PROBABILIDAD Y ESTADÍSTICA

GUÍA DE EJERCICIOS – 2017

JUAN OLIVARES
Copyright
c 2017 Juan Olivares

P UBLICADO POR J UAN O LIVARES

HTTP :// WWW. UDA . CL

Primera impresión, Marzo 2017

 Índice general

I Probabilidad
1 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1 Espacio muestral y eventos 7
1.2 Técnicas de conteo 7
1.3 Probabilidad de un evento 8
1.4 Probabilidad condicional 9
1.5 Regla de Bayes 10
1.6 Ejercicios 10

2 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1 Concepto de variables aleatorias 13
2.2 Distribuciones de probabilidad discretas 13
2.3 Distribuciones de probabilidad continuas 13
2.4 Distribución de probabilidad conjunta 14
2.5 Independencia de variables aleatorias 14
2.6 Esperanza matemática 15
2.7 Ejercicios 18

3 Distribuciones discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1 Proceso Bernoulli 23
3.2 Distribución binomial 23
3.3 Distribución geométrica 24
3.4 Distribución binomial-negativa 24
3.5 Distribución hipergeométrica 24
3.6 Distribución de Poisson 25
3.7 Ejercicios 25

4 Distribuciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1 Distribución uniforme continua 29
4.2 Distribución normal 29
4.3 Distribución exponencial 30
4.4 Distribución gamma 30
4.5 Distribución χ2 30
4.6 Distribución beta 31
4.7 Distribución log-normal 31
4.8 Distribución Weibull 31
4.9 Distribución t-student 32
4.10 Distribución F 32
4.11 Ejercicios 33

II Estadística
5 Estimación puntual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.1 Conceptos generales 39
5.2 Métodos de estimación puntual 40
5.3 Ejercicios 40

6 Estimación por intervalos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

6.1 Estimación de la media 43
6.2 Estimación de la diferencia entre dos medias 44
6.3 Estimación de la proporción 45
6.4 Estimación de la diferencia de dos proporciones 45
6.5 Estimación de la varianza 46
6.6 Estimación de la proporción de varianzas 46
6.7 Ejercicios 46

7 Pruebas de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
7.1 Conceptos generales 49
7.2 Pruebas sobre la media 50
7.3 Ejercicios 50
I
Probabilidad

1 Probabilidades . . . . . . . . . . . . . . . . . . . . . . . 7
1.1 Espacio muestral y eventos
1.2 Técnicas de conteo
1.3 Probabilidad de un evento
1.4 Probabilidad condicional
1.5 Regla de Bayes
1.6 Ejercicios

2 Variables aleatorias . . . . . . . . . . . . . . . . . . 13
2.1 Concepto de variables aleatorias
2.2 Distribuciones de probabilidad discretas
2.3 Distribuciones de probabilidad continuas
2.4 Distribución de probabilidad conjunta
2.5 Independencia de variables aleatorias
2.6 Esperanza matemática
2.7 Ejercicios

3 Distribuciones discretas . . . . . . . . . . . . . 23
3.1 Proceso Bernoulli
3.2 Distribución binomial
3.3 Distribución geométrica
3.4 Distribución binomial-negativa
3.5 Distribución hipergeométrica
3.6 Distribución de Poisson
3.7 Ejercicios

4 Distribuciones continuas . . . . . . . . . . . . . 29
4.1 Distribución uniforme continua
4.2 Distribución normal
4.3 Distribución exponencial
4.4 Distribución gamma
4.5 Distribución χ 2
4.6 Distribución beta
4.7 Distribución log-normal
4.8 Distribución Weibull
4.9 Distribución t-student
4.10 Distribución F
4.11 Ejercicios
 1. Probabilidades

1.1 Espacio muestral y eventos

Definición 1.1.1 — Espacio muestral. Al conjunto de todos los resultados posibles de un experimento aleatorio
se le llama espacio muestral y se representa con el símbolo Ω.

Definición 1.1.2 — Evento. Un evento es un subconjunto de resultados contenidos en el espacio muestral Ω.

Un evento es simple si consiste en exactamente un resultado y compuesto si consiste en más de un resultado.

Definición 1.1.3 Algunas relaciones de la teoría de conjuntos:

1. El complemento de un evento, denotado por Ac , es el conjunto de todos los resultados en Ω que no están
contenidos en A.
2. La unión de dos eventos A y B, denotados por A ∪ B y leídos “A o B”, es el evento que consiste en todos
los resultados que están en A o en B o en ambos eventos (de tal manera que la unión incluya resultados
donde tanto A como B ocurren, así también resultados donde ocurre exactamente uno), es decir, todos los
resultados en por lo menos uno de los eventos.
3. La intersección de dos eventos A y B, denotada A ∩ B y leída “A y B”, es el evento que consiste en todos
los resultados que están tanto en A como en B.

Definición 1.1.4 Que 0/ denote el evento nulo (el evento sin resultados). Dos eventos A y B son mutuamente
excluyentes o disjuntos si A ∩ B = 0;
/ es decir, si A y B no tienen elementos en común.

1.2 Técnicas de conteo

Definición 1.2.1 — Principio de multiplicación. Si una operación se puede ejecutar en n1 formas, y si para
cada una de éstas se puede llevar a cabo una segunda operación en n2 formas, y para cada una de las primeras dos
se puede realizar una tercera operación en n3 formas, y así sucesivamente, entonces la serie de k operaciones se
puede realizar en n1 n2 · · · nk .

Definición 1.2.2 Una permutación es una arreglo de todo o parte de un conjunto de objetos.
 8 Capítulo 1. Probabilidades
Definición 1.2.3 Para cualquier entero no negativo n, n!, denominado “n factorial” se define como

n! = n(n − 1)(n − 2) · · · 2 · 1,

con el caso especial de 0! = 1.

Teorema 1.2.1 El número de permutaciones de n objetos es n!.

Teorema 1.2.2 El número de permutaciones de n objetos distintos tomados de r a la vez es

n!
n Pr = .
(n − r)!

Teorema 1.2.3 El número de permutaciones de n objetos ordenados en un círculo es (n − 1)!.

Teorema 1.2.4 El número de permutaciones distintas de n objetos, en el que n1 son de una clase, n2 de una
segunda clase, . . . , nk de una k-ésima clase es
n!
.
n1 !n2 ! · · · nk !

Teorema 1.2.5 El número de formas de partir un conjunto de n objetos en r celdas con n1 elementos en la
primera celda, n2 elementos en la segunda, y así sucesivamente, es
 
n n!
= ,
n1 , n2 , . . . , nr n1 !n2 ! · · · nr !

donde n1 + n2 + · · · + nr = n.

Teorema 1.2.6 El número de combinaciones de n objetos distintos tomados de r a la vez es

 
n n!
= .
r r!(n − r)!

1.3 Probabilidad de un evento

Axioma 1.3.1 Axiomas de Kolmogorov:
1. Para cualquier evento A, P(A) ≥ 0.
2. P(Ω) = 1.
3. Si A1 , A2 , A3 , . . . es un conjunto de eventos mutuamente excluyentes, entonces
∞
P(A1 ∪ A2 ∪ A3 ∪ · · · ) = ∑ P(Ai ).
i=1

/ = 0, donde 0/ es el evento nulo (el evento que no contiene resultados en absoluto). Esto a
Proposición 1.3.2 P(0)
su vez implica que la propiedad contenida en el axioma 3 es válida para un conjunto finito de eventos.
Proposición 1.3.3 Para cualquier evento A, P(A) + P(Ac ) = 1, a partir de la cual P(A) = 1 − P(Ac ).
Proposición 1.3.4 Para cualquier evento A, P(A) ≤ 1.
 1.4 Probabilidad condicional 9

Teorema 1.3.5 Para dos eventos cualesquiera A y B,

P(A ∪ B) = P(A) + P(B) − P(A ∩ B).

Corolario 1.3.6 Si A y B son mutuamente excluyentes, entonces

P(A ∪ B) = P(A) + P(B).

Corolario 1.3.7 Si A1 , A2 , . . . , An son mutuamente excluyentes, entonces

P(A1 ∪ A2 ∪ · · · ∪ An ) = P(A1 ) + P(A2 ) + · · · + P(An ).

Teorema 1.3.8 Para tres eventos cualesquiera A, B y C,

P(A ∪ B ∪C) = P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩C) − P(B ∩C) + P(A ∩ B ∩C).

1.4 Probabilidad condicional

Definición 1.4.1 La probabilidad condicional de B, dado A, que se denota por P(B|A), se define como

P(A ∩ B)
P(B|A) = , siempre que P(A) > 0.
P(A)

Definición 1.4.2 Dos eventos A y B son independientes si y sólo si

P(B|A) = P(B), o P(A|B) = P(A),

si se asume la existencia de la probabilidad condicional. De otra forma, A y B son dependientes.

Teorema 1.4.1 Si en un experimento pueden ocurrir los eventos A y B, entonces

P(A ∩ B) = P(A)P(B|A), siempre que P(A) > 0.

Teorema 1.4.2 Dos eventos A y B son independientes si y sólo si

P(A ∩ B) = P(A)P(B).

Por lo tanto, para obtener la probabilidad de que ocurran dos eventos independientes simplemente calculamos el
producto de sus probabilidades individuales.

Teorema 1.4.3 Si, en un experimento, pueden ocurrir los eventos A1 , A2 , . . . , An , entonces

P(A1 ∩ A2 ∩ · · · ∩ An ) = P(A1 )P(A2 |A1 )P(A3 |A1 ∩ A2 ) · · · P(An |A1 ∩ A2 ∩ · · · An−1 ).

Si los eventos A1 , A2 , . . . , An son independientes, entonces

P(A1 ∩ A2 ∩ · · · ∩ An ) = P(A1 )P(A2 ) · · · P(An ).

 10 Capítulo 1. Probabilidades

1.5 Regla de Bayes

Teorema 1.5.1 — Ley de probabilidad total. Si los eventos B1 , B2 , . . . , Bn constituyen una partición del espacio
muestral Ω, tal que P(Bi ) > 0 para i = 1, 2, . . . , n, entonces, para cualquier evento A de Ω,
n n
P(A) = ∑ P(Bi ∩ A) = ∑ P(Bi )P(A|Bi ).
i=1 i=1

Teorema 1.5.2 — Regla de Bayes. Si los eventos B1 , B2 , . . . , Bn constituyen una partición del espacio muestral
Ω, donde P(Bi ) > 0 para i = 1, 2, . . . , n, entonces, para cualquier evento A de Ω, tal que P(A) > 0,

P(Br ∩ A) P(Br )P(A|Br )

P(Br |A) = n = n , para r = 1, 2, . . . , n.
∑i=1 P(Bi ∩ A) ∑i=1 P(Bi )P(A|Bi )

1.6 Ejercicios
1. Sea P(A) = 0,59, P(B) = 0,30 y P(A∩B) = 0,21, calcule
las siguientes probabilidades: a) P(A∩Bc ). b) P(Ac ∪Bc ).
c) P(Ac ∩ Bc ).
2. Los empleados de cierta compañía se encuentran separa-
dos en tres divisiones. La siguiente tabla indica el número
de empleados en cada división clasificados por sexo.
Sexo
División Mujer Hombre
Administración 20 30
Operación planta 60 140
6.
Ventas 100 50
Se selecciona un empleado aleatoriamente. Calcule la
probabilidad de que:
a) Trabaje en ventas o sea mujer.
b) Sea hombre y no trabaje en operación planta.
c) No sea mujer y no trabaje en ventas. 7.
3. Un químico analiza muestras de agua de mar para detec-
tar la presencia de dos metales pesados: plomo y mercu-
rio. Encuentra que el 38 % de las muestras tomadas en las
proximidades de la desembocadura de un río, en cuyas
orillas se localizan numerosas plantas industriales, tiene
niveles tóxicos de plomo o de mercurio, y que el 32 % 8.
tiene nivel tóxico de plomo. De estas muestras, el 10 %
contiene un nivel tóxico de ambos metales. Calcule la
probabilidad de que una muestra dada contenga niveles
tóxicos:
a) Sólo de mercurio.
b) De plomo pero no de mercurio.
4. Suponga que una persona está ubicada en el origen de un
sistema de coordenadas cartesianas en el plano. Lanza
una moneda. En cada lanzamiento, si obtiene una “ca-
ra” avanza una unidad hacia arriba; si obtiene un “sello” 9.
avanza una unidad hacia la derecha. Determine la proba-
bilidad que al cabo de 4 lanzamientos se encuentre en el
punto (2, 2).
5. En un pueblo de n + 1 habitantes, una persona dice un
rumor a otra quien a su vez se lo repite a una tercera 10.
persona y así sucesivamente. En cada paso el receptor
del rumor es elegido al azar entre n personas.
a) Describa en palabras el espacio muestral asociado
a este experimento.
b) Encuentre la probabilidad de que el rumor se trans-
mite exactamente r veces antes de que retorne a su
iniciador.
c) Encuentre la probabilidad de que el rumor se trans-
mite exactamente r veces, sin ser repetido a ningu-
na persona.
Calcule la probabilidad de que en un conjunto de n per-
sonas, al menos dos de ellas tengan la misma fecha de
cumpleaños. Además, determine el valor de n, en forma
aproximada, para que la probabilidad anterior sea mayor
que 50 %. Sugerencia: no considere la existencia de años
bisiestos y ni las personas gemelas.
Un lote consta de 14 artículos buenos, 4 con defectos
pequeños y 2 con defectos graves. Se eligen 3 artículos
al azar y sin reposición. Calcule la probabilidad de que:
a) Todos los artículos sean buenos.
b) Uno de cada tipo sean seleccionados.
c) Por lo menos uno sea bueno.
Se lanza una moneda al aire una vez. Entonces, si cae
“cara”, se lanza un dado una vez, si cae “sello”, la mone-
da se lanza dos veces más. Utilice la notación en la que
(C, 2), por ejemplo, denota el evento de que la moneda
cae “cara” y entonces el dado cae en 2, y (S, S, S) denota
el evento de que la moneda cae en “sello” tres veces
seguidas. Calcule la probabilidad de que se obtenga:
a) Exactamente una “cara”.
b) Al menos dos veces “sello” o un número mayor
que 4.
En determinada área de producción, 1/3 de los productos
hechos son defectuosos. Si tres productos fueron selec-
cionados a azar, calcúlese la probabilidad de que:
a) Solamente uno de ellos sea defectuoso.
b) Al menos uno de ellos sea defectuoso.
Un investigador está estudiando los efectos de la tempera-
1.6 Ejercicios
tura, la presión, y el tipo de catalizador en el rendimiento
de una determinada reacción química. Tres diferentes
temperaturas, cuatro diferentes presiones, y cinco dife-
rentes catalizadores están bajo consideración.
a) Si cualquier ejecución del experimento, implica
el uso de una sola temperatura, una presión, y un
catalizador, cuántas ejecuciones del experimento
son posibles?
b) ¿Cuántas ejecuciones del experimento implican el
uso de la temperatura más baja y las dos presiones
más bajas?
c) Supongamos que cinco ejecuciones del experimen-
to diferentes deben ser hechas en el primer día. Si
los cinco son seleccionados al azar de entre todas
las posibilidades, donde cualquier grupo de cinco
tiene la misma probabilidad de selección, ¿cuál es
la probabilidad de que un catalizador diferente se
utiliza en cada ejecución del experimento?
11. Una familia tiene tres hijos. Determinar todas las posi-
bles permutaciones, con respecto al sexo de los hijos.
Bajo las suposiciones adecuadas calcule la probabilidad
de tener:
a) Dos de los hijos tengan el mismo sexo.
b) Un varón y dos mujeres.
c) Tres hijos del mismo sexo.
12. Una tienda departamental que factura a sus clientes una
vez al mes ha encontrado que si un cliente paga oportu-
namente en un mes, la probabilidad es 0,90 de que él o
ella también pague oportunamente el siguiente mes; sin
embargo, si un cliente no paga oportunamente en un mes,
la probabilidad de que él o ella pague oportunamente el
siguiente mes es solamente 0,40. Suponga que el pago
oportuno o no en un mes, depende solamente del mes
anterior. Calcule la probabilidad de que:
a) Un cliente que paga oportunamente en un mes
también pagará oportunamente los tres meses si-
guientes.
b) Un cliente que no paga oportunamente en un mes
tampoco pagará oportunamente los siguientes dos
meses y después haga un pago oportuno al mes
siguiente de ello.
13. Supongamos que en la ciudad de Copiapó los días pue-
den ser soleados o nublados. La probabilidad de que a
un día nublado le siga un día nublado es 0,80 y la proba-
bilidad de que a un día soleado le siga un día nublado es
0,60. Suponga que cada día es clasificado como lluvioso
o soleado y que el tiempo de cualquier día depende sólo
del tiempo del día anterior. Encuentre la probabilidad de
que a un día nublado le siga:
a) Un día nublado, un día soleado y otro día nublado.
b) Dos días soleados y después un día nublado.
c
c) Dos días nublados y después dos días soleados.
14. Un conjunto electrónico consta de dos subsistemas, se
define A como el evento de que el primer sistema falle
y B el evento de que el segundo sistema falle. A par-
tir de una serie de pruebas previas, se presuponen las
11
siguientes probabilidades: P(A) = 0,20, P(B) = 0,15 y
P(A ∩ B) = 0,15. Calcular las siguientes probabilidades:
a) P(A|B). b) P(A ∪ B). c) P(A ∩ Bc ).
15. Una costura hecha en un avión necesita 25 remaches. La
costura tendrá que volver a realizarse si cualquiera de los
remaches está defectuoso. Suponga que los remaches es-
tán defectuosos independientemente unos de otros, cada
uno con la misma probabilidad.
a) Si 14 % de todas las costuras necesitan volver a
efectuarse, ¿cuál es la probabilidad de que un re-
mache esté defectuoso?
b) ¿Qué tan pequeña debe ser la probabilidad de un
remache defectuoso para asegurar que sólo 10 %
de todas las costuras necesitan volver a efectuarse.
16. Un avión tiene cuatro motores. Cada motor tiene una pro-
babilidad de fallar de 0,001 en un vuelo de Nueva York
a París. El avión se estrellará si en algún momento dos
o menos motores trabajan en forma adecuada. Suponga
que las fallas de motores distintos son independientes.
a) ¿Cuál es la probabilidad de que el avión se estrelle?
b) Dado que el motor 1 no fallará durante el vuelo,
¿cuál es la probabilidad de que el avión se estrelle?
c) Dado que el motor 1 fallará durante el vuelo, ¿cuál
es la probabilidad de que el avión no se estrelle?
17. Por experiencia se sabe que en cierta industria 60 % de
todos los litigios entre los trabajadores y la administra-
ción son por salarios, 15 % por las condiciones de trabajo
y 25 % son sobre aspectos de prestaciones. También 45 %
de los litigios por salarios se resuelven sin huelgas, 70 %
de los litigios por condiciones de trabajo, se resuelven
sin huelgas y 40 % de los litigios acerca de prestaciones
se resuelven sin huelgas.
a) ¿Cuál es la probabilidad de que un litigio entre tra-
bajadores y la administración se resuelva sin una
huelga?
b) ¿Cuál es la probabilidad de que un litigio entre
los trabajadores y la administración se resuelva sin
huelga, sea por salario?
18. Un empresario petrolero desea saber si su campo petro-
lero del sur de Japón producirá petróleo. Contrató a un
geólogo para que efectúe unas pruebas en el campo. Si
hay petróleo en el campo, hay 95 % de posibilidades de
que las pruebas del geólogo indiquen que hay petróleo.
Si el campo no tiene petróleo, hay 5 % de posibilidades
de que las pruebas del geólogo indiquen que si lo hay. Si
las pruebas del geólogo dicen que no hay petróleo, ¿cuál
es la probabilidad de que el campo tenga petróleo? Antes
de que el geólogo efectúe las pruebas, el empresario cree
que hay 10 % de posibilidades de que el campo tenga
petróleo.
19. Amazon
emplea tres personas que trabajan en la bode-
ga, U, V y W , quienes retiran los artículos de los anaque-
les y los reúnen para su subsecuente verificación y em-
paque. U comete un error en una orden (saca el artículo
equivocado o la cantidad equivocada) una vez de cien, V
comete un error en una orden cinco veces de cien, y W
12
comete un error en una orden tres veces de cien. Si U, V
y W surten, respectivamente 30 %, 40 % y 30 % de todas
las órdenes. Calcule la probabilidad de que:
a) Se cometa un error en una orden.
b) Si se comete un error en una orden, la orden haya
sido surtida por U.
c) Si se comete un error en una orden, la orden haya
sido surtida por V .
20. Tres máquinas A, B y C, producen el 45 %, 30 % y 25 %,
respectivamente, del total de artículos en una fábrica. Los
porcentajes de producción defectuosa de las máquinas A,
B y C son del 3 %, 4 % y 5 %, respectivamente.
a) Se selecciona al azar un artículo, ¿cuál es la proba-
bilidad que el artículo sea defectuoso?
b) Seleccionamos al azar un artículo y resulta defec-
tuoso, ¿cuál es la probabilidad de haber sido pro-
ducido por la máquina A?, ¿qué máquina tiene
mayor probabilidad de haber producido la pieza
defectuosa?
21. En cierta gasolinera, 60 % de los clientes utilizan gaso-
lina regular y 40 % extra. De los clientes que consumen
gasolina regular, 30 % llenan sus tanques y de los que
consumen gasolina extra, 50 % llenan sus tanques.
a) ¿Cuál es la probabilidad de que el siguiente cliente
llene el tanque?
b) Si el siguiente cliente llena el tanque, ¿cuál es la
probabilidad de que pida gasolina extra?
22. Se sabe que una empresa utiliza cuatro máquinas en la
fabricación de cierto producto y que la producción diaria
de cada una de ellas es, respectivamente 1 000, 1 200,
1 800 y 2 000 piezas. Se sabe además que en promedio,
el 1 % de la producción de la primera máquina es “de-
fectuoso”, el 0,5 % de la producción de la segunda es
“defectuoso”, el 0,5 % de la producción de la tercera es
“defectuoso” y el 1 % de la producción de la cuarta es
“defectuosos”.
a) ¿Cuál es la probabilidad de que una pieza sea de-
fectuosa?
b) Si de la producción de cierto día se extrae una pieza
que resulta ser defectuosa, ¿cuál es la probabilidad
de que dicha pieza proceda de la tercera máquina?
23. Una empresa produce un tipo de chip para computadora.
Esta empresa tiene fábricas en Antofagasta, Copiapó y
La Serena. La fábrica de Antofagasta produce el 40 %
del total de unidades con un índice de defectos del 5 %,
en Copiapó se produce el 35 % de las unidades con un
índice de defectos del 8 % y en La Serena, el 25 % con un
índice de defectos del 10 %. Si se encuentra un chip que
es defectuoso, ¿de dónde es más probable que provenga,
de Antofagasta, Copiapó o de La Serena? Justifique su
respuesta.
24. Un ingeniero químico esta interesado en determinar si
cierta traza de impureza está presente en un producto. La
probabilidad de que la impureza esté presente es 0,40 y
que esté ausente es 0,60. Un experimento tiene una pro-
babilidad de 0,80 de detectar la impureza si está presente.
La probabilidad de no detectar la impureza si no está
Capítulo 1. Probabilidades
presente es 0,90.
a) ¿Cuál es la probabilidad de que el experimento
detecte la impureza?
b) Si el experimento detecta una impureza. ¿Cuál es
la probabilidad de que la impureza esté presente
en el producto?
25. Una compañía de desarrollo urbano está considerando la
posibilidad de construir un centro comercial en el sector
alto de la ciudad de Copiapó. Un elemento vital en esta
consideración es un proyecto de una autopista que une
este sector con el centro de la ciudad. Si el consejo mu-
nicipal aprueba esta autopista, hay una probabilidad de
0,90 de que la compañía construya el centro comercial en
tanto que si la autopista no es aprobada la probabilidad
es de sólo 0,20. Basándose en la información disponi-
ble, el presidente de la compañía estima que hay una
probabilidad de 0,60 que la autopista sea aprobada.
a) ¿Cuál es la probabilidad que la compañía construya
el centro comercial?
b) Dado que el centro comercial fue construido, ¿cuál
es la probabilidad de que la autopista haya sido
construida?
26. Una compañía que produce cierto componente electró-
nico, tiene tres fabricas: F1 , F2 y F3 . Las fabricas F2 y
F3 producen el mismo número de componentes, mientas
que F1 produce el doble de componentes que F2 . Por ex-
periencia pasada se sabe, que el 2 % de los componentes
producidos por F1 y F2 respectivamente son defectuo-
sos, en tanto que el 4 % de los producidos por F3 son
defectuosos. Los componentes producidos por las tres
fabricas se guardan en un mismo almacén. Si se escoge
un componente del almacén:
a) ¿Cuál es la probabilidad que sea defectuoso?
b) Si el componente es defectuoso, ¿cuál es la proba-
bilidad que haya sido fabricado por F1 ?
27. La compañía ensambladora de automóviles CAR, se ha
presentado a una licitación, para ensamblar un nuevo mo-
delo de automóvil. La probabilidad de que CAR gane la
licitación es de 0,90 si una firma competidora MOTOR
no se presente a ella, en tanto que es de sólo 0,20 si MO-
TOR se presenta. El gerente general de CAR estima que
hay una probabilidad de 0,80 que MOTOR se presente.
a) ¿Cuál es la probabilidad de que CAR gane la lici-
tación?
b) Dado que CAR ganó la licitación, ¿cuál es la pro-
babilidad de que MOTOR se haya presentado a
ella?
28. Una prueba de sangre de laboratorio es 99 % efectiva
para detectar cierta enfermedad cuando ocurre realmente.
Sin embargo, la prueba también da un resultado “posi-
tivo falso” en 1 % de las personas sanas a las que se les
aplica. (Es decir, si se le hace a prueba a una persona
sana, con probabilidad 0,01 el resultado de la prueba
implicará que la persona padece la enfermedad). Si 0,5 %
de la población tiene realmente la enfermedad, ¿cuál es
la probabilidad de que una persona tenga la enfermedad
si la prueba dio resultado positivo?
 2. Variables aleatorias

2.1 Concepto de variables aleatorias

Definición 2.1.1 Una variable aleatoria es una función que asocia un número real con cada elemento del
espacio muestral.

Definición 2.1.2 Si un espacio muestral contiene un número finito de posibilidades, o una serie interminable
con tantos elementos como números enteros existen, se llama espacio muestral discreto.

Definición 2.1.3 Si un espacio muestral contiene un número infinito de posibilidades, igual al número de puntos
en un segmento de recta, se le denomina espacio muestral continuo.

2.2 Distribuciones de probabilidad discretas

Definición 2.2.1 El conjunto de pares ordenados (x, f (x)) es una función de probabilidad, una función de
masa de probabilidad o una distribución de probabilidad de la variable aleatoria discreta X si, para cada
resultado x posible,
1. f (x) ≥ 0,
2. ∑x f (x) = 1,
3. P(X = x) = f (x).

Definición 2.2.2 La función de distribución acumulada F(x) de una variable aleatoria discreta X con distri-
bución de probabilidad f (x) es

F(x) = P(X ≤ x) = ∑ f (t), para − ∞ < x < ∞.

t≤x

2.3 Distribuciones de probabilidad continuas

Definición 2.3.1 La función f (x) es una función de densidad de probabilidad (fdp) para la variable aleatoria
continua X, definida en el conjunto de números reales, si
1. f (x) ≥ 0, para toda x ∈ R.
 14 Capítulo 2. Variables aleatorias
R∞
2. −∞ f (x) dx = 1.
3. P(a < X < b) = ab f (x) dx.
R

Definición 2.3.2 La función de distribución acumulada F(x), de una variable aleatoria continua X con
función de densidad f (x), es
Z x
F(x) = P(X ≤ x) = f (t) dt, para − ∞ < x < ∞.
−∞

2.4 Distribución de probabilidad conjunta

Definición 2.4.1 La función f (x, y) es una distribución de probabilidad conjunta o función de masa de
probabilidad de las variables aleatorias discretas X e Y , si
1. f (x, y) ≥ 0 para toda (x, y),
2. ∑x ∑y f (x, y) = 1,
3. P(X = x,Y = y) = f (x, y).
Para cualquier región A en el plano, P((X,Y ) ∈ A) = ∑ ∑A f (x, y).

Definición 2.4.2 La función f (x, y) es una función de densidad de conjunta de las variables aleatorias
continuas X e Y , si
1. Rf (x,Ry) ≥ 0 para toda (x, y),
∞ ∞
2. −∞ −∞ f (x, y) dxRdy
R
= 1,
3. P((X,Y ) ∈ A) = A f (x, y) dx dy, para cualquier región A en el plano.

Definición 2.4.3 Las distribuciones marginales sólo si X y sólo de Y son

g(x) = ∑ f (x, y), y h(y) = ∑ f (x, y),

y x

para el caso discreto, y

Z ∞ Z ∞
g(x) = f (x, y) dy, y h(y) = f (x, y) dx,
−∞ −∞

para el caso continuo.

Definición 2.4.4 Sean X e Y dos variables aleatorias, discretas o continuas. La distribución condicional de la
variable aleatoria Y , dado que X = x, es

f (x, y)
f (y|x) = , siempre que g(x) > 0.
g(x)

De manera similar, la distribución condicional de la variable aleatoria X, dado que Y = y, es

f (x, y)
f (x|y) = , siempre que h(y) > 0.
h(y)

2.5 Independencia de variables aleatorias

Definición 2.5.1 Sean X e Y dos variables aleatoria, discretas o continuas, con distribución de probabilidad
conjunta f (x, y) y distribuciones marginales g(x) y h(y), respectivamente. Se dice que las variables aleatorias X e
 2.6 Esperanza matemática 15

Y son estadísticamente independientes si y sólo si

f (x, y) = g(x)h(y),

para toda (x, y) dentro de sus rangos.

Definición 2.5.2 Sean X1 , X2 , . . . , Xn , n variables aleatorias, discretas o continuas, con distribución de probabili-
dad conjunta f (x1 , x2 , . . . , xn ) y distribuciones marginales f1 (x1 ), f2 (x2 ), . . . , fn (xn ), respectivamente. Se dice que
las variables aleatorias X1 , X2 , . . . , Xn son recíproca y estadísticamente independientes si y sólo si

f (x1 , x2 , . . . , xn ) = f1 (x1 ) f2 (x2 ) · · · fn (xn ),

para toda (x1 , x2 , . . . , xn ) dentro de sus rangos.

2.6 Esperanza matemática

Definición 2.6.1 Sea X una variable aleatoria con distribución de probabilidad f (x). La media o valor esperado
de X es

µ = E[X] = ∑ x f (x),
x

si X es discreta, y
Z ∞
µ = E[X] = x f (x) dx,
−∞

si X es continua.

Teorema 2.6.1 Sea X una variable aleatoria con distribución de probabilidad f (x). La media o valor esperado
de la variable aleatoria g(X) es

µg(X) = E[g(X)] = ∑ g(x) f (x),

x

si X es discreta, y
Z ∞
µg(X) = E[g(X)] = g(x) f (x) dx,
−∞

si X es continua.

Definición 2.6.2 Sean X e Y variables aleatorias con distribuciones de probabilidad conjunta f (x, y). La media
o valor esperado de la variable aleatoria g(X,Y ) es

µg(X,Y ) = E[g(X,Y )] = ∑ ∑ g(x, y) f (x, y),

x y

si X e Y son discretas, y
Z ∞Z ∞
µg(X,Y ) = E[g(X,Y )] = g(x, y) f (x, y) dx dy,
−∞ −∞

si X e Y son continuas.
16 Capítulo 2. Variables aleatorias

Definición 2.6.3 Sea X una variable aleatoria con distribución de probabilidad f (x) y media µ = E[X]. La
varianza de X es

σ 2 = V(X) = E[(X − µ)2 ] = ∑(x − µ)2 f (x), si X es discreta, y

x
Z ∞
σ 2 = V(X) = E[(X − µ)2 ] = (x − µ)2 f (x) dx, si X es continua.
−∞

La raíz cuadrada positiva de la varianza, se llama desviación estándar de X. Además la varianza se puede definir
como

σ 2 = E[X 2 ] − µ 2 .

Teorema 2.6.2 Sea X una variable aleatoria con distribución de probabilidad f (x). La varianza de la variable
aleatoria g(X) es
2
σg(X) = E[(g(X) − µg(X) )2 ] = ∑(g(x) − µg(x) )2 f (x),
x

si X es discreta, y
Z ∞
2 2
σg(X) = E[(g(X) − µg(X) ) ] = (g(x) − µg(x) )2 f (x) dx,
−∞

si X es continua.

Definición 2.6.4 Sean X e Y variables aleatorias con distribución de probabilidad conjunta f (x, y). La covarianza
de X e Y es

σXY = E[(X − µX )(Y − µY )] = ∑ ∑(x − µX )(y − µY ) f (x, y),

x y

si X e Y son discretas, y
Z ∞Z ∞
σXY = E[(X − µX )(Y − µY )] = (x − µX )(y − µY ) f (x, y) dx dy,
−∞ −∞

si X e Y son continuas.

Teorema 2.6.3 La covarianza de dos variables aleatorias X e Y , con medias µX y µY , respectivamente está dada
por

σXY = E[XY ] − µX µY .

Definición 2.6.5 Sean X e Y variables aleatorias con covarianza σXY y desviaciones estándar σX y σY , respecti-
vamente. El coeficiente de correlación de X e Y es
σXY
ρXY = .
σX σY

Teorema 2.6.4 Si a y b son constantes, entonces,

E[aX + b] = aE[X] + b.
2.6 Esperanza matemática 17

Corolario 2.6.5 Al establecer a = 0 vemos que E[b] = b.

Corolario 2.6.6 Al establecer b = 0 vemos que E[aX] = aE[X].

Teorema 2.6.7 El valor esperado de la suma o diferencia de dos o más funciones de una variable aleatoria X es
la suma o diferencia de los valores esperados de las funciones. Es decir,

E[g(X) ± h(X)] = E[g(X)] ± E[h(X)].

Teorema 2.6.8 El valor esperado de la suma o diferencia de dos o más funciones de las variables aleatorias X e
Y es la suma o diferencia de los valores esperados de las funciones. Es decir,

E[g(X,Y ) ± h(X,Y )] = E[g(X,Y )] ± E[h(X,Y )].

Corolario 2.6.9 Si establecemos que g(X,Y ) = g(X) y h(X,Y ) = h(Y ), vemos que

E[g(X) ± h(Y )] = E[g(X)] ± E[h(Y )].

Corolario 2.6.10 Si establecemos que g(X,Y ) = X y h(X,Y ) = Y , vemos que

E[X ±Y ] = E[X] ± E[Y ].

Teorema 2.6.11 Sean X e Y dos variables aleatorias independientes. Entonces,

E[XY ] = E[X]E[Y ].

Corolario 2.6.12 Sean X e Y dos variables aleatorias independientes. Entonces, σXY = 0.

Teorema 2.6.13 Si X e Y son variables aleatorias con distribución de probabilidad conjunta f (x, y), y a, b y c
son constantes, entonces
2 2 2 2 2
σaX+bY +c = a σX + b σY + 2abσXY .

Corolario 2.6.14 Si se establece que b = 0, vemos que

2
σaX+c = a2 σX2 = a2 σ 2 .

Corolario 2.6.15 Si se establece que a = 1 y b = 0, vemos que

2
σX+c = σX2 = σ 2 .

Corolario 2.6.16 Si se establece que b = 0 y c = 0, vemos que

2
σaX = a2 σX2 = a2 σ 2 .
 18
Corolario 2.6.17 Si X e Y son variables aleatorias independientes, entonces
2
σaX+bY = a2 σX2 + b2 σY2 .
Corolario 2.6.18 Si X e Y son variables aleatorias independientes, entonces
2
σaX−bY = a2 σX2 + b2 σY2 .
Corolario 2.6.19 Si X1 , X2 , . . . , Xn son variables aleatorias independientes, entonces
σa21 X1 +a2 X2 +···+an Xn = a21 σX21 + a22 σX22 + · · · + a2n σX2n .
Teorema 2.6.20 — Teorema de Chebyshev. La probabilidad de que cualquier variable aleatoria X tome un
valor dentro de k desviaciones estándar de la media es de al menos 1 − 1/k2 . Es decir,
1
P(µ − kσ < X < µ + kσ ) ≥ 1 − .
k2
2.7 Ejercicios
1. Un juego consiste en lanzar un dado y ganar en dinero
el número que sale multiplicado por $1 000, es decir, si
sale 5 se gana $5 000. Por otra parte, para participar en el
juego, es decir, lanzar una vez el dado debe pagar $4 000.
Sea X la variable aleatoria que refleja la ganancia en el
juego.
a) Defina el soporte de la variable aleatoria.
b) Encuentre la función de masa de probabilidad de
la variable aleatoria X.
c) ¿Aconsejaría usted a un amigo(a) participar en el
juego?
2. Se lanzan dos dados equilibrados distinguibles. Puede
utilizar la notación (i, j) que denota el evento de que el
resultado del “dado 1” fue i y el resultado del “dado 2”
fue j. Si se define la variable aleatoria X como la suma
de los resultados obtenidos por los dados.
a) Determine el espacio muestral del experimento
aleatorio.
b) Defina el soporte de la variable aleatoria X.
c) Encuentre la función de masa de probabilidad de
la variable aleatoria X.
3. Se lanzan tres monedas honestas simultáneamente hasta
que las tres muestran el mismo lado, es decir, hasta que
o bien las tres muestran “cara” o bien las tres muestran
“sello”. Defina la variable aleatoria X como aquella varia-
ble que cuenta los lanzamientos necesarios para que las
tres monedas muestran el mismo lado.
a) Determine el conjunto de valores que puede tomar
la variable X. Además, obtenga la función de masa
de probabilidad del número de lanzamientos de
este experimento.
b) Calcule la probabilidad que deba que lanzarlas más
Capítulo 2. Variables aleatorias
de tres veces.
4. Se lanza una serie de cohetes hasta que el primer lanza-
miento exitoso tiene lugar. Si esto no ocurre en 5 ensayos,
el experimento se detiene y se inspecciona el equipo. Su-
póngase que hay una probabilidad constante de 0,8 de
tener un lanzamiento exitoso y que los ensayos sucesivos
son independientes. Además, el costo del primer lanza-
miento es k dólares mientras que los lanzamientos que
siguen cuestan k/3 dólares. Cada vez que hay un lanza-
miento exitoso, se obtiene cierta cantidad de información
que puede expresarse como una ganancia financiera de c
dólares. Si T es el costo neto del experimento, encuentre
la función de masa de probabilidad del costo neto del
experimento.
5. Una urna contiene cuatro esferas numeradas (1, 2, 3 y 4).
Se extraen dos esferas en forma aleatoria, una a la vez y
sin reemplazo. Sea X la variable aleatoria que denota la
suma de los números de las dos esferas seleccionadas.
a) Determine Ω.
b) Determine el soporte de la variable aleatoria y cal-
cule su función de masa de probabilidad.
c) Calcule: i) P(X ≥ 6). ii) P(3 < X ≤ 5).
iii) P(X = 6).
6. Suponga que un fabricante de computadora recibe chips
en lotes de cinco. Dos chips son seleccionados de cada
lote para realizar una inspección de control de calidad.
Podemos representar los posibles resultados del proceso
de selección por pares. Por ejemplo, el par (1, 2) repre-
senta la selección del chips 1 y 2.
a) Liste los diez diferentes posibles resultados del
proceso de selección.
b) Suponga que los chips 1 y 2 son los únicos chips
2.7 Ejercicios 19

defectuosos en el lote de cinco. Los chips son se- 12. Sea X una variable aleatoria con función de distribución
leccionados en forma aleatoria. Defina X como el acumulada dada por:
número de chips defectuosos observados. Encuen- 
0 , si x < 1,
tre la función de masa de probabilidad de X.


0,1 , si 1 ≤ x < 2,


c) Encuentre la función de distribución acumulada


0,3 , si 2 ≤ x < 3,

F(x). F(x) =
0,7 , si 3 ≤ x < 4,
7. Tres hombres y tres mujeres son ordenados en forma des-


0,9 , si 4 ≤ x < 5,


cendientes de acuerdo al puntaje obtenido en un examen.


1 , si x ≥ 5.

Supongamos que no tenemos resultados iguales y que
los 10! posibles ordenamientos son igualmente proba- Calcule la esperanza y varianza de X.
bles. Definamos la variable aleatoria X que representa la 13. La función de distribución acumulada de la duración X
posición más alta lograda por una mujer (por ejemplo, si del tiempo de préstamo de un libro, es dada por:
X = 2, entonces la persona con mejor puntaje ha sido un 
 0 , si x < 0,
hombre y la siguiente es una mujer). Encuentre P(X = i), F(x) = x2
, si 0 ≤ x < 2,
para i = 1, 2, 3, 4.  4
1 , si x ≥ 2.
8. Un contratista es requerido por un departamento de pla-
neación de un municipio para que remita uno, dos, tres, a) A partir de F(x), calcule: i) P(X ≤ 1).
cuatro o cinco formularios (dependiendo de la naturale- ii) P(0,5 ≤ X ≤ 1).
za del proyecto) para solicitar permiso de construcción. b) Determine la función de densidad de probabilidad.
Sea Y : “el número de formularios requeridos del siguien- c) A partir de la función de densidad de probabilidad,
te solicitante”. La probabilidad de que y formularios se calcule P(0,5 < X < 1,5).
requieran es proporcional a y, esto es, p(y) = ky, para 14. Sea X una variable aleatoria continua, con la siguiente
y = 1, . . . , 5. función de densidad de probabilidad:
a) ¿Cuál es el valor de k? 
 1 + x , si − 1 ≤ x < 0,
b) ¿Cuál es la probabilidad de que por lo menos se f (x) = 1 − x , si 0 ≤ x ≤ 1,
necesiten tres formularios? 
0 , en otro caso.
c) ¿Cuál es la probabilidad de que se necesiten entre
dos y cuatro formularios? a) Verifique que f (x) es efectivamente una función
9. Sea X una variable aleatoria con función de distribución de densidad de probabilidad.
acumulada dada por: b) Calcule: i) P(X < 0). ii) P(−1/2 ≤ X ≤ 3/4).
 c) Encuentre la función de distribución acumulada de
 0 , si x < 1, la variable aleatoria X.
 31 , si 1 ≤ x < 4,

d) Determine E[X] y V(X).


1
F(x) = 2 , si 4 ≤ x < 6, 15. En una cierta ciudad el consumo diario de agua (en mi-
5
, si 6 ≤ x < 10, llones de litros) es una variable aleatoria cuya función de


 6


1 , si x ≥ 10, densidad de probabilidad está dada por:
 1 −x
encuentre: 9 xe
3 , si x > 0,
f (x) =
a) P(2 < X ≤ 6). 0 , en otro caso.
b) P(X = 4). Calcule la probabilidad de que en un día dado:
c) La función de masa de probabilidad de X. a) El consumo de agua en esta ciudad no sea mayor
10. Sea X una variable aleatoria con función de distribución de 6 millones de litros.
acumulada dada por: b) El abastecimiento de agua sea inadecuado si la
 capacidad diaria de esta ciudad es 9 millones de
0 , si x < 1,

 litros.
 0,2 , si 1 ≤ x < 2,


16. Sea X una variable aleatoria continua con función de
F(x) = 0,6 , si 2 ≤ x < 3,
densidad dada por:
0,7 , si 3 ≤ x < 4,



|x|

1 , si x ≥ 4.

f (x) = , |x| < 4.
16
Calcule la esperanza y varianza de X. Determine E[X] y V(X).
11. Sea X una variable aleatoria discreta con la siguiente 17. Si la función de densidad de probabilidad de la variable
función de masa de probabilidad: aleatoria X está dada por:
   x  4−x  x
4 3 1 , si 0 < x ≤ 1,
 21

f (x) = , x = 0, 1, 2, 3, 4. 
, si 1 < x ≤ 2,
x 4 4 f (x) = 2
3 x
− , si 2 < x < 3,
 2 2


Calcule la esperanza y varianza de X. 0 , en otro caso.
20 Capítulo 2. Variables aleatorias

encuentre la esperanza de g(X) = X 2 − 5X + 3. a) Es una función de densidad de probabilidad.

18. Sea X una variable aleatoria continua, con función de b) La función de distribución acumulada.
densidad de probabilidad, dada por: 24. Sea X una variable aleatoria continua, con función de
 1 densidad de probabilidad dada por:
 2 x − 12 , si 1 ≤ x < 2,
1
f (x) = 2 , si 2 ≤ x ≤ 27 ,  1
b−a , si a < x < b,
0 , en otro caso. f (x) =

0 , en otro caso,
Encuentre:
a) La esperanza y varianza de X. tal que 0 < a < b < ∞.
b) La función de distribución acumulada, F(x). a) Encuentre el n-ésimo momento de la variable alea-
c) El valor de q, tal que P(X ≤ q) = 12 . toria X.
19. Sea X una variable aleatoria continua, con función de b) A partir del ítem (a), encuentre la esperanza y va-
densidad de probabilidad, dada por: rianza de la variable aleatoria X.
25. Sea X una variable aleatoria continua, con función de
, si 0 ≤ x < 21 ,

8x2
 densidad de probabilidad dada por:
f (x) = −3x + 27 , si 21 ≤ x ≤ 76 ,
0 , en otro caso.

β α α−1 −β x
f (x) = x e , x > 0,
Encuentre: Γ(α)
a) La esperanza y varianza de X.
b) La función de distribución acumulada, F(x). donde α > 0 y β > 0 son constantes. Encuentre la espe-
23
c) El valor de q, tal que P(X ≤ q) = 24 . ranza y varianza de la variable aleatoria X.
20. Sea X una variable aleatoria continua, definamos además 26. Sea X el total de gastos médicos (en miles de dólares)
la siguiente función: que incurre un individuo particular durante un año. Aun-
 que X es una variable aleatoria discreta, supongamos que

 x , si 0 ≤ x < 1, su distribución puede ser muy bien aproximada por una
1 , si 1 ≤ x < 2,

g(x) = distribución continua con función de densidad dada por:

 −x + 3 , si 2 ≤ x ≤ 3,
0 , en otro caso.

2 −7
 
f (x) = c 1 + x , x ≥ 0.
a) Determine el valor de c, para que f (x) = cg(x) sea 5
una función de densidad de probabilidad.
b) Calcule: i) P(X ≥ 1). ii) P(1/2 < X < 3/2). a) ¿Cuál es el valor de c?
21. El porcentaje de alcohol (100X) en cierto compuesto b) ¿Cuál es el valor esperado y la desviación estándar
se puede considerar como una variable aleatoria, donde del total de gastos médicos?
0 < X < 1, tiene la siguiente función de densidad de 27. Sea X una variable aleatoria continua, con función de
probabilidad: densidad de probabilidad f (x), dada por:
f (x) = cx3 (1 − x), 0 < x < 1. 
 x , si 0 ≤ x ≤ 1,
donde c es una constante desconocida. f (x) = 2−x , si 1 < x ≤ 2,
a) Determine el valor de c, para que f (x) sea una 0 , en otro caso.

función de densidad de probabilidad.
b) Calcule P(X ≤ 2/3). Encuentre:
22. Suponga que X, el tiempo de falla (en horas) de un siste- a) La función de distribución acumulada.
ma, tiene la siguiente función de densidad de probabili- b) La esperanza y varianza de la variable X.
dad: c) El valor de q, tal que P(X ≤ q) = 0,75.
28. Si la ganancia de un contratista en un trabajo de cons-
f (x; α) = e−(x−α) , x > α > 0, trucción se puede considerar como una variable aleatoria
donde α > 0 es una constante. continua que tiene función de densidad de probabilidad
a) Encuentre la función de distribución acumulada, dada por
F(x).  1
b) Calcule E[X] y V(X). f (x) = 18 (x + 1) , si − 1 < x < 5,
23. Sea X una variable aleatoria continua con función de 0 , en otro caso.
densidad de probabilidad dada por:
 donde las unidades están en US$1 000.
6x(1 − x) , si 0 < x < 1, a) ¿Cuál es la probabilidad de que el contratista tenga
f (x) =
0 , en otro caso, una ganancia superior a $3 500?
Determine: b) ¿Cuál es la ganancia esperada por el contratista?
2.7 Ejercicios 21

29. Un puerto tiene capacidad de acomodar 4 naves de cier- sea una función de densidad conjunta del vector aleatorio
to tipo durante la noche. Si X es la variable aleatoria (X,Y ).
que representa el número de naves buscando atracade- 36. Sea (X,Y ) un vector aleatorio, con función de densidad
ro por noche y suponiendo que P(X = x) = 1/6 para conjunta dada por:
x = 1, 2, 3, 4, 5, 6. Un segundo puerto está disponible pa-  −(x+y)
ra manejar el exceso de naves, si existen. Sea Y el número e , si x > 0, y > 0,
f (x, y) =
de barcos solicitando atracadero en el segundo puerto (lo 0 , en otro caso.
cual sólo ocurrirá, si el primer puerto, está lleno) Calcule:
a) La función de masa conjunta de X e Y . a) Encuentre las funciones marginales de X e Y .
b) La función marginal de Y . b) ¿Son independientes las variables X e Y ?
30. Sea (X,Y ) un vector aleatorio, con función de masa con- 37. Sea (X,Y ) un vector aleatorio, con función de densidad
junta dada por la siguiente tabla: conjunta dada por:
x 
x + y , si 0 < x < 1, 0 < y < 1,
f (x, y) −2 −1 1 2 f (x, y) =
0 , en otro caso.
−1 0,05 0,10 0,15 0,20
y
1 0,20 0,15 0,10 0,05
a) Compruebe que efectivamente f (x, y) es una fun-
Calcule: i) P(X > 0,Y = 1). ii) P(X > 0,Y ≥ 1). ción de densidad conjunta.
31. Sea (X,Y ) un vector aleatorio, con función de masa con- b) Encuentre las funciones marginales de X e Y .
junta dada por la siguiente tabla: c) Son independientes las variables X e Y ?
x 38. Sea (X,Y ) un vector aleatorio, con función de densidad
f (x, y) 0 1 2 3 conjunta dada por:
1 0,15 0,05 0,00 0,04  −2(x+y)
y 3 0,06 0,24 0,01 0,03 4e , si x > 0, y > 0,
f (x, y) =
5 0,22 0,00 0,15 0,05 0 , en otro caso.
a) Determine las funciones marginales de las varia-
a) Encuentre las funciones marginales de X e Y .
bles aleatorias X e Y .
b) ¿Son independientes las variables X e Y ?
b) ¿Son independientes las variables X e Y ?
c) Determine la esperanza y varianza de X.
32. Sea (X,Y ) un vector aleatorio, con función de masa con-
39. Sea (X,Y ) un vector aleatorio, con función de densidad
junta dada por la siguiente tabla:
conjunta dada por:
x
 −(x+y)
f (x, y) 0 1 2 e , si x > 0, y > 0,
f (x, y) =
−1 0,06 0,16 0,18 0 , en otro caso.
y
0 0,09 0,24 0,27
a) Calcule: P(X = 0,Y > 0) y P(X < 0,Y ≥ 1). a) Encuentre la función de distribución acumulada
b) ¿Son independientes las variables X e Y ? conjunta.
33. Sea (X,Y ) un vector aleatorio, con La función de masa b) A partir del ítem (a), determine las funciones de
conjunta dada por: densidad marginales.
( c) ¿Son independientes las variables X e Y ?
x2 +y2 40. Sea (X,Y ) un vector aleatorio, con función de densidad
f (x, y) = 32 , si x = 0, 1, 2, 3, y = 0, 1,
0 , en otro caso. conjunta dada por:

Encuentre:  6 2
f (x, y) = 5 (x + y ) , si 0 ≤ x ≤ 1, 0 ≤ y ≤ 1,
a) Las funciones marginales de X e Y . 0 , en otro caso.
b) La función de condicional de X, dado Y = y.
c) La función de condicional de Y , dado X = x a) Encuentre la función de distribución acumulada
34. Dos firmas comerciales principales, A y B, controlan el conjunta.
50 % y 30 % del mercado, respectivamente. Si se escogen b) ¿Son independientes las variables X e Y ?
al azar una muestra de dos compradores para una obser- 41. Sea (X,Y ) un vector aleatorio, con función de densidad
vación. ¿Cuál es la distribución de probabilidad conjunta conjunta dada por:
del número de compradores que favorecen a cada firma
de la muestra? Calcular: a) E[X]. b) E[Y ]. c) E[X + Y ].
 2 xy
x + 3 , si 0 < x < 1, 0 < y < 2,
d) E[XY ]. f (x, y) =
0 , en otro caso.
35. Encuentre el valor de k, de tal manera que la función:
 x
k y , si 0 < x < 1, 1 < y < 2, a) Calcule: P(X > 1/2) y P(Y < X).
f (x, y) = b) ¿Son independientes las variables X e Y ?
0 , en otro caso,
22 Capítulo 2. Variables aleatorias

42. Sea X e Y los puntajes sobre una prueba de inteligencia Encuentre la función de distribución acumulada conjun-
y un test de preferencias ocupacionales, respectivamente. ta.
La función de densidad conjunta, del vector aleatorio 48. Dos componentes de un computador tiene la siguiente
(X,Y ) está dado por: función de densidad conjunta para sus tiempo de vidas
 k X e Y:
1 000 , si 0 ≤ x ≤ 100, 0 ≤ y ≤ 10,
f (x, y) =  −x(1+y)
0 , en otro caso. xe , x ≥ 0, y ≥ 0,
f (x, y) =
0 , en otro caso.
Encuentre el valor de k y posteriormente la función de
distribución acumulada conjunta. Encuentre las funciones de densidad marginal de X e Y .
43. Consideremos, una situación en la cual se miden la ten- ¿Son independientes los tiempos de vida de cada compo-
sión superficial y la acidez de un producto químico. Estas nente?
variables son codificadas tal que la tensión superficial se 49. Sea X e Y dos variables aleatorias cuya función de densi-
mide en una escala de 0 ≤ x ≤ 2 y la acidez se mide en dad conjunta es:
una escala de 2 ≤ y ≤ 4. La función de densidad conjunta 
de (X,Y ) es: 4x(1 − y) , 0 < x < 1, 0 < y < 1,
f (x, y) =
0 , en otro caso.
f (x, y) =
 Encuentre las funciones de densidad marginal de X e Y .
k(6 − x − y) , si 0 ≤ x ≤ 2, 2 ≤ y ≤ 4,
¿Son independientes las variables aleatorias?
0 , en otro valor.
50. En el examen de admisión a cierta universidad se califica
a) Encuentre el valor de k. en base a 100 puntos. Sea X la calificación que obtiene
b) Calcule: P(X < 1), P(X < 3) y P(X +Y ≤ 4). uno de los estudiantes (que continua sus estudios hasta
c) Determine las funciones marginales de X e Y . graduarse) y sea Y su razón del punto de calidad al gra-
44. Sea (X,Y ) un vector aleatorio, con función de densidad duarse (4 puntos = A). La función de densidad conjunta
conjunta dada por: de X e Y es:
(
1 − 5x+4y
f (x, y) = 20 e
20 , si x > 0, y > 0, f (x, y) =
0 , en otro caso.  1
50 , si 2 < x < 4, 2(y − 1) < x < 25y,
a) Encuentre la función de distribución acumulada 0 , en otro caso.
conjunta.
b) Determine las funciones marginales de X e Y . a) Calcule: E[X], E[Y ] y E[XY ].
c) ¿Son independientes las variables X e Y ? b) Calcule: σX2 ,σY2 , σXY y ρXY .
45. Sea (X,Y ) un vector aleatorio continuo. Considere la 51. Se prueba dos componentes electrónicos hasta que fallan.
siguiente función: Sea X el tiempo de falla menor y sea Y el tiempo de falla
( mayor. La función de densidad conjunta está dada por:
−( 2x + 3y )
f (x, y) = ke , si x > 0, y > 0, ( x + y
−( 100
2 100 ) , si 0 < x < y,
0 , en otro caso. 2e
f (x, y) = (100)
0 , en otro caso.
a) Encuentre el valor de k.
b) Calcule la función de distribución acumulada con- Encuentre la función de densidad condicional de Y , dado
junta. X = 60.
46. Sea (X,Y ) un vector aleatorio continuo. Considere la 52. Un equipo que consta de dos componentes electrónicos
siguiente función: independientes permanecerá en funcionamiento tanto
( y tiempo como uno de sus componentes esté aún en ope-
−(x+ 4 )
f (x, y) = ke , si x > 0, y > 0, ración. El equipo tiene una garantía del fabricante que
0 , en otro caso. cubre la sustitución si el aparato se vuelve inutilizable
en menos de una año desde la fecha de compra. La vi-
a) Encuentre el valor de k.
da X (en años) del primer componente e Y la vida (en
b) Calcule la función de distribución acumulada con-
años) del segundo, son variables aleatorias con función
junta.
de densidad conjunta:
c) Son independientes las variables X e Y ?
47. Sean X e Y variables aleatorias independientes, con fun-  1 −x/2 −y/2
, si x ≥ 0, y ≥ 0,
f (x, y) = 4e e
ciones de densidad dadas por: 0 , en otro caso.
 −2x
2e , x > 0,
g(x) = Usted compra uno de esos equipos, seleccionado alea-
0 , en otro caso,
toriamente entre las existencias del fabricante. ¿Cuál es
 1
, 0 < y < 2, la probabilidad de que la garantía expire antes de que su
h(y) = 2
0 , en otro caso. equipo se vuelva inutilizable?
 3. Distribuciones discretas

3.1 Proceso Bernoulli

Definición 3.1.1 En términos estrictos el proceso Bernoulli se caracteriza por lo siguiente:
1. El experimento consta de ensayos repetidos.
2. Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso.
3. La probabilidad de un éxito, que se denota con p, permanece constante de un ensayo a otro.
4. Los ensayos repetidos son independientes.

3.2 Distribución binomial

Definición 3.2.1 — Distribución binomial. Un ensayo de Bernoulli puede tener como resultado un éxito con
probabilidad p y un fracaso con probabilidad 1 − p. Entonces, la distribución de probabilidad de la variable
aleatoria binomial X, el número de éxitos en n ensayos independientes, es
 
n x
f (x; n, p) = p (1 − p)n−x , x = 0, 1, 2, . . . , n.
x

Lo cual denotamos X ∼ Bin(n, p).

Teorema 3.2.1 La media y varianza de la distribución binomial son

E[X] = np, y V(X) = np(1 − p).

Definición 3.2.2 — Distribución multinomial. Si un ensayo dado puede producir los k resultados E1 , E2 , . . . , Ek
con probabilidades p1 , p2 , . . . , pk , entonces la distribución de probabilidad de las variables aleatorias X1 , X2 , . . . , Xk ,
que representan el número de ocurrencias para E1 , E2 , . . . , Ek en n ensayos independientes, es
 
n
f (x1 , x2 , . . . , xk ; p1 , p2 , . . . , pk ) = px11 px22 · · · pxkk ,
x1 , x2 , . . . , xk
 24 Capítulo 3. Distribuciones discretas

con
k k
∑ xi = n, y ∑ pi = 1.
i=1 i=1

3.3 Distribución geométrica

Definición 3.3.1 — Distribución geométrica. Si ensayos de Bernoulli independientes repetidos pueden tener
como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p, entonces la distribución de
probabilidad de la variable aleatoria X, el número del ensayo en el que ocurre el primer éxito, es

f (x; p) = p(1 − p)x−1 , x = 1, 2, 3, . . . ,

Lo cual denotamos X ∼ Geo(p).

Teorema 3.3.1 La media y varianza de una variable aleatoria que sigue la distribución geométrica X ∼ Geo(p)
son
1 1− p
E[X] = , y V(X) = 2 .
p p

3.4 Distribución binomial-negativa

Definición 3.4.1 — Distribución binomial-negativa. Si ensayos de Bernoulli independientes repetidos pueden
dar como resultado un éxito con probabilidad p y un fracaso con probabilidad 1 − p, entonces la distribución de
probabilidad de la variable aleatoria X, el número del ensayo en el que ocurre el r-ésimo éxito, es
 
x−1 r
f (x; r, p) = p (1 − p)x−r , x = r, r + 1, r + 2, . . . ,
r−1

Lo cual denotamos X ∼ BN(r, p).

Teorema 3.4.1 La media y varianza de una variable aleatoria que sigue la distribución binomial-negativa son

r r(1 − p)
E[X] = , y V(X) = .
p p2

3.5 Distribución hipergeométrica

Definición 3.5.1 — Distribución hipergeométrica. La distribución de probabilidad de la variable aleatoria
hipergeométrica X, el número de éxitos en una muestra aleatoria de tamaño n que se selecciona de N artículos,
en los que k se denomina éxito y N − k fracaso, es
k N−k



x n−x
f (x; N, n, k) = N

, máx{0, n − (N − k)} ≤ x ≤ mı́n{n, k}.
n

Lo cual denotamos X ∼ Hiper(N, n, k).

Teorema 3.5.1 La media y la varianza de la distribución hipergeométrica son

 
nk N − n nk k
E[X] = , y V(X) = 1− .
N N −1 N N
 3.6 Distribución de Poisson 25
Definición 3.5.2 — Distribución hipergeométrica multivariada. Si N artículos se pueden dividir en las k
celdas A1 , A2 , . . . , Ak con a1 , a2 , . . . , ak elementos, respectivamente, entonces la distribución de probabilidad de las
variables aleatorias X1 , X2 , . . . , Xk , que representan el número de elementos que se seleccionan de A1 , A2 , . . . , Ak
en una muestra aleatoria de tamaño n, es
a1 a2 ak




x1 x2 · · · xk
f (x1 , x2 , . . . , xk ; a1 , a2 , . . . , ak , N, n) = N

,
n

con ∑ki=1 xi = n y ∑ki=1 ai = N.

3.6 Distribución de Poisson

Definición 3.6.1 — Distribución de Poisson. La distribución de probabilidad de la variable aleatoria de
Poisson X, la cual representa el número de resultados que ocurren en un intervalo de tiempo dado o región
específicos y se denota con t, es

e−λt (λt)x
f (x; λt) = , x = 0, 1, 2, . . . ,
x!
donde λ es el número promedio de resultados por unidad de tiempo, distancia, área o volumen. Lo cual denotamos
X ∼ Poisson(λt).

Teorema 3.6.1 Tanto la media como la varianza de la distribución de Poisson son λt.

3.7 Ejercicios
1. La probabilidad que en cierto establecimiento industrial
el consumo de energía eléctrica sea normal (es decir, no
sobrepase un número determinado de kW) en 24 horas es
igual a 3/4. Determinar la distribución de probabilidad
del número de días de consumo normal de energía eléc-
trica en un lapso de seis días. ¿Cuál es la probabilidad
que haya 4 días de consumo normal?
2. El número de computadoras que fallan por mes en un
laboratorio de cómputo tiene una distribución Poisson
con un promedio mensual λ = 2 máquinas descompues-
tas. El laboratorio tiene capacidad para reparar hasta dos
máquinas por mes. Cuando se descomponen más de dos
máquinas, las restantes se envían fuera del laboratorio
para su reparación.
a) ¿Cuál es la probabilidad de que en un mes cual-
quiera sea necesario enviar máquinas fuera del la-
boratorio para su reparación?
b) Responda el inciso anterior cuando se reduce la ca-
pacidad de reparación del laboratorio a una compu-
tadora por mes.
c) ¿Cuál es el número de computadoras con falla más
probable en un mes?
3. Un geólogo ha recolectado 10 especímenes de roca ba-
sáltica y 10 de granito. Se instruye a un asistente de labo-
ratorio para que seleccione al azar 15 de los especímenes
para analizarlos.
a) ¿Cuál es la función de probabilidad de especíme-
nes de basalto seleccionado para analizarlos?
b) ¿Cuál es la probabilidad de que todos los especí-
menes de uno de los dos tipos de roca sean selec-
cionados para el análisis?
c) ¿Cuál es la probabilidad de que la cantidad de espe-
címenes de granito seleccionados para su análisis
esté a menos de una desviación estándar de su valor
promedio?
4. En una determinada región la distribución de los ingresos
por familia en unidades monetarias (u.m.) es una variable
aleatoria continua X con función de densidad dada por:
 x 1
 10 + 10 , si 0 ≤ x ≤ 2,
3x 9
f (x) = − 40 + 20 , si 2 < x ≤ 6,
0 , en otro caso.

a) Calcule la probabilidad de que una familia selec-
cionada al azar tenga ingresos entre 1 y 3 u.m.
b) Se seleccionan familias al azar hasta encontrar tres
con ingreso superior a 3 u.m. Haciendo los supues-
tos necesarios, determinar la probabilidad de que
sea necesario entrevistar a 5 familias.
c) Suponga que se seleccionan 50 familias. Haciendo
los supuestos necesarios determine la probabilidad
de que al menos 3 tengan ingreso inferior a 1 u.m.
5. El SEREMI de Salud de la Región de Atacama, a partir
de una serie de denuncias sobre alimentos contaminados
vendidos en una cadena de supermercados, a recolectado
un total de 30 especímenes de las cuales 10 están conta-
minados. Se instruye a un asistente de laboratorio para
26
que seleccione en forma aleatoria 15 de los especímenes
para analizarlos.
a) ¿Cuál es la función de probabilidad de especíme-
nes contaminados seleccionados para analizarlos?
b) ¿Cuál es la probabilidad de que todos los especí-
menes contaminados sean seleccionados para el
análisis?
c) ¿Cuál es la probabilidad de que la cantidad de
especímenes contaminados seleccionados para el
análisis esté a menos de una desviación estándar
de su valor promedio?
6. Un examen consta de n preguntas con k alternativas cada
una. Suponga que cierto alumno responde cada pregunta
de acuerdo al siguiente procedimiento: si sabe la alter-
nativa correcta, entonces escoge dicha alternativa con
probabilidad 1; si no la sabe, entonces escoge una al azar.
Suponga que la probabilidad que el alumno sepa la res-
puesta correcta a una pregunta es p ∈ (0, 1), constante
para todas las preguntas, y que las distintas preguntas se
responden en forma independiente.
a) Obtenga la distribución de X, el número de pregun-
tas respondidas correctamente.
b) Si una de estas preguntas, digamos la primera, fue
respondida correctamente, ¿cuál es la probabilidad
que el alumno haya sabido la alternativa correcta?
7. Una máquina es accionada por tres baterías, todas del
mismo tipo, y funcionará siempre que dos de ellos traba-
jen adecuadamente. La probabilidad de que una batería
de este tipo falle durante las primeras 8 horas de opera-
ción de la máquina es 0,2; si supera las primeras 8 horas
de operación, la probabilidad de falla durante las siguien-
te 8 horas es 0,4. Determine la probabilidad de que la
máquina funcione continuamente durante: (i) 8 horas, y
(ii) 16 horas.
8. Una fábrica emplea un patrón de aceptación de los ar-
tículos producidos antes de embarcarlos. El plan consiste
en el siguiente: cajas de 25 artículos son preparados para
su embarque; un inspector toma un artículo al azar, lo
inspecciona y lo devuelve a la caja; un segundo y un
tercero efectúan el mismo procedimiento. Si cualquiera
de los tres inspectores encuentra un artículo defectuoso,
la caja no embarca. ¿Cuál es la probabilidad de:
a) embarcar una caja que contenga tres artículos de-
fectuosos?
b) no embarcar una caja que contiene sólo un artículo
defectuoso?
9. Se observa una fuente radioactiva durante 7 intervalos de
10 segundos de duración cada uno y se cuenta el número
de partículas emitidas durante cada período. Suponiendo
que el número de partículas emitidas, digamos X, durante
cada período observado tiene una distribución de Poisson
con parámetro λ = 5.
a) ¿Cuál es la probabilidad de que en cada uno de
los 7 intervalos de tiempo, sean emitidas 4 o más
partículas?
b) ¿Cuál es la probabilidad de que el menos en uno
Capítulo 3. Distribuciones discretas
de los 7 intervalos de tiempo, sean emitidas 4 o
más partículas?
10. Se lanzan dos moneda honestas simultáneamente. Con-
sideraremos que el lanzamiento fue un “éxito” si las
dos monedas muestran el resultado “cara”. Defina la
variable aleatoria X como aquella variable que cuenta
los lanzamientos necesarios para obtener dos éxitos, no
necesariamente consecutivos.
a) Determine el conjunto de valores que puede tomar
la variable aleatoria X.
b) Determine la función de probabilidad asociada a
la variable aleatoria X.
c) Calcule la probabilidad que haya que lanzarlas más
de tres veces.
11. Una máquina produce artículos de tipo A y B simultá-
neamente; el productor afirma que la máquina produce 2
artículos tipo B por cada 3 de tipo A. Una persona somete
a prueba y de un lote grande extrae estos artículos hasta
lograr un artículo tipo A.
a) Suponga que la persona decide comprar estos ar-
tículos si logra extraer un artículo A antes de la
cuarta extracción, ¿cuál es la probabilidad que la
persona compre estos artículos?
b) Suponga que la persona compra si logra extraer un
artículo A antes de la tercera extracción, ¿cuál es
la probabilidad que no compre?
12. En una población grande se sabe que el 10 % padece
de cierta enfermedad rara. Con la finalidad de hacer un
diagnóstico se necesitan 10 personas afectadas por dicha
enfermedad para el análisis correspondiente. Defina X
como el número de personas seleccionadas hasta que se
tenga las 10 personas afectadas por la enfermedad.
a) Encuentre la distribución de probabilidad de la va-
riable aleatoria X.
b) Calcular la probabilidad de que se necesiten selec-
cionar exactamente 15 personas.
13. Una empresa manufacturera recibe un lote que contiene
100 artículos de los cuales cinco son defectuosos. La
compañía revisa constantemente los lotes que recibe para
establecer la calidad del material. Si la calidad de un lote
recibido es baja, regresa al proveedor el lote completo.
Suponga que la compañía recibe un lote y lo acepta si
hay a lo más 1 artículo defectuoso en una muestra de
tamaño 6 sin reposición. ¿Cuál es la probabilidad de
que se acepte un lote de 100 artículos que contenga 5
defectuosos?
14. En un estudio biológico se emplea un grupo de 15 per-
sonas. El grupo contiene 5 personas con sangre tipo O,
6 con tipo A y 4 con tipo B. ¿Cuál es la probabilidad
que una muestra aleatoria de 6 contenga 2 personas con
sangre tipo O, 3 con sangre tipo A y 1 con tipo B?
15. En determinada empresa minera han ocurrido accidentes
a razón de 1 cada 2 meses. Suponiendo que ocurren en
forma independiente.
a) ¿Cuál es el número esperado de accidentes al año?
b) ¿Cuál es la desviación estándar del número de ac-
3.7 Ejercicios
cidentes al año?
c) ¿Cuál es la probabilidad que no haya accidentes en
determinado mes?
16. Tres máquinas contribuyen a la producción de una fá-
brica de cierto artículo. La máquina A produce 3 % de
artículos defectuosos y contribuye a la producción total
con un 40 %; la máquina B produce 4 % de artículos de-
fectuosos y contribuye a la producción total con un 35 %; 19. Un fabricante vende cierto artículo en lotes de 5 000 pie-
mientras que C produce el 5 % de artículos defectuosos
y 25 % de la producción total. Los artículos son almace-
nados en cajas, cada una contiene un número grande y
fijo de éstos, producidos por una máquina; por lo tanto,
el 40 % de las cajas contiene artículos producidos por la
máquina A y así sucesivamente. Las cajas se almacenan
juntas, sin que se pueda distinguir a qué máquina perte-
necen los artículos que contienen. Se escoge una caja al
azar, y se toma una muestra aleatoria de 100 artículos,
de los cuales 4 son defectuosos. ¿Cuál es la probabilidad 20. Se va ha probar un lote grande de artículos por el siguien-
que provenga de la máquina A? ¿Cuál es la probabilidad
que provenga de la máquina B? ¿Cuál es la probabilidad
que provenga de la máquina C?
17. Suponga que la probabilidad de que un motor falle en
un vuelo de rutina entre dos ciudades es 0,005. Úsese la
aproximación de Poisson a la distribución Binomial para
encontrar aproximadamente la probabilidad de:
a) por lo menos una falla en 1 000 vuelos.
b) por lo menos dos fallas en 1 000 vuelos.
27
18. Suponga que las moléculas de un gas raro se encuentra a
razón promedio de 3 por cm3 de aire. Suponga que las
moléculas de este gas están distribuidas independiente-
mente y al azar en el aire. Determinar el tamaño de la
muestra (número de cm3 ) de aire que se debe tomar para
que la probabilidad de encontrar al menos una molécula
de este gas en la muestra sea 0,99 como mínimo.
zas. De acuerdo con uno de sus clientes se adopta la
siguiente regla de inspección: Se selecciona al azar una
muestra de 100 artículos de cada lote que se vende. Si
la muestra contiene 4 o menos artículos defectuosos, el
cliente acepta el lote. Si se encuentran más de 4 defec-
tuosos se inspecciona cada uno de los artículos del lote.
Si la inspección cuesta $75 dólares por cada 100 artícu-
los, y el fabricante produce 2 % de artículos defectuosos,
determine el costo promedio de inspección por lote.
te método de muestro doble. En la primera muestra se
toman 20 artículos y si no hay artículos defectuosos, el
lote se aprueba. Si hay 2 o más artículos defectuosos, el
lote se rechaza y si se encuentra 1 artículo defectuoso, se
toma una segunda muestra de 40 artículos siguiendo las
siguientes disposiciones: si sólo hay 1 o ningún artículo
defectuoso se aprueba el lote, en caso contrario se recha-
za. Si la proporción real de defectuosos en el lote es 0,05
¿cuál es la probabilidad de aceptar el lote?
 4. Distribuciones continuas

4.1 Distribución uniforme continua

Definición 4.1.1 — Distribución uniforme continua. La función de densidad de la variable aleatoria uniforme
continua X en el intervalo (a, b) ⊂ R es

1
f (x; a, b) = , a < x < b.
b−a
Lo cual denotamos X ∼ Unif(a, b).

Teorema 4.1.1 La media y la varianza de la distribución uniforme continua son

a+b (b − a)2
E[X] = , y V(X) = .
2 12

4.2 Distribución normal

Definición 4.2.1 — Distribución normal. La densidad de la variable aleatoria normal X, con media µ ∈ R y
varianza σ 2 > 0, es
1 (x−µ)2
f (x; µ, σ 2 ) = √ e− 2σ 2 , −∞ < x < ∞.
σ 2π

Lo cual denotamos X ∼ N(µ, σ 2 ).

Teorema 4.2.1 La media y la varianza de una variable aleatoria normal son µ y σ 2 , respectivamente. Por lo
tanto, la desviación estándar es σ .

Definición 4.2.2 La distribución de una variable aleatoria normal con media 0 y varianza 1 se llama distribución
normal estándar.
 30 Capítulo 4. Distribuciones continuas

Teorema 4.2.2 Si X es una variable aleatoria binomial con media µ = np y varianza σ 2 = np(1 − p), entonces
la forma limite de la distribución es
X − np
Z=p ,
np(1 − p)

conforme n → ∞, es la distribución normal estándar.

Teorema 4.2.3 Sea X una variable aleatoria binomial con parámetros n y p. Para n → ∞ y p → 0, entonces, X
tiene distribución aproximadamente normal con µ = np y σ 2 = np(1 − p).

4.3 Distribución exponencial

Definición 4.3.1 — Distribución exponencial. La variable aleatoria continua X tiene una distribución expo-
nencial, con parámetro θ > 0, si su función de densidad es dada por
1 −x/θ
f (x; θ ) = e , x > 0.
θ
Lo cual denotamos X ∼ Exp(θ ).

Teorema 4.3.1 La media y la varianza de la distribución exponencial son

E[X] = θ , y V(X) = θ 2 .

4.4 Distribución gamma

Definición 4.4.1 La función gamma se define como
Z ∞
Γ(α) = xα−1 e−x dx, para α > 0.
0

Definición 4.4.2 — Distribución gamma. La variable aleatoria continua X tiene una distribución gamma,
con parámetros α > 0 y β > 0, si su función de densidad está dada por
1
f (x; α, β ) = xα−1 e−x/β , x > 0,
β α Γ(α)

Lo cual denotamos X ∼ Gamma(α, β ).

Teorema 4.4.1 La media y la varianza de la distribución gamma son

E[X] = αβ , y V(X) = αβ 2 .

4.5 Distribución χ 2
Definición 4.5.1 — Distribución χ 2 . La variable aleatoria continua X tiene una distribución χ 2 , con ν grados
de libertad, si su función de densidad es dada por
1
f (x; ν) = xν/2−1 e−x/2 , x > 0,
2ν/2 Γ(ν/2)
 4.6 Distribución beta 31

donde ν es un entero positivo. Lo cual denotamos X ∼ χν2 .

Teorema 4.5.1 La media y la varianza de la distribución χ 2 son

E[X] = ν, y V(X) = 2ν.

4.6 Distribución beta

Definición 4.6.1 La función beta es definida por
Z 1
Γ(a)Γ(b)
B(a, b) = xa−1 (1 − x)b−1 dx = , para a, b > 0.
0 Γ(a + b)

donde Γ(a) es la función gamma.

Definición 4.6.2 — Distribución beta. La variable aleatoria continua X tiene una distribución beta con los
parámetros a > 0 y b > 0, si su función de densidad es dada por
1
f (x; a, b) = xa−1 (1 − x)b−1 , 0 < x < 1.
B(a, b)

Lo cual denotamos X ∼ Beta(a, b).

Teorema 4.6.1 La media y la varianza de una distribución beta en la que los parámetros a y b son

a ab
E[X] = , y V(X) = 2
,
a+b (a + b) (a + b + 1)

respectivamente.

4.7 Distribución log-normal

Definición 4.7.1 — Distribución log-normal. La variable aleatoria continua X tiene una distribución log-
normal si la variable aleatoria Y = log(X) tiene distribución normal con media µ ∈ R y desviación estándar
σ > 0. La función de densidad de X que resulta es
1 1 2
f (x; µ, σ 2 ) = √ e− 2σ 2 (log(x)−µ) , x > 0,
σ x 2π

Lo cual denotamos X ∼ LN(µ, σ 2 ).

Teorema 4.7.1 La media y la varianza de la distribución log-normal es

2 /2 2 2
E[X] = eµ+σ , y V(X) = e2µ+σ (eσ − 1).

4.8 Distribución Weibull

Definición 4.8.1 — Distribución Weilbull. La variable aleatoria continua X tiene una distribución Weibull,
con parámetros α > 0 y β > 0, si su función de densidad es dada por

f (x; α, β ) = αβ xβ −1 e−αx , x > 0.

β

Lo cual denotamos X ∼ Weibull(α, β ).

 32 Capítulo 4. Distribuciones continuas

Teorema 4.8.1 La media y la varianza de la distribución Weibull son

      
−1/β 1 −2/β 2 2 1
E[X] = α Γ 1+ , y V(X) = α Γ 1+ −Γ 1+ .
β β β

Definición 4.8.2 La función de distribución acumulada para la distribución Weibull es dada por

F(x) = 1 − e−αx , x > 0,

β

para α > 0 y β > 0.

4.9 Distribución t-student

Teorema 4.9.1 — Distribución t-student. Sea Z una variable aleatoria normal estándar y V una variable
aleatoria χ 2 con ν grados de libertad. Si Z y V son independientes, entonces la distribución de la variable aleatoria
X, donde
Z
X=p ,
V /ν

es dada por la función de densidad

 − ν+1
Γ ν+1
x2 2
f (x; ν) = ν

2
√ 1+ , −∞ < x < ∞.
Γ 2 πν ν

Ésta se conoce como la distribución t con ν grados de libertad. Lo cual denotamos X ∼ tν .

Corolario 4.9.2 Sean X1 , X2 , . . . , Xn variables aleatorias independientes normales con media µ y desviación
estándar σ . Sea
1 n 1 n
X̄ = ∑ Xi , y S2 = ∑ (Xi − X̄)2 .
n i=1 n − 1 i=1
x̄−µ
Entonces la variable aleatoria √
s/ n
tiene una distribución t con n − 1 grados de libertad.

4.10 Distribución F
Teorema 4.10.1 — Distribución F. Sean U y V dos variables aleatorias independientes que tienen distribuciones
χ 2 con ν1 y ν2 grados de libertad, respectivamente. Entonces, la distribución de la variable aleatoria X = U/ν 1
V /ν2 es
dada por la función de densidad

ν1 −(ν1 +ν2 )/2

 ν1 /2
Γ ν1 +ν

 
2
ν1 2 ν /2−1
f (x; ν1 , ν2 ) =

x 1
1+ x , x > 0.
ν2 Γ ν21 Γ ν22 ν2

Ésta se conoce como la distribución F con ν1 y ν2 grados de libertad. Lo cual denotamos X ∼ Fν1 ,ν2 .
 4.11 Ejercicios
4.11 Ejercicios
1. EL tiempo medio en minutos, que cierta persona invierte
en ir de su casa a la estación del tren es un fenómeno
aleatorio con distribución uniforme en el intervalo de 20
a 25 minutos. ¿Cuál es la probabilidad que alcance el
tren que sale de la estación a las 7 : 28 a.m. en punto, si
sale de su casa exactamente a las 7 : 05 a.m.
2. El petróleo es separado por destilación en tres diferentes
productos, listado en la siguiente tabla:
Temperatura de Precio de venta
Producto destilación (C◦ ) por galón ($)
Gas menos de 20 C1
Ether 20 − 60 C2
Ligroin 60 − 100 C3
Suponga que C dólares es el costo de producir un galón
de petróleo y la temperatura de destilación T está dis-
tribuida uniformemente en [0, 100]. Calcule el beneficio
neto esperado (por galón) para cada producto.
3. La confiabilidad de un componente (o sistema) en el
tiempo, denotémosla R(t), está definida como:
R(t) = P(T > t),
en donde T es la duración del componente (o sistema).
Un tipo especial de sistema es en paralelo. En este siste-
ma las componentes están conectadas de tal manera que
el sistema deja de funcionar sólo si todas las componen- 9.
tes dejan de funcionar.
a) Suponiendo que el sistema en paralelo tiene 2 com-
ponentes los cuales funcionan independientemen-
te, determine la confiabilidad del sistema, R(t), en
función de las confiabilidades de las componentes, 10.
R1 (t) y R2 (t).
b) Supongamos que la duración de los componentes
(en horas), T1 y T2 son variables aleatorias con
distribuciones exponencial con media igual a 100,
calcule la confiabilidad, calcule la confiabilidad
del sistema para 10 horas.
4. Suponga que un fabricante tenga que decidir entre dos
procesos de fabricación de cierto componente electróni-
co. El costo del proceso A es de c dólares y del proceso
B es kc dólares por unidad de componente, donde k > 1. 11.
Los componentes electrónicos tiene un tiempo de falla
exponencial con θA = 200 para los fabricados por el pro-
ceso A y θB = 300 para B. El fabricante debe garantizar,
de manera que, si una componente dure menos de 400
horas, pagará una multa de M dólares. ¿Qué proceso
deberá usar?
5. Sea X el tiempo entre dos llegadas sucesivas en la ven-
tanilla de un banco local. Si X tiene una distribución
exponencial con θ = 1/4.
a) Calcule e interprete P(X ≤ 4) y P(2 ≤ X ≤ 5).
b) Calcule la probabilidad de que el tiempo entre dos
llegadas sucesivas esté a menos de una desviación
estándar el promedio.
33
6. El tiempo (en años) que un satélite permanece en el espa-
cio es una variable aleatoria exponencial T , cuya función
de distribución acumulada está dada por:
F(t) = 1 − e−t/2 , t > 0.
a) Encuentre la probabilidad que un satélite perma-
nezca en el espacio entre uno y tres años.
b) ¿Cuál es la probabilidad que un satélite permanez-
ca en el espacio más de 4 años?
c) Si son lanzados 3 satélites simultáneamente, ¿cuál
es la probabilidad de que por lo menos uno perma-
nezca en el espacio más de 4 años?
7. Si una compañía emplea n vendedores, sus ventas bru-
tas en miles de dólares se puede considerar como una
variable√aleatoria que tiene una distribución gamma con
α = 80 n y β = 2. Si el costo de ventas es $8 000 dóla-
res por vendedor, ¿cuántos vendedores debe emplear la
compañía para maximizar la utilidad esperada?
8. En cierta ciudad, el consumo diario de energía eléctrica
en millones de kilowatt-hora se puede tratar como una
variable aleatoria que tiene la distribución gamma con
α = 2 y β = 2. Si la planta generadora de esta ciudad tie-
ne una capacidad diaria de 12 millones de kilowatt-hora,
¿cuál es la probabilidad de que esta oferta de energía sea
inadecuada cualquier día dado?
Si la proporción anual de declaraciones erróneas de im-
puestos sometidas al SII se puede considerar una variable
aleatoria que tiene distribución beta con a = 2 y b = 9,
¿cuál es la probabilidad de que en un año dado cualquiera
habrá menos del 10 % de declaraciones erróneas?
Si la proporción anual de nuevos restaurantes que fraca-
san en una ciudad dada se puede considerar como una
variable aleatoria que tiene una distribución beta con
a = 1 y b = 4, encuentre:
a) la media de esta distribución, esto es, la proporción
anual de nuevos restaurantes que se puede esperar
que fracasen en la ciudad dada.
b) la probabilidad de que al menos 25 % por ciento de
todos los nuevos restaurantes fracasen en la ciudad
dada en un año cualquiera.
Un sistema cuenta con un gran número de componentes
de un mismo tipo. Suponga que el tiempo de falla T (me-
dido en horas) de cualquiera de estas componentes sigue
una distribución normal con media igual a 100 horas y
desviación estándar de 20 horas.
a) Calcule la probabilidad que una componente cual-
quiera dure más de 110 horas.
b) Se desea dar una garantía de reemplazo para cual-
quier componente que dure menos de k horas. En-
cuentre el valor de k para que la probabilidad de
que se haga efectiva la garantía sea sólo de un 1 %.
c) Considere 10 componentes con tiempos de falla in-
dependientes. Calcule la probabilidad de que más
de un componente dure menos de 90 horas.
34
12. Una constructora usa piedras extraídas de cierto terreno,
donde el diámetro de las piedras tiene una distribución
normal con media 22 cm. y desviación estándar de 5 cm.
Las piedras sólo son útiles si su diámetro se encuentra
entre 15 y 30 cm.
a) Calcule la probabilidad que una piedra extraída de
este terreno sea útil.
b) Si se extrajeron 10 piedras, calcule la probabilidad
de que 8 o más piedras sean útiles.
13. En una cierta ciudad se decide instalar 2 000 lámparas
eléctricas en sus calles. Si la vida útil de estas lámparas
obedece a una distribución normal con media µ = 1 000
horas y una desviación estándar σ = 200 horas.
a) ¿Cuál es el número estimado de bajas en las prime-
ras 700 horas de alumbrado?
b) ¿Qué número de lámparas estima usted que falla-
rán entre 900 y 1 300 horas de alumbrado?
c) ¿Después de cuántas horas de alumbrado aproxi-
madamente el 10 % de las lámparas deja de funcio-
nar?
14. La dureza Rockwell de un metal se determina al golpear
con un punto acerado la superficie del metal y después se
mide la profundidad de penetración del punto. Suponga
que la dureza Rockwell de cierta aleación está normal-
mente distribuida con media 80 y desviación estándar de
5 (la dureza Rockwell se mide en una escala continua).
a) Si un espécimen es aceptable sólo si su dureza está
entre 75 y 85, ¿cuál es la probabilidad de que un
espécimen seleccionado aleatoriamente tenga una
dureza aceptable?
b) Si la escala aceptable de dureza es (80 − c, 80 + c),
¿para qué valor de c tendría una dureza aceptable
el 98 % de todos los especímenes?
c) Si se seleccionan aleatoriamente especímenes para
examinar hasta encontrar 3 con una dureza acepta-
ble (considere que la escala de dureza aceptable es
como en el ítem (a)), ¿cuál es la probabilidad de
tener que examinar 5 especímenes?
15. Sea X la variable aleatoria que mide el tiempo de funcio-
namiento en horas de cierta máquina. Se sabe que X se
distribuye normalmente con media de 720 hrs. y desvia-
ción estándar de 48 hrs. Supongamos además que, en el
momento que la máquina comienza a funcionar debemos
decidir cuando un técnico vendrá a inspeccionarla. Si
llamamos al técnico antes de que falle, se ocasiona un
costo de a dólares por haber desperdiciado una inspec-
ción. Si llamamos al técnico después de que la máquina
ha fallado, se ocasiona un costo de b dólares por el no
funcionamiento de la máquina.
a) Determine una expresión para el costo esperado,
considerando que el tiempo hasta que el técnico es
llamado a inspeccionar la máquina es de t horas.
b) Suponga que el técnico es llamado en un tiempo
de t = 816 hrs. Calcule la probabilidad de que el
inspector llegue tarde a la inspección, es decir, la
máquina ya ha dejado de funcionar.
Capítulo 4. Distribuciones continuas
c) Se observa este proceso durante 15 períodos. De-
termine la probabilidad de que el técnico llegue
tarde más de 12 veces.
16. Un combustible para cohetes va a contener cierto porcen-
taje (digamos X) de un compuesto particular. Las espe-
cificaciones exigen que X esté entre 30 y 35 por ciento.
El fabricante tendrá una utilidad neta en el combustible
(por galón) que es la siguiente función de X:


 0,05 , si 25 < X < 30,
0,10 , si 30 ≤ X ≤ 35,

T (X) =

 0,05 , si 35 < X < 40,
−0,10 , en otro caso.

Si X tiene distribución N(33, 9), calcule E[T ].
17. El departamento de control de calidad de una fabrica
de baterías, a determinado que la duración promedio de
éstas es de tres años con una desviación estándar de 0,5
años. Suponiendo que la duración de las baterías tiene
distribución normal.
a) ¿Qué porcentaje de baterías tiene una duración
entre 2, 5 y 4 años?
b) Se desea dar una garantía de reemplazo para cual-
quier batería que dure menos de k años. Encuentre
el valor de k para que la probabilidad de que se
haga efectiva la garantía, sea sólo en un 25 % casos.
c) El departamento de control de calidad a determi-
nado que aquellas baterías con vida inferior a 2, 67
años tendrán derecho a la garantía de reemplazo.
De 5 clientes cual es la probabilidad, de que, no
más de dos hagan uso de la garantía.
18. Se supone que los resultados de un examen siguen una
distribución normal con media 78 y desviación estándar
de 36.
a) ¿Cuál es la probabilidad de que una persona que
se presenta al examen obtenga una calificación su-
perior a 72?
b) Calcular la proporción de estudiantes que tienen
puntuaciones que exceden por lo menos en cin-
co puntos de la puntuación que marca la frontera
entre “apto” y “no apto” (son declarados “no ap-
tos” el 25 % de los estudiantes que obtuvieron las
puntuaciones más bajas).
c) De cinco estudiantes seleccionados al azar, ¿cuál
es la probabilidad de que al menos dos tengan una
puntuación inferior a 65?
19. La especificación con la que se fabrican los tornillos de
acero de sección transversal circular requiere que sus
longitudes se encuentren entre 8,45 y 8,65 cm. y sus
diámetros entre 1,55 y 1,60 cm. Los tornillos produci-
dos por cierta máquina tienen longitudes que siguen una
distribución normal con media 8,65 cm. y desviación es-
tándar de 0,05 cm. y diámetros que siguen también una
distribución normal independiente con media 1,58 cm. y
desviación estándar 0,001 cm. Determine los siguientes
datos para tornillos que fabrica esta máquina:
4.11 Ejercicios
a) El porcentaje que estará fuera de los límites de
longitud especificados.
b) El porcentaje que estará fuera de los límites espe-
cificados de diámetro.
c) El porcentaje que no cubra la especificación.
20. Suponga que X es la resistencia a la ruptura de una cuer-
35
da (en libras) tiene distribución normal con media 100 y
varianza 16. Cada 100 pies de alambre para cuerda pro-
duce una utilidad de $25 dólares, si X > 95. Si X ≤ 95,
la cuerda puede utilizarse con un objetivo diferente y se
obtiene una utilidad de $10 por alambre. Encuentre la
utilidad esperada por alambre.
II
Estadística

5 Estimación puntual . . . . . . . . . . . . . . . . . . 39
5.1 Conceptos generales
5.2 Métodos de estimación puntual
5.3 Ejercicios

6 Estimación por intervalos . . . . . . . . . . . . 43

6.1 Estimación de la media
6.2 Estimación de la diferencia entre dos medias
6.3 Estimación de la proporción
6.4 Estimación de la diferencia de dos proporciones
6.5 Estimación de la varianza
6.6 Estimación de la proporción de varianzas
6.7 Ejercicios

7 Pruebas de hipótesis . . . . . . . . . . . . . . . . 49
7.1 Conceptos generales
7.2 Pruebas sobre la media
7.3 Ejercicios
 5. Estimación puntual

5.1 Conceptos generales

Definición 5.1.1 Una estimación puntual de un parámetro θ es un número único que puede ser considerado
como un valor sensible de θ . Se obtiene una estimación puntual seleccionando un estadístico apropiado y
calculando su valor con los datos muestrales datos. El estadístico seleccionado se llama estimador puntual de θ .

Definición 5.1.2 Se dice que un estimador puntual θ̂ es un estimador insesgado de θ si E[θ̂ ] = θ con todo
valor posible de θ . Si θ̂ no es insesgado, la diferencia E[θ̂ ] − θ se conoce como el sesgo de θ̂ .

Definición 5.1.3 — Principio de estimación insesgada. Cuando se elige entre varios estimadores diferentes
de θ , se elige uno insesgado.

Definición 5.1.4 — Principio de estimación insesgada con varianza mínima. Entre todos los estimadores
de θ insesgados, se selecciona el de varianza mínima. El θ̂ resultante se llama estimador insesgado con varianza
mínima (EIVM) de θ .
q
Definición 5.1.5 El error estándar de un estimador θ̂ es su desviación estándar σθ̂ = V(θ̂ ). Si el error
estándar implica parámetros desconocidos cuyos valores pueden ser estimados, la sustitución de estas estimaciones
en σθ̂ da el error estándar estimado (desviación estándar estimada) del estimador. El error estándar estimado
puede ser denotado o por σ̂θ̂ .
 40 Capítulo 5. Estimación puntual

5.2 Métodos de estimación puntual

Definición 5.2.1 Si X1 , X2 , . . . , Xn constituyen una muestra aleatoria proveniente de una función de masa de
probabilidad o de una función de densidad de probabilidad f (x). Con k = 1, 2, 3, . . . el k-ésimo momento de
la población o el k-ésimo momento de la distribución f (x), es E[X k ]. El k-ésimo momento muestral es
(1/n) ∑ni=1 Xik .

Definición 5.2.2 — Método de momentos. Si X1 , X2 , . . . , Xn son una muestra aleatoria de una distribución con
función de masa de probabilidad o función de densidad de probabilidad f (x; θ1 , θ2 , . . . , θm ), donde θ1 , θ2 , . . . , θm
son parámetros cuyos valores son desconocidos. Entonces, los estimadores de momento θ̂1 , θ̂2 , . . . , θ̂m se
obtienen igualando los primeros m momentos muestrales con los primeros m momentos de la población corres-
pondientes y resolviendo para θ1 , θ2 , . . . , θm .

Definición 5.2.3 — Método de máxima verosimilitud. Si X1 , X2 , . . . , Xn son una muestra aleatoria de una
distribución con función de masa de probabilidad o función de densidad de probabilidad f (x; θ1 , θ2 , . . . , θm ),
donde θ1 , θ2 , . . . , θm son parámetros cuyos valores son desconocidos. Cuando x1 , x2 , . . . , xn son los valores
muestrales observados, se define la función de verosimilitud
n
L(θ1 , θ2 , . . . , θm ) = ∏ f (xi ; θ1 , θ2 , . . . , θm ).
i=1

Las estimaciones de máxima verosimilitud (EMV) θ̂1 , θ̂2 , . . . , θ̂m son aquellos valores de las θi que incrementan
al máximo la función de verosimilitud, de modo que

L(θ̂1 , θ̂2 , . . . , θ̂m ) ≥ L(θ1 , θ2 , . . . , θm ), con todos los θ1 , θ2 , . . . , θm .

Definición 5.2.4 — Principio de invarianza. Sea θ̂1 , θ̂2 , . . . , θ̂m los estimadores de máxima verosimilitud de los
parámetros θ1 , θ2 , . . . , θm . Entonces, el estimador de máxima verosimilitud de cualquier función h(θ1 , θ2 , . . . , θm )
de estos parámetros es la función h(θ̂1 , θ̂2 , . . . , θ̂m ) de los estimadores de máxima verosimilitud.

5.3 Ejercicios
1. Considere una muestra aleatoria X1 , . . . , Xn , con función con x = 0, 1, 2, . . . y donde 0 < p < 1 y r = 1, 2, . . . , es
de densidad de probabilidad dada por: decir, X tiene distribución binomial-negativa de paráme-
1 1 tros p y r. Utilice el método de momentos para hallar los
f (x; θ ) = 1, θ −
<x<θ+ . estimadores de p y r.
2 2
5. Considere una muestra aleatoria X1 , . . . , Xn , con función
Encuentre el EMV de θ . de densidad de probabilidad dada por:
2. Considere una muestra aleatoria X1 , . . . , Xn , con función
de densidad de probabilidad dada por:
Γ(a + b) a−1
f (x; a, b) = x (1 − x)b−1 , 0 < x < 1,
f (x; λ ) = λ 2 xe−λ x , x > 0, λ > 0. Γ(a)Γ(b)
Encuentre un estimador para el parámetro λ usando:
a) El método de momentos. b) El método de máxima donde a > 0 y b > 0, es decir, X tiene distribución beta
verosimilitud. de parámetros a y b. Utilice el método de momentos para
3. Considere una muestra aleatoria X1 , . . . , Xn , con función hallar los estimadores de a y b.
de densidad de probabilidad dada por: 6. Considere una muestra aleatoria X1 , . . . , Xn con función
de densidad de probabilidad dada por:
f (x; θ ) = θ (1 − x)θ −1 , 0 < x < 1, θ > 0.
Encuentre el EMV de θ . x − x22
f (x; θ ) = e 2θ , x ≥ 0, θ > 0.
4. Considere una muestra aleatoria X1 , . . . , Xn , con función θ2
de masa de probabilidad dada por:

r+x−1 r
 a) Encuentre el EMV de θ .
f (x; r, p) = p (1 − p)x , b) Calcule el sesgo del estimador de θ .
x
5.3 Ejercicios 41

7. Considere una muestra aleatoria X1 , . . . , Xn con función donde θ > 0. Se proponen los siguientes estimadores
de densidad de probabilidad dada por: para θ : (i) θ̂1 = 2X̄ − 5, y (ii) θ̂2 = X(1) . ¿Cuál estimador
(θ̂1 ó θ̂2 ) es preferible considerar?
1 − 1 (log x−µ)2
f (x; µ, σ 2 ) = √ e 2σ 2 , x > 0, 13. Sea X la proporción de tiempo asignado que un estudian-
x 2πσ 2
te seleccionado al azar utiliza trabajando en una determi-
nada prueba de aptitud. Supongamos que la función de
donde µ ∈ R y σ 2 > 0. Encuentre los EMV de µ y σ 2 .
densidad de probabilidad de X es:
8. Considere una muestra aleatoria X1 , . . . , Xn con función
de densidad de probabilidad dada por:
f (x; θ ) = (θ + 1)xθ , 0 ≤ x ≤ 1,
1
f (x; θ ) = , 0 ≤ x ≤ θ. donde −1 < θ . Una muestra de diez estudiantes produ-
θ
ce los datos x1 = 0,92, x2 = 0,79, x3 = 0,90, x4 = 0,65,
Estudie el sesgo del EMV de θ . x5 = 0,86, x6 = 0,47, x7 = 0,73, x8 = 0,97, x9 = 0,94,
9. Considere una muestra aleatoria X1 , . . . , Xn con función x10 = 0,77. Use el método de momentos y máxima ve-
de densidad de probabilidad dada por: rosimilitud para obtener el estimador de θ y calcule el
estimador correspondiente con los datos dados.
θ
f (x; θ ) = 2 , x > θ > 0. 14. Considere una muestra aleatoria X1 , . . . , Xn , con función
x de densidad dada por:
Estudie el sesgo del EMV de θ .
1
10. Suponga que la variables aleatoria T , representa el tiem- f (x; θ ) = 2 xe−x/θ , x > 0, θ > 0.
po de falla (en horas) de un instrumento electrónico, que θ
tiene la siguiente función de densidad de probabilidad: Se proponen los siguientes estimadores para el parámetro
θ:
f (t; α, β ) = β e−β (t−α) , t > α > 0,
1 n 1 n
es decir, T tiene una distribución exponencial truncada θ̂1 = ∑ Xi , y θ̂2 = ∑ Xi
2n i=1 n i=1
a la izquierda en α. Suponga además que se prueban n
artículos y que se registra los tiempos de falla t1 , . . . ,tn .
Calcule e interprete el sesgo en ambos casos.
Encuentre los estimadores de máxima verosimilitud de
15. Considere una muestra aleatoria X1 , . . . , Xn , con función
α y β.
de densidad dada por:
11. Considere una muestra aleatoria X1 , . . . , Xn , con función
de densidad de probabilidad por: 
x−α , si α < x < α + 1,

f (x; α) = −x + α + 2 , si α + 1 ≤ x < α + 2,
f (x; λ ) = λ 2 xe−λ x , x > 0, λ > 0.
0 , en otro caso.


Encuentre el EMV de λ . Además, calcule el sesgo y el

error cuadrático medio para el estimador encontrado. Se proponen los siguientes estimadores para el parámetro
12. Sea X1 , . . . , Xn una muestra aleatoria de tamaño n de la α:
variable aleatoria X con función de densidad de probabi- 1 n 1 n
lidad dada por: α̂1 = ∑ Xi , y α̂2 = ∑ (Xi − 1).
n i=1 n i=1
1
f (x; θ ) = , θ < x < 5. Calcule e interprete el sesgo en ambos casos.
5−θ
 6. Estimación por intervalos

6.1 Estimación de la media

Definición 6.1.1 — Intervalo de confianza de µ cuando se conoce σ 2 . Si x̄ es la media de una muestra
aleatoria de tamaño n de una población de la que se conoce su varianza σ 2 , lo que da un intervalo de confianza
de 100(1 − α) % para µ es
σ σ
x̄ − zα/2 √ < µ < x̄ + zα/2 √ ,
n n

donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Teorema 6.1.1 Si utilizamos x̄ como una estimación de µ, podemos tener 100(1 − α) % de confianza en que el
error no excederá a zα/2 √σn .

Teorema 6.1.2 Si usamos x̄ como una estimación de µ, podemos tener 100(1 − α) % de confianza en que el
error no excederá a una cantidad específica ` cuando el tamaño de la muestra sea
 2
zα/2 σ
n= .
`

Definición 6.1.2 — Límites de confianza unilaterales de µ cuando se conoce el valor de σ 2 . Si x̄ es la

media de una muestra aleatoria de tamaño n a partir de una población con varianza σ 2 , los límites de confianza
unilaterales del 100(1 − α) % para µ son dados
√ por
Límite unilateral superior: x̄ + zα σ / n,
√
Límite unilateral inferior: x̄ − zα σ / n.

Definición 6.1.3 — Intervalo de confianza de µ cuando se desconoce σ 2 . Si x̄ y s son la media y la

desviación estándar de una muestra aleatoria de una población normal de la que se desconoce su varianza σ 2 , un
 44 Capítulo 6. Estimación por intervalos

intervalo de confianza del 100(1 − α) % para µ es

s s
x̄ − tn−1,α/2 √ < µ < x̄ + tn−1,α/2 √ ,
n n

donde tn−1,α/2 es tal que P(T > tn−1,α/2 ) = α/2, con T ∼ tn−1 .

Definición 6.1.4 — Intervalo de predicción cuando se conoce σ 2 . Para una distribución normal de medi-
ciones con media µ desconocida y varianza σ 2 conocida, un intervalo de predicción del 100(1 − α) % de una
observación futura x0 es
r r
1 1
x̄ − zα/2 σ 1 + < x0 < x̄ + zα/2 σ 1 + ,
n n
donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Definición 6.1.5 — Intervalo de predicción cuando se desconoce σ 2 . Para una distribución normal de
mediciones con media µ y la varianza σ 2 se desconocen, un intervalo de predicción del 100(1 − α) % de una
observación futura x0 es
r r
1 1
x̄ − tn−1,α/2 s 1 + < x0 < x̄ + tn−1,α/2 s 1 + ,
n n
donde tn−1,α/2 es tal que P(T > tn−1,α/2 ) = α/2, con T ∼ tn−1 .

6.2 Estimación de la diferencia entre dos medias

Definición 6.2.1 — Intervalo de confianza para µ1 − µ2 cuando se conocen σ12 y σ22 . Si x̄1 y x̄2 son las
medias de muestras aleatorias independientes de tamaño n1 y n2 , de poblaciones que tienen varianzas conocidas
σ12 y σ22 , respectivamente, un intervalo de confianza del 100(1 − α) % para µ1 − µ2 es dada por
s s
σ12 σ22 σ12 σ22
(x̄1 − x̄2 ) − zα/2 + < µ1 − µ2 < (x̄1 − x̄2 ) + zα/2 + ,
n1 n2 n1 n2

donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Definición 6.2.2 — Estimado agrupado de la varianza.

(n1 − 1)S12 + (n2 − 1)S22

S2p = .
n1 + n2 − 2

Definición 6.2.3 — Intervalo de confianza para µ1 − µ2 cuando se desconocen σ12 = σ22 . Si x̄1 y x̄2 son las
medias de muestras aleatorias independientes de tamaño n1 y n2 , respectivamente, tomadas de poblaciones más
o menos normales con varianzas iguales pero desconocidas, un intervalo de confianza del 100(1 − α) % para
µ1 − µ2 es dado por
r r
1 1 1 1
(x̄1 − x̄2 ) − tn1 +n2 −2,α/2 s p + < µ1 − µ2 < (x̄1 − x̄2 ) + tn1 +n2 −2,α/2 s p + ,
n1 n2 n1 n2

donde s p es la estimación agrupada de la desviación estándar de la población y tn1 +n2 −2,α/2 es tal que P(T >
tn1 +n2 −2,α/2 ) = α/2, con T ∼ tn1 +n2 −2 .
 6.3 Estimación de la proporción 45

Definición 6.2.4 — Intervalo de confianza para µ1 − µ2 cuando se desconocen σ12 6= σ22 . Si x̄1 y s21 y x̄2 y
s22 son las medias y varianzas de muestras aleatorias independientes de tamaños n1 y n2 , respectivamente, tomadas
de poblaciones aproximadamente normales con varianzas desconocidas y diferentes, un intervalo de confianza
aproximado del 100(1 − α) % para µ1 − µ2 es dado por
s s
s21 s22 s21 s22
(x̄1 − x̄2 ) − tν,α/2 + < µ1 − µ2 < (x̄1 − x̄2 ) + tν,α/2 + ,
n1 n2 n1 n2

donde tν,α/2 es tal que P(T > tν,α/2 ) = α/2, con T ∼ tν y

(s21 /n1 + s22 /n2 )2

ν= .
(s21 /n1 )2 (s22 /n2 )2
n1 −1 + n2 −1

Definición 6.2.5 — Intervalo de confianza para observaciones pareadas. Si d¯ y sd son la media y la

desviación estándar, respectivamente, de las diferencias distribuidas normalmente de n pares aleatorios de
mediciones, un intervalo de confianza del 100(1 − α) % para µd = µ1 − µ2 es
sd sd
d¯ − tn−1,α/2 √ < µd < d¯ + tn−1,α/2 √ ,
n n

donde tn−1,α/2 es tal que P(T > tn−1,α/2 ) = α/2, con T ∼ tn−1 .

6.3 Estimación de la proporción

Definición 6.3.1 — Intervalo de confianza para p. Si p̂ es la proporción de éxitos en una muestra aleatoria de
tamaño n, un intervalo de confianza aproximado del 100(1 − α) % para el parámetro p se obtiene por medio de
r r
p̂(1 − p̂) p̂(1 − p̂)
p̂ − zα/2 < p < p̂ + zα/2 .
n n
donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).

Teorema 6.3.1 Si p̂ se utiliza un estimado de p, podemos tener un 100(1 − α) % de confianza en que el error
será menos que una cantidad específica ` cuando el tamaño de la muestra sea aproximadamente

z2α/2 p̂(1 − p̂)

n= .
`2

6.4 Estimación de la diferencia de dos proporciones

Definición 6.4.1 — Intervalo de confianza para p1 − p2 . Si p̂1 y p̂2 son las proporciones de éxitos en muestras
aleatorias de tamaños n1 y n2 , respectivamente, un intervalo de confianza aproximado del 100(1 − α) % para la
diferencia p1 − p2 es dado por
s s
p̂1 (1 − p̂1 ) p̂2 (1 − p̂2 ) p̂1 (1 − p̂1 ) p̂2 (1 − p̂2 )
( p̂1 − p̂2 ) − zα/2 + < p1 − p2 < ( p̂1 − p̂2 ) + zα/2 +
n1 n2 n1 n2

donde zα/2 es tal que P(Z > zα/2 ) = α/2, con Z ∼ N(0, 1).
 46 Capítulo 6. Estimación por intervalos

6.5 Estimación de la varianza

Definición 6.5.1 — Intervalo de confianza para σ 2 . Si s2 es la varianza de una muestra aleatoria de tamaño n
de una población normal, un intervalo de confianza del 100(1 − α) % para σ 2 es

(n − 1)s2 2 (n − 1)s2
2
< σ < 2
,
χn−1,α/2 χn−1,1−α/2

2
donde χn−1,α/2 2
y χn−1,1−α/2 2
son tal que P(χ > χn−1,α/2 2
) = α/2 y P(χ > χn−1,1−α/2 2 .
) = 1 − α/2, con χ ∼ χn−1

6.6 Estimación de la proporción de varianzas

Definición 6.6.1 — Intervalo de confianza para σ12 /σ22 . Si s21 y s22 son las varianzas de muestras independientes
de tamaño n1 y n2 , respectivamente, tomadas de poblaciones normales, entonces un intervalo de confianza del
100(1 − α) % para σ12 /σ22 es

s21 1 σ12 s21

< < fn −1,n1 −1,α/2 ,
s22 fn1 −1,n2 −1,α/2 σ22 s22 2

donde fn1 −1,n2 −1,α/2 es tal que P(F > fn1 −1,n2 −1,α/2 ) = α/2, con F ∼ Fn1 −1,n2 −1 , y fn2 −1,n1 −1,α/2 es tal que
P(F > fn2 −1,n1 −1,α/2 ) = α/2, con F ∼ Fn2 −1,n1 −1 .

6.7 Ejercicios
1. Una empresa de material eléctrico fabrica lámparas eléc-
tricas que tienen una duración distribuida de forma apro-
ximadamente normal, con una desviación estándar de 40
horas. Si una muestra de 30 lámparas eléctricas tiene una
duración promedio de 780 horas, calcule un intervalo de
confianza del 96 % para la media de la población de todas
las lámparas eléctricas producidas por esta empresa.
2. Las estaturas de una muestra aleatoria de 50 estudiantes
universitarios tienen una media de 174,5 centímetros y
una desviación estándar de 6,9 centímetros.
a) Construya un intervalo de confianza del 98 % para
la estatura media de todos los estudiantes universi-
tarios.
b) ¿Qué podemos afirmar con una confianza del 98 %
acerca del posible tamaño de nuestro error, si esti-
mamos que la estatura media de todos los estudian-
tes universitarios es de 174,5 centímetros?
3. Una muestra aleatoria de 100 propietarios de automóvi-
les de la región revela que éstos conducen su automóvil,
en promedio, 23 500 kilómetros por año, con una des-
viación estándar de 3 900 kilómetros. Suponga que la
distribución de las mediciones es aproximadamente nor-
mal.
a) Construya un intervalo de confianza del 99 % para
el número promedio de kilómetros que un propie-
tario de un automóvil conduce anualmente en la
región.
b) ¿Qué podemos afirmar con un 99 % de confianza
acerca del posible tamaño del error, si estimamos
que los propietarios de automóviles conducen un
promedio de 23 500 kilómetros por año?
4. ¿Qué tan grande debe ser la muestra en el ejercicio (1)
si deseamos tener un 96 % de confianza en que nuestra
media muestral estará dentro de 10 horas a partir de la
media verdadera?
5. Un experto en eficiencia desea determinar el tiempo pro-
medio que toma perforar tres hoyos en cierta placa me-
tálica. ¿De que tamaño debe ser una muestra para tener
un 95 % de confianza en que esta media muestral estará
dentro de 15 segundos de la media verdadera? Suponga
que por estudios previos se sabe que σ = 40 segundos.
6. Una máquina produce piezas metálicas de forma cilín-
drica. Se toma una muestra de las piezas y los diámetros
son: 1,01; 0,97; 1,03; 1,04; 0,99; 0,98; 0,99; 1,01 y 1,03
centímetros. Calcule un intervalo de confianza del 99 %
para la media del diámetro de las piezas que se manu-
facturan con esta máquina. Suponga una distribución
aproximadamente normal.
7. En un estudio para determinar la dureza de Rockwell en
la cabeza de alfileres para costuras se toma una muestra
aleatoria de 12. Se toman mediciones de la dureza de
Rockwell para cada una de las 12 cabezas y se obtiene
un valor promedio de 48,50, con una desviación estándar
muestral de 1,5. Suponga que las mediciones se distri-
buyen de forma normal y con base en esto construya un
intervalo de confianza de 90 % para la dureza media de
Rockwell.
8. Se registran las siguientes mediciones del tiempo de se-
cado, en horas, de cierta marca de pintura vinílica:
6.7 Ejercicios
3,4 2,5 4,8 2,9 3,6
2,8 3,3 5,6 3,7 2,8
4,4 4,0 5,2 3,0 4,8
Suponga que las mediciones representan una muestra
aleatoria de una población normal y con base en esto
calcule el intervalo de confianza del 95 % para el tiempo
de secado.
9. Una muestra aleatoria de tamaño n1 = 25, tomada de una
población normal con una desviación estándar σ1 = 5,
tiene una media x̄1 = 80. Una segunda muestra aleatoria
de tamaño n2 = 36, que se toma de una población normal
diferente con una desviación estándar σ2 = 3, tiene una
media x̄2 = 75. Calcule un intervalo de confianza del
94 % para µ1 − µ2 .
10. Se comparan las resistencias de dos clases de hilo. Se
prueban 50 piezas de cada clase de hilo en condiciones
similares. La marca A tiene una resistencia a la tensión
promedio de 78,3 kilogramos, con una desviación están-
dar de 5,6 kilogramos; en tanto que la marca B tiene una
resistencia a la tensión promedio de 87,2 kilogramos con
una desviación estándar de 6,3 kilogramos. Construya
un intervalo de confianza del 95 % para la diferencias de
las medias de la población.
11. Se realiza un estudio para determinar si cierto tratamien-
to tiene algún efecto sobre la cantidad de metal que se
elimina en una operación de encurtido. Una muestra alea-
toria de 100 piezas se sumerge en un baño por 24 horas
sin el tratamiento, lo que produce un promedio de 12,2
milímetros de metal eliminados y una desviación están-
dar muestral 1,1 milímetros. Una segunda muestra de
200 piezas se somete al tratamiento, seguido de 24 horas
de inmersión en el baño, lo que da como resultado una
eliminación promedio de 9,1 milímetros de metal, con
una desviación estándar muestral 0,9 milímetros. Calcule
un intervalo de confianza del 98 % para la diferencia en-
tre las medias de las poblaciones. ¿El tratamiento parece
reducir la cantidad media del metal eliminado?
12. En un proceso químico por lotes se comparan los efectos
de dos catalizadores sobre la potencia de la reacción del
proceso. Se prepara una muestra de 12 lotes utilizando
el catalizador 1 y una muestra de 10 lotes utilizando el
catalizador 2. Los 12 lotes para los que se utilizó el cata-
lizador 1 en la reacción dieron un rendimiento promedio
de 85 con una desviación estándar muestral de 4; en tanto
que para la segunda muestra, la de 10 lotes, el promedio
fue de 81, con una desviación estándar muestral de 5. Cal-
cule un intervalo de confianza del 90 % para la diferencia
entre las medias de la población, suponiendo que las
poblaciones se distribuyen de forma aproximadamente
normal y que tienen varianzas iguales.
13. Una empresa de taxis trata de decidir si compraría neu-
máticos de la marca A o de la marca B para su flotilla
de taxis. Para estimar la diferencia entre las dos marcas
realiza un experimento utilizando 12 neumáticos de ca-
da marca, los cuales utiliza hasta que se desgastan. Los
resultados son:
47
Marca A: x̄A = 36 300 kilómetros
sA = 5 000 kilómetros
Marca B: x̄B = 38 100 kilómetros
sB = 6 100 kilómetros
Calcule un intervalo de confianza del 95 % para µA − µB ,
suponiendo que las poblaciones se distribuyen de for-
ma aproximadamente normal. Puede no suponer que las
varianzas son iguales.
14. Con referencia al ejercicio anterior, calcule un intervalo
de confianza del 99 % para µA − µB si se asignan al azar
neumáticos de las dos marcas a las ruedas traseras iz-
quierda y derecha de 8 taxis y se registran las siguientes
distancias, en kilómetros:
Taxi Marca A Marca B
1 34 400 36 700
2 45 500 46 800
3 36 700 37 700
4 32 000 31 100
5 48 400 47 800
6 32 800 36 400
7 38 100 38 900
8 30 100 31 500
Suponga que las diferencias de las distancias se distribu-
yen de forma aproximadamente normal.
15. En una muestra aleatoria de 1 000 viviendas en cierta ciu-
dad se encuentra que 228 utilizan diesel como combusti-
ble para la calefacción. Calcule un intervalo de confianza
del 99 % para la proporción de viviendas es esta ciudad
que utilizan diesel con el fin mencionado.
16. Un fabricante de smartphone utiliza un conjunto de prue-
bas exhaustivas para evaluar el funcionamiento electró-
nico de su producto. Todos los smartphone deben pasar
todas las pruebas antes de ser puestos a la venta. De una
muestra aleatoria de 500 smartphone, 15 no pasan una
o más de las pruebas. Calcule un intervalo de confian-
za del 90 % para la proporción de los smartphone de la
población que pasan todas las pruebas.
17. Una encuesta de 1 000 estudiantes reveló que 274 eligen
al equipo de fútbol A como su equipo favorito. En 2010
se realizó una encuesta similar con 760 estudiantes y 240
de ellos también eligieron a ese equipo como su favo-
rito. Calcule un intervalo de confianza de 95 % para la
diferencia entre la proporción de estudiantes que favo-
recen al equipo A en las dos encuestas. ¿Hay diferencia
significativa?
18. Un fabricante de baterías para automóvil afirma que sus
baterías durarán, en promedio, 3 años con una varianza
de 1 año. Suponga que 5 de estas baterías tienen dura-
ciones de 1,9, 2,4, 3,0, 3,5, 4,2 años y con base en esto
construya un intervalo de confianza del 95 % para σ 2 ,
después decida si la afirmación del fabricante de que
σ 2 = 1 es válida. Suponga que las duraciones de las ba-
terías se distribuye de forma aproximadamente normal.
19. Una muestra aleatoria de 20 estudiantes obtuvo una me-
dia de x̄ = 72 y una varianza de s2 = 16 en un examen
universitario. Suponga que las calificaciones se distri-
48 Capítulo 6. Estimación por intervalos

buyen normalmente y con base en esto construya un Límite de fatiga (psi)

intervalo de confianza del 98 % para σ 2 . Acero Acero al carbono
20. Se llevó a cabo un experimento para determinar si el aca- al carbono al 0,4 % al 0,4 % sin pulir
bado superficial tiene un efecto en el límite de resistencia 85 500 82 600
a la fatiga del acero. Una teoría indica que el pulido 91 900 82 400
aumenta el límite medio de resistencia a la fatiga (para 89 400 81 700
la flexión inversa). Desde un punto de vista práctico, el 84 000 79 500
pulido no debería tener efecto alguno sobre la desviación 89 900 79 400
estándar del límite de resistencia a la fatiga, el cual se 78 700 69 800
sabe, a partir de la realización de diversos experimentos 87 500 79 900
de límite de resistencia a la fatiga, que es de 4 000 psi. Se 83 100 83 400
realiza un experimento sobre acero al carbono al 0,4 % Calcule un intervalo de confianza del 95 % para la di-
usando especímenes sin pulido y especímenes con pulido ferencia entre las medias de la población para los dos
suave. Los datos son los siguientes: métodos. Suponga que las poblaciones se distribuyen de
forma aproximadamente normal.
 7. Pruebas de hipótesis

7.1 Conceptos generales

Definición 7.1.1 Una hipótesis estadística es una aseveración respecto a una o más poblaciones.

Definición 7.1.2 La hipótesis nula denotada por H0 , es la pretensión de que inicialmente se supone cierta (la
pretensión de “creencia previa”). La hipótesis alternativa denotada por H1 , es la aseveración contradictoria a
H0 . La hipótesis nula será rechazada en favor de la hipótesis alternativa sólo si la evidencia muestral sugiere que
H0 es falsa. Si la muestra no contradice fuertemente a H0 , se continuará creyendo en la verdad de la hipótesis
nula. Las dos posibles conclusiones derivadas de una análisis de prueba de hipótesis son entonces rechazar H0 o
no rechazar H0 .

Definición 7.1.3 Un procedimiento de prueba se especifica como sigue:

1. Un estadístico de prueba, una función de los datos muestrales en los cuales ha de basarse la decisión
(rechazar H0 o no rechazar H0 ).
2. Una región crítica, el conjunto de todos los valores estadísticos de prueba por los cuales H0 será rechazada.
La hipótesis nula será rechazada entonces si y sólo si el valor estadístico de prueba observando o calculado queda
en la región de rechazo.

Definición 7.1.4 Un error de tipo I consiste en rechazar la hipótesis nula cuando es verdadera. Un error de
tipo II implica no rechazar H0 cuando H0 es falsa. Donde

α =P(Error de tipo I),

β =P(Error de tipo II).

Proposición 7.1.1 Supóngase que un experimento y un tamaño de muestra están fijos y que se selecciona un
estadístico de prueba. Entonces si se reduce el tamaño de la región crítica para obtener un valor más pequeño de α
se obtiene un valor más grande de β con cualquier valor de parámetro particular compatible con H1 .
 50 Capítulo 7. Pruebas de hipótesis

7.2 Pruebas sobre la media

Estadístico Región
H0 H1
de prueba crítica
µ = µ0 µ < µ0 z < −zα
x̄−µ
√0
(σ conocido) z= σ/ n µ > µ0 z > zα
µ 6= µ0 |z| > zα/2
µ = µ0 µ < µ0 t < −tn−1,α
x̄−µ
√0
(σ desconocido) z= s/ n µ > µ0 t > tn−1,α
µ 6= µ0 |t| > tn−1,α/2
µ1 − µ2 = δ0 x̄1 −x̄2 )−δ0
(r µ1 − µ2 < δ0 z < −zα
z=
(σ1 y σ2 conocidas) σ12 σ22 µ1 − µ2 > δ0 z > zα
n1 + n2
µ1 − µ2 6= δ0 |z| > zα/2
µ1 − µ2 = δ0 −x̄2 )−δ0
(x̄1q
µ1 − µ2 < δ0 t < −tn1 +n2 −2,α
(σ1 y σ2 desconocidas) t= 1 1 µ1 − µ2 > δ0 t > tn1 +n2 −2,α
sp n1 + n2
µ1 − µ2 6= δ0 |t| > tn1 +n2 −2,α/2
µ1 − µ2 = δ0 1 −x̄2 )−δ0
(x̄r µ1 − µ2 < δ0 t < −tν,α
t=
(σ1 6= σ2 desconocidas) s2
1 s2
2
µ1 − µ2 > δ0 t > tν,α
n1 + n2
µ1 − µ2 6= δ0 |t| > tν,α/2
µD = d0 µD < d0 t < −tn−1,α
¯ 0
d−d
(observaciones t= √
sd / n
µD > d0 t > tn−1,α
pareadas) µD 6= d0 |t| > tn−1,α/2

7.3 Ejercicios

1. El Edison Electric Institute publica cifras del número
de kilowatt-hora que gastan anualmente varios aparatos
electrodomésticos. Se afirma que una aspiradora gasta
un promedio de 46 kilowatt-hora al año. Si una muestra
aleatoria de 12 hogares, que se incluye en un estudio pla-
neado, indica que las aspiradoras gastan un promedio de
42 kilowatt-hora al año con una desviación estándar de
11,9 kilowatt-hora, ¿esto sugiere que las aspiradoras gas-
tan, en promedio, menos de 46 kilowatt-hora al año a un
nivel de significancia de 0,05? Suponga que la población
de kilowatt-hora es normal.
2. Una empresa de material eléctrico fabrica lámparas eléc-
tricas que tiene una duración que se distribuye de forma
aproximadamente normal con una media de 800 horas
y una desviación estándar de 40 horas. Pruebe la hipó-
tesis de que µ = 800 horas contra la alternativa de que
µ 6= 800 horas, si una muestra aleatoria de 30 lámpa-
ras eléctricas tiene una duración promedio de 788 horas.
Utilice un nivel de significancia de 0,05.
3. La estatura promedio de mujeres en el grupo de primer
año de cierta universidad ha sido, históricamente, de
162,5 centímetros, con una desviación estándar de 6,9
centímetros. ¿Existe alguna razón para creer que ha ha-
bido un cambio en la estatura promedio, si una muestra
aleatoria de 50 mujeres del grupo actual de primer año
tiene una estatura promedio de 165,2 centímetros? Su-
ponga que la desviación estándar permanece constante.
Utilice un nivel de significancia de 0,05.
4. Se afirma que los automóviles recorren en promedio más
de 20 000 kilómetros por año. Para probar tal afirmación
se pide a una muestra de 100 propietarios de automóviles
seleccionada de manera aleatoria que lleven un registro
de los kilómetros que recorren. ¿Estaría usted de acuerdo
con esta afirmación, si la muestra aleatoria indicara un
promedio de 23 500 kilómetros y una desviación estándar
de 3 900 kilómetros? Utilice un nivel de significancia de
0,05.
5. De acuerdo con Chemical Engineering, una propiedad
importante de la fibra es su absorbencia de agua. Se en-
contró que el porcentaje promedio de absorción de 25
pedazos de fibra de algodón seleccionados al azar es
20, con una desviación estándar de 1,5. Una muestra
aleatoria de 25 pedazos de acetato reveló un porcentaje
promedio de 12 con una desviación estándar de 1,25.
¿Existe evidencia sólida de que el porcentaje promedio
de absorción de la población es significativamente mayor
para la fibra de algodón que para el acetato? Suponga
que el porcentaje de absorbencia se distribuye de forma
casi normal y que las varianzas de la población en el
porcentaje de absorbencia para las dos fibras son iguales.
Utilice un nivel de significancia de 0,05.
6. Una muestra aleatoria de tamaño n1 = 25, tomada de una
población normal con una desviación estándar σ1 = 5,2,
tiene una media x̄1 = 81. Una segunda muestra aleatoria
de tamaño n2 = 36, que se toma de una población normal
diferente con una desviación estándar σ2 = 3,4, tiene una
7.3 Ejercicios 51

media x̄2 = 76. Pruebe la hipótesis de que µ1 = µ2 contra las poblaciones se distribuyen de forma aproximadamen-
la alternativa µ1 6= µ2 . Utilice un nivel de significancia te normal con varianzas iguales.
de 0,01. 11. Cinco muestras de una sustancia ferrosa se usaron pa-
7. Un fabricante afirma que la resistencia promedio a la ra determinar si existe una diferencia entre un análisis
tensión del hilo A excede a la resistencia a la tensión químico de laboratorio y un análisis de fluorescencia de
promedio del hilo B en al menos 12 kilogramos. Para rayos X del contenido de hierro. Cada muestra se dividió
probar esta afirmación se pusieron a prueba 50 pedazos en dos submuestras y se aplicaron los dos tipos de aná-
de cada tipo en condiciones similares. El hilo tipo A tuvo lisis. A continuación se presentan los datos codificados
una resistencia promedio a la tensión de 86,7 kilogramos que muestran los análisis de contenido de hierro:
con una desviación estándar de 6,28 kilogramos; mien-
Muestra
tras que el hilo tipo B tuvo una resistencia promedio a la
Análisis 1 2 3 4 5
tensión de 77,8 kilogramos con una desviación estándar
Rayos X 2,0 2,0 2,3 2,1 2,4
de 5,61 kilogramos. Pruebe la afirmación del fabricante
Químico 2,2 1,9 2,5 2,3 2,4
usando un nivel de significancia de 0,05.
8. Para indagar si un nuevo suero frena el desarrollo de la Suponga que las poblaciones son normales y pruebe,
leucemia se seleccionaron 9 ratones, todos en una eta- al nivel de significancia de 0,05, si los dos métodos de
pa avanzada de la enfermedad. Cinco ratones reciben análisis dan, en promedio, el mismo resultado.
el tratamiento y cuatro no. Los tiempos de superviven- 12. De acuerdo con informes publicados, el ejercicio en con-
cia, en años, a partir del momento en que comienza el diciones de fatiga altera los mecanismos que determinan
experimento son los siguientes: el desempeño. Se realizó un experimento con 15 estu-
diantes universitarios hombres, entrenados para realizar
Con tratamiento 2,1 5,3 1,4 4,6 0,9
movimiento horizontal continuo del brazo, de derecha a
Sin tratamiento 1,9 0,5 2,8 3,1
izquierda, desde un microinterruptor hasta una barrera,
A un nivel de significancia de 0,05, ¿se puede decir que golpeando sobre la barrera en coincidencia con la llegada
el suero es eficaz? Suponga que las dos poblaciones se de una manecilla del reloj a la posición de las 6 en punto.
distribuyen de forma normal con varianzas iguales. Se registró el valor absoluto de la diferencia entre el tiem-
9. Los ingenieros de una armadora de automóviles de gran po, en milisegundos, que toma golpear sobre la barrera
tamaño están tratando de decidir si comprarán neumá- y el tiempo para que la manecilla alcance la posición de
ticos de la marca A o de la marca B para sus modelos las 6 en punto (500 mseg). Cada participante ejecutó la
nuevos. Con el fin ayudarlos a tomar una decisión se tarea cinco veces en condiciones sin fatiga y con fatiga,
realiza un experimento en el que se usan 12 neumáticos y se registraron las siguientes sumas de las diferencias
de cada marca. Los neumáticos se utilizan hasta que se absolutas para las cinco ejecuciones:
desgastan. Los resultados son los siguientes:
Diferencias absolutas
Marca A: x̄1 = 37 900 kilómetros Sujeto Sin fatiga Con fatiga
s1 = 5 100 kilómetros 1 158 91
Marca B: x̄2 = 39 800 kilómetros 2 92 59
s2 = 5 900 kilómetros 3 65 215
4 98 226
Pruebe la hipótesis de que no hay diferencia en el des-
5 33 223
gaste promedio de las 2 marcas de neumáticos. Suponga
6 89 91
que las poblaciones se distribuyen de forma aproximada-
7 148 92
mente normal con varianzas iguales. Utilice un nivel de
8 58 177
significancia de 0,05.
9 142 134
10. Se llevó a cabo un estudio para saber si el aumento en
10 117 116
la concentración de sustrato tiene un efecto apreciable
11 74 153
sobre la velocidad de una reacción química. Con una con-
12 66 219
centración de sustrato de 1,5 moles por litro, la reacción
13 109 143
se realizó 15 veces, con una velocidad promedio de 7,5
14 57 164
micromoles por 30 minutos y una desviación estándar
15 85 100
de 1,5. Con una concentración de sustrato 2,0 moles por
litro, se realizaron 12 reacciones que produjeron una ve- Un aumento en la diferencia media absoluta de tiempo
locidad promedio de 8,8 micromoles por 30 minutos y cuando la tarea se ejecuta en condiciones de fatiga apo-
una desviación estándar muestral de 1,2. ¿Hay alguna yaría la afirmación de que el ejercicio, en condiciones de
razón para creer que este incremento en la concentración fatiga, altera el mecanismo que determina el desempeño.
de sustrato ocasiona un aumento en la velocidad media Suponga que las poblaciones se distribuyen normalmente
de la reacción de más 0,5 micromoles por 30 minutos? y pruebe tal afirmación. Utilice un nivel de significancia
Utilice un nivel de significancia de 0,01 y suponga que de 0,05.