Professional Documents
Culture Documents
Be
Licenciatura en Seguridad Pblica
3 Semestre
Programa de la asignatura:
Estadstica para la investigacin en seguridad
pblica
Clave:
LIC 01142315// TSU 02142315
ndice
Unidad 1. Modelos probabilsticos ....................................................................................................... 3
Presentacin de la unidad.................................................................................................................... 3
Propsitos ............................................................................................................................................ 3
Competencia especfica ....................................................................................................................... 4
1.1. Muestreo ....................................................................................................................................... 4
1.1.1. Estratificado .......................................................................................................................... 6
1.1.2. Por conglomerados ............................................................................................................... 7
. Tipos de muestreo ............................................................................................................................. 7
Actividad 1. Tipos de muestreo ............................................................................................................ 7
Actividad 2. Muestreo .......................................................................................................................... 7
1.2. Variables aleatorias....................................................................................................................... 8
1.2.1. Discretas.............................................................................................................................. 11
1.2.2. Continuas ............................................................................................................................ 11
1.2.3. Esperanza y varianza ............................................................................................................... 11
Actividad 3. Variables aleatorias ........................................................................................................ 15
1.3. Modelos probabilsticos ............................................................................................................... 16
1.3.1. Binomial ............................................................................................................................... 16
1.3.2. Poisson ............................................................................................................................... 19
1.3.3. Normal ................................................................................................................................ 21
1.3.4. Aproximacin de la distribucin normal a la binomial .......................................................... 25
1.4. Aplicacin de la distribucin normal ............................................................................................ 25
1.4.1. Solucin de ejercicios que involucran a la distribucin normal ............................................ 25
Actividad 4. Modelos probabilsticos .................................................................................................. 30
Actividad 5. Modelos probabilsticos .................................................................................................. 30
Actividad 6. Problemario .................................................................................................................... 30
Autoevaluacin .................................................................................................................................. 30
Evidencia de aprendizaje. Resolucin de ejercicios de modelos probabilsticos ................................ 31
Actividades de Autorreflexin ............................................................................................................. 31
Cierre de la unidad............................................................................................................................. 31
Fuentes de consulta........................................................................................................................... 32
Fuentes digitales ................................................................................................................................ 32
Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica
2
Estadstica para la investigacin en seguridad pblica
Unidad 1. Modelos probabilsticos
Presentacin de la unidad
Las aplicaciones de la estadstica solo estn limitadas por la veracidad de los datos que se estudian y
por la imaginacin de los usuarios de los mtodos estadsticos.
Propsitos
Competencia especfica
1.1. Muestreo
Existen dos tipos de anlisis estadsticos, que se corresponden con dos enfoques de la Estadstica:
Estadstica descriptiva. Se refiere a las tcnicas que son utilizadas para describir o
caracterizar los datos obtenidos (Pagano, 2011).
Para asegurar que las descripciones que se vern ms adelante son claras, se establecern las
siguientes definiciones:
Poblacin. Este trmino se emplea para representar clases enteras de objetos o eventos a
los que se les atribuirn generalizaciones.
Estimador. Es un valor numrico basado en los datos de una muestra aleatoria, que se utiliza
Tambin permite saber si las diferencias observadas entre dos muestras son debidas a situaciones
aleatorias o si realmente son significativas, lo que sirve para decidir sobre la validez de determinados
experimentos.
Las conclusiones de la teora del muestreo y de la inferencia estadstica solo pueden ser vlidas si las
muestras son representativas de la poblacin, por ejemplo, cuando se realiza muestreo al azar,
donde cada miembro de la poblacin tiene igual probabilidad de ser elegido.
El muestreo en el que cada miembro de la poblacin puede elegirse ms de una vez se llama
muestreo con remplazamiento. Cuando solo puede ser elegido una vez, se tiene un muestreo sin
remplazamiento.
Considrense todas las posibles muestras de tamao N que pueden tomarse de una poblacin, si con
cada una de las muestras se calcula un estadstico (estimador), por ejemplo la media o la desviacin
estndar, se obtiene una distribucin del estadstico denominada distribucin muestral, que ser
estudiada ms adelante.
1.1.1. Estratificado
Cuando es necesario dividir una poblacin en grupos, denominados estratos o clases, se deben tener
en cuenta algunas recomendaciones:
Es importante resaltar que para cada uno de los estratos son aplicables los procedimientos expuestos
para un muestreo aleatorio simple. Por lo anterior, si de cada estrato se extrae una muestra, la
muestra final de la poblacin estar compuesta por el conjunto de estas y se tendr un tamao de
muestra ms pequeo que si se realizara una muestra del total de la poblacin, y aun si fuera del
mismo tamao, en ambos casos se tendr una precisin mayor. A esta forma de elegir una muestra
se le conoce como muestreo aleatorio estratificado.
Asignacin ptima. Se llama as a una combinacin de los dos tipos previos de asignacin:
las diferencias entre las fracciones se asignan como proporcionales a las diferencias entre las
desviaciones estndar.
Cuando la poblacin se puede dividir en grupos con toda la variabilidad de la poblacin, es decir, lo
suficientemente heterogneos para considerar que cada uno de ellos representa a la poblacin,
entonces se dice que se tienen conglomerados.
Ahora bien, para una poblacin dividida en conglomerados, cuando se requiere un muestreo, se
pueden elegir algunos de los estratos para la realizacin del estudio, ya que cada uno de los grupos
puede ser considerado equivalente al otro porque son igual de diferentes entre ellos (heterogneos),
pero adems se puede pensar en cada uno de ellos como una pequea copia de la poblacin que se
estudia, y por ello todos los elementos del conglomerado se pueden incluir en la muestra.
Cuando se hablaba de muestreo estratificado, la unidad muestral eran los elementos de la poblacin
y cada estrato estaba formado por elementos muy parecidos entre s, mientras que en un muestreo
por conglomerado, los elementos que conforman el grupo deben ser muy diferentes entre s para
poder representar a la poblacin. Adems, los estratos deben ser lo ms diferentes de uno a otro y
los conglomerados deben ser parecidos entre ellos.
. Tipos de muestreo
Actividad 1. Tipos de muestreo
Actividad 2. Muestreo
Una variable aleatoria X es un nmero cuyo valor se determina mediante un proceso al azar. El
adjetivo aleatorio se usa para indicar que el valor de la variable depende del resultado de un
experimento, que a su vez depende del azar.
(b) Sea X la variable aleatoria que describe el nmero de guilas en cada lanzamiento.
Escribir el valor de la variable aleatoria.
Los valores que toma la variable aleatoria X , son 3, 2,2,2,1,1,1,0; por tanto,
podemos escribir: X 3, 2, 1, 0. Como los valores que puede tomar la variable se
pueden contar, se dice que es una variable aleatoria discreta.
(b) Sea X la variable aleatoria que describe la suma de los puntos obtenidos en cada
lanzamiento. Escribir el valor de la variable aleatoria.
Por tanto X 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 que como puede apreciarse, es una variable
aleatoria discreta.
Ejemplo (3). Experimento: consideremos que de un estante se eligen 100 paquetes de azcar cuya
etiqueta dice 1 kg. Designemos como la variable aleatoria X el peso que se mide de cada paquete.
Describir el espacio muestral para el experimento.
En este caso, los valores que podemos esperar para el peso de los paquetes ya no se
puede listar, por tal motivo tenemos que X es una variable continua. Es decir, el espacio
muestral est conformado por todos los valores contenidos dentro de un rango de valores.
Podemos decir, por ejemplo, que el espacio muestral es el intervalo 0.900,1.100
kilogramos.
Cuando se asignan probabilidades de ocurrencia, a todos los posibles valores numricos de una
variable aleatoria X , mediante una tabulacin o una funcin, se obtiene como resultado una
distribucin de probabilidad.
Ejemplo (4). Construir la distribucin de probabilidad para el caso presentado en el ejemplo (1).
Ejemplo (5). Construir la distribucin de probabilidad para el caso presentado en el ejemplo (2).
X 2 3 4 5 6 7 8 9 10 11 12
PX 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
Ejemplo (6). Un jugador profesional de tenis participa en una gira de cinco partidos y se sabe que la
probabilidad de que gane un partido es de 0.6
Sea X la variable aleatoria que representa el nmero de partidos ganados por el
jugador antes de su primera derrota. Encontrar la distribucin de probabilidad.
Debe notarse que los resultados de los partidos son eventos independientes. En este
caso, la probabilidad de ocurrencia de cada uno de ellos puede calcularse mediante un
diagrama de rbol, con lo que se obtiene:
X 0 1 2 3 4 5
X PX X PX X PX
2 0.25 2 0.20 2 0.3
4 0.30 4 0.30 4 0.4
6 0.15 6 0.25 6 - 0.1
8 0.25 8 0.25 8 0.4
1.2.1.Discretas
Se dice que las variables aleatorias son discretas cuando se puede hacer una lista con todos los
valores numricos posibles de la variable aleatoria y de las probabilidades correspondientes en una
tabulacin. Como en el caso de los ejemplos (1) y (2).
Por lo anterior, podemos decir que una variable aleatoria es el resultado de un conteo, de manera que
cada uno de los valores est claramente separado entre s. En el ejemplo (1) no puede haber 1.5
guilas, mientras que no se pueden obtener 4.5 puntos en el ejemplo (2).
1.2.2.Continuas
Frecuentemente no es posible hacer una lista con todos los valores de la variable aleatoria y sus
correspondientes probabilidades, porque son demasiados. Podemos decir, con ciertas limitaciones,
que una variable aleatoria continua tiene un nmero infinito de valores posibles.
En muchos de estos casos, las probabilidades para un rango de valores se determinan a travs de
una funcin, cuya grfica se denominada curva de probabilidad. El ejemplo (3) es un caso de variable
continua, pero no se incluy la funcin que la describe.
En el curso previo de Estadstica se estudiaron las medidas de tendencia central y dispersin para
una distribucin de frecuencias; entonces se vio que la media proporciona informacin de la
tendencia central de los datos, mientras que la varianza describe la dispersin de los mismos. De
forma equivalente, una distribucin de probabilidad se resume a travs de la media y la varianza
.
2
Para presentar la definicin de esperanza consideremos el ejemplo (1). Supongamos que al lanzar
tres monedas simultneamente, se recibir un peso por cada guila que aparezca. Cunto se
espera ganar si se repite el lanzamiento de las tres monedas un gran nmero de veces?
En este caso, consideremos que la variable aleatoria X representa el nmero de guilas obtenidas
al lanzar las tres monedas; sin embargo, puede apreciarse que no todos los resultados son
igualmente probables, de manera que para determinar la esperanza es necesario incluir la
probabilidad de que el evento ocurra.
E X 0 1 2 3
1 3 3 1
8 8 8 8
3 6 3
0
8 8 8
12
8
1.5
El valor encontrado representa lo que se espera ganar si se lanzan las tres monedas
simultneamente, muchas veces. Es importante hacer notar que no tiene sentido hacer una pregunta
como cunto se espera ganar si se lanzan las tres monedas una vez?, lo anterior puede
malinterpretarse, ya que hace pensar que se pregunta sobre el hecho de hacer un lanzamiento. Debe
tenerse en cuenta esta precisin porque frecuentemente as es como se pregunta en los libros de
texto.
La esperanza tambin es conocida como media y como promedio ponderado; la frmula para
calcularla es:
EX xi Pxi
xi
Esta expresin quiere decir que se debe multiplicar cada valor de la variable aleatoria por su
probabilidad de ocurrencia y luego hacer la suma de todos los valores obtenidos. Supongamos que
en el juego anterior, en lugar de ganar X pesos por cada guila, se ganan X 2 . Entonces, si el juego
se llevara a cabo muchas veces, se espera ganar:
18 1 83 2 83 3 18
E X 2 02 2 2 2
3 12 9
0
8 8 8
24
8
3
Como ya se mencion, la media proporciona informacin acerca de la tendencia central de los datos;
ahora veremos de qu forma la varianza describe la dispersin. La frmula para determinar la
varianza es:
2 xi 2 Pxi
xi
Existe una relacin entre la esperanza y la varianza, ya que calcular E xi , equivale a
2
encontrar 2 . Ahora bien, es la desviacin estndar (la raz cuadrada de la varianza) la que nos
ofrece informacin sobre la variabilidad de la distribucin, pues entre ms grande sea el valor , los
datos estn menos agrupados o ms dispersos respecto a la media.
Otra manera de interpretar a la esperanza es como el valor medio de infinitas observaciones o como
el punto de equilibrio de la distribucin de probabilidad. Por todo lo anterior, se puede concluir que la
varianza puede representarse de tres formas:
2 xi 2 Pxi
xi
xi 2 Pxi 2
xi
E x2 E x2
x
fi
x xi Pxi
n i xi
f x x 2 xi 2 Pxi
2
i i
2 xi xi
n
fi
xi x2
xi n
xi 2 8 10
Pxi 0.5 0.3 0.2
Recurdese que x Px y
i i
2 xi 2 Pxi , as que para determinar
xi xi
12 3 24 3
1
8 2 32 4
2 34
Ejemplo (9). Determinar y 2 para el ejemplo (5) y dar una interpretacin al valor encontrado
para .
X 0 1 2 3 4 5
Que 1.39 , significa que cada vez que participa en un torneo de cinco partidos, el
jugador tiene la esperanza de ganar 1.39 juegos antes de perder el primero.
Otra manera de interpretar lo anterior es: si el tenista pudiera jugar 500 partidos, tiene la
esperanza de ganar 139 juegos antes de perder el primero.
Es importante hacer notar que existen modelos probabilsticos tanto para variables discretas como
para variables continuas. En el presente curso se estudiarn dos de las distribuciones discretas:
binomial y Poisson; pero existen ms, tales como la distribucin geomtrica e hipergeomtrica,
mientras que de las distribuciones continuas, en la primera unidad nicamente veremos la distribucin
normal.
A continuacin se detallarn las caractersticas que se deben considerar para aplicar cada uno de los
modelos probabilsticos.
1.3.1.Binomial
Px nCx pxqn x
Px n, p
n!
p x q n x
x ! n x!
Para esta distribucin, se tiene que:
la media: np
la varianza: 2 npq
la distribucin estndar: npq
Ejemplo (10). Cada da hay cinco salidas de autobuses de la ciudad A a la ciudad B , y se sabe
que la probabilidad de que uno de los autobuses llegue tarde a su destino es 0.20 Sea
X el nmero de autobuses que llegan tarde.
(a) Explicar por qu es una distribucin binomial.
(b) Determinar la probabilidad de que exactamente 0, 1, 2, 3, 4, 5 de los viajes lleguen
con retraso.
(c) Determinar la probabilidad de que al menos dos de los autobuses lleguen con
retraso.
(d) Determinar la probabilidad de que a lo ms dos de los autobuses lleguen con
retraso.
Para las siguientes probabilidades, se indican los clculos que deben realizarse y
se dejan como ejercicio de prctica:
probabilidad
(c) La frase que al menos dos de los autobuses lleguen con retraso significa que
pueden ser dos, tres, cuatro o cinco, es decir:
Px 2 P2 P3 P4 P5
0.2048 0.0512 0.0064 0.0003
0.2627
(d) La frase de que a lo ms dos de los autobuses lleguen con retraso significa que
podran ser cero, uno o dos, es decir:
Px 2 P0 P1 P2
0.3277 0.4096 0.2048
0.9421
Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica
18
Estadstica para la investigacin en seguridad pblica
Unidad 1. Modelos probabilsticos
Como pudo notarse, los clculos para determinar la probabilidad de una distribucin binomial pueden
ser largos y engorrosos, por tal motivo se usan tablas con los valores ya establecidos. Estas tablas se
pueden conseguir fcilmente en cualquier libro de estadstica o en internet y permiten obtener las
probabilidades sin tener que realizar todos los clculos. Lo mismo ocurre para las otras distribuciones
de probabilidad.
1.3.2. Poisson
Esta distribucin se utiliza para calcular la probabilidad de que ocurra un nmero designado de
eventos cuando:
Tericamente, las posibilidades en este tipo de distribucin son infinitas; es decir que el nmero de
eventos va de cero a infinito de manera discreta. Para determinar la probabilidad de que ocurra un
cierto nmero de xitos en un proceso de Poisson, solo es necesario conocer el nmero promedio, a
largo plazo, de eventos para el tiempo o espacio de inters, dicho valor promedio se designa como
o . Uno de los cuidados que debe tenerse al usar la frmula para la distribucin de Poisson es que
el valor de debe aplicarse al periodo de tiempo pertinente.
Ejemplo (11). En cada rollo de lmina de 500 metros de longitud hay dos defectos en promedio.
(a) Explicar por qu es un evento tipo Poisson.
Los defectos se presentan en un continuo de espacio, en este caso, la longitud
de la lmina.
Que haya un defecto no impide que se presente otro, as que los eventos son
independientes.
2
100
500
0.4
Con esta informacin se tiene que:
Px 0 | 0.4
0.40
0!e0.4
e 0.4
0.6703
Por supuesto se obtiene el mismo valor si se consultan las tablas.
Ejemplo (12). A cierto puerto, un barco llega cada dos das, en promedio.
(a). Explicar por qu es un evento tipo Poisson.
Los defectos se presentan en un continuo de tiempo, en este caso, el tiempo.
Que un barco llegue al puerto no depende del arribo de otro, as que los
eventos son independientes.
(b) Cul es la probabilidad de que lleguen dos o ms barcos en un da seleccionado al
azar?
Si el promedio de llegadas es 1 cada 2 das, entonces representa el
promedio de llegadas en cada da.
1 0.5
1
2
Con esta informacin se tiene que:
Px 2 | 0.5 P2 P3 P4
0.52 0.53 0.54 0.55
2!e0.5 3!e0.5 4!e0.5 5!e0.5
0.56 0.57 0.58
6!e0.5 7!e0.5 8!e0.5
0.075816 0.012636 0.001579 0.000158
0.000013 0.000001 0.000000
0.090204
1
0.50 0.51
0! e 0.5 1! e 0.5
1 0.6065 0.3032
0.0903
1.3.3. Normal
Esta distribucin de probabilidades es continua y simtrica, es decir, con los valores observados
distribuidos de manera uniforme y adems, no es plana ni puntiaguda (mesokurtica). La distribucin
normal es importante por tres razones:
En el caso de una variable aleatoria con distribucin de probabilidad continua, solo es posible
determinar el valor de probabilidad de que la variable aleatoria tome valores en un intervalo; puesto
que hay un nmero infinito de valores en cualquier intervalo, la probabilidad de que tome un valor en
particular es cero.
Para una variable con distribucin normal, se tiene que la altura de la funcin de densidad (o curva de
probabilidad) es:
X 2
1
f ( x) e 2 2
2 2
La funcin exponencial eu tambin se expresa como expx , de manera que f (x) puede ser escrita
como:
1 X 2
f ( x) exp
2 2 2 2
Ciencias Sociales y Administrativas Licenciatura en Seguridad Pblica
21
Estadstica para la investigacin en seguridad pblica
Unidad 1. Modelos probabilsticos
Pa x b f x dx
b
Para determinar la probabilidad de
ocurrencia en el intervalo a x b se debe
a
Para evitar esos clculos, todas las distribuciones normales se transforman a otra equivalente,
denominada distribucin normal estndar, cuyas principales caractersticas son que 0 y 1.
Si la forma lmite de un histograma para una distribucin de frecuencias tiene la forma de una
campana, entonces puede usarse una curva normal para la determinacin de las probabilidades.
Recurdese que para una variable continua no es posible conocer la probabilidad de un evento, as
que es necesario realizar distribuciones de frecuencias.
Se sabe que tiene la siguiente interpretacin geomtrica con respecto a la curva normal.
El rea bajo la curva normal entre y es aproximadamente el 68% del rea
total.
El rea bajo la curva normal entre 2 y 2 es aproximadamente el 95% del rea
total.
El rea bajo la curva normal entre 3 y 3 es aproximadamente el 99.7% del rea
total.
El eje de la figura previa ha sido marcado en unidades de , empezando con la media . Es claro
en este bosquejo que casi no hay rea bajo la curva ms all de 3 unidades desde ; sin
embargo, esta se extiende desde hasta .
El rango de los datos no tiene lmites, pero solo un pequeo porcentaje de ellos, menos del
3%, se encuentra a ms de tres desviaciones estndar de la media.
Antes de calcular probabilidades con la distribucin normal, haremos algunos ejercicios para
determinar el rea bajo la curva normal estndar. Para esto, es necesario disponer de una tabla de
reas bajo la curva normal, a cuatro dgitos y de z 0 a z 3 .
Ejemplo (13). Para una curva normal, encuntrese el rea situada a la izquierda de z 1.5 y de
diferentes interpretaciones al valor encontrado.
Para encontrar el rea a la izquierda de z 1.5 debemos recordar que el rea total
bajo la curva es uno y que la mitad de dicha rea est a la izquierda de z 0 .
Ejemplo (14). Para una curva normal, encuntrese el rea situada a la izquierda de z 1.72 y de
diferentes interpretaciones al valor encontrado.
Para encontrar el rea a la izquierda de z 1.72 , debemos recordar que el rea total
bajo la curva es uno y que la mitad de dicha rea est a la izquierda de z 0 .
Ejemplo (15). Para una curva normal, encuntrese el rea entre z 1.5 y z 1.72 .
Como habamos mencionado, una distribucin de probabilidad con distribucin normal puede
convertirse en una distribucin normal estndar. Para esto, cualquier valor x de una poblacin con
distribucin normal puede convertirse a su valor normal estndar z , mediante la transformacin:
x
z
Donde la nueva distribucin tendr media cero y varianza uno. Esta transformacin es equivalente a
mover el origen del sistema de coordenadas al valor de la media y un cambio en la escala.
Ejemplo (16). Para una variable aleatoria con distribucin normal, se desean conocer los valores z
que corresponden a x1 220 y x2 280 , si se sabe que 230 y 20
x
Sustituyendo en la frmula z obtenemos:
220 230 280 230
z1 z2
20 20
0.50 2.50
Ejemplo (17). Una poblacin normal tiene una media 55 y una desviacin estndar de 5 .
(a) Se desea conocer la probabilidad de un valor entre 49 y 60.
(b) Se desea conocer la probabilidad de un valor mayor de 60.
Solucin: como se trata de una distribucin normal, primero se deben calcular los puntajes z
correspondientes y despus buscar las reas bajo la curva, entre z 0 y cada uno de
Por tanto:
P x 60 0.1587
Ejemplo (18). Se sabe que la probabilidad de que un tirador acierte un disparo es de 0.30 y realiza
12 disparos. Cul es la probabilidad de que acierte por lo menos en seis de ellos?
De donde:
np 12 0.3 3.6
nq 12 0.7 8.4
Como 3.6 no es mayor que cinco, y 8.4 s lo es, la aproximacin a la distribucin normal
podra no ser muy buena. Realizaremos la aproximacin con:
np 3.6
n p q 2.52 1.6
Ahora haremos el clculo usando la aproximacin a la normal. Ya que los anteriores son
nmeros enteros, P x 6 y el tamao del intervalo es uno, debe encontrarse utilizando un
lmite de 5.5, que es el que separa los resultados 5 y 6.
5.5 3.6
z5.5
1.6
1.1875
Por tanto, la probabilidad de acertar por lo menos seis de los doce disparos usando la
aproximacin a la normal es:
P x 6 0.117
Como puede apreciarse, aunque no pareca una buena decisin usar la aproximacin a la
normal, hemos obtenido la misma probabilidad.
Ejemplo (19). Una persona se dirige hacia su trabajo en automvil todos los das durante la hora de
mayor trnsito (por la maana). Debe atravesar un cruce de ferrocarril que siempre
tiene una gran afluencia de vehculos. Observa que el 30% de las veces no es posible
cruzar la va en forma inmediata. A causa del trnsito, el tiempo que requiere
atravesar el cruce es aleatorio.
(b) P x 11
(c) la probabilidad de que x tenga, por lo menos, un valor igual a 15; es decir,
P x 15
(d) P14 x 18
(e) P x 16
(f) Cierto nmero de xitos es tan alto, y por lo tanto tan poco comn, que solo existe
una probabilidad de alrededor de 0.05 de que ocurra. Cul es el nmero de
estos xitos?, es decir, encuntrese b , tal que P x b sea aproximadamente
igual a 0.05.
Como 13.3 y 5.7 son mayores que cinco, puede utilizarse la distribucin normal como
una aproximacin de la binomial, con:
np 13.3
n p q 3.99 2.00
(c) Para encontrar P x 15 se utilizar el lmite 14.5, que es el que separa a los
resultados favorables de los no favorables.
14.5 13.3
z14.5
2
0.60
El rea entre z 0 y z 0.60 es 0.2257 , de manera que:
P x 15 0.5 0.2257 0.2743
El rea entre 13.5 y 18.5 se obtiene al restar los valores de las reas, de manera
que P13.5 x 18.5 0.4555
De esta forma, los valores x 17, 18, 19 ocurrirn solo el 5% de las veces.
Para afianzar los contenidos del presente tema tambin ser necesario que
realices la actividad 5. Por lo tanto:
Actividad 6. Problemario
Autoevaluacin
Actividades de Autorreflexin
Cierre de la unidad
En la primera parte de la unidad analizaste los diferentes tipos de muestreo que existen as como las
caractersticas de cada uno ellos; as mismo, identificaste las ventajas de usar uno u otro segn el
caso de estudio.
En la segunda parte revisaste el significado de variable aleatoria y los diferentes tipos de variables;
analizaste el significado de los conceptos y con ellos se construyeron diferentes distribuciones de
probabilidad; repasaste el significado de esperanza matemtica y la manera en que esta y la varianza
permiten describir las distribuciones de probabilidad, de las que se caracterizaron y usaron tres: la
binomial, la de Poisson y la normal, viendo de qu manera esta ltima permite aproximar a la primera.
Por todo lo anterior, se dispone de las herramientas necesarias que nos permitirn analizar la
informacin de una muestra, para identificar las dinmicas de la poblacin de estudio, mediante la
resolucin de problemas con tcnicas de estadstica inferencial.
Fuentes de consulta
Douglas, L. William, M. Samuel, W. (2008). Estadstica aplicada a los negocios (13 edicin).
Mxico: Mc. Graw Hill.
Hoel, Paul G. (1991). Estadstica Elemental (4 edicin). Mxico: CECSA.
Kazmier, L. Daz Mata, A. (2006). Estadstica aplicada a administracin y a la economa (4
edicin). Espaa: McGraw Hill.
Naiman, A., Rosenfeld, R., Zirkel, G. (1987). Introduccin a la Estadstica (3 edicin). Mxico:
McGraw Hill.
Nieves Hurtado, A., Domnguez Snchez, F. C. (2010). Probabilidad y Estadstica para
ingeniera. Mxico: Mc. Graw Hill.
Pagano, R. R. (2011). Estadstica para las ciencias del comportamiento (9 edicin). Mxico:
Cengage Learning.
Ross, Sh. M. (2008). Introduccin a la estadstica. Espaa: Editorial Revert.
Fuentes digitales