este fuera de
especificaciones?
22. En una línea de inspección, un supervisor, escoge las piezas las cuales deben pasar
por una inspección completa; 12% de todos los artículos producidos son defectuosos;
56% de todos los artículos defectuosos y 30% de los no defectuosos pasan por una
inspección completa ¿Cuál es la probabilidad de que un artículo sea defectuoso dado
que pasó por una inspección completa?

CAPÍTULO 4
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
Por lo general en la teoría de probabilidades sólo se toman en cuenta ciertos
aspectos particulares de los resultados de algún experimento. Por ejemplo, cuando se
estudia la producción de bombillos en gran escala, puede interesar su durabilidad, pero
no su precio; al examinar la producción en una empresa puede importar sólo el número
de artículos defectuosos. Estos números están asociados con elementos al azar, es decir,
con variables aleatorias. Al estudiar estas variables, también es indispensable
establecer las distribuciones de probabilidad.
En este capítulo se realizará un estudio de las variables aleatorias y sus
distribuciones de probabilidad.
VARIABLE ALEATORIA.
DEFINICIÓN 4.1. Variable Aleatoria.
Es una función que asocia un número real a cada elemento del espacio muestral.
Observación 4.1.
Las variables aleatorias pueden ser clasificadas en discretas y en continuas. Las
primeras pueden tomar valores enteros finitos o contables, en cambio las segundas
pueden tomar valores reales.
DEFINICIÓN 4.2. Espacio Muestral Discreto.
Es un espacio muestral que contiene un número finito de posibilidades o una
secuencia sin final con igual número de elementos que números enteros.

DEFINICIÓN 4.3. Espacio Muestral Continuo. Es un espacio muestral que contiene un
número infinito de posibilidades iguales al número de puntos que se encuentran en un
segmento de línea.
Observación 4.2.
La variable aleatoria se denotará con letras mayúsculas y negrillas, por ejemplo
X; el valor de la variable por minúsculas cursivas, por ejemplo x.
DISTRIBUCIÓN DISCRETA DE PROBABILIDAD.
DEFINICIÓN 4.4. Distribución discreta de probabilidad.
El conjunto de pares (x, f (x)) es una función de probabilidad o una distribución
de probabilidad de la variable aleatoria discreta X, si para cada posible resultado x:
1) ݂(‫)ݔ‬ ≥ 0
2) ෍ ݂(‫ݔ‬) = 1
௫
3) ܲ(ܺ = ‫ݔ‬) = ݂(‫)ݔ‬
Ejemplo 4.1. Un taladro puede ser clasificado de acuerdo a: su precio en barato B1,
costoso B2; costo de reparación, barato C1 y costoso C2; respaldo de repuestos, con
respaldo R1, sin respaldo R2. Supóngase que se desea estudiar el evento constituido por
el taladro que tenga las características de barato (B1), barato de reparar (C2) y respaldo
de repuesto (R2)
A continuación se representan, en un diagrama de árbol, los distintos elementos
del espacio muestral, sus probabilidades y valor de la variable aleatoria.

B 1
C 1
R 1
R 2
C 2
R 2
R 1
B 2
C 1
C 2
R 1
R 2
R 1
R 2
Probabilidades
Valor de la
variable a leatoria
0,12 1
0,15 2
0,06 2
0,20 3
0,10 0
0,07 1
0,17 1
0,13 2
Gráfico 4.1.Diagrama de árbol
La distribución de probabilidad se obtiene sumando los valores de probabilidad para la
variable, por ejemplo: Para ‫ݔ‬ = 1, ݈ܽ ‫ܲ ݈ܾܾ݀ܽ݀݅ܽ݋ݎ݌‬(ܺ = 1) = ݂(1) = 0,12 + 0,07 +
0,17 = 0,36.
La distribución de probabilidad para esta variable aleatoria viene dada por la siguiente
tabla, donde se especifica el valor de la variable en cada caso y su respectiva
probabilidad.
x 0 1 2 3
Probabilidad 0,10 0,36 0,34 0,20
Tabla 4.1. Distribución de probabilidad.
La variable aleatoria relacionada con el evento asume valores finitos, es por lo
tanto una variable aleatoria discreta.
Se puede señalar que la tabla 4.4 representa una distribución discreta de
probabilidad, debido a que cumple con las condiciones de la definición 4.4; es decir:
Para cualquier x se tiene que:

Depósito Legal: lfi 05120133102363
1) ݂(‫)ݔ‬ ≥ 0 , por ejemplo
2)
3) Para cualquier
La distribución discreta de probabilidad también se puede representar a través de
un histograma de probabilidad o un diagrama de barras; esto se ilustra a continuación:
Probabilidad
05120133102363 Distribución gratuita en www.bqto.unexpo.edu.ve
, por ejemplo ݂(1) = 0,36
෍ ݂(‫ݔ‬) = 0,10 + 0,36 + 0,34 + 0,20 =
௫
Para cualquier x se tiene que: ܲ(ܺ = ‫)ݔ‬ = ݂(‫)ݔ‬
Gráfico 4.2. Histograma de probabilidad.
Gráfico 4.3. Diagrama de barras.
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 1 2 3
Probabilidad
Nº DE CLASIFICACIONES PREFERENTES DE UN
TALADRO
Nº de clasificaciones
0
0,1
0,2
0,3
0,4
0 1 2 3
Probabilidad
Nº de clasificaciones
TALADRO
Distribución gratuita en www.bqto.unexpo.edu.ve 74
= 1

DEFINICIÓN 4.5. Distribución de Probabilidad Hipergeométrica
Si una población consta de N elementos de los cuales r tienen el atributo A, y
N-r tienen el atributo B, y se toman n elementos sin reposición, el espacio muestral para
este experimento es de ൫ே
௡
൯ resultados posibles; esto es, el número de formas en que se
puede elegir un subconjunto de n objetos, entre un conjunto de N objetos. Así mismo,
es posible elegir x elementos entre los r con el atributo A, en ൫௥
௫
൯ formas; es posible
elegir n-x elementos entre los N-r elementos con el atributo B, en ൫ேି௥
௡ି௫
൯ formas, y toda
la muestra puede ser elegida en ൫௥
௫
൯൫ேି௥
௡ି௫
൯ formas. Suponiendo que cada una de las ൫௥
௫
൯
muestras tiene la misma probabilidad de ser elegida, la probabilidad de x éxitos en n
ensayos sin reposición es
ܲ௫ =
൫௥
௫
൯൫ேି௥
௡ି௫
൯
൫ே
௡
൯
, ‫ݔ ܽݎܽ݌‬ = 0,1, ⋯ , ݊
‫ݔ ݁݀݊݋݀ ݊ܧ‬ ≤ ‫;ݎ‬ ݊ − ‫ݔ‬ ≤ ܰ − ‫ݎ‬
Ejemplo 4.2. Un envío de siete guayas para grúas contiene dos defectuosas. Un
compañía adquiere en forma aleatoria tres de estas guayas. Si X es el número de guayas
defectuosas adquiridas por la compañía, elabore la distribución discreta de probabilidad
y represéntela en un histograma de probabilidad.
Solución: Sea X la variable aleatoria cuyos valores x son los números posibles de guayas
defectuosas adquiridas por una compañía. Entonces x puede tener valores {0,1,2}.
Donde N = 7, r = 2,
Calculemos las probabilidades:
݂(0) = ܲ(ܺ = 0) =
൫ଶ
଴
൯൫ହ
ଷ
൯
൫଻
ଷ
൯
=
2
7
݂(1) = ܲ(ܺ = 1) =
൫ଶ
ଵ
൯൫ହ
ଶ
൯
൫଻
ଷ
൯
=
4
7

݂(2) = ܲ(ܺ = 2) =
൫ଶ
ଶ
൯൫ହ
ଵ
൯
൫଻
ଷ
൯
=
1
7
La distribución discreta de probabilidad vendría dada por:
x 0 1 2
Probabilidad 2/7 4/7 1/7
Tabla 4.2 Distribución de probabilidad
La representación de la distribución de probabilidad sería:
Gráfico 4.4. Histograma de probabilidad.
DEFINICIÓN 4.6. Función de distribución acumulada.
La función acumulada F(x) de la variable aleatoria discreta X con distribución de
probabilidad f(x) está dada por:
‫)ݔ(ܨ‬ = ܲ(ܺ ≤ ‫)ݔ‬ = ෍ ݂(‫ ܽݎܽ݌ )ݐ‬ − ∞ < ‫ݔ‬ < ∞
௧ ஸ௫
0
0,1
0,2
0,3
0,4
0,5
0,6
0 1 2
Probabilidad
Número de Guayas
GUAYAS DEFECTUOSAS
ADQUIRIDAS POR UNA COMPAÑÍA

Los valores, F(x), de la función de distribución de probabilidad cumple las siguientes
condiciones:
1) ‫ܨ‬(−∞) = 0
2) 2) ‫ܨ‬(∞) = 1
3) ܵ݅ ܽ < ܾ, ݁݊‫ܨ ݏ݁ܿ݊݋ݐ‬(ܽ) ≤ ‫ܨ‬(ܾ) ∀ܽ, ܾ ∈ ܴ
Ejemplo 4.3. Con los datos del ejemplo 4.1 establezca la su distribución acumulada.
Elabore una representación gráfica.
Solución: El valor acumulado en cada intervalo se consigue aplicando la definición 4.4,
es decir:
‫ܨ‬(2) = ܲ(ܺ ≤ 2) = ෍ ݂(‫)ݐ‬
௧ஸଶ
= ݂(0) + ݂(1) + ݂(2) = 0,10 + 0,36 + 0,34 = 0,80
Gráfico 4.5. Distribución de probabilidad acumulada

DISTRIBUCIÓN CONTINUA DE PROBABILIDAD.
Una variable continua tiene una probabilidad de cero de tomar exactamente
cualquiera de sus valores. En consecuencia, no es posible presentar una distribución de
probabilidad como se hizo con las variables aleatorias discretas. Si se analiza una
variable aleatoria continua, cuyos valores están representados por los litros de gasolina
que pueden suministrarle a un vehículo cualquiera, tomados al azar en una estación de
servicio; la probabilidad de seleccionar, al azar, un vehículo que se le suministre
exactamente 22 litros de gasolina y no otra cantidad, del conjunto infinito de valores
cercanos a 22 litros es tan baja, que se le asigna la probabilidad de cero. Sin embargo,
no sería éste el caso si se hablara del evento de suministrarle al vehículo gasolina entre
22 litros y 25 litros. Ahora se está utilizando un intervalo en lugar de un valor puntual
para la variable aleatoria.
La definición de probabilidad en el caso continuo supone, para cada variable
aleatoria, la existencia de una función, llamada función de densidad de probabilidad, de
tal manera que el área debajo de la curva, representa la probabilidad de ocurrencia de un
evento, en un intervalo.
Si los valores de la variable aleatoria estuviesen en un intervalo finito, siempre es
posible ampliar el intervalo para incluir el conjunto total de números reales, al definir
f(x)=0 en cualquier otro caso que este fuera del intervalo.
DEFINICIÓN 4.7. Función Densidad de Probabilidad.
La función f(x) es una función de densidad de probabilidad para la variable
aleatoria continua X, definida sobre el conjunto de los números reales, R, si:

1) ݂(‫ݔ‬) ≥ 0 ‫ݔ ܽݎܽ݌‬ ∈ ܴ
2) න ݂(‫ݔ‬)݀‫ ݔ‬
∞
ି∞
= 1
3) ܲ(ܽ < ܺ < ܾ) = න ݂(‫ݔ‬)݀‫ݔ‬
௕
௔
DEFINICIÓN 4.8.
Si X es una variable aleatoria continua, y a b R, ∈ , entonces
ܲ(ܽ ≤ ‫ݔ‬ ≤ ܾ) = ܲ(ܽ ≤ ‫ݔ‬ < ܾ) = ܲ(ܽ < ‫ݔ‬ < ܾ)
Ejemplo 4.4. La duración de sardinas empaquetadas en un almacén (en horas) es una
variable aleatoria continua, cuya función de densidad viene expresada por:
݂(‫ݔ‬) = ቐ
20000
(‫ݔ‬ + 100)ଷ
‫ݔ ܽݎܽ݌‬ > 0
0 ݁݊ ܿ‫݋ݏܽܿ ݋ݎݐ݋ ݎ݁݅ݑݍ݈ܽݑ‬
1) Verifique el aparte 2 de la definición 4.7.
2) Determine la probabilidad de que uno de estos paquetes durará en el almacén:
a) cuando menos 150 horas.
b) a lo más 90 horas.
c) entre 70 y 110 horas
Solución:
ܲܽ‫ 1 ݁ݐݎ‬ ‫׬‬
ଶ଴଴଴଴
(௫ାଵ଴଴)య
∞
ି∞
݀‫ݔ‬= ‫׬‬
ଶ଴଴଴଴
(௫ାଵ଴଴)య
∞
଴
݀‫ݔ‬ = −
ଵ଴଴଴଴
(௫ାଵ଴଴)మቚ
∞
0
= 1
.
ܲܽ‫ ܽ2 ݁ݐݎ‬ ‫׬‬
ଶ଴଴଴଴
(௫ାଵ଴଴)య
∞
ଵହ଴
݀‫ݔ‬= −
ଵ଴଴଴଴
∞
150
= 0,16

ܲܽ‫׬ )ܾ2 ݁ݐݎ‬
ଶ଴଴଴଴
(௫ାଵ଴଴)య
ଽ଴
଴
݀‫ݔ‬= −
ଵ଴଴଴଴
(௫ାଵ଴଴)మ
ቚ
90
0
= 0,72
ܲܽ‫׬ )ܿ2 ݁ݐݎ‬
ଶ଴଴଴଴
(௫ାଵ଴଴)య
ଵଵ଴
଻଴
݀‫ݔ‬= −
ଵ଴଴଴଴
110
70
= 0,12
Observación 4.6.
En algunos casos interesa conocer la probabilidad de que el valor de una variable
aleatoria continua sea menor que o igual a algún número real x. Para este tipo de
problema se podría utilizar la función de distribución acumulada.
DEFINICIÓN 4.9. Función de distribución acumulada
Sea X una variable aleatoria continua, la función que viene dada por
‫ܨ‬(‫ݔ‬) = ܲ(ܺ ≤ ‫ݔ‬) = න ݂(‫ݐ‬)݀‫ݐ‬
௫
ି∞
‫ ܽݎܽ݌‬ − ∞ < ‫ݔ‬ < ∞
Donde f(t) representa el valor de la función de densidad de probabilidad de X en t, se
denomina función acumulada de X.
DEFINICIÓN 4.10.
Sea F(x) la distribución acumulada de la variable aleatoria continua X, con
función de densidad f(x), entonces:
ܲ(ܽ ≤ ܺ ≤ ܾ) = ‫ܨ‬(ܾ) − ‫)ܽ(ܨ‬
a y b son dos constantes reales cualquiera con a b≤ .
Ejemplo 4.5. El tiempo de espera (en horas) entre dos conductores de vehículo, de
manera sucesiva, que rebasan la velocidad máxima, es una variable aleatoria continua,
cuya distribución acumulada es:
‫ܨ‬(‫ݔ‬) = ቄ
0 ‫ݔ‬ ≤ 0
1 − ݁ି଺௫
‫ݔ‬ > 0

Encuentre la probabilidad de esperar menos de 10 minutos entre dos infractores
sucesivos, utilizando la distribución acumulada de X.
Solución: 10 ݉݅݊ ≅ 0,17 ℎ‫ݏܽݎ݋‬.
ܲ(ܺ ≤ 0,17) = ‫ܨ‬(0,17) = 1 − ݁ି(଴,ଵ଻)
= 0,64
Ejemplo 4.6. La función de densidad de una variable aleatoria viene dada por:
݂(‫ݔ‬) = ൜
݇√‫0 ݔ‬ < ‫ݔ‬ < 1
1. Halle el valor de k.
2. Encuentre F(x) y utilícela para hallar P(0,3<x<0,6).
Solución: Parte 1. De la definición 4.7 se sabe que ‫׬‬ ݂(‫ݔ‬)݀‫ݔ‬
∞
ି∞
= 1. Entonces
න ݂(‫ݔ‬)݀‫ݔ‬
∞
ି∞
= න ݇√‫ݔ݀ݔ‬
ଵ
଴
= ݇
2
3
‫ݔ‬ฬ
1
0
=
2
3
݇ = 1 ⇒ ݇ =
3
2
La función de densidad es:
݂(‫ݔ‬) = ൞
3
2
√‫0 ݔ‬ < ‫ݔ‬ < 1
Parte 2. Utilizando la definición 4.9 se tiene que:
‫)ݔ(ܨ‬ = න
3
2
√‫ݐ‬
௫
ି∞
݀‫ݐ‬ = න
3
2
√‫ݐ‬
௫
଴
݀‫ݐ‬ = ‫ݔ‬
ଷ
ଶ
La función de distribución acumulada viene dada por:
‫ܨ‬(‫ݔ‬) = ቐ
0 ‫ݔ‬ ≤ 0
‫ݔ‬
ଷ
ଶ 0 < ‫ݔ‬ < 1
1 ‫ݔ‬ ≥ 1

Utilizando la definición 4.10 se tiene que:
ܲ(0,3 < ‫ݔ‬ < 0,6) = ‫)6,0(ܨ‬ − ‫)3,0(ܨ‬ = (0,6)
ଷ
ଶ − (0,3)
ଷ
ଶ = 0,26
DISTRIBUCIÓN DE PROBABILIDAD CONJUNTA.
Usualmente en los experimentos se hace necesaria la utilización de varias
variables. Por ejemplo, puede interesar estudiar la vida útil de una lámina de metal y su
revestimiento, a este experimento también se le puede asociar las variables costo,
calibre, etc. Para realizar este estudio se utilizan distribuciones de probabilidad conjunta.
En el caso de variables aleatorias discretas, X e Y, la distribución de probabilidad
conjunta para la ocurrencia simultánea de eventos, se puede representar por una función
f(x, y); la cual establece la probabilidad de ocurrencia de los resultados x e y al mismo
tiempo.
En el caso de las variables continuas, la función de densidad conjunta es una
superficie sobre el plano xy; donde P X Y A[( , ) ]∈ , representa el volumen del cilindro
recto, limitado por la superficie y con región de integración A en el plano xy.
DEFINICIÓN 4.11. Distribución de probabilidad conjunta.
Sean X e Y dos variables aleatorias discretas, la función
f x y P X x Y y( , ) ( , )= = = representa una distribución de probabilidad conjunta si
cumple con las siguientes condiciones.
1) ݂(‫,ݔ‬ ‫ݕ‬) ≥ 1
2) ෍ ෍ ݂(‫,ݔ‬ ‫)ݕ‬ = 1
௬௫
Ejemplo 4.7. Una caja de fusibles contiene 4 fusibles de 10 amperios, 3 de 15 amperios
y 2 de 20 amperios; se desea seleccionar dos fusibles. Si X es el número de fusibles de
10 amperios e Y es el número de fusibles de 15 amperios. Establezca la distribución de
probabilidad para estas variables aleatorias discretas.

Solución:
De N=9 fusibles se seleccionan n=2 fusibles, entonces las variables aleatorias X e Y
deben tomar los valores {0,1}, por lo tanto los puntos (x,y) son
(0,0),(0,1),(1,0),(1,1),(2,0),(0,2).
Ajustando la definición 4.5 a la distribución conjunta se tiene que:
݂(‫,ݔ‬ ‫)ݕ‬ =
൫௥భ
௫
൯ ቀ௥మ
௬
ቁ ቀேି(௥భା௥మ)
௡ି௫ି௬
ቁ
൫ே
௡
൯
‫ݎ ݁݀݊݋ܦ‬ଵ = 4 ‫ݎ ݕ‬ଶ = 3 . De aquí que:
݂(‫,ݔ‬ ‫ݕ‬) =
൫ସ
௫
൯ ቀଷ
௬
ቁ ቀ ଶ
ଶି௫ି௬
ቁ
൫ଽ
ଶ
൯
݂(0,0) =
൫ସ
଴
൯൫ଷ
଴
൯൫ଶ
ଶ
൯
36
=
1
36
݂(1,0) =
൫ସ
ଵ
൯൫ଷ
଴
൯൫ଶ
ଵ
൯
36
=
8
36
݂(1,1) =
൫ସ
ଵ
൯൫ଷ
ଵ
൯൫ଶ
଴
൯
36
=
12
36
݂(0,1) =
൫ସ
଴
൯൫ଷ
ଵ
൯൫ଶ
ଵ
൯
36
=
6
36
݂(2,0) =
൫ସ
ଶ
൯൫ଷ
଴
൯൫ଶ
଴
൯
36
=
6
36
݂(0,2) =
൫ସ
଴
൯൫ଷ
ଶ
൯൫ଶ
଴
൯
36
=
3
36
La tabla de distribución de probabilidad conjunta sería:
f(x,y) x Total
por fila0 1 2
y
0 1/36 8/36 6/36 15/36
1 6/36 12/36 18/36
2 3/36 3/36
Total por
Columna
10/36 20/36 6/36 1
Tabla 4.3. Distribución de probabilidad conjunta

DEFINICIÓN 4.12. Función de Densidad Conjunta.
La función f(x, y) es una función de densidad conjunta de las variables aleatorias
conjunta X e Y si cumple con las siguientes condiciones:
1) ݂(‫,ݔ‬ ‫ݕ‬) ≥ 0 ‫,ݔ( ܽ݀݋ݐ ܽݎܽ݌‬ ‫)ݕ‬
2) න න ݂(‫,ݔ‬ ‫)ݕ‬
∞
ି∞
݀‫ݕ݀ݔ‬ = 1
∞
ି∞

3) ܲሾ(ܺ, ܻ) ∈ ‫ܣ‬ሿ = ඵ ݂(‫,ݔ‬ ‫)ݕ‬
஺
݀‫ݕ݀ݔ‬
ܲܽ‫݅݃݁ݎ ݎ݁݅ݑݍ݈ܽݑܿ ܽݎ‬ó݊ ‫ݕݔ ݋݈݊ܽ݌ ݈݁ ݊݁ ܣ‬
Ejemplo 4.8. Sean X e Y las proporciones de dos sustancias diferentes, que se
encuentran en una muestra de algún reactivo que se utiliza como pesticida en la siembra
de algunas frutas. Supóngase que estas variables aleatorias tienen como función de
densidad conjunta
݂(‫,ݔ‬ ‫ݕ‬) = ൜
2 0 ≤ ‫ݔ‬ ≤ 1; 0 ≤ ‫ݕ‬ ≤ 1; 0 ≤ ‫ݔ‬ + ‫ݕ‬ ≤ 1
0 ݁݊ ܿ‫ ݋ݏܽܿ ݋ݎݐ݋ ݎ݁݅ݑݍ݈ܽݑ‬
Halle P X Y( , ; , )≤ ≤0 2 0 3
Solución: Utilizando la definición 4.12 se tiene que:
ܲ(ܺ ≤ 0,2; ܻ ≤ 0,3) = න න ݂(‫,ݔ‬ ‫)ݕ‬
଴,ଶ
ି∞
݀‫ݕ݀ݔ‬ = න න 2
଴,ଶ
଴
݀‫ݕ݀ݔ‬ = 0,12
଴,ଷ
଴
଴,ଷ
ି∞
Observación 4.7.
Utilizando la distribución conjunta f(x, y) se puede encontrar las distribuciones de
probabilidad en una variable, es decir, g(x) y h(x).
DEFINICIÓN 4.13. Distribuciones Marginales.

Sean X e Y dos variables aleatorias. Sus distribuciones marginales g(x) y h (y)
vienen dadas por:
݃(‫ݔ‬) = ෍ ݂(‫,ݔ‬ ‫)ݕ‬
௬
ℎ(‫ݕ‬) = ෍ ݂(‫,ݔ‬ ‫)ݕ‬
௫
ܲܽ‫݋ݐ݁ݎܿݏ݅݀ ݋ݏܽܿ ݈݁ ܽݎ‬
݃(‫ݔ‬) = න ݂(‫,ݔ‬ ‫ݕ‬)݀‫ݕ‬
∞
ି∞
ℎ(‫ݕ‬) = න ݂(‫,ݔ‬ ‫ݕ‬)݀‫ݔ‬
∞
ି∞
ܲܽ‫݋ݑ݊݅ݐ݊݋ܿ ݋ݏܽܿ ݈݁ ܽݎ‬
Ejemplo 4.9. Utilizando la distribución de probabilidad conjunta del ejemplo 4.7; halle
las distribuciones marginales g(x) y h (y).
Solución: Las variables aleatorias X e Y puede tomar los valores {0, 1, 2}
respectivamente, luego
݃(0) = ܲ(ܺ = 0) = ෍ ݂(0, ‫ݕ‬) = ݂(0,0) + ݂(0,1) + ݂(0,2) =
1
36
+
6
36
+
3
36
=
10
36
ଶ
௬ୀ଴
݃(1) = ܲ(ܺ = 1) = ෍ ݂(1, ‫ݕ‬) = ݂(1,0) + ݂(1,1) + ݂(1,2) =
8
36
+
12
36
+ 0 =
20
36
ଶ
௬ୀ଴
݃(2) = ܲ(ܺ = 2) = ෍ ݂(2, ‫)ݕ‬ = ݂(2,0) + ݂(2,1) + ݂(2,2) =
6
36
+ 0 + 0 =
6
36
ଶ
௬ୀ଴
x 0 1 2
g(x) 10/36 20/36 6/36
Tabla 4.4. Distribución marginal de probabilidad g(x)

De manera similar se puede establecer la distribución de probabilidad marginal h (y).
y 0 1 2
h(y) 15/36 18/36 3/36
Tabla 4.5. Distribución marginal de probabilidad h (y).
Ejemplo 4.10. Hay dos tipos diferentes de componentes en operaciones conjuntas, de
los cuales un sistema electrónico tiene un componente de cada tipo. Sean X e Y las
vidas aleatorias de los componentes del tipo A y del tipo B, respectivamente; entonces la
función de densidad de probabilidad conjunta está dada por
݂(‫,ݔ‬ ‫)ݕ‬ = ൞
1
8
‫݁ݔ‬ି
௫ା௬
ଶ ‫ݔ ܽݎܽ݌‬ > 0; ‫ݕ‬ > 0
Halle la distribución marginal h(y).
Solución:
Utilizando la definición 4.13 se tiene que las distribuciones marginales g(x) y h (y).
݃(‫ݔ‬) = න ݂(‫,ݔ‬ ‫ݕ‬)݀‫ݕ‬
∞
ି∞
= න
1
8
‫݁ݔ‬ି
௫ା௬
ଶ ݀‫ ݕ‬
∞
଴
=
1
4
‫݁ݔ‬ି
௫
ଶ
Luego la distribución marginal para la variable X viene dada por:
݃(‫ݔ‬) = ൞
1
4
‫݁ݔ‬ି
௫
ଶ ‫ݔ ܽݎܽ݌‬ > 0

ℎ(‫ݕ‬) = න ݂(‫,ݔ‬ ‫ݕ‬)݀‫ݕ‬
∞
ି∞
= න
1
8
‫݁ݔ‬ି
௫ା௬
ଶ ݀‫ݔ‬
∞
଴
=
1
2
݁ି
௬
ଶ
Luego la distribución marginal para la variable Y viene dada por:

ℎ(‫ݕ‬) = ൞
1
2
݁ି
௬
ଶ ‫ݕ ܽݎܽ݌‬ > 0
DEFINICIÓN 4.14. Distribución de probabilidad condicional:
Sean X e Y variables aleatorias discretas o continuas, con función de probabilidad
conjunta f(x, y) y distribuciones marginales g(x) y h (y); la distribución de probabilidad
condicional:
݂(‫ݕݔ‬) = ൞
݂(‫,ݔ‬ ‫)ݕ‬
ℎ(‫)ݕ‬
‫ ܽݎܽ݌‬ℎ(‫ݕ‬) > 0
݂(‫ݔݕ‬) =
‫ە‬
‫۔‬
‫ۓ‬
݂(‫,ݔ‬ ‫ݕ‬)
݃(‫ݔ‬)
‫݃ ܽݎܽ݌‬(‫ݔ‬) > 0
Observación 4.8.
Si se necesita encontrar la probabilidad de una variable aleatoria que se encuentra
entre dos valores, dado que la otra variable aleatoria toma un valor particular; se puede
proceder así:
En el caso discreto:
ܲ(ܽ < ܺ < ܾܻ = ‫ݕ‬) = ෍ ݂(‫ݕݔ‬)
௫
ܲ(ܿ < ܻ < ݀ܺ = ‫ݔ‬) = ෍ ݂(‫)ݔݕ‬
௬
En el caso continuo.
ܲ(ܽ < ܺ < ܾܻ = ‫ݕ‬) = න ݂(‫ݕݔ‬)݀‫ ݔ‬
௕
௔
ܲ(ܿ < ܻ < ݀ܺ = ‫ݔ‬) = න ݂(‫ݔݕ‬)݀‫ ݕ‬
ௗ
௖

Ejemplo 4.11. Utilizando los ejemplos 4.7 y 4.9; halle la distribución de probabilidad
condicional para la variable aleatoria X, dado que la variable Y toma el valor y=0.
Solución: utilizando la definición 4.14 se tiene que:

݂(‫0ݔ‬) =
݂(‫,ݔ‬ 0)
ℎ(0)
De los ejemplos 4.7 y 4.9 se tiene que
݂(00) =
ଵ
ଷ଺ൗ
ଵହ
ଷ଺ൗ
=
ଵ
ଵହ
݂(10) =
଼
ଷ଺ൗ
ଵହ
ଷ଺ൗ
=
଼
ଵହ
݂(20) =
଺
ଷ଺ൗ
ଵହ
ଷ଺ൗ
=
଺
ଵହ
x 0 1 2
f(x0) 1/15 8/15 6/15
Tabla 4.6 Distribución de probabilidad marginal f (x0).
Ejemplo 4.12. Utilizando el ejemplo 4.10; halle la distribución condicional
f Y X( ) )1 2 3≤ ≤ = .
Solución: Utilizando la definición 4.14 se tiene que
݂(‫ݔݕ‬) =
݂(‫,ݔ‬ ‫)ݕ‬
݃(‫)ݔ‬
=
1
8
‫݁ݔ‬ି
௫ା௬
ଶ
1
4
‫݁ݔ‬ି
௫
ଶ
݂(1 ≤ ‫ݕ‬ ≤ 2‫ݔ‬ = 3) = න ݂(‫ݔݕ‬
ଶ
ଵ
)݀‫ݕ‬ = න
1
2
ଶ
ଵ
݁ି ೤
మ݀‫ݕ‬ = 0,24
DEFINICIÓN 4.15
Sean X e Y dos variables aleatorias discretas o continuas, cuya distribución de
probabilidad conjunta es f(x, y) y distribuciones marginales g(x) y h (y),
respectivamente; se dice que las variables aleatorias X e Y son linealmente
independientes si se cumple que:
݂(‫,ݔ‬ ‫ݕ‬) = ݃(‫ݔ‬)ℎ(‫ݕ‬) ‫ ܽ݀݋ݐ ܽݎܽ݌‬(‫,ݔ‬ ‫ݕ‬) ݀݁݊‫݋݃݊ܽݎ ݑݏ ݁݀ ݋ݎݐ‬

Ejemplo 4.13. Determine si las variables aleatorias definidas en el ejemplo 4.7 son
independientes o no.
Solución:
Utilizando la definición 4.14, basta verificar, para cada valor de las variables aleatorias,
que se cumple la igualdad; en caso de que para algún par (x, y) no se cumpla se dice que
no son independientes. En este ejemplo, con una inspección, se observa que para (x, y)=
(0,0); se tiene que:
݂(0,0) =
1
36
‫݃݁ݏ‬ú݊ ‫3.4 ݈ܾܽܽݐ‬
݃(0) =
10
36
‫݃݁ݏ‬ú݊ ‫4.4 ݈ܾܽܽݐ‬
ℎ(0) =
15
36
‫݃݁ݏ‬ú݊ ‫5.4 ݈ܾܽܽݐ‬
Como puede notarse ݂(0,0) ≠ ݃(0)ℎ(0). Por lo tanto las variables aleatorias no son
independientes.
Ejemplo 4.14. Determine si las variables aleatorias definidas en el ejemplo 4.10, son
independientes o no.
Solución:
Utilizando la definición 4.14, sólo hay que verificar la igualdad.

݂(‫,ݔ‬ ‫ݕ‬) = ൞
1
8
‫݁ݔ‬ି
௫ା௬
ଶ ‫ݔ ܽݎܽ݌‬ > 0; ‫ݕ‬ > 0
݃(‫ݔ‬) = ൞
1
4
‫݁ݔ‬ି
௫
ଶ ‫ݔ ܽݎܽ݌‬ > 0
ℎ(‫ݕ‬) = ൞
1
2
‫݁ݔ‬ି
௬
ଶ ‫ݕ ܽݎܽ݌‬ > 0
Como puede notar f x y g x h y( , ) ( ) ( )= para x<0; y>O
En otros casos f x y g x h y( , ) ( ) ( )= =0
De todo lo anterior se concluye que las variables son independientes.
1. Un amplificador contiene 6 transistores, de los cuales dos están defectuosos. Si
seleccionan al azar dos de estos transistores, extraídos del amplificador, e
inspeccionados. Si X es el número de unidades defectuosas;
a Establezca la distribución de probabilidad.
b Establezca la distribución acumulada de probabilidad.
c Elabore un diagrama de barras para la distribución de probabilidad.
d Elabore una representación gráfica para la distribución acumulada, similar al del
ejemplo 4.3.

2. Sea f x
k
k( ) =
3
una distribución de probabilidad para una variable aleatoria que
puede tomar los valores x = 0, 1, 2, 3, 4; determine el valor de k.
3. Supóngase un sistema de aceite que fluye a través de una válvula de A a B. Las
válvulas {1, 2, 3} funcionan independientemente, y cada una se abre correctamente
mediante una señal con una probabilidad de 0,7. Encuentre la distribución de
probabilidad para la variable aleatoria X; la cual representa el número de vías
abiertas de A a B después de haber enviado la señal. La variable puede tomar los
valores {0, 1, 2}.
Represente esta distribución a través de un histograma de probabilidad.
4. Un jefe de personal en una fábrica tiene 4 hombres y 4 mujeres trabajando para él.
Se desea elegir dos trabajadores para realizar un trabajo y decide seleccionarlos al
azar. Sea X el número de mujeres en la selección. Encuentre la distribución de
probabilidad para X. Represente esta distribución a través de un histograma de
probabilidad.
Represente esta distribución a través de un diagrama de barras.
5. Sea X la variable aleatoria que representa el número de defectos por cada metro de
cintas de acero está dada por
x 0 1 2 3 4
f(x) 0,05 0,16 0,37 0,41 0,01
2 3
1
A B

Elabore la distribución de probabilidad acumulada. Represente gráficamente esta
distribución.
6. Defínase la función de distribución acumulada para la variable aleatoria X está dada
por:
F x
p a r a x
p a r a x
p a r a x
p a r a x
p a r a x
( ) =
<
≤ <
≤ <
≤ <
≥












0 2
1
3
2 5
1
2
5 9
5
6
9 1 2
1 1 2
Halle:
a P X b P X c la distribucion de probabilidad de X) ( ) ) ( ) )3 6 9< ≤ =
7. El desgaste del dibujo (en miles de kilómetros) de los cauchos para camiones es una
variable aleatoria cuya función de densidad de probabilidad está dada por:
f x
e para x
para x
x
( ) =
>
≤




−1
20
0
0 0
20
Halle la probabilidad de que los cauchos se desgastarán:
a) Cuando más a 20000 km
b) Entre 28000 y 35000 km.
c) Cuando menos a 45000 km.
d) Exactamente a los 15000 km.
8. Supóngase que el error de fase de un dispositivo de rastreo es una variable aleatoria
con función de densidad:

f x
x x
e n o tr o s c a s o s
( )
s en
=
< <




0
2
0
π
Halle la probabilidad de que el error de esta fase esté:
a) Entre 0 y π/4
b) Mayor que π/6.
9. La proporción de impurezas X de determinadas muestras de mineral de oro es una
variable aleatoria cuya función de densidad está dada por:
f x
x x para x
en otros casos
( )
( )
=
− ≤ ≤


10 1 0 2
0
2
Si se selecciona 5 muestras de ellas en formas independientes, calcular la
probabilidad de que:
a) Exactamente una de ellas tenga una proporción de impurezas mayor que 0,8.
b) Por lo menos una de ellas tenga una proporción de impurezas mayor que 0,8.
14. Utilizando la definición de la función de densidad del problema 8; halle la función
de distribución acumulada.
15. De una caja de clavos que contiene 3 de 1 pulgada, 2 de 0,5 pulgadas y 3 de 2
pulgadas se escoge una muestra aleatoria de 4 clavos. Si X es el número de clavos de
1 pulgada e Y es el número de clavos de 0,5 pulgadas que están en la muestra,
encuentre la distribución de probabilidad conjunta de X e Y.
16. Utilizando la distribución del problema 11, determine:
a) Las distribuciones marginales g(x) y h(y).
b) Si las variables son independientes.
c) La distribución de probabilidad condicional para la variable aleatoria Y, dado
que la variable X toma el valor x=1.

17. Sea X e Y las proporciones de tiempo, en un día de trabajo, que los obreros José y
Pedro, respectivamente, se ocupan en realizar un trabajo. La función de densidad
que establece esta relación es:
f x y
x y x y
en otros casos
( , ) =
+ ≤ ≤ ≤ ≤


0 1 0 1
0
a. Calcular P X Y( / , / )< >1 4 1 4
b. Calcular P X Y( )+ ≤ 1 .
18. Utilizando los datos del problema 13.
a. Halle las funciones marginales g(x) y h(y).
b. Determine si las variables son independientes.
c. Calcule ݂ ቀ
ଵ
ସ
< ‫ݔ‬ <
ଵ
ଶ
‫ݕ‬ =
ଵ
ଶ
ቁ

CAPÍTULO 5
ESPERANZA MATEMÁTICA
En el capítulo 2 se estudió las medidas descriptivas y se estableció la tendencia
central de los datos a representarse por un número; y la dispersión de estos datos.
Considérese ahora la siguiente información: Se espera que un caucho dure 30000
kilómetros, esto no quiere decir que un caucho, tomado al azar y sometido a prueba, su
duración no pueda ser 26000 km, o 34000 km.; Si no que este valor esperado es una
tendencia central de los valores de una variable aleatoria. Una forma de estudiar los
resultados de un experimento, de este tipo, es tomar en cuenta los valores que posean la
variable aleatoria, y su distribución de probabilidad, con la finalidad de determinar el
valor que se puede esperar, que asuma la variable en un experimento.
En este capítulo se estudiará el valor esperado, o en otras palabras la
Esperanza Matemática de una variable aleatoria.
MEDIDAS DE TENDENCIA CENTRAL.
DEFINICIÓN 5.1. Esperanza Matemática o la Media de la variable aleatoria X.
Si la distribución de probabilidad de la variable aleatoria X viene dada por f(x);
entonces la media está dada por:
ߤ௑ = ‫ܧ‬(ܺ) = ෍ ‫)ݔ(݂ݔ‬
௫
Si X es una variable discreta.
ߤ௑ = ‫ܧ‬(ܺ) = න ‫݂ݔ‬(‫ݔ‬)݀‫ݔ‬
∞
ି∞
Si X es una variable continua.

Ejemplo 5.1. En el ejemplo 4.2, se planteó en siguiente experimento: Un envío de siete
guayas para grúas contiene dos defectuosas. Una compañía adquiere en forma aleatoria
tres de estas guayas. Si X es la variable aleatoria cuyos valores x son los números
posibles de guayas defectuosas adquiridas por una compañía. La distribución de
probabilidad es:
x 0 1 2
Tabla 5.1.Distribución de probabilidad.
Halle la media de la variable aleatoria.
Solución: Utilizando la definición 5.1, donde la variable aleatoria es discreta se tiene
que:
ߤ௑ = ‫ܧ‬(ܺ) = ෍ ‫)ݔ(݂ݔ‬
௫
= 0 ∙
2
7
+ 1 ∙
4
7
+ 2 ∙
1
7
= 0,86
µX =0,86 significa que la compañía, que adquirió 3 guayas, debe esperar que tengan una
guaya defectuosa, en promedio.
Ejemplo 5.2 En el ejemplo 4.4 se planteó el siguiente experimento: La duración de
sardinas empaquetadas, en un almacén (en horas) es una variable aleatoria continua,
cuya función de densidad viene expresada por:
݂(‫)ݔ‬ = ቐ
20000
(‫ݔ‬ + 100)ଷ
‫ݔ ܽݎܽ݌‬ > 0

Solución:
ߤ௑ = ‫ܧ‬(ܺ) = න ‫ݔ‬
20000
(‫ݔ‬ + 100)ଷ
݀‫ݔ‬
∞
ି∞
= 20000 ൤−
1
‫ݔ‬ + 100
+
100
2(‫ݔ‬ + 100)ଶ
൨ฬ
∞
0
= 100
µX =100, significa que se debe esperar que las sardinas empaquetadas en un almacén
duren en promedio 100 horas. Recuerde que este valor es una tendencia central y no
significa que todas las sardinas tienen que durar en el almacén esa cantidad de tiempo.
Observación 5.1.
En ocasiones se necesita calcular la esperanza matemática (la media) de una
función que está relacionada con una variable aleatoria.
DEFINICIÓN 5.2. Esperanza Matemática (la media) de una función relacionada con
una variable aleatoria.
Sea X una variable aleatoria cuya distribución de probabilidad es f(x). La
esperanza matemática de la variable aleatoria g(X) viene dada por:
ߤ௚(௑) = ‫ܧ‬൫݃(ܺ)൯ = ෍ ݃(‫ݔ‬)݂(‫)ݔ‬
௫
Si X es una variable discreta.
ߤ௚(௑) = ‫ܧ‬൫݃(ܺ)൯ = න ݃(‫ݔ‬)݂(‫ݔ‬)݀‫ݔ‬
∞
ି∞
Si X es una variable continua.
Ejemplo 5.3. Supóngase que la cantidad de kilómetros que recorre un automóvil; está en
relación con los litros que debe suministrarle, mediante la siguiente fórmula ܺ + 1; por
tanto la cantidad de litros de gasolina está en función de la cantidad de kilómetros que
debe recorrer el automóvil. Esto se puede definir por la fórmula ݃(ܺ) = ܺ + 1.

Supóngase que la distribución de probabilidad de la variable aleatoria X, definida por la
cantidad de kilómetros que recorre un automóvil viene dada por:
x 8 10 13
f(x) 0,54 0,36 0,1
Tabla 5.2. Distribución de probabilidad
Halle la media de la variable ݃(ܺ).
ߤ௚(௑) = ‫ܧ‬൫݃(ܺ)൯ = ෍ ݃(‫ݔ‬)݂(‫)ݔ‬
௫
= ෍(‫ݔ‬ + 1)݂(‫ݔ‬)
௫
ߤ௚(௑) = 9(0,54) + 11(0,36) + 14(0,1) = 10,22
ߤ௚(௑) = 10,22; Significa que se espera que el gasto en promedio de gasolina de un
automóvil sea de alrededor de 10,22 litros.
Ejemplo 5.4. Sea X la variable aleatoria definida por la fracción de tiempo que un torno
está en operación durante una semana de trabajo de 30 horas; la función de densidad
viene dada por:
݂(‫ݔ‬) = ൜
2‫0 ܽݎܽ݌ ݔ‬ ≤ ‫ݔ‬ ≤ 1
La ganancia semanal en Bolívares está dada por ݃(‫ݔ‬) = 20000‫ݔ‬ + 60000
Solución:
ߤ௚(௑) = ‫ܧ‬൫݃(ܺ)൯ = න ݃(‫ݔ݀)ݔ(݂)ݔ‬
∞
ି∞
= න (20000‫ݔ‬ + 60000)2‫ݔ݀ݔ‬
ଵ
଴
= 73333,33

ߤ௚(௫) = 73333,33, significa que el valor esperado en promedio de la ganancia semanal
del torno sea de 73333,33 Bs.
DEFINICIÓN 5.3. Esperanza Matemática (la media) de una función en dos variables.
Sean X e Y dos variables aleatorias con distribución de densidad conjunta
݂(‫,ݔ‬ ‫)ݕ‬. La esperanza matemática para la variable aleatoria g(X, Y) viene dado por:
ߤ௚(௑,௒) = ‫ܧ‬൫݃(ܺ, ܻ)൯ = ෍ ෍ ݃(‫,ݔ‬ ‫ݕ‬)݂(‫,ݔ‬ ‫)ݕ‬
௬௫
Si las variables aleatorias X e Y son discretas.
ߤ௚(௑,௒) = ‫ܧ‬൫݃(ܺ, ܻ)൯ = න න ݃(‫,ݔ‬ ‫ݕ‬)݂(‫,ݔ‬ ‫ݕ‬)݀‫ݕ݀ݔ‬
∞
ି∞
∞
ି∞
Si las variables aleatorias X e Y son continuas.
Ejemplo 5.5. Una caja de fusibles contiene 4 fusibles de 10 amperios, 3 de 15 amperios
y 2 de 20 amperios; se desea seleccionar dos fusibles. Si X es el número de fusibles de
10 amperios e Y es el número el número de fusibles de 15 amperios (Ver ejemplo 4.7,
capítulo 4)
La tabla de distribución de probabilidad conjunta es:
f(x,y) x Total
por fila0 1 2
Y
0 1/36 8/36 6/36 15/36
1 6/36 12/36 18/36
2 3/36 3/36
Total por
Columna
10/36 20/36 6/36 1
Tabla 5.3. Distribución de probabilidad conjunta

Supóngase que el costo (en Bolívares) de los fusibles, ya especificados, viene dada por
la función: ݃(ܺ, ܻ) = ܺ + 2ܻ. Halle la media de la función ݃.
Solución: Utilizando la definición 5.3 se tiene que.
ߤ௚(௑,௒) = ‫ܧ‬൫݃(ܺ, ܻ)൯ = ෍ ෍ ݃(‫,ݔ‬ ‫,ݔ(݂)ݕ‬ ‫)ݕ‬
௬௫
ߤ௚(௑,௒) = ‫ܧ‬(ܺ + 2ܻ)
= ݃(0,0)݂(0,0) + ݃(0,1)݂(0,1) + ݃(0,2)݂(0,2) + ݃(1,0)݂(1,0)
+ ݃(1,1)݂(1,1) + ݃(2,0)݂(2,0)
= 0 ∙
1
36
+ 2 ∙
6
36
+ 4 ∙
3
36
+ 1 ∙
8
36
+ 3 ∙
12
36
+ 2 ∙
6
36
=
84
36
≈ 2.33
ߤ௚(௑,௒) = 2,33 significa que el costo en promedio de los fusibles es 2,23 Bs.
Ejemplo 5.6. Sean X e Y las proporciones de dos sustancias (A y B) diferentes que se
encuentran en una muestra de algún reactivo que se utiliza como pesticida en la siembra
de algunas frutas. Supóngase que estas variables aleatorias tienen como función de
densidad conjunta
:
݂(‫,ݔ‬ ‫ݕ‬) = ൜
2 0 ≤ ‫ݔ‬ ≤ 1; 0 ≤ ‫ݕ‬ ≤ 1; 0 ≤ ‫ݔ‬ + ‫ݕ‬ ≤ 1
0 ݁݊ ܿ‫ ݋ݏܽܿ ݋ݎݐ݋ ݎ݁݅ݑݍ݈ܽݑ‬
Halle la media de la variable ݃(ܺ, ܻ), si se define la función ݃(ܺ, ܻ) = ܺ + ܻ + 50
como la cantidad en metro cuadrados que abarcaría la sustancia preparada.
Solución: Utilizando la definición 5.3 se tiene que
ߤ௚(௑,௒) = ‫ܧ‬൫݃(ܺ, ܻ)൯ = න න ݃(‫,ݔ‬ ‫ݕ‬)݂(‫,ݔ‬ ‫ݕ‬)݀‫ݕ݀ݔ‬
∞
ି∞
∞
ି∞
= න න (‫ݔ‬ + ‫ݕ‬ + 50)݂(‫,ݔ‬ ‫ݕ‬)݀‫ݕ݀ݔ‬
∞
ି∞
∞
ି∞
න න (‫ݔ‬ + ‫ݕ‬ + 50)2݀‫ݕ݀ݔ‬
ଵ
଴
ଵ
଴
= 102

ߤ௚(௑,௒) = 102, significa que se espera que la sustancia abarque un área de 102 m2
, en
promedio.
DEFINICIÓN 5.4. Esperanza Matemática (la media) de una variable aleatoria
calculada a través de una distribución de probabilidad marginal.
Caso 1: Si ݃(ܺ, ܻ) = ܺ, la esperanza matemática de la variable aleatoria discreta X
viene dada por:
ߤ௑ = ෍ ෍ ‫,ݔ(݂ݔ‬ ‫)ݕ‬
௬௫
= ෍ ‫)ݔ(݃ݔ‬
௫
Si ݃(‫ݔ‬) es la distribución de probabilidad marginal de X
Caso 2: Si ݃(ܺ, ܻ) = ܻ, la esperanza matemática de la variable aleatoria discreta Y
viene dada por:
ߤ௒ = ෍ ෍ ‫,ݔ(݂ݕ‬ ‫)ݕ‬
௬௫
= ෍ ‫ݕ‬ℎ(‫)ݕ‬
௫
Si h(y) es la distribución de probabilidad marginal de Y.
Caso 3: Si ݃(ܺ, ܻ) = ܺ, la esperanza matemática de la variable aleatoria continua X
viene dada por:
ߤ௑ = න න ‫,ݔ(݂ݔ‬ ‫ݕ݀ݔ݀)ݕ‬
∞
ି∞
∞
ି∞
= න ‫ݔ݀)ݔ(݃ݔ‬
∞
ି∞
Si ݃(‫ݔ‬) es la distribución de probabilidad marginal de X
Caso 4: Si ݃(ܺ, ܻ) = ܻ, la esperanza matemática de la variable aleatoria continua Y
viene dada por:
ߤ௒ = න න ‫,ݔ(݂ݕ‬ ‫ݕ݀ݔ݀)ݕ‬
∞
ି∞
∞
ି∞
= න ‫ݕ݀)ݕ(݃ݕ‬
∞
ି∞
Si h(y) es la distribución de probabilidad marginal de Y.
Ejemplo 5.7. Utilizando la distribución de probabilidad conjunta del ejemplo 5.5; las
distribuciones marginales ݃(‫ݔ‬) y h(y) son:

x 0 1 2
݃(‫ݔ‬) 10/36 20/36 6/36
Tabla 5.4. Distribución marginal de probabilidad ݃(‫ݔ‬).
y 0 1 2
h(y) 15/36 18/36 3/36
Tabla 5.5. Distribución marginal de probabilidad h(x)
Halle la media de las variables aleatorias X e Y (Ver problema 4.9, Capítulo 4)
Solución:
ߤ௑ = ‫ܧ‬(ܺ) = ෍ ෍ ‫,ݔ(݂(ݔ‬ ‫)ݕ‬
௬௫
= ෍ ‫)ݔ(݃ݔ‬
௫
=
32
36
= 0,88
µX =0,88 Significa que se espera escoger cerca de 1 fusible de 10 amperios.
ߤ௒ = ‫)ܻ(ܧ‬ = ෍ ෍ ‫,ݔ(݂(ݕ‬ ‫)ݕ‬
௬௫
= ෍ ‫ݕ‬ℎ(‫)ݕ‬
௫
=
24
36
= 0,66
µY =0,66 Significa que se espera escoger cerca de 1 fusible de 15 amperios.
Ejemplo 5.8. Hay dos tipos diferentes de componentes en operaciones conjuntas, de los
cuales un sistema electrónico tiene un componente de cada tipo. Sean X e Y las vidas
aleatorias (en años) de los componentes del tipo A y del tipo B, respectivamente;
entonces la función de densidad de probabilidad conjunta está dada por
݂(‫,ݔ‬ ‫ݕ‬) = ൞
1
8
‫݁ݔ‬ି
௫ା௬
ଶ ‫ݔ ܽݎܽ݌‬ > 0; ‫ݕ‬ > 0
(Ver ejemplo 4.10).
La distribución marginal para la variable X viene dada por:
݃(‫ݔ‬) = ൞
1
4
‫݁ݔ‬ି
௫
ଶ ‫ݔ ܽݎܽ݌‬ > 0

La distribución marginal para la variable Y viene dada por:

ℎ(‫ݕ‬) = ൞
1
2
݁ି
௬
ଶ ‫ݕ ܽݎܽ݌‬ > 0
De la definición 5.4 se tiene que la media marginal para la variable X, viene dada por:
ߤ௑ = ‫׬‬ ‫׬‬ ‫݂ݔ‬(‫,ݔ‬ ‫ݕ‬)݀‫ݕ݀ݔ‬
∞
ି∞
∞
ି∞
= ‫׬‬ ‫݃ݔ‬(‫ݔ‬)݀‫ݔ‬
∞
ି∞
‫׬‬ ‫ ݔ‬
ଵ
ସ
݁ି ௫
ଶൗ ݀‫ݔ‬
∞
଴
=1
µX =1 Significa que la vida del componente del tipo A es en promedio 1 año.
ߤ௒ = න න ‫݂ݕ‬(‫,ݔ‬ ‫ݕ‬)݀‫ݕ݀ݔ‬
∞
ି∞
∞
ି∞
= න ‫ݕ‬ℎ(‫ݕ‬)݀‫ݕ‬
∞
ି∞
න ‫ݕ‬
1
2
݁ି
௬
ଶൗ
݀‫ݕ‬
ଵ
଴
= 2
µY =2 Significa que la vida del componente del tipo B es en promedio 2 año.
MEDIDAS DE DISPERSIÓN.
DEFINICIÓN 5.5. Varianza de una variable aleatoria.
Sea X una variable aleatoria con distribución de probabilidad f(x) y la media µX ;
la varianza de la variable X viene dada por:
ߪ௑
ଶ
= ‫ܧ‬((ܺ − ߤ௑)ଶ) = ෍(‫ݔ‬ − ߤ௑)ଶ
݂(‫)ݔ‬
௫
Si la variable X es discreta.
ߪ௑
ଶ
= ‫ܺ((ܧ‬ − ߤ௑)ଶ) = න (‫ݔ‬ − ߤ௑)ଶ
݂(‫ݔ݀)ݔ‬
∞
ି∞
Si la variable X es continua.

Observación 5.2.
La Varianza de una variable aleatoria X, ya sea discreta o continua, viene dada
por:
ߪ௑
ଶ
= ‫ܧ‬(ܺଶ) − ߤ௑
ଶ
DEFINICIÓN 5.6. Desviación Estándar de una variable aleatoria.
Sea X una variable aleatoria con distribución de probabilidad f(x) y la media µX ;
la desviación estándar de la variable X viene dada por:
ߪ௑ = ටߪ௑
ଶ
= ට‫ܺ(ܧ‬ଶ) − ߤ௑
ଶ
Ejemplo 5.9. Utilizando la distribución del ejemplo 5.3; calcule la varianza y la
desviación estándar de la variable aleatoria X.
Solución:
De la definición 5.2 se tiene que
‫ܺ(ܧ‬ଶ) = ෍ ‫ݔ‬ଶ
݂(‫)ݔ‬
௫
= 64(0,54) + 100(0,36) + 169(0,1) = 87,46
ߤ௑ = ෍ ‫)ݔ(݂ݔ‬
௫
= 8(0,54) + 10(0,36) + 13(0,1) = 9,22
De la observación 5.2 se tiene que
ߪ௑
ଶ
= 87,46 − (9,22)ଶ
= 2,45
ߪ௑ = ඥ2,45 = 1,57

Ejemplo 5.10. Del ejemplo 5.4 se tiene la siguiente función de densidad
݂(‫ݔ‬) = ൜
2‫0 ܽݎܽ݌ ݔ‬ ≤ ‫ݔ‬ ≤ 1
Calcule la varianza y la desviación estándar.
Solución:
‫ܧ‬(ܺଶ) = න ‫ݔ‬ଶ
݂(‫ݔ‬)݀‫ݔ‬
∞
ି∞
= න ‫ݔ‬ଶ
2‫ݔ݀ݔ‬
ଵ
଴
=
1
2
ߤ௑ = න ‫݂ݔ‬(‫ݔ‬)݀‫ݔ‬
∞
ି∞
= න ‫ݔ݀ݔ2ݔ‬
ଵ
଴
=
2
3
ߪ௑
ଶ
=
1
2
− ൬
2
3
൰
ଶ
= 0,056
ߪ௑ = ඥ0,056 = 0,24
Observación 5.3.
Se pueden realizar comparaciones de distribuciones de probabilidad, de una variable
aleatoria (discreta o continua), tomando en cuenta:
• Las medias de la variable.
• Las varianza de las distribuciones.
• Las desviaciones estándar de las distribuciones.
Ejemplo 5.10. Supóngase que la distribución de probabilidad del ejemplo 5.3 está dada
para un automóvil A y que la siguiente distribución es para un automóvil B.

x 8 10 13
f(x) 0,46 0,26 0,28
Tabla 5.6. Distribución de probabilidad
Compare las distribuciones de probabilidad de las tablas 5.2 y 5.6.
Solución:
Hallemos la media, la varianza y la desviación estándar de la distribución de la tabla 5.6.
µ σ σX X X= = =9 92 4 35 2 092
, , ,
µ σ2
σ
Automóvil A 9,22 2,45 1,57
Automóvil. B 9,92 4,35 2,09
Tabla 5.7. Media, Varianza y Desviación estándar.
Comparando los valores en la tabla 5.7 se puede notar que:
• El promedio de recorrido del automóvil B es mayor al de A.
• La dispersión de los recorridos es mayor para el automóvil B que para el automóvil
A.
DEFINICIÓN 5.7. Varianza de una función relacionada con una variable aleatoria.
Sea X una variable aleatoria cuya distribución de probabilidad es f(x). La
varianza de la variable aleatoria g(X) viene dada por:
ߪ௚(௑)
ଶ
= ‫ܧ‬ ቀ൫݃(‫ݔ‬) − ߤ௚(௑)൯
ଶ
ቁ = ෍൫݃(‫)ݔ‬ − ߤ௚(௑)൯
ଶ
݂(‫)ݔ‬
௫
Si X es una variable aleatoria discreta.
ߪ௚(௑)
ଶ
= ‫ܧ‬ ቀ൫݃(‫)ݔ‬ − ߤ௚(௑)൯
ଶ
ቁ = න ൫݃(‫)ݔ‬ − ߤ௚(௑)൯
ଶ
݂(‫ݔ݀)ݔ‬
∞
ି∞
Si X es una variable aleatoria continua.

Observación 5.4.
La varianza de una variable aleatoria g(X), ya sea discreta o continua, viene dada
por:
ߪ௚(௑)
ଶ
= ‫ܧ‬((݃(ܺ))ଶ) − ߤ௚(௑)
ଶ
DEFINICIÓN 5.8. Desviación Estándar de una variable aleatoria.
Sea X una variable aleatoria con distribución de probabilidad f(x) y la media
ߤ௚(௑); la desviación estándar de la variable ݃(ܺ) viene dada por:
ߪ௚(௑) = ටߪ௚(௑)
ଶ
= ට‫ܧ‬((݃(ܺ))ଶ) − ߤ௚(௑)
ଶ
Ejemplo 5.12. Utilizando los datos del ejemplo 5.4; halle la varianza y la desviación
estándar de la variable ݃(ܺ).
Solución: del ejemplo 5.4 se tiene que:
ߤ௚(௑) = 10,22
De la definición 5.2 se tiene que:
‫ܧ‬((݃(ܺ))ଶ) = ෍(‫ݔ‬ + 1)ଶ
݂(‫ݔ‬)
௫
= 106,9
ߪ௚(௑)
ଶ
= 106,9 − (10,22)ଶ
= 2,45
ߪ௚(௑) = ඥ2,45 = 1,57
Ejemplo 5.12. Utilizando los datos del ejemplo 5.4; halle la varianza y la desviación
estándar de la variable ݃(ܺ).
Solución: del ejemplo 5.4 se tiene que:
ߤ௚(௑) = 73333,33

De la definición 5.2 se tiene que:
‫ܧ‬((݃(ܺ))ଶ) = න (20000‫ݔ‬ + 60000)ଶ
2‫ݔ݀ݔ‬
ଵ
଴
= 9 ∙ 10ଽ
ߪ௚(௑)
ଶ
= 9 ∙ 10ଽ
− (7,3333,33)ଶ
= 3622222711
ߪ௚(௑) = √3622222711 = 60184,9
COVARIANZA.
Observación 5.5.
Se pueden establecer relaciones entre dos variables aleatorias, X e Y, a través de lo
que se conoce como Covarianza, (σXY) de tal manera de si el valor de la covarianza:
• σXY >0 se dice que, a mayor valor de X mayor valor de Y; y que a menor valor de X
menor valor de Y.
• σXY <0 se dice que, a mayor valor de X menor valor de Y; y que a menor valor de X
mayor valor de Y.
Observación 5.6.
Si las variables aleatorias X e Y son independientes la covarianza es cero. Si la
covarianza es cero, no necesariamente las variables son independientes.
DEFINICIÓN 5.9. Covarianza
La covarianza de las variables aleatorias, con distribución de probabilidad
conjunta f(x, y) viene dada por:
ߪ௑௒ = ‫ܧ‬൫(ܺ − ߤ௑)(ܻ − ߤ௒)൯ = ෍ ෍(‫ݔ‬ − ߤ௑)(‫ݕ‬ − ߤ௒)݂(‫,ݔ‬ ‫)ݕ‬
௬௫

Si las variables aleatorias X e Y son discretas.
ߪ௑௒ = ‫ܧ‬൫(ܺ − ߤ௑)(ܻ − ߤ௒)൯ = න න (‫ݔ‬ − ߤ௑)(‫ݕ‬ − ߤ௒)݂(‫,ݔ‬ ‫ݕ݀ݔ݀)ݕ‬
∞
ି∞
∞
ି∞
Si las variables aleatorias X e Y son continuas.
Observación 5.7.
La covarianza de dos variables aleatorias X e Y con medias µX, µY,
respectivamente, viene dada por:
ߪ௑௒ = ‫ܧ‬(ܻܺ) − ߤ௑ߤ௒
Ejemplo 5.13. Utilizando los datos del ejemplo 5.7; halle la covarianza.
Solución:
‫ܧ‬(ܻܺ) = ෍ ෍ ‫݂ݕݔ‬(‫,ݔ‬ ‫ݕ‬) =
12
36
௬௫
Del ejemplo 5.7 se tiene que
ߤ௑ = 0,88 ߤ௒ = 0,66
ߪ௑௒ = 0,33 − (0,88)(0,66) = −0.25
Significa que a medida que aumenta el número de fusibles de 10 amperios disminuye el
número de fusibles de 15 amperios y viceversa.
Ejemplo 5.14. Utilizando los datos del ejemplo 5.6; halle la covarianza.
Solución:

‫,ܺ(ܧ‬ ܻ) = න න ‫,ݔ(݂ݕݔ‬ ‫ݕ݀ݔ݀)ݕ‬
∞
ି∞
∞
ି∞
= න න ‫ݕ݀ݔ݀2ݕݔ‬
ଵ
଴
ଵ
଴
=
1
2
ߤ௑ = 1 ߤ௒ = 1
ߪ௑௒ = 0,5 − 1 ∙ 1 = −0,5
Significa que a medida que aumenta la proporción de la sustancia A disminuye la
proporción de la sustancia B y viceversa.
PROPIEDADES DE LAS MEDIDAS DE TENDENCIA CENTRAL Y LAS DE
DISPERSIÓN.
Propiedad 5.1.
Sean m y k dos constantes cualesquiera, entonces:
‫ܧ‬(݉ܺ + ݇) = ݉‫ܧ‬(ܺ) + ݇
Propiedad 5.2.
Sean ݂ଵ(ܺ), ݂ଶ(ܺ), ݂ଷ(ܺ), ⋯ , ݂௞(ܺ) funciones de la variable aleatoria X, entonces:
‫݂(ܧ‬ଵ(ܺ) ± ݂ଶ(ܺ) ± ݂ଷ(ܺ) ± ⋯ ± ݂௞(ܺ))
= ‫ܧ‬൫݂ଵ(ܺ)൯ ± ‫ܧ‬൫݂ଶ(ܺ)൯ ± ‫ܧ‬൫݂ଷ(ܺ)൯ ± ⋯ ± ‫ܧ‬൫݂௞(ܺ)൯
Propiedad 5.3.
Sean ݂ଵ(ܺ, ܻ), ݂ଶ(ܺ, ܻ), ݂ଷ(ܺ, ܻ), ⋯ , ݂௞(ܺ, ܻ) funciones de las variables aleatorias X e Y,
entonces:
‫݂(ܧ‬ଵ(ܺ, ܻ) ± ݂ଶ(ܺ, ܻ) ± ݂ଷ(ܺ, ܻ) ± ⋯ ± ݂௞(ܺ, ܻ))
= ‫ܧ‬൫݂ଵ(ܺ, ܻ)൯ ± ‫ܧ‬൫݂ଶ(ܺ, ܻ)൯ ± ‫ܧ‬൫݂ଷ(ܺ, ܻ)൯ ± ⋯ ± ‫ܧ‬൫݂௞(ܺ, ܻ)൯

Propiedad 5.4.
Si las variables aleatorias X e Y son independientes; entonces
‫ܧ‬(ܻܺ) = ‫ܧ‬(ܺ)‫ܧ‬(ܻ)
Propiedad 5.5.
Sean m y k dos constantes cualesquiera; entonces
ߪ௠௑ା௞
ଶ
= ݉ଶ
ߪ௑
ଶ
Propiedad 5.6.
Sean X e Y son dos variables aleatorias cuya distribución de probabilidad
conjunta es f(x, y); entonces
ߪ௠௑ା௞௒
ଶ
= ݉ଶ
ߪ௑
ଶ
+ ݇ଶ
ߪ௒
ଶ
+ 2݉݇ߪ௑௒
Donde m y k son constantes.
Propiedad 5.7.
Si ܺଵ, ܺଶ, ܺଷ, ⋯ , ܺ௞ son variables aleatorias independientes, entonces
ߪ௠భ௑భା௠మ௑మା⋯ା௠ೖ௑ೖ
ଶ
= ݉ଵ
ଶ
ߪ௑భ
ଶ
+ ݉ଶ
ଶ
ߪ௑మ
ଶ
+ ⋯ + ݉௞
ଶ
ߪ௑ೖ
ଶ
donde m1, m2,..., mk son constantes
TEOREMA DE CHEBYSHEV.
Dado la media y la desviación estándar de una variable aleatoria, se puede
estimar la probabilidad de que el valor de la variable este en un intervalo.
Teorema 5.1.
Si X es una variable aleatoria con media µX y desviación estándar σX; la
probabilidad de que la variable aleatoria tome un valor dentro de k desviaciones estándar
respecto de la media es mayor o igual a 1 −
ଵ
௞మ es decir
ܲ(ߤ௑ − ݇ߪ௑ < ܺ < ߤ௑ + ݇ߪ௑) ≥ 1 −
1
݇ଶ
Ejemplo 5.15. Utilice el teorema de Chebyshev para estimar la probabilidad del
intervalo que contiene la variable aleatoria definida en el ejemplo 5.10.
Solución:

ߤ௑ = 9,92 ߪ௑ = 2,09
Utilizando el teorema de Chebyshev se tiene que
ܲ൫9,92 − ݇(2,09) < ܺ < 9.92 + ݇(2,09)൯ ≥ 1 −
1
݇ଶ
En particular si k=2, el intervalo queda así:
ܲ൫9,92 − 2(2,09) < ܺ < 9.92 + 2(2,09)൯ ≥ 1 −
1
2ଶ
ܲ(5,74 < ܺ < 14,1) ≥ 0,75
Esto significa que la probabilidad de que la cantidad de kilómetros que recorre un
automóvil este entre 5,74 y 14,1; con un valor dentro de 2 desviaciones estándar, es
mayor a 0,75.
Ejemplo 5.16. Utilice el teorema de Chebyshev, para estimar la probabilidad del
intervalo que contiene la variable aleatoria definida en el ejemplo 5.4.
Solución:
ߤ௑ = 0,67 ߪ௑ = 0,24
Utilizando el teorema de Chebyshev se tiene que
ܲ൫0,67 − ݇(0,24) < ܺ < 0,67 + ݇(0,24)൯ ≥ 1 −
1
݇ଶ
En particular si k=3, el intervalo queda así:
ܲ൫0,67 − 3(0,24) < ܺ < 0,67 + 3(0,24)൯ ≥ 1 −
1
3ଶ
ܲ(−0,05 < ܺ < 1,39) ≥ 0,67
Esto significa que la probabilidad de que la fracción de tiempo, que un torno está en
operación durante una semana de trabajo de 30 horas, está entre 0 y 1,39, con un valor
dentro de 3 desviaciones estándar, es mayor a 0,67.

1. La distribución de probabilidad siguiente representa las fallas de una computadora en
un día determinado.
x 0 1 2 3 4 5 6
f(x) 0,29 0,17 0,16 0,27 0,03 0,07 0,01
Halle la media, varianza y desviación estándar.
2. El gerente del departamento de ventas de una compañía elaboró una tabla de
distribución de probabilidad para la demanda diaria para una herramienta en
particular
x 0 1 2
f(x) 0,3 0,6 0,1
a. Establezca la distribución de probabilidad para dos días de demandas.
Sugerencia, elabore un diagrama de árbol.
b. Halle la media, varianza y desviación estándar para la demanda de dos días.
3. El funcionamiento hasta su primera falla (en ciertos de horas) para cierta resistencia
es una variable aleatoria continua con función de densidad dada por





≥
<
= −
0
2
00
)( 2
xe
x
xf x
π

4. El porcentaje de impurezas por unidad de producción en cierto producto químico es
una variable aleatoria continua con función de densidad dada por


 ≤≤−
=
casosotrosen
xxx
xf
0
101212
)(
32
5. Utilizando la distribución del ejercicio 2, sabiendo que el gerente cobra una comisión
de 300 Bs por cada herramienta despachada, halle la media, la varianza y desviación
estándar del cobro de comisión.
6. El tiempo total, medido en unidades de 100 horas, que un operador hace funcionar
un altoparlante en un período de seis meses, es una variable aleatoria continua con
función de densidad.





<≤−
<<
=
casosotrosen
xx
xx
xf
0
212
10
)(
Halle la media, la varianza y la desviación estándar de la variable aleatoria ݃(ܺ) =
60ܺଶ
+ 39ܺ donde ݃(ܺ) representa el número de kilovatios/hora consumidos
semestralmente.
7. Supóngase que las variables aleatorias X e Y tienen distribución de probabilidad
conjunta

f(x, y)
x
2 3 5
y
2
3
0,10
0,15
0,20
0,30
0,10
0,15
Halle la media de la variable aleatoria ݃(ܺ, ܻ) = 3ܻܺଶ
+ ܺଶ
ܻ.
8. Si la función de densidad conjunta de las variables aleatorias X e Y viene dada por


 <<<<+
=
casosotrosen
yxyx
yxf
0
21,10)2(
),( 7
2
Halle la media de la variable ݃(ܺ, ܻ) =
௑
௒య + ܺଶ
ܻ.
9. Utilizando la tabla del ejercicio 7 halle la media de la variable X.
10. Utilizando la tabla del ejercicio 7 halle la media de la variable Y.
11. Utilizando la función de densidad del ejercicio 8 halle la media de la variable X.
12. Utilizando la función de densidad del ejercicio 8 halle la media de la variable Y.
13. Utilizando la tabla del ejercicio 7, halle la covarianza.
14. Utilizando la tabla del ejercicio 8, halle la covarianza.
15. Utilice el teorema de Chebyshev para estimar la probabilidad del intervalo que
contiene la variable aleatoria definida en el ejercicio 1. Particularice para k =3.

CAPÍTULO 6
DISTRIBUCIONES DE PROBABLIDAD
DISCRETA
Al tratar de establecer una distribución de probabilidad para una variable
aleatoria se pude encontrar que:
• Se desconoce la probabilidad asociada a la distribución de probabilidad.
• Se conoce, por registros de procesos, que la probabilidad asociada a la
distribución es aproximadamente igual en todos los ensayos.
Estos dos aspectos nos obligan a asumir que la probabilidad p p p pk1 2 3; ; ; ;K
asignada a cada valor de la variable, es la misma; para facilitar una primera
aproximación. Es decir, asumimos una distribución uniforme.
Por otra parte, existen experimentos aleatorios que tienen distribuciones de
probabilidad muy sencillas, ya que sólo hay dos sucesos mutuamente excluyentes. Por
ejemplos, supóngase que en un proceso se requiere el estudio de los artículos
defectuosos y no defectuosos que salen de una ensambladora o que un proceso está
bajo especificaciones o no. Para normalizar la terminología que describe estos
procesos, se definirá éxito y fracaso. Estos términos sólo indican los resultados y no
tienen connotación de bondad en cuanto a los mismos. Por lo tanto, se puede utilizar el
término éxito para definir los artículos defectuosos en un proceso.
Los dos sucesos, éxito o fracaso, son de naturaleza cualitativas; no obstante se
pueden convertir estos sucesos en cuantitativos asignándoles el valor 1 al éxito y 0 al
fracaso.
Supóngase que una variable aleatoria X se define como el número de éxitos y
que tiene un valor x=4; esto significa que en el ensayo ocurrieron cuatro éxitos en el
numero n de veces que se repitió el experimento ݊ ≥ 4

En este capítulo se estudiarán las distribuciones con las características antes
mencionadas.
DISTRIBUCIÓN UNIFORME.
DEFINICIÓN 6.1. Distribución de Probabilidad Uniforme.
Si una variable aleatoria X puede tomar k valores distintos con iguales
probabilidades, la distribución es uniforme y viene dada por:
݂(‫ݔ‬) =
1
݇
݀‫ݔ ݁݀݊݋‬ = ‫ݔ‬ଵ, ‫ݔ‬ଶ, ‫ݔ‬ଷ, ⋯ , ‫ݔ‬௞
Ejemplo 6.1. El número X de casas que una compañía de bomberos puede atender
depende de la distancia x que un camión de bomberos puede cubrir en un periodo
específico. Supóngase que para P X P X( ) ( )≤ = ≥ =20 27 0 ; se desea establecer una
distribución de probabilidad para x ={21, 22, 23, 24, 25, 26}. Una manera un tanto
riesgosa es asignarle a cada valor de la variable la misma probabilidad; y por tanto sería
una distribución uniforme. Quedando definida por
x 21 22 23 24 25 26
f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Tabla 6.1 Distribución Uniforme
Gráfico 6.1. Distribución Uniforme
0
0,05
0,1
0,15
0,2
21 22 23 24 25 26
Probabilidad
Números de Casas
CASAS ATENDIDAS POR UNA
COMPAÑÍA DE BOMBEROS

DISTRIBUCIONES DE BERNOULLI.
DEFINICIÓN 6.1. Distribución de Bernoulli.
Sea X una variable aleatoria discreta, defínase p la probabilidad de éxito y q=1-p
la probabilidad de fracaso, la distribución de Bernoulli viene dada por
݂(‫,ݔ‬ ‫݌‬) = ‫݌‬௫(1 − ‫݌‬)ଵି௫
⇔ ݂(‫,ݔ‬ ‫݌‬) = ‫݌‬௫
‫ݍ‬ଵି௫
݀‫ ݁݀݊݋‬(‫ݔ‬ = 0) ‫ ݋‬(‫ݔ‬ = 1)
Ejemplo 6.1. Supóngase que la probabilidad de escoger un artículo no defectuoso es
0,67. Calcule la probabilidad de escoger uno defectuoso.
Solución:
Sea p la probabilidad de escogencia de un artículo defectuoso (éxito).
Sea q la probabilidad de escogencia de un artículo no defectuoso (fracaso).
Utilizando la definición 6.1 se tiene que]
݂(0; 0,67) = 0,67଴(1 − 0,67)ଵି଴
= 0,33
DISTRIBUCIONES BINOMIAL Y MULTINOMIAL.
Una variable aleatoria X tiene una distribución Binomial si cumple con las
siguientes condiciones:
• El experimento consiste en un número fijo de n ensayos repetidos.
• Cada ensayo tiene sólo dos resultados, éxito o fracaso.
• La probabilidad p permanece constante, de un ensayo a otro. Los ensayos son
independientes. Es decir, la distribución Binomial se basa en el supuesto de
que la población sea infinita y de que la muestra aleatoria se toma con
reposición (ver observación 3.3, cap. 3), de manera que las observaciones sean
independientes entre sí; y además la probabilidad permanece constante.

• Se define a X como el número de éxitos en n ensayos. Esto es, si x es el
número de éxitos entonces n- x es el número de fracasos.
DEFINICIÓN 6.2. Distribución Binomial.
Si un intento Binomial puede resultar en un éxito con probabilidad p y en un
fracaso con probabilidad q=1-p, entonces la distribución de probabilidad de la variable
aleatoria Binomial X, definida como el número de éxitos en n ensayos independientes,
viene dada por
ܾ(‫;ݔ‬ ݊; ‫݌‬) = ቀ
݊
‫ݔ‬
ቁ ‫݌‬௫
‫ݍ‬௡ି௫
‫ݔ‬ = 0,1,2,3, ⋯ , ݊
Observación 6.1.
El número combinatorio
ቀ
݊
‫ݔ‬
ቁ =
݊!
‫!ݔ‬ (݊ − ‫ݔ‬)!
Ejemplo 6.2. En una fábrica se asegura que el 30% de las áreas reducen el consumo de
energía eléctrica, al realizar cambios en el sistema de iluminación. Halle la
probabilidad de que 2 de 5 áreas reduzcan el consumo de energía eléctrica en las áreas.
Solución: Sea X el número de áreas que reducen el consumo de energía eléctrica. El
experimento cumple con los requerimientos de una distribución Binomial, ya que, los
ensayo son independientes (la fábrica está dividida por áreas); la probabilidad
permanece constante p= 0,3; existen dos alternativas (se reduce o no se reduce el
consumo de energía eléctrica).
‫ݔ‬ = 0,1,2,3,4,5 ݊ = 5 ‫݌‬ = 0,3 ‫ݍ‬ = 1 − ‫݌‬ = 1 − 0,3 = 0,7
ܾ(0; 5; 0,3) = ൬
5
0
൰ (0,3)଴(0,7)ହି଴
= 0,17
ܾ(1; 5; 0,3) = ൬
5
1
൰ (0,3)ଵ(0,7)ହିଵ
= 0,36

ܾ(2; 5; 0,3) = ൬
5
2
൰ (0,3)ଶ(0,7)ହିଶ
= 0,31
ܾ(3; 5; 0,3) = ൬
5
3
൰ (0,3)ଷ(0,7)ହିଷ
= 0,13
ܾ(4; 5; 0,3) = ൬
5
4
൰ (0,3)ସ(0,7)ହିସ
= 0,028
ܾ(5; 5; 0,3) = ൬
5
5
൰ (0,3)ହ(0,7)ହିହ
= 0,002
En particular b(2; 5; 0,3)=0,31 significa que la probabilidad de que 2 de 5 áreas
reduzcan su consumo eléctrico es de 0,31. Igual interpretación se puede realizar para los
otros valores.
La distribución de probabilidad está dada por:
x 0 1 2 3 4 5
b(x,5; 0,3) 0,17 0,36 0,31 0,13 0,028 0,002
Tabla 6.2. Distribución Binomial
Gráfico 6.2. Distribución Binomial
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 1 2 3 4 5
probabilidad
Número de Áreas
ÁREAS DE TRABAJO DE UNA
FÁBRICA

Observación 6.2.
Si n es muy grande, se utiliza la fórmula
ܲ(ܺ ≤ ‫)ݔ‬ = ‫;ݔ(ܤ‬ ݊; ‫)݌‬ = ෍ ܾ(݇; ݊; ‫)݌‬
௫
௞ୀ଴
݀‫ݔ ݁݀݊݋‬ = 0,1,2,3, ⋯ , ݊
La tabla 1 anexa, proporciona las probabilidades acumuladas B(x; n; p), en lugar de los
valores de b(x; n; p).
Ejemplo 6.3. Calcule P X B( ) ( ; ; , )≤ =5 5 20 0 25 utilizando la tabla 1 anexa.
Solución:
La tabla 1 está conformada por fila y columnas. En la primera columna se encuentran los
valores de n; en la segunda los valores de x; y en resto los valores de las probabilidades.
Para calcular la probabilidad acumulada B(5; 20; 0,25) Se ubica n=20, luego x=5,
siguiendo por la fila hasta la intersección con la columna que contiene p=0,25; se
obtiene que B(5; 20; 0,25)=0,6172.
Observación 6.3.
Si se desea calcular la probabilidad b(x; n; p), es decir para un valor particular,
utilizando la tabla 1, se puede aplicar la fórmula.
ܾ(‫;ݔ‬ ݊; ‫݌‬) = ‫ܤ‬(‫;ݔ‬ ݊; ‫݌‬) − ‫ܤ‬(‫ݔ‬ − 1; ݊; ‫݌‬)
Ejemplo 6.4. Un fabricante de neveras afirma que solamente el 10% de las neveras
requiere reparación dentro del período de garantía.
a.- ¿Cuál es la probabilidad de que a lo sumo 6 de 20 neveras fallen antes de
finalizar la garantía?
b.- ¿Cuál es la probabilidad de que fallen entre 3 y 6 (inclusive el 3 y el 6) de 20
neveras, antes de finalizar la garantía?
c.- ¿Cuál es la probabilidad de que más de 6 neveras fallen antes de finalizar la
garantía?

d. ¿Cuál es la probabilidad de que 6 neveras fallen antes de finalizar la garantía?
Solución: Sea X el número de neveras que fallen antes de finalizar la garantía.
Utilizando la tabla 1 se tiene que.
Parte a.
ܲ(ܺ ≤ 6) = ‫;6(ܤ‬ 20; 0,1) = ෍ ܾ(6; 20; 0,1)
଺
௞ୀ଴
= 0,9976
Parte b.
ܲ(3 ≤ ܺ ≤ 6) = ܲ(ܺ ≤ 6) − ܲ(ܺ ≤ 2)
ܲ(ܺ) ≤ 2 = ‫ܤ‬(2; 20; 0,1) = 0,6769
ܲ(3 ≤ ܺ ≤ 6) = 0,9976 − 0,6769 = 0,3207
Parte c.
ܲ(ܺ > 6) = 1 − ܲ(ܺ ≤ 6) = 1 − ‫ܤ‬(6; 20; 0,1) = 1 − 0,9976 = 0,0024
Parte d.
ܲ(ܺ = 6) = ܾ(6; 20; 0,1) = ‫ܤ‬(6; 20; 0,1) − ‫ܤ‬(5; 20; 0,1) = 0,9976 − 0,9887
= 0,0089
Teorema 6.1.
La media, la varianza y la desviación estándar de una distribución Binomial
vienen dadas por:
ߤ௑ = ݊‫ߪ ݌‬௑
ଶ
= ݊‫ߪ ݍ݌‬௑ = ටߪ௑
ଶ
Ejemplo 6.5. En relación con ejemplo 6.4; supóngase que se desea estimar la media, la
varianza y la desviación estándar, de las neveras que fallen antes que venza su garantía,
entre un lote de 15 neveras.

Solución:
Utilizando el teorema 6.1 se tiene que.
n p q p= = = − =15 0 1 1 0 9, ,
16,135,135,1)9,0)(1,0(15
5,1)1,0(15
2
====
==
XX
X
σσ
µ
DEFINICIÓN 6.3. Distribución Multinomial.
Si un ensayo puede conducir k resultados
A A Ak1 2, , ,K , con probabilidades p p pk1 2, , ,K respectivamente, entonces la
distribución de probabilidad multinomial de las variables aleatorias X X X k1 2, , ,K en n
ensayos independientes viene dada por
݂(‫ݔ‬ଵ, ‫ݔ‬ଶ, ⋯ , ‫ݔ‬௞; ‫݌‬ଵ, ‫݌‬ଶ, ⋯ , ‫݌‬௞; ݊) = ൬
݊
‫ݔ‬ଵ, ‫ݔ‬ଶ, ⋯ , ‫ݔ‬௞
൰ ‫݌‬ଵ
௫భ
‫݌‬ଶ
௫మ
⋯ ‫݌‬௞
௫ೖ

݀‫ ݁݀݊݋‬ ෍ ‫ݔ‬௜ = ݊ ෍ ‫݌‬௜
௞
௜ୀଵ
= 1
௞
௜ୀଵ
Teorema 6.2.
La media, la varianza, la desviación estándar y la covarianza de una distribución
Multinomial, de las variables X X X k1 2, , ,K . Para los ensayos los k resultados
A A Ak1 2, , ,K , con probabilidades p p pk1 2, , ,K vienen dadas por:
ߤ௑೔
= ݊‫݌‬௜
ߪ௑೔
ଶ
= ݊‫݌‬௜(1 − ‫݌‬௜)
ߪ௑೔
= ටߪ௑೔
ଶ
݀‫݅ ݁݀݊݋‬ = 1,2,3, ⋯ , ݇
ߪ௑೔௑ೕ
= −݊‫݌‬௜‫݌‬௝ ‫݅ ܽݎܽ݌‬ ≠ ݆
Observación 6.4.
La expresión
൬
݊
‫ݔ‬ଵ, ‫ݔ‬ଶ, ⋯ , ‫ݔ‬௞
൰ =
݊!
‫ݔ‬ଵ! ‫ݔ‬ଶ! ⋯ ‫ݔ‬௞!

Ejemplo 6.6. Un distribuidor recibe un lote de lámparas para retroproyector con las
siguientes especificaciones: la probabilidad de que dure menos de 50 horas con uso
continuo es 0,29; la probabilidad de que dure entre 50 y 75 horas con uso continuo es
0,55; la probabilidad de que dure más de 75 horas con uso continuo es 0,22.
Calcule la probabilidad de que 7 lámparas duren menos de 50 horas, 4 duren entre 50 y
75 horas y 2 duren más de 75 horas.
a) Calcular el promedio de lámparas que duren menos de 50 horas.
b) Calcular la varianza y la desviación estándar de las lámparas que duren menos de 50
horas.
c) Calcular la covarianza de las lámparas que duren menos de 50 horas y las que duren
entre 50 y 75 horas.
Solución:
Parte a)
Sea X1 el número de lámparas que duran menos 50 horas de uso continuo;
Sea X2 el número de lámparas que duran entre 50 y 75 horas;
Y sea X3 el número de lámparas que duran más de 75 horas de uso continuo.
Utilizando la definición 6.3 se tiene que
݊ = 7 + 4 + 2 = 13
‫ݔ‬ଵ = 7; ‫ݔ‬ଶ = 4; ‫ݔ‬ଷ = 2
‫݌‬ଵ = 0,29 ‫݌‬ଶ = 0,55 ‫݌‬ଷ = 0,22
൬
13
7,4,2
൰ =
13!
7! 4! 2!
= 25740
݂(7; 4; 2; (0,29); (0,55); (0,22); 13) = 25740(0,29)଻(0,55)ସ(0,22)ଶ
= 0,0197
Parte b)
ߤ௑భ
= ݊‫݌‬ଵ = 13(0,29) = 3,77

Parte c)
ߪ௑భ
ଶ
= ݊‫݌‬ଵ(1 − ‫݌‬ଵ) = 13(0,29)(1 − 0,29) = 2,68
ߪ௑భ
= ඥ2,68 = 1,64
Parte d)
ߪ௑భ௑మ
= −݊‫݌‬ଵ‫݌‬ଶ = −13(0,29)(0,55) = −207
DISTRIBUCIÓN HIPERGEOMÉTRICA.
Cuando la población es finita y la muestra aleatoria se toma sin reposición, la
probabilidad cambiará para cada ensayo. En este tipo de problema se aplica una
distribución Hipergeométrica. De resto esta distribución coincide con la Binomial.
DEFINICIÓN 6.4. Distribución Hipergeométrica. Sea X la variable aleatoria definida
como el número de éxitos en una muestra aleatoria de tamaño n, seleccionada de N
resultados de los cuales k son éxitos y N- k son fracasos; la distribución
Hipergeométrica de la variable aleatoria X viene dada por
ℎ(‫;ݔ‬ ܰ; ݊; ݇) =
൫௞
௫
൯൫ேି௞
௡ି௫
൯
൫ே
௡
൯
‫ݔ ܽݎܽ݌‬ = 0,1,2, ⋯ , ݊
Ejemplo 6.7. Un lote de 30 computadoras contiene 6 defectuosas. Si 12 de ellas, se
escogen al azar, y se revisan una tras otra ¿Cuál es la probabilidad de que 3 estén
defectuosas?
Solución:
Sea X el número de computadoras defectuosas en una muestra de 12.
Ya que las computadoras son revisadas una tras otras, los ensayos son hechos sin
reposición, por lo tanto las probabilidades varían de un ensayo a otro. De esto se
desprende que la distribución es Hipergeométrica.

‫ݔ‬ = 3 ܰ = 30 ݊ = 12 ݇ = 6
ℎ(3; 30; 12; 6) =
൫଺
ଷ
൯൫ଷ଴ି଺
ଵଶିଷ
൯
൫ଷ଴
ଵଶ
൯
=
(20)(1307504)
86493225
= 0,3
Teorema 6.3.
La media, la varianza y la desviación estándar de una distribución
Hipergeométrica son:
ߤ௑ =
݊݇
ܰ
ߪ௑
ଶ
=
ܰ − ݊
ܰ − 1
݊
݇
ܰ
൬1 −
݇
ܰ
൰
ߪ௑ = ටߪ௑
ଶ
Ejemplo 6.8. En relación con ejemplo 6.7; supóngase que se desea estimar la media, la
varianza y la desviación estándar del número de computadoras defectuosas en la muestra
de 12 de ellas escogidas al azar, sin reposición.
Solución:
Del ejemplo 6.7 y teorema 6.3 se tiene que
ߤ௑ =
(12)(6)
30
= 2,4
ߪ௑
ଶ
=
30 − 12
30 − 1
12
6
30
൬1 −
6
30
൰ = 1,19
ߪ௑ = ඥ1,19 = 1,09

Observación 6.5.
En la medida en que n sea extremadamente más pequeña que N, la probabilidad,
de un ensayo a otro, cambiará ligeramente. Por lo tanto, se puede realizar una
aproximación a una distribución Hipergeométrica, utilizando una Binomial con p= k/N.
Ejemplo 6.9. Un fabricante de puestas de metal señala que en un despacho de 6000
puertas enviadas a una ferretería, 300 estas ligeramente dañadas. Si un comprador
adquiere 9 de estas puestas, seleccionadas al azar ¿Cuál es la probabilidad de que
exactamente 4 estén dañadas?
Solución:
Sea X el número de puertas defectuosas en una muestra de 9 puertas.
Ya que n=9 es muy pequeña en relación con N=6000; utilizando la observación 6.5,
donde 05,0
6000
300
==p se tiene que
ℎ(4; 6000; 9; 300) ≅ ܾ൫4; 9; (0,05)൯ = ൬
9
4
൰ (0,05)ସ(0,95)ଽିସ
= 0,00061
DEFINICIÓN 6.5. Distribución Hipergeométrica Multivariada.
Si N resultados se pueden repartir en k grupos A A Ak1 2, , ,K con c c ck1 2, , ,K
elementos, respectivamente, entonces la distribución de probabilidad Hipergeométrica
Multivariada de las variables aleatorias X X X K1 2, , ,K que define el número de
elementos seleccionados de A A Ak1 2, , ,K en una muestra aleatoria de tamaño n viene
dada por
݂(‫ݔ‬ଵ, ‫ݔ‬ଶ, ⋯ , ‫ݔ‬௞; ܿଵ, ܿଶ, ⋯ , ܿ௞; ܰ; ݊) =
ቀ௖భ
௫భ
ቁ ቀ௖మ
௫మ
ቁ ⋯ ቀ௖ೖ
௫ೖ
ቁ
൫ே
௡
൯

݀‫ ݁݀݊݋‬ ෍ ‫ݔ‬௜ = ݊ ෍ ܿ௜
௞
௜ୀଵ
= ܰ
௞
௜ୀଵ
Ejemplo 6.10. En una convención anual de una empresa están presentes 2 gerentes, 3
accionistas, 5 administradores y 2 dirigentes sindicales. Si se selecciona al azar un
equipo de 4 personas, calcule la probabilidad de que todos los grupos estén
representados.
Solución:
Sea X1 el número de gerentes seleccionados. Sea X2 el número de accionistas
seleccionados. Sea X3 el número de administradores seleccionados. Sea X4 el número de
dirigentes sindicales seleccionados. Para formar una muestra de tamaño 4.
Ya que hay 4 grupos se debe escoger uno de cada uno, por lo tanto
x x x x1 2 3 4 1= = = = .
Número de elementos por grupo c c c c1 2 3 42 3 5 2= = = =, , ,
El total de elementos N=12.
La muestra n=4.
݂(1,1,1,1, ; 2,3,5,2; 12; 4) =
൫ଶ
ଵ
൯൫ଷ
ଵ
൯൫ହ
ଵ
൯൫ଶ
ଵ
൯
൫ଵଶ
ସ
൯
= 0,12
DISTRIBUCIÓN BINOMIAL NEGATIVA
En una distribución Binomial se calcula la probabilidad de que un determinado
número de éxitos ocurra en un determinado número de ensayos. En otros experimentos
con las características de una distribución Binomial, puede interesar la probabilidad de
que el k -ésimo éxito ocurra en el x –ésimo ensayo. A este tipo de experimento se le

denomina distribución Binomial negativa. En la distribución Binomial la variable
aleatoria X representa el número de éxitos. En ésta la X representa el número de ensayos
necesarios para producir k éxitos.
DEFINICIÓN 6.6. Distribución Binomial Negativa.
En un experimento cuyos ensayos son repetidos e independientes, produciendo
un éxito con probabilidad p y un fracaso con probabilidad 1-p, la distribución de
probabilidad de la variable X, la cual representa el número de ensayos en el cual se
produce el k –ésimo éxito, está dada por
ܾ∗(‫;ݔ‬ ݇; ‫݌‬) = ൬
‫ݔ‬ − 1
݇ − 1
൰ ‫݌‬௞
‫ݍ‬௫ି௞
݀‫ݔ ݁݀݊݋‬ = ݇, ݇ + 1, ݇ + 2, ⋯
Teorema 6.4.
La media, la varianza y la desviación estándar de una distribución Binomial
Negativa vienen dadas por:
ߤ௑ =
݇
‫݌‬
ߪ௑
ଶ
=
݇(1 − ‫݌‬)
‫݌‬ଶ
ߪ௑ = ටߪ௑
ଶ
Ejemplo 6.11. Supóngase que el 15% de Licuadoras en determinada línea de ensamblaje
tienen defectos. Si se seleccionan al azar las Licuadoras, una tras otra y se someten a
prueba para luego devolverlas a la línea
a. Calcular la probabilidad de que se encuentre la segunda Licuadora defectuosa
en el cuarto ensayo.
b. Calcular la media, varianza y desviación estándar.
Solución:
Sea X el número de ensayos en el cual hay dos Licuadoras defectuosas.
Parte a: De la definición 6.6, se tiene que

85,0115,0 =−== pqp
k=2 significa la segunda Licuadora defectuosa
x=4 significa el cuarto ensayo en el cual se encuentra la segunda Licuadora defectuosa
ܾ∗
൫2; 4; (0,15)൯ = ൬
3
1
൰ (0,15)ଶ(0,85)ସିଶ
= 0,049
Parte b: Utilizando el teorema 6.4 se tiene que
ߤ௑ =
2
0,15
= 13,3
ߪ௑
ଶ
=
2(1 − 0,15)
(0,15)ଶ
= 7,56
ߪ௑ = ඥ7,56 = 8,69
Este resultado significa que se deben efectuar un promedio de 13,3 ensayos con una
desviación estándar de 8,69 para lograr dos Licuadoras defectuosas.
DISTRIBUCIÓN GEOMÉTRICA.
Como un caso particular de la distribución Binomial Negativa se tiene la
distribución Geométrica; tomando k=1.
DEFINICIÓN 6.7. Distribución Geométrica.
En un experimento cuyos ensayos son repetidos e independientes, produciendo
un éxito con probabilidad p y un fracaso con probabilidad 1-p, la distribución de
probabilidad Geométrica de la variable X, la cual representa el número de ensayos en el
cual se produce el primer (k=1) éxito, está dada por
݃(‫,ݔ‬ ‫݌‬) = ‫ݍ݌‬௫ିଵ
݀‫ݔ ݁݀݊݋‬ = 1,2,3, ⋯

Teorema 6.5.
La media, la varianza y la desviación estándar de una distribución Geométrica,
vienen dadas por:
ߤ௑ =
1
‫݌‬
ߪ௑
ଶ
=
(1 − ‫)݌‬
‫݌‬ଶ
ߪ௑ = ටߪ௑
ଶ
Ejemplo 6.12. Si 0,08 es la probabilidad de que cierto instrumento de medición de
intensidad de luz sufra una desviación excesiva,
a. ¿Cuál es la probabilidad de que el sexto de los instrumentos sometidos a
prueba sea el primero en mostrar esa desviación?
b. Calcular la media, varianza y desviación estándar.
Solución:
Sea X el número de ensayos en el cual se produce el primer (k=1) instrumento que
muestra una desviación excesiva.
Parte a: Utilizando la definición 6.7 se tiene que
x=6 es el número de instrumentos sometidos a prueba,
‫݌‬ = 0,08 ‫ݍ‬ = 1 − ‫݌‬ = 0,92
݃(6; 0,08) = (0,08)(0,92)଺ିଵ
= 0,053
ߤ௑ =
1
0,08
= 12,5

ߪ௑
ଶ
=
(1 − 0,08)
(0,08)ଶ
= 143,75
ߪ௑ = ඥ143,75 = 11,98
DISTRIBUCIÓN DE POISSON.
La distribución de Poisson representa la probabilidad de que un evento aislado
ocurra un número específico de veces en un intervalo de tiempo o espacio dado. La
ocurrencia de eventos sólo se verá afectada por la casualidad o por el azar; por lo tanto,
la posición de un evento no servirá para predecir la localización de cualquier otro
evento específico. Además, los datos acerca de un intervalo de tiempo o espacio
tampoco facilitan la predicción del número de eventos que se presentarán en otro evento.
Un experimento de Poisson tiene las siguientes características.
a. El número de resultados que ocurren en un intervalo de tiempo o espacio, es
independiente del número que se tiene en cualquier otro intervalo.
b. La probabilidad de que un solo resultado ocurra durante un lapso muy corto
o en una pequeña región, es proporcional a la magnitud del intervalo de
tiempo o espacio, y no depende del número de resultados que se produzcan
fuera del intervalo considerado.
c. La probabilidad de que ocurra más de un resultado en ese breve lapso o de
que caiga en un pequeño espacio resulta despreciable.
DEFINICIÓN 6.8. Distribución de Poisson.
Sea X la variable aleatoria que representa el número de resultados que se
producen en un intervalo de tiempo o espacio dado; la distribución de Poisson está dada
por

‫݌‬(‫;ݔ‬ ߤ) =
݁ିఓ
ߤ௫
‫!ݔ‬
݀‫ݔ ݁݀݊݋‬ = 0,1,2, ⋯
ߤ௫
Representa la media de resultados que ocurren en un intervalo de tiempo o espacio.
El valor de 72,2≅e .
Teorema 6.6.
La media, la varianza y la desviación estándar de una distribución de Poisson
vienen dadas por:
ߤ௑ = ߪ௑
ଶ
ߪ௑ = ඥߤ௑
Ejemplo 2.13. En el departamento de mantenimiento de máquinas se recibe un
promedio de 6 solicitudes de servicio por día.
a. ¿Cuál es la probabilidad de que se reciban exactamente 3 solicitudes por día?
b. Estimar la media, la varianza y la desviación estándar.
Solución:
Sea X el número de solicitudes de servicio por día, que recibe el departamento de
mantenimiento.
Parte a: Utilizando la definición 6.8 se tiene que
ߤ௑ = 6; ‫ݔ‬ = 3 ⇒ ‫݌‬(3; 6) =
݁ି଺
6ଷ
3!
= 0,089
ߤ௑ = 6 = ߪ௑
ଶ
ߪ௑ = ඥߤ௑ = √6 = 2,45
Ejemplo 2.14. En promedio, cada rollo de 400 metros de aluminio laminado tiene tres
defectos ¿Cuál es la probabilidad de que un espacio de 100 metros no tenga ningún
defecto?
Solución:
Sea X el número de defectos que puede tener el laminado por espacio.

Ya que el promedio por cada 400 metros es 3, entonces por 100 metros será
ߤ௑ =
ଵ଴଴(ଷ)
ସ଴଴
= 0,75 (Regla de tres).
Utilizando la definición 6.8 se tiene que
ߤ = (0,75); ‫ݔ‬ = 0 ⇒ ‫;0(݌‬ 0,75) =
(݁)ି଴,଻ହ(0,75)଴
0!
= 0,47
Observación 6.6.
Si n es muy grande, se utiliza la fórmula
ܲ(ܺ ≤ ‫ݔ‬) = ܲ(‫;ݔ‬ ߤ) = ෍ ‫;݇(݌‬ ߤ)
௫
௞ୀ଴
La tabla 2 anexa, proporciona las probabilidades acumuladas P(x; µ) en lugar de los
valores de p(x; µ). El manejo de esta tabla es similar al de la tabla de la distribución
Binomial (ver observación 6.2 y ejemplo 6.3).
Observación 6.7. Si se desea calcular la probabilidad p(x; µ), es decir para un valor
particular, utilizando la tabla 2, se puede aplicar la fórmula.
‫݌‬(‫;ݔ‬ ߤ) = ܲ(‫;ݔ‬ ߤ) − ܲ(‫ݔ‬ − 1; ߤ)
Ejemplo 2.15. Al examinar la aplicación de estaño por un proceso electrolítico
continuo, se descubren en promedio 0,3 imperfecciones por minuto.
a. ¿Cuál es la probabilidad de encontrar 3 imperfecciones en 4 minutos?
b. ¿Cuál es la probabilidad de que hayan más de 4 imperfecciones en 6
minutos?
c. ¿Cuál es la probabilidad de a lo sumo 6 imperfecciones en 15 minutos?

Solución:
Sea X el número de imperfecciones por un espacio de tiempo.
Parte a: Utilizando la observación 6.6 y 6.7 se tiene que
0,3 imperfecciones por minuto equivalen a (0,3)4 = 1,2 imperfecciones en 4 minutos.
ߤ = 1,2; ‫ݔ‬ = 3 ⇒ ‫;3(݌‬ 1,2) = ܲ(3; 1,2) − (ܲ(2; 1,2) = 0,966 − 0,879 = 0,087
Parte b: Utilizando la observación 6.6 se tiene que
0,3 imperfecciones por minuto equivalen a 1,8 imperfecciones en 6 minutos. Dado que
se quiere calcular que hayan más de 4 infectados, se tiene que calcular ܲ(ܺ > 4) o
equivalente 1 − ܲ(ܺ ≤ 4)
ߤ = 1,8; ‫ݔ‬ = 4 ⇒ 1 − ܲ(ܺ ≤ 4) = 1 − ܲ(4; 1,8) = 1 − 0,964 = 0,036.
Parte c: Utilizando la observación 6.6 se tiene que
0,3 imperfecciones por minuto equivalen a 4,5 imperfecciones en 15 minutos.
ߤ = 4,5; ‫ݔ‬ = 6 ⇒ ܲ(ܺ ≤ 6) = ܲ(6; 4,5) = 0,831
El valor 0,831 es un promedio de los valores entre µ= 4,4 y µ= 4,6
Observación 6.8.
Se puede utilizar la distribución de Poisson para hallar una aproximación de la
distribución Binomial; cuando n es muy grande y p se aproxima a cero, esto es, cuando
la distribución Binomial es muy sesgada; tomando µ =np. Usualmente esta
aproximación es satisfactoria cuando 05,020 ≤≥ pyn ; y excelente cuando
10100 ≤≥ npyn . En el caso en que p este cerca de 1, se puede utilizar la
distribución de Poisson para aproximar la Binomial intercambiando las definiciones de
lo que se considera éxito y fracaso.
Teorema 6.7. Aproximación de la distribución Binomial a través de la de Poisson.
Sea X una variable aleatoria con distribución Binomial b(x; n, p). Cuando n es
muy grande y α = np permanece constante,

ܾ(‫;ݔ‬ ݊; ‫݌‬) ≅ ‫݌‬(‫;ݔ‬ ߤ)
Ejemplo 6.16. En un proceso de fabricación de botellas para refrescos presentan
defectos de rajaduras que no son aceptadas por los compradores. Se sabe que en
promedio 1 de cada 1000 de estos artículos tienen 2 o más rajaduras ¿Cuál es la
probabilidad de que en una muestra de 9000 botellas se encuentren a lo sumo 8 botellas
con defectos?
Solución:
En las condiciones en que está planteado el problema, se trata de una distribución
Binomial. Pero se puede realizar una aproximación utilizando Poisson; ya que,
݊ = 9000 ≥ 100; ܲ =
1
1000
≤ 0,05; ݊‫݌‬ = 9 ≤ 10
Sea X el número de botellas con defectos.
Utilizando el teorema 6.7, donde x=8, se tiene que
ܲ(ܺ ≤ 8) = ‫ܤ‬(8; 9000; 0,001) ≅ ܲ(8; 9) = 0,456
TEORÍA DE COLAS.
Se pueden presentar problemas que tienen las características de un proceso de
Poisson donde se relacionan números de unidades (automóviles, clientes, etc.) que son
atendidos o que esperan ser atendidos en un lapso de tiempo muy breve.
DEFINICIÓN 6.9.
Supóngase que α es la tasa promedio de las unidades que son atendidas y β es la
tasa promedio de las unidades que esperan; o α es la tasa promedio de las unidades que
esperan y β es la tasa promedio de las unidades que son atendidas; de tal manera que
ߙ < ߚ. Donde la variable aleatoria representa el número de unidades que esperan o son
atendidas.

a) Su distribución de probabilidad está dada por
ߨ(‫ݔ‬) = ൬1 −
ߙ
ߚ
൰ ൬
ߙ
ߚ
൰
௫
݀‫ݔ ݁݀݊݋‬ = 0,1,2, ⋯
b) El número promedio de unidades atendidos o en espera esta dado por
ߙ
ߚ − ߙ
c) El número promedio de unidades que esperan esta dado por
ߙଶ
ߚ(ߚ − ߙ)
d) El tiempo promedio de espera esta dado por
ߙ
ߚ(ߚ − ߙ)
Ejemplo 6.17. El arribo de automóviles a una estación de servicio de gasolina es un
proceso de Poisson cuya tasa promedio de llegada de 2 por minuto. Los automóviles
son atendidos con una tasa promedio de 3 por minuto; este servicio continua
ininterrumpidamente hasta que todos los automóviles sean atendidos.
a) ¿Cuál es la probabilidad de que no haya automóviles es la cola?
b) ¿Cuál es el promedio de automóviles que son atendidos o que esperan ser
atendidos?
c) ¿Cuál es el promedio de automóviles en la cola?
d) ¿Cuál es el tiempo promedio de clientes que esperan ser atendidos?
Solución: X es el número de automóviles que esperan son atendidos en una estación de
servicio de gasolina.

Parte a: Utilizando la definición 6.9 parte a) donde α =2, β =3 y x=0. Se tiene que la
probabilidad de que no haya automóviles en la cola es.
33,0
3
2
3
2
1)0(
0
=











−=π
Parte b: Utilizando la definición 6.9 parte b) donde α =2 y β =3. Se tiene que el
promedio de automóviles que son atendidos o que esperan ser atendidos es.
1
23
2
=
−
Parte c: Utilizando la definición 6.9 parte c) donde α =2 y β =3. Se tiene que el
promedio de automóviles de automóviles en la cola es
( )
33,1
233
22
=
−
Parte d: Utilizando la definición 6.9 parte d) donde α =2 y β =3. Se tiene que el tiempo
promedio (en minutos) de clientes que esperan ser atendidos es.
2
3(3 − 2)
= 0,67
1. Un obrero es seleccionado de un grupo de 12, para realizar un trabajo, extrayendo un
número al azar de una caja que contiene 12 números, numerados del 1 al 12.

a. ¿Qué tipo de distribución representa el problema anterior?
b. Obtenga la distribución de probabilidad.
c. ¿Cuál es la probabilidad de que el número extraído sea menor que 4?
2. Al someter a prueba un tipo de caucho para camiones sobre terreno mojado, se
observó que el 30 % de los camiones no terminaron la prueba por deslizamientos de
éstos. De los siguientes 16 camiones sometidos a prueba,
a. Halle la probabilidad de que exactamente 6 camiones no finalicen la prueba.
b. Halle la probabilidad de que de 4 a 8 camiones no finalicen la prueba.
c. Halle la probabilidad de que menos de 5 camiones no finalicen la prueba.
d. Halle la probabilidad de que más de 7 no finalicen la prueba.
3. Una compañía distribuidora de gas suministra a 10 establecimientos su producto. La
probabilidad de que cualquiera de los establecimientos llame y haga un pedido es de
0,2, y es la misma para los otros establecimientos.
a. Halle la probabilidad de que exactamente 4 establecimientos soliciten gas.
b. Halle la probabilidad de que de 2 a 8 establecimientos soliciten gas.
c. Halle la probabilidad de que menos de 5 establecimientos soliciten gas.
d. Halle la probabilidad de que más de 7 establecimientos soliciten gas.
4. Se construye un sistema eléctrico con determinado número de componentes de
respaldo en sus subsistemas. Un subsistema tiene 5 componentes idénticos, y cada
uno tiene probabilidad 0,3 de fallar en menos de 1000 horas. Si se supone que los
componentes trabajan de manera independientes, calcular la probabilidad de que
a. Exactamente dos de los cuatro componentes duren más de 1000 horas.
b. El subsistema trabaje más de 1000 horas.
c. Halle la media, varianza y la desviación estándar del evento que consiste en que
el subsistema funcione.
5. La probabilidad de que el nivel de ruido de un torno exceda 3 dB es 0,06.

a. Halle la probabilidad de que entre 11 de estos tornos el nivel de ruido en uno
exceda 3 dB.
b. Halle la probabilidad de que entre 11 de estos tornos el nivel de ruido a lo más en
dos se exceda 3 dB.
c. Halle la probabilidad de que entre 11 de estos tornos el nivel de ruido en dos o
más se exceda 3 dB.
d. Halle la media, varianza y la desviación estándar.
6. El departamento de bomberos de una ciudad informa que entre los incendios en
casas, un 72% aproximadamente se dan en casas solas, un 21% en apartamentos y el
7% restantes se presenta en otros tipos de vivienda. Si en un determinado día se
informa independientemente de 4 incendios, calcular la probabilidad de que 2 sean
en casas solas, 1 en un apartamento y 1 en otro tipo de vivienda.
7. Los vehículos que llegan a un cruce pueden virar hacia la izquierda o a la derecha, o
continuar de frente. En un estudio sobre los patrones del tránsito en este cruce,
realizado durante un largo período, los inspectores han observado que el 45% de los
vehículos da vuelta a la izquierda, el 20% a la derecha y el resto continúan de frente.
a. Calcular la probabilidad de que, para los siguientes 6 automóviles que lleguen al
cruce, uno dé vuelta a la izquierda, dos a la derecha, y tres continúen de frente.
b. Determinar la probabilidad de que, de los siguientes 4 vehículos que lleguen al
cruce, por lo menos uno dé vuelta a la derecha.
c. Calcular la media la varianza y la desviación estándar del número de vehículos
que dan vuelta a la izquierda, si llegan 100 vehículos al cruce.
8. Un cargamento de 100 alarmas contra incendios contiene 6 defectuosas. Si tres de
ellas son seleccionadas aleatoriamente y embarcadas para un comprador,

a. Calcular la probabilidad de que al cliente le toque una defectuosa. Utilice
Distribución Hipergeométrica y luego la Distribución Binomial como una
aproximación.
b. Calcule la media, varianza y desviación estándar.
9. Entre los 350 empleados de una compañía, 255 están sindicalizados mientras que los
otros no. Si se escogen 9 por sorteo para integrar un comité que administre el fondo
de jubilaciones,
a. Calcule la probabilidad de que 6 estén sindicalizados mientras que otros no,
utilizando la Distribución Hipergeométrica y luego la Distribución Binomial
como una aproximación.
10. Se regresan máquinas impresoras al proveedor para que las limpie y las devuelva, de
acuerdo a la garantía. No se llevan a cabo las reparaciones principales y, como
resultado, algunos clientes reciben máquinas que trabajan mal. Entre 9 impresoras
usadas que se suministran ahora, 3 funcionan mal. Un cliente desea rentar 3
máquinas de éstas en forma inmediata. Por lo tanto, se seleccionan 3 máquinas
rápidamente y se le mandan, sin verificar,
a. Calcular la probabilidad de que el cliente reciba todas las máquinas que
funcionen.
b. Calcular la probabilidad de que el cliente reciba por lo menos una máquina
defectuosa.
c. Calcular la probabilidad de que el cliente reciba tres máquinas que funcionen
mal.
d. Calcule la media, varianza y desviación estándar.
11. Una encuesta nacional revela que de 18000 personas casi el 69% desaprueban el
fumar diario. Si 19 de estas personas seleccionadas al azar y se les pide su opinión,

a. Calcular la probabilidad de que más de 9 pero menos de 15 desaprueben dicho
hábito.
b. Calcular la probabilidad de que más de 10 desaprueben dicho hábito.
c. Calcule la media, varianza y desviación estándar.
12. Una agencia de ventas de carros de varias marcas tiene para la venta 5 Ford, 7
Chevrolet, 4 Fiat, 3 Dodge y 4 Toyotas. Si la agencia selecciona al azar 9 de estos
automóviles para darles servicio. Calcule la probabilidad de que 2 Ford, 3 Chevrolet,
1 Dodge, 1 Fiat y 2 Toyota sean sometidos a servicio.
13. Una empresa que solicita personal encuesta que el 35% de los aspirantes tienen
conocimientos de manejo de computadoras. Supóngase que se tienen cuatro puestos
en los que se necesitan conocimiento de manejo de computadoras,
a. Calcule la probabilidad de que se encuentre al cuarto aspirante calificado en la
sexta entrevista, si se seleccionan los solicitantes uno a uno y al azar.
14. En una fábrica de cemento se examinan los empleados para detectar si tienen
cemento en los pulmones. Se pide a la fábrica que envíe a 4 empleados, cuyos
resultados fueron positivos, a una clínica para mayores exámenes. Si el 40% de los
empleados tuvieron resultados positivos en la detección de cemento en los pulmones,
calcular la probabilidad de que se deba analizar a 11 empleados para encontrar a
cuatro con cemento en los pulmones.
15. Una compañía que perfora pozos de agua explora cierta área para encontrar un pozo
productivo. La probabilidad de que tenga éxito en una prueba es 0,25.
a. ¿Cuál es la probabilidad de que el primer pozo productivo sea el cuarto pozo
perforado?

b. ¿Cuál es la probabilidad de que el explorador no vaya a encontrar un pozo
productivo si solamente puede perforar a más 11 pozos?
c. Calcule la media, varianza y la desviación estándar.
16. El número de accidentes graves en una empresa manufacturera es de 11 por año, de
manera tal que el ingeniero de seguridad industrial instituye un plan que considera
efectivo para reducir el número de accidentes graves. Un año después de poner en
práctica el plan, sólo han ocurrido cinco accidentes ¿Qué probabilidad hay de
ocurran cinco o menos accidentes por año, si la frecuencia promedio sigue siendo de
11?
17. El número de nudos en un tipo de madera tiene un promedio de 1,8 nudos por metro
cúbico. Encuentre la probabilidad de que un metro cúbico de madera tenga a lo más
un nudo.
18. Se encuentra que sólo un carburador de cada mil está defectuoso, después de ser
ensamblado en una fábrica, y los carburadores defectuosos se distribuyen de manera
aleatoria.
a. ¿Cuál es la probabilidad de que un embarque de 500 carburadores no tenga
ningún carburador defectuoso?
b. ¿Cuál es la probabilidad de que un embarque de 100 carburadores incluya
cuando menos un carburador defectuoso?
19. Un inspector de tránsito destacado en un puesto de vigilancia impone en promedio 7
boletas por infracción por mes.
a. Calcule la probabilidad de que en un mes cualquiera imponga exactamente 10
boletas por infracción.
b. Calcule la probabilidad de que en un mes cualquiera imponga menos de 7 boletas
por infracción.

c. Calcule la probabilidad de que en un mes cualquiera imponga por lo menos 2
boletas por infracción.
20. La llegada de gandolas a un puesto de carga tiene un promedio de tres por hora. La
gandolas se descargan con un promedio de cuatro por hora y el proceso de descarga
continua ininterrumpidamente hasta que todas las gandolas han sido descargadas.
a. ¿Cuál es el promedio de gandolas que están siendo descargadas o que esperan ser
descargadas?
b. ¿Cuál es el promedio de gandolas en la cola?
c. ¿Cuál es el tiempo promedio que una gandola debe esperar en la cola?
d. ¿Cuál es la probabilidad de que no haya gandolas en espera de ser descargadas?

CAPÍTULO 7
DISTRIBUCIÓN DE PROBABILIDAD
CONTINUA
Retomando la teoría sobre las distribuciones de probabilidad continua, se
estudiarán distribuciones de gran uso en la Ingeniería como son: la Distribución
Normal, Uniforme, Beta, Gamma, Exponencial y Weibull.
Es de hacer notar que cuando se calculan probabilidades utilizando estas
distribuciones, pueden suceder, que los resultados difieran, esto es porque algunas se
ajustan más a la realidad de los valores de la variable aleatoria; por tanto, se tiene que
tener cuidado de escoger la distribución que se ajuste más a los datos. La experiencia
del Ingeniero en el tratamiento del fenómeno y el conocimiento de las aplicaciones de
estas distribuciones juega un papel importante.
DISTRIBUCIÓN NORMAL.
Se pueden mencionar tres importantes aplicaciones de la distribución normal.
• Primera, se pueden obtener aproximación de la distribución binomial.
• Segunda, se ha observado, que muchos fenómenos, tales como la resistencia
de piezas, tienen una distribución normal.
• Tercera, distribuciones que no son normales, pueden ser normalizadas a
través del Teorema Central del Límite.
Se debe tener cuidado al aplicar modelos de Probabilidad Normal, a situaciones
dadas, sin previa comprobación. Suponer de manera errada una Distribución Normal
puede llevar a errores muy serios. La gráfica de esta distribución, es una curva
denominada Curva Norma Estándar; la cual tiene forma de campana, como se muestra a
continuación:

Gráfico 7.1. Curva Normal
La variable aleatoria continua X con Distribución Normal se denomina variable
aleatoria normal.
DEFINICIÓN 7.1. Distribución Normal.
La función de densidad normal de la variable aleatoria normal X, con media µ y
desviación estándar σ es
݊(‫;ݔ‬ ߤ; ߪ) =
1
√2ߨ ߪ
݁
ିቀ
ଵ
ଶ
ቁቀ
௫ିఓ
ఙ
ቁ
మ
− ∞ < ‫ݔ‬ < ∞
Las caraterísticas de la Distribución Normal son las siguientes:
a) La curva es simétrica con recpecto a la recta ‫ݔ‬ = ߤ. Se suele decir que es
simétrica respecto a la media.
b) La distribución depende de la media y de la desviación estándar. Esto es muy
importante, ya que podemos comparar poblaciones o muestras, comparado
sus medias y sus desviaciones estándar.
• En el caso dos poblaciones con desviaciones iguales, pero medias
diferentes, las dos curvas son de forma idéntica, pero están centradas en
distintas posiciones sobre una recta horizontal

Gráfico 7.2. Comparación de Curvas Normales con medias diferentes y desviaciones
estandar iguales.
.
• En el caso de dos poblaciones con desviaciones diferentes, y las medias
iguales; las curvas están centradas en la misma posición, pero una de ellas
es más achatada y extendida que la otra. La que tiene mayor desviación es
la más achatada y extendida.
Gráfico 7.3. Comparación de Curvas Normales con la misma media y diferentes
desviaciones.
• En el caso de dos poblaciones con desviaciones y medias diferentes, las
curvas están centradas en posiciones deferentes y una de ellas es más
achatada y extendida que la otra. La que tiene mayor desviación, es la más
achatada y extendida.

Gráfico 7.4. Comparación de Curvas Normales con medias y desviaciones diferentes .
c) Por la simétrica de la curva, el área de la región bajo la curva en el intervalo (−∞, ߤ),
es igual a 0,5; que corresponde a ܲ(‫ݔ‬ ≤ ߤ) = 0,5. Igual en el intervalo (ߤ, ∞). Se
suele decir que del lado izquierdo de la media se encuentra el 50% de los datos, así
como del lado derecho; también se puede mencionar que la probabilidad del lado
izquierdo o derecho de la media es de 0,5. En definitiva el área total bajo la curva es
igual a 1.
DEFINICIÓN 7.2. Distribución Normal Estándar.
Es la distribución de probabilidad de la variable aleatoria Z. Esta distribución
tiene media ࣆ = ૙ y desviación estándar ࣌ = ૚.
DEFINICIÓN 7.3. Curva Normal Estándar.
Es la curva que representa la Distribución Normal estándar.
Observación 7.1.
El cálculo de áreas bajo la curva, utilizando la definición 7.1, resulta muy
tedioso, por lo que es conveniente aplicar una tabla estandarizada, convirtiendo los
valores de la variable aleatoria X en valores Z, a través de la fórmula
‫ݖ‬ =
‫ݔ‬ − ߤ
ߪ

Observación 7.2.
La tabla 3 anexa, establece la Distribución Normal Estándar. Los valores de la
tabla están colocados formando una matriz de filas y columnas. En la primera columna
se encuentran los valores z hasta las décimas; en primera fila las centésimas. La tabla
proporciona el área bajo la curva calculada de izquierda a derecha. Así si se desea
calcular la probabilidad )43,2( −≤ZP se localiza en la primera columna –2,4, siguiendo
por la fila 12, en intersección con la columna 5 se encuentra el número 0,0073 que
corresponde a la probabilidad deseada.
Dado que se trata de una función de densidad con variable continua y se calcula
el área bajo la curva, el tomar o no el extremo del intervalo proporciona el mismo valor
del área.
Ejemplo 7.1. Una máquina que expende bebidas en vasos esta calibrada de modo que
descarga el producto con un promedio de 250 mililitros por vaso. Si la cantidad de
líquido está distribuida normalmente con una desviación estándar de 14 mililitros.
a. ¿Qué porcentaje de vasos contendrá menos de 240 ml?
b. ¿Qué porcentaje de vasos contendrá más de 256 ml?
c. ¿Qué porcentaje de vasos contendrá entre 240 y 256 ml?
d. Si se usan vasos de 240 ml, ¿cuántos de los siguientes 500 vasos, se derramarán?
e. ¿Bajo qué valor estará el 30% de los vasos con menos contenido?
f. ¿Bajo qué valores está el 50% de los valores centrales?
Solución:
Parte a. Para hallar P(X<240) transformemos el valor X en valores Z, utilizando la
observación 7.1. Ver gráfico 7.5 a.
ߤ = 250; ߪ = 14; ‫ݔ‬ = 240
‫ݖ‬ =
240 − 250
14
= −071

ܲ(ܺ < 240) ⇔ ܲ(ܼ < −0,71)
En la tabla 3 anexa ܲ(ܼ < −0,71) = 0,2389 ⇔ 23,89%. Esto quiere decir que el
porcentaje de vasos que contendrá menos de 240 ml es el 23,89%.
Parte b. Para hallar P(X>256) transformemos el valor X en valores Z, utilizando la
observación 7.1. Ver gráfico 7.5 b.
ߤ = 250; ߪ = 14; ‫ݔ‬ = 256
‫ݖ‬ =
256 − 250
14
= 0,43
ܲ(ܺ > 256) = 1 − ܲ(ܺ ≤ 256) ⇔ 1 − ܲ(ܼ ≤ 0,43)
En la tabla 3 anexa 1 − ܲ(ܼ ≤ 0,43) = 1 − 0,6664 = 0,3336 ⇔ 33,36%. Esto quiere
decir que el porcentaje de vasos que contendrá más de 256 ml es el 33,36%.
Parte c: Utilizando la parte a y b, ver gráfico 7.5 c, se tiene que
ܲ(240 < ܺ < 256) ⇔ ܲ(−0,71 < ܼ < 0,43) = ܲ(ܼ < 0,43) − ܲ(−0,71)
= 0,6664 − 0,2389 = 0,4275
Esto quiere decir que el porcentaje de vasos contendrá entre 240 y 250 ml es el 42,75%.
Parte d: El vaso se derramará si el líquido que se vierte en él supera los 240 ml, por lo
tanto calculemos el porcentaje de vasos que supera esta cantidad y multipliquemos el
resultado por 500. Ver gráfico 7.5 d. ܲ(ܺ > 240) = 1 − ܲ(ܺ ≤ 240) = 1 − 0,2389 =
0,7611 ⇔ 76,11%. Multiplicando por 500 se tiene que 380,55 o aproximadamente 381
vasos se derramarán.
Parte e: Para hallar la cantidad de mililitros que contiene el 30% de los vasos con menos
contenido, se debe calcular 30,0)( =< zZP el valor 0,30 está en la fila 30 entre las
columnas 4 y 5; para decidir qué valor de z tomar, se puede asumir varios criterios, uno

de ellos puede ser tomar un promedio entre los valores de z, o tomar el valor más
cercano a 0,30 y luego ubicar el valor z. Tomemos un promedio, luego ‫ݖ‬ =
ି଴,ହଷା(ି଴,ହଶ)
ଶ
= −0,525 despejando x de la fórmula de la observación 7.1 se tiene que
‫ݔ‬ = ߤ + ‫ߪݖ‬ ⇒ ‫ݔ‬ = 250 + (−0,525)14 = 242,65. Es decir 242,65 ml tendrán el 30%
de los vasos con menos contenido. Ver gráfico 7.5 e.
Parte f: Para hallar los valores entre los cuales se encuentra el 50% de los valores
centrales, es decir ܲ(‫ݔ‬ଵ < ܺ < ‫ݔ‬ଶ) = 50%, ver gráfico 7.5 f, se encuentran los valores
de x que cumplan con ܲ(ܺ < ‫ݔ‬) = 0,25 y ܲ(ܺ < ‫ݔ‬) = 0,55, para ello se ubican los
valores z en la tabla 3 correspondientes a 0,25 y 0,75. Estos son -0,675 y 0,675
respectivamente; utilizando el despeje de la x de la fórmula de la observación 7.1 se
tiene que,
‫ݔ‬ = 250 + (−0,675)14 = 240,55
‫ݔ‬ = 250 + (0,675)14 = 259,45
Por lo tanto, los valores entre los cuales se encuentra el 50% de los valores centrales son
241 y 259 ml aproximadamente.
Gráfico 7.5 a. ܲ(ܼ < 0,71)
Gráfico 7.5 b. ܲ(ܼ < 0,43)

Gráfico 7. c. ܲ(−0.71 < ܼ < 0,43) Gráfico 7.5 d. ܲ(ܼ > −0.71)
Gráfico 7.5 e. ܲ(ܼ < ‫)ݖ‬ = 0,30) Gráfico 7.5 f. ܲ(‫ݖ‬ଵ < ܼ < ‫ݖ‬ଶ) = 0,50
Ejemplo 7.2. Supóngase que el voltaje medido en un circuito eléctrico tiene
Distribución Normal con media 110 voltios y desviación estándar 1,5 voltios. Si se
toman cuatro mediciones independientes del voltaje ¿Cuál es la probabilidad de que las
cuatro mediciones estén entre 106 y 108 voltios?
Solución: Para hallar la probabilidad pedida se debe encontrar ܲ(106 < ܺ < 108) y
luego elevarlo a la cuatro, ya que los cuatro eventos son independientes.
Hallemos los valores equivalentes de z para ‫ݔ‬ = 106 y para ‫ݔ‬ = 108

ߤ = 110; ߪ = 1,5; ⇒
‫ە‬
ۖ
‫۔‬
ۖ
‫ݖۓ‬ =
106 − 110
1,5
= −2,67
‫ݖ‬ =
108 − 110
1,5
= −1,33
ܲ(−2,67 < ܺ < −1,33) = ܲ(ܺ < −1,33) − ܲ(ܺ < −2,67) = 0,0918 − 0,0038
= 0,088
La probabilidad de que las cuatro mediciones estén entre 106 y 108 voltios, está dada
por (0,088)ସ
= 0,00006.
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL.
En el capítulo 6, se estableció la aproximación de una Distribución Binomial a
través de una Distribución de Poisson; Ahora utilizaremos la Distribución Normal para
hallar esta aproximación.
Los criterios que establecen cuándo esta aproximación es aceptable son:
• Cuando n es muy grande.
• Cuando np y nq sean mayores que 5.
• Ya que se trabaja con una variable discreta, y se utiliza una distribución que
corresponde a una variable continua, hay que aplicar una corrección por
continuidad, la cual está dada por ܲ(‫ݔ‬ଵ ≤ ܺ ≤ ‫ݔ‬ଶ) ≅ ܲ(‫ݔ‬ଵ − 0,5 ≤ ܺ′
≤
‫ݔ‬ଶ + 0,5) donde 'X es la variable transformada.
• Cuando p=q=1/2, o cuando el valor de estas probabilidades es cercano a 1/2,
la aproximación es excelente. Pero si p o q se alegan de 1/2 (es decir, cuando
la distribución es sesgada), se requieren poblaciones o muestras más grandes
para obtener una buena aproximación.

DEFINICIÓN 7.4. Aproximación Normal a la Distribución Binomial.
Si X es una variable aleatoria discreta con Distribución Binomial, con µ =np y
varianza σ 2
= npq, donde ∞→n entonces se puede aproximar a través de la Normal;
donde los valores z vienen dados por
‫ݖ‬ =
‫ݔ‬ − ݊‫݌‬
ඥ݊‫ݍ݌‬
Ejemplo 7.3. Un gerente de almacén en una empresa informa que existe una
probabilidad de 0,09 de que un artículo específico no esté en existencia. Si un embarque
cubre los pedidos para 130 artículos distintos,
a. ¿Cuál es la probabilidad de que 16 a más de ellos no se encuentren en existencia?
b. ¿Cuál es la probabilidad de que haya entre 14 y 20 artículos (incluidos 14 y 20)
no se encuentren en existencia?
c. ¿Cuál es la probabilidad de que de 12 o menos de ellos no se encuentren en
existencia?
Solución: la variable aleatoria X definida por el número de artículos en existencia en un
almacén, es discreta, no obstante se puede aproximar, la probabilidad, a través de la
distribución normal; ya que, si n = 130, p = 0,09, q = 0,91 entonces np = 11,7 y nq
=118,3 son mayores que 5.
Parte a. La )16( ≥XP es equivalente, según la corrección por continuidad a
)5,15'( ≥XP este intervalo contiene el 16.
ܲ(ܺ ≥ 16) = ܲ(ܺ′
≥ 15,5) = 1 − ܲ(ܺ′
< 15,5)
Hallemos el valor z equivalente de
‫ݖ‬ =
15,5 − 130(0,09)
ඥ130(0,09)(0,91)
= 1,16

Utilizando la tabla 3 anexa, se tiene que
ܲ(ܺ′
< 15,5) = ܲ(ܼ < 1,16) = 0,877
ܲ(ܺ ≥ 16) = ܲ(ܺ′
≥ 15,5) = 1 − ܲ(ܺ′
< 15,5) = 1 − 0,877 = 0,123
Parte b. La ܲ(14 ≤ ܺ ≤ 20) es equivalente, según la corrección por continuidad a
ܲ(13,5 ≤ ܺ′ ≤ 20,5) este intervalo contiene el 14 y el 20.
ܲ(13,5 ≤ ܺ′ ≤ 20,5) = ܲ(ܺ′ ≤ 20,5) − ܲ(13,5 ≤ ܺ′).
Encontremos los valores de z equivalente de 13,5 y 20,5.
‫ݖ‬ =
13,5 − 130(0,09)
ඥ130(0,09)(0,91)
= 0,55
Utilizando la tabla 3 anexa se tiene que
ܲ(ܺ′ ≤ 13,5) = ܲ(ܼ ≤ 0,55) = 0,7088
‫ݖ‬ =
20,5 − 130(0,09)
ඥ130(0,09)(0,91)
= 2,70
Utilizando la tabla 3 se tiene que
ܲ(ܺ′ ≤ 20,5) = ܲ(ܼ ≤ 2,70) = 0,9965
ܲ(14 ≤ ܺ ≤ 20) = ܲ(13,5 ≤ ܺ′ ≤ 20,5) = 0,9965 − 0,7088 = 0,2877
Parte c. La ܲ(ܺ ≤ 12) es equivalente, según la corrección por continuidad, a ܲ(ܺ′ ≤
12,5) este intervalo contiene el 12.
Hallemos el valor z equivalente de

‫ݖ‬ =
12,5 − 130(0,09)
ඥ130(0,09)(0,91)
= 0,25
ܲ(ܺ ≤ 12) = ܲ(ܺ′
≤ 12,5) = ܲ(ܼ ≤ 0,25) = 0,5987
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN DE POISSON.
La Distribución de Poisson puede ser calculada a través de una Distribución
Normal; un criterio utilizado para realizar tal cálculo es determinar si la media aritmética
ߤ, de los datos, es mayor que 10, es decir (ߤ > 10).
DEFINICIÓN 7.5. Aproximación Normal a la Distribución de Poisson.
Sea X la variable aleatoria discreta con Distribución de Poisson, donde la media
es suficientemente grande, entonces se puede aproximar a través de la Normal, donde los
valores de z vienen dados por
‫ݖ‬ =
‫ݔ‬ − ߤ
√ߪ
Ejemplo 7.4. El promedio de solicitudes de servicio que recibe un departamento de
mantenimiento en una empresa por cada turno de trabajo es 12 ¿Calcular la probabilidad
de que se reciban más de 17 solicitudes?
Solución: la variable aleatoria X definida por el número de solicitudes que recibe un
departamento de mantenimiento de una empresa, es discreta, no obstante se puede
aproximar, la probabilidad, a través de la distribución normal; ya que 1012 >=µ .
La ܲ(ܺ > 17) = ܲ(ܺ′
> 16,5) = 1 − ܲ(ܺ′
≤ 16,5)
Hallemos el valor z equivalente de 16,5.

‫ݖ‬ =
16,5 − 12
√12
= 1,30
ܲ(ܺ > 17) = 1 − ܲ(ܺ′
≤ 16,5) = 1 − ܲ(ܼ ≤ 1,30) = 1 − 0,9032 = 0,0968
DISTRIBUCIÓN UNIFORME.
Los eventos en los cuales la variable aleatoria asume valores en un intervalo
finito, de manera que éstos se encuentran distribuidos de manera uniforme sobre un
intervalo, responden a distribuciones uniformes.
DEFINICIÓN 7.6. Distribución Uniforme.
Sea X una variable aleatoria distribuida uniformemente sobre un intervalo (a, b).
Su función de densidad viene dada por
݂(‫)ݔ‬ = ൞
1
ܾ − ܽ
ܽ ≤ ‫ݔ‬ ≤ ܾ
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
DEFINICIÓN 7.7. Distribución Uniforme Acumulada.
Sea X una variable aleatoria distribuida uniformemente sobre un intervalo (a, b).
Su función de densidad acumulada viene dada por
ܲ(ܺ ≤ ‫ݔ‬) = ‫ܨ‬(‫ݔ‬) = න
1
ܾ − ܽ
݀‫ݔ‬
௧
௔
=
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬
0 ‫ݔ‬ < ܽ
(‫ݔ‬ − ܽ)
(ܾ − ܽ)
ܽ ≤ ‫ݔ‬ ≤ ܾ
1 ‫ݔ‬ > ܾ

Observación 7.3.
Para cualquier subintervalo (a1, b1) de (a, b) se tiene que
ܲ(ܽଵ ≤ ܺ ≤ ܾଵ) = ‫ܨ‬(ܾଵ) − ‫ܨ‬(ܽଵ) =
ܾଵ − ܽଵ
ܾ − ܽ
DEFINICIÓN 7.8. Media, Varianza y Desviación Estándar de una Distribución
Uniforme.
La media, la varianza y la desviación estándar de una distribución Uniforme
vienen dadas por
ߤ =
ܽ + ܾ
2
ߪଶ
=
1
12
(ܾ − ܽ)ଶ
ߪ = ඥߪଶ
Ejemplo 7.5. Un sistema computarizado se detiene cuando uno de sus circuitos deja de
funcionar. El tiempo que se tarda en que el departamento de mantenimiento compre el
circuito dañado, está distribuido uniformemente en un intervalo de 1 a 6 días.
a. Definir la función de densidad.
b. Definir la función de densidad acumulada.
c. Calcular la probabilidad de que el tiempo de entrega sea mayor o igual a 2 días.
d. Calcular la probabilidad de que el tiempo de entrega este entre 2 y 5 días
(inclusive).
e. Calcule la media, varianza y desviación estándar de la distribución.
Solución: Sea X la variable aleatoria que representa el tiempo que tarda el departamento
de mantenimiento en adquirir el circuito integrado.
Parte a. Ya que el tiempo X está distribuido uniformemente de uno a seis días, según la
definición 7.6, la función de densidad es

݂(‫ݔ‬) = ൞
1
6 − 1
=
1
5
1 ≤ ‫ݔ‬ ≤ 6
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
Parte b. La función de densidad acumulada, según la definición 7.7, es
‫ܨ‬(‫ݔ‬) =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬
0 ‫ݔ‬ < 1
‫ݔ‬ − 1
6 − 1
=
‫ݔ‬ − 1
5
1 ≤ ‫ݔ‬ ≤ 6
1 ‫ݔ‬ > 6
Parte c. Según definición 7.7, la
ܲ(ܺ ≥ 2) = න
1
5
݀‫ݔ‬
଺
ଶ
=
4
5
Parte d. Según la observación 7.3, la probabilidad
5
3
16
25
)2()5()52( =
−
−
=−=≤≤ FFXP
Parte e. Según la definición 7.8, la media, varianza y desviación estándar son
ߤ =
1 + 6
2
=
7
2
= 3,5
ߪଶ
=
1
12
(6 − 1)ଶ
=
25
12
= 2,08 ߪ = ඨ
25
12
= 1,44

DISTRIBUCIÓN LOG-NORMAL.
Este tipo de distribución se utiliza cuando el logaritmo de la variable aleatoria
posee una Distribución Normal.
DEFINICIÓN 7.9. Función de densidad Log- Normal.
Sea X una variable aleatoria continua. La función de densidad Log- Normal está
dada por
݂(‫ݔ‬) =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬ 1
ߚ√2ߨ
‫ݔ‬ିଵ
݁
ି
(௟௡௫ିఈ)మ
ଶఉమ ௣௔௥௔ ௫வ଴; ఉவ଴
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
DEFINICIÓN 7.10.
Sea X una variable aleatoria continua con función de densidad log- normal. La
probabilidad de que la variable aleatoria tome un valor entre a y b, con µ=α y σ=β
viene dada por
‫ܨ‬ ൬
݈ܾ݊ − ߙ
ߚ
൰ − ‫ܨ‬ ൬
݈݊ܽ − ߙ
ߚ
൰
Donde F es la distribución normal estándar.
DEFINICIÓN 7.11. Media, Varianza y Desviación Estándar de una Distribución Log-
Normal.
La media, varianza y la desviación estándar de una distribución Log-Normal, vienen
dadas por
ߤ = ݁ఈା
ఉమ
ଶ
ߪଶ
= ݁
ଶఈାఉమቀ௘ഁమ
ିଵቁ
ߪ = ඥߪଶ

Ejemplo 7.6. Una comisión de análisis de riesgo, estudia el riesgo en una planta
eléctrica, sugiere que se deben modelar la resistencia de los soportes de los generadores,
en función de su capacidad para resistir a la aceleración máxima producida por los
temblores. La opinión de los Ingenieros sugiere que la distribución se ajusta a la log-
normal con µ=3 y σ2
=0,07.
a. ¿Cuál es la probabilidad de que los soportes resistan una aceleración máxima
entre 30 y 35?
b. ¿Cuál es la probabilidad de que los soportes resistan una aceleración máxima
superior a 35?
c. Halle la media, varianza y desviación estándar.
Solución:
Sea X la variable aleatoria que representa la aceleración máxima.
Parte a. Utilizando la definición 7.10, con µ =α=3 y σ =β=0,26, se tiene que
ܲ(30 < ܺ < 35) = ܲ(ܺ < 35) − ܲ(ܺ < 30) = ‫ܨ‬ ൬
݈݊35 − 3
0,26
൰ − ‫ܨ‬ ൬
݈݊30 − 3
0,26
൰
= ‫ܨ‬(2,14) − ‫)45,1(ܨ‬
Utilizando la tabla de la distribución normal (tabla 3) se tiene que
‫ܨ‬(2,14) − ‫ܨ‬(1,54) = 0,9838 − 0,9382 = 0,0456
Parte b. Utilizando la definición 7.10, con µ =α=3 y σ =β=0,26, se tiene que
ܲ(ܺ > 35) = 1 − ܲ(‫ݔ‬ ≤ 35) = 1 − ‫ܨ‬(2,14) = 1 − 0,9838 = 0,0162
Parte c. La media, la varianza y la desviación estándar viene dada por
ߤ = ݁ଷା
(଴,ଶ଺)మ
ଶ = 20,77
ߪଶ
= ݁଺ା(଴,ଶ଺)మቀ௘(బ,మల)మ
ିଵቁ
= 431,57 ߪ = ඥ431,57 = 20,77

DISTRIBUCIÓN JI CUADRADA.
En estadística, la Distribución ࣑૛
(de Pearson), llamada Ji cuadrado, es
una distribución de probabilidad continua con un parámetro ߥ que representa los grados
de libertad de la variable aleatoria.
DEFINICIÓN 7.12. Distribución ji Cuadrada.
La función de densidad para la Distribución ji Cuadrada o ࣑૛
viene dada por:
݂(‫;ݔ‬ ߥ) =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬
1
2
ഌ
మГ ቀ
ߥ
2ቁ
‫ݔ‬
ఔିଶ
ଶ ݁ି
௫
ଶ ‫ݔ‬ > 0
Donde ߥ: ‫݀ܽݐݎܾ݈݁݅ ݁݀ ݋݀ܽݎ݃ ݏ݋݈ ݊݋ݏ‬
Gráfico 7.6. Distribución ࣑૛
(de Pearson) con diferentes grados de libertad.
Ejemplo 7.7. Halle la distribución de probabilidad χ² con 29 grados de libertad.
Calcule la ܲ(࣑૛
> 42,557)
Solución
ߥ = 29

Si consideramos la función de densidad, ésta vendría siendo
݂(‫;ݔ‬ ߥ = 29) =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬
1
2
మవ
మ Г ቀ
29
2 ቁ
‫ݔ‬
ଶଽିଶ
ଶ ݁ି
௫
ଶ ‫ݔ‬ > 0
El gráfico fue hecho con el software libre GeoGebra.
Gráfica 7.7 Distribución ࣑૛
con ߥ = 29
ܲ(߯ଶ
> 42,557) = න
1
2
మవ
మ Г ቀ
29
2
ቁ
‫ݔ‬
ଶଽିଶ
ଶ ݁ି
௫
ଶ
∞
ସଶ,ହହ଻
= 0,05
Observación 7.4.
• Para efectos del uso de este tipo de distribución en ocasiones es
recomendable la aplicación de la tabla 4 anexa, contiene los valores de ji
Cuadrada para los diferentes grados de libertad, de tal manera que el área
bajo la curva a derecha del valor de la variable aleatoria es el valor de
probabilidad α.
• La primera fila de la tabla contiene valores particulares de probabilidad α. La
primera columna contiene los grados de libertad.
• Cada fila representa una distribución particular con su grado de libertad,
valores particulares de la variable aleatoria, y valores particulares de

probabilidad. Por ejemplo, en relación al problema 7.7 para grados de
libertad ߥ = 29, con valor de la variable 42,557 la probabilidad es 0,05 (fila
1, columna 6). Que representa el área en el intervalo ((42,557), ∞).
DISTRIBUCIÓN t DE STUDENT
La Distribución t (de Student) surge del problema de estimar la media de una
población normalmente distribuida cuando el tamaño es pequeño. Se suele que una
población se considera pequeña cuando es menor de 30 sujetos.
DEFINICIÓN 7.13. Distribución t de Student.
Sea Z una variable aleatoria normal estándar y sea ࣑૛
una variable aleatoria ji-
cuadrada con ߥ grados de libertad, ambas independientes. Entonces la Distribución de
‫ݐ‬ =
ܼ
ඨ
߯ଶ
νൗ
Está dada por
݂(‫ݐ‬) =
Г ቀ
ν + 1
2
ቁ
√ߨ ν Г ቀ
ν
2
ቁ
ቆ1 +
‫ݐ‬ଶ
ν
ቇ
ି
νାଵ
ଶ
‫ܽݎܽ݌‬ − ∞ < ‫ݐ‬ < ∞

Gráfico 7.7. Distribución t de Student con diferentes grados de libertad.
Ejemplo 7.8
Halle la distribución de probabilidad t con 29 grados de libertad. Calcule la
ܲ(࢚ > 1,895).
Solución
݂(‫ݐ‬) =
Г ቀ
7 + 1
2
ቁ
√ߨ 7 Г ቀ
7
2
ቁ
ቆ1 +
‫ݐ‬ଶ
7
ቇ
ି
଻ାଵ
ଶ
݂(‫ݐ‬) =
6
√ߨ 7 Г ቀ
7
2ቁ
ቆ1 +
‫ݐ‬ଶ
7
ቇ
ି ସ
ܲ(࢚ > 1,895) = න
6
√ߨ 7 Г ቀ
7
2
ቁ
ቆ1 +
‫ݐ‬ଶ
7
ቇ
ି ସ
= 0,05
∞
ଵ,଼ଽହ
Ver gráfica 7.8 a, en donde se representa la función y la región cuya área es 0,05
Observación 7.5
• Para efectos del uso de este tipo de distribución en ocasiones es
recomendable la aplicación de la tabla 5 anexa
• La tabla proporciona el valor de la probabilidad para valores particulares α el
cual es el área bajo la curva en el intervalo (0, ∞), para estos valores.
• La primera fila de la tabla contiene valores particulares de probabilidad α La
primera columna contiene los grados de libertad.

• Cada fila representa una distribución particular con su grado de libertad,
valores particulares de la variable aleatoria, y valores particulares de
probabilidad. Por ejemplo, si se desea calcular P(t > 1,895), se ubica el valor
1,895 en la fila 8, columna 6. Los grados de libertad es ߥ=7 y el valor de la
probabilidad ߙ = 0,05. Que representa el área en el intervalo ((1,895), ∞).
Ver gráfico 7.8 a
• La curva es simétrica respecto la recta ‫ݐ‬ = 0. Por tanto P(t < −1,8951) es
también ߙ = 0,05. Ver gráfico 7.8 b.
Los gráficos fueron hechos con el software libre GeoGebra.
Gráfico 7.8 a. Distribución t, con ߥ=7
Gráfico 7.8 b. Distribución t con ߥ=7

DEFINICIÓN 7.14. Distribución F.
La Distribución F es una distribución de probabilidad continua. También se le conoce
como Distribución F de Snedecor (por George Snedecor) o como Distribución F de
Fisher-Snedecor, se define de la siguiente manera:
Sea ߯ଵ
ଶ
y ߯ଶ
ଶ
variables aleatorias independientes ji Cuadrada con ߥଵ y ߥଶ grados
de libertad, respectivamente. Defínase ‫ܨ‬ =
ఞభ
మ
ఔభ
ൗ
ఞమ
మ
ఔమ
൘
, la función de densidad para F, viene
por:
݃(‫ܨ‬) =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬ Г ቀ
ߥଵ + ߥଶ
2 ቁ
Г ቀ
ߥଵ
2
ቁ Г ቀ
ߥଶ
2
ቁ
൬
ߥଵ
ߥଶ
൰
ఔభ
ଶ
‫ܨ‬
ቀ
ఔభ
ଶ
ି ଵቁ
൬1 −
ߥଵ
ߥଶ
‫ܨ‬൰
ି
ଵ
ଶ
(ఔభାఔమ)
‫ܨ ܽݎܽ݌‬ > 0
También se puede definir como
݃(‫ݔ‬) =
‫ە‬
‫۔‬
‫ۓ‬ ଵ
஻൫
ఔభ
ଶൗ ,
ఔమ
ଶൗ ൯
ቀ
ఔభ௫
ఔభ௫ାఔమ
ቁ
ఔభ
ଶൗ
ቀ1 −
ఔభ௫
ఔభ௫ାఔమ
ቁ
ఔమ
ଶൗ
‫ݔ‬ିଵ
‫ݔ ܽݎܽ݌‬ > 0
Donde B es la función Beta.
Gráfico 7.9. Distribución F con diferentes grados de libertad.

Ejemplo 7.9
Halle la Distribución de Probabilidad F con ߥଵ = 4 y ߥଶ= 18 grados de libertad.
Calcule la ܲ(ࡲ > 2,93).
Solución
݃(‫ݔ‬) =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬ 1
‫ܤ‬൫
ߥଵ
2ൗ ,
ߥଶ
2ൗ ൯
൬
ߥଵ‫ݔ‬
ߥଵ‫ݔ‬ + ߥଶ
൰
ఔభ
ଶൗ
൬1 −
ߥଵ‫ݔ‬
ߥଵ‫ݔ‬ + ߥଶ
൰
ఔమ
ଶൗ
‫ݔ‬ିଵ
‫ݔ ܽݎܽ݌‬ > 0
݃(‫)ݔ‬ =
‫ە‬
ۖ
‫۔‬
ۖ
‫ۓ‬ 1
‫ܤ‬൫4
2ൗ , 18
2ൗ ൯
൬
4‫ݔ‬
4‫ݔ‬ + 18
൰
ସ
ଶൗ
൬1 −
4‫ݔ‬
4‫ݔ‬ + 18
൰
ଵ଼
ଶൗ
‫ݔ‬ିଵ
‫ݔ ܽݎܽ݌‬ > 0
݃(‫ݔ‬) =
‫ە‬
‫۔‬
‫ۓ‬
1
‫ܤ‬(4,9)
൬
4‫ݔ‬
4‫ݔ‬ + 18
൰
ଶ
൬1 −
4‫ݔ‬
4‫ݔ‬ + 18
൰
ଽ
‫ݔ‬ିଵ
‫ݔ ܽݎܽ݌‬ > 0
El gráfico fue hecho con el software libre GeoGebra.

Gráfico 7.10. Distribución F con ߥଵ = 4 y ߥଶ= 18
ܲ(ࡲ > 2,93) = න
1
‫ܤ‬(4,9)
൬
4‫ݔ‬
4‫ݔ‬ + 18
൰
ଶ
൬1 −
4‫ݔ‬
4‫ݔ‬ + 18
൰
ଽ
‫ݔ‬ିଵ
= 0,05
∞
ଶ,ଽଷ
Observación 7.6
• Para efectos del uso de este tipo de distribución en ocasiones es recomendable la
aplicación de la tabla 6 anexa, contiene los valores de F para los diferentes pares
de grados de libertad, de tal manera que el área bajo la curva a derecha del valor
de la variable aleatoria es el valor de probabilidad α.
• La tabla proporciona los valores de probabilidad α= 0,01 y α= 0,05.
• La primera fila de la tabla contiene valores particulares ߥଵ y la primera columna
contiene los valores de ߥଶ los grados de libertad.
• Cada par de valores (ߥଵ, ߥଶ ) corresponde a una distribución F en particular.
• Cada valor que se encuentra en la intersección de fila por columna es un valor de
F cuya probabilidad es α= 0,01 ó α= 0,05 según sea el caso. Equivalentemente al
área bajo la curva a la derecha del valor de F.
• En ejemplo 7.8, para ߥଵ = 4 y ߥଶ = 18 grados de libertad. la ܲ(ࡲ > 2,93) =
0,05

DISTRIBUCIONES ESPECIALES
A continuación se expondrán las Distribuciones Gamma, Exponencial, Weibull y
Beta. Estas distribuciones requieren para definir la función de densidad el cálculo de
parámetros. En los libros de texto usualmente dan estos parámetros, en la práctica un
procedimiento es recolectar mediciones y con ellos estimar los mismos. El
procedimiento es tedioso y complicado; sin embargo, con el uso del software
Statgraphics (entre otros) se pueden establecer los mismos. Este software puede ser
descargado en calidad de prueba con una duración de 30 días de la página web
http://statgraphics.softonic.com/ (fecha de consulta 21/05/2013)
DISTRIBUCIÓN GAMMA.
Este tipo de distribución es utilizada, por ejemplo, en el cálculo de
probabilidades relativas a la duración de partes eléctricas, las cuales, pocas veces tienen
vidas muy cortas, muchas tienen vidas cercanas al promedio, y muy pocas vidas bastante
largas. Otro ejemplo es el de una pieza metálica cuando es sometida a cierta fuerza de
compresión, hasta romperse, por lo tanto el tiempo que transcurre antes que la pieza se
rompa, puede asociarse a una Distribución Gamma.
DEFINICIÓN 7.15. Distribución Gamma.
Sea X una variable aleatoria continua. La función de densidad Gamma con
parámetros ߙ > 0; ߚ > 0 está dada por:
݃(‫ݔ‬ ߙ⁄ ; ߚ) = ൞
1
ߚఈГ(ߙ)
‫ݔ‬ఈିଵ
݁ି௫ ఉ⁄
‫ݔ‬ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬

La media y la desviación estándar viene dada por
ߤ = ߙߚ ߪ = ඥߙߚଶ
Observación 7.7.
A continuación se presentan algunas gráficas de Distribuciones Gamma según
los valores de α y β La cual puede tener forma de J invertida o de curva con
concavidades diferentes.
Gráfico 7.11. Distribuciones Gamma con distintos parámetros de forma y escala
Ejemplo 7.10. Supóngase que el intervalo de tiempo X necesario para efectuar una
comprobación periódica de mantenimiento, de acuerdo a la experiencia, en un dictáfono,
sigue una Distribución Gamma con α=3 y β=2 (minutos). Calcule la probabilidad de
que un mecánico necesite entre 10 y 20 minutos, para revisar un dictáfono.
Solución:
X: Intervalo de tiempo necesario para efectuar una comprobación periódica de
mantenimiento, de acuerdo a la experiencia, en un dictáfono.
Establezcamos la función Gamma con los parámetros dados,
݃(‫ݔ‬ 3⁄ ; 2) = ൞
1
16
‫ݔ‬ଶ
݁ି௫ ଶ⁄
‫ݔ‬ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬

Gráfico 7.12. Representación de la Distribución Gamma
ܲ(10 ≤ ܺ ≤ 20) = න
1
16
‫ݔ‬ଶ
݁ି௫ ଶ⁄
݀‫ݔ‬
ଶ଴
ଵ଴
= 0,11184
Teorema 7.1.
Si las variables KXXX ,,, 21 L son independientes y si Xi tiene una Distribución
Gamma con parámetro αi y β (i=1, ..., k), entonces la suma KXXX +++ L21 tiene
una Distribución Gamma con parámetros .21 βααα yk+++ K
DISTRIBUCIÓN EXPONENCIAL.
En el caso de que α=1 la Distribución Gamma se transforma en una Distribución
Exponencial. La gráfica de esta distribución tiene la forma de J invertida.
DEFINICIÓN 7.16.
Sea X una variable aleatoria continua. La función de densidad Exponencial está
dada por:

݁(‫ݔ‬ 1⁄ ; ߚ) = ൞
1
ߚ
݁
ି ௫
ఉൗ
‫ݔ‬ > 0; ߚ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
ߚ > 0 ‫ݎܽ݌‬á݉݁‫݋ݎݐ‬
La media y la desviación estándar viene dada por
ߤ = ߚ ߪ = ߚ
Ejemplo 7.11. Una refinadora de azúcar tiene cinco plantas de proceso, y todas reciben
azúcar blanca a granel. La cantidad de azúcar que puede procesar una planta en un día se
puede representar mediante una función de densidad exponencial con promedio de
3(medidas en toneladas), para cada una de las cinco plantas. Si las plantas trabajan en
forma independiente, calcular la probabilidad de que sean exactamente dos de las cinco
plantas las que procesen más de 4 toneladas en un día determinado.
Solución:
X: La cantidad de azúcar que puede procesar una planta en un día determinado.
La función de densidad Exponencial con el parámetro β=3 (promedio) viene dada por
݁(‫ݔ‬ 1⁄ ; 3) = ൞
1
3
݁ି ௫
ଷൗ ‫ݔ‬ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬

Gráfico 7.13. Representación de la Distribución Exponencial
ܲ(‫ݔ‬ > 4) = න
1
3
݁ି ௫
ଷൗ
∞
ସ
݀‫ݔ‬ = 0,26
Si se supone que las cinco plantas trabajan en forma independiente, se debe encontrar la
probabilidad de dos éxitos en cinco ensayos, donde 0,26 es la probabilidad de éxito.
Utilizando la Distribución Binomial, se tiene que:
ܾ(2; 5; 0,26) = ൬
5
2
൰ (0,26)ଶ(0,74)ହିଶ
= 0,27
Teorema 7.2.
Si las variables KXXX ,,, 21 L constituyen una muestra aleatoria de una
Distribución Exponencial con parámetro β, entonces la distribución
},,,{ 21 KXXXminY L= tiene una Distribución Exponencial con parámetros n β.
Teorema 7.3.
Si las variables KXXX ,,, 21 L son independientes y si Xi tiene una distribución
exponencial con parámetro βi (i=1,...,k), entonces },,,{ 21 KXXXminY L= tiene una
distribución exponencial con parámetros kβββ +++ K21 .

DISTRIBUCION DE WEIBULL.
En teoría de la probabilidad y estadística, la Distribución de Weibull es
una distribución de probabilidad continua. Recibe su nombre de Waloddi Weibull, que
la describió detalladamente en 1951, aunque fue descubierta inicialmente por Fréchet
(1927) y aplicada por primera vez por Rosin y Rammler (1933) para describir la
distribución de los tamaños de determinadas partículas.
Esta distribución es utilizada como modelo para situaciones del tipo tiempo- falla
y con el objetivo de lograr una amplia variedad de componentes mecánicos y eléctricos.
La gráfica de la Distribución de Weibull tiene forma de J o de curva con concavidades
diferentes.
DEFINICIÓN 7.17.
Sea X una variable aleatoria continua. La función de densidad de Weibull está
dada por:
‫ݓ‬(‫ݔ‬ ߙ⁄ ; ߚ) = ൞
ߚ
ߙఉ
‫ݔ‬ఉିଵ
݁ି ቀ
௫
ఈ
ቁ
ഁ

‫ݔ‬ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
ߙ > 0; ߚ > 0 ‫ݎܽ݌‬á݉݁‫ݏ݋ݎݐ‬
La media y la varianza de la distribución de Weibull viene dada por.
ߤ = Г ൬1 +
1
ߚ
൰
ߪଶ
= ߙଶ
൬Г ൬1 +
2
ߚ
൰ − (ߤ)ଶ
൰
Ejemplo 7.12. La vida de servicio de un determinado tipo de termistor produce
resistencias dentro de sus especificaciones sigue una Distribución de Weibull con α=40
y β=2 (mediciones en miles de horas) ¿Cuál es la probabilidad de que uno de esos
termistores, que se ha de instalar en un sistema, trabaje en forma adecuada durante más
de 10000 horas?
Solución: X: Vida de servicio de un determinado tipo de termistor.

La función de densidad viene dada por:
‫ݓ‬(‫ݔ‬ 40⁄ ; 2) = ൞
2
(40)ଶ
‫ݔ‬ଶିଵ
݁
ି ቀ
௫
ସ଴
ቁ
మ

‫ݔ‬ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
Gráfico 7.14. Representación de la Distribución Weibull
ܲ(ܺ > 10) = න
2
(40)ଶ
‫ݔ‬ଶିଵ
݁
ି ቀ
௫
ସ଴
ቁ
మ

∞
ଵ଴
݀‫ݔ‬ = 0,9394
DISTRIBUCIÓN BETA.
La Distribución Beta se utiliza para representar variables físicas cuyos valores se
encuentran acotados por un intervalo de longitud finita y para encontrar ciertas
cantidades que se conocen como límites de tolerancia; así como también en la estadística
bayesiana. Así como la Distribución Gamma, la gráfica de la Distribución Beta también
tiene forma de J o de curva con concavidades diferentes.

DEFINICIÓN 7.18.
Sea X una variable aleatoria continua. La función de densidad Beta está dada por:
ܾ(‫ݔ‬ ߙ⁄ ; ߚ) = ൞
Г(ߙ + ߚ)
Г(ߙ)Г(ߚ)
‫ݔ‬ఈିଵ(1 − ‫ݔ‬)ఉିଵ
0 < ‫ݔ‬ < 1; ߙ > 0; ߚ > 0
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
ߙ; ߚ ‫ݎܽ݌‬á݉݁‫ݏ݋ݎݐ‬
La media y la varianza de la distribución Beta viene dada por.
ߤ =
ߙ
ߙ + ߚ
ߪଶ
=
ߙߚ
(ߙ + ߚ)ଶ(ߙ + ߚ + 1)
Observación 7.8.
Debido a que los valores para la variable aleatoria, en esta distribución, deben
estar entre 0 y 1, algunas veces hay que convertir los valores que se tienen a esta escala.
Ejemplo 7.13. Un distribuidor de gasolina tiene tanques de almacenamiento con un
aprovisionamiento fijo. Los tanques se llenan cada martes. Para el distribuidor es
importante la proporción de este volumen que se vende durante la semana. Durante
varias semanas se ha observado que esa proporción se asemeja a una distribución de
densidad Beta con α=5 y β=3 ¿Cuál es la probabilidad de que se venda por lo menos el
80% de su capacidad en una semana determinada?
Solución:
X: la proporción de este volumen de gasolina que se vende durante la semana.
La función de densidad Beta viene dada por:

ܾ(‫ݔ‬ 5⁄ ; 3) = ൞
Г(5 + 3)
Г(5)Г(3)
‫ݔ‬ହିଵ(1 − ‫ݔ‬)ଷିଵ
0 < ‫ݔ‬ < 1
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
ܾ(‫ݔ‬ 5⁄ ; 3) = ൝
35‫ݔ‬ସ(1 − ‫ݔ‬)ଶ
0 < ‫ݔ‬ < 1
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
Gráfico 7.15. Representación de la Distribución Beta
ܲ(ܺ > 0,8) = න 35‫ݔ‬ସ(1 − ‫ݔ‬)ଶ
ଵ
଴,଼
݀‫ݔ‬ = 0,0014
Ejemplo 7.14. En un experimento sobre reacción nuclear se mide los intervalos de
tiempo entre las emisiones de partícula beta.
0,991 2,27 0,424 0,14 0,159 0,527 0,431 0,162 0,919 0,994
0,061 0,09 0,216 0,06 0,082 1,033 0,092 0,076 0,9 0,149
0,186 0,14 0,579 0,75 1,653 2,863 0,83 0,107 0,093 0,866
0,311 0,08 0,429 0,19 2,01 0,365 1,718 0,278 0,041 0,054
Los tiempos vienen dados en milisegundos.

a. Determine los parámetros α y β para la distribución Gamma y defina la función de
densidad. Utilice el Statgraphics para representar la distribución.
b. Determine el parámetro β para la distribución Exponencial y defina la función de
densidad.
c. Determine los parámetros α y βpara la distribución Weilbull y defina la función de
densidad.
d. Halle ܲ(0,34 < ܺ < 0,67) utilizando cada distribución.
Solución:
De manera general el procedimiento para la estimación de los parámetros de la
distribución con el software Statgraphics es el siguiente:
Una vez abierto el software, en la hoja de cálculo que se muestra se debe escribir
en una de las columnas los datos recolectados.
Se selecciona de la barra de herramientas la parte “Describir” y luego “Ajuste de
Distribución” y seguido “ajuste de Datos No Censurados”
En la ventana que se despliega seleccionar en “Datos” la columna en estudio y se
pulsa “Aceptar”

En la ventana “Opciones Ajuste de distribución” se selecciona la distribución que
se requiere. En este caso la Distribución Gamma. Se pulsa “Aceptar”.
En la ventana “Tablas y Gráficos” seleccionar “Resumen de Análisis” e
“Histograma”
Los valores de los parámetros se muestran a continuación:
Parte a.
Distribución Gamma
Parámetro (Escala) ߙ = 1,54912
Parámetro (Forma) ߚ = 0,9031
Utilizando los valores de los parámetros se define la función de densidad
݃(‫ݔ‬ ߙ⁄ ; ߚ) = ൞
ଵ
(଴,ଽ଴ଷଵ)భ,ఱరవభమГ(ଵ,ହସଽଵଶ)
‫ݔ‬ଵ,ହସଽଵଶିଵ
݁
ି
ೣ
బ,వబయభ ‫ݔ ܽݎܽ݌‬ > 0
0 ݁݊ ܿ‫݋ݏܽܿ ܽݎݐ݋ ݎ݁݅ݑݍ݈ܽݑ‬

El Statgraphics proporciona un gráfico que incluye un diagrama de distribución
de frecuencia y la gráfica de la función de densidad, que es gran ayuda al momento se
visualizar cuál distribución de probabilidad se ajusta con mayor precisión.

Gráfico 7.16. Histograma y Distribución Gamma aproximada.
Parte b. Repitiendo el procedimiento anterior para el cálculo de los parámetros. En este
caso la distribución Exponencial (Se debe seleccionar “Exponencial-2 parámetros) se
tiene:
Distribución Exponencial
݁(‫ݔ‬ 1⁄ ; ߚ) = ൞
1
1,8451
݁
ି
௫
ଵ,଼ସହଵ

‫ݔ ܽݎܽ݌‬ > 0
La representación gráfica es la siguiente:
Gráfico 7.17. Histograma y Distribución Exponencial aproximada

Parte c. Con el procedimiento descrito anteriormente se tiene:
Distribución Weibull
Parámetro (Escala) ߙ = 0,552665
‫ݓ‬(‫ݔ‬ ߙ⁄ ; ߚ) =
‫ە‬
‫۔‬
‫ۓ‬
0,90373
(0,552665)଴,ଽ଴ଷ଻ଷ
‫ݔ‬଴,ଽ଴ଷ଻ଷିଵ
݁
ି ቀ
௫
଴,ହହଶ଺଺ହ
ቁ
బ,వబయళయ
‫ݔ ܽݎܽ݌‬ > 0
0 ݁݊ ܿ‫݋ݏܽܿ ݋݁ݐ݋ ݎ݁݅ݑݍ݈ܽݑ‬
Gráfico 7.18. Histograma y Distribución Weibull aproximada.
Parte d.
Utilizando el software Derive en el cálculo de las integrales se tiene que:
Para la Distribución Gamma
ܲ(0,34 < ܺ < 0,67) = න
1
(0,9031)ଵ,ହସଽଵଶГ(1,54912)
‫ݔ‬ଵ,ହସଽଵଶିଵ
݁
ି
௫
଴,ଽ଴ଷଵ ݀‫ݔ‬
଴,଺଻
଴,ଷସ
= 0,16909
Para la Distribución Exponencial
ܲ(0,34 < ܺ < 0,67) = න
1
1,8451
݁
ି
௫
ଵ,଼ସହଵ

݀‫ݔ‬
଴,଺଻
଴,ଷସ
= 0,136209

Para la Distribución de Weibull
ܲ(0,34 < ܺ < 0,67) = න
0,90373
(0,552665)଴,ଽ଴ଷ଻ଷ
‫ݔ‬଴,ଽ଴ଷ଻ଷିଵ
݁
ି ቀ
௫
଴,ହହଶ଺଺ହ
ቁ
బ,వబయళయ
݀‫ݔ‬
଴,଺଻
଴,ଷସ
= 0,22063
Observación 7.9.
Al comparar las gráficas de la funciones de densidad que cada distribución con el
histograma de frecuencia se observa que la Distribución de Weibull es la que más se
aproxima.
Ejemplo 7.15. Se desea estudiar la vida útil (en cientos de horas) de una muestra de 50
baterías; los resultados se presentan a continuación:
0,0637 0,1601 0,0828 0,0715 0,2186 0,1668 0,1313 0,2535 0,2868 0,0914
0,1531 0,0152 0,1184 0,0474 0,1228 0,1232 0,0542 0,1793 0,1493 0,1952
0,0733 0,1826 0,0484 0,1525 0,2006 0,0577 0,1823 0,2741 0,1709 0,0984
0,2256 0,1868 0,1207 0,1709 0,1032 0,1274 0,0880 0,8342 0,0872 0,2119
0,2364 0,1126 0,0719 0,1305 0,1802 0,1623 0,1526 0,1360 0,1032 0,0431
a. Determine los parámetros α y β para la distribución Beta y defina la función de
densidad. Utilice el Statgraphics para representar la distribución.
b. Halle ܲ(0,06 < ܺ < 0,12).
Solución:
Parte a. Se debe destacar que para la aplicación de la Distribución Beta los datos
recolectados deben estar en una escala del 0 al 1.
Siguiendo el procedimiento anterior para el cálculo de los parámetros se tiene:
Distribución Beta
Parámetro (forma 1) ߙ = 1,8733
Parámetro (forma 2) ߚ = 9,73985

ܾ(‫ݔ‬ ߙ⁄ ; ߚ) = ൞
Г(1,87333 + 9,73985)
Г(1,87333)Г(9,73985)
‫ݔ‬ଵ,଼଻ଷଷଷିଵ(1 − ‫ݔ‬)ଽ,଻ଷଽ଼ହିଵ
0 < ‫ݔ‬ < 1
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
ܾ(‫ݔ‬ ߙ⁄ ; ߚ) = ൝
(80,8523771)‫ݔ‬଴,଼଻ଷଷଷ(1 − ‫ݔ‬)଼,଻ଷଽ଼ହ
0 < ‫ݔ‬ < 1
0 ݁݊ ‫ݏ݋ݏܽܿ ݏ݋ݎݐ݋‬
Gráfico 7.19. Histograma y Distribución Beta aproximada
Parte b.
ܲ(0,06 < ܺ < 0,12) = න (80,8523771)‫ݔ‬଴,଼଻ଷଷଷ(1 − ‫)ݔ‬଼,଻ଷଽ଼ହ
݀‫ݔ‬
଴,ଵଶ
଴,଴଺
= 0,25508
1. Una máquina que expende bebidas gaseosas está calibrada de modo que descargue
un promedio de 150 mililitros por vaso. Si la cantidad de líquido está distribuida
normalmente con una desviación estándar igual a 12 ml.
a. ¿Qué porcentaje de vasos contendrá más de 180 ml?
b. ¿Cuál es la probabilidad de que un vaso contenga entre 140 y 170 ml?
c. Si se usan vasos de 160ml, ¿cuántos de los siguientes 900 vasos se derramarán?

d. ¿Bajo qué valor estará el 20% de los vasos con menos contenido?
2. El diámetro interior de un anillo para émbolo se distribuye normalmente con una
media de 9 cm y una desviación estándar de 0,2 cm.
a. ¿Qué proporción de los anillos para émbolo tendrá un diámetro interior que
exceda de 9,61 cm?
b. ¿Cuál es la probabilidad de que un anillo tendrá un diámetro interior entre 8,97
cm y 9,56 cm?
c. ¿Bajo qué valor de diámetro interior estará el 13% de los anillos?
3 La vida media de cierto tipo de motor es de 9 años, con una desviación estándar de
1,5 años. El fabricante repone los motores que resulten dañados, siempre que estén
dentro de la garantía. Si piensa reponer el 2,8% de los motores ¿Cuánto tiempo debe
estimar la garantía? La vida útil de los motores se considera distribuidos
normalmente.
4 El tiempo requerido para ensamblar una pieza mecánica es una variable aleatoria
cuya distribución es aproximadamente normal, con media 11,59 min y desviación
estándar de 1,8 min. ¿Cuál es la probabilidad de que el ensamblado de la pieza tarde
a. al menos 10,60 min?
b. Entre 10,70 y 12,9 min?
5. Una máquina troqueladora produce tapas, cuyos diámetros están normalmente
distribuidos, con una desviación estándar de 0,02 pulg ¿En qué diámetro promedio
debe ajustarse la máquina de tal manera que no más del 4% de las tapas producidas
tengan diámetros que excedan las 2 pulg?

6. Los tiempos de la primera avería de una impresora de inyección a tinta tienen
distribuciones normales con un promedio de 1400 horas y una desviación estándar
de 180 horas.
a. ¿Qué fracción de esas impresoras fallarán antes de 900 horas?
b. ¿Cuál debe ser el tiempo de garantía para estas impresoras sí el fabricante desea
que sólo presente averías el 4% de las impresoras dentro del tiempo de garantía?
7 Se estableció una restricción para el máximo de personas que pueden subir a un
ascensor. Un estudio realizado indicó que si 9 personas ocupan el ascensor, la
distribución de probabilidad del peso total de las 9 personas tiene una media de 1100
libras y una varianza de 9700 libras ¿Cuál es la probabilidad de que el peso total de
nueve personas exceda de 1200 libras? Suponer la distribución normal.
8 En un proceso industrial se producen 11% de artículos defectuosos. Si 102 de ellos
se seleccionan al azar.
a. ¿Cuál es la probabilidad de que el número de defectuosos exceda de 14?
b. ¿Cuál es la probabilidad de que el número de defectuosos sea menor que 9?
9 La confiabilidad de un fusible eléctrico es la probabilidad de que un fusible,
escogido al azar de una producción, funcionará según las condiciones para las cuales
fue diseñado. Se probó una muestra aleatoria de 980 fusibles y se observaron 29
defectuosos. Calcular la probabilidad de tener 29 o más defectuosos, si se supone
que la confiabilidad del fusible es 0,97.
10 Un fabricante sabe que, en promedio, 3% de las tostadoras de pan que se producen
requerirán reparación en los 80 días siguientes a su venta. Utilizando una
aproximación normal a la binomial determine la probabilidad de que entre 1100 de
las tostadoras de pan al menos 38 requieran reparación en los 80 días después de su
venta.

11 Un ingeniero de seguridad industrial cree que 28% de todos los accidentes
industriales en su planta se deben a que los empleados no siguen las disposiciones de
seguridad. Si esta apreciación es correcta, calcúlese aproximadamente la
probabilidad de que, entre 80 accidentes industriales, de 19 a 28 se deban a eso.
12 Si 70% de todas las nubes impregnadas con yoduro de plata muestran un crecimiento
espectacular ¿Cuál es la probabilidad de que entre 39 nubes impregnadas con
yoduro de plata a lo sumo 19 muestren un crecimiento espectacular?
13 Los siguientes datos son los tiempos de ignición de ciertos materiales de tapicería
expuestos al fuego, dados a la más cercana centésima de segundo:
2,58 7,6 2,51 8,79 4,04 5,92 6,43 9,65 1,58 5,09
4,79 11,25 6,2 3,9 1,52 5,33 1,38 8,64 3,87 7,41
5,5 3,78 5,92 3,75 4,56 3,1 2,46 6,43 6,9 1,7
6,75 4,9 5,84 3,49 8,8 6,77 7,4 5,62 4,72 9,7
2,65 5,21 7,86 1,76 4,71 9,2 6,25 1,2 9,45 6,85
4,32 4,54 1,47 3,62 12,8 4,11 7,95 6,4 5,11 2,8
Utilizando la distribución log -Normal calcule la probabilidad
a. De que el tiempo de ignición este entre 2,55 y 4,99
b. De que el tiempo de ignición sea mayor de 5,31.
14 La carga sostenida en una zapata de concreto de un edificio en proyecto es una
variable aleatoria. Supóngase que la carga muerta tiene una distribución gamma con
α=8 y β=2. Las unidades son miles de libras.
a. Establecer la distribución gamma según estos datos.
b. Calcular la probabilidad de que la carga sostenida esté entre 12 y 18.

15 En cierta ciudad, el consumo de energía eléctrica, en millones de kilowatt-horas, es
una variable aleatoria que tiene una distribución gamma con α=2 y β=3. Si la planta
de energía tiene una capacidad de producción diaria de 11 millones de kilowatt-horas
¿Cuál es la probabilidad de que este suministro de energía sea insuficiente en un día
cualquiera?
16 La duración en años de cierto interruptor eléctrico tiene una distribución exponencial
con una rapidez de falla de β= 3. Si 104 de dichos interruptores se instalan en
diferentes sistemas ¿Cuál es la probabilidad de que, como máximo, fallen 10 durante
el primer año?
17 Supóngase que cierto sistema contiene tres componentes que funcionan
independientemente unos de otros y que están conectados en serie, de forma que el
sistema falla tan pronto como uno de los componentes falla. Supóngase que el
tiempo de vida del primer componente, medido en horas, tiene una distribución
exponencial con parámetro β=10; el tiempo de vida del segundo componente tiene
una distribución exponencial con parámetro β=30 y el tiempo de vida del tercer
componente tiene una distribución exponencial con parámetro β=60. Determine la
probabilidad de que el sistema no falle antes de 90 horas.
18 La proporción de hierro puro en determinadas muestras de mineral tiene una
distribución beta con α=4 y β=2.
a. Estimar la probabilidad de que una de esas muestras tenga más del 50% de hierro
puro.
b. Calcular la probabilidad de que dos de estas muestras tengan menos que el 28%
de hierro puro.

19 El tiempo necesario para lograr una mezcla correcta de polvos de cobre antes de
sinterizarlos tiene una distribución de Weibull con α=2 y β=4. Calcular la
probabilidad de que un mezclado adecuado tome menos de 2 minutos.
20. Se desea estudiar la vida útil (en cientos de horas) de una muestra de 50 baterías; los
resultados se presentan a continuación:
0,637 1,601 0,828 0,715 2,186 1,668 1,313 2,535 2,868 0,914
1,531 0,152 1,184 0,474 1,228 1,232 0,542 1,793 1,493 1,952
0,733 1,826 0,484 1,525 2,006 0,577 1,823 2,741 1,709 0,984
2,256 1,868 1,207 1,709 1,032 1,274 0,88 0,578 0,872 2,119
2,364 1,126 0,719 1,305 1,802 1,623 1,526 1,36 1,032 0,431
a. Determine las distribuciones Gamma, Exponencial y Weibull.
b. Halle )2,16,0( << XP utilizando estas distribuciones.

CAPÍTULO 8
DISTRIBUCIÓN DE MUESTREO,
ESTIMACIÓN PUNTUAL Y POR INTERVALO
La Inferencia Estadística es parte importante de nuestro estudio, por tanto vale
la pena ejemplificar tal concepto: supóngase en una empresa se desea estudiar una
característica específica de la fabricación de un artículo; por lo general se hace
dificultoso el detallar cada uno de los artículos, no obstante si se toma una muestra de
ellos se podría realizar una estimación del comportamiento de todos, es decir, de la
Población.
Es claro que de una Población dada, se pueden tomar una considerable cantidad
de muestras de un cierto tamaño. Es usual que muestras diferentes den resultados
diferentes para un estadístico muestral. Es de esperar que un estadístico muestral pueda
tener muchos valores diferentes. La distribución de las probabilidades de los valores de
un estadístico muestral se denomina Distribución Muestral; lo cual es de real
importancia en el campo de la Inferencia Estadística.
DISTRIBUCIÓN MUESTRAL DE LA MEDIA.
Para ilustrar el concepto de Distribución Muestral consideremos el siguiente
ejemplo: supóngase que una variable aleatoria asume los valores 3, 5, 7, 9. Estos cuatro
valores se pueden usar para simular una Población infinita si se toman muestras sin
remplazo. Supóngase también que se toman muestras de tamaño 2; de tal manera que
una muestra puede estar constituida por los valores 3 y 9, y otra por los valores 5 y 7 u
otras combinaciones. Es relevante conocer todas las muestras que pueden resultar de un
experimento. En la tabla 8.1 siguiente se describen las 16 posibles muestras diferentes
que pueden formarse; por otra parte se pueden obtener un número infinito de muestras,
pero solamente 16 son diferentes, el resto coincidirían con alguna de éstas.

La tabla contiene la media X de cada muestra. Esta asume los siguientes valores
x siguientes 3, 4, 5, 7, 8 y 9. En la tabla 8.2 se presentan estos valores en
correspondencia con su frecuencia y la probabilidad respectiva.
Ahora bien, la probabilidad de obtener una media muestral de 3 es 1/16, la de 4
es 2/16, y así sucesivamente. Esto no quiere decir que de 1600 muestras que se tomen,
100 muestras tengan media 3 y 200 muestras tengan media 4. Tampoco que de
1.600.000 de muestras se obtendrá 100.000 con media 3, y 200.000 con media 4. No
obstante, si se toman 1.600 millones de muestras, el número de ellas con media se
acercará a 100 millones, es decir, la razón será aproximadamente 1/16. Esto quiere decir
que la distribución de probabilidades es la distribución de la frecuencia relativa, y
solamente se le puede aproximar a través de un número infinitamente grande. En la
práctica, no es necesario tomar tal cantidad de muestras, sino que se selecciona una
muestra en particular y se realiza una inferencia acerca de las características de la
distribución.
TABLA 8.1. Muestras de tamaño 2 de una variable X.
Muestra
X1 X2 Media muestral
1 3 3 3
2 3 5 4
3 3 7 5
4 3 9 6
5 5 3 4
6 5 5 5
7 5 7 6
8 5 9 7
9 7 3 5
10 7 5 6
11 7 7 7
12 7 9 8
13 9 3 6
14 9 5 7
15 9 7 8
16 9 9 9

Media Muestral
x
N° de
Muestras
Probabilidad
( )xP
3 1 1/16
4 2 2/16
5 3 3/16
6 4 4/16
7 3 3/16
8 2 2/16
9 1 1/16
Total 16 1
TABLA 8.2. Distribución de la media muestral X con
Muestras de tamaño 2.
El estadístico muestral es una variable aleatoria, y por lo tanto es importante
calcular su media y su dispersión
DEFINICIÓN 8.1. Distribución de Muestreo de la Media Muestral X
Supóngase que se selecciona una muestra aleatoria de n mediciones de una
población con media µ y desviación estándar σ, la distribución de muestreo de la media
muestral tiene:
Media y desviación estándar
‫ܧ‬൫ ܺ൯ = ߤ௑ = ߤ
ߪ௑ =
ߪ
√݊
Ejemplo 8.1. Utilizando la Población definida anteriormente como los números 3, 5, 7,
9; halle el promedio poblacional, la desviación estándar poblacional y compárelo con la
media de la distribución muestral y la desviación estándar muestral.
Solución:
Según la definición 2.1 se tiene que la media poblacional es

ߤ =
3 + 5 + 7 + 9
4
= 6
Según la definición 2.3 se tiene que la desviación estándar poblacional es
ߪ = ඨ
164 − 4(36)
4
= √5 = 2,236
Según las definiciones 5.1 y 8.1 se tiene que la media muestral es
ߤ௑ = ‫ܧ‬൫ܺ൯ = 3
1
16
+ 4
2
16
+ 5
3
16
+ 6
4
16
+ 7
3
16
+ 8
2
16
+ 9
1
16
=
96
16
= 6 = ߤ
Según la observación 5.6
ߪ௑ = ට‫ܧ‬ ቀܺ
ଶ
ቁ − ߤ௑
ଶ
Donde
‫ܧ‬ ቀܺ
ଶ
ቁ = 9
1
16
+ 16
2
16
+ 25
3
16
+ 36
4
16
+ 49
3
16
+ 64
2
16
+ 81
1
16
=
616
16
= 38,5
ߪ௑ = ඥ38,5 − 36 = ඥ2,5 = 1,581
De la definición 8.1 se tiene que la desviación estándar muestral es
ߪ௑ =
ߪ
√݊
=
√5
√2
= 1,581
De aquí que
ߪ௑ = ට‫ܧ‬ ቀܺ
ଶ
ቁ − ߤ௑
ଶ
=
ߪ
√݊
Observación 8.1.
Analizando la relación entre la desviación estándar poblacional, el tamaño
muestral y la desviación estándar muestral se puede señalar que: si el tamaño muestral es
1 la desviación estándar muestral es igual a la desviación estándar poblacional; si el
tamaño muestral es 4 la desviación estándar muestral es la mitad de la desviación

estándar poblacional. Si el tamaño muestral se hace infinitamente grande, la desviación
estándar muestral tiende a cero, lo cual significa que la media muestral se puede
considerar igual a la media poblacional. Como se ha señalado anteriormente, en la
práctica resulta imposible tomar todas las combinaciones de muestras de tamaño n para
establecer la distribución muestral; de tal manera de estimar el promedio poblacional a
través de una muestra; para lograr esta información lo que hay que hacer es tratar de
disminuir la desviación estándar muestral (utilizando la definición 8.1 de la desviación
estándar) aumentando considerablemente el tamaño de la muestra.
Observación 8.2.
Si el tamaño de la muestra es suficientemente grande, la distribución muestral de X será
aproximadamente normal, con media µ y desviación estándar
ߪ௑ =
ߪ
√݊
Este resultado es una consecuencia del teorema, denominado, Teorema del Límite
Central.
Teorema 8.1. Teorema del Límite Central.
Si x es la media de una muestra aleatoria de tamaño n tomado de una población
con media µ y desviación estándar σ, entonces:
‫ݖ‬ =
‫ݔ‬ − ߤ
ߪ
√݊ൗ
Representa el valor de una variable aleatoria Z, cuya función de distribución se aproxima
a la distribución normal estándar, cuando ∞→n .
Observación 8.3.

La aproximación normal para X será aceptable cuando 30≥n , y si 30<n esta
aproximación es aceptable si la población está distribuida normalmente.
Ejemplo 8.2. Una empresa que fabrica bombillas que tienen una duración distribuida en
forma aproximadamente normal, con media igual a 700 horas y desviación estándar de
35 horas. Obtenga la probabilidad de que una muestra aleatoria de 38 bombillas tenga
una vida media menor que 685 horas.
Solución:
__
X : Promedio de duración de las bombillas.
Según el teorema 8.1 se tiene que:
‫ݔ‬ = 700 ߪ = 35 ݊ = 38
‫ݖ‬ =
‫ݔ‬ − ߤ
ߪ
√݊ൗ
=
685 − 700
35
√38
ൗ
= −2,64
ܲ൫ܺ ≤ 685൯ = ܲ(ܼ ≤ −2,64) = 0,0041
Observación 8.4.
La aplicación de la teoría anterior requiere del conocimiento del valor de la
desviación estándar poblacional. Si no se conoce este valor, es recomendable, utilizar la
desviación estándar de la muestra, si 30≥n es grande. Si el tamaño de la muestra es
30<n , se puede aplicar la distribución t de Student (Ver cap. 7)
DEFINICIÓN 8.2.
Si x es la media de una muestra aleatoria de tamaño n, tomada de una población
normal con media µ y s es el valor de la desviación estándar de la muestra, la cual es

una estimación de desviación estándar poblacional σ, y t es el valor de una variable
aleatoria con distribución t de Student y grados de libertad ߥ = ݊ − 1, entonces:
‫ݐ‬ఈ,ఔ =
‫ݔ‬ − ߤ
‫ݏ‬
√݊ൗ
Ejemplo 8.3. Un fabricante de fusibles asegura que con una sobrecarga del 22%, sus
fusibles se fundirán al cabo de 11,30 minutos en promedio. Para probar esta afirmación,
se tomó una muestra de 18 de los fusibles y se sometieron a prueba aplicándoles una
sobrecarga del 22%, y los tiempos que tardaron en fundirse tuvieron una media de 10,38
minutos y una desviación estándar de 2,84 minutos. Si se supone que las poblaciones se
distribuyen normalmente ¿Este resultado refuta o apoya la afirmación del fabricante?
Solución:
X : Promedio del tiempo que tardan en fundirse, los fusibles sometidos a una sobrecarga
del 22%.
Según la definición 8.2 se tiene que:
‫ݔ‬ = 10,38 ߤ = 11,30 ‫ݏ‬ = 2,84 ݊ = 18 ߥ = 18 − 1 = 17
‫ݐ‬ =
10,38 − 11,30
2,84
√18
ൗ
= −1,37
ܲ൫ܺ ≤ 10,38൯ = ܲ(‫ݐ‬ ≤ −1,37) < ܲ(‫ݐ‬ ≤ −1,74) = 0,05
En vista que la probabilidad es muy pequeña, se concluye que los datos se inclinan a
refutar la afirmación del fabricante.
Observación 8.5.
Supóngase que se tienen dos poblaciones, la primera con media ߤଵ y varianza
2
1σ , para cual se establece el estadístico 1X que representa la media de una muestra de

tamaño n1 de esta población; y la segunda población con media ߤଶ y varianza 2
2σ , para
cual se establece el estadístico 2X que representa la media de una muestra de tamaño n2
de esta población. Entonces la distribución muestral de la diferencia 21 XX − para
muestras repetidas de tamaño 21 nyn se aproximará cada vez más, a medida de se
aumente los tamaños muestrales. Esta observación nos lleva a establecer el siguiente
teorema.
Teorema 8.2.
Si muestras independientes de tamaños 21 nyn son tomadas de dos poblaciones
que tienen medias 21 , µµ y varianzas 2
2
2
1 σσ y respectivamente, la distribución muestral
de las diferencias de las medias 21 XX − , es aproximadamente normal, con media y
varianza muestral dadas por:
ߤ௑భି௑మ
= ߤଵ = ߤଶ
ߪ௑భି௑మ
ଶ
=
ߪଵ
ଶ
݊ଵ
+
ߪଶ
ଶ
݊ଶ
Y por lo tanto:
‫ݖ‬ =
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − (ߤଵ − ߤଶ)
ඨ൬
ߪଵ
ଶ
݊ଵ
൰ + ൬
ߪଶ
ଶ
݊ଶ
൰
Representa el valor z de la variable aleatoria Z con distribución normal estándar.
Ejemplo 8.4. Los cinescopios para receptores de televisión que son producidos por una
compañía A tienen una media de 5,6 años, con una desviación estándar de 0,8 años,
mientras que los que fabrica una compañía B tienen una vida media de 4,5 años, con una
desviación estándar de 0,7 años ¿Cuál es la probabilidad de que una muestra aleatoria de

40 cinescopios de la compañía tenga una vida media que sea por lo menos un año mayor
que la vida media de una muestra de 50 cinescopios de la compañía B?
Solución:
1X : Promedio muestral de vida de los cinescopios para receptores de televisión
producidos por la compañía A.
2X : Promedio muestral de vida de los cinescopios para receptores de televisión
producidos por la compañía B.
Los valores correspondientes a la media poblacional, desviación estándar poblacional y
tamaño muestral de cada población vienen dados por:
ߤଵ = 5,6 ߤଶ = 4,5
ߪଵ = 0,8 ߪଶ = 0,7
݊ଵ = 40 ݊ଶ = 50
Se quiere determinar ܲ൫ܺଵ − ܺଶ ≥ 1൯. Hallemos el valor de Z. Utilizando el teorema 8.2
se tiene que:
‫ݖ‬ =
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − (ߤଵ − ߤଶ)
ඨ൬
ߪଵ
ଶ
݊ଵ
൰ + ൬
ߪଶ
ଶ
݊ଶ
൰
=
1 − (5,6 − 4,5)
ට(0,8)ଶ
40
+
(0,7)ଶ
50

= −0,63
y por tanto,
ܲ൫ܺଵ − ܺଶ ≥ 1൯ = ܲ(ܼ ≥ −0,63) = 1 − ܲ(ܼ < −0,63) = 1 − 0,2643 = 0,7357

DISTRIBUCIÓN MUESTRAL DE LA VARIANZA.
Para complementar el estudio de la distribución muestral, es importante el
estudio de su varianza; para ello utilizamos la distribución ji cuadrada.
DEFINICIÓN 8.3. Distribución ji Cuadrada.
Si s 2
es la varianza de una muestra aleatoria de tamaño n, la cual es tomada de
una población normal cuya varianza es ߪଶ
entonces:
߯ଶ
=
(݊ − 1)‫ݏ‬ଶ
ߪଶ
Es un valor de una variable aleatoria que tiene la distribución ji cuadrada con 1−= nν
grados de libertad.
Ejemplo 8.5. Una óptica adquiere cristales, y se sabe que la varianza del índice de
refracción de esta clase de cristales es 1,36 ∙ 10ିସ
. Ya que se necesita que los diversos
cristales tengan un índice de refracción muy parecido, la óptica rechaza uno de los
cargamentos si la varianza muestral de 30 cristales, escogidos al azar exceda a
2,02 ∙ 10ିସ
. Suponiendo que los valores muestrales pueden considerarse como una
muestra aleatoria de una población normal ¿Cuál es la probabilidad de que un
cargamento sea rechazado a pesar que la varianza es de 1,36 ∙ 10ିସ
?
Solución:
݊ = 30 ‫ݏ‬ଶ
= 1,36 ∙ 10ିସ
ߪଶ
= 2,02 ∙ 10ିସ
߯ଶ
=
(30 − 1)2,02 ∙ 10ିସ
1,36 ∙ 10ିସ
= 43,07
Con ߥ = ݊ − 1 = 29, la probabilidad (recuerde que la tabla da el área a la derecha del
valor de ji cuadrada). El valor 43,07 se encuentra entre los valores 42,557 y 45,772 se
puede decir que:
ܲ(߯ଶ
> 43,07) ≅ 0,05
Por lo tanto la probabilidad de un cargamento sea rechazado es menor que 0,05.

DISTRIBUCIÓN MUESTRAL DEL COCIENTE DE VARIANZAS.
Un problema que suele presentarse es determinar si dos muestras provienen de
poblaciones que tienen varianzas diferentes. Si dos varianzas muestrales son muy
semejantes es de esperar que su razón sea muy cercana a 1. La siguiente definición
proporciona un procedimiento para el estudio de este tipo de problemas.
DEFINICIÓN 8.4. Distribución F.
Si 2
2
2
1 sys son las varianzas de muestras aleatorias independientes de tamaño
21 nyn , respectivamente, tomadas de dos poblaciones distribuidas normalmente que
tienen la misma varianza, entonces:
‫ܨ‬ =
‫ݏ‬ଵ
ଶ
‫ݏ‬ଶ
ଶ
Es un valor de una variable aleatoria que tiene distribución F con grados de libertad
11 2211 −=−= nyn νν .
Observación 8.6
Se puede utilizar la tabla 6 anexa, para hallar valores de F correspondientes a las
probabilidades del área a la izquierda de 0,01 y 0,05, utilizando la fórmula.
݂ଵିఈ(ߥଵ; ߥଶ) =
1
݂ఈ(ߥଶ; ߥଵ)
Ejemplo 8.6. Encuentre el valor de ݂଴,ଽହ(ߥଵ; ߥଶ) con grados de libertad
129 21 == νν y .
Solución: Utilizando la tabla 6 se tiene que:
݂଴,ଽହ(9; 12) = ݂ଵି଴,଴ହ(9; 12) =
1
݂଴,଴ହ(12; 9)
=
1
3,07
= 0,3257

INFERENCIA ESTADÍSTICA.
La inferencia estadística consiste en los métodos por los cuales se realizan
inferencias o generalizaciones sobre una población. La inferencia estadística se puede
dividir en dos partes, la teoría de estimación y las pruebas de hipótesis; en este capítulo
se tratará la estimación y en el siguiente capítulo las pruebas de hipótesis.
ESTIMACIÓN PUNTUAL.
La estimación puntual está referida a la elección de un estadístico, es decir, un
número calculado a partir de datos muestrales que proporcione un valor que este cerca
del parámetro que se quiere estimar. El estadístico que se emplea para obtener una
estimación puntual se denomina estimador. Se debe tratar de lograr un estimador
insesgado; es decir, que la media de la distribución muestral sea igual al parámetro a
estimar. En la práctica nos podemos encontrar con varios estimadores, y se tendría que
escoger el más adecuado; para ello se puede aplicar el siguiente criterio:
DEFINICIÓN 8.5.
Si se tienen dos estimadores 21
ˆˆ θθ y insesgado del parámetro θ , se dice que 1
ˆθ
es más eficiente que 2
ˆθ sí:
• 21
ˆˆ θθ y son estimadores insesgados de θ .
• La varianza de la distribución muestral de 1
ˆθ es menor que la de 2
ˆθ .

Observación 8.7.
El problema que se presenta con el estimador puntual es que el más eficiente es
improbable que estime con exactitud el valor del parámetro de la población. Por lo tanto,
es preferible determinar un intervalo dentro del cual se esperaría hallar el valor del
parámetro. Esto se conoce como intervalos de confianza y es el tema que se desarrollará
en el resto de este capítulo.
ESTIMACIÓN POR INTERVALOS.
La estimación por intervalo es la referente a los parámetros: media, proporción,
varianza y razón de varianzas.
INTERVALO DE CONFIANZA PARA µ CON σ CONOCIDA.
La utilización de este tipo de estimación requiere la aclaratoria de varios puntos.
El intervalo proporciona dos extremos entre los cuales se debe encontrar la media
poblacional, con nivel de confianza o certeza de (1 − ߙ)100%; para hallar estos
extremos se utiliza la media de una muestra de la población, el valor de z que delimita
un área ߙ
2ൗ a su derecha en la distribución normal estándar (ver tabla 3 anexa); la
varianza de la población y el tamaño de la muestra. Es de hacer notar que este tipo de
intervalo es recomendable cuando 30≥n En el caso de no conocer la desviación
poblacional σ se puede utilizar la desviación s, estimada de la muestra.
DEFINICIÓN 8.6. INTERVALO DE CONFIANZA PARA µ; CON σ CONOCIDA.
Si x es la media de una muestra aleatoria de tamaño n de una población con
varianza conocida, un intervalo de confianza de (1 − ߙ)100% para µ está dado por
‫ݔ‬ − ‫ݖ‬ఈ ଶ ⁄
ߪ
√݊
< ߤ < ‫ݔ‬ + ‫ݖ‬ఈ ଶ ⁄
ߪ
√݊
Donde z α /2 es el valor z que delimita en área de ߙ
2ൗ a su derecha.

Observación 8.8.
El teorema siguiente se refiere al error muestral, el cual acota la diferencia entre
la media muestral y la poblacional.
TEOREMA 8.3.
Si se utiliza x como una estimación de µ, se puede tener entonces una confianza
de (૚ − ࢻ)૚૙૙% de que el error e muestral esta dado por:
|‫ݔ‬ − ߤ| ≤ ݁ =
‫ݖ‬ఈ ଶ⁄ ߪ
√݊
Ejemplo 8.7. En una semana determinada se elige al azar una muestra de 200 empleados
de una población de que se dedica al trabajo a destajo, y se encuentra que el promedio de
pago por pieza trabajada es 1700 Bs, con una desviación estándar muestral de 140 Bs.
a) Halle el intervalo de confianza del 95% para el promedio poblacional de pago
por pieza trabajada.
b) Calcular el error muestral.
Solución:
µ: Promedio poblacional de pago por pieza trabajada.
‫ݔ‬ = 1700 ߪ ≈ ‫ݏ‬ = 140 ݊ = 200
Para hallar el valor de 2
αz se procede así: El nivel de confianza es (1 − ߙ)100% = 95%
donde 025,0
2
=α ; ya que la tabla 3 anexa, (Distribución Normal Estándar) da el área a
la izquierda, esta será de 1 − 0,025 = 0,975, y por tanto el valor de ‫ݖ‬ఈ
ଶൗ = ‫ݖ‬଴,଴ଶହ =
1,96. Este valor se encuentra, ubicando el área 0,975 en la tabla de probabilidades (tabla
3 anexa,) y luego relacionando la primera columna con la primera fila.

De la definición 8.6 se tiene que el intervalo de confianza esta dado por:
1700 −
(1,96)(140)
√200
< ߤ < 1700 +
(1,96)(140)
√200
1680,6 < ߤ < 1719,4
Interpretación: Se espera que el promedio poblacional de pago por pieza trabajada, este
entre 1680,6 Bs y 1719,4 Bs, con un nivel de confianza del 95%.
Del teorema 8.3 se tiene que el error muestral esta dado por:
݁ =
(1,96)(140)
√200
= 19,4
Interpretación: El nivel de error muestral no excederá de 19,4. Es decir que la diferencia,
en valor absoluto, entre la media muestral y la poblacional no excederá de 19,4 Bs.
Observación 8.9.
Con frecuencia se desea saber qué tan grande deberá ser la muestra, para
asegurar que el error al estimar el parámetro µ será menor que una cantidad específica e.
DEFINICIÓN 8.7.
Si se utiliza x como una estimación de µ, se puede tener entonces una confianza
de (1 − ߙ)100% de que el error será menor que una cantidad específica “e” cuando el
tamaño de la muestra n, según sea el caso, venga dada por la respectiva fórmula.
a) Si el tamaño poblacional N es desconocido
݊ = ቀ
‫ݖ‬ఈ ଶ⁄ ߪ
݁
ቁ
ଶ
b) Si el tamaño poblacional N (población grande) es conocido.

݊ =
‫ݖ‬ఈ ଶ⁄
ଶ
ܰߪଶ
‫ݖ‬ఈ ଶ⁄
ଶ
ߪଶ + ܰ݁ଶ
c) Si el tamaño poblacional N (población pequeña) es conocido.
݊ =
‫ݖ‬ఈ ଶ⁄
ଶ
ܰߪଶ
‫ݖ‬ఈ ଶ⁄
ଶ
ߪଶ + (ܰ − 1)݁ଶ
Observación 8.10.
A medida que
1−N
N
se aproxime a 1, se considera la población grande.
Ejemplo 8.8. Un gerente quiere determinar el tiempo que un mecánico tarda en
intercambiar los neumáticos de un automóvil, y además desea poder asegurar con un
nivel de confianza del 95% que la media de su muestra sea a lo sumo de 0,4 minutos. Se
sabe que la desviación estándar es de 1,4 minutos.
a) ¿Qué tan grande debe ser el tamaño de la muestra si se desconoce el tamaño
poblacional?
b) ¿Qué tan grande debe ser el tamaño de la muestra si el tamaño poblacional es
de 200 horas?
c) ¿Qué tan grande debe ser el tamaño de la muestra si el tamaño poblacional es
de 40 horas?
Solución:
µ: Promedio poblacional del tiempo que un mecánico tarda en intercambiar los
neumáticos de un automóvil.
Utilizando la tabla 3 anexa, se tiene que:
(1 − ߙ)100% = 95% ⇒ ‫ݖ‬ఈ ଶ⁄ = 1,96
݁ = 0,4; ߪ = 1,4.
a) Utilizando la definición 8.7 a, se tiene que:

݊ = ቆ
(1,96)(1,4)
0,4
ቇ
ଶ
= 47
Interpretación: Se requiere de una muestra de 47 horas para estimar el promedio
poblacional del tiempo que un mecánico tarda en intercambiar los neumáticos de un
automóvil, con un nivel de confianza de 95% y un error muestral de 0,4 horas. Sin
conocer el tamaño poblacional.
b) Utilizando la definición 8.7 b, se tiene que:
݊ =
(1,96)ଶ
200(1,4)ଶ
(1,96)ଶ(1,4)ଶ + 200(0,4)ଶ
= 38,095
Interpretación: Se requiere de una muestra de 38,095 horas para estimar el promedio
automóvil, con un nivel de confianza de 95% y un error muestral de 0,4 horas. Si se sabe
que el tamaño poblacional es de 200 horas.
c) Utilizando la definición 8.7 c, se tiene que:
݊ =
(1,96)ଶ
40(1,4)ଶ
(1,96)ଶ(1,4)ଶ + (40 − 1)(0,4)ଶ
= 21,873
Interpretación: Se requiere de una muestra de 21,873 horas para estimar el promedio
automóvil, con un nivel de confianza de 95% y un error muestral de 0,4 horas. Si se sabe
que el tamaño poblacional es de 40 horas.

INTERVALO DE CONFIANZA PARA MUESTRAS PEQUEÑAS PARA µ; CON σ
DESCONOCIDO.
En el caso de que el tamaño muestral sea 30<n , se recomienda utilizar la
distribución t de Student para establecer el intervalo de confianza. Suponiendo que la
población está distribuida normalmente.
DEFINICIÓN 8.8. INTERVALO DE CONFIANZA PARA MUESTRAS PEQUEÑAS
PARA µ; CON σ DESCONOCIDO.
Si x y s son la media y la desviación estándar de una muestra aleatoria de
tamaño ݊ < 30, tomada de una población aproximadamente normal con varianza
desconocida σ 2
, un intervalo de confianza (1 − ߙ)100% para µ estará dada por:
‫ݔ‬ − ‫ݐ‬ఈ ଶ⁄
‫ݏ‬
√݊
< ߤ < ‫ݔ‬ + ‫ݐ‬ఈ ଶ⁄
‫ݏ‬
√݊
Donde tα / 2 es el valor t, con ν = n-1 grados de libertad, que delimitan un área de α/2
a su derecha.
Ejemplo 8.9. La vida útil promedio de una muestra aleatoria de 20 focos es 4500 horas,
con una desviación estándar muestral de 250 horas. Se supone que la vida útil de los
focos tiene una distribución aproximadamente normal. Halle el intervalo de confianza
del 95%; para el promedio poblacional de vida de los focos.
Solución:
µ: Promedio poblacional de vida de los focos.
‫ݔ‬ = 4500 ‫ݏ‬ = 250 ݊ = 20
݊݅‫ ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬(1 − ߙ)100% = 95 % ⇒ ߙ
2ൗ = 0,025
݃‫݀ܽݐݎܾ݈݁݅ ݁݀ ݏ݋݀ܽݎ‬ = ݊ − 1 = 19 ⇒ ‫ݐ‬ఈ ଶ⁄ = ‫ݐ‬଴,଴ଶହ = 2,093

Utilizando la definición 8.8 se tiene que el intervalo de confianza esta dado por:
4500 − 2,093 ∙
250
√20
< ߤ < 4500 + 2,093 ∙
250
√20
4383 < ߤ < 4617
Interpretación: Se espera que el promedio poblacional de vida de los focos, este entre
4383 horas y 4617 horas, con un nivel de confianza del 95%.
INTERVALO DE CONFIANZA PARA µµµµ1111−µ−µ−µ−µ2222; con σσσσ 2222
1111 y σσσσ 2222
2222 CONOCIDAS
Para muestras independientes a partir de poblaciones normales, si n1 y n2 son
mayores de 30, se puede establecer un intervalo de confianza para la diferencia de
medias poblacionales µ1−µ2 , con lo cual se pueden establecer comparaciones entre estas
poblaciones.
DEFINICIÓN 8.9 INTERVALO DE CONFIANZA PARA µ1−µ2; CON 2
2
2
1 σσ y
CONOCIDAS.
Sean ‫ݔ‬ଵ y ‫ݔ‬ଶ las medias de muestras aleatorias independientes de tamaño n1 y
n2, a partir de poblaciones con varianzas conocidas 2
2
2
1 σσ y , respectivamente, un
intervalo de confianza de (1 − α)100% para µ1−µ2 está dado por:
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − ‫ݖ‬ఈ ଶ⁄ ඨ
ߪଵ
ଶ
݊ଵ
+
ߪଶ
ଶ
݊ଶ
< ߤଵ − ߤଶ < (‫ݔ‬ଵ − ‫ݔ‬ଶ) + ‫ݖ‬ఈ ଶ⁄ ඨ
ߪଵ
ଶ
݊ଵ
+
ߪଶ
ଶ
݊ଶ
Donde z α /2 es el valor z que delimita en área de α/2 a su derecha.

Ejemplo 8.10. Un fabricante de equipos agrícolas desea comparar el tiempo muerto
diario promedio para dos máquinas troqueladora de láminas, que se encuentran en dos
compañías distintas. Para ello se tomaron, de los registros, una muestra de 150 días,
seleccionados al azar, para cada una de las dos compañías; obteniéndose los siguientes
resultados: la máquina 1 tuvo un promedio de 15 minutos de tiempo muertos, con una
varianza de 5 minutos; en tanto que la máquina 2 tuvo un promedio de 10 minutos de
tiempo muerto, con una varianza de 4 minutos. Calcule el intervalo de confianza para la
diferencia de los promedios poblacionales del tiempo muerto de las dos máquinas, con
un nivel de confianza del 90%.
Solución:
µ1: Promedio poblacional del tiempo muerto de la máquina troqueladora número 1.
µ2: Promedio poblacional del tiempo muerto de la máquina troqueladora número 2.
‫ݔ‬ଵ = 15 ߪଵ
ଶ
≈ ‫ݏ‬ଵ
ଶ
= 5 ݊ଵ = 100
‫ݔ‬ଶ = 10 ߪଵ
ଶ
≈ ‫ݏ‬ଶ
ଶ
= 4 ݊ଶ = 100
݊݅‫ ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬(1 − ߙ)100% = 90 % ⇒ ߙ
2ൗ = 0,05 ⇒ ‫ݖ‬ఈ
ଶൗ = 1,645
(15 − 10) − 1,645 ඨ
5
150
+
4
150
< ߤଵ − ߤଶ < (15 − 10) + 1,645 ඨ
5
150
+
4
150
4,55 < ߤଵ − ߤଶ < 5,45
Interpretación: Se estima que la diferencia de los promedios poblacionales del tiempo
muerto diario de las dos máquinas está entre 4,55 minutos y 5,45 minutos. Además se
puede concluir de la muestra, que el promedio poblacional de la máquina 1 es mayor que
el de la máquina 2.

INTERVALO DE CONFIANZA DE µµµµ1111−µ−µ−µ−µ2222 PARA MUESTRAS PEQUEÑAS.
En el caso de que no se conozca las dispersiones de la población, las muestras
sean pequeñas (se consideran pequeñas cuando son menores de 30) y las poblaciones
están distribuidas aproximadamente normal, en conveniente el uso de los dos tipos de
intervalos que se describen a continuación.
PARA µ1−µ2; con ߪଵ
ଶ
= ߪଶ
ଶ
PERO DESCONOCIDAS.
Si ‫ݔ‬ଵ y ‫ݔ‬ଶ son las medias de muestras aleatorias pequeñas independientes, de
tamaño n1 y n2, respectivamente, a partir de poblaciones aproximadamente normales
con varianzas desconocidas pero iguales, un intervalo de confianza de (1-α )100% para
µ1−µ2 está dado por
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − ‫ݐ‬ఈ ଶ⁄ ‫ݏ‬௣ ඨ
1
݊ଵ
+
1
݊ଶ
< ߤଵ − ߤଶ < (‫ݔ‬ଵ − ‫ݔ‬ଶ) + ‫ݐ‬ఈ ଶ ⁄ ‫ݏ‬௣ ඨ
1
݊ଵ
+
1
݊ଶ
Donde
‫ݏ‬௣ = ඨ
(݊ଵ − 1)‫ݏ‬ଵ
ଶ
+ (݊ଶ − 1)‫ݏ‬ଶ
ଶ
݊ଵ + ݊ଶ − 2
es la estimación conjunta de la desviación estándar de la población, y tα / 2 es el valor t
221 −+= nnν grados de libertad que delimitan un área de α/2 a su derecha.
Ejemplo 8.11. Se mide la porosidad (fracción de volumen hueco) de un metal que se
produce por sintetizar (calentamiento sin fusión completa) un polvo en ciertas
condiciones en un determinado laboratorio. Se tomó una primera muestra de 5
mediciones independientes de porosidad con la cual se obtuvo un promedio de 0,20 con

un varianza de 0,0011. En una segunda muestra, se repite el mismo proceso con un
polvo idéntico y se obtiene para 6 mediciones independientes el promedio fue de 0,16,
con una varianza de 0,0024. Estimar el intervalo de confianza para la diferencia de los
promedios poblacionales de la porosidad del metal, con un nivel de confianza del 95%.
Supóngase que las poblaciones están distribuidas normalmente y que sus dispersiones
son iguales.
Solución:
µ 1: Promedio poblacional de la porosidad de un metal, de acuerdo a la muestra 1.
µ 2: Promedio poblacional de la porosidad de un metal, de acuerdo a la muestra 2.
0011,0520,0 2
111 === snx
0024,0616,0 2
222 === snx
݊݅‫1( ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬ − ߙ)100% = 95 % ⇒ ߙ
2ൗ = 0,025 ⇒ ‫ݐ‬ఈ
ଶൗ = 2,262
݃‫ߥ ݀ܽݐݎܾ݈݁݅ ݁݀ ݏ݋݀ܽݎ‬ = ݊ଵ + ݊ଶ − 2 = 5 + 6 − 2 = 9
Utilizando la definición 8.11, se tiene que:
‫ݏ‬௣ = ඨ
(5 − 1)(0,0011) + (6 − 1)(0,024)
5 + 6 − 2
= 0,043
(0,20 − 0,16) − (2,262)(0,043) ඨ
1
5
+
1
6
< ߤଵ − ߤଶ
< (0,20 − 0,16) − (2,262)(0,043) ඨ
1
5
+
1
6
−0,0189 < ߤଵ − ߤଶ < 0,0989

Interpretación: Se estima que la diferencia entre los promedios poblacionales de la
porosidad del metal este entre –0,0189 y 0,0989, con nivel de confianza del 95%. Es de
hacer notar, que el valor negativo del extremo izquierdo significa que el segundo
promedio poblacional supera al del primero, y el valor positivo del extremo derecho,
significa que el primer promedio poblacional supera al del segundo. Además existe la
posibilidad de que los promedios poblacionales de porosidad del metal sean iguales, ya
que el valor cero pertenece al intervalo correspondiente a la diferencia de las medias
µ1−µ2.
PARA µ1−µ2;; con ߪଵ
ଶ
≠ ߪଶ
ଶ
Y DESCONOCIDAS.
Sean ‫ݔ‬ଵ y ‫ݔ‬ଶ; ‫ݏ‬ଵ y ‫ݏ‬ଶ son las medias las varianzas respectivas de muestras
aleatorias pequeñas independientes, de tamaño n1 y n2, respectivamente, a partir de
poblaciones aproximadamente normales con varianzas diferentes y desconocidas, un
intervalo de confianza de (1-α )100% para µ1−µ2 está dado por
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − ‫ݐ‬ఈ ଶ⁄ ඨ
‫ݏ‬ଵ
ଶ
݊ଵ
+
‫ݏ‬ଶ
ଶ
݊ଶ
< ߤଵ − ߤଶ < (‫ݔ‬ଵ − ‫ݔ‬ଶ) + ‫ݐ‬ఈ ଶ ⁄ ඨ
‫ݏ‬ଵ
ଶ
݊ଵ
+
‫ݏ‬ଶ
ଶ
݊ଶ
tα / 2 es el valor t con
ߥ =
൬
‫ݏ‬ଵ
ଶ
݊ଵ
+
‫ݏ‬ଶ
ଶ
݊ଶ
൰
ଶ
൬
‫ݏ‬ଵ
ଶ
݊ଵ
൰
ଶ
݊ଵ − 1
+
൬
‫ݏ‬ଶ
ଶ
݊ଶ
൰
ଶ
݊ଶ − 1
Grados de libertad, que delimitan un área de α/2 a su derecha.

Observación 8.11.
En el caso de que el valor de grado de confianza no sea entero, se recomienda
tomar como valor de éste, el entero superior.
Ejemplo 8.12. Una compañía de transporte trata de decidir la compra de cauchos de
marca A o de la marca B para sus vehículos. Para decidir la compra realiza el siguiente
experimento: se toman 10 cauchos de cada marca y sé hacer rodar hasta su desgaste
total. Obteniendo los siguientes resultados; la marca A recorrió 40000 km en promedio,
con una desviación estándar de 5500 km; en tanto para la marca B recorrió 41000 km,
con una desviación estándar 6000 km. Con estos resultados estimar un intervalo de
confianza para la diferencia de promedios poblacionales de recorrido de los cauchos, con
un nivel de confianza del 95% ¿Cuál es la marca de cauchos que se puede seleccionar?
Supóngase las poblaciones distribuidas normalmente, con dispersiones diferentes.
Solución:
µ1: Rendimiento promedio poblacional de los cauchos de la marca A.
µ 2: Rendimiento promedio poblacional de los cauchos de la marca B.
kmscauchosnkmx 55001040000 111 ===
kmscauchosnkmx 60001041000 222 ===
025,0
2
%95%100)1( =⇒=− ααconfianzadenivel
Utilizando la definición 8.11 se tiene que:
ߥ =
൬
(5500)ଶ
10 +
(6000)ଶ
10 ൰
ଶ
൬
(5500)ଶ
10 ൰
ଶ
10 − 1 +
൬
(6000)ଶ
10 ൰
ଶ
10 − 1
≅ 17,86 ≅ 18

݃‫ߥ ݀ܽݐݎܾ݈݁݅ ݁݀ ݏ݋݀ܽݎ‬ = 18 ⇒ ‫ݐ‬ఈ
ଶൗ = 2,101
El intervalo de confianza es:
−1000 − (2,101) ඨ
(5500)ଶ
10
+
(6000)ଶ
10
< ߤଵ − ߤଶ
< −1000 + (2,101) ඨ
(5500)ଶ
10
+
(6000)ଶ
10
−6407,78 < ߤଵ − ߤଶ < 4407,78
Interpretación: Se estima que la diferencia entre los promedios poblacionales de
rodamiento de los cauchos está entre –6407,78 y 4407,78, con nivel de confianza del
95%. Es de hacer notar, que el valor negativo del extremo izquierdo significa que el
segundo promedio poblacional supera al del primero, y el valor positivo del extremo
derecho, significa que el primer promedio poblacional supera al del segundo. Ya que la
marca B supera en mayor rodamiento a la marca A, se recomienda seleccionar la marca
B.
INTERVALO DE CONFIANZA PARA P, A PARTIR DE UNA MUESTRA
GRANDE.
En problemas de Ingeniería se manejan proporciones, probabilidades y
porcentajes. En el proceso de muestreo puede interesar la proporción de unidades
defectuosas en un tren de producción, y en pruebas de vida útil se puede necesitar
conocer el porcentaje de tiempo durante el cual ciertos componentes tendrán un
rendimiento según sus especificaciones o la probabilidad de que un componente dado
dure por lo menos un número determinado de horas. Estos ejemplos evidencias que los
problemas referentes a porcentajes, proporciones y probabilidades son equivalentes. La
estimación puntual de una proporción suele ser la proporción muestral
n
xp = , es decir,

la proporción de las veces que el evento ocurrió en realidad. Siempre que los n ensayos
satisfagan los condiciones de un experimento Binomial. Si no se espera que la
proporción desconocida esté demasiado cerca de 0 o 1, puede establecerse un intervalo
de confianza. Aunque la distribución aplicable a las proporciones es la binomial, suele
utilizarse la distribución normal estándar para aproximar la Binomial al construir los
intervalos de confianza para proporciones. Esta aproximación es aceptable cuando
30≥n y tanto 5≥np , como 5≥nq .
DEFINICIÓN 8.12. INTERVALO DE CONFIANZA PARA P, A PARTIR DE UNA
MUESTRA GRANDE.
Si p es la proporción de éxitos en una muestra aleatoria de tamaño n, y q= 1-p,
un intervalo de confianza aproximado de (1-α )100% para el parámetro Binomial p está
dado por
‫݌‬ − ‫ݖ‬ఈ ଶ⁄ ට
‫ݍ݌‬
݊
< ܲ < ‫݌‬ + ‫ݖ‬ఈ ଶ⁄ ට
‫ݍ݌‬
݊
Donde z α /2 el valor z que delimita el área de α / 2 a su derecha.
Observación 8.12.
El teorema siguiente se refiere al error muestral, el cual acota la diferencia entre
la proporción muestral y la poblacional.
TEOREMA 8.4.
Si se utiliza p como una estimación de P, se puede tener entonces una confianza
de (1-α )100% de que el error e no excederá de
|‫݌‬ − ܲ| ≤ ݁ = ‫ݖ‬ఈ ଶ⁄ ට
‫ݍ݌‬
݊

Ejemplo 8.13. En el estudio de una muestra aleatoria de 90 mayoristas que comprar
tubos galvanizados, se obtuvo el resultado siguiente: 40 plantean incrementar sus
compras el próximo año. Estimar el intervalo de confianza del 95% de la proporción
poblacional de los mayoristas de este material que planean incrementar sus compras el
año próximo. Establecer el error muestral.
Solución:
P: proporción poblacional de compras de los mayoristas de tubos galvanizados
que planean incrementar sus compras el año próximo.
‫݌‬ =
40
90
≈ 0,44 ‫ݍ‬ = 1 − ‫݌‬ = 1 − 0,44 = 0,56
݊݅‫ ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬(1 − ߙ)100% = 95 % ⇒ ߙ
2ൗ = 0,025 ⇒ ‫ݖ‬ఈ
ଶൗ = 1,96
0,44 − (1,96) ඨ
(0,44)(0,56)
90
< ܲ < 0,44 + (1,96) ඨ
(0,44)(0,56)
90
0,34 < ܲ < 0,54
Interpretación: Se estima que la proporción poblacional de compras de los mayoristas de
tubos galvanizados que planean incrementar sus compras el año próximo esté entre 0,34
y 0,54 o equivalentemente entre 34% y 54%.
Del teorema 8.4 se tiene que el error muestral esta dado por:
݁ = (1,96) ඨ
(0,44)(0,56)
90
= 0,10
Interpretación: El nivel de error muestral no excederá de 0,10, o equivalentemente el
10% Es decir que la diferencia, en valor absoluto, entre la proporción muestral y la
poblacional no excederá de 0,10.

Observación 8.13.
Con frecuencia se desea saber qué tan grande deberá ser la muestra para asegurar
que el error al estimar el parámetro P será menor que una cantidad específica e.
DEFINICIÓN 8.13.
Si se utiliza p como una estimación de P, se puede tener entonces una confianza
de (1-α )100% de que el error será menor que una cantidad específica e cuando el
tamaño de la muestra n es
a) Si no se conoce el tamaño poblacional N
݊ =
‫ݖ‬ఈ ଶ⁄
ଶ
‫ݍ݌‬
݁ଶ
b) Si se conoce el tamaño poblacional N (población grande)
݊ =
‫ݖ‬ఈ ଶ⁄
ଶ
‫ܰݍ݌‬
‫ݖ‬ఈ ଶ⁄
ଶ
‫ݍ݌‬ + ݁ଶܰ
c) Si se conoce el tamaño poblacional N (población pequeña).
݊ =
‫ݖ‬ఈ ଶ⁄
ଶ
‫ܰݍ݌‬
‫ݖ‬ఈ ଶ⁄
ଶ
‫ݍ݌‬ + ݁ଶ(ܰ − 1)
Observación 8.14. : Si se desconoce la proporción muestral se puede tomar p=q=1/2
Observación 8.15. A medida que
1−N
N
se aproxime a 1, se considera la población
grande.
Ejemplo 8.14. En la Universidad, un grupo de pasantes desea realizar una investigación
referida a la posible influencia de la industria petrolera en la escogencia de las carreras
de especialización. Calcular el tamaño de la muestra con un nivel de confianza del 95%
y con margen de error permitido del 3%; en las siguientes condiciones:

a) Se desconoce el tamaño poblacional.
b) Se sabe que la población es de 1500 sujetos.
c) Se sabe que la población es de 80 sujetos.
Solución:
P: Proporción poblacional de los sujetos influenciados por la industria petrolera
para la escogencia de las carreras de especialización.
Como se desconoce la proporción muestral se puede tomar p= q=1/2=0,5.
96,1%95%100)1(
2
=⇒=− αα z .
El nivel de error muestral es 03,0%3 ⇔=e
a) Utilizando la definición 8.13 a, se tiene que:
݊ =
(1,96)ଶ(0,5)(0,5)
(0,03)ଶ
= 1067,11 ≅ 1067
Interpretación: Se requiere de una muestra de 1076 sujetos para estimar la proporción
poblacional de los sujetos influenciados por la industria petrolera para la escogencia de
las carreras de especialización; con un nivel de confianza de 95% y un error muestral del
3%. Sin conocer el tamaño poblacional.
b) Utilizando la definición 8.13 b, se tiene que:
݊ =
(1,96)ଶ(0,5)(0,5)
(1,96)ଶ(0,5)(0,5) + 1500(0,03)ଶ
= 623,53 ≅ 624
3%. Si el tamaño poblacional es conocido.

c) Utilizando la definición 8.13 c, se tiene que:
݊ =
(1,96)ଶ(0,5)(0,5)
(1,96)ଶ(0,5)(0,5) + (80 − 1)(0,03)ଶ
= 74,4 ≅ 75
3%. Si el tamaño poblacional es conocido.
INTERVALO DE CONFIANZA PARA P1-P2, A PARTIR DE MUESTRAS
GRANDES.
Si se desea estimar la diferencia entre dos proporciones poblacionales, se puede
utilizar la distribución normal estándar para lograr este intervalo; así como se explicó en
la sección anterior.
DEFINICIÓN 8.14.
Si P1 y P2 son las proporciones de éxitos en muestras aleatorias de tamaños n1 y
n2, respectivamente, y q1= 1-p1 y q2= 1-p2, un intervalo de confianza aproximado de
(૚ − ࢻ)૚૙૙% para la diferencia de dos parámetros Binomiales P1-P2 está dado por:
(‫݌‬ଵ − ‫݌‬ଶ) − ‫ݖ‬ఈ ଶ⁄ ඨ
‫݌‬ଵ‫ݍ‬ଵ
݊ଵ
+
‫݌‬ଶ‫ݍ‬ଶ
݊ଶ
< ܲଵ − ܲଶ < (‫݌‬ଵ − ‫݌‬ଶ) + ‫ݖ‬ఈ ଶ⁄ ඨ
‫݌‬ଵ‫ݍ‬ଵ
݊ଵ
+
‫݌‬ଶ‫ݍ‬ଶ
݊ଶ
Donde z α /2 es el valor z que delimita en área de α / 2 a su derecha.
Ejemplo 8.15. Se desea comparar la proporción de piezas defectuosas que se producen
en dos turnos de trabajo. Se seleccionan 50 piezas producidas en el primer turno y 40 del

segundo turno. Resultó que 4 piezas del primer turno eran defectuosas, y 6 de la
producción del segundo turno también lo están. Estimar el intervalo de confianza de la
diferencia entre las proporciones de piezas defectuosas, con nivel de confianza del 95%.
Solución:
P1: Proporción poblacional de piezas defectuosas que se producen en el primer turnos de
trabajo.
P2: Proporción poblacional de piezas defectuosas que se producen en el segundo turnos
de trabajo.
݊ଵ = 50 ‫݌‬ଵ =
4
50
= 0,08 ‫ݍ‬ଵ = 1 − ‫݌‬ଵ = 1 − 0,08 = 0,92
݊ଶ = 40 ‫݌‬ଶ =
6
50
= 0,15 ‫ݍ‬ଶ = 1 − ‫݌‬ଶ = 1 − 0,15 = 0,85
݊݅‫1( ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬ − ߙ)100% = 95% ⇒
ߙ
2
= 0,025
‫ݖ‬ఈ ଶ⁄ = 1,96
Utilizando la definición 8.14, se tiene que el intervalo de confianza esta dado por:
(0,08 − 0,15) − 1,96 ඨ
(0,08)(0,92)
50
+
(0,15)(0,85)
40
< ܲଵ − ܲଶ
< (0,08 − 0,15) + 1,96 ඨ
(0,08)(0,92)
50
+
(0,15)(0,85)
40
−0,06 < ܲଵ − ܲଶ < 0,2
Interpretación: Ya que el intervalo contiene el cero, existe la posibilidad de que no haya
diferencia entre las cantidades de piezas defectuosas en los dos turnos.

INTERVALO DE CONFIANZA PARA σσσσ 2222
Se ha destacado en las secciones anteriores la importancia que tiene una
estimación de la varianza poblacional σ 2
con respecto a los procedimientos para hacer
inferencias acerca de medias de una población. En la práctica existen situaciones donde
σ 2
es el objetivo principal de una investigación, y por tanto adquiere mayor relevancia
que la media de una población.
Se debe minimizar la variabilidad de las partes mecanizadas, en un proceso de
manufactura de un producto, de tal manera de que el producto salga bajo
especificaciones.
En general, es vital mantener una variabilidad mínima en las mediciones de las
características de calidad de un producto industrial para lograr el control de calidad del
proceso y con ello minimizar el porcentaje de productos de baja calidad.
A continuación se establece el intervalo de confianza para estimar la σ 2
y σ , a
partir de una muestra aleatoria de tamaño n, y utilizando la distribución ji cuadrada; en
el caso de muestras pequeñas, y la distribución normal en el caso de muestras grandes.
DEFINICIÓN 8.15. INTERVALO DE CONFIANZA PARA ߪଶ
, TOMANDO
MUESTRAS PEQUEÑAS.
Si s2
es la varianza de una muestra aleatoria de tamaño n de una poblacional
normal, un intervalo de confianza de (1-α )100% para σ 2
está dado por:
(݊ − 1)‫ݏ‬ଶ
߯ఈ ଶ⁄
ଶ < ߪଶ
<
(݊ − 1)‫ݏ‬ଶ
߯ଵିఈ ଶ⁄
ଶ

Donde ߯ఈ ଶ⁄
ଶ
y ߯ଵିఈ ଶ⁄
ଶ
son valores de la variable aleatoria con distribución χ2
con ν = n-1 grados de libertad, que delimitan áreas de ߙ
2ൗ y 1 − ߙ
2ൗ
respectivamente, a su derecha.
DEFINICIÓN 8.16. INTERVALO DE CONFIANZA PARA σ 2
, TOMANDO
MUESTRAS GRANDES.
Si s2
es la varianza de una muestra aleatoria de tamaño n de una poblacional
normal, un intervalo de confianza de (1-α )100% para σ 2
está dado por:
‫ݏ‬ଶ
൬1 +
‫ݖ‬ఈ ଶ⁄
√2݊
൰
ଶ < ߪଶ
<
‫ݏ‬ଶ
൬1 −
‫ݖ‬ఈ ଶ⁄
√2݊
൰
ଶ
Donde z α /2 es el valor z que delimita en área de ߙ
2ൗ a su derecha.
Observación 8.16. Para establecer el intervalo para la desviación estándar se debe
calcular la raíz cuadrada de los extremos.
Ejemplo 8.16. Un Ingeniero encargado del control de calidad en una fábrica está
convencido que la balanza para pesar materia prima varía según una desviación estándar
de σ =1,8 libras. Con el fin de someter a prueba el equipo se tomó una muestra de pesos
obteniendo los siguientes resultados:
104,1 110,2 109 103,3 108,1 107,6 105,7 111
104 108 109,6 103,2 105,7 108,7 109,7 103,6
107,5 105 109,7 108,5 104,8 108,7 109,8 105,9
Obtenga el intervalo de confianza del 90% para σ 2
y σ, determinar si el supuesto es
válido.

Solución:
σ 2
: Varianza poblacional de las mediciones realizadas por una balanza para pesar
materia prima en una fábrica.
σ : Desviación estándar poblacional de las mediciones realizadas por una balanza para
pesar materia prima en una fábrica.
El supuesto es que ߪ = 1,8 ⇒ ߪଶ
= (1,8)ଶ
= 3,24
Utilizando la definición 2.3, o una calculadora de bolsillo se tiene que:
݊ = 24; ‫ݏ‬ = 2,47 ⇒ ‫ݏ‬ଶ
= 6,1
݊݅‫ ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬(1 − ߙ)100% = 90 % ⇒ ߙ
2ൗ = 0,05
݃‫ߥ ݀ܽݐݎܾ݈݁݅ ݁݀ ݏ݋݀ܽݎ‬ = ݊ − 1 = 24 − 1 = 23
Utilizando la tabla 4 anexa, se tiene que los valores de ji cuadrada son
߯ఈ ଶ⁄
ଶ
= ߯଴,଴ହ
ଶ
= 35,172
߯ଵିఈ ଶ⁄
ଶ
= ߯଴,ଽହ
ଶ
= 13,091
Utilizando la definición 8.16 (muestra pequeña) se tiene que el intervalo de confianza
para σ2
está dado por:
(24 − 1)(6,1)
35,172
< ߪଶ
<
(24 − 1)(6,1)
13,091
3,99 < ߪଶ
< 10,72
Utilizando la observación 8.16 se tiene que el intervalo de σ está dado por:
1,997 < ߪ < 3,27
Interpretación: Se estima que la desviación estándar en las mediciones de la balanza esté
entre 1,997 y 3,27. Por lo tanto, según esta muestra, se puede concluir que el ingeniero
debe reconsiderar el valor supuesto, ya que el estimado supera al valor que se tenía.

Sería recomendable tomar otras muestras para analizar si se siguen manteniendo estos
resultados.
Ejemplo 8.17. La desviación estándar de la duración de una muestra de 250 bombillas
fue de 130 horas. Estimar el intervalo de confianza del 95% para la varianza y la
desviación estándar de duración de las bombillas que forman la población.
Solución:
σ 2
: Varianza poblacional de la duración de las bombillas.
σ : Desviación estándar poblacional de la duración de las bombillas.
݊ = 250 ‫ݏ‬ = 130 ⇒ ‫ݏ‬ଶ
= 16900
݊݅‫1( ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬ − ߙ)100% = 95 % ⇒ ߙ
2ൗ = 0,025
Utilizando la tabla 3 anexa, se tiene que el valor de
‫ݖ‬଴,଴ଶହ = 1,96
Utilizando la definición 8.16 (muestra grande) se tiene que el intervalo de confianza para
σ2
está dado por:
(130)ଶ
ቆ1 +
1,96
ඥ2(250)
ቇ
ଶ < ߪଶ
<
(130)ଶ
ቆ1 −
1,96
ඥ2(250)
ቇ
ଶ
14285,82 < ߪଶ
< 20303,33
Utilizando la observación 8.16 se tiene que el intervalo de σ está dado por:
119,52 < ߪ < 142,48
Interpretación: Se estima que la varianza de la duración de las bombillas este entre
14285,82 y 20303,33 horas, con nivel de confianza del 95%. La desviación estándar de
la duración de las bombillas este entre 119,52 y 142,48 horas, con un nivel de confianza
del 95%.

INTERVALO DE LA RAZÓN DE DOS VARIANZAS.
Resulta frecuente la necesidad de comparar la precisión de un instrumento de
medición con la de otro, la estabilidad de un proceso de manufactura con la de otro, etc.
Para ello, se puede utilizar un intervalo de confianza de la razón de varianzas, de tal
manera que si los extremos incluyen al 1, a medida que se acerquen a éste, es señal de
que las dos poblaciones tienen dispersiones similares; en cambio si los extremos son
mayores o menores de 1, evidencian diferencias de las varianzas de las poblaciones.
DEFINICIÓN 8.17. INTERVALO DE LA RAZON DE DOS VARIANZAS.
Si 2
2
2
1 sys son las varianzas de dos muestras independientes de tamaños 21 nyn ,
respectivamente, seleccionadas de poblaciones normalmente distribuidas, se tiene que un
intervalo de confianza con nivel de confianza (1-α )100% para la razón 2
2
2
1
σ
σ está
dado por:
‫ݏ‬ଵ
ଶ
‫ݏ‬ଶ
ଶ
1
݂ఈ ଶ⁄ (ߥଵ; ߥଶ)
<
ߪଵ
ଶ
ߪଶ
ଶ <
‫ݏ‬ଵ
ଶ
‫ݏ‬ଶ
ଶ ݂ఈ ଶ⁄ (ߥଶ; ߥଵ)
Donde ),( 21
2
νναf y ),( 12
2
νναf son valores de f (Distribución F) con
11 2211 −=−= nyn νν grados de libertad, que delimitan un área de
2
α a su derecha.
Ejemplo 8.18. La variabilidad en la cantidad de impurezas presentes en un lote de
productos químicos, utilizados en un proceso, depende del tiempo que tarda el proceso.
Una fábrica que tiene dos líneas de producción, realiza un pequeño ajuste a la segunda
línea; tratando de reducir la variabilidad de impurezas en los productos químicos. Se
tomaron dos muestras, 21 mediciones de la primera línea y 25 mediciones de la segunda

línea; obteniéndose varianzas 57,005,1 2
2
2
1 == sys , respectivamente. Estimar el
intervalo de confianza de la razón de varianzas, con un nivel de confianza del 90%.
Solución:
2
2
2
1
σ
σ : Razón de las varianzas de la cantidad de impurezas presentes en un lote de
productos químicos, utilizados en un proceso.
Las varianzas y tamaño muestral son:
2557,005,1 21
2
2
2
1 ==== nnsys
݊݅‫ ܽݖ݂݊ܽ݅݊݋ܿ ݁݀ ݈݁ݒ‬(1 − ߙ)100% = 90 % ⇒ ߙ
2ൗ = 0,05
݃‫ߥ ݀ܽݐݎܾ݈݁݅ ݁݀ ݏ݋݀ܽݎ‬ଵ = ݊ଵ − 1 = 21 − 1 = 20; ߥଶ = ݊ଶ − 1 = 25 − 1 = 24
Utilizando la tabla 6 se tiene que:
݂ఈ ଶ⁄ (ߥଵ; ߥଶ) = ݂଴,଴ହ(20; 24) = 2,03
݂ఈ ଶ⁄ (ߥଶ; ߥଵ) = ݂଴,଴ହ(24; 20) = 2,08
Utilizando la definición 8.18 se tiene que le intervalo de confianza esta dado por:
൬
1,05
0,57
൰ ൬
1
2,03
൰ <
ߪଵ
ଶ
ߪଶ
ଶ < ൬
1,05
0,57
൰ (2,08)
0,907 <
ߪଵ
ଶ
ߪଶ
ଶ < 3,83
Interpretación: Ya que el intervalo para la razón de las varianzas contiene el valor 1, es
de esperar que el ajuste hecho no altere la variabilidad en la cantidad de impurezas
presentes en el lote de productos químicos.

1. Una fábrica de bombillas que tienen una duración distribuida normalmente, con una
desviación estándar de 35 horas. Si una muestra de 100 bombillos tiene una vida
promedio de 540 horas, obtenga un intervalo de confianza del 89% para la media de
la población de todos los bombillos producidos por la fábrica.
2. Una máquina expendedora de bebidas en vasos se regula de modo que la cantidad de
líquido que sirve está distribuida normalmente, con una desviación estándar igual a
0,13 decilitros. Una muestra de 40 vasos contiene un promedio de 3,25 decilitros.
Estime un intervalo de confianza del 90% para la media de todas las bebidas
despachadas.
3. Se selecciona una muestra de 50 Ingenieros de una compañía de exploración
petrolera. Para cada ingeniero se determinaron las horas trabajadas en una semana
determinada. Obteniéndose un promedio de 40 horas con y una desviación estándar
de 2,5 horas. Estime un intervalo de confianza del 96% para la media de las horas
trabajadas por todos los ingenieros de la compañía.
4. Se desea determinar el tiempo promedio que le toma a un trabajador hacer 4 agujeros
en una abrazadera metálica. Calcular el tamaño de la muestra con un nivel de
confianza del 90%, si la media de la muestra está dentro de 20 segundos respecto de
la media verdadera, y la desviación estándar poblacional es de 40 segundos. En las
a. No se conoce el tamaño poblacional.
b. Se sabe que la población es de 100 segundos.
c. Se sabe que la población es de 60 segundos.

5. Se desea estimar el número promedio de horas de uso continuo antes de que cierto
tipo de computadora requiera una reparación inicial. Si suponemos que la desviación
estándar poblacional es de 50 horas ¿Cuál debe ser el tamaño de la muestra a fin de
asegurar con un nivel de confianza del 92% que el error es a lo más 10 días? En las
a. No se conoce el tamaño poblacional.
b. Se sabe que la población es de 120 días.
c. Se sabe que la población es de 48 días.
6. Una muestra aleatoria de doce cojinetes fabricados en una compañía, tiene un
diámetro promedio de 0,650 cm, con una desviación estándar de 0,006 cm.
Supóngase que la población tiene distribución normal. Estime un intervalo de
confianza del 95% para el diámetro promedio de los cojinetes fabricados.
7. Se selecciona una muestra aleatoria de 20 resistores de un tren de producción, que
supuestamente produce resistores con una resistencia de 11 ohm. Estos 15 resistores
mostraron una resistencia de 10,8 ohm y una desviación estándar de 0,6 ohm.
Estimar el intervalo de confianza del 90% para la resistencia promedio de los
resistores producidos. Supóngase que la población está distribuida normalmente.
8. De una máquina que fabrica piezas cilíndricas; se selecciona una muestra aleatoria
de piezas, cuyos diámetros(en centímetros) son:
1,01 0,97 1,03 1,05 0,98 0,98 1,04
1,09 0,78 1,05 1,02 0,98 0,67 0,54
0,89 0,56 1,01 1,12 1,05 1,07 1,03
Estime el intervalo de confianza del 98% para el diámetro promedio de piezas
fabricadas, si la población está distribuida normalmente.

9. Se comparan dos tipos de tornillo para ver su resistencia a la tensión. Se prueban 80
piezas de cada tipo. La marca A tuvo una resistencia promedio a la tensión de 88,4
kg con una desviación estándar de 6,5 km, mientras la marca B tuvo una resistencia
promedio a la tensión de 79,4 kg con una desviación estándar de 5,7 kg. Estime un
intervalo de confianza del 90% para la diferencia de las resistencias promedio, a la
tensión de los dos tipos de tornillos.
10. Se comparan tipos distintos de recubrimientos para tubos, en cuanto a su tolerancia a
la corrosión. La cantidad de corrosión en una muestra de tubo se cuantifica midiendo
la profundidad máxima de las picaduras. Para el recubrimiento A, 40 muestras
mostraron una profundidad máxima promedio de 0,25 cm con una desviación
estándar de 0,03 cm. Para el recubrimiento B, las profundidades máximas de
picaduras en 56 muestras tuvieron un promedio de 0,31 cm y desviación estándar de
0,02 cm. Estimar la diferencia entre profundidades promedio en un intervalo de
confianza del 95% ¿Cuál de los dos recubrimientos es mejor?
11 Una proceso de ensamblaje en una planta manufacturera requiere de un periodo de
entrenamiento de aproximadamente un mes para que un nuevo operario alcance la
máxima eficiencia. Se plantea el uso de un nuevo método; para someter a prueba éste
se toman dos grupos de 12 empleados cada uno, durante tres semanas. Se le aplica al
primer grupo, el nuevo método; y al segundo, el método existente. Se midieron los
tiempos, en minutos, que tarda cada trabajador en montar el dispositivo al final de
tres semanas; los cuales fueron:
Método nuevo
33 35 30 28 33 31
27 28 29 31 32 34
Método existente
30 31 32 27 26 31
28 29 31 30 33 35

Estimar el intervalo de confianza del 90% para la diferencia de los promedios
poblacionales del tiempo que tarda un operario en montar el dispositivo al final del
periodo de tres semanas. En las siguientes condiciones:
a) Las poblaciones están distribuidas normalmente, con dispersiones iguales.
b) Las poblaciones están distribuidas normalmente, con dispersiones diferentes.
12 Un circuito eléctrico contiene dos resistores, cada una de tipo diferente. Las pruebas
en 12 piezas del tipo 1 mostraron una resistencia promedio de 10,1 ohm, con una
desviación estándar de 0,3 ohm. En tanto que 12 de los de tipo 2 su promedio de
resistencia fue de 13,3 ohm y desviación estándar de 0,5 ohm. Estimar el intervalo de
confianza del 95% para la diferencia de los promedios poblacionales de las
resistencias de los resistores. En las condiciones siguientes:
a) Las poblaciones están distribuidas normalmente, con dispersiones iguales.
b) Las poblaciones están distribuidas normalmente, con dispersiones diferentes.
13. En una muestra de 290 controles remotos, 7 fallaron durante el periodo de garantía
de 80 días. Estime el intervalo de confianza del 90% para la proporción de controles
remotos. Suponer que la población está distribuida normalmente.
14 Se recibe un lote de 5000 artículos provenientes de un fabricante que asegura que el
porcentaje de artículos defectuosos en la producción es de 1,5%. Al seleccionar una
muestra aleatoria de 250 artículos y después de inspeccionarlos, se descubren 12
defectuosos. Estimar el intervalo de confianza del 95% para la proporción de
artículos defectuosos en el proceso de manufactura del fabricante ¿Qué se puede
concluir en relación a la afirmación del fabricante?
15. Se desea estimar la proporción de controles remotos que fallan durante la garantía de
80 días ¿Cuál debe ser el tamaño de la muestra a fin de asegurar con un nivel de
confianza del 92% que el error es a lo más 0,5%? En las siguientes condiciones:

a) No se conoce el tamaño poblacional.
b) Se sabe que la población es de 1200 días.
c) Se sabe que la población es de 50 días.
16 Se desea estimar la proporción de artículos defectuosos provenientes de un
fabricante ¿Cuál debe ser el tamaño de la muestra a fin de asegurar con un nivel de
confianza del 90% que el error es a lo más 1%? En las siguientes condiciones:
d) No se conoce el tamaño poblacional.
e) Se sabe que la población es de 8200 días.
f) Se sabe que la población es de 7 0 días.
17 Una muestra de 300 cerrojos producidos por una máquina mostró que 20 eran
defectuosos, mientras que de 150 cerrojos de otra máquina 17 eran defectuosos.
Estimar la diferencia de las proporciones de los cerrojos defectuosos producidos por
las dos máquinas; con un nivel de confianza del 95%.
18 Se está considerando un cambio en un procedimiento de fabricación de determinadas
partes componentes. Se seleccionan muestras utilizando el procedimiento existente y
el procedimiento nuevo, a fin de tomar una decisión si el nuevo procedimiento da
mejores resultados. Si 95 de 1800 partes manufacturadas con el procedimiento
existente y 90 de 2300 fabricados con el nuevo, resultaron con defectos, estime el
intervalo de confianza para la diferencia de las proporciones de partes defectuosas
producidas por los dos procedimientos.
19 El gerente de una fábrica de baterías afirma que éstas durarán en promedio 2 años,
con una varianza de un año. Si 6 de estas baterías tienen tiempos de duración de 1,9,
2,5, 3,1 y 4,5 años, estime el intervalo de confianza del 95% para la varianza y
decida si es válida la afirmación del gerente. Supóngase la población distribuida
normalmente.

20 La desviación estándar de la resistencia a la rotura de 160 cables producidos por una
compañía fue de 150 libras. Estimar el intervalo de confianza del 90% para la
varianza y la desviación estándar de la resistencia a la rotura de los cables que
forman la población.
21 De acuerdo a los registros, cierto tipo de lámpara eléctrica, tiene una varianza en el
tiempo de encendido de 8000 horas. Se observó en una muestra de 30 lámparas de
un nuevo tipo tiene una varianza de 12000 horas. Determine si difieren o no las dos
varianzas, al nivel de confianza del 89%.
21 La variabilidad en la cantidad de impurezas presentes en un lote de productos
químicos, utilizada en un proceso, depende del tiempo que tarda el proceso. Un
laboratorio que emplea dos líneas de producción, hizo un ajuste al segundo proceso,
con la finalidad de reducir la variabilidad. Se tomó una muestra de 25 mediciones de
la primera línea, y 24 mediciones de la segunda, obteniéndose las varianzas 1,05 y
0,54 respectivamente. Estimar el intervalo de confianza del 99% para la razón de las
varianzas.
21 La estabilidad de las características de un producto manufacturado es importante
para mantener su calidad. El ingeniero encargado del control de calidad, sospecha
que una de sus líneas de producción está fabricando bombillas con una alta variación
en su vida útil. Se tomó una muestra de 60 bombillas de la línea que supuestamente
no trabaja bien, y 45 de una línea control; obteniéndose las varianzas 94000 y 38700,
respectivamente. Estimar el intervalo de confianza del 90% para la razón de
varianzas.

CAPÍTULO 9
PRUEBA DE HIPÓTESIS
En el capítulo anterior se estudió la estimación de parámetros a través de
intervalos de confianza; lo cual resulta relevante si se quiere tener información entre
qué valores se encuentra estos parámetros. En ocasiones lo que interesa no es esto,
sino, la formulación de ciertas reglas que nos lleve a la aceptación o rechazo de
algunas aseveraciones o hipótesis relacionadas con una población. Un Ingeniero, por
ejemplo, puede tener que decidir, basado en muestras, si existe diferencia en la
exactitud de dos mediciones estandarizadas; o bien, si en un proceso, la media ha
permanecido inalterable o si ha cambiado a tal grado que el proceso esté fuera de
control y tengan que hacerse ajustes. Los procedimientos que conlleve a la aceptación o
rechazo de una hipótesis estadística conforman la parte esencial de la inferencia
estadística. A continuación definamos lo que se entiende por hipótesis estadística.
DEFINICIÓN 9.1. Hipótesis Estadística.
Es una conjetura o aseveración relacionada con una o más poblaciones. En la
mayoría de procesos no es posible trabajar con toda la población y por tanto se realizan
los estudios utilizando muestras. Los datos obtenidos se utilizan para establecer la
falsedad o veracidad de la hipótesis. Los datos de la población que sean inconsistencia
con la hipótesis establecida determinan su rechazo, en tanto que los que la apoyan su
aceptación.
Las hipótesis estadísticas que estudiaremos son: la hipótesis nula, la cual es la
que se plantea, con la esperanza de ser rechazada y se denota por Ho; y la hipótesis
alterna la cual es la que se acepta una vez rechazada la nula, y se denota por H1. La
hipótesis nula referente a un parámetro de una población se enuncia de manera que
especifique un valor exacto del parámetro, en tanto que la alterna permite la posibilidad

de muchos valores. Por ejemplo, si en un experimento binomial, la hipótesis nula es p=
0,6 la alterna es p<0,6; p>0,6; o bien p≠ 0,6. Se debe tener presente que el hecho de
aceptar una hipótesis estadística nula es el resultado de no tener los argumentos
suficientes para rechazarla y no quiere decir que sea necesariamente verdadera.
Al estudiar estas hipótesis se pueden cometer los siguientes errores: rechazar la
hipótesis nula cuando en realidad es verdadera, con lo cual se comete un error tipo I,
denotado por α; o aceptar la hipótesis nula cuando en realidad es falsa, cometiendo un
error tipo II, denotado por β. Los valores de α y β se expresan en términos de
probabilidades y determinan niveles de significación; se pueden representar como áreas
bajo una curva simétrica o asimétrica, según sea el caso. El investigador podrá y deberá
escoger el nivel de significación α, pero no el de β; teniendo en cuenta lo siguiente:
• A medida que aumenta el valor α, disminuye el valor de β; y viceversa.
• Los valores más usados para α son 0,05 o 0,01, equivalentemente al 5% y al
1%. El nivel de significación α =5% significa que hay un riesgo no mayor del
5% de cometer un error tipo I, o equivalentemente a una certeza del 95% de
acierto en nuestra hipótesis.
• Una manera de disminuir los dos tipos de errores, es aumentando el tamaño
de la muestra.
• Para decidir el rechazo o aceptación de la hipótesis nula, en relación a un
nivel de significación α, se utilizan valores de distribuciones Z, t, χχχχ2222
,,,, F.
• Una vez establecido el nivel de significación α, la región bajo la curva queda
dividida en dos parte, cada una con su correspondiente valor de área. Al utilizar
un tipo de distribución de probabilidad, por ejemplo la distribución Z.
o La región de rechazo de la hipótesis nula puede ser de una cola o
unilateral, si la región queda del lado derecho de un valor referencial (ver
gráfico 9.1 a) o del lado izquierdo de ese valor (ver gráfico 9.1 b). Se
suele decir que está del lado derecho o izquierdo de la curva.

o La región de rechazo de la hipótesis nula puede ser de dos colas o
bilateral, si la región está del lado derecho o izquierdo de un valor
referencial (ver gráfico 9.1 c). Se suele decir que está de ambos lados de
la curva.
Gráfico 9.1 a. Región de rechazo (una cola) de la ‫ܪ‬଴ en color azul
Gráfico 9.1 b. Región de rechazo (una cola) de la ‫ܪ‬଴ en color azul
Gráfico 9.1 c. Región de rechazo (dos colas) de la ‫ܪ‬଴ en color rojo

PRUEBA DE HIPÓTESIS RELACIONADAS CON MEDIAS.
Pruebas para una media problacional
En los problemas relacionados con una población lo que se quiere probar es si la
media población µ, con σ2
conocida, es igual a un valor específico µ ο , en contra de la
alternativa que sean diferentes, tomando muestras de tamaño n.
Si la prueba es de una cola o unilateral, las hipótesis se expresan como sigue:
‫ܪ‬଴: ߤ = ߤ଴
‫ܪ‬ଵ: ߤ < ߤ଴
Si la región de rechazo está del lado izquierdo de la curva.
‫ܪ‬଴: ߤ = ߤ଴
‫ܪ‬ଵ: ߤ > ߤ଴
Si la región de rechazo está del lado derecho de la curva.
Si la prueba es de dos colas, las hipótesis se expresan como sigue:
‫ܪ‬଴: ߤ = ߤ଴
‫ܪ‬ଵ: ߤ ≠ ߤ଴
Si la región de rechazo esta a ambos lados de la curva.
El estadístico de prueba que se debe calcular, para este caso, con valor de la
media muestral x ; y tamaño de la muestra n, viene dado por alguna de las siguientes
fórmulas, según sea el caso.
Fórmula 9.1. Con σ conocida con ࢔ ≥ ૜૙. Utilizando la distribución Z.
‫ݖ‬ =
‫ݔ‬ − ߤ଴
ߪ
√݊ൗ

Fórmula 9.2. Con ν = n-1 grados de libertad σ desconocida con ࢔ < 30.
Utilizando la distribución t de Student.
‫ݐ‬ =
‫ݔ‬ − ߤ଴
‫ݏ‬
√݊ൗ
Pruebas para dos medias poblacionales
En los problemas en donde tenemos muestras independientes, tomadas de dos
poblaciones con medias µ 1 y µ 2 y sus respectivas varianzas, la hipótesis estadísticas
relacionadas con diferencias de medias poblacionales vienen expresadas como sigue:
‫ܪ‬଴: ߤଵ = ߤଶ
‫ܪ‬ଵ: ߤଵ − ߤଶ < ݀଴
‫ܪ‬଴: ߤଵ = ߤଶ
‫ܪ‬ଵ: ߤଵ − ߤଶ > ݀଴
‫ܪ‬଴: ߤଵ = ߤଶ
‫ܪ‬ଵ: ߤଵ − ߤଶ ≠ ݀଴
Pruebas para diferencias de medias poblacionales en relación a medias muestrales
El estadístico de prueba relacionado con diferencias de medias poblacionales,
con valores de medias muestrales 21 xyx , tamaños de muestras 21 nyn y sus
respectivas varianzas; viene dado por alguna de las siguientes fórmulas, según sea el
caso.

Fórmula 9.3. Con 21 σσ y conocidas. Utilizando la distribución Z.
‫ݖ‬ =
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − ݀଴
ඨ
ߪଵ
ଶ
݊ଵ
+
ߪଶ
ଶ
݊ଶ
Fórmula 9.4. Con ߥ = ݊ଵ + ݊ଶ − 2 grados de libertad, ߪଵ = ߪଶ desconocidas.
Utilizando la distribución t de Student.
‫ݐ‬ =
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − ݀଴
‫ݏ‬௣ ට
1
݊ଵ
+
1
݊ଶ
‫ݏ‬௣
ଶ
=
(݊ଵ − 1)‫ݏ‬ଵ
ଶ
+ (݊ଶ − 1)‫ݏ‬ଶ
ଶ
݊ଵ + ݊ଶ − 2
muestralesvarianzassys 2
2
2
1 .
Fórmula 9.5. Con grados de libertad ߥ. Utilizando la distribución t de Student
ߥ =
൬
‫ݏ‬ଵ
ଶ
݊ଵ
+
‫ݏ‬ଶ
ଶ
݊ଶ
൰
ଶ
൬
‫ݏ‬ଵ
ଶ
݊ଵ
൰
ଶ
݊ଵ − 1 +
൬
‫ݏ‬ଶ
ଶ
݊ଶ
൰
ଶ
݊ଶ − 1
asdesconocidy21 σσ ≠ .
‫ݐ‬ =
(‫ݔ‬ଵ − ‫ݔ‬ଶ) − ݀଴
ඨ
‫ݏ‬ଵ
ଶ
݊ଵ
+
‫ݏ‬ଶ
ଶ
݊ଶ

Pruebas para medias poblacionales con análisis de mediciones en pareja
Existen problemas en donde las pruebas se presentan en forma dependiente. Por
ejemplo se puede dar el caso en el que se hacen observaciones repetidas en la misma
unidad de muestreo y por lo tanto se debe idear un mecanismo de análisis de mediciones
que se presentan por parejas.
‫ܪ‬଴: ߤ஽ = ݀଴
‫ܪ‬ଵ : ൝
ߤ஽ < ݀଴
ߤ஽ > ݀଴
ߤ஽ ≠ ݀଴
Donde µ D: significa promedio de la diferencia por parejas.
Fórmula 9.6. Utilizando la distribución t de Student
‫ݐ‬ =
݀ − ݀଴
‫ݏ‬ௗ
√݊
ൗ
Donde d es el promedio de las diferencias de las mediciones muestrales y sd es la
desviación estándar de estas diferencias. Con ߥ = ݊ − 1 grados de libertad
Ejemplo 9.1. En una planta eléctrica se supone que la presión en cierta línea se mantiene
a un promedio de 102 lb/pulg2
en un período de cuatro horas con una desviación
estándar de 3 lb/pulg2
. Si la presión media es mayor que 102 lb/pulg2
durante un período
de 5 horas, podrían surgir problemas graves. Durante un período de 5 horas, se toman 40
mediciones al azar, obteniendo una presión media de 105 lb/pulg2
. Con base a estas
mediciones ¿Es probable que se presenten problemas graves en el funcionamiento de la
planta eléctrica, a un nivel de significación del 5%?
Solución:
Se debe someter a prueba la hipótesis nula de que la media se mantenga en 102 lb/pulg2
,
en contraposición a la alterna de que sea mayor a 102 lb/pulg2
. La prueba a aplicar es de
una cola o unilateral.

‫ܪ‬଴: ߤ = 102
‫ܪ‬ଵ: ߤ > 102
ߙ = 5% ⇒ ߙ = 0,05
Región crítica. Para calcular esta región se aplica el estadístico de prueba Z, ya
que el tamaño de la muestra es de 40 mediciones y desviación estándar conocida
(݊ = 40 ≥ 30). Para ello se utiliza la tabla 3 anexa, del área bajo la curva ܼఈ = ܼ଴,଴ହ =
1,645. Esto delimita el área en dos partes, a la izquierda de 1,645; la cual es el área de
aceptación de la hipótesis nula y el área a la derecha que representa el área de rechazo de
la hipótesis nula. Ver gráfico 9.1.
Aplicando la fórmula 9.1; sabiendo que:
‫ݔ‬ = 105
݊ = 40
ߪ = 3
‫ݖ‬ =
105 − 102
3
√40
= 6,32
. El valor de Z calculado z = 6,32 es mayor al valor z =1,645; por tanto cae en la
región de rechazo; con lo cual se rechaza la hipótesis nula y se acepta la alterna, la cual
argumenta que la presión en línea en cuestión será mayor a 102 lb/pulg2
; con nivel de
significación del 5%. Por tanto, es probable que surjan problemas graves.
Gráfico 9.2. Región Crítica del problema 9.1.

Ejemplo 9.2. Un fabricante de neumáticos desea saber, si el promedio de vida útil de
ciertos tipos de neumáticos es inferior a 30.000 millas. Para verificar esto, se instalan 50
neumáticos en sus vehículos y se obtuvo una vida útil promedio de 29.461 millas con
una desviación estándar de 1.342 millas. En base a esta información ¿Se puede concluir
que la vida de los neumáticos ha disminuido? Tomar un nivel de significación del 1%.
Solución:
Se debe someter a prueba la hipótesis nula de que la media se mantenga en 30.000
millas, en contraposición a la alterna de que sea inferior a 30.000 millas. La prueba a
aplicar es de una cola o unilateral.
‫ܪ‬଴: ߤ = 30000
‫ܪ‬ଵ: ߤ < 30000
ߙ = 1% ⇒ ߙ = 0,01
Región crítica. Para calcular esta región se aplica el estadístico de prueba Z, ya
que el tamaño de la muestra es de 50 neumáticos (݊ = 50 ≥ 30), su desviación estándar
se puede aproximar a través de la muestra; es decir millass 1342=≈σ Para ello se
utiliza la tabla 3 anexa, del área bajo la curva ܼఈ = ܼ଴,଴ଵ = −2,33. Esto delimita el área
en dos partes, a la derecha de –2,33; la cual es el área de aceptación de la hipótesis nula
y el área a la izquierda que representa el área de rechazo de la hipótesis nula. Ver gráfico
9.2.
‫ݔ‬ = 29461
݊ = 50
ߪ ≈ ‫ݏ‬ = 1342
‫ݖ‬ =
29461 − 30000
1342
√50
= −2,84

.. El valor de Z calculado z = -2,84 es menor al valor z = - 2,33; por tanto cae en la
es que la vida útil de los neumáticos a disminuido; con nivel de significación del 1%.
Gráfico 9.3 Región Crítica del problema 9.2.
Ejemplo 9.3. Un fabricante de automóviles de cierta marca, manifiesta que éstos
consumen 13 litros de gasolina, en promedio, por cada 90 kilómetros. Para comprobar
esta aseveración se realiza una prueba con 39 de estos automóviles y se encontró que el
promedio de consumo de esta muestra es de 13,75 litros por cada 90 kilómetros, con una
desviación estándar de 2 litros. De acuerdo con este resultado ¿Habría razón para
asegurar que el consumo de gasolina es diferente al que menciona el fabricante, a un
nivel de significación del 5%?
Solución:
Se debe someter a prueba la hipótesis nula de que la media de mantenga en 13 litros de
gasolina por cada 90 kilómetros, en contraposición a la alterna de que sea diferente de
13 litros por cada 90 kilómetros. La prueba a aplicar es de dos colas o bilateral.
‫ܪ‬଴: ߤ = 13
‫ܪ‬ଵ: ߤ ≠ 3
ߙ = 5% ⇒ ߙ = 0,05
Región crítica. Para calcular esta región se aplica el estadístico se prueba Z, ya
que el tamaño de la muestra es de 39 automóviles (݊ = 39 ≥ 30), su desviación
estándar se puede aproximar a través de la muestra; es decir

kilómetroscadaporgasolinadelitross 902=≈σ . Para ello se utiliza la tabla 3
anexa, del área bajo la curva ܼఈ ଶ⁄ = ܼ଴,଴ଶହ = 1,96 (Ya que, la prueba es de dos colas o
bilateral, el nivel de significación α de se debe dividir por 2). Esto delimita el área en
tres partes, un área entre –1,96 y 1,96; la cual es el área de aceptación de la hipótesis
nula y el área a la izquierda de –1,96 y a la derecha de 1,96 que representa el área de
rechazo de la hipótesis nula. Ver gráfico 9.3.
‫ݔ‬ = 13,75
݊ = 39
ߪ ≈ ‫ݏ‬ = 2
‫ݖ‬ =
13,75 − 13
2
√39
= 2,34
. El valor de Z calculado z = 2,34 es mayor al valor z =1,96; por tanto cae en la
es, que el consumo de gasolina es diferente de 13 litros de gasolina por cada 90
kilómetros; con nivel de significación del 5%.
Ejemplo 9.4. Un tipo de fusible está diseñado para fundirse cuando la corriente llega a
20 amperios. Se toma una muestra de 25 fusibles de un lote de 1000 y se encuentra que
el punto promedio de fusión de esta muestra es 20,8 amperios, con una desviación
estándar de 1,5 amperios ¿A qué conclusión se puede llegar, con respecto a las

especificaciones del lote, a un nivel de significación del 1%? (utilice una prueba de dos
colas o bilateral).
Solución:
Se debe someter a prueba la hipótesis nula de que la media de fusión de los fusibles se
mantiene en 20 amperios, en contraposición a la alterna de que sea diferente de 20
amperios. La prueba a aplicar es de dos colas o bilateral.
‫ܪ‬଴: ߤ = 20
‫ܪ‬ଵ: ߤ ≠ 20
ߙ = 1% ⇒ ߙ = 0,01
Región crítica. Para calcular esta región se aplica el estadístico de prueba t, ya
que el tamaño de la muestra es de 25 automóviles (݊ = 25 < 30), su desviación
estándar es s = 1,5 amperios. Para ello se utiliza la tabla 4 anexa, del área bajo la curva.
libertaddegradostt 125797,2005,0
2
−=== να
(Ya que, la prueba es de dos colas
o bilateral, el nivel de significación α de se debe dividir por 2). Esto delimita el área en
tres partes, un área entre –2,797 y 2,797; la cual es el área de aceptación de la hipótesis
nula y el área a la izquierda de –2,797 y a la derecha de 2,797 que representa el área de
rechazo de la hipótesis nula. Ver gráfico 9.4.
‫ݔ‬ = 20,8
݊ = 25
‫ݏ‬ = 1,5
‫ݐ‬ =
20,8 − 20
1,5
√25
= 2,67
El valor de t calculado es 2,67 el cual es menor al valor t =2,797; por tanto cae en
la región de aceptación; con lo cual se acepta la hipótesis nula. Recuerde que no

significa que sea cierta, sino que no hay evidencias suficientes para rechazarla a un nivel
de significación del 1%. Se recomienda aumentar el tamaño de la muestra.
Observación 9.1.
Análogamente, los problemas relacionados con prueba de hipótesis de una cola o
unilateral, se resuelven similarmente a los planteados con el estadístico de prueba Z.
Ejemplo 9.5. Un fabricante afirma que la resistencia de un alambre eléctrico puede
reducirse en más de 0,060 ohm mediante aleaciones. Para probar esta afirmación se
toman 35 valores obtenidos de alambre ordinario cuyo promedio fue de 0,14 ohm y
desviación estándar de 0,002 ohm; y 36 valores obtenidos con el alambre fabricado a
base de aleaciones, cuyo promedio fue de 0,079 ohm y desviación estándar 0,003 ohm
¿A qué conclusión se puede llegar, con relación a la afirmación del fabricante, a un nivel
de significación de 5%?
Solución:
Se debe someter a prueba la hipótesis nula de que la diferencia de las medias
poblacionales de los dos tipos de alambre se mantenga en 0,060 ohm, en contraposición
a la alterna de que la diferencia sea mayor a 0,060 ohm. La prueba a aplicar es de una
cola o unilateral.

Sea µ 1: El promedio de resistencia del alambre eléctrico ordinario.
µ 2: El promedio de resistencia del alambre eléctrico sometido a aleación.
‫ܪ‬଴: ߤଵ − ߤଶ = 0,060
‫ܪ‬ଵ: ߤଵ − ߤଶ > 0,060
ߙ = 5% ⇒ ߙ = 0,05
Región crítica. Para calcular esta región se aplica el estadístico de prueba Z
(݊ଵ = 35 ≥ 30; ݊ଶ = 36 ≥ 30). Para ello se utiliza la tabla 3 anexa, del área bajo la
curva. 645,105,0 == zzα .
‫ݔ‬ଵ = 0,14 ‫ݔ‬ଶ = 0,079
݊ଵ = 35 ݊ଶ = 36
ߪଵ ≈ ‫ݏ‬ଵ = 0,002 ߪଶ ≈ ‫ݏ‬ଶ = 0,003
‫ݖ‬ =
(0,14 − 0,079) − 0,060
ට(0,002)ଶ
35
+
(0,003)ଶ
36
= 1,657
El valor de Z calculado z = 1,657 es mayor al valor z =1,645; por tanto cae en la
región de rechazo; con lo cual se rechaza la hipótesis nula y se acepta la alterna. La cual
es, que la resistencia del alambre eléctrico se puede disminuir en más de 0,060 ohm; a
un nivel de significación del 5%.
Ejemplo 9.6. Un vendedor de máquinas troqueladoras de lámina, afirma que su máquina
puede trabajar con cierto producto con más rapidez que la máquina que está instalada en
una fábrica. Se realizaron 10 ensayos independientes troquelando el mismo artículo en
cada máquina y se obtuvo que con la máquina instalada el promedio de troquelado fue
de 34,21 segundos con una desviación estándar de 4,81 segundos; en tanto que con la
nueva máquina fue de 32,56 segundos con una desviación estándar de 4,47 segundos.

Utilizando un nivel de significación del 5% ¿Se puede respaldar la afirmación del
vendedor? Suponer que las desviaciones estándar poblacionales, son iguales.
Solución:
Se debe someter a prueba la hipótesis nula de que la diferencia de las medias
poblacionales de las dos máquinas troqueladoras sean iguales o equivalentemente que la
diferencia es igual a cero, en contraposición a la alterna de que la diferencia sea mayor a
cero. La prueba a aplicar es de una cola o unilateral.
Sea µ 1: El promedio de troquelado de la maquina instalada.
µ2: El promedio de troquelado de la máquina nueva.
‫ܪ‬଴: ߤଵ − ߤଶ = 0
‫ܪ‬ଵ: ߤଵ − ߤଶ > 0
ߙ = 5% ⇒ ߙ = 0,05
Región crítica. Para calcular esta región se aplica el estadístico de prueba t
(݊ଵ = ݊ଶ = 10 < 30), con desviaciones estándar poblacionales iguales. Para ello se
utiliza la tabla 4 anexa, del área bajo la curva. 734,105,0 == ttα con
libertaddegradosnn 1821010221 =−+=−+=ν .
‫ݔ‬ଵ = 38,21 ‫ݔ‬ଶ = 32,56
݊ଵ = ݊ଶ = 10
‫ݏ‬ଵ = 4,81 ‫ݏ‬ଶ = 4,47
‫ݏ‬௣
ଶ
=
9(4,81)ଶ
+ 9(4,47)ଶ
18
= 4,643
‫ݐ‬ =
(38,21 − 32,56) − 0
(4,643) ට 1
10 +
1
10
= 2,721

El valor de t calculado t = 2,721 es menor al valor t =2,797; por tanto cae en la
región de aceptación; con lo cual se acepta la hipótesis nula. Recuerde que no significa
que sea cierta, sino que no hay evidencias suficientes para rechazarla a un nivel de
significación del 5%. Se recomienda aumentar el tamaño de la muestra.
Ejemplo 9.7. A fin de determinar si el uso de empaques de caucho entre las probetas de
concreto y la platina de la máquina de prueba afecta la resistencia observada, se hacen
dos probetas a partir de seis lotes de concreto (ver tabla 9.1). De cada par de probetas,
una fue sometida a prueba con el empaque y otra, sin él ¿Existe una diferencia
significativa entre las resistencias obtenidas por ambos métodos de prueba? Utilice nivel
de significación del 1%
RESISTENCIA A LA TENSIÓN MN/m
2
.
Lote Nº Con empaque Sin empaque
1 3,76 3,48
2 3,72 3,00
3 3,65 3,28
4 3,62 3,10
5 3,96 3,38
6 3,48 3,18
Solución:
Se debe someter a prueba la hipótesis nula de que no hay diferencia en la resistencia a la
tensión, al usar o no empaques de caucho, entre las probetas de concreto y la platina de
una máquina; utilizando mediciones muestrales en parejas; en contraposición a la alterna
de que si hay diferente. La prueba a aplicar es de dos colas o bilateral.
‫ܪ‬଴: ߤ஽ = 0
‫ܪ‬ଵ: ߤ஽ ≠ 0
ߙ = 1% ⇒ ߙ = 0,01

Región crítica. Para calcular esta región se aplica el estadístico de prueba t. Para
ello se utiliza la tabla 4 anexa, del área bajo la curva.
libertaddegradostt 16032,4005,0
2
−=== να
(Ya que, la prueba es de dos colas o bilateral, el nivel de significación α se debe dividir
por 2). Esto delimita el área en tres partes, un área entre –4,032 y 4,032; la cual es el
área de aceptación de la hipótesis nula y el área a la izquierda de –4,032 y a la derecha
de 4,032 que representa el área de rechazo de la hipótesis nula.
Utilizando la tabla, calculemos la diferencia por parejas, la media y la desviación
estándar de estas diferencias.
Lote Nº Con empaque Sin empaque di
1 3,76 3,48 0,28
2 3,72 3,00 0,72
3 3,65 3,28 0,37
4 3,62 3,10 0,52
5 3,96 3,38 0,58
6 3,48 3,18 0,30
174,046,0 == dsd
݀ = 0,46 ݊ = 6 ‫ݏ‬ௗ = 0,174
‫ݐ‬ =
0,46 − 0
0,174
√6
ൗ
= 6,48
El valor de t calculado es 6,48 el cual es mayor al valor t = 4,032; por tanto cae
en la región de rechazo; con lo cual se rechaza la hipótesis nula; aceptando la alterna, es
decir que la utilización de empaques si afecta significativamente la resistencia a la
tensión.

PRUEBA DE HIPOTESIS RELACIONADAS CON PROPORCIONES.
En algunos problemas puede interesar el estudio de las proporciones relacionadas
con alguna población. Por ejemplo, se puede requerir determinar si 0,03 es la
proporción verdadera de piezas defectuosas que salen de una planta de ensamblaje.
En los problemas relacionados con una población lo que se quiere probar es si la
proporción poblacional P, es igual a un valor específico pο , en contra de la alternativa
que sean diferentes. Tomando muestras de tamaño n.
Pruebas para una proporción con muestras menores a 30 sujetos.
Si la prueba se basa en muestras pequeñas, o menor de 30 elementos, se procede así:
• Se definen las hipótesis estadísticas.
• Se elige el nivel de significación.
• El estadístico de prueba a utilizar es la variable binomial X con P=p0 .
• Se identifica el valor x, el número de éxitos y se calcula el valor de
probabilidad apropiado, utilizando la distribución binomial.
• Se rechaza la hipótesis nula si el valor calculado es menor o igual al nivel de
significación. De lo contrario se acepta.
En el caso de que
‫ܪ‬଴: ܲ = ‫݌‬଴
‫ܪ‬ଵ: ܲ < ‫݌‬଴
La probabilidad a calcular con la Distribución Binomial viene dada por:
Fórmula 9.7
ܲ(ܺ ≤ ‫ݔ‬) = ‫ܤ‬(‫;ݔ‬ ݊; ‫݌‬଴) = ෍ ܾ(݇; ݊; ‫݌‬଴)
௫
௞ୀ଴
En el caso de que

‫ܪ‬଴: ܲ = ‫݌‬଴
‫ܪ‬ଵ: ܲ > ‫݌‬଴
La probabilidad a calcular con la Distribución Binomial, viene dada por:
Fórmula 9.8
ܲ(ܺ ≥ ‫ݔ‬) = 1 − ‫ܤ‬(‫;ݔ‬ ݊; ‫݌‬଴) = 1 − ෍ ܾ(݇; ݊; ‫݌‬଴)
௫
௞ୀ଴
‫ܪ‬଴: ܲ = ‫݌‬଴
‫ܪ‬ଵ: ܲ ≠ ‫݌‬଴
En este caso la probabilidad a calcular con la distribución binomial viene dada
por:
Fórmula 9.9
2ܲ(ܺ ≤ ‫ݔ‬) = 2‫ܤ‬(‫;ݔ‬ ݊; ‫݌‬଴) = 2 ෍ ܾ(݇; ݊; ‫݌‬଴)
௫
௞ୀ଴
ܵ݅ ‫ݔ‬ < ݊‫݌‬଴
Fórmula 9.10
2ܲ(ܺ ≥ ‫ݔ‬) = 2൫1 − ‫ܤ‬(‫;ݔ‬ ݊; ‫݌‬଴)൯ = 2 ൭1 − ෍ ܾ(݇; ݊; ‫݌‬଴)
௫
௞ୀ଴
൱
ܵ݅ ‫ݔ‬ > ݊‫݌‬଴
Ejemplo 9.8. Una empresa fabricante de equipos mecánicos patrocina un curso de
adiestramiento para su personal de venta y servicio. Los anales del curso demuestran que
un 64% de los alumnos, aprueban los exámenes finales. Se efectúan ciertos cambios en
el programa de adiestramiento, con objeto de mejorarlo y, al año siguiente de 29
alumnos del curso, 20 aprueban ¿A nivel de significación de 0,01, podría considerarse
este hecho como una demostración de la efectividad de las reformas introducidas en el
programa?

Solución:
Se debe someter a prueba la hipótesis nula de que la proporción poblacional es de 0,64;
en contraposición a la alterna de que sea diferente. La prueba a aplicar es de dos colas o
bilateral.
‫ܪ‬଴: ܲ = ‫݌‬଴ = 0,64
‫ܪ‬ଵ: ܲ ≠ ‫݌‬଴ = 0,64
ߙ = 1% ⇒ ߙ = 0,01
Calculemos el valor de probabilidad, utilizando la distribución binomial; sabiendo que:
‫ݔ‬ = 15 ݊ = 20 ‫݌‬ = 0,64 ‫ݔ‬ > ݊‫݌‬଴ = 20(0,64) = 12,8
Utilizando la fórmula 9.10 se tiene que:
2ܲ(ܺ ≥ 15) = 2൫1 − ‫ܤ‬(‫;ݔ‬ 20; 0,64)൯ = 2 ൭1 − ෍ ܾ(݇; 20; 0,64)
௫
௞ୀ଴
൱ = 2(1 − 0,8818)
= 0,2364
Ya que el valor calculado es 0,2364>0,01, se acepta la hipótesis nula, es decir que no
hay razones suficientes para negarla.
Pruebas para proporciones con muestras mayores o iguales a 30 sujetos.
Si la prueba se basa en muestras donde 30≥n , y tanto 5)1(5 00 ≥−≥ pnynp . Se
puede aproximar el valor Binomial con la distribución normal. Donde el valor de Z se
calcula por la siguiente fórmula:
Fórmula 9.11. Utilizando la distribución Z.
‫ݖ‬ =
‫ݔ‬ − ݊‫݌‬଴
ඥ݊‫݌‬଴(1 − ‫݌‬଴)
Ejemplo 9.9. Un jefe de control de calidad, se plantea la hipótesis de que no más del
7% de las refacciones que se fabrican en un proceso de manufactura tienen defectos.

Para una muestra aleatoria de 90 refacciones, se encuentra que 11 están defectuosas.
Someta a prueba esta hipótesis a un nivel de significación del 5%.
Solución:
Se debe someter a prueba la hipótesis nula de que la proporción poblacional es de 0,07;
en contraposición a la alterna de que sea mayor a 0,07. La prueba a aplicar es de una
cola o unilateral.
‫ܪ‬଴: ܲ = ‫݌‬଴ = 0,07
‫ܪ‬ଵ: ܲ > ‫݌‬଴ = 0,07
ߙ = 5% ⇒ ߙ = 0,05
Región crítica. Para calcular esta región, se aplica el estadístico de prueba Z, ya que
57,83)07,01.(90)1(53,6)07,0.(903090 00 ≥=−=−≥==≥= pnynpyn .
Para ello se utiliza la tabla 3 anexa, del área bajo la curva. 645,105,0 == zzα . Esto
delimita el área en dos partes, a la izquierda de 1,645; la cual es el área de aceptación de
la hipótesis nula y el área a la derecha que representa el área de rechazo de la hipótesis
nula.
‫ݔ‬ = 11 ݊ = 90 ‫݌‬଴ = 0,07
‫ݖ‬ =
11 − 90(0,07)
ඥ90(0,07)(1 − 0,07)
= 1,94
El valor de Z calculado z = 1,94 es mayor al valor z =1,645; por tanto cae en la
es que la proporción de las refacciones que se fabrican en un proceso de manufactura es
mayor al 7%; con nivel de significación del 5%.

Pruebas para dos proporciones
En los problemas en donde se desea probar la hipótesis nula de que dos
proporciones poblacionales P1 y P2 son iguales o difieren en algún valor específico, en
contraposición a que sean diferentes o que su diferencia es distinta a un valor específico,
utilizando muestras grandes, se plantean así:
‫ܪ‬଴: ܲଵ − ܲଶ = ݀଴
‫ܪ‬ଵ: ܲଵ − ܲଶ < ݀଴
‫ܪ‬଴: ܲଵ − ܲଶ = ݀଴
‫ܪ‬ଵ: ܲଵ − ܲଶ > ݀଴
‫ܪ‬଴: ܲଵ − ܲଶ = ݀଴
‫ܪ‬ଵ: ܲଵ − ܲଶ ≠ ݀଴
El estadístico de prueba relacionado con proporciones poblacionales, con valores
de proporción muestral
2
2
2
1
1
1 n
x
py
n
x
p == ; viene dado por la fórmula.
Fórmula 9.12. Utilizando la distribución Z.
‫ݖ‬ =
‫݌‬ଵ − ‫݌‬ଶ − ݀଴
ට
‫݌‬ଵ‫ݍ‬ଵ
݊ଵ
+
‫݌‬ଶ‫ݍ‬ଶ
݊ଶ
Ejemplo 9.10. Un fabricante está evaluando dos tipos de equipo para fabricar un
artículo. Se obtiene una muestra aleatoria de n1=60 para la primera marca de equipo y se
encuentra que 8 de ellos tienen defectos. Se obtiene una muestra aleatoria de n2=90 para
la segunda marca y se encuentra que 9 de ellos tienen defectos. Pruebe si existe

diferencia significativa entre los dos tipos de equipo para fabricar un artículo. Utilice un
nivel de significación del 5%.
Solución:
Se debe someter a prueba la hipótesis nula de que la diferencia de las proporciones
poblacionales de artículos defectuosos producidos por los dos equipos, son iguales; en
contraposición a la alterna de que son diferentes. La prueba a aplicar es de dos colas o
bilateral.
Sea P1: La proporción de artículos defectuosos, utilizando la primera marca.
P2: La proporción de artículos defectuosos, utilizando la segunda marca.
‫ܪ‬଴: ܲଵ − ܲଶ = 0
‫ܪ‬ଵ: ܲଵ − ܲଶ ≠ 0
Región crítica. Para calcular esta región se aplica el estadístico de prueba Z,
curva ܼఈ ଶ⁄ = ܼ଴,଴ଶହ = 1,96.
El estadístico de prueba relacionado con proporciones poblacionales, con valores
de proporción muestral
1,0
90
913,0
60
8
2
2
2
1
1
1 ======
n
xpy
n
xp
viene dado por:
‫ݖ‬ =
0,13 − 0,1 − 0
ට(0,13)(0,87)
60 +
(0,1)(0,9)
90
= 0,56
El valor de Z calculado z = 0,56 es menor al valor z =1,96; por tanto cae en la
región de aceptación; con lo cual se acepta la hipótesis nula o equivalentemente que no
hay razones suficientes para rechazarla; a un nivel de significación del 5%. Se sugiere
aumentar el tamaño de la muestra.

PRUEBA DE HIPÓTESIS RELACIONADAS CON VARIANZAS.
Se pueden destacar varias razones por las cuales es relevante probar hipótesis
relacionadas a las varianzas de poblaciones. En relación a aplicaciones directas, por
ejemplo, un fabricante que requiere cumplir especificaciones, tendrá que realizar pruebas
de variabilidad de un producto; las pruebas de varianzas a menudo son requisitos de
pruebas concernientes a otros parámetros. Es decir, interesa la prueba de hipótesis
relacionadas con la uniformidad de una población o, quizás, la comparación de la
uniformidad de una población con la de otra segunda población.
Pruebas para una varianza poblacional
Consideremos el problema de probar la hipótesis nula de que la varianza de
población σ 2
es igual a un valor específico σ o
2
en contra de una sean diferentes. Las
hipótesis estadísticas vienen dadas por:
‫ܪ‬଴: ߪଶ
= ߪ଴
ଶ
‫ܪ‬ଵ: ߪଶ
< ߪ଴
ଶ
Si la región de rechazo está del lado Izquierdo de la curva.
‫ܪ‬଴: ߪଶ
= ߪ଴
ଶ
‫ܪ‬ଵ: ߪଶ
> ߪ଴
ଶ
‫ܪ‬଴: ߪଶ
= ߪ଴
ଶ
‫ܪ‬ଵ: ߪଶ
≠ ߪ଴
ଶ

Fórmula 9.13. Utilizando la Distribución ji Cuadrada.
߯ଶ
=
(݊ − 1)‫ݏ‬ଶ
ߪ଴
ଶ
Donde s2
es la varianza muestral y n es tamaño muestral.
La región crítica: Una vez establecido el valor de significación α y los grados de
libertad ν =n-1; se utiliza la tabla 5 anexa, y se determina la región crítica en los
siguientes términos:
• Para la alternativa Unilateral 2
0
2
σσ < , la región de rechazo de la hipótesis
nula es todo valor 2
1
2
αχχ −< . De lo contrario se acepta la hipótesis nula.
0
2
σσ > , la región de rechazo de la hipótesis
αχχ > . De lo contrario se acepta la hipótesis nula.
• Para la alternativa bilateral 2
0
2
σσ ≠ , la región de rechazo de la hipótesis
2
1
2
αχχ −
< ó 2
2
2
αχχ > . De lo contrario se acepta la
hipótesis nula.
Ejemplo 9.11. Basado en las especificaciones dadas por un ingeniero, se plantea la
hipótesis de que la desviación estándar de los diámetros de ciertas piezas es diferente de
4 mm. Para una muestra de 15 piezas, se encontró una desviación estándar muestral de
5,2 mm ¿Se puede afirmar que existe variación significativa en la dispersión de los
diámetros de las piezas? Use un nivel de significación del 5%.
Solución:
Se debe someter a prueba la hipótesis nula de que ߪ଴
ଶ
= 16; en contraposición a la
alterna de que sea diferente. La prueba a aplicar es de una cola o unilateral.

‫ܪ‬଴: ߪଶ
= ߪ଴
ଶ
= 16
‫ܪ‬ଵ: ߪଶ
≠ ߪ଴
ଶ
= 16
ߙ = % ⇒ ߙ = 0,05
Región crítica. Para calcular esta región se aplica el estadístico de prueba χ2
, si
utilizamos la tabla 5 anexa, con ν = n-1=15-1=14 grados de libertad se tiene que:
119,26
629,5
2
025,0
2
2
2
975,0
2
2
1
==
==−
χχ
χχ
α
α
el valor a la izquierda de 5,629 y a la derecha de 26,119 representa el área de rechazo de
la hipótesis nula y los valores intermedios los de aceptación. Ver Gráfico 9.4.
݊ = 15 ‫ݏ‬ଶ
= 33,64
߯ଶ
=
(15 − 1)33,64
16
= 29,44
El valor calculado de χ2
= 29,44 es mayor al valor 119,262
025,0 =χ ; por tanto cae en la
es que la dispersión poblacional es significativamente diferente a 4 mm; con nivel de
significación del 5%.
Gráfico 9.6 Región crítica del problema 9.11.

Pruebas para dos varianzas poblacionales
Ahora consideremos el problema de probar la hipótesis nula de que las varianzas
de dos poblaciones sean iguales, en contra de que sean diferentes. Las hipótesis
estadísticas vienen dadas por:
‫ܪ‬଴: ߪଵ
ଶ
= ߪଶ
ଶ
‫ܪ‬ଵ: ߪଵ
ଶ
< ߪଶ
ଶ
Si la región de rechazo está del lado Izquierdo de la curva.
‫ܪ‬଴: ߪଵ
ଶ
= ߪଶ
ଶ
‫ܪ‬ଵ: ߪଵ
ଶ
> ߪଶ
ଶ
‫ܪ‬଴: ߪଵ
ଶ
= ߪଶ
ଶ
‫ܪ‬ଵ: ߪଵ
ଶ
≠ ߪଶ
ଶ
Fórmula 9.14. Utilizando la distribución F
‫ܨ‬ =
‫ݏ‬ଵ
ଶ
‫ݏ‬ଶ
ଶ
Donde 2
2
2
1 sys son las varianzas muestrales.
La región crítica: Una vez establecido el valor de significación α y los grados de
libertad ߥଵ = ݊ଵ − 1 y ߥଶ = ݊ଶ − 1; se utiliza la tabla 6 anexa, y se determina la región
crítica en los siguientes términos:

2
2
1 σσ < , la región de rechazo de la hipótesis
nula es todo valor ‫ܨ‬ < ݂ଵିఈ(ߥଵ, ߥଶ). De lo contrario se acepta la hipótesis
nula.
• Para la alternativa Unilateral, 2
2
2
1 σσ > la región de rechazo de la hipótesis
nula es todo valor ‫ܨ‬ > ݂ఈ(ߥଵ, ߥଶ). De lo contrario se acepta la hipótesis nula.
• Para la alternativa bilateral, 2
2
2
1 σσ ≠ la región de rechazo de la hipótesis
nula es todo valor ‫ܨ‬ < ݂ଵିഀ
మ
(ߥଵ, ߥଶ) y ‫ܨ‬ > ݂ഀ
మ
(ߥଵ, ߥଶ). De lo contrario se
acepta la hipótesis nula.
Ejemplo 9.12. Supóngase que queremos comparar la variación de los diámetros de una
pieza para un tipo de motor que fabrican dos compañías. Se tomaron muestras de piezas
de cada compañía y los resultados fueron: para la primera compañía se midieron 19
piezas y se obtuvo una varianza de 0,0002; en tanto que para la segunda compañía 11
piezas tuvieron una varianza de 0,0004 ¿Presentan los datos suficiente información para
indicar que la variación de los diámetros de la pieza fabricada por la primera compañía
es menor a la fabricada por la segunda compañía? Usar el nivel de significación del 5%.
Solución:
Se debe someter a prueba la hipótesis nula de que las varianzas poblacionales son
iguales; en contraposición a la alterna de que la varianza de los diámetros de las piezas
fabricados por la primera compañía, sea menor que la varianza de los diámetros de las
piezas fabricadas por la segunda compañía. La prueba a aplicar es de una cola o
unilateral.
‫ܪ‬଴: ߪଵ
ଶ
= ߪଶ
ଶ
‫ܪ‬ଵ: ߪଵ
ଶ
< ߪଶ
ଶ
ߙ = 5% ⇒ ߙ = 0,05

Región crítica. Para calcular esta región se aplica el estadístico de prueba F, si
utilizamos la tabla 6 anexa, con ν 1 = n1-1=19-1=18 y ν 2 = n2-1=11-1=10 grados de
libertad se tiene que:
‫ܨ‬ଵିఈ(ߥଵ; ߥଶ) = ‫ܨ‬ଵି଴,଴ହ(18; 10) = ‫ܨ‬଴,ଽହ(18; 10) =
1
‫ܨ‬଴,଴ହ(10; 18)
=
1
2,41
= 0,41
El valor a la izquierda de 0,41, representa el área de rechazo de la hipótesis nula y los
valores a la derecha la aceptación.
0004,00002,0 2
2
2
1 == ss
‫ܨ‬ =
0,0002
0,0004
= 0,5
El valor calculado de F=0,5 es mayor al valor 0,41; por tanto cae en la región de
aceptación; con lo cual se acepta la hipótesis nula; a un nivel de significación del 5%.
Equivalente a que no suficientes razones para rechazarla, se sugiere aumentar el tamaño
de la muestra.
Grafico 9.7. Región crítica del problema 9.12.

1. El fabricante de un automóvil afirma que el automóvil rendirá cuando menos 10
kilómetros por litro, en promedio. En 50 ensayos de prueba, el promedio de
rendimiento de gasolina de los automóviles fue de 9,86 kilómetros por litro, con una
desviación estándar de 0,049 kilómetros por litro ¿Puede rechazarse la afirmación
del fabricante con un nivel de significación del 5%? Use prueba Unilateral.
2. En una muestra aleatoria de seis varillas de acero se obtuvo una resistencia media a
la compresión de 52256 psi (libras por pulgada cuadrada) con una desviación
estándar de 648 psi. Pruebe si la media de la resistencia real a la comprensión del
acero del cual proviene esta muestra es 57000 psi. Use un nivel de significación del
1%, y prueba bilateral.
3. La tensión de salida de determinado circuito eléctrico debe ser 120, de acuerdo con
las especificaciones. Una muestra de 50 mediciones de la tensión de este circuito dio
un promedio de 120,8 y una desviación de 2,1. Pruebe si la tensión ha aumentado.
Use un nivel de significación del 5%.
4. Se ha ajustado una máquina llenadora de botellas para que introduzca 5 litros de
líquido en cada recipiente. Se encuentra que, para una muestra de 15 botellas, la
cantidad promedio de líquido introducido es 5,06 litros, con una desviación estándar
de 0,12 litros. Se supone que las cantidades con las que se llenan las botellas tienen
distribución normal. Quiere decir esto que la máquina esta fuera de control. Use
nivel de significación del 5%.

5. La resistencia de determinado plástico a la fatiga debe ser, 25 lb/pulg2
. Los
resultados de 12 piezas de plástico muestran un promedio de 25,4 lib/pulg2
y una
desviación estándar de 1,3 lb/pulg2
. Pruebe si la resistencia del plástico ha
aumentado. Use nivel de significación del 1%.
6. Un fabricante afirma que la resistencia media de un resistor de 240 Ω. Un comprador
pone a prueba 12 y observa los valores siguientes:
256 261 239 255 242
235 231 266 245 234
266 241 256 234 267
¿El lote cumple las especificaciones a un nivel de significación del 10%?
7 Un fabricante afirma que el coeficiente a la tensión de una fibra A excede el
coeficiente promedio a la tensión de una fibra B a lo sumo en 12 kilogramos. Para
probar tal afirmación se someten a prueba 60 piezas de cada tipo de fibra bajo
condiciones similares. La fibra de tipo A tiene un coeficiente promedio a la tensión
de 78,9 kilogramos, con una desviación estándar de 5,8 kg; mientras que la fibra de
tipo B tiene un coeficiente promedio a la tensión de 66,2 kg, con desviación estándar
de 4,67 kg. Probar la afirmación del fabricante, utilizando un nivel de significación
del 1%.
8 Un estudio sobre reparaciones de dos tipos de fotocopiadoras reveló que 70 fallas
del primer tipo de equipo fueron reparadas en un tiempo promedio de 82,5 minutos
con una desviación estándar de 18,9 minutos; mientras que 80 fallas del equipo del
segundo tipo fueron reparadas en un tiempo de 93 minutos, con una desviación
estándar de 21,2 minutos. Pruebe si existe diferencia significativa entre los
promedios poblacionales de los tiempos de reparación de los dos tipos de equipo.

9 Los valores de la resistencia (en ohm) de 40 resistores, indicados por dos fabricantes,
se presentan en la tabla siguiente.
FABRICANTE A
6040 7000 7160 8000 7360 6800 5680 6320
7240 6160 6120 8240 7760 7040 6720 6920
7600 6600 6920 7280 6400 6200 8120 8000
7800 7320 7560 7200 7560 7520 7689 7869
6640 7178 7234 6680 7040 7688 6456 6000
FABRICANTE B
7520 7520 6320 5680 7440 6960 8920 8600
8520 8880 8440 8400 7320 8800 7800 7720
7659 7569 7720 7840 7600 7345 7360 7320
7240 7240 8640 7456 7320 7080 7320 7720
6680 6600 6040 6080 6720 5960 7040 6280
Pruebe si hay diferencia significativa entre los valores medios de los grupos A y B.
10 Una compañía tiene que decidir si el uso de neumáticos radiales en vez de
neumáticos normales favorece el ahorro de combustible. Se equiparon 15
automóviles con neumáticos radiales y se hicieron rodar; luego los mismos
automóviles se le colocaron neumáticos normales y se hicieron rodar, obteniendo los
siguientes resultados:
Automóviles Kilómetros por litro
Neumáticos Radiales Neumáticos Normales
1 5,2 6,1
2 4,9 7,4
3 6,0 5,7
4 4,5 6,7

5 7,0 6,6
6 7,0 6,6
7 4,7 4,2
8 4,9 6,0
9 4,7 6,9
10 5,8 5,7
11 4,4 6,8
12 6,9 6,2
13 4,9 4,1
14 4,6 6,7
15 6,9 5,6
Con un nivel de significación de 5%, ¿es posible concluir que los automóviles con
neumáticos normales economizan más que aquellos equipados con neumáticos
radiales? Suponga que las desviaciones poblacionales son diferentes.
11 Se comparan dos procedimientos de sinterización de cobre, aplicando cada
procedimiento en 7 tipos de polvo. La medición de interés es la porosidad de cada
elemento de prueba. Los resultados de las pruebas son los siguientes:
Polvo Procedimiento A Procedimiento B
1 18 23
2 27 26
3 22 16
4 26 24
5 19 21
6 20 23
7 23 25
¿Hay evidencia de que existe diferencia entre las mediciones de porosidad promedio
para dos tipos de procedimientos? Use un nivel de significación del 10%. Prueba por
parejas.

12 Se tiene que reparar una máquina en cierta fábrica si produce más de 12% de
artículos defectuosos del lote producido en un día. Una muestra de 150 artículos de
la producción diaria contiene 20 defectuosos, el jefe de control de calidad decide
que debe reparar la máquina ¿Es acertada su decisión? Use nivel de significación
del 1%.
13 En un estudio para investigar si ciertos detonadores empleados con explosivos en
una mina de carbón cumplen con los requerimientos de que al menos el 86%
encenderá el explosivo al ser detonado, se encontró que 167 de 199 detonadores
funcionaron de manera adecuada. Pruebe si la proporción de detonadores que
encenderán los explosivos al ser detonados es inferior a 86%, a un nivel de
14 Un fabricante de bombas de pozo profundo asegura que el 30% de sus bombas
requieren reparaciones en los primeros 4 años. Si en una muestra de 110 bombas se
tiene que 46 requirieron reparación en los primeros 4 años. Pruebe si la proporción
de bombas difiere del 30%. Use nivel de significación del 5%.
15 Si 28 de 178 neumáticos de la marca A y 24 de 180 neumáticos, no duraron 15000
millas. Pruebe si hay diferencia significativa entre los rendimientos de los dos tipos
de neumáticos. Use un nivel de significación del 5%.
16 Un estudio señala que 14 de 150 tractores producidos en una línea de ensamblado
requieren ajustes minuciosos antes de ser embarcados, y lo mismo sucede con 15 de
380 tractores producidos en otra línea de ensamblado. Con un nivel de significación
del 1%, ¿apoya esto la afirmación de que la segunda línea de producción efectúa un
trabajo superior?

17 Un fabricante de cascos de seguridad, desea cuidar la media y la varianza de las
fuerzas que trasmiten los cascos a los obreros al ser sometidos a una fuerza externa.
El fabricante quiere que la fuerza media trasmitida por los cascos sea de 830
libras(o menos), y que su desviación estándar que sea menor a 40 libras. Se tomó una
muestra de 40 cascos, y se encontró que la media fue de 900 libras y su varianza fue
de 2450 libras. ¿Proporcionan los datos razones suficientes que indique que la fuerza
media trasmitida por los cascos, al ser sometidos a una fuerza externa excede de 830
libras y que la desviación estándar excede de 40 libras? Use un nivel de significación
del 5%.
18 Se asegura que las medidas de los diámetros de ciertos tipos de pernos, tienen una
desviación estándar de 0,016 pulg. Se tomó una muestra y se encontró que 16 pernos
produjeron una varianza de 0,00014 pulg. ¿Hay suficientes razones para asegurar
que la desviación estándar es diferente a 0,016 pulg? Use un nivel de significación
del 1%.
19 Dos procesos de alumbrado se comparan midiendo la intensidad de la luz en puntos
determinados, situados en áreas iluminadas de acuerdo a cada proceso. Si en 18
mediciones, en la primera área, se obtuvo una desviación estándar de 2,9 bujías por
pie cuadrado; mientras 23 mediciones en la segunda área su desviación estándar fue
de 4,1 bujías por pie cuadrado ¿Se puede concluir que el alumbrado de la segunda
área tiene mayor variabilidad? Use un nivel de significación del 1%.
20 La calidad de un producto depende, en parte, de mantener la estabilidad de las
mediciones de sus características. Un fabricante de lámparas sospecha que una de
sus líneas de producción está fabricando bombillas con una alta variación en su vida
útil. Se tomó una muestra de 50 lámparas de la línea que supuestamente esta fuera de
control, obteniendo una varianza de 94000; y 50 lámparas de una línea que está bajo
control, cuya varianza fue de 39000 ¿Proporciona los datos evidencia suficiente para

indicar que las bombillas, producidas por la línea que esta fuera de control posee
mayor variabilidad, en la vida útil, que la que está bajo control? Use un nivel de

ANEXO 1
FUNCIÓN DE DISTRIBUCIÓN BINOMIAL
P X x B x n p b k n p donde x n
k
x
( ) ( ; ; ) ( ; ; ) , , , ,≤ = = =
=
∑0
0 12 3 K
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
2 0 0,9025 0,8100 0,7225 0,6400 0,5625 0,4900 0,4225 0,3600 0,3025 0,2500 0,2025 0,1600 0,1225 0,0900 0,0625 0,0400 0,0225 0,01 0,0025
1 0,9975 0,9900 0,9775 0,9600 0,9375 0,9100 0,8775 0,8400 0,7975 0,7500 0,6975 0,6400 0,5775 0,5100 0,4375 0,3600 0,2775 0,1900 0,0975
3 0 0,8574 0,7290 0,6141 0,5120 0,4219 0,3430 0,2746 0,2160 0,1664 0,125 0,0911 0,0640 0,0429 0,0270 0,0156 0,0080 0,0034 0,0010 0,0001
1 0,9927 0,9720 0,9393 0,8960 0,8434 0,7840 0,7183 0,6480 0,5748 0,5000 0,4252 0,3520 0,2818 0,2160 0,1563 0,1040 0,0607 0,0280 0,0073
2 0,9999 0,9990 0,9966 0,9920 0,9844 0,9730 0,9571 0,9360 0,9089 0,8750 0,8336 0,7840 0,7254 0,6570 0,5781 0,4880 0,3859 0,2710 0,1426
4 0 0,8145 0,6561 0,5220 0,4096 0,3164 0,2401 0,1785 0,1296 0,0915 0,0625 0,0410 0,0256 0,0150 0,0081 0,0039 0,0016 0,0005 0,0001 0,0000
1 0,9860 0,9477 0,8905 0,8192 0,7383 0,6517 0,5630 0,4752 0,3910 0,3125 0,2415 0,1792 0,1265 0,0837 0,0508 0,0272 0,1200 0,0037 0,0005
2 0,9995 0,9963 0,9880 0,9728 0,9492 0,9163 0,8735 0,8208 0,7585 0,6875 0,6090 0,5248 0,4370 0,3483 0,2617 0,1880 0,1095 0,0523 0,0140
3 1,0000 0,9999 0,9995 0,9984 0,9961 0,9919 0,9850 0,9744 0,9590 0,9375 0,9085 0,8704 0,8215 0,7599 0,6836 0,590 0,4780 0,3439 0,1855
5 0 0,7738 0,5905 0,4437 0,3277 0,2373 0,1681 0,1160 0,0778 0,0503 0,0313 0,0185 0,0102 0,0053 0,0024 0,0010 0,0003 0,0001 0,0000 0,0000
1 0,9774 0,9185 0,8352 0,7373 0,6328 0,5282 0,4284 0,3370 0,2562 0,1875 0,1312 0,0870 0,0540 0,0308 0,0156 0,0067 0,0022 0,0005 0,0000
2 0,9988 0,9914 0,9734 0,9421 0,8965 0,8369 0,7648 0,6826 0,5931 0,5000 0,4069 0,3174 0,2352 0,1631 0,1035 0,0579 0,0266 0,0086 0,0012
3 1,0000 0,9995 0,9978 0,9933 0,9844 0,9692 0,9460 0,9130 0,8388 0,8125 0,7438 0,6630 0,5716 0,4718 0,3672 0,2627 0,1648 0,0815 0,0226
4 1,0000 1,0000 0,9999 0,9997 0,9990 0,9976 0,9947 0,9898 0,9815 0,9688 0,9497 0,9222 0,8840 0,8319 0,7627 0,6723 0,5563 0,4095 0,2262
6 0 0,7351 0,5314 0,3771 0,2621 0,1780 0,1176 0,0754 0,0467 0,0277 0,0156 0,0083 0,0041 0,0018 0,0007 0,0002 0,0001 0,0000 0,0000 0,0000
1 0,9672 0,8857 0,7765 0,6554 0,5339 0,4202 0,3191 0,2333 0,1636 0,1094 0,0692 0,0410 0,0223 0,0109 0,0046 0,0016 0,0004 0,0001 0,0000
2 0,9978 0,9841 0,9527 0,9011 0,8306 0,7443 0,6471 0,5443 0,4415 0,3438 0,2553 0,1792 0,1174 0,0705 0,0376 0,0170 0,0059 0,0013 0,0001

3 0,9999 0,9987 0,9941 0,9830 0,9624 0,9295 0,8826 0,8208 0,7447 0,6563 0,5585 0,4557 0,3529 0,2557 0,1694 0,0989 0,0473 0,0158 0,0022
4 1,0000 0,9999 0,9996 0,9984 0,9954 0,9891 0,9777 0,9590 0,9308 0,8906 0,8364 0,7667 0,6809 0,5798 0,4661 0,3446 0,2235 0,1143 0,0328
5 0,1000 1,0000 1,0000 0,9999 0,9998 0,9993 0,9982 0,9959 0,9917 0,9844 0,9723 0,9533 0,9246 0,8824 0,8220 0,7379 0,6229 0,4686 0,2649
7 0 0,6983 0,4783 0,3206 0,2097 0,1335 0,0824 0,0490 0,0280 0,0152 0,0078 0,0037 0,0006 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,9556 0,8503 0,7166 0,5767 0,4449 0,3294 0,2338 0,1586 0,1024 0,0625 0,0357 0,0188 0,0900 0,0038 0,0013 0,0004 0,0001 0,0000 0,0000
2 0,9962 0,9743 0,9262 0,8520 0,7564 0,6471 0,5323 0,4199 0,3164 0,2266 0,1529 0,0963 0,0556 0,0288 0,0129 0,0047 0,0012 0,0002 0,0000
3 0,9998 0,9973 0,9879 0,9667 0,9294 0,8740 0,8002 0,7102 0,6083 0,5000 0,3917 0,2898 0,1998 0,1260 0,0706 0,0333 0,0121 0,0027 0,0002
4 0,1000 0,9998 0,9988 0,9953 0,9871 0,9712 0,9444 0,9037 0,8471 0,7734 0,6836 0,5801 0,4677 0,3529 0,2436 0,1480 0,0738 0,0257 0,0038
5 1,0000 1,0000 0,9999 0,9996 0,9987 0,9962 0,9910 0,9812 0,9643 0,9375 0,8976 0,8414 0,7662 0,6706 0,5551 0,4233 0,2834 0,1497 0,0444
6 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9994 0,9984 0,9963 0,9922 0,9848 0,9720 0,9510 0,9176 0,8665 0,7903 0,6794 0,5217 0,3017
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
8 0 0,6634 0,4305 0,2725 0,1678 0,1001 0,0576 0,0319 0,0168 0,0084 0,0039 0,0017 0,0007 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,9556 0,8503 0,7166 0,5767 0,4449 0,3294 0,2338 0,1586 0,1024 0,0625 0,0357 0,0188 0,0090 0,0038 0,0013 0,0004 0,0001 0,0000 0,0000
2 0,9942 0,9619 0,8948 0,7969 0,6785 0,5518 0,4278 0,3154 0,2201 0,1445 0,0885 0,0498 0,0253 0,0113 0,0042 0,0012 0,0002 0,0000 0,0000
3 0,9996 0,9950 0,9786 0,9437 0,8862 0,8059 0,7064 0,5941 0,4770 0,363 0,2604 0,1737 0,1061 0,0580 0,0273 0,0104 0,0029 0,0004 0,0000
4 1,0000 0,9996 0,9971 0,9896 0,9727 0,9420 0,8939 0,8263 0,7396 0,6367 0,5230 0,4059 0,2936 0,1941 0,1138 0,0563 0,0214 0,0050 0,0004
5 1,0000 1,0000 0,9998 0,9988 0,9958 0,9887 0,9747 0,9502 0,9115 0,8555 0,7799 0,6846 0,5722 0,4482 0,3215 0,2031 0,1052 0,0381 0,0058
6 1,0000 1,0000 1,0000 0,9999 0,9996 0,9987 0,9964 0,9915 0,9819 0,9648 0,9368 0,8936 0,8309 0,7447 0,6329 0,4967 0,3428 0,1869 0,0572
7 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9993 0,9983 0,9961 0,9916 0,9832 0,9681 0,9424 0,8999 0,8322 0,7275 0,5695 0,3366
9 0 0,6302 0,3874 0,2316 0,1342 0,0751 0,0404 0,0207 0,0101 0,0046 0,0020 0,0008 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,9288 0,7748 0,5995 0,4362 0,3003 0,1960 0,1211 0,0705 0,0385 0,0195 0,0091 0,0038 0,0014 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000
2 0,9916 0,9470 0,8591 0,7382 0,6007 0,4628 0,3373 0,2318 0,1495 0,0898 0,0498 0,0250 0,0112 0,0043 0,0013 0,0030 0,0000 0,0000 0,0000
3 0,9994 0,9917 0,9661 0,9144 0,8343 0,7297 0,6089 0,4826 0,3614 0,2539 0,1658 0,0994 0,0536 0,0253 0,0100 0,0031 0,0006 0,0001 0,0000
4 1,0000 0,9991 0,9944 0,9804 0,9511 0,9012 0,8283 0,7334 0,6214 0,5000 0,3786 0,2666 0,1717 0,0988 0,0489 0,0196 0,0056 0,0009 0,0000
5 1,0000 0,9999 0,9994 0,9969 0,9900 0,9747 0,9464 0,9006 0,8342 0,7461 0,6386 0,5174 0,3911 0,2703 0,1657 0,0856 0,0339 0,0083 0,0000
6 1,0000 1,0000 1,0000 0,9997 0,9987 0,9957 0,9888 0,9750 0,9502 0,9102 0,8505 0,7682 0,6627 0,5372 0,3993 0,2618 0,1409 0,0530 0,0084
7 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9986 0,9962 0,9909 0,9805 0,9615 0,9295 0,8789 0,8040 0,6997 0,5638 0,4005 0,2252 0,0712
8 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9992 0,9980 0,9954 0,9899 0,9793 0,9596 0,9249 0,8658 0,7684 0,6126 0,3698
10 0 0,5987 0,3487 0,1969 0,1074 0,0563 0,0282 0,0135 0,0060 0,0025 0,0010 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,9139 0,7361 0,5443 0,3758 0,2440 0,1493 0,0860 0,0464 0,0233 0,0107 0,0045 0,0017 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000

2 0,9885 0,9298 0,8202 0,6778 0,5226 0,3828 0,2616 0,1673 0,0996 0,0547 0,0274 0,0123 0,0048 0,0016 0,0004 0,0001 0,0000 0,0000 0,0000
3 0,9990 0,9872 0,9500 0,8791 0,7759 0,6496 0,5138 0,3823 0,2660 0,1719 0,1020 0,0548 0,0260 0,0106 0,0035 0,0009 0,0001 0,0000 0,0000
4 0,9999 0,9984 0,9901 0,9672 0,9219 0,8497 0,7515 0,6331 0,5044 0,3770 0,2616 0,1662 0,0949 0,0473 0,0197 0,0064 0,0014 0,0001 0,0000
5 1,0000 0,9999 0,9986 0,9936 0,9803 0,9527 0,9051 0,8338 0,7384 0,6230 0,4956 0,3669 0,2485 0,1503 0,0781 0,0328 0,0099 0,0016 0,0001
6 1,0000 1,0000 0,9999 0,9991 0,9965 0,9894 0,9740 0,9452 0,8980 0,8281 0,7340 0,6177 0,4862 0,3504 0,2241 0,1209 0,0500 0,0128 0,0010
7 1,0000 1,0000 1,0000 0,9999 0,9996 0,9984 0,9952 0,9877 0,9726 0,9453 0,9004 0,8327 0,7384 0,6172 0,4744 0,3222 0,1798 0,0702 0,0115
8 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983 0,9955 0,9893 0,9767 0,9536 0,9140 0,8507 0,7560 0,6242 0,4557 0,2639 0,0861
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9990 0,9975 0,9940 0,9865 0,9718 0,9437 0,8926 0,8031 0,6513 0,4013
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
11 0 0,5688 0,3138 0,1673 0,0859 0,0422 0,0198 0,0088 0,0036 0,0014 0,0005 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,8981 0,6974 0,4922 0,3221 0,1971 0,1130 0,0606 0,0302 0,0139 0,0059 0,0022 0,0007 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9848 0,9104 0,7788 0,6174 0,4552 0,3127 0,2001 0,1189 0,0652 0,0327 0,0148 0,0059 0,0020 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000
3 0,9984 0,9815 0,9306 0,8389 0,7133 0,5696 0,4256 0,2963 0,1911 0,1133 0,0610 0,0293 0,0122 0,0043 0,0012 0,0002 0,0000 0,0000 0,0000
4 0,9999 0,9972 0,9841 0,9496 0,8854 0,7897 0,6683 0,5328 0,3971 0,2744 0,1738 0,0994 0,0501 0,0216 0,0076 0,0020 0,0003 0,0000 0,0000
5 1,0000 0,9997 0,9973 0,9883 0,9657 0,9218 0,8513 0,7535 0,6331 0,5000 0,3669 0,2465 0,1487 0,0782 0,0343 0,0117 0,0027 0,0003 0,0000
6 1,0000 1,0000 0,9997 0,9980 0,9924 0,9784 0,9499 0,9006 0,8262 0,7256 0,6029 0,4672 0,3317 0,2103 0,1146 0,0504 0,0159 0,0028 0,0001
7 1,0000 1,0000 1,0000 0,9998 0,9988 0,9957 0,9878 0,9707 0,9390 0,8867 0,8089 0,7037 0,5744 0,4304 0,2867 0,1611 0,0694 0,0185 0,0016
8 1,0000 1,0000 1,0000 1,0000 0,9999 0,9984 0,9980 0,9941 0,9852 0,9673 0,9348 0,8811 0,7999 0,6873 0,5448 0,3826 0,2212 0,0896 0,0152
9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9993 0,9978 0,9941 0,9861 0,9698 0,9394 0,8870 0,8029 0,6779 0,5078 0,3026 0,1019
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9995 0,9986 0,9964 0,9912 0,9802 0,9578 0,9141 0,8327 0,6862 0,4312
12 0 0,5404 0,2824 0,1422 0,0687 0,0317 0,0138 0,0057 0,0022 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,8816 0,6590 0,4435 0,2749 0,1584 0,0850 0,0424 0,0196 0,0083 0,0032 0,0011 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9804 0,8891 0,7358 0,5583 0,3907 0,2528 0,1513 0,0834 0,0421 0,0193 0,0079 0,0028 0,0008 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9978 0,9744 0,9078 0,7946 0,6488 0,4925 0,3467 0,2253 0,1345 0,0073 0,0356 0,0153 0,0056 0,0017 0,0004 0,0001 0,0000 0,0000 0,0000
4 0,9998 0,9957 0,9761 0,9274 0,8424 0,7237 0,5833 0,4382 0,3044 0,1938 0,1117 0,0573 0,0255 0,0095 0,0028 0,0006 0,0001 0,0000 0,0000
5 1,0000 0,9995 0,9954 0,9806 0,9456 0,8822 0,7873 0,6652 0,5269 0,3872 0,2607 0,1582 0,0846 0,0386 0,0143 0,0039 0,0007 0,0001 0,0000
6 1,0000 0,9999 0,9993 0,9961 0,9857 0,9614 0,9154 0,8418 0,7393 0,6128 0,4731 0,3348 0,2127 0,1178 0,0544 0,0194 0,0046 0,0005 0,0000
7 1,0000 1,0000 0,9999 0,9994 0,9972 0,9905 0,9745 0,9427 0,8883 0,8062 0,6956 0,5618 0,4167 0,2763 0,1576 0,0726 0,0239 0,0043 0,0002
8 1,0000 1,0000 1,0000 0,9999 0,9996 0,9983 0,9944 0,9847 0,9644 0,9270 0,8655 0,7747 0,6533 0,5075 0,3512 0,2054 0,0922 0,0256 0,0022
9 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9992 0,9972 0,9921 0,9807 0,9579 0,9166 0,8487 0,7472 0,6093 0,4417 0,2642 0,1109 0,0196
10 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9968 0,9917 0,9804 0,9576 0,9150 0,8416 0,7251 0,5565 0,3410 0,1184
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9992 0,9978 0,9943 0,9862 0,9683 0,9313 0,8578 0,7176 0,4596

13 0 0,5133 0,2542 0,1209 0,0550 0,0238 0,0097 0,0037 0,0013 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,8646 0,6213 0,3983 0,2336 0,1267 0,0637 0,0296 0,0126 0,0049 0,0017 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9755 0,8661 0,6920 0,5017 0,3326 0,2025 0,1132 0,0579 0,0269 0,0122 0,0041 0,0013 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9969 0,9658 0,8820 0,7473 0,5843 0,4206 0,2783 0,1686 0,0929 0,0461 0,0203 0,0078 0,0025 0,0007 0,0001 0,0000 0,0000 0,0000 0,0000
4 0,9997 0,9935 0,9658 0,9009 0,7940 0,6543 0,5005 0,3530 0,2279 0,1334 0,0698 0,0321 0,0126 0,0040 0,0010 0,0002 0,0000 0,0000 0,0000
5 1,0000 0,9991 0,9925 0,9700 0,9198 0,8346 0,7159 0,5744 0,4268 0,2905 0,1788 0,0977 0,0462 0,0182 0,0056 0,0012 0,0002 0,0000 0,0000
6 1,0000 0,9999 0,9987 0,9930 0,9757 0,9376 0,8705 0,7712 0,6437 0,5000 0,3563 0,2288 0,1295 0,0624 0,0243 0,0070 0,0013 0,0001 0,0000
7 1,0000 1,0000 0,9998 0,9988 0,9944 0,9818 0,9538 0,9023 0,8212 0,7095 0,5732 0,4256 0,2841 0,1654 0,0802 0,0300 0,0075 0,0009 0,0000
8 1,0000 1,0000 1,0000 0,9998 0,9990 0,9960 0,9874 0,9679 0,9302 0,8666 0,7721 0,6470 0,4995 0,3457 0,2060 0,0991 0,0342 0,0065 0,0003
9 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9975 0,9922 0,9797 0,9539 0,9071 0,8314 0,7217 0,5794 0,4157 0,2557 0,1180 0,0342 0,0031
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9987 0,9959 0,9888 0,9731 0,9421 0,8868 0,7975 0,6674 0,4983 0,4983 0,3080 0,0245
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983 0,9951 0,9874 0,9704 0,9363 0,8733 0,7664 0,6017 0,3787 0,1354
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9987 0,9963 0,9903 0,9762 0,9450 0,8791 0,7458 0,4867
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
14 0 0,4877 0,2288 0,1028 0,0440 0,0178 0,0068 0,0024 0,0008 0,0002 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,8470 0,5846 0,3567 0,1979 0,1010 0,0475 0,0205 0,0081 0,0029 0,0009 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9699 0,8416 0,6479 0,4481 0,2811 0,1608 0,0839 0,0398 0,0170 0,0065 0,0022 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9958 0,9559 0,8535 0,6982 0,5213 0,3552 0,2205 0,1243 0,0632 0,0287 0,0114 0,0039 0,0011 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9996 0,9908 0,9533 0,8702 0,7415 0,5842 0,4227 0,2793 0,1672 0,0898 0,0426 0,0175 0,0060 0,0017 0,0003 0,0000 0,0000 0,0000 0,0000
5 1,0000 0,9985 0,9885 0,9561 0,8883 0,7805 0,6405 0,4859 0,3373 0,2120 0,1189 0,0583 0,0243 0,0083 0,0022 0,0004 0,0000 0,0000 0,0000
6 1,0000 0,9998 0,9978 0,9884 0,9617 0,9067 0,8164 0,6925 0,5461 0,3953 0,2586 0,1501 0,0753 0,0315 0,0103 0,0024 0,0003 0,0000 0,0000
7 1,0000 1,0000 0,9997 0,9976 0,9897 0,9685 0,9247 0,8499 0,7414 0,6047 0,4539 0,3075 0,1836 0,0933 0,0383 0,0166 0,0022 0,0002 0,0000
8 1,0000 1,0000 1,0000 0,9996 0,9978 0,9917 0,9757 0,9417 0,8811 0,7880 0,6627 0,5141 0,3595 0,2195 0,1117 0,0439 0,0115 0,0015 0,0000
9 1,0000 1,0000 1,0000 1,0000 0,9997 0,9983 0,9940 0,9825 0,9574 0,9102 0,8328 0,7207 0,5773 0,4158 0,2585 0,1298 0,0467 0,0092 0,0004
10 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9989 0,9961 0,9836 0,9713 0,9368 0,8757 0,7795 0,6448 0,4787 0,3018 0,1465 0,0441 0,0042
11 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9978 0,9935 0,9830 0,9602 0,9161 0,8392 0,7189 0,5519 0,3521 0,1584 0,0301
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9991 0,9971 0,9919 0,9795 0,9525 0,8990 0,8021 0,6433 0,4154 0,1530
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9998 0,9992 0,9976 0,9932 0,9822 0,9560 0,8972 0,7712 0,5123
15 0 0,4633 0,2059 0,0874 0,0352 0,0134 0,0047 0,0016 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,8290 0,5490 0,3186 0,1671 0,0353 0,0142 0,0052 0,0017 0,0005 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

2 0,9638 0,8159 0,6042 0,3980 0,2361 0,1268 0,0617 0,0271 0,0107 0,0037 0,0011 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9945 0,9444 0,8227 0,6482 0,4613 0,2969 0,1727 0,0905 0,0424 0,0176 0,0063 0,0019 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9994 0,9873 0,9873 0,9383 0,8358 0,6865 0,5155 0,3519 0,2173 0,1204 0,0592 0,0255 0,0093 0,0028 0,0007 0,0001 0,0000 0,0000 0,0000
5 0,9999 0,9977 0,9832 0,9389 0,8516 0,7216 0,5643 0,4032 0,2608 0,1509 0,0769 0,0338 0,0124 0,0037 0,0008 0,0001 0,0000 0,0000 0,0000
6 1,0000 0,9997 0,9964 0,9819 0,9434 0,8689 0,7548 0,6098 0,4522 0,3036 0,1818 0,0950 0,0422 0,0152 0,0042 0,0008 0,0001 0,0000 0,0000
7 1,0000 1,0000 0,9994 0,9958 0,9827 0,9500 0,8868 0,7869 0,6535 0,5000 0,3465 0,2131 0,1132 0,0500 0,0173 0,0042 0,0006 0,0000 0,0000
8 1,0000 1,0000 0,9999 0,9992 0,9958 0,9848 0,9578 0,9050 0,8182 0,6964 0,5478 0,3902 0,2452 0,1311 0,0566 0,0181 0,0036 0,0003 0,0000
9 1,0000 1,0000 1,0000 0,9999 0,9992 0,9963 0,9876 0,9662 0,9231 0,8491 0,7392 0,5968 0,4357 0,2784 0,1484 0,0611 0,0168 0,0022 0,0001
10 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9972 0,9907 0,9745 0,9408 0,8796 0,7827 0,6481 0,4845 0,3135 0,1642 0,0617 0,0127 0,0006
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9972 0,9907 0,9745 0,9408 0,8796 0,7827 0,6481 0,4845 0,3135 0,1642 0,0617 0,0127 0,0006
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9963 0,9893 0,9729 0,9383 0,8732 0,7639 0,6020 0,3958 0,1841 0,0362
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9983 0,9948 0,9858 0,9647 0,9198 0,8329 0,6814 0,4510 0,1710
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9984 0,9953 0,9866 0,9648 0,9126 0,7941 0,5367
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
16 0 0,4401 0,1853 0,0743 0,0281 0,0100 0,0033 0,0010 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,8108 0,5147 0,2839 0,1407 0,0635 0,0261 0,0098 0,0033 0,0010 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9571 0,7892 0,5614 0,3518 0,1971 0,0994 0,0451 0,0183 0,0066 0,0021 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9930 0,9316 0,7899 0,5981 0,4050 0,2459 0,1339 0,0651 0,0281 0,0106 0,0035 0,0009 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9991 0,9830 0,9209 0,7982 0,6302 0,4499 0,2892 0,1666 0,0853 0,0384 0,0149 0,0049 0,0013 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000
5 0,9999 0,9967 0,9765 0,9183 0,8103 0,6598 0,4900 0,3288 0,1976 0,1051 0,0486 0,0191 0,0062 0,0016 0,0003 0,0000 0,0000 0,0000 0,0000
6 1,0000 0,9995 0,9944 0,9733 0,9204 0,8247 0,6881 0,5272 0,3660 0,2272 0,1241 0,0583 0,0229 0,0071 0,0016 0,0002 0,0000 0,0000 0,0000
7 1,0000 0,9999 0,9989 0,9930 0,9729 0,9256 0,8406 0,7161 0,5629 0,4018 0,2559 0,1423 0,0671 0,0257 0,0075 0,0015 0,0002 0,0000 0,0000
8 1,0000 1,0000 0,9988 0,9985 0,9925 0,9743 0,9329 0,8577 0,7441 0,5982 0,4371 0,2839 0,1594 0,0744 0,0271 0,0070 0,0011 0,0001 0,0000
9 1,0000 1,0000 1,0000 0,9998 0,9984 0,9929 0,9771 0,9417 0,8759 0,7728 0,6340 0,4728 0,3119 0,1753 0,0796 0,0267 0,0056 0,0005 0,0000
10 1,0000 1,0000 1,0000 1,0000 0,9997 0,9984 0,9938 0,9809 0,9514 0,8949 0,8024 0,6712 0,5100 0,3402 0,1897 0,0817 0,0235 0,0033 0,0000
11 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9851 0,9616 0,9147 0,8334 0,7108 0,5501 0,3698 0,2018 0,0791 0,0170 0,0000
12 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9991 0,9965 0,9894 0,9719 0,9349 0,8661 0,7541 0,5950 0,4019 0,2101 0,0684 0,0070
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9979 0,9934 0,9817 0,9549 0,9006 0,8029 0,6482 0,4386 0,2108 0,0429
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9990 0,9967 0,9902 0,9739 0,9365 0,8593 0,7161 0,4853 0,1892
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9990 0,9967 0,9900 0,9719 0,9257 0,8147 0,5599
17 0 0,4181 0,1668 0,0631 0,0225 0,0075 0,0023 0,0007 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,7922 0,4818 0,5250 0,1182 0,0501 0,0193 0,0067 0,0021 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

2 0,9497 0,7618 0,5198 0,3096 0,1637 0,0774 0,0327 0,0132 0,0041 0,0012 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9912 0,9174 0,7556 0,5489 0,3530 0,2019 0,1028 0,0464 0,0184 0,0064 0,0019 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9988 0,9779 0,9013 0,7582 0,5739 0,5739 0,3887 0,2348 0,1260 0,0245 0,0086 0,0025 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
5 0,9999 0,9953 0,9681 0,8943 0,7653 0,5968 0,4197 0,2639 0,1471 0,0717 0,0301 0,0106 0,0030 0,0007 0,0001 0,0000 0,0000 0,0000 0,0000
6 1,0000 0,9992 0,9917 0,9623 0,8929 0,7752 0,6188 0,4478 0,2902 0,1662 0,0826 0,0348 0,0120 0,0032 0,0006 0,0001 0,0000 0,0000 0,0000
7 1,0000 0,9999 0,9983 0,9891 0,9598 0,8954 0,7872 0,6405 0,4743 0,3145 0,1834 0,0919 0,0383 0,0127 0,0031 0,0005 0,0000 0,0000 0,0000
8 1,0000 1,0000 0,9997 0,9974 0,9876 0,9597 0,9006 0,8011 0,6626 0,5000 0,3374 0,1989 0,0994 0,0403 0,0124 0,0026 0,0003 0,0000 0,0000
9 1,0000 1,0000 1,0000 0,9995 0,9969 0,9873 0,9617 0,9081 0,8166 0,6855 0,5257 0,3595 0,2128 0,1046 0,0402 0,0109 0,0017 0,0001 0,0000
10 1,0000 1,0000 1,0000 0,9999 0,9994 0,9968 0,9880 0,9652 0,9174 0,8338 0,7098 0,5522 0,3812 0,2248 0,1071 0,0377 0,0083 0,0008 0,0000
11 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9997 0,9894 0,9699 0,9283 0,8529 0,7361 0,5803 0,4032 0,2347 0,1057 0,0319 0,0047 0,0001
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9975 0,9914 0,9755 0,9404 0,8740 0,7652 0,6113 0,4261 0,2418 0,0987 0,0221 0,0012
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9981 0,9936 0,9816 0,9536 0,8972 0,7981 0,6470 0,4511 0,2444 0,0826 0,0088
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9988 0,9959 0,9877 0,9673 0,9226 0,8363 0,6904 0,4802 0,2382 0,0503
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9979 0,9933 0,9807 0,9499 0,8818 0,7475 0,5182 0,2078
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9993 0,9977 0,9925 0,9775 0,9369 0,8332 0,5819
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
18 0 0,3972 0,1501 0,0536 0,0180 0,0056 0,0016 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,7735 0,4503 0,2241 0,0991 0,0395 0,0142 0,0046 0,0013 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9419 0,7338 0,4797 0,2713 0,1353 0,0600 0,0236 0,0082 0,0025 0,0007 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9891 0,9018 0,7202 0,5010 0,3057 0,1646 0,0783 0,0328 0,0120 0,0038 0,0010 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9985 0,9718 0,8794 0,7164 0,5187 0,3327 0,1816 0,0942 0,0411 0,0154 0,0049 0,0013 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
5 0,9998 0,9936 0,9581 0,8671 0,7175 0,5344 0,3550 0,2088 0,1077 0,0481 0,0183 0,0058 0,0014 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000
6 1,0000 0,9988 0,9882 0,9487 0,8610 0,7217 0,5491 0,3743 0,2258 0,1189 0,0537 0,0203 0,0062 0,0014 0,0002 0,0000 0,0000 0,0000 0,0000
7 1,0000 0,9998 0,9973 0,9837 0,9431 0,8593 0,7283 0,5634 0,3915 0,2403 0,1280 0,0576 0,0212 0,0061 0,0012 0,0002 0,0000 0,0000 0,0000
8 1,0000 1,0000 0,9995 0,9957 0,9807 0,9404 0,8609 0,7368 0,5778 0,4073 0,2527 0,1347 0,0597 0,0210 0,0054 0,0009 0,0001 0,0000 0,0000
9 1,0000 1,0000 0,9999 0,9991 0,9946 0,9790 0,9403 0,8653 0,7473 0,5927 0,4222 0,2632 0,1391 0,0596 0,0193 0,0043 0,0005 0,0000 0,0000
10 1,0000 1,0000 1,0000 0,9998 0,9988 0,9939 0,9788 0,9424 0,8720 0,7597 0,6085 0,4366 0,2717 0,1407 0,0569 0,0163 0,0027 0,0002 0,0000
11 1,0000 1,0000 1,0000 1,0000 0,9998 0,9986 0,9938 0,9797 0,9463 0,8811 0,7742 0,6257 0,4509 0,2783 0,1390 0,0513 0,0118 0,0012 0,0000
12 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9986 0,9942 0,9817 0,9519 0,8923 0,7912 0,6450 0,4656 0,2825 0,1329 0,0419 0,0064 0,0002
13 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9846 0,9589 0,9058 0,8114 0,6673 0,4813 0,2836 0,1206 0,0282 0,0015
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9990 0,9962 0,9880 0,9672 0,9217 0,8354 0,6943 0,4990 0,2798 0,0982 0,0109
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9975 0,9918 0,9764 0,9400 0,8647 0,7287 0,5203 0,2662 0,0581
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9987 0,9954 0,9858 0,9605 0,9009 0,7759 0,5497 0,2265

17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9998 0,9944 0,9820 0,9464 0,8499 0,6028
19 0 0,3774 0,1351 0,0456 0,0144 0,0042 0,0011 0,0003 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,7547 0,4203 0,1985 0,0829 0,0310 0,0104 0,0031 0,0008 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9335 0,7054 0,4413 0,2369 0,1113 0,0462 0,0170 0,0055 0,0015 0,0004 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9868 0,8850 0,6841 0,4551 0,2631 0,1332 0,0591 0,0230 0,0077 0,0022 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9980 0,9648 0,8556 0,6733 0,4654 0,2822 0,1500 0,0696 0,0280 0,0096 0,0028 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
5 0,9998 0,9914 0,9463 0,8369 0,6678 0,4739 0,2968 0,1629 0,0777 0,0318 0,0109 0,0031 0,0007 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000
6 1,0000 0,9983 0,9837 0,9324 0,8251 0,6655 0,4812 0,3081 0,1727 0,0835 0,0342 0,0116 0,0031 0,0006 0,0001 0,0000 0,0000 0,0000 0,0000
7 1,0000 0,9997 0,9959 0,9767 0,9225 0,8180 0,6656 0,4878 0,3169 0,1796 0,0871 0,0352 0,0114 0,0028 0,0005 0,0000 0,0000 0,0000 0,0000
8 1,0000 1,0000 0,9992 0,9933 0,9713 0,9161 0,8145 0,6675 0,4940 0,3238 0,1841 0,0885 0,0347 0,0105 0,0023 0,0003 0,0000 0,0000 0,0000
9 1,0000 1,0000 0,9999 0,9984 0,9911 0,9674 0,9125 0,8139 0,6710 0,5000 0,3290 0,1861 0,0875 0,0326 0,0089 0,0016 0,0001 0,0000 0,0000
10 1,0000 1,0000 1,0000 0,9997 0,9977 0,9895 0,9653 0,9115 0,8159 0,6762 0,5060 0,3325 0,1855 0,0839 0,0287 0,0067 0,0008 0,0000 0,0000
11 1,0000 1,0000 1,0000 1,0000 0,9995 0,9972 0,9886 0,9648 0,9129 0,8204 0,6831 0,5122 0,3344 0,1820 0,0775 0,0233 0,0041 0,0003 0,0000
12 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9969 0,9884 0,9658 0,9165 0,8273 0,6919 0,5188 0,3345 0,1749 0,0676 0,0163 0,0017 0,0000
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9993 0,9969 0,9891 0,9682 0,9223 0,8371 0,7032 0,5261 0,3322 0,1631 0,0537 0,0086 0,0002
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9994 0,9972 0,9904 0,9720 0,9304 0,8500 0,7178 0,5346 0,3267 0,1444 0,0352 0,0020
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9978 0,9923 0,9770 0,9409 0,8668 0,7369 0,5449 0,3159 0,1150 0,0132
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9996 0,9985 0,9945 0,9830 0,9538 0,8887 0,7631 0,5587 0,2946 0,0665
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9992 0,9969 0,9896 0,9690 0,9171 0,8015 0,5797 0,2453
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9997 0,9989 0,9958 0,9856 0,9544 0,8649 0,6226
P
n x 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75 0,80 0,85 0,90 0,95
20 0 0,3585 0,1216 0,0388 0,0115 0,0032 0,0008 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
1 0,7358 0,3917 0,1756 0,0692 0,0243 0,0076 0,0021 0,0005 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
2 0,9245 0,6769 0,4049 0,2061 0,0913 0,0355 0,0121 0,0036 0,0009 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
3 0,9841 0,8670 0,6477 0,4114 0,2252 0,1071 0,0444 0,0160 0,0049 0,0013 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
4 0,9974 0,9598 0,8298 0,6296 0,4148 0,2375 0,1182 0,0510 0,0189 0,0059 0,0015 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
5 0,9997 0,9887 0,9327 0,8042 0,6172 0,4164 0,2454 0,1256 0,0553 0,0207 0,0064 0,0016 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
6 1,0000 0,9976 0,9781 0,9133 0,7858 0,6080 0,4166 0,2500 0,1299 0,0577 0,0214 0,0065 0,0015 0,0003 0,0000 0,0000 0,0000 0,0000 0,0000
7 1,0000 0,9996 0,9941 0,9679 0,8982 0,7723 0,6010 0,4159 0,2520 0,1316 0,0580 0,0210 0,0060 0,0013 0,0002 0,0000 0,0000 0,0000 0,0000
8 1,0000 0,9999 0,9987 0,9900 0,9591 0,8867 0,7624 0,5956 0,4143 0,2517 0,1308 0,0565 0,0196 0,0051 0,0009 0,0001 0,0000 0,0000 0,0000
9 1,0000 1,0000 0,9998 0,9974 0,9861 0,9520 0,8782 0,7553 0,5914 0,4119 0,2493 0,1275 0,0532 0,0171 0,0039 0,0006 0,0000 0,0000 0,0000
10 1,0000 1,0000 1,0000 0,9994 0,9961 0,9829 0,9468 0,8725 0,7507 0,5881 0,4086 0,2447 0,1218 0,0480 0,0139 0,0026 0,0002 0,0000 0,0000
11 1,0000 1,0000 1,0000 0,9999 0,9991 0,9949 0,9804 0,9435 0,8692 0,7483 0,5857 0,4044 0,2376 0,1133 0,0409 0,0100 0,0013 0,0001 0,0000

12 1,0000 1,0000 1,0000 1,0000 0,9998 0,9987 0,9940 0,9790 0,9420 0,8684 0,7480 0,5841 0,3990 0,2277 0,1018 0,0321 0,0059 0,0004 0,0000
13 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9985 0,9935 0,9786 0,9423 0,8701 0,7500 0,5834 0,3920 0,2142 0,0867 0,0219 0,0024 0,0000
14 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9984 0,9936 0,9793 0,9447 0,8744 0,7546 0,5836 0,3828 0,1958 0,0673 0,0113 0,0003
15 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9985 0,9941 0,9811 0,9490 0,8818 0,7625 0,5852 0,3704 0,1702 0,0432 0,0026
16 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9997 0,9987 0,9951 0,9840 0,9556 0,8929 0,7748 0,5886 0,3523 0,1330 0,0159
17 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9991 0,9964 0,9879 0,9645 0,9087 0,7939 0,5951 0,3231 0,0755
18 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9995 0,9979 0,9924 0,9757 0,9308 0,8244 0,6083 0,2642
19 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9998 0,9992 0,9968 0,9885 0,9612 0,8784 0,6415

ANEXO II
FUNCIÓN DE DISTRIBUCIÓN DE POISSON
∑=
==≤
x
k
kpxPxXP
0
);();()( µµ
x 0 1 2 3 4 5 6 7 8 9 10 11
µ
0,02 0,980 1,000
0,04 0,961 0,999 1,000
0,06 0,942 0,998 1,000
0,08 0,923 0,997 1,000
0,10 0,905 0,995 1,000
0,15 0,861 0,990 1,000
0,20 0,819 0,982 0,999 1,000
0,25 0,779 0,974 0,998 1,000
0,30 0,741 0,963 0,996 1,000
0,35 0,705 0,951 0,994 1,000
0,40 0,670 0,938 0,992 0,999 1,000
0,45 0,638 0,925 0,989 0,999 1,000
0,50 0,607 0,910 0,986 .998 1,000
0,55 0,577 0,894 0,982 0,998 1,000
0,60 0,549 0,878 0,977 0,997 1,000
0,65 0,522 0,861 0,972 0,996 0,999 1,000
0,70 0,497 0,844 0,966 0,994 1,000 1,000

0,75 0,472 0,827 0,959 0,993 0,999 1,000
0,80 0,449 0,809 0,953 0,991 0,999 1,000
0,85 0,427 0,791 0,945 0,989 0,998 1,000
0,90 0,407 0,772 0,937 0,987 0,998 1,000
0,95 0,387 0,754 0,929 0,984 0,997 1,000
1,00 0,368 0,736 0,920 0,981 0,996 0,999 1,000
1,10 0,333 0,699 0,900 0,974 0,995 0,999 1,000
1,20 0,301 0,663 0,879 0,966 0,992 0,998 1,000
1,30 0,273 0,627 0,857 0,957 0,989 0,998 1,000
1,40 0,247 0,592 0,833 0,946 0,986 0,997 0,999 1,000
1,50 0,223 0,558 0,809 0,934 0,981 0,996 0,999 1,000
1,60 0,202 0,525 0,783 0,921 0,976 0,994 0,999 1,000
1,70 0,183 0,493 0,757 0,907 0,970 0,992 0,998 1,000
1,80 0,165 0,463 0,731 0,891 0,964 0,990 0,997 0,999 1,000
1,90 0,150 0,434 0,704 0,875 0,956 0,987 0,997 0,999 1,000
2,00 0,135 0,406 0,677 0,857 0,947 0,983 0,995 0,999 1,000
2,20 0,111 0,355 0,623 0,819 0,928 0,975 0,993 0,998 1,000
2,40 0,091 0,308 0,570 0,779 0,904 0,964 0,988 0,997 0,999 1,000
2,60 0,074 0,267 0,518 0,736 0,877 0,951 0,983 0,995 0,999 1,000
2,80 0,061 0,231 0,469 0,692 0,848 0,935 0,976 0,992 0,998 0,999 1,000
3,00 0,050 0,199 0,423 0,647 0,815 0,916 0,966 0,988 0,996 0,999 1,000
3,20 0,041 0,171 0,380 0,603 0,781 0,895 0,955 0,983 0,983 0,994 0,998 1,000

x 0 1 2 3 4 5 6 7 8 9 10 11
µ
3,40 0,033 0,147 0,340 0,558 0,744 0,871 0,942 0,977 0,992 0,997 0,999 1,000
3,60 0,027 0,126 0,303 0,515 0,706 0,844 0,927 0,969 0,988 0,996 0,999 1,000
3,80 0,022 0,107 0,269 0,473 0,668 0,816 0,909 0,960 0,984 0,994 0,998 0,999
4,00 0,018 0,092 0,092 0,238 0,433 0,629 0,785 0,949 0,979 0,992 0,997 0,999
4,20 0,015 0,078 0,210 0,395 0,590 0,753 0,867 0,936 0,972 0,989 0,996 0,999
4,40 0,012 0,066 0,185 0,359 0,551 0,720 0,844 0,921 0,964 0,985 0,997 0,999
4,20 0,015 0,078 0,210 0,395 0,590 0,753 0,867 0,936 0,972 0,989 0,996 0,999
4,40 0,012 0,066 0,185 0,359 0,551 0,720 0,844 0,921 0,964 0,985 0,997 0,999
4,60 0,010 0,056 0,163 0,326 0,513 0,686 0,818 0,905 0,955 0,980 0,992 0,997
4,80 0,008 0,048 0,143 0,294 0,476 0,651 0,791 0,887 0,944 0,975 0,990 0,996
5,00 0,007 0,040 0,125 0,265 0,440 0,616 0,762 0,867 0,932 0,968 0,986 0,995
5,20 0,006 0,034 0,109 0,238 0,406 0,581 0,732 0,845 0,918 0,960 0,982 0,997
5,40 0,005 0,029 0,095 0,213 0,373 0,546 0,702 0,822 0,903 0,951 0,977 0,990
5,60 0,004 0,024 0,082 0,191 0,342 0,512 0,67 0,797 0,886 0,941 0,972 0,988
5,80 0,003 0,021 0,072 0,170 0,313 0,478 0,638 0,771 0,867 0,929 0,965 0,984
6,00 0,002 0,017 0,062 0,151 0,285 0,446 0,606 0,744 0,847 0,916 0,957 0,980
6,20 0,002 0,015 0,054 0,134 0,259 0,414 0,574 0,716 0,826 0,902 0,949 0,975
6,40 0,002 0,012 0,046 0,119 0,235 0,384 0,542 0,687 0,803 0,886 0,939 0,969
6,60 0,001 0,010 0,040 0,105 0,213 0,355 0,511 0,658 0,780 0,869 0,927 0,963
7,00 0,001 0,007 0,030 0,082 0,173 0,301 0,450 0,599 0,729 0,830 0,901 0,947
7,20 0,001 0,006 0,025 0,072 0,156 0,276 0,420 0,569 0,703 0,810 0,887 0,937

x 12 13 14 15 16 17
µ
3,80 1,000
4,00 1,000
4,20 1,000
4,40 0,999 1,000
4,60 0,999 1,000
4,80 0,999 1,000
5,00 0,998 0,999 1,000
5,20 0,997 0,999 1,000
5,40 0,996 0,999 1,000
5,60 0,995 0,998 0,999 1,000
5,80 0,099 0,997 0,999 1,000
6,00 0,991 0,996 0,999 0,999 1,000
6,20 0,989 0,995 0,998 0,999 1,000
6,40 0,986 0,994 0,997 0,999 1,000
6,60 0,982 0,992 0,997 0,999 0,999 1,000
6,80 0,978 0,990 0,996 0,998 0,999 1,000
7,00 0,973 0,987 0,994 0,998 0,999 1,000
7,20 0,967 0,984 0,993 0,997 0,999 1,000
0 1 2 3 4 5 6 7 8 9 10 11
µ
7,4 0,001 0,005 0,022 0,063 0,140 0,253 0,392 0,539 0,676 0,788 0,871 0,926
7,6 0,001 0,004 0,019 0,055 0,125 0,231 0,365 0,510 0,648 0,765 0,854 0,915
7,8 0,000 0,004 0,016 0,048 0,112 0,210 0,338 0,481 0,620 0,741 0,835 0,902
8,0 0,000 0,003 0,014 0,042 0,100 0,191 0,313 0,453 0,593 0,717 0,816 0,888

8,5 0,000 0,002 0,009 0,030 0,074 0,150 0,256 0,386 0,523 0,653 0,763 0,849
9,0 0,000 0,001 0,006 0,021 0,055 0,116 0,207 0,324 0,456 0,587 0,706 0,803
9,5 0,000 0,001 0,004 0,015 0,040 0,089 0,165 0,269 0,392 0,522 0,645 0,752
10,0 0,000 0,000 0,003 0,010 0,029 0,067 0,130 0,220 0,333 0,458 0,583 0,697
10,5 0,000 0,000 0,002 0,007 0,021 0,050 0,102 0,179 0,279 0,397 0,521 0,639
11,0 0,000 0,000 0,001 0,005 0,015 0,038 0,079 0,143 0,232 0,341 0,460 0,579
11,5 0,000 0,000 0,001 0,003 0,011 0,028 0,060 0,144 0,191 0,289 0,402 0,520
12,0 0,000 0,000 0,001 0,002 0,008 0,020 0,046 0,090 0,155 0,242 0,347 0,462
12,5 0,000 0,000 0,000 0,002 0,005 0,015 0,035 0,070 0,125 0,201 0,297 0,406
13,0 0,000 0,000 0,000 0,001 0,004 0,011 0,026 0,054 0,100 0,166 0,252 0,353
13,5 0,000 0,000 0,000 0,001 0,003 0,008 0,019 0,041 0,079 0,135 0,211 0,304
14,0 0,000 0,000 0,000 0,000 0,002 0,006 0,014 0,032 0,062 0,109 0,176 0,260
14,5 0,000 0,000 0,000 0,000 0,001 0,004 0,010 0,024 0,048 0,088 0,015 0,220
15,0 0,000 0,000 0,000 0,000 0,001 0,003 0,008 0,018 0,037 0,070 0,118 0,185
x 12 13 14 15 16 17 18 19 20 21 22 23
µ
7,4 0,961 0,980 0,991 0,996 0,998 0,999 1,000
7,6 0,954 0,976 0,989 0,995 0,998 0,999 1,000
7,8 0,945 0,971 0,986 0,993 0,997 0,999 1,000
8,0 0,936 0,966 0,983 0,992 0,996 0,998 0,999 1,000
8,5 0,909 0,949 0,973 0,986 0,993 0,997 0,999 0,999 1,000
9,0 0,876 0,926 0,959 0,978 0,989 0,995 0,998 0,999 1,000
10,0 0,792 0,864 0,917 0,951 0,973 0,986 0,993 0,997 0,998 0,999 1,000
10,5 0,742 0,825 0,888 0,932 0,960 0,978 0,988 0,994 0,997 0,999 0,999 1,000
11,0 0,689 0,781 0,854 0,907 0,944 0,968 0,982 0,991 0,995 0,998 0,999 1,000
11,5 0,633 0,733 0,815 0,878 0,924 0,954 0,974 0,986 0,992 0,996 0,998 0,999
12,0 0,576 0,682 0,772 0,844 0,899 0,937 0,963 0,979 0,983 0,991 0,995 0,998
12,5 0,519 0,628 0,725 0,806 0,869 0,916 0,948 0,969 0,983 0,991 0,995 0,998
13,0 0,463 0,573 0,675 0,764 0,835 0,890 0,930 0,957 0,975 0,986 0,992 0,996
13,5 0,409 0,518 0,623 0,718 0,798 0,861 0,908 0,942 0,965 0,980 0,989 0,994

14,0 0,358 0,464 0,570 0,669 0,756 0,827 0,883 0,923 0,952 0,971 0,983 0,991
14,5 0,311 0,413 0,518 0,619 0,711 0,79 0,853 0,901 0,936 0,96 0,976 0,986
15,0 0,268 0,363 0,466 0,568 0,664 0,749 0,819 0,875 0,917 0,947 0,967 0,981
x 24 25 26 27 28 29
µ
11,5 1,000
12,0 0,999 1,000
12,5 0,999 0,999 1,000
13,0 0,998 0,999 1,000
13,5 0,997 0,998 0,999 1,000
14,0 0,995 0,997 0,999 0,999 1,000
15,0 0,989 0,994 0,997 0,998 0,999 1,000
4 5 6 7 8 9 10 11 12 13 14 15 16
0,000 0,001 0,004 0,010 0,022 0,043 0,077 0,127 0,193 0,275 0,368 0,467 0,566
0,000 0,001 0,002 0,005 0,013 0,026 0,049 0,085 0,135 0,201 0,281 0,371 0,468
0,000 0,000 0,001 0,003 0,007 0,015 0,030 0,055 0,092 0,143 0,208 0,287 0,375
0,000 0,000 0,001 0,000 0,004 0,009 0,018 0,035 0,061 0,098 0,150 0,215 0,292
0,000 0,000 0,000 0,001 0,002 0,005 0,011 0,021 0,039 0,066 0,105 0,157 0,221
0,000 0,000 0,000 0,000 0,001 0,003 0,006 0,013 0,025 0,043 0,072 0,111 0,163
0,000 0,000 0,000 0,000 0,001 0,002 0,004 0,008 0,015 0,028 0,048 0,077 0,117
0,000 0,000 0,000 0,000 0,000 0,001 0,002 0,004 0,009 0,017 0,031 0,052 0,082
0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,003 0,005 0,011 0,020 0,034 0,056
0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,001 0,003 0,006 0,012 0,022 0,038

x 17 18 19 20 21 22 23 24 25 26 27 28 29
µ
16,0 0,659 0,742 0,812 0,868 0,911 0,942 0,963 0,978 0,987 0,993 0,996 0,998 0,999
17,0 0,564 0,655 0,736 0,805 0,861 0,905 0,937 0,959 0,975 0,985 0,991 0,995 0,997
18,0 0,469 0,562 0,651 0,731 0,799 0,855 0,899 0,932 0,955 0,972 0,983 0,990 0,994
19,0 0,378 0,469 0,561 0,647 0,725 0,793 0,849 0,893 0,927 0,951 0,969 0,980 0,988
20,0 0,297 0,381 0,470 0,559 0,644 0,721 0,787 0,843 0,888 0,922 0,948 0,966 0,978
21,0 0,227 0,302 0,384 0,471 0,558 0,640 0,716 0,782 0,838 0,883 0,917 0,944 0,963
22,0 0,169 0,232 0,306 0,387 0,472 0,556 0,637 0,712 0,777 0,832 0,877 0,913 0,940
23,0 0,123 0,175 0,238 0,310 0,889 0,472 0,555 0,635 0,708 0,772 0,827 0,873 0,908
24,0 0,087 0,128 0,180 0,243 0,314 0,392 0,473 0,554 0,632 0,704 0,768 0,823 0,868
25,0 0,060 0,092 0,134 0,185 0,247 0,318 0,394 0,473 0,553 0,629 0,700 0,763 0,818
x 30 31 32 33 34 35 36 37 38 39 40 41 42
µ
16,0 0,999 1,000
17,0 0,999 0,999 1,000
18,0 0,997 0,998 0,999 1,000
19,0 0,993 0,996 0,998 0,999 0,999 1,000
20,0 0,987 0,992 0,995 0,997 0,999 0,999 1,000
21,0 0,976 0,985 0,991 0,994 0,997 0,998 0,999 0,999 1,000
22,0 0,959 0,973 0,983 0,989 0,994 0,996 0,998 0,999 0,999 1,000
23,0 0,936 0,956 0,971 0,981 0,998 0,993 0,996 0,997 0,999 0,999 1,000
24,0 0,904 0,932 0,953 0,969 0,979 0,987 0,992 0,995 0,997 0,998 0,999 1,000
25,0 0,863 0,900 0,929 0,950 0,966 0,978 0,985 0,991 0,994 0,997 0,998 0,999 1,000

ANEXO III
ÁREA BAJO LA CURVA NORMAL
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,80 0,09
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
2,9 0,0019 0,0018 0,0017 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
2,8 0,0026 0,0024 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,7 0,0035 0,0034 0,0030 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,004 0,0039 0,0038 0,0037 0,0036
2,5 0,0062 0,006 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,1 0,0179 0,0179 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,025 0,0244 0,0239 0,0233
1,8 0,0359 0,0352 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,5 0,0668 0,0655 0,0643 0,0630 0,6180 0,0606 0,0594 0,0582 0,0571 0,0559
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0722 0,0708 0,0694 0,0681
0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823

1,3
-
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
0,9 0,1871 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,3 0,3821 0,3721 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,0 0,5000 0,4960 0,4960 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389

1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,898 , 8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9278 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,994 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,996 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9938 0,9969 0,997 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,998 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998

ANEXO IV
VALORES CRÍTICOS DE LA DISTRIBUCIÓN JI CUADRADA.
α 0,995 0,99 0,975 0,95 0,05 0,025 0,001 0,005
ν
1 0,0000393 0,000157 0,000982 0,00393 3,841 5,024 6,635 7,879
2 0,01 0,0201 0,0506 0,0103 5,991 7,378 9,21 10,597
3 0,0717 0,115 0,216 0,352 7,815 9,348 11,345 12,838
4 0,207 0,297 0,484 0,711 9,488 11,143 13,277 14,860
5 0,412 0,554 0,831 1,145 11,07 12,832 15,056 16,750
6 0,676 0,872 1,237 1.,635 12,592 14,449 16,812 18,548
7 0,989 1,239 1,690 2,167 14,067 16,013 18,475 20,278
8 1,344 1,646 2,180 2,733 15,507 17,535 20,09 21,955
9 1,735 2,088 2,700 3,325 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 18,307 20,483 23,209 25,0188
11 2,603 3,053 3,816 4,575 19,675 21,92 24,725 26,757
12 3,074 3,571 4,404 5,226 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 22,362 24,736 27,688 29,819
14 4,075 4,60 5,629 6,571 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 26,296 28,845 32 34,267
17 5,697 6,408 7,564 8,672 27,587 30,191 33,409 35,718
19 6,844 7,633 8,907 10,117 30,144 32,852 36,191 38,582
20 7,434 8,26 9,591 10,851 31,41 34,170 37,566 39,997
21 8,034 8,897 10,283 11,591 32,671 35,479 38,932 41,401

22 8,643 9,542 10,982 12,338 33,924 36,781 40,289 42,796
23 9,26 10,196 11,689 13,091 35,172 38,076 41,638 44,181
24 9,886 10,856 12,401 13,484 36,415 39,394 42,98 45,558
25 10,52 11,524 13,120 14,611 37,652 40,646 44,314 46,928
26 11,16 12,198 13,844 15,379 38,885 41,923 45,642 48,290
27 11,808 12,879 14,573 16,151 40,113 43,194 46,963 49,645
28 12,461 13,565 15,308 16,928 41,337 44,461 48,278 50,993
29 13,121 14,256 16,047 17,708 42,557 45,772 49,588 52,336
30 13,787 14,953 16,791 18,493 43,773 46,979 50,892 53,672
40 40,706 22,164 24,433 26,509 55,758 29,342 63,691 66,766
50 27,991 29,707 32,357 34,764 67,505 71,42 76,154 79,49
60 35,535 37,485 40,482 43,118 79,082 83,298 88,379 91,952
70 43,275 45,442 48,758 51,739 90,531 95,023 100,425 104,215
80 51,172 53,54 57,153 60,391 101,879 106,629 112,329 116,321
90 59,196 61,754 65,646 69,126 113,145 118,136 124,116 128,299
100 67,328 70,065 74,222 77,929 124,324 129,561 135,807 140,169

ANEXO V
VALORES CRÍTICOS DE LA DISTRIBUCIÓN t DE STUDENT
α 0,10 0,05 0,025 0,010 0,005
ν
1 3,078 6,314 12,706 31,821 63,657
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106
12 1,356 1,782 2,179 2,681 3,055
13 1,350 1,771 2,160 2,650 3,012
14 1,345 1,761 2,145 2,624 2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921

17 1,333 1,740 2,110 2,567 2,898
18 1,330 1,734 2,101 2,552 2,878
19 1,328 1,729 2,093 2,539 2,861
20 1,325 1,725 2,086 2,528 2,845
21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2.,508 2,819
23 1,319 1,714 2,069 2,500 2,807
24 1,318 1,711 2,064 2,492 2,797
25 1,316 1,708 2,060 2,485 2,787
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
Inf 1,282 1,645 1,960 2,326 2,576

Depósito Legal: lfi 05120133102363 Distribución gratuita en www.bqto.unexpo.edu.ve
ANEXO VI
VALORES CRÍTICOS DE LA DISTRIBUCIÓ
F0,05 ν1:Grados de libertad para el numerador
ν1 1 2 3 4 5 6
ν2
1 161 200 216 225 230 234
2 18,5 19 19,2 19,2 19,3 19,3
3 10,1 9,55 9,28 9,12 9,01 8,94
4 7,71 6,94 6,59 6,39 6,26 6,16
5 6,61 5,79 5,41 5,19 5,05 4,95
6 5,99 5,14 4,76 4,53 4,39 4,28
7 5,59 4,74 4,35 4,12 3,97 3,87
8 5,32 4,46 4,07 3,84 3,69 3,58
9 5,12 4,26 3,86 3,63 3,48 3,37
10 4,96 4,10 3,71 3,48 3,33 3,22
11 4,84 3,98 3,59 3,36 3,20 3,09
12 4,75 3,89 3,49 3,26 3,11 3,00
13 4,67 3,81 3,41 3,18 3,03 2,92
14 4,60 3,74 3,34 3,11 2,96 2,85
15 4,54 3,68 3,29 3,06 2,90 2,79
16 4,49 3,63 3,24 3,01 2,85 2,74
17 3,45 3,59 3,20 2,96 2,81 2,70
18 4,41 3,55 3,16 2,93 2,77 2,66
19 4,38 3,52 3,13 2,90 2,74 2,63
20 4,35 3,49 3,10 2,87 2,71 2,60
VALORES CRÍTICOS DE LA DISTRIBUCIÓN F
:Grados de libertad para el numerador ν2 :Grados de libertad para el denominador
7 8 9 10 12 15 20 24 30
234 237 239 241 242 244 246 248 249 250 251
19,3 19,4 19,4 19,4 19,4 19,4 19,4 19,4 19,5 19,5 19,5
8,94 8,89 8,85 8,81 8,79 8,74 8,7 8,66 8,64 8,59 8,62
6,16 6,09 6,04 6,00 5,96 5,91 5,86 5,8 5,77 5,75 5,72
4,95 4,88 4,82 4,77 4,74 4,68 4,62 4,56 4,53 4,5 4,46
4,28 4,21 4,15 4,10 4,06 4,00 3,94 3,87 3,84 3,81 3,77
3,87 3,79 3,73 3,68 3,64 3,57 3,51 3,44 3,41 3,38 3,34
3,58 3,50 3,44 3,39 3,35 3,28 3,22 3,15 3,12 3,08 3,04
3,37 3,29 3,23 3,18 3,14 3,07 3,01 2,94 2,90 2,86 2,83
3,22 3,14 3,07 3,02 2,98 2,91 2,85 2,77 2,74 2,70 2,66
3,09 3,01 2,95 2,90 2,85 2,79 2,72 2,65 2,61 2,57 2,53
3,00 2,91 2,85 2,80 2,75 2,69 2,62 2,54 2,51 2,47 2,38
2,92 2,83 2,77 2,71 2,67 2,60 2,53 2,46 2,42 2,38 2,34
2,85 2,76 2,70 2,65 2,60 2,53 2,46 2,39 2,35 2,31 2,27
2,79 2,71 2,64 2,59 2,54 2,48 2,40 2,33 2,29 2,25 2,20
2,74 2,66 2,59 2,54 2,49 2,42 2,35 2,28 2,24 2,19 2,15
2,70 2,61 2,55 2,49 2,45 2,38 2,31 2,23 2,19 2,15 2,10
2,66 2,58 2,51 2,46 2,41 2,34 2,27 2,19 2,15 2,11 2,06
2,63 2,54 2,48 2,42 2,38 2,31 2,23 2,16 2,11 2,07 2,03
2,60 2,51 2,45 2,39 2,35 2,28 2,20 2,12 2,08 2,04 1,99
292
:Grados de libertad para el denominador
40 60 120 inf
251 252 253 254
19,5 19,5 19,5 19,5
8,62 8,57 8,55 8,53
5,72 5,69 5,66 5,63
4,46 4,43 4,4 4,37
3,77 3,74 3,7 3,67
3,34 3,30 3,27 3,23
3,04 3,01 2,97 2,93
2,83 2,79 2,75 2,71
2,66 2,62 2,58 2,54
2,53 2,49 2,45 2,40
2,38 2,38 2,30 2,30
2,34 2,30 2,25 2,21
2,27 2,22 2,18 2,13
2,20 2,16 2,11 2,07
2,15 2,11 2,06 2,01
2,10 2,06 2,01 1,96
2,06 2,02 1,97 1,93
2,03 1,98 1,93 1,88
1,99 1,95 1,90 1,84

Depósito Legal: lfi 05120133102363 Distribución gratuita en www.bqto.unexpo.edu.ve
21 4,32 3,47 3,07 2,84 2,68 2,57
22 4,30 3,44 3,05 2,82 2,66 2,55
23 4,28 3,42 3,03 2,80 2,64 2,53
24 4,26 3,40 3,01 2,78 2,62 2,51
25 4,24 3,39 2,99 2,76 2,60 2,49
30 4,17 3,32 2,92 2,69 2,53 2,42
40 4,08 3,23 2,84 2,61 2,45 2,34
60 4,00 3,15 2,76 2,53 2,37 2,25
120 3,92 3,07 2,68 2,45 2,29 2,18
inf 3,84 3,00 2,60 2,37 2,21 2,10
F0,01 ν1:Grados de libertad para el numerador
ν1 1 2 3 4 5 6
ν2
1 4,052 5,000 5,403 5,625 5,764 5,859
2 98,50 99,00 99,20 99,20 99,30 99,30
3 34,10 30,80 29,50 28,70 28,20 27,90
4 21,20 18,00 16,70 16,00 15,50 15,20
5 16,30 13,30 12,10 11,40 11,00 10,70
6 13,70 10,90 9,78 9,15 8,75 8,47
7 12,20 9,55 8,45 7,85 7,46 7,19
8 11,30 8,65 7,59 7,01 6,63 6,37
9 10,60 8,02 6,99 6,42 6,06 5,80
10 10,00 7,56 6,55 5,99 5,64 5,39
11 9,65 7,21 6,22 5,67 5,32 5,07
12 9,33 6,93 5,95 5,41 5,06 4,82
13 9,07 6,70 5,74 5,12 4,86 4,62
14 8,86 6,51 5,56 5,04 4,70 4,46
2,57 2,49 2,42 2,37 2,32 2,25 2,18 2,10 2,05 2,01 1,96
2,55 2,46 2,40 2,34 2,30 2,23 2,15 2,07 2,03 1,98 1,94
2,53 2,44 2,37 2,32 2,27 2,20 2,13 2,05 2,01 1,96 1,91
2,51 2,42 2,36 2,30 2,25 2,18 2,11 2,03 1,98 1,94 1,89
2,49 2,4 2,34 2,28 2,24 2,16 2,09 2,01 1,96 1,92 1,87
2,42 2,33 2,27 2,21 2,16 2,09 2,01 1,93 1,89 1,84 1,74
2,34 2 ,25 2,18 2,12 2,08 2,00 1,92 1,84 1,79 1,74 1,69
2,25 2,17 2,10 2,04 1,99 1,92 1,84 1,75 1,70 1,65 1,59
2,18 2,09 2,02 1,96 1,91 1,83 1,75 1,66 1,61 1,55 1,50
2,10 2,01 1,94 1,88 1,83 1,75 1,67 1,57 1,52 1,46 1,39
:Grados de libertad para el numerador ν2 :Grados de libertad para el denominador
6 7 8 9 10 12 15 20 24 30
5,859 5,928 5,982 6,023 6,056 6,106 6,157 6,209 6,235 6,261 6,287
99,30 99,40 99,40 99,40 99,40 99,40 99,40 99,40 99,50 99,50 99,50
27,90 27,70 27,50 27,30 27,20 27,10 26,90 26,70 26,60 26,50 26,40
15,20 15,00 18,80 14,70 14,50 14,40 14,20 14,00 13,90 13,80 13,70
10,70 10,50 10,30 10,20 10,10 9,89 9,72 9,55 9,47 9,38 9,29
8,47 8,26 8,10 7,98 7,87 7,72 7,56 7,40 7,31 7,23 7,14
7,19 6,99 6,84 6,72 6,62 6,47 6,31 6,16 6,07 5,99 5,91
6,37 6,18 6,03 5,92 5,81 5,67 5,52 5,36 5,28 5,20 5,12
5,80 5,61 5,47 5,35 5,26 5,11 4,96 4,81 4,73 4,65 4,57
5,39 5,20 5,06 4,94 4,85 4,71 4,56 4,41 4,33 4,25 4,17
5,07 4,89 4,74 4,63 4,54 4,40 4,25 4,10 4,02 3,94 3,86
4,82 4,64 4,50 4,39 4,30 4,16 4,01 3,86 3,78 3,70 3,62
4,62 4,44 4,30 4,19 4,10 3,96 3,82 3,66 3,59 3,51 3,43
4,46 4,28 4,14 4,03 3,94 3,80 3,66 3,51 3,43 3,35 3,27
293
1,96 1,92 1,87 1,81
1,94 1,89 1,84 1,78
1,91 1,86 1,81 1,76
1,89 1,84 1,79 1,73
1,87 1,82 1,77 1,71
1,74 1,74 1,68 1,62
1,69 1,64 1,58 1,51
1,59 1,53 1,47 1,39
1,50 1,43 1,35 1,25
1,39 1,32 1,22 1,00
:Grados de libertad para el denominador
40 60 120 inf
6,287 6,313 6,339 6,366
99,50 99,50 99,50 99,50
26,40 26,30 26,20 26,10
13,70 13,70 13,60 13,50
9,29 9,20 9,11 9,02
7,14 7,06 6,97 6,88
5,91 5,82 5,74 5,65
5,12 5,03 4,95 4,83
4,57 4,48 4,40 4,31
4,17 4,08 4,00 3,91
3,86 3,78 3,69 3,60
3,62 3,54 3,45 3,36
3,43 3,34 3,25 3,17
3,27 3,18 3,09 3,00

15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,67 3,52 3,37 3,29 3,21 3,13 3,05 2,96 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,55 3,41 3,26 3,18 3,10 3,02 2,93 2,84 2,75
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,46 3,31 3,16 3.,08 3,00 2,92 2,83 2,75 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,60 3,51 3,37 3,23 3,08 3,00 2,92 2,84 2,75 2,66 2,57
19 8,19 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,30 3,15 3,00 2,92 2,84 2,76 2,67 2,58 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,46 3,37 3,23 3,09 2,94 2,86 2,78 2,69 2,61 2,52 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,40 3,31 3,17 3,03 2,88 2,80 2,72 2,64 2,55 2,46 2,36
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,12 2,98 2,83 2,75 2,67 2,58 2,50 2,40 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,30 3,21 3,07 2,93 2,78 2,70 2,62 2,54 2,45 2,35 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,26 3,17 3,03 2,89 2,74 2,66 2,58 2,49 2,40 2,31 2,21
25 7,77 5,57 4,68 4,18 3,86 3,63 3,46 3,32 3,22 3,13 2,99 2,85 2,70 2,62 2,53 2,45 2,36 2,27 2,17
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,07 2,98 2,84 2,70 2,55 2,47 2,39 2,30 2,21 2,11 2,01
40 7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,89 2,80 2,66 2,52 2,37 2,29 2,20 2,11 2,02 1,92 1,80
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,72 2,63 2,50 2,35 2,20 2,12 2,03 1,94 1,84 1,73 1,60
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,56 2,47 2,34 2,19 2,03 1,95 1,86 1,76 1,66 1,53 1,38
inf 6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,18 2,04 1,88 1,79 1,70 1,59 1,47 1,32 1,00

RESPUESTAS A PROBLEMAS PROPUESTOS

Depool R.; Monasterio D. 296
RESPUESTAS A LOS PROBLEMAS DEL CAPÍTULO 1
1-
RESISTENCIA A LA RUPTURA DE HILOS
DE CÁÑAMO
Resistencia (Onzas) N° de hilos de
cáñamo
Promedio de
resistencia
N° de hilos
acumulados
15,2....25,6 7 20,4 7
25,7....36,1 13 30,9 20
36,2....46,6 10 41,4 30
46,7....57,1 10 51,9 40
57,2....67,6 4 62,4 44
3
0
2
4
6
8
10
12
14
11 13,1 15,2 17,3 19,4 21,5
N°deviajes
kilómeros/litro
RENDIMIENTO DE 30 VIAJES DE LOS
AUTOMÓVILES DE UNA COMPAÑÍA DE
TRANSPORTE
0
2
4
6
8
10
12
14
8,9 11 13,1 15,2 17,3 19,4 21,5 23,6
N°deviajes
Kilómetros/litro
DE UNA COMPAÑÍA DE TRANSPORTE

5.-
A
36%
B
44%
C
16%
D
4%
FABRICACIÓN DE TUBOS PLÁSTICOS
SEGÚN SU TIPO
0
10
20
30
40
A B C D
cantidadproducida
Tipo de tubos
FABRICACIÓN DE TUBOS PLÁSTICOS
SEGÚN SU TIPO
297

7.
9)y 11)
1.-
Parte a) 40,72.
Parte b) 37,7
Parte c) σ2
=170,82
σ=13,07.
Parte d) s2
=174,76
s=13,22.
3.-
Parte a) 14,45.
Parte b) 14,58.
Parte c) σ2
=5,7
σ=2,39.

Parte d) s2
=5,89
s=2,43.
Parte e) P50=14,58
P30=13,04
P75=15,94
Parte f) Rp13,8=38,17%.
1.- Parte a) S={{1,2},{1,3},{1,4},{2,3},{2,4},{3,4}}.
Parte b) A={{1,2},{1,3},{1,4}}.
Parte c) B={{2,3},{2,4}}.
Parte d) A B∪ ={{1,2},{1,3},{1,4},{2,3},{2,4}}.
Parte e) A B∩ = ∅ .
Parte f) A’={{2,3},{2,4},{3,4}}.
3.- Parte a) A B∪ ={1,2,3,4}
Parte b) A B∩ = ∅ .
Parte c) B’={1,2,4,5}. A B∪ ' ={1,2,4,5}=B’.
Parte d) C’={1,2,3,4}= A B∪ .
5.- 60.
7.- Parte a) 364.
Parte b) 1365.
9.- 15876.
11.- 5040.
13.- 0,013⇔1,3%.
15.- 0,45.
17.- Parte a)
1
5
Parte b)
2
5
Parte c)
4
15
19.- Parte a) 0,48.
Parte b) 0,7296.
21.- 0,0714
1.- Parte a:
x 0 1 2

Parte b:
Parte c:
Parte d:
3.-Parte a:
x
Probabilidad
F x
x
x
x
x
( ) =
<
≤ <
≤ <
≥









0 0
2
5
0 1
14
15
1 2
1 2
1 -
0,8-
0,6-
0,4-
0,2-
0 1 2
Probabilidad
A cumulada
N º de unidades
N º D E T RANS IS TORES
D EFEC TUOS OS D E UN
AM PLIF IC AD OR
0 1
Probabilidad 0,6381 0,0189
0
0,2
0,4
0,6
0 1 2
Probabilidad
Nº de unidades defectuosas
Nº DE TRANSISTORES DEFECTUOSOS DE
UN AMPIFICADOR
232
2
0,343

Parte b:
5.-
F x
x
x
x
x
x
x
( )
,
,
,
,
=
<
≤ <
≤ <
≤ <
≤ <
≥









0 0
0 05 0 1
0 21 1 2
0 58 2 3
0 99 3 4
1 4
7.-Parte a: 0,095.
Parte b: 0,073.
Parte c: 0,105.
.....Parte d: 0
9.- Parte a: 0,36925.
Parte b: 0,47971.
11.-
0 1 2 3
x
0
1
2
y
Total
Total
0 3/70 9/70 3/70 15/70
2/70 18/70 18/70 2/70 40/70
3/70 9/70 3/70 0 15/70
5/70 30/70 30/70 5/70 1
f(x,y)
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 1 2
Probabilidad
Nº de vías abiertas
El Nº DE VÍAS ABIERTAS DE A a
B EN UN SISTEMA DE FLUJO DE
ACEITE

13.-Parte a: 0,1319.
Parte b: 1/3.
1.
575,1
4811,2
83,1
2
=
=
=
X
X
X
σ
σ
µ
3.
4958,0
24587,0
56,0
2
=
=
=
X
X
X
σ
σ
µ
5.
21,190
36180
240
)(
2
)(
)(
=
=
=
Xg
Xg
Xg
σ
σ
µ
7. 1,46),( =YXgµ
9. 25,3=Xµ
11.
21
11
=Xµ
13. 0=XYσ
15. 2
1
1))575,1(83,1)575,1(83,1(
k
kXkP −≥−<<−
89,0)555,6895,2( ≥<<− XP
17. 2
1
1))24587,0(5642,0)24587,0(5642,0(
k
kXkP −≥−<<−
89,0)3,1173,0( ≥<<− XP
1. Parte b
x 1 2 3 4 5 6 7 8 9 10 11 12
f(x) 1/12 1/12 1/12 1/12 1/12 1/12 1/12 1/12 1/12 1/12 1/12 1/12
3. Parte a. 0,088.
Parte b. 0,6242
Parte c. 0,9804.
Parte d. 0,0001.

5. Parte a. 0,36.
Parte b. 0,9476.
Parte c.
788,0
6204,0
66,0
2
=
=
=
X
X
X
σ
σ
µ
7. Parte a. 0,046.
Parte b. 0,985.
Parte c.
899,4
24
40
2
=
=
=
X
X
X
σ
σ
µ
9. Parte a. 0,2544.
Parte b. 0,2502.
11. Parte a. 0,6852.
Parte b. 0,9161.
Parte c.
01,2
06,4
11,13
2
=
=
=
X
X
X
σ
σ
µ
13. Parte a. 0,063.
Parte b.
61,4
22,21
43,11
2
=
=
=
X
X
X
σ
σ
µ
15. Parte a. 0,105.
Parte b.
46,3
12
4
2
=
=
=
X
X
X
σ
σ
µ
17. Parte a. 0,463.
19. Parte a. 0,071.
Parte b. 0,45.
Parte c. 0,993.

1 a) 0,62%
b) 0,7492.
c) 183 vasos
d) 140 vasos.
3) 6,14 años.
5) 1,965 pulg.
7) 0,1562.
9) 0,5679.
11) 0,7697.
13 a) 0,0308.
b) 0,9236
15) 0,0341.
17) 0,407.
19) 0,982.
1. 46,54554,534 << µ .
3 73,4027,39 << µ
15 a) n=76,56 días
b) n=46,74 días.
c) n=29,74 días.
7 03,1157,10 << µ .
9 049,007,0 −<<− µ
11 a) 28,394,1 21 <−<− µµ .
b) 282,394,1 21 <−<− µµ .
13 0745,00215,0 << P .
15 a) n=30625 días.
b) n=1154,75 días.

c) n=49,92 días.
17 012,0104,0 21 <−<− PP
19 22,173979,0 2
<< σ .
21 13,1965227,8177 2
<< σ .
23 2
2
2
1
148,0
σ
σ
< <3,862
1 Se rechaza la hipótesis nula.
5 Se acepta la hipótesis nula.
17 Se rechaza la hipótesis nula. (Hipótesis referente a la media).
Se acepta la hipótesis nula. (Hipótesis referente a varianza).

BIBLIOGRAFÍA
CHAO, C. (1985). Estadística para las Ciencias Administrativas. McGRAW-HILL.
DEVORE, J. (2008). Probabilidad y Estadística para Ingenieros y Ciencias. Cergage
Learning Editors S.A.
FREUND, J. (2002). Probabilidad y Estadística para Ingenieros. Reverté.
GOMEZ, F. (1993). Estadística Metodológica. Fragor. 1993.
JOHNSON, R. (2012). Probabilidad y Estadística para Ingenieros. Pearson Education.
KAZMIER, L.; DIAZ A. (1991). Estadística Aplicada a Administración y Economía.
Mc GRAW HILL.
KENNEDY, J.; NEVILLE, A. (1974). Estadística para Ciencias e Ingeniería. Harla.
MAISEL, L. (1973). Probabilidad y Estadística. Fondo Educativo Interamericano.
MENDENHALL, W.; SCHEFFER, R.; WACKERLY, D. (1986). Estadística Matemática
con Aplicaciones. Grupo Editorial Iberoamericano.
MENDELHALL W. (1990). Estadística para la Administración. Grupo Editorial
Iberoamericano.
MENDELHALL W. (2007). Introducción a la Probabilidad y Estadística. Cergage
Learning Editors S.A.
MILLER, I.; FREUND, J.; JOHNSON, R. (1992). Probabilidad y Estadística para
Ingenieros. Prestice Hall.
PROAÑO, H. (1975). Estadística Aplicada a la Mercadotecnia. Diana
SCHEAFFER, R.; McCLAVE, J. (1990). Probabilidad y Estadística para Ingeniería.
Grupo Editorial Iberoamericano.
TRIOLA, M. (2007). Probabilidad y Estadística. Pearson Education.
VELASCO, G. (2001). Probabilidad y Estadística para Ingenieros. I.T.P. Latín América.
WALPOLE, R.; MYERS, R. (2007). Probabilidad y Estadística para Ingenieros. Pearson
Education.

Probabilidadyestadistica(2 7-13)

Más contenido relacionado

La actualidad más candente (20)

Similar a Probabilidadyestadistica(2 7-13) (20)

Último (20)

Probabilidadyestadistica(2 7-13)