UNIVERSIDAD MAYOR DE SAN ANDRES

FACULTAD DE INGENIERÍA
INGENIERÍA INDUSTRIAL

CAPITULO 2
DISTRIBUCIONES MUESTRALES
Ing. Roberto E. Soza Diaz
2.1 Definiciones

Ing. Roberto Soza D.

2.1 Definiciones

Ing. Roberto Soza D.

 2.2 Teorema del Limite Central
Sea Xi, una variable aleatoria (independiente y
distribuidas idénticamente), con media  y varianza
σ2.
Si: n

X i
X 1  X 2  X 3 ... X n
n

X i 1
 Y   X i  X 1  X 2  X 3 ... X n
n n i 1

Entonces:
Lim X  X  Lim X   Z Lim Y  Y  Lim Y n  Z
n   n   n   n   n 
Y
X
n
a medida que n → ∞, la distribución es normal n(0, 1).
Ing. Roberto Soza D.
 2.2 Teorema del Limite Central
Normal Uniforme Sesgada

Distribución
de la
población de
partida

Distribución
de las medias
muestrales
para n = 5

Distribución
de las medias
muestrales
para n = 10

Distribución
de las medias
muestrales
para n = 30
 2.2 Teorema del Limite Central
Histogram of C4
Histogram of C34
Normal
50 90
Mean 4,496
80 StDev 0,2035
40 N 1000
70

60
Frequency

30

Frequency
50

40
20
30

10 20

10

0 0
4,00 4,16 4,32 4,48 4,64 4,80 4,96 4,16 4,32 4,48 4,64 4,80 4,96
C4 C34
Histogram of C31
Dist. Uniforme (4; 5) Dist. de la media (n=2)
Histogram of C33
Normal Normal
90 90
Mean 4,500 Mean 4,501
80 StDev 0,1317 80 StDev 0,05499
70 N 1000 N 1000
70
60 60
Frequency

Frequency

50 50
40 40
30 30
20 20
10 10
0 0
4,125 4,250 4,375 4,500 4,625 4,750 4,875 4,30 4,35 4,40 4,45 4,50 4,55 4,60 4,65
C31

Dist. de la media (n=5) Dist. de la media (n=30)

C33
2.2 Teorema del Limite Central
Ejemplo 1. La demanda diaria de un producto
oscila entre 20 y 40 unidades. Determinar la
probabilidad de que en un periodo de 182 días,
dicha demanda rebase la cifra de 6.370 unidades
(supuesta independencia de la demanda de cada
día respecto de los restantes y que la demanda
diaria es de carácter uniforme).
2.3 Dist. de la Media Muestral

Ing. Roberto Soza D.

2.3 Dist. de la Media Muestral

Ing. Roberto Soza D.

2.3 Dist. de la Media Muestral

Ing. Roberto Soza D.

2.3 Dist. de la Media Muestral

Ing. Roberto Soza D.

2.3 Dist. de la Media Muestral

Ing. Roberto Soza D.

 2.3 Dist. de la Media Muestral
Para poblaciones con distribución normal:

Para determinar la Media (de la Media):

Ing. Roberto Soza D.

 2.3 Dist. de la Media Muestral
Para determinar la Varianza (de la Media):

Si el tamaño poblacional es finito (N), debe

emplearse el Factor de Corrección:
 N n
x
n N 1
Ing. Roberto Soza D.
 2.3 Dist. de la Media Muestral
Ejemplo 2. La vida media de una máquina para
elaborar pan es de 7 años, con una desviación
estándar de 1 año. Suponga que la vida de estas
máquinas sigue aproximadamente una distribución
normal y calcule
a) la probabilidad de que la vida media de una
muestra aleatoria de 9 de estas máquinas caiga
entre 6,4 y 7,2 años;
b) el valor de x a la derecha del cual caería 15% de
las medias calculadas de muestras aleatorias de
tamaño 9.

Ing. Roberto Soza D.

 2.3 Dist. de la Media Muestral
Ejemplo 3. Al someter a prueba 10 focos de
linternas, se obtienen las siguientes duraciones en
horas: 40, 15, 23, 17, 9, 35, 26, 12, 10, 37. Se
sabe, además, que los tiempos de duración de los
focos se distribuyen normalmente, con una
duración media de 25 h. Si se extrae una nueva
muestra de 15 linternas, cual la probabilidad de
que la duración media sea mayor a 30 horas? Varia
el resultado si se prueban 40 linternas?

Ing. Roberto Soza D.

 2.4 Distribución T-student
Se dice que una variable aleatoria t tiene una
distribución t de student con v grados de libertad si y
sólo si la función de densidad de t es:
 v 1
  
v 1
2   t  2
2
f (t )   1  
v v – <t< 
 v  
2 v>2

Valor Esperado:   E t   0

  V t  
2 v
Varianza: v2

Ing. Roberto Soza D.

 2.5 Dist. de la Proporción Muestral
Donde: p = Proporción de la Población (Real)
p̂ = Proporción de la Muestra (Estimada)
Si y solo si: n p > 5; n(1-p) > 5

Si el tamaño poblacional es finito (N), debe

emplearse el Factor de Corrección:

Ing. Roberto Soza D.

 2.5 Dist. de la Proporción Muestral
Ejemplo 4. Un fabricante de insecticidas recibe
cada semana lotes de 10.000 válvulas para los
tarros rociadores. Para aceptar o rechazar dichos
lotes, ha establecido el siguiente procedimiento de
muestreo: selecciona al azar 400 válvulas de cada
lote; si el 20% o mas resultan defectuosas, rechaza
el lote. En caso contrario, lo acepta. ¿Cuál es la
probabilidad de rechazar un lote que contenga el
15% de válvulas defectuosas?

Ing. Roberto Soza D.

 2.6 Distribución Gamma
Se dice que una variable aleatoria X tiene una
distribución gamma con parámetros  > 0 y  > 0 si y
sólo si la función de densidad de X es:
 1 x
x 
f  x 
1 
  e x0
     ;  > 0

Donde la Función Gamma es:


n   t n1e t dt n1 !
0

1  1  
1  
2

Ing. Roberto Soza D.

 2.6 Distribución Gamma
 1 x
x 
f  x 
Distribución sesgada: 1 
  e
    

x0

Ing. Roberto Soza D.

 2.6 Distribución Gamma
Propiedades:
Valor Esperado:
  EX     
Varianza:
 2  V X      2
Función Generatriz de Momentos
M x t   1    t 


Ing. Roberto Soza D.

 2.6 Distribución Gamma
Caso particular: cuando  = 1, la distribución
resultante es la Distribución Exponencial:
x
 x0
f x  e
1 
 >0

Valor Esperado:   EX   

Varianza:  2  V X    2
Función Generatriz de Momentos
M x t  
1
1  t
Ing. Roberto Soza D.
 2.7 Distribución Beta
Se dice que una variable aleatoria X tiene una
distribución beta con parámetros  > 0 y  > 0 si y
sólo si la función de densidad de X es:

     1 0x1
f x  x 1 x 
 1

  
;  > 0


Valor Esperado:   EX  
 
 
 2  V X  
Varianza:    2     1
Ing. Roberto Soza D.
2.7 Distribución Beta
     1 0x1
f x  x 1 x 
 1

   ;  > 0

Ing. Roberto Soza D.

 2.8 Distribución Ji-cuadrado
Es un caso especial de la distribución gamma, con  =
v/2 y  = 2, y tiene como función de densidad:
v
1
1  x
x

f  x 
2
  e 2
x0
 v  2  v>0
2 
2
Valor Esperado:
  EX   v

Varianza:
 2  V  X   2v

Ing. Roberto Soza D.

 2.9 Distribución de la Varianza
Muestral
Sea Xi, una variable aleatoria independiente y
distribuida normalmente, con varianza σ2, entonces:

Recordar que:

Ing. Roberto Soza D.

 2.9 Distribución de la Varianza
Muestral
Ejemplo 5. Una población normal tiene varianza 15. Si
de esta población se extraen muestras de tamaño 5,
¿qué porcentaje se puede esperar que tenga varianza
a) menor que 10?
b) mayor que 20?
c) entre 5 y 10?

Ing. Roberto Soza D.

 2.9 Distribución de la Varianza
Muestral
Ejemplo 6. Se halla que la duración de transistores
fabricados por una compañía tienen una media de 200
horas y desviación típica de 60 horas. Se seleccionan
10 transistores al azar, determinar la probabilidad que
la desviación típica muestral
a) no exceda a 50 horas.
b) se encuentre entre 50 y 70 horas.

Ing. Roberto Soza D.

DOS POBLACIONES

Ing. Roberto Soza D.

2.10 Dist. de la Diferencia de Medias
Muestrales
Para poblaciones con distribución normal:

Para determinar la Media (de la Diferencia de Medias):

Ing. Roberto Soza D.

2.10 Dist. de la Diferencia de Medias
Muestrales
Para determinar la varianza (de la Diferencia de Medias):

Ing. Roberto Soza D.

2.10 Dist. de la Diferencia de Medias
Muestrales
Factor de Corrección para tamaños poblacionales
finitos (N1, N2):

Caso General:
HETEROCEDASTICIDAD 12  22
Caso Particular:
HOMOCEDASTICIDAD 12 = 22 = 2

Ing. Roberto Soza D.

2.10 Dist. de la Diferencia de Medias
Muestrales
Ejemplo 7.
Super-Cable y Maxi-Cable, producen dos tipos de
cables que soportan cargas máximas de medias de
4000 lb y 4500 lb, con desviaciones típicas
respectivas de 300 lb y 200 lb. Se analizaron 100
cables de Super-Cable y 50 cables de Maxi-Cable,
¿cuál es la probabilidad de que la carga máxima
que soporta Maxi-Cable sea al menos 600 lb mayor
que la de Super-Cable?

Ing. Roberto Soza D.

2.10 Dist. de la Diferencia de Medias
Muestrales
Ejemplo 8. Una muestra aleatoria de 10 vigas de
acero de la fabrica A tienen un promedio de fuerza
de tensión de 54 000 Psi con una desviación
estándar de 2 100 Psi y una muestra aleatoria de 12
vigas de acero de la fabrica B tienen un promedio
de fuerza de tensión de 49 000 Psi con una
desviación estándar de 1 900 Psi. Las vigas de la
fabrica B cuestan menos que las de la fabrica A y
por lo tanto estaríamos inclinados a comprar las de
la fabrica B, a menos que la fuerza de tensión
promedio de las vigas de la fabrica A sean mayor
que las de B.
¿Cuál es la probabilidad de efectuar la compra de la
fabrica A? Ing. Roberto Soza D.
 2.11 Dist. de la Diferencia de
Proporciones Muestrales
Si y solo si: n1 p1 > 5; n1(1-p1) > 5
n2 p2 > 5; n2(1-p2) > 5

Si los tamaños de las poblaciones son finitos (N1,

N2), se debe considerar el Factor de Corrección.

Ing. Roberto Soza D.

 2.11 Dist. de la Diferencia de
Proporciones Muestrales
Ejemplo 9. El Gerente de Recursos Humanos de una
compañía, realiza dos muestras de tamaño de 120
empleados, cada una, con el fin de determinar el
porcentaje de ausentismo. En la primera fábrica,
durante la semana de observación no asistieron 12
personas, mientras que en la segunda fábrica no
fueron 16 trabajadores. ¿Cuál es la probabilidad de
que la ausencia observada sea mayor, si por
experiencia se sabe que es del 3%?

Ing. Roberto Soza D.

 2.12 Distribución F-Fischer
Sean U y V dos variables aleatorias independientes que
tienen distribuciones chi-cuadrado, con v1 y v2 grados
de libertad, respectivamente. Entonces, la variable
aleatoria: U
v1
F
V
v2
tiene una distribución F con v1 y v2 grados de libertad.
Su función de densidad está dada por:

 v1  v2  v1 2 v2 2
 v1 v2 v1
 2  x 2 1 x0
f x  
 v1   v2  v  v v1 2v2 v 1, v 2 > 0
  2 
 2   
1 2

Ing. Roberto Soza D.

 2.12 Distribución F-Fischer

  Ex 
v2
Valor Esperado: v2  2
2v 22 v1  v 2  2
  V x 
2

Varianza: v1 v 2  2 v 2  4
2

Propiedad importante:

Ing. Roberto Soza D.

2.13 Distribución de la Relación de
Varianzas
Sean X1i, X2i, variables aleatorias independientes y
distribuidas normalmente, con varianzas σ12, σ22,
respectivamente, entonces:

Propiedad importante:

Caso General: HETEROCEDASTICIDAD 12  22

Caso Particular: HOMOCEDASTICIDAD 12 = 22 = 2
Ing. Roberto Soza D.
2.13 Distribución de la Relación de
Varianzas
Ejemplo 10. La variación en el número de unidades
diarias de cierto producto, el cual manejan dos
operadores A y B, presenta desviaciones típicas de 8,2
y 5,8 unidades, respectivamente. Con base en
muestras de tamaño 16 y 21 días, respectivamente,
¿en qué proporción de casos se obtendrá una
desviación muestral del operador B, mayor que la del
operario A?

Ing. Roberto Soza D.

2.13 Distribución de la Relación de
Varianzas
Ejemplo 11. Una máquina convertidora de papel
puede producir cuadernos escolares de 48 y 98 hojas.
Se tiene que la producción de dicha máquina arroja
desviaciones estándar de 144 paquetes, para ambos
tipos de cuadernos. Si se toman muestras aleatorias de
6 días para cuadernos de 48 hojas y de 13 días para
cuadernos de 98 hojas, ¿cuál es la probabilidad de que
una varianza sea 1,5 veces mayor que la otra?

Ing. Roberto Soza D.

2.14 Distribución para el Coeficiente
de Correlación
Donde:  = Coef. de Correlación de la Población (Real)
r = Coef. de Correlación de la Muestra (Estimado)

Ing. Roberto Soza D.

2.15 Desigualdad de Chevyshev
Para poblaciones “no” normales:

Ing. Roberto Soza D.

Consultas? Comentarios?

GRACIAS!!!