CONTENIDO

1.-Introducción a la Teoría de la Probabilidad.

Axiomas y Teoremas fundamentales de la teoría de
la probabilidad. Principales Distribuciones de
Probabilidad: La Distribución de Poisson y la
Distribución Normal.

2.-Introducción a la Teoría del muestreo.

Muestreo Aleatorio. Muestreo no Aleatorio.
Introducción a la Distribución del Muestreo. El
Error Muestral. Relación entre el tamaño de la
muestra y el Error Estándar. Muestreo de variables
Socioeconómicas.

FACILITADOR
Ingº César Colmenárez

CORREO ELECTRONICO

Cesarcol9@Gmail.com

1
0.- CONCEPTOS BÁSICOS DE ESTADISTICA
La estadística es una herramienta que se utiliza en el método
científico para hallar las regularidades del comportamiento
colectivo. Estas regularidades sirven para describir lo que ocurre
con los datos o para hacer estimaciones. Por tanto la Estadística
estudia sólo fenómenos de masa y le sirve a los investigadores en
cualquier campo de las ciencias: Física, Química, Biología,
Economía, Sociología, Ingeniería, etc.

La función principal de la Estadística es elaborar principios y

métodos que nos ayuden a tomar decisiones frente a la
incertidumbre. Las técnicas estadísticas se utilizan para lograr
generalmente uno de los siguientes tres objetivos:

- Descripción de un gran número de datos: Reduciéndolos a

un pequeño número de características que concentran la
parte más importante y significativa de la información
proporcionada por los datos

- Análisis de la población a través de muestras: La

preocupación entonces, del análisis estadístico, es inferir
propiedades para una población sobre la base de resultados
muestrales conocidos

- Estimación del comportamiento de los fenómenos en el

futuro: Naturalmente que la precisión en las estimaciones y
proyecciones depende del grado de conocimiento que se
tenga del comportamiento pasado y presente de las variables
de estudio.

Algunos términos que se utilizan dentro del campo estadístico

son los siguientes:

2
1.2.1.- Población: Es el conjunto o colección de personas o cosas
sobre los que se va a realizar un estudio estadístico.

1.2.2.- Elementos: Son cada una de las personas o cosas que

forman parte de la población.

1.2.3.- Caracteres: Son las propiedades o cualidades que tienen

cada uno de los elementos de la población. Es lo que se estudia
estadísticamente en cada uno de los elementos. Por ejemplo la
procedencia, la edad, peso, estatura y color del cabello de un
grupo de personas; el número de Kg. por hectárea obtenidos
durante la cosecha en cada una de las fincas productoras de
determinada región, etc.

1.2.3.1.- Variables: Los caracteres que pueden ser manifestados

mediante números como la edad, estatura, ingreso económico
mensual, suelen llamarse variables y vienen expresados mediante
valores.

1.2.3.2.- Atributos: Los caracteres cualitativos o que se

manifiestan mediante palabras como la procedencia, estado civil,
sexo, suelen llamarse atributos y vienen expresados mediante
modalidades.

A cada valor de una variable y a cada modalidad de un atributo se

les llama un dato. De igual forma las variables pueden ser
continuas, cuando admiten valores decimales (por ejemplo el peso
de una persona) y discretas, cuando no admiten valores decimales
(por ejemplo el número de hijos en una familia).

1.2.4.- Censo: Para efectuar el análisis estadístico de una

población puede ser necesario estudiar todos y cada uno de los
elementos que componen esa población. A esta recaudación
exhaustiva de datos de todos los elementos de la población se le
llama censo.

1.2.5.- Sub-población: Puede ocurrir que para efectuar el estudio

estadístico no sea necesario extraer datos de todos y cada uno de

3
los electos de la población. En ocasiones puede ser suficiente
extraer datos sólo de un conjunto de elementos de la población.
Cuando los elementos seleccionados poseen ciertas características
especiales que no se presentan en los restantes elementos de la
población se dice que tenemos una sub-población. Como ejemplo,
supóngase que para conocer el índice académico promedio de los
estudiantes de determinada sección, pueda ser suficiente con
conocer el índice académico de los estudiantes del sexo femenino.
Observe que cada uno de los elementos que se han seleccionado
para el estudio posee una característica que no se presenta en los
restantes elementos y que es pertenecer al sexo femenino.

1.2.6.- Muestra: Cuando se desea extraer datos sólo de una parte

de la población pero donde los elementos seleccionados no
posean ninguna característica que los diferencie de los elementos
no seleccionados, se dice que se está tomando una muestra.

1.2.7- Encuestas: Al procedimiento mediante el cual se recaudan

datos a través de una muestra o una sub-población se le llama
encuesta. La encuesta se diferencia del censo en que es menor el
número de elementos estudiados y son menores los caracteres
considerados. La encuesta, además, requiere de testimonios orales
o escritos de personas vivas.

1.2.8. Estadístico: Un estadístico es un indicador numérico que

se calcula con los datos suministrados por los elementos de
muestras. La media aritmética X y la desviación típica S son
estadísticos puesto que se calculan con información proveniente
de muestras.

1.2.9- Parámetro: Los parámetros, por el contrario, se calculan

con información proveniente de poblaciones o inferida a
poblaciones. La media aritmética µ y la desviación típica σ, son
parámetros ya que han sido calculados para lo que ocurre en una
población.

4
1.2.10.- Razonamiento deductivo: Va de lo general a lo
individual Generalmente se utiliza cuando se aplican leyes
matemáticas, físicas, etc.

1.2.11.-Razonamiento Inductivo: Es cuando se va de lo

particular a lo general. En estos casos generalmente se utilizan
muestras.

1.- INTRODUCCION A LA TEORIA DE LA

PROBABILIDAD

Las situaciones que implican incertidumbre varían desde

simples juegos de azar como la ruleta, los dados, los naipes y la
lotería, hasta otros experimentos y acontecimientos tan variados,
complejos e importantes dentro de las ciencias médicas, ciencias
sociales, la economía, la industria, los negocios, los seguros, etc.
Permanentemente interesa predecir o estimar lo que sucederá en
determinadas circunstancias. Un empresario puede decidir la
comercialización de un producto si conoce que la “probabilidad”
de éxito es alta. Un aficionado al fútbol podría llegar a apostar
contra su equipo favorito si sabe que la “probabilidad” de que éste
gane es pequeña. El agricultor no sembrará demasiadas hectáreas
si la “probabilidad” de que baje el precio de su producto es muy
elevada. Posiblemente ninguno de ellos sepa definir o medir la
“probabilidad”, pero si encontrará útil la idea intuitivamente. Así
como ellos, nosotros también constantemente elaboramos
supuestos en relación a la ocurrencia de un hecho, es decir,
estamos preocupados por aspectos que pertenecen al campo de la
“probabilidad”.

Para adentrarnos en el estudio de las probabilidades, hace falta

recordar la teoría combinatoria.

1.1.- LA TEORÍA COMBINATORIA.

5
1.1.1.- Las Variaciones: Si a partir de un conjunto de “m”
elementos se desea investigar cuántos grupos de “n” elementos (n
< m) se pueden construir, de manera que dos grupos sean
diferentes cuando:

a) Teniendo los mismos elementos, éstos están colocados en

diferente orden, o

b) tengan, por lo menos, un elemento diferente; a los grupos

calculados de esta manera se les llama variaciones de m
elementos tomados de n en n. Su fórmula es:

m!
Vm , n = ( m − n )! (6.1)

donde a m! se le llama factorial de m y tiene las siguientes

propiedades:

a) m! = m (m - 1)(m - 2)……(m – m + 1)

b) 0! = 1

c) 6! + 2! ≠ 8! ; 6! = 6.5.4.3.2.1 = 720

6! 6! /!
6.5.4.3.2
d) 2!
≠ 3! ; 2!
=
/!
2
= 360

e) 2! x 3! ≠ 6! ; 2! x 3! = (2.1)(3.2.1) = 12

Ejemplo 6.1: Una mesa electoral consta de un presidente, un

vicepresidente y un secretario. Calcule cuántas mesas electorales
distintas se pueden hacer con 10 personas.

Solución: Como aquí importa el orden en el cual queden las

personas en cada mesa electoral, este es un problema de cálculo
de variaciones:

6
 10! 10 .9.8.7/!
V10 , 3 = = = 720 mesas electorales
(10 − 3)! 7/!
distintas.

1.1.2.- Las Combinaciones: Si dos grupos de tamaño n,

construidos a partir de un conjunto de m elementos, son
diferentes sólo cuando poseen por lo menos un elemento
diferente, entonces a la totalidad de los grupos así calculados se
les llama combinaciones de m elementos tomados de n en n. El
cálculo se realiza a través de la siguiente fórmula:

m!
C m ,n = (6.2)
( m − n )!n!

Ejemplo 6.2: El jurado examinador de la prueba final de

literatura consta de 3 profesores. Cuántos jurados distintos se
pueden conformar, si el departamento cuenta con 10 profesores de
literatura.

Solución: Como en estos jurados los 3 profesores tienen igual

importancia y rango, se trata de un problema de combinaciones:

10 ! 10 .9.8.7/!
C10 , 3 = = =120 jurados distintos.
(10 −3)!3! 7/!.3.2.1

1.1.3.- Las Permutaciones: Las permutaciones son variaciones

de m elementos tomados todos a la vez; es decir, que se desea
investigar cuántos grupos de tamaño m se pueden conformar, en
los que lo único que los diferencie, es el orden de los elementos.
Su fórmula es:

m! m!
Pm = Vm , m = = = m! (6.3)
( m − m )! 0!

Ejemplo 6.3: Un equipo de béisbol consta de 9 jugadores. Si

justamente tenemos disponibles 9 jugadores, diga cuántos equipos
de béisbol distintos se podrían conformar con ellos.

7
Solución: Como en la conformación de los diferentes equipos, al
cambiar de posición a dos jugadores, ya el equipo es distinto al
anterior, estamos en presencia de un problema de permutaciones:

P9 = 9! = 9.8.7.6.5.4.3.2.1 = 120.960 equipos

distintos.

1.2.- NOCIÓN DE PROBABILIDAD.

Si se hace el experimento de lanzar un dado perfecto, se puede

obtener como resultado cualquiera de las seis caras o lados (1, 2,
3, 4, 5, 6) que tiene un dado (casos posibles), esto significa que la
“probabilidad” que tiene cada cara es 1/6. Si ahora se espera
obtener un número par, tenemos que pensar que hay tres caras (2,
4, 6) que cumplen con la condición de ser número par (casos
favorables), luego la “probabilidad” de obtener número par será
3/6 ó 1/2. De este ejemplo se deduce que:
3 1 Casos favorables
P ( obtener par ) = = =
6 2 Casos posibles (6.4)

Si lo expresamos como conjuntos, tenemos:

S = {1, 2, 3, 4, 5, 6} ; A = {2, 4, 6}

donde el conjunto S, por tener 6 elementos, n(S) = 6 ; y el

conjunto A, por tener 3 elementos, n(A) = 3. Entonces:

n( A) 3 1
P ( A) = = = = 0,5
n( S ) 6 2

Ejemplo 6.4: Supongamos ahora que en una caja hay 9 bolitas de

las cuales 3 son rojas, 4 blancas y 2 son verdes; al extraer una
bolita de la urna, ésta puede ser roja, blanca o verde. Si extraemos
una bolita de la urna, ¿cuál será la probabilidad de que sea verde?

8
Solución: En total hay 9 bolitas en la caja (casos posibles) de las
cuales 2 son verdes (casos favorables), entonces la probabilidad
de obtener, al azar, una bola verde será:

2
P ( bola verde ) =
9
= 0.2222

También puede verse el problema de esta manera:

S = {R, R, R, B, B, B, B, V, V} → n(S) = 9 ;

A = {V, V} → n(A) = 2
n( A) Número de casos favorables 2
P ( A) = = = = 0,2222
n( S ) Número de casos posibles 9

por lo que se deduce, que una primera idea de lo que es

probabilidad, está asociada con la comparación de un sub-
conjunto, con el conjunto del cual él forma parte.
Pero veamos otros ejemplos:

Ejemplo 6.5: Al rodar un dado perfecto, ¿cuál es la probabilidad

de obtener el número 4?
n( A) 1
Solución: P = n( S ) = 6 = 0,17
( 4)

Ejemplo 6.6: En un mazo de barajas de poker (52 cartas), ¿cuál

es la probabilidad de obtener un as, al extraer una carta?

4 1
Solución: P ( as ) = =
52 13
= 0,077

Ejemplo 6.7: Los alumnos que cursan Estadística en una sección

están conformados por 17 hembras y 56 varones, si se elige al
azar un alumno para interrogarlo, ¿cuál es la probabilidad que sea
un varón?

9
 56 56
Solución: P (var ón ) = =
17 + 56 73
= 0,767

1.3.- ESPACIO MUESTRAL Y SUCESOS.

1.3.1.- Espacio muestral: Es el conjunto de todos los resultados

posibles de un experimento dado. Usualmente se designa este
conjunto con una “S”. Un resultado particular, o sea un elemento
de “S”, recibe el nombre de “punto muestral”.

1.3.2.- Suceso o evento: Los sucesos son sub-conjuntos del

espacio muestral S. Esto es: si A es un suceso, entonces A ⊂ S.
Los sucesos se denotan con letras mayúsculas.

Como ya se habrá observado, la probabilidad de que un suceso

ocurra se calcula mediante la razón del número de elementos que
posee el suceso, entre el número de elementos del espacio
muestral.

Ejemplo 6.8: Se arroja una moneda, ¿cuál es la probabilidad que

como resultado salga una cara?

Solución: S = {c, s} → n (S) = 2; donde c = cara y s = sello

Suceso o evento B = obtener una cara

B = {c} → n (B) = 1

n( B ) 1
P (B) = = = 0,5
n( S ) 2

Ejemplo 6.9: Se arrojan dos monedas, ¿cuál es la probabilidad

que como resultado salgan dos caras?

Solución: S = {(c, c); (c, s); (s, c); (s, s)} → n (S) = 4

Suceso o evento D = obtener dos caras

10
 D = {(c, c)} → n (D) = 1

n( D ) 1
P ( D) = = = 0,25
n( S ) 4

Ejemplo 6.9: Se arroja una moneda 4 veces, ¿cuál es la

probabilidad que salgan más de 2 sellos?

Solución: El número de sellos que pueden obtenerse en 4 tiradas

de una moneda, son:

S = {0, 1, 2, 3, 4} → n (S) = 5

Suceso o evento E = obtener más de dos sellos

E = {3,4} → n (E) = 2

n( E ) 2
P = n( S ) = 5 = 0,4
(E)

1.3.3.- Operaciones con sucesos:

i) A ∪ B: Es el suceso que se da cuando ocurre el suceso

A o el suceso B o ambos.

ii) A ∩ B: Es el suceso que se da cuando ocurren los

sucesos A y B, simultáneamente.

iii) A : Es el suceso que se da cuando ocurre el

complemento de A, es decir, cuando A no ocurre.

Gráficamente:

11
Ejemplo 6.10: De 5 dirigentes a, b, c, d, e, se elige una comisión
de 3 miembros. Calcule la probabilidad que:

i) a, sea integrante de la comisión

ii) a o b, sean seleccionados

iii) a y b, sean seleccionados

iv) a, no sea seleccionado

Solución: El espacio muestral del experimento, de entre 5

miembros elegir 3, se calcula mediante combinaciones:
5! /!
5.4.3
C5 , 3 = =
(5 −3)!3! 2! 3/! = 10 → n (S) = 10

i) Evento A, “a sea integrante de la comisión”:

A = {abc, abd, abe, acd, ace, ade} → n (A) = 6

n( A) 6
P ( A) = = = 0,6
n( S ) 10

ii) Evento B “a o b sean seleccionados”:

B = {abc, abd, abe, acd, ace, ade, bcd, bce, bde} →

n (B) = 9

n( B ) 9
P ( B) = = = 0,9
n( S ) 10

iii) Evento C “a y b sean seleccionados”:

C = {abc, abd, abe} → n (C) = 3

12
 n(C ) 3
P (C ) = = = 0,3
n( S ) 10

iv) Evento D “a no sea seleccionado”:

D = {bcd, bce, bde, cde} → n (D) = 4

n( D ) 4
P (D) = = = 0,4
n( S ) 10

1.3.4.- Sucesos mutuamente excluyentes: Dos sucesos A y B

son mutuamente excluyentes si A ∩ B = Ø. Esto significa que se
trata de conjuntos disjuntos o sucesos que no tienen elementos
comunes.

Ejemplo 6.11: Supóngase que en la población mayor de 20 años

de edad, se definen los sucesos:

A = {población analfabeta} ; y B = {economistas}

entonces, A ∩ B = Ø, porque no hay economistas que sean

analfabetas. En estos casos:

P ( A∩B ) =0

1.3.5.- Sucesos Independientes: Dos sucesos cualesquiera A y B

son independientes si y solo si:
P =P .P ( A∩B ) (6.5)
( A) (B)

Esto significa que la ocurrencia del evento B no tiene nada que

ver con que ocurra o no ocurra A. Veamos el siguiente ejemplo:

Ejemplo 6.12: Una caja contiene 5 bolas blancas y 3 negras. Se

realizan dos extracciones, de una bola cada una, con reposición
(la bola se saca, se mira y luego se vuelve a introducir en la caja),
calcule la probabilidad que la primera bola sea blanca y la
segunda bola sea negra.

13
Solución: Definamos los sucesos:

A = {sacar una bola blanca de primero} → n (A) = 5

B = {sacar una bola negra de segundo} → n (B) = 3

Como puede verse, estos sucesos A y B son totalmente

independientes uno del otro. Lo que ocurra en la segunda
extracción no tiene nada que ver con lo que haya ocurrido en la
primera.
S = {B, B, B, B, B, N, N, N} → n (S) = 8

5 3 15
P ( A∩B ) =P ( A) .P (B) = x =
8 8 64
= 0,234

1.4.- AXIOMAS Y TEOREMAS FUNDAMENTALES DE LA

PROBABILIDAD.

Todo el campo de la teoría de las probabilidades para espacios

finitos, se basa en los tres postulados o axiomas siguientes:

AXIOMA 1: Para todo suceso A:

0≤P ( A) ≤1

Esto significa que no hay probabilidades negativas, que la menor

probabilidad es cero y que la mayor probabilidad es 1.

AXIOMA 2: La probabilidad del suceso seguro o del espacio S

es igual a la unidad:

P (S ) =1

AXIOMA 3: Si A y B son sucesos mutuamente excluyentes,

entonces:

P ( A∪B ) =P ( A) +P (B)

En base a este axioma, se establece que:

14
 a) Si A , A , A ,..... A es una serie de sucesos
1 2 3 n

mutuamente excluyentes, entonces:

P = P + P + P +....... + P
( A1∪A 2 ∪A3∪...... An ) ( A1) ( A 2) ( A3) ( An )

b) Así mismo, si el espacio muestral S se divide en r

sucesos mutuamente excluyentes, la suma de las
probabilidades de los r sucesos es igual a la unidad.

De todos estos axiomas se deducen los siguientes teoremas:

TEOREMA 1: Si A y B son dos eventos cualesquiera, entonces:

P ( A∪B ) =P ( A) +P (B) - P ( A∩B ) (6.6)

que en el caso en el que A y B son mutuamente excluyentes,

como P = 0, se cumple lo señalado en el axioma 3.
( A∩B )

TEOREMA 2: Si A y A son sucesos complementarios,

entonces:

P ( A) =1 −P( A ) (6.7)

Ejemplo 6.13: En una empresa comercial trabajan 8 hombres y

18 mujeres, de los cuales, la mitad de los hombres y la mitad de
las mujeres nacieron en Valencia. Halle la probabilidad que un
trabajador elegido al azar sea hombre o haya nacido en Valencia.

Solución: definamos los sucesos:

A = {el trabajador sea hombre} → n (A) = 8

8 +18
B = {trabajador nacido en Valencia} → n (B) = 2 = 13

A ∪ B = Ser hombre o haber nacido en Valencia

P ( A∪B ) =P ( A) +P (B) - P ( A∩B )

15
 8 13 4 17
P ( A∪B ) = + − =
26 26 26 26
= 0,654

Ejemplo 6.14: De un grupo de 20 estudiantes de Economía,

Sociología y Educación, se va a elegir al azar el presidente de un
comité. Si la probabilidad de elegir un estudiante de Economía es
2/5, ¿cuál es la probabilidad que el presidente no sea de
Economía?

Solución: A = {estudiante de Economía}; A = {no estudiante de

Economía}

2 3
P( A ) =1 −P( A ) =1- = = 0,6
5 5

1.5.- PROBABILIDAD CONDICIONAL.

A la probabilidad que ocurra un evento B, cuando se conoce

que un evento A ya ocurrió, se conoce como probabilidad
condicional y se denota por: P . Esto se lee: “probabilidad de
( B / A)

B dado que A ocurrió” y se calcula a través de la siguiente

fórmula:

P( B ∩A)
P ( B / A) = P( A) (6.8)

Ejemplo 6.15: Se extrae una baraja de un mazo de 52 naipes, si

se sabe que es de corazones, ¿cuál es la probabilidad que sea un
as?

Solución: El número de elementos que integra el espacio muestral

en el experimento de extraer una baraja de un mazo de 52 naipes,
es: n (S) = 52.

Definamos los eventos:

A = {que salga corazón} → n (A) = 13

16
 B = {que salga as} → n (B) = 4 ; entonces:

1 13
P( B ∩A) =
52
; P( A) =
52
; y luego:
1
P( B ∩A ) 52 = 1 =
P ( B / A) = P( A) = 13 13 0.077
52

1.6.- DISTRIBUCIÓN DE PROBABILIDAD.

Una tabla que contenga todos los puntos de un espacio

muestral, conjuntamente con la probabilidad que ocurra cada uno
de ellos, es una tabla de distribución de probabilidad.
Puede ocurrir que el espacio muestral S no sea discreto (como
todos los que hasta ahora hemos visto), sino continuo. En estos
casos, la distribución de probabilidad se logra mediante una
fórmula o función llamada “función de densidad de probabilidad”,
la cual permite calcular la probabilidad que ocurran determinados
sucesos enmarcados dentro de intervalos ubicados en el espacio
muestral.

Pero definamos primero algunos términos necesarios para

adentrarnos en el estudio de las distribuciones de probabilidad.

a) Espacio muestral discreto: El espacio muestral discreto

está integrado por un conjunto finito o infinito numerable de
puntos, como por ejemplo:

i) El espacio muestral del experimento de lanzar un dado

perfecto, el cual es, como se ha dicho: S = {1, 2, 3, 4, 5,
6}.

ii) El espacio muestral del experimento de lanzar una

moneda, el cual es:
S = {c, s}.

b) Variable aleatoria discreta: Se define como una variable

(X) la cual toma sus valores en un espacio muestral discreto.

17
Ejemplo 6.16: i) En el experimento de lanzar un dado se desea
conocer la probabilidad que la variable aleatoria tome el valor
2, es decir, que salga el número 2.
1
Solución: P = = 0,17
( X =2 )
6

ii) En el experimento de lanzar una moneda, se desea conocer

la probabilidad que la variable aleatoria X tome el valor 1, es
decir, que salga cara (en este caso se designa la cara con 1 y el
sello con 0).

1
Solución: P ( X =1) =
2
= 0,5

c) Espacio muestral continuo: El espacio muestral continuo

es aquel que está formado por un conjunto continuo de puntos
o infinito no numerable.

Ejemplo 6.17: En el experimento de encender un bombillo con

vida útil inferior a 1.000 horas para investigar su duración, se
desea conocer la probabilidad que la variable aleatoria X, tome
valores dentro del intervalo 100 ≤ X ≤ 500, o sea, que el
bombillo dure entre 100 y 500 horas.

1.6.1.- Distribución de probabilidad discreta: Una función

f(x), se conoce como función de densidad de probabilidad
discreta cuando es capaz de medir la probabilidad a través de
todos y cada uno de los puntos que conforman un espacio
muestral discreto; lo que significa que esta función mide la
probabilidad que ocurra cada uno de los puntos que forman
parte de ese espacio muestral.

Una función de este tipo debe cumplir con los siguientes

requisitos:

1) f(x) ≥ 0 para todo X

18
 x =máximo

2) ∑f ( x) =1
x =mínimo

esto debe ser así, para que se cumpla con los axiomas de la
probabilidad.

Ejemplo 6.18: Encuentre la distribución de probabilidad de la

suma de los números cuando un par de dados se lanzan.

Solución: El espacio muestral de este experimento es un

espacio muestral discreto que contiene 11 puntos que son los
siguientes:

S = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

Calculemos ahora la probabilidad que ocurra cada uno de los

puntos de este espacio muestral, es decir, calcularemos la
probabilidad que la variable aleatoria discreta X tome cada uno
de los 11 valores del espacio muestral:

1
P ( X =2 ) =
36
; ya que hay una sola manera que la suma de dos
dados que se lanzan dé 2 (que salga el número 1 en
un dado y en el otro también), pero dos dados tienen
la posibilidad de caer de 36 maneras distintas (6
caras x 6 caras).

2
P ( X =3 ) =
36
; ya que existen dos maneras que la suma de dos
dados que se lanzan dé 3 (1 + 2 y 2 + 1).

Al continuar trabajando de esta forma, obtenemos finalmente

la siguiente tabla de
distribución de probabilidad discreta:
X 2 3 4 5 6 7 8 9 10 11 12
P 1 2 3 4 5 6 5 4 3 2 1
(X ) 36 36 36 36 36 36 36 36 36 36 36

19
 donde se observa que:

1) f(x) = P (X ) ≥ 0, ∀X

12
1 2 3 4 5 6 5 4 3 2
ii) ∑ f ( x) = 36 + 36 + 36 + 36 + 36 + 36 + 36 + 36 + 36 + 36 +
X =2
1 36
36
= 36
=1

Algunas funciones, que no son de densidad de probabilidad,

pueden convertirse a éstas realizando ciertos ajustes en la
función inicial que permita el cumplimiento de los dos
requisitos básicos de las funciones de densidad. Veamos un
ejemplo:

Ejemplo 6.19: En la siguiente función:

 2X 3 
 + X , p a raX = 1, 2, 3 
f(x) =  3 
 0 , p a racu a lqu ier o tra X 
 

verifique si f(x) es una función de densidad de probabilidad, esto

es, si permite encontrar la distribución de probabilidad del
espacio muestral definido. Si no lo es, cuádrela para que lo sea.

Solución: Como puede verse, se trata de una función definida en

un espacio muestral discreto, por lo que verificaremos si f(x)
cumple con los dos requisitos necesarios para ser una función de
densidad de probabilidad en un espacio muestral discreto:

i) ¿Es f(x) ≥ 0, ∀X?

2X 3
la función f(x) si es ≥ 0, ∀x, ya que para X = 1, 2, 3 → 3
+X ,
siempre es positiva. Veamos:

2(1)3 5 2(2) 3 22 2(3) 3 63

3
+1 = > 0
3
; 3
+2 =
3
>0 ; 3
+3 =
3
>0

20
y para cualquier otra X diferente de 1, 2, 3, f(x) = 0
3

ii) ¿Es ∑ f ( x) = 1?, veamos:

X =1

3
5 22 63 90
∑ f ( x) =
X =1
+
3 3
+
3
=
3
= 30, como 30 ≠ 1 → la respuesta
es no.

modificaremos la función f(x) multiplicándola por 1/30 para que

el resultado final de la sumatoria sea 1 :

 1  2X 3  
  + X  , para X = 1, 2, 3 
f(x) =  30  3  
 0 , para cualquierotra X 
 

la cual si es una función de densidad de probabilidad ya que

cumple con los dos requisitos exigidos.

1.6.2.- Distribución de probabilidad continua: Una función f(x)

recibe el nombre de función de densidad de probabilidad
continua, si el área total bajo la curva de la función acotada por el
eje X es igual a 1 y además, el área bajo la curva entre dos
abscisas cualesquiera, X = a y X = b, da la probabilidad que X
esté entre a y b. esta función permite realizar la distribución de
probabilidad en un espacio muestral continuo utilizando la
variable aleatoria continua X, la cual toma valores en intervalos
de ese espacio muestral.

Esta función debe cumplir con las siguientes dos características:

i) f(x) ≥ 0 para todo el intervalo en el cual está definida X,

x =máx .

ii) ∫ f ( x)dx
x =mín .
=1

Ejemplo 6.20: En la siguiente función:

21
 X2 
 + 1, para0 ≤ X ≤ 2 
g(x) =  3 
 0 , paracualquierotrovalorde X 
 

investigue si se trata de una función de densidad de probabilidad,

y si no lo es, conviértala.

Solución: Lo primero que se observa en esta función es que está

definida en un espacio muestral continuo. Veamos si g(x) cumple
con las dos condiciones necesarias para ser una función de
densidad de probabilidad:

i) ¿Es g(x) ≥ 0 para todo el intervalo en el que está definida?

La función g(x) si es ≥ 0 para todo el intervalo donde toma

X2
valores distintos a cero. En efecto 3
+1 , es una función
ascendente y positiva entre 0 y 2.
x =2

ii) ¿Es ∫ g ( x)dx = 1?, veamos:

x =0

X =2 2
X2  2
X2
2
1 X 3  1 8 26
∫  3  ∫0 3
 + 1dx = dx + ∫0 dx =   + ( X ) 02 =   + 2 =
X =0 
3  3 0 33 9

por lo que la respuesta es no. Modificaremos la función g(x)

multiplicándola por 9/26 para que el resultado final de la integral
sea 1.

g(x) = EMBED Equation.3
 9 X2  
  + 1, para 0 ≤ X ≤ 2 
 26  3  
0 , para cualquier otro valor de x 
 

22
1.6.3.- La distribución Normal:

2.6.3.1.- Generalidades: La distribución normal es la

función de densidad de probabilidad continua de uso más
extendido. Puede expresarse en su forma general, o como
mayormente se utiliza, en su forma estandarizada.

EMBED Equation.3 En la práctica la mayoría de las

distribuciones de frecuencias, para un número grande de casos, se
distribuyen como una curva normal o curva de Gauss, cuya
función de densidad de probabilidad está dada por la expresión:
2
1 −( x −µ ) 2
N (µ, σ) = σ 2π
e σ
; donde:

-∞≤X≤+∞
σ = desviación estándar de la población
e = 2,7183
π = 3,1416

Como se trata de una función de densidad de probabilidad, se

asume que el área encerrada entre la curva y el eje X es igual a 1.

23
Además se pueden determinar áreas bajo la curva comprendidas
entre dos abscisas a y b, es decir:

área entre a y b = P (a ≤ X≤ b)

No se requiere de un gran esfuerzo para calcular estas áreas bajo

la curva normal. Con la ayuda del cálculo integral se han
conocido muchas de estas áreas y construido una gran variedad
de tablas.

1.6.3.2.- Curva Normal estandarizada: La forma general de la

distribución normal se puede simplificar haciendo un cambio de
la variable original X por una nueva variable Z, mediante la
relación:

Xi − µ
Zi =
σ
(6.9)

esta transformación constituye la estandarización de la curva

normal, dando origen a la curva normal estandarizada o
tipificada, cuya expresión es:
1
1 − Z2
N (0,1) = 2π
e 2

en la cual la media poblacional se estandariza a cero y la

desviación típica a uno.

En la curva normal estandarizada, las áreas comprendidas entre

el centro de la curva (es decir desde la media aritmética) y
cualquier otro punto o abcisa Z , se encuentran tabuladas en la
i

Tabla de Áreas bajo la Curva Normal Tipificada de 0 a Z

(Apéndice 1). En esa tabla, por ejemplo, para los valores de Z = 1,
2, 3, -1, -2, -3, se tienen las siguientes áreas:

P (-1 ≤ Z ≤ 1) = 0,6827
P (-2 ≤ Z ≤ 2) = 0,9545
P (-3 ≤ Z ≤ 3) = 0,9973

24
 68.27%

- La probabilidad que -1 ≤ Z ≤ 1, es la misma probabilidad

que X esté entre µ - σ y µ + σ

- La probabilidad que -2 ≤ Z ≤ 2, es la misma probabilidad

que X esté entre µ - 2σ y µ +2σ.
- La probabilidad que -3 ≤ Z ≤ 3, es la misma probabilidad
que X esté entre µ -3σ y µ +3σ.

Para aprender la forma de conseguir los valores de Z, veamos

el ejemplo siguiente:

Ejemplo 6.21: La media de las calificaciones de los alumnos

que cursan la asignatura Estadística fue 12,4 puntos, con una
desviación típica de 2,6. Calcule el valor estándar (Z) de las
siguientes calificaciones: 10,5; 13; 16; 8; 12,4; 17

Solución: X 1 = 10 ,5; X 2 = 13; X 3 = 16; X 4 = 8; X 5 = 12 ,4; X 6 = 17

X1 − µ 10 ,5 −12 ,4
Z1 = = = −0,73
σ 2,6

X2 −µ 13 − 12 ,4
Z2 = = = 0,23
σ 2,6

25
 X3 −µ 16 −12 ,4
Z3 = = = 1,38
σ 2,6

X4 −µ 8 −12 ,4
Z4 = = = −1,69
σ 2,6

X5 −µ 12 ,4 − 12 ,4
Z5 = = =0
σ 2,6

X6 −µ 17 − 12 ,4
Z6 = = = 1,77
σ 2,6

1.6.3.3.- Uso de la Tabla de Áreas de la Curva Normal

Estandarizada: La Tabla de Áreas Bajo la Curva Normal
Estandarizada que muestra el Apéndice 1, presenta las áreas que
corresponden de 0 a Z, es decir, áreas para la mitad positiva de la
curva entre 0 y un valor dado de Z. Como se trata de una curva
simétrica, fácilmente se obtienen las áreas o probabilidades para
los valores negativos de Z tomando el valor simétrico positivo. La
tabla considera dos decimales para Z y cuatro para las
probabilidades o áreas.

Para encontrar las áreas o probabilidades, se busca el valor de Z

en la primera columna de la tabla, en donde aparece con un
decimal. El segundo decimal se indica en la primera fila. Por
ejemplo, para Z = 2,76, le corresponde un área igual a 0,4971;
para Z = 1,08, le corresponde 0,3599 y para Z = -0,85, por
simetría le corresponde la misma área que a Z = 0,85, o sea
0,3023.

En el cálculo de probabilidades utilizando la curva normal, es

recomendable establecer en la curva (gráficamente) el área que
interesa determinar. Veamos, con un ejemplo, varios de los
casos que más comúnmente se presentan:

26
Ejemplo 8.22: A partir de la distribución normal, calcular la
probabilidad que ocurra un suceso, cuya variable estandarizada Z
está comprendida entre los siguientes valores:

PRIMER CASO: Entre Z = 0 y Z = 1,3

Solución: Se busca en el Apéndice 1 para Z = 1,3 y se encuentra
que:
P (0 ≤ Z ≤ 1,3) = 0,403

SEGUNDO CASO: Entre Z = -0,72 y Z = 0

Solución: Z está a la izquierda de 0 y su área o
probabilidad se halla por simetría:
P (-0,72 ≤ Z ≤ 0) = P (0 ≤ Z ≤ 0,72) = 0,2642

27
TERCER CASO: Entre Z = - 0,48 y Z = 2,15
Solución: Como se aprecia en la figura, se trata de la suma de
dos áreas:
P (-0,48 ≤ Z ≤ 2,15) = P (-0,48 ≤ Z ≤ 0) + P (0 ≤ Z ≤ 2,15)
P (-0,48 ≤ Z ≤ 2,15) = 0,1844 + 0,4822 = 0,6686

CUARTO CASO: Entre Z = 0,80 y Z = 1,94

Solución: Aquí, al área para Z = 1,94, se le resta el área para Z =
0,80
P (0,80 ≤ Z ≤ 1,94) = P (0 ≤ Z ≤ 1,94) - P (0 ≤ Z ≤ 0,80)
P (0,80 ≤ Z ≤ 1,94) = 0,4738 – 0,2881 = 0,1857

QUINTO CASO: Entre Z = - 2,30 y Z = - 0,82

Solución: Es un caso similar al anterior pero en el lado negativo.
Las áreas se calculan por simetría.
P (- 2,30 ≤ Z ≤ - 0,82) = P (0 ≤ Z ≤ 2,30) - P (0≤ Z ≤ 0,82)
P (- 2,30 ≤ Z ≤ - 0,82) = 0,4893 – 0,2939 = 0,1954

28
SEXTO CASO: Para Z menores o iguales a – 0,90
Solución: P (- ∞ ≤ Z ≤ - 0,90) = P (Z ≤ - 0,90) = 0,5000 – 0,3159
= 0,1841

SÉPTIMO CASO: Para Z mayor o igual que 1,72

Solución: P (1,72 ≤ Z ≤ + ∞) = P (Z ≥ 1,72) = 0,50000 - P (0 ≤ Z ≤ 1,72)
P (1,72 ≤ Z ≤ + ∞) = 0,5000 – 0,4573 = 0,0427

29
OCTAVO CASO: Para Z mayores o iguales a –1,25
Solución: P (Z ≥ - 1,25) = 0,5000 + P (- 1,25 ≤ Z ≤ 0)
P (Z ≥ - 1,25) = 0,5000 + 0,3944 = 0,8944

NOVENO CASO: Para Z menores o iguales que – 1,96 o

mayores o iguales a 1,96
Solución: P (Z ≤ - 1,96 ó Z ≥ 1,96) = P (Z ≤ - 1,96) + P (Z ≥ 1,96)
P (Z ≤ - 1,96 ó Z ≥ 1,96) = 2(0,5000 – 0,4750) = 0,050

DÉCIMO CASO: Para Z mayores a 2,06 o menores a – 1,48

Solución: P (Z ≥ 2,06 ó Z ≤ -1,48) = 1 – [P (- 1,48 ≤ Z ≤ 0) + P (0 ≤ Z ≤ 2,06)]
P (Z ≥ 2,06 ó Z ≤ -1,48) = 1 – [0,4306 + 0,4803] = 0,0891

30
Ejemplo 6,23: En una muestra de 40 estudiantes de Economía se
encuentra que la nota promedio en Literatura fue 12 puntos, con
una desviación estándar de 2. ¿Cuál es la probabilidad que un
alumno elegido al azar tenga una nota entre 11 y 14?

Solución: Al suponer que las calificaciones en Literatura de estos

40 estudiantes se comportan como una curva normal, podemos
calcular Z 1 y Z 2

11 −12 14 −12
Z1= 2
= 0,5 ; Z2 = 2
= 1,0

P (11 ≤ X ≤ 14) = P (- 0,5 ≤ Z ≤ 1,0)

P (11 ≤ X ≤ 14) = P (0 ≤ Z ≤ 0,5) + P (0 ≤ Z ≤ 1,0)
P (11 ≤ X ≤ 14) = 0,1915 + 0,3413 = 0,5328

P (11 ≤ X ≤ 14) = 53,28%

Ejemplo 6.24: La media de los sueldos de los 600 técnicos e

ingenieros de una empresa es de Bs.1.430.000, con una
desviación típica de Bs. 40.000. Suponiendo que los sueldos se
distribuyen normalmente, estime cuántos empleados tienen
sueldos:

a) Entre Bs.1.350.000 y Bs. 1.450.000.

b) De Bs. 1.500.000 y más.

31
 1.350 .000 −1.430 .000
Solución:a) Z 1 = 40 .000
= −2,00

1.450 .000 −1.430 .000

Z2 = 40 .000
= 0,50

P (1.350.000 ≤ X ≤ 1.450.000) = P (- 2,00 ≤ Z ≤ 0,50) =

0,4772 + 0,1915 = 0,6687

Número de empleados = 600 x 0,6687 = 401 empleados.

1.500 .000 −1.430 .000

b) Z = 40 .000
=1,75

P (X ≥ 1.500.000) = P (Z ≥ 1,75) = 0,5000 – 0,4599 = 0,0401

Número de empleados = 600 x 0,0401 = 24 empleados.

1.6.4.- La distribución binomial:

2.6.4.1.- Generalidades: La distribución binomial es uno de

los modelos de distribución discreta de probabilidad de más
amplio uso. Se aplica a aquellos experimentos en los que sólo
pueden ocurrir dos sucesos: uno complemento del otro. La
probabilidad que ocurra uno de los eventos, al que llamaremos
“éxito” o “p” se mantiene fija cada vez que se repite el
experimento. La probabilidad de “fracaso” o “q” es entonces:

q=1–p (6.10)

Muchos experimentos tienen la característica común de

enmarcarse dentro de una distribución binomial de probabilidad.
El experimento de “lanzar una moneda” tiene sólo dos posibles
resultados: cara o sello; El experimento “examinarse” conlleva
solamente aprobar o reprobar; la calidad de las piezas producidas
por una fábrica es buena o defectuosa, etc.

32
Para que un proceso estadístico pueda ser considerado un proceso
binomial, debe cumplir con los tres postulados siguientes:

1.- Debe haber un número fijo de pruebas repetidas,

estadísticamente independientes una de la otra.

2.- Cada prueba sólo tiene dos posibles resultados: éxito o

fracaso.

3.- Todas las pruebas deben tener idénticas probabilidades. Esto

es, que en cada prueba la probabilidad de éxito se mantiene
como “p” y por tanto la probabilidad de fracaso, “q”, también
es constante.

Teóricamente, si p es la probabilidad de ocurrencia de un evento

en un simple ensayo y q es la probabilidad de su no ocurrencia,
los términos sucesivos de la expansión binomial de (p + q) n dan
las probabilidades de 0, 1, 2,….., n ocurrencias del evento en n
ensayos o intentos. La fórmula que da las probabilidades para los
diferentes valores de la variable aleatoria X = 0, 1, 2,……, n,
distribuida binomialmente es la siguiente:

f (x) = P(x) = C xn . p x .q n −x (6.11)

n!
P = . p x .q n −x
(X )
( n −x )! x!

Ejemplo 6.25: Calcule la probabilidad de obtener exactamente 2

caras en 5 tiradas de una moneda perfectamente balanceada.
2 5 −2 5
1  1  5!  1  5
Solución: P ( X =2 ) = C 25   . 
2  2 
= .  =
2!.3!  2  16

Ejemplo 6.26: Calcule la probabilidad de obtener por lo menos 3

sellos en 5 tiradas de una moneda perfectamente balanceada:

Solución: P ( X ≥ 3) = P( X =3) + P( X =4 ) + P( X =5)

33
 5 5 5
10 5 1 16
P ( X ≥3) = C35 . 2  + C45  2  + C55  2 
1 1 1
= + +
32 32 32 32
= = 0,5

Ejemplo 6.27: Calcule la probabilidad de obtener exactamente 2

ases, al sacar una carta 6 veces con reemplazamiento, de un mazo
de 52 naipes.

4
Solución: En cada extracción obtener éxito o p es igual a 52
,
4
porque hay 4 ases. Por tanto un fracaso, o q es igual a: q = 1 - 52
48
= 52
; y:

2 6 −2
 4   48 
P ( X =2 ) = C 26 . 
 52 
. 
 52 
= 0,0644

Ejemplo 6.28: En una encuesta realizada en los barrios de San

Carlos, el 70% de los encuestados contestaron incorrectamente el
cuestionario. Si se toma una muestra al azar de 4 cuestionarios,
¿cuál es la probabilidad que 3 estén correctamente contestados?

Solución: Designemos como X al número de cuestionarios

correctamente contestados. X será una variable aleatoria
distribuida binomialmente con parámetros n = 4 y p = 0,3, por
tanto:

4!
P ( X =3) = C34 .0,33.0,7 4−3 =
3!
.0,33.0,7 = 0,0756

1.6.4.2.- Cálculo de la media y la desviación típica en una

distribución binomial:

µ = n. p (6.12) ; σ= n. p.q (6.13)

Ejemplo 6.29: Calcule la media y la desviación típica de la

distribución binomial que se genera al tomar una muestra de 20

34
artículos producidos por una empresa que suele elaborar
defectuosos el 10% de su producción.

Solución: µ = n. p = 20 x 0,10 = 2 artículos;

σ= n. p.q = 20 x 0,10 x 0,90 = 1,3416

1.6.5.- La distribución de Poisson:

2.6.5.1.- Generalidades: Otra distribución discreta de

probabilidad muy importante y que tiene un amplio espectro de
aplicaciones es la distribución de Poisson. Se utiliza
especialmente en aquellos hechos que no ocurren como resultado
de un número definido de pruebas de un experimento, sino al azar
en puntos de tiempo, espacio o volumen. El hecho puede ser el
número de ocurrencias de accidentes, errores, descomposturas u
otras calamidades que aparecen al azar por intervalo de tiempo e
independientemente unas de las otras.

La demanda de servicio por unidad de tiempo a una cajera o

vendedor de una tienda, a un empleado de una fábrica o a un
técnico de un taller también puede estimarse a través de la
distribución de Poisson; pero también puede tratarse el número de
defectos en la superficie de una mesa o en una alfombra, y hasta
el número de glóbulos rojos en una muestra de sangre.

Todas estas experiencias pueden ser tratadas empleando la

siguiente fórmula ideada en 1837 por el matemático francés S. D.
Poisson:

µ X .e −µ
P (X ) =
X!
(6.14)

La distribución de Poisson usualmente se emplea en lugar de la

binomial cuando p = 0,1 o menos y µ = 5 o menos. Cuando µ es
superior a 5 es mejor aproximar la binomial a la distribución
normal y no a la distribución de Poisson para no obtener
resultados errados.

35
Ejemplo 6.30: En el ejemplo 6.29, tome una muestra al azar de
10 artículos y encuentre la probabilidad que esta muestra tenga
exactamente 3 defectuosos. Use a) la fórmula binomial y b) la
fórmula de Poisson.

Solución: p = 0,1; n = 10; X=3 y q = 0,9

a) P ( X =3) = C 310 .0,13.0,9 7 = 0,057 ≈ 0,06

b) µ = n. p = 10. (0,1) = 1; como 1< 5 se puede usar la

fórmula de Poisson

13.e −1
P ( X =3) =
3!
= 0,0613 ≈ 0,06

Ejemplo 6.31: Suponga que el gerente de un banco sabe que

entre las 10 y las 11 a.m. llega a su sucursal un promedio de un
cliente por minuto. Calcule la probabilidad que un día cualquiera
lleguen a esa sucursal 2 clientes en un minuto entre las 10 y las 11
a.m.

Solución: µ = 1; X=2

12.e −1 1
P ( X =2 ) =
2!
=
2e
= 0,1839

Para que la distribución de Poisson sea utilizada con el mínimo

margen de error, los eventos a considerar deben ser realmente
independientes uno del otro y el intervalo de tiempo relacionado
debe ser posible dividirlo en sub- intervalos en los que la
probabilidad que sucedan dos o más ocurrencias sea tan pequeña
como para ignorarla.

16.5.2.- La media y la desviación típica en la distribución de

Poisson: Mientras que para utilizar una distribución binomial se
requiere de los parámetros “n” y “p”, para utilizar la distribución

36
de Poisson solamente se requiere conocer el parámetro µ o λ
como es llamada la media en estos casos.

La varianza en la distribución de Poisson es igual a λ, por lo que

la desviación típica es:

σ= µ (6.15)

Ejemplo 6.32: Calcule la desviación típica de desperfectos en una

alfombra que tiene un promedio de sólo 3 desperfectos por metro
cuadrado.

Solución: λ = 3 → σ = 3 = 1,73

EJERCICIOS PROPUESTOS 6.

1.- Suponga que A y B son dos sucesos independientes asociados con un experimento.
Si la probabilidad que A ó B ocurran es 0,45, mientras que la probabilidad que B ocurra
es 0,25, determine la probabilidad que A ocurra.

2.- Una bolsa contiene 7 bolas blancas, 4 bolas negras y 5 rojas. Calcule la probabilidad
que tres bolas sacadas al azar simultáneamente, sean todas blancas.

3.- Dados los sucesos A y B en el espacio muestral S. Sabiendo que P

1 1 1
( A) = ; P( B / A) = ; P( A / B ) = ; Calcule la probabilidad que se dé al menos uno de
3 2 3
los sucesos.

4.- Sea la siguiente función:

 4 X − 2 X 2 , para0 ≤ X ≤ 2 
h (x) =  
 0 , para cualquierotrovalorde X 

a) Investigue si h (x) es una función de densidad de probabilidad. Si no lo es,

conviertala.
b) Calcule luego: i) P (0,5 ≤ X ≤ 1,75); ii) P (X ≤1,5); iii) P (X ≥1); iv) P (1≤X≤ 4)

5.- Sean B y C dos sucesos asociados a un experimento: Si P ( B ) = K; P (C ) = 0,20; y

probabilidad de B ó C igual a 0,80:

37
 a) ¿Para qué valores de K son B y C mutuamente excluyentes?
b) ¿Para qué valores de K son B y C independientes?

6.- ¿Cuál es la probabilidad de obtener 2, 3 ó 4 al lanzar dos dados?

7.- Una caja contiene 5 bolas verdes, 3 bolas rojas y 2 negras. Se extrae una bola de la
caja y no se regresa. Luego se extraen dos bolas más. Calcule la probabilidad que la
primera bola haya sido verde y las dos segundas, rojas.

8.- Una caja contiene 4 fichas blancas y 5 rojas. Dos fichas son extraídas al azar sin re-
emplazamiento (una primero y la otra después). ¿Cuál es la probabilidad que la segunda
ficha sea blanca, si se sabe que la primera ha sido blanca?

9.- En el 4to semestre de Economía, el 25% de los estudiantes reprobaron en

Matemáticas, el 15% reprobaron en Estadística y el 10% reprobaron las dos asignaturas.
Se selecciona un estudiante al azar de ese semestre:

a) Si reprobó en Estadística, ¿cuál es la probabilidad que reprobara en

Matemáticas?
b) Si reprobó en Matemáticas, ¿cuál es la probabilidad que reprobara en
Estadística?
c) ¿Cuál es la probabilidad que reprobara en Matemáticas o Estadística?

10.- Se tienen en una caja “a” bolas blancas, “b” bolas negras y “c” bolas rojas. Si “m”
es el número total de bolas, ¿cuál es la probabilidad que al sacar una bola de la caja ésta
sea blanca o roja?

11.- Con la siguiente función:

 4X 3 
 + 2 ; para X = 0,1, 2, 3 
f(x) =  5 
 0 ; paracualquierotrovalorde X 
 

Verifique si f(x) es una función de densidad de probabilidad. Si no lo es, cuádrela.

12.- Con la siguiente función:

 3X 2 X 
 + ; para X = 1, 2, 3 
W(x) =  4 2 
 0 ; paracualquierotrovalorde X 
 

Verifique si W(x) es una función de densidad de probabilidad. Si no lo es, cuádrela.

13.- Dados dos sucesos “K” y “L” en el espacio muestral S, calcule la probabilidad que
1 1 1
se dé exactamente sólo uno de los sucesos, si: P ( K ) = ; P( L / K ) = ; y P( K / L ) =
3 2 4

38
14.- En la fabricación de cierto tipo de navajas se ha colocado un espesor medio de 2,20
milímetros y una desviación estándar de 0,15 milímetros. Se decide que todas las
navajas que excedan un espesor de 2,5 milímetros sean rechazadas, ¿qué porcentaje se
espera que sean rechazadas?

15.- Los puntajes en un examen de selección para seguir estudios superiores están
distribuidos normalmente con media 76 y desviación típica 15. Se ha establecido que el
15% con las mejores notas de los presentantes, recibirán una beca de estudios, en tanto
que el 10% más bajo en calificación en este examen, definitivamente no podrán seguir
estudios superiores. Halle:

a) El puntaje mínimo para ganar la beca.

b) El puntaje mínimo para seguir estudios superiores.

16.- En una caja hay 5 bolas rojas y 3 verdes. Se extraen dos bolas y no se regresan,
luego se extrae una bola más. Calcule la probabilidad que las tres bolas sean del mismo
color.

17.- En el comedor universitario trabajan 5 hombres y 12 mujeres, de los cuales el 40%

de los hombres y la mitad de las mujeres nacieron en San Carlos. Halle la probabilidad
que un trabajador del comedor escogido al azar sea hombre o haya nacido en San
Carlos.
18.- Un comité de 4 va a ser escogido al azar de un grupo de 5 hombres y 6 mujeres.
Calcule la probabilidad que quede integrado por: a) una mujer y tres hombres; b) cuatro
mujeres.

19.- Se lanza un dado perfecto. Demuestre que la probabilidad de obtener un número

par o un número divisible por 3 es 2/3.

20.- Una moneda equilibrada es echada hasta que aparece sello o hasta que ha sido
echada tres veces. En vista que el sello no apareció en la primera echada, ¿cuál es la
probabilidad que la moneda sea echada tres veces?

21.- Un comité de 5 va a ser escogido al azar sin reposición de un grupo de 6 hombres y

4 mujeres. Demuestre que la probabilidad que se componga: a) de dos mujeres y tres
hombres es 10/21, y b) de cuatro mujeres y un hombre es 1/42.

22.- Se lanzan un dado y una moneda, ¿cuál es la probabilidad de obtener un número

par o una cara?

23.- La probabilidad que un comerciante venda dentro de un mes un lote de

refrigeradores es 1/4 y la probabilidad que venda un lote de cocinas es 1/3. Halle la
probabilidad que:

a) Venda los dos lotes de artículos dentro de un mes.

b) Venda al menos uno de los lotes dentro de un mes
c) No venda ninguno de los lotes dentro de un mes.

39
24.- Tres contratistas licitan por un contrato para construir un edificio escolar. Se cree
que “A” tiene el doble de probabilidad de obtener el contrato que “B”, quien a su vez,
tiene el doble de probabilidad de obtener el contrato que “C”. ¿Cuál es la probabilidad
de cada contratista de obtener el contrato?

25.- Dos candidatos A y B compiten por el control de una empresa. Las probabilidades
de estos dos candidatos de ganar son respectivamente 0,7 y 0,3. Si gana A, la
probabilidad de introducir un nuevo producto es 0,8; si gana B, la correspondiente
probabilidad es 0,4. Demuestre que antes de las elecciones, la probabilidad que sea
introducido el nuevo producto es 0,68.

26.- Durante un largo período de tiempo se ha observado que un tirador da en el blanco

el 80% de las veces. Calcule la probabilidad que dé en el blanco exactamente dos veces
si dispara cuatro veces.

27.- Si una moneda es lanzada 10 veces, ¿cuál es la probabilidad de obtener 8 o más

caras?

28.- Una empresa que fabrica baterías para automóviles, ha adoptado un sistema de
control de calidad que le garantiza un máximo de 2% de unidades defectuosas. ¿Qué
probabilidad hay que en una venta de 10 baterías que haga esta empresa, salga una
defectuosa?

29.- De los camiones de arroz que recibe REUNELLEZ la cuarta parte suele ser de mala
calidad. Calcule la probabilidad que en un cargamento de 10 camiones un máximo de 3
contenga arroz de mala calidad.

30.- El cuerpo de bomberos de San Carlos recibe en promedio dos llamadas de socorro
cada semana. Calcule la probabilidad que la semana que viene reciba:

a) Tres llamadas de socorro

b) Cuatro llamadas de socorro
c) Un máximo de dos llamadas de socorro.

2.- INTRODUCCION A LA TEORIA DEL MUESTREO

2.1.- MUETREO ALEATORIO

Aquí los elementos de la muestra se seleccionan al azar de entre

todos los elementos de la población. Los métodos que utiliza este
muestreo se basan en la teoría de las probabilidades y el tamaño
de la muestra a tomar va a depender del grado de incertidumbre

40
que se desea tener cuando se pretenda inferir los resultados
obtenidos en la muestra hacia toda la población. Es obvio que a
mayor tamaño de muestra, menor grado de incertidumbre; de tal
manera que si en lugar de tomar una muestra se realiza un censo,
el grado de incertidumbre en los resultados se reduce a cero.

Entre las distintas formas en que puede realizarse este muestreo

se encuentran el muestreo aleatorio simple y el muestro aleatorio
estratificado.

2.1.1.- Muestreo aleatorio simple: Para llevar a cabo esta

forma de muestreo, una vez que se ha calculado el número de
elementos que integrarán la muestra de acuerdo al tamaño de la
población y al grado de incertidumbre que se desea en los
resultados, se realizará un sorteo entre todos los elementos que
constituyen la población en estudio para conocer quiénes
resultarán favorecidos y conformarán la muestra. Ejemplo:
Supongamos que deseamos conocer la edad promedio de los 50
estudiantes de la sección 01 del curso de Estadística y que esta
variable queremos inferirla utilizando una muestra que nos provea
un valor con un 98% de confiabilidad. Al efectuar los cálculos de
cuál debe ser el tamaño mínimo de esta muestra nos encontramos,
que por ejemplo, es de 10 alumnos.

Para conocer quiénes serán los 10 alumnos seleccionados para

conformar esta muestra, que deseamos se tome mediante un
muestreo aleatorio simple, se procede a colocar el nombre y
apellido, cédula de identidad o cualquiera otra identificación de
cada uno de los 50 estudiantes en un listado de computadora o en
un papel. Luego se le pide al computador que seleccione, o se
escoge manualmente, al azar, 10 identificaciones de las 50. Estos
10 nombres seleccionados constituirán la muestra y a esos
alumnos se les preguntará su edad; de tal forma, que la edad
promedio de estos 10 alumnos, podemos decir con un 98% de
probabilidad, que será la edad promedio de los 50 estudiantes de
la sección 01.

41
 2.1.2.- Muestreo aleatorio estratificado: Para obtener una
muestra aleatoria estratificada, se divide previamente la
población en diferentes estratos de acuerdo a las modalidades que
pueda tener un atributo o a los valores que pueda tomar una
variable. De esta forma resultan varios grupos que son más
homogéneos, de acuerdo a un carácter, que la población como un
todo. Luego se realizan muestreos aleatorios simples en cada uno
de los estratos y el tamaño de la “sub-muestra” en cada estrato,
dependerá del tipo de muestreo estratificado del cual se trate.
Veamos:

2.1.2.1.- Proporcional: En este caso la proporción que guarda

cada una de las sub-muestras dentro de la muestra es igual a la
proporción que guarda cada uno de los estratos en la población.
Veámoslo con un ejemplo: Supóngase que para efectuar la
investigación sobre la edad promedio de los 50 estudiantes
mencionados en la sección 3.1.1, se divide a los estudiantes
previamente en estratos de acuerdo al atributo “lugar de
procedencia”, de la siguiente forma:

Lugar de procedencia Nº de estudiantes

Región Llanera 20
Región andina 15
Región Central 10
Otras Regiones 5
Total 50

Supongamos que el tamaño de muestra ideal para efectuar este

estudio, con un 98% de seguridad al inferir el resultado de la
muestra a toda la población, es nuevamente 10 estudiantes.
Entonces, para que el número de elementos de cada estrato en la
muestra guarde la misma proporción que el número de elementos
de cada estrato en la población, se procede de la siguiente forma:

Proporción existente entre el tamaño de la muestra y el de la

10
población = 50 = 0,20

42
 Aplicando esta proporción al número de estudiantes que posee
cada estrato, se obtiene el número de estudiantes con el que
contribuirá cada segmento para la conformación de la muestra.
Veamos:

Lugar de procedencia Nº de estudiantes Nº de estudiantes

en población en muestra
Región Llanera 20 4
Región andina 15 3
Región Central 10 2
Otras Regiones 5 1
Total 50 10

Posteriormente se procede a hacer un listado en el computador (o

en papel) con las identidades de los 20 estudiantes procedentes de
la Región Llanera y se seleccionan, al azar, 4 de estas identidades
para integrar la muestra; se hace otro listado con las identidades
de los 15 estudiantes procedentes de la Región Andina y se
seleccionan, al azar, 3 de estas identidades para integrar la
muestra; se hace lo propio con las identidades de los 10
estudiantes procedentes de la Región Central y se seleccionan, al
azar, 2 de estas identidades y, finalmente, de Otras Regiones se
selecciona 1. Luego se les pregunta a los 4 estudiantes
procedentes de la Región Llanera, a los 3 estudiantes procedentes
de la Región Andina, a los 2 estudiantes procedentes de la Región
Central y al estudiante seleccionado al azar de Otras Regiones
cuáles son sus edades. Se obtiene el promedio y podemos inferir,
con un 98% de probabilidad, que esta será la edad promedio de
los estudiantes de toda la sección 01 de Estadística, analizada.

2.1.2.2.- No proporcional: En este caso el tamaño de cada uno

de los estratos dentro de la muestra no guarda ninguna proporción
con el tamaño de cada uno de los estratos dentro de la población.
Principalmente puede ser de dos tipos:

a) No proporcional desigual: En este caso lo importante es que la

suma del número de elementos con el que contribuye cada estrato

43
 para conformar la muestra, sea igual al tamaño final de ésta, sin
guardar ninguna relación con el tamaño que tenga cada estrato en
la población.

Por ejemplo, en el ejercicio del punto 3.1.2.1, si la muestra se

hubiera tomado mediante un muestreo aleatorio estratificado no
proporcional desigual, uno de los resultados posibles es el
siguiente:

Lugar de procedencia Nº de estudiantes Nº de estudiantes

en población en muestra
Región Llanera 20 3
Región andina 15 3
Región Central 10 2
Otras Regiones 5 2
Total 50 10

Luego se procede a hacer los listados en el computador por

estrato para seleccionar las identidades de los 3 alumnos de la
Región Llanera, los 3 de la Región Andina, los 2 de la Región
Central y los 2 de Otras Regiones, de manera similar a como se
expuso en el anterior punto 3.1.2.1.

b) No proporcional igual: En este caso el número de elementos que

conforman la muestra es igual para todos los estratos. Veamos el
siguiente ejemplo:

Supóngase que con los alumnos del ejercicio del punto 3.1.2.1 se
desea tomar una muestra aleatoria estratificada no proporcional
igual, de 12 elementos. El siguiente sería el resultado (nótese que
si la muestra fuera de 10 elementos no se podría tomar):

Lugar de procedencia Nº de estudiantes Nº de estudiantes

en población en muestra
Región Llanera 20 3
Región andina 15 3
Región Central 10 3
Otras Regiones 5 3

44
 Total 50 12

Posteriormente se procede de manera similar al punto 3.1.2.1.

2.2.- MUETREO NO ALEATORIO

El muestreo no aleatorio es un tipo de muestreo que se basa en

el conocimiento y experiencia del investigador acerca de la
población que se estudia. Así, los elementos que integran la
muestra son seleccionados utilizando criterios muy personales del
investigador y por tanto los resultados obtenidos en el estudio no
responden a la teoría de la probabilidad.

2.3.- LA DISTRIBUCION DEL MUESTREO

La Estadística Inductiva o Inferencial nos provee las

herramientas para estimar las características de una población a
partir del estudio de una muestra de ella; debemos contentarnos
con usar estadísticas muestrales para estimar los parámetros
poblacionales y luego formular proposiciones acerca de la
confiabilidad o exactitud con la que tal estadística describe al
parámetro poblacional que nos interesa. Para establecer la
confiabilidad o exactitud con que un estadístico muestral describe
a un parámetro poblacional, hay que conocer la probabilidad de
que ocurra ese valor específico del estadístico para todo valor
posible del parámetro poblacional y para todo tamaño muestral
posible.

Toda medida estadística calculada a partir de una muestra, nos da

una idea del valor correspondiente de dicha medida en la
población. Si tomamos una segunda muestra de igual tamaño bajo
las mismas condiciones y calculamos los mismos estadísticos,
éstos probablemente tendrán valores algo diferentes a los de la
primera muestra; si se toma otra muestra, probablemente sucederá
lo mismo en cuanto a los estadísticos calculados y así
sucesivamente. Esto significa, que si se toman al azar de un

45
mismo colectivo, un gran número de muestras de igual tamaño,
con reposición, al calcular las medidas de tendencia central,
dispersión, asimetría, etc., para cada muestra, éstas presentarán
valores diferentes entre las muestras, pero tenderán a acercarse en
su mayoría al valor del parámetro respectivo y en una mínima
proporción se ubicarán en regiones lejanas de éstos.

A la distribución de todos estos estadísticos alrededor de su

parámetro se le conoce como distribución en el muestreo o
distribución muestral.

2.3.1.- Distribución en el muestreo de la media: La distribución

muestral de X es la distribución probabilística de todos los
valores posibles de X que pueden ocurrir cuando se toma una
muestra, de tamaño n, de alguna población específica.

3.3.1.1.- Teorema Central del Límite: “Si de una población

normal con media µ y varianza σ 2 se extraen sucesivas
muestras al azar de tamaño n, la distribución de probabilidad
de la media de las muestras será también una normal, con
σ2
media µ y varianza n
”.
Esto significa que la media aritmética, X , de las medias
aritméticas, X , de las diferentes muestras de tamaño n tomadas
de una población normal, es igual al parámetro µ y la varianza
entre las medias se puede calcular con la varianza de la
población, de la siguiente manera:

σ2 σ
σ X2 = ; cuya desviación típica es: σX = (7.1)
n n

A la desviación típica σ de la distribución en el muestreo de

X

las medias se le llama “error típico de la media” y como se

deriva de su fórmula, depende, tanto del grado de dispersión
que existe en la población con respecto a la media aritmética
(σ), como del tamaño de la muestra (n). A menor dispersión en
la población y/o mayor tamaño de muestra, menor error típico.

46
Como, por lo general, es difícil contar con la desviación típica
de la población (σ) y con lo que se cuenta es con la desviación
típica de la muestra (s) y tomando en consideración que la
desviación típica de una muestra es menor que la desviación
típica de la población de la cual proviene, es posible aproximar
“s” a “σ”. Para ello, primero se calcula “s” con la siguiente
expresión:

s = ( Xi − X ) ;
2

(7.2), y luego se calcula el error

n −1
típico de esta forma:

s
σX = (7.3)
n

Ejemplo 7.1: Sea X la media de una muestra aleatoria de

tamaño 36 de una distribución normal con media poblacional
igual a 5 y con desviación estándar igual a 6. Determine K tal
que la probabilidad que X sea mayor o igual a K sea 0,95.

Solución: Los datos del problema son los siguientes:

X = K; P ( X ≥ K) = 0,95; n = 36; µ = 5;
σ=6

Para que el área al lado derecho de K sea igual a 0,95, K

deberá estar ubicado al lado izquierdo de µ en la curva normal.
El valor 0,95 proviene de la suma de dos áreas: 0,4500 +
0,5000, por lo que deberá buscarse en el Apéndice 1 (Tabla de
Áreas Bajo la Curva Normal Tipificada) el valor de Z para un
área = 0,4500 en el lado negativo de la Curva Normal; esto es:
Z = - 1,64. Viéndolo gráficamente

47
 σ 6
σX = = =1
n 36

X −µ K −5
Z= σX → - 1,64 = 1
→ K = 5 – 1,64
→ K = 3,36

lo cual significa que existe solamente un 5% de probabilidad,

que al tomar de esta población una muestra de 36 elementos,
ésta tenga una media aritmética inferior o igual a 3,36.

2.3.1.2.- Ley de los grandes números: “Si se extraen al azar

diferentes muestras de tamaño n de una población cualquiera
con media µ y varianza σ 2 , entonces a medida que n crece, la
distribución en el muestreo de las medias aritméticas de las
muestras se aproxima a una curva normal, con media µ y
σ2
varianza n
”

Esto significa, que independientemente de la distribución que

presente la población, siempre y cuando el tamaño de las
muestras sea grande (n ≥ 30), la distribución de las medias
aritméticas de estas muestras se aproximará a una normal. Este
hecho tiene una importancia muy singular para la realización
de las pruebas de significación.

Ejemplo 7.2: Si 49 tractores han tenido una media de 5 años

útiles de uso, ¿se puede asumir que fueron fabricados por una
compañía cuyos tractores tienen un promedio de 4 años y 6
meses útiles de uso y una varianza de 8?

48
Solución: Los datos del problema son:

n = 49; X = 5; µ = 4,5; σ2 = 8

σ 8
Se calcula el error típico: σ X
=
n
= 49
= 0,404

X −µ 5 − 4,5
Se calcula Z = σX = 0,404 = 1,24

lo cual significa que la media de los años útiles de uso de esta

muestra de tractores, tiene una diferencia de tan sólo 1,24
errores típicos con la media de los años útiles de los tractores
de esta compañía, por lo que lo más probable es que hayan sido
fabricados por ella.

Cuando el tamaño N de la población no es lo bastante grande

con respecto al tamaño n de la muestra, para el cálculo del
error típico debe incorporarse el siguiente factor de corrección:

σ  N −n 
σX = 


 (7.4)
n  N −1 

Ejemplo 7.3: Los 6 trabajadores que laboran en una empresa

tienen un salario promedio de 3 dólares la hora, con una
desviación típica de 1,29 dólares. Si tomamos muestras de dos
trabajadores con reposición y calculamos el salario promedio
en cada una de ellas, diga ¿cuál es el error típico de la media?

Solución: Datos: N = 6; n = 2; µ = 3; σ = 1,29

Se calcula σ , utilizando la fórmula corregida, ya que N no es

X

mucho mayor que n:

σ  N −n  1,29  6 −2 
σX = 


 =  
 6 −1  = 0,816
n  N −1  2  

Esto significa, que en promedio, la diferencia entre las medias

de las muestras de tamaño 2 de los salarios de estos

49
 trabajadores, con la media del salario de los 6 trabajadores, es
de 0,816 dólares la hora.

2.3.2.- Distribución en el muestreo de la proporción: La

distribución en el muestreo de la proporción, es un conjunto de
proporciones de todas las muestras posibles del mismo tamaño,
extraídas de una población. Si denotamos por p a una proporción
muestral, entonces p , p , p ,...., p serán las K proporciones
1 2 3 n

muestrales obtenidas para las K muestras del mismo tamaño

extraídas de una determinada población. La media aritmética de
estas K proporciones, p , es igual a P o proporción de la población
y el error típico de la proporción o desviación estándar de las
proporciones de las K muestras posibles, es:

P.Q  N − n 
σP =  ; (7.5), ó
n  N −1 

P.Q
σP =
n
, (7.6) cuando el tamaño N de la

población no se conoce o es lo suficiente grande en relación a n.

Cuando se trata de poblaciones, su proporción como ya se dijo, es

P y su desviación típica es: σ = P.Q , en vista que se considera n =
1, en la fórmula binomial de σ.

Ejemplo 7.4: Suponga que de los 6 trabajadores del ejemplo 7.3,

la mitad fuma y la otra mitad no, calcule: a) la media de las
proporciones muestrales, y, b) el error típico de la proporción si se
toman muestras de 4 trabajadores.

3
Solución: a) P = 6
= 0,5 → Q = 1 – P = 1 – 0,5 = 0,5

P.Q  N − n  0,5 x 0,5  6 − 4 

b) σ P = 
n  N −1 
=
4

 6 −1 
= 0,158

La parte a) significa que la proporción de fumadores es 0,5 y la

parte b) se traduce en que, si se calcula la proporción de

50
fumadores en diferentes muestras al azar de tamaño 4 extraídas de
entre estos 6 trabajadores, la diferencia promedio entre ellas y la
proporción P = 0,5 que existe en la población , es de 0,158.

2.3.3.- Distribución en el muestreo de la diferencia entre dos

medias muestrales: Uno de los problemas de mayor interés en la
inferencia estadística es determinar si existen diferencias
significativas entre dos medidas extraídas de diferentes muestras.
Se sabe que al extraer una medida de una muestra, ésta presenta
variaciones con respecto a su valor poblacional; estas variaciones
pueden ser debidas al azar (fluctuaciones del muestreo) o ser
ocasionadas por factores más serios. Igualmente acontece con
medidas similares tomadas de varias muestras que pertenecen a
una misma población; la diferencia entre ellas puede deberse a
fluctuaciones del muestreo y ser “no significativas”, o si “ser
significativas”, por deberse a diferencias reales no producidas por
el azar.

En general una diferencia se considera “significativa”, cuando la

distancia entre dos medidas de muestra, señala una diferencia real
entre los parámetros de las poblaciones a las cuales pertenecen
dichas muestras.

Para conocer la significación de las diferencias de medias,

definamos el siguiente teorema derivado del Teorema Central del
Límite y de la Ley de los Grandes Números: “Si se extraen
muestras independientes al azar, de tamaños n1 y n2 de
poblaciones normales con µ1 , σ 12 y µ 2 , σ 22 respectivamente, la
distribución en el muestreo de la diferencia entre las dos medias
de las muestras X − X , será una normal, con media igual a µ1 − µ2
1 2

σ2
σ2
y varianza igual a 1
+ 2 . En el caso de muestras grandes, esto se
n1 n 2
cumple para cualquier población sea normal o no.

Ejemplo 7.5: En un estudio sobre el rendimiento estudiantil en

Estadística, se obtuvo el siguiente resultado en una muestra de 70
varones y en otra de 65 hembras:

51
 SEXO N NOTA S
PROMEDIO
Varones 70 13,2 5,4
Hembras 65 14,1 4,6

si estas muestras fueron tomadas al azar, ¿se puede considerar que

existen diferencias significativas entre las notas promedio en
Estadística de los varones y las hembras?

Solución: Para resolver el problema debemos actuar como si la

X (nota promedio de la muestra de varones), fuera la media de
1

una muestra que proviene de una población con media µ1 , y la

X (nota promedio de la muestra de hembras), fuera la media de
2

una muestra que proviene de una población con media µ2 . Para

comprobar si existe o no una diferencia real entre ambas medias
muestrales X y X , debemos primero suponer que no existe
1 2

diferencia entre las medias poblacionales µ1 y µ2 , por lo que µ1 -

µ2 =0.

Como el tamaño de las muestras es grande (n ≥ 30), se cumple la

Ley de los Grandes Números y la distribución en el muestreo de
la diferencia de estas medias muestrales se comporta como una
curva normal. Procederemos entonces, al cálculo del error típico
de la diferencia de medias y al cálculo de Z:

( 5,4) 2 + ( 4,6) 2
σ X 1−X 2 = = 0,862
70 65

(X − X 2 ) − ( µ1 − µ2 ) ( X 1 − X 2 ) − 0 14,1 − 13,2
= = = 1.04
Z= 1
σ X 1− X 2 σ X 1− X 2 0,862

lo cual, como veremos más adelante, es un valor que indica una

diferencia poco significativa entre la media de estas muestras y
que debe ser considerada como el producto de errores muestrales,
más que una diferencia real entre las dos poblaciones de
calificaciones. Esto significa, que se concluye, que no hay
diferencias reales entre las notas promedio de los varones y las

52
hembras en las poblaciones de las cuales proceden las dos
muestras.

2.3.4.- Distribución en el muestreo de la diferencia entre dos

proporciones muestrales: Si se extraen al azar distintas muestras
del mismo tamaño, con proporciones p y p , de poblaciones que
1 2

tienen proporciones P1 y P2 respectivamente,

La media de la distribución en el muestreo de p − p es igual a 1 2

P1 − P2 y la varianza es igual a:
P1Q1 P2 Q2
σ p21− p 2 = σ p21 + σ p2 2 = + (7.7)
n1 n2

Cuando las distribuciones en el muestreo de p y p son normales, 1 2

la distribución de las diferencias entre p y p también es normal;

1 2

en caso contrario, la distribución de las diferencias es una normal

cuando el tamaño de las muestras es grande. Además, debe
tenerse presente, que cuando se tienen dos proporciones
muestrales y se desea estimar la proporción de la población de la
cual provienen las muestras, se puede utilizar la siguiente
ecuación:

p1 n1 + p 2 n 2
P= (7.8)
n1 + n 2

Ejemplo 7.6: Una muestra de 500 electores tomada en San

Carlos, mostró que 59,6% de los electores estaban a favor de
determinado candidato a gobernador; mientras que una muestra
de 300 electores tomada en Tinaquillo, mostró que 50% de sus
electores estaban a favor de lo mismo. ¿Significa esto que hay una
diferencia en la opinión de los habitantes de ambas ciudades
acerca de ese candidato a gobernador?

Solución: Los datos que tenemos son:

n1 = 500; n 2 = 300; p1 = 0,596; p 2 = 0,50

Se procede a estimar P y a calcular Q poblacionales:

53
 5

= ∑
p n + p2 n2 Xi
P= 1 1 ; Q = 1 – P = 1 – 0,56 = 0,44
n1 + n 2 i =1

luego se calculan σp1−p 2 y Z:

1 
σp1−p 2 = P.Q +
1
 = ( 0,56 )( 0,44 ) 1
+
1 
= 0,036
 n1 n 2   500 300 

( p1 − p2 ) − 0 0,596 −0,50
Z= σ p1− p 2 = 0,036 = 2,67

lo cual significa (como veremos más adelante) que es significativa

la diferencia entre las proporciones muestrales , es decir, que la
opinión acerca de ese candidato a gobernador es distinta en las
dos ciudades.

2.4.- TEORÍA DE LA ESTIMACIÓN.

Uno de los problemas más importantes que trata de resolver la

inferencia estadística, es la estimación de los parámetros de una
población por medio de los datos contenidos en una muestra. Los
parámetros como la media aritmética, la varianza, la proporción,
etc., representan características importantes de la población que
por lo general al investigador le interesa conocer.

Estos parámetros casi siempre son desconocidos y es poco

práctico (y a veces imposible) analizar todos y cada uno de los
elementos de la población para poder conocer su valor en forma
exacta. La mayoría de las veces debemos conformarnos con hallar
alguna magnitud, a través de una muestra, que nos permita

54
aproximarnos al valor del parámetro desconocido. Es en esto en lo
que consiste el problema de la estimación en Estadística.

La estimación puede hacerse de dos maneras: a) especificando un

valor único para el parámetro poblacional, llamada estimación
puntual (por ejemplo cuando se utiliza la media muestral como un
estimador de la media poblacional); b) calculando un recorrido de
valores dentro del cual podemos razonablemente esperar que esté
el parámetro, lo cual se llama estimación por intervalo.

2.4.1.- Estimación puntual: El valor individual elegido como

más verosímil o de mayor probabilidad para un parámetro
poblacional se llama estimador puntual. Sabemos que sería una
excepcional coincidencia que este estimador fuera idéntico al
parámetro poblacional (a causa del error muestral), por lo que,
aunque se use como estimador puntual al mejor valor posible,
siempre tendremos muy poca confianza en ese valor.

Una de las mayores desventajas de la estimación puntual es que

no permite expresar en ninguna forma el grado de incertidumbre
de tal estimación. La manera más común de expresar la
incertidumbre de una estimación, consiste en definir con
determinada probabilidad de error un intervalo o conjunto de
valores donde se considera que puede estar el parámetro
poblacional. Un procedimiento de este tipo da lugar a una
estimación por intervalo, que es en la cual ahondaremos.

2.4.2.- Estimación por intervalos: Si queremos estimar la media

de una población utilizando para ello la media de una muestra de
tamaño n, podemos obtener diferentes valores para la media
muestral, la mayoría de los cuales no son exactamente iguales a la
media de la población. Es deseable, entonces, calcular algún
intervalo alrededor del valor del estimador, acompañado de
alguna medida que indique la confianza que se puede tener en que
ese intervalo contenga el verdadero valor del parámetro.

55
Al intervalo que se calcula alrededor del valor del estimador se le
conoce como intervalo de confianza y viene expresado por dos
números que constituyen los límites de confianza; a saber:

Límite de confianza inferior = Estimador – Z x (error típico)

Límite de confianza superior = Estimador + Z x (error típico)

donde Z indica el coeficiente de confianza que se desea y está

recogido en el Apéndice 1 como Áreas Bajo la Curva Normal
Tipificada.

2.4.2.1.- Estimación de la media poblacional (µ), a partir de

una media muestral ( X ): El procedimiento a seguir para
realizar una estimación por intervalo de µ a partir de X , es el
siguiente:

i) Se encuentra la media muestral, X

ii) Se calcula el error típico de la media, σX , de la siguiente
forma:

σ  N −n 
σX =   , para muestras pequeñas
n 
 N −1 

σ
σX = , para muestras grandes
n

iii) Se calculan los límites de confianza:

Límite de confianza inferior = X – Z. σ X

Límite de confianza superior = X + Z. σ X

Cuando se calculan los límites de confianza debe tenerse

presente que, para Z = 1, el área bajo la curva normal tipificada
a ambos lados de la media es 2(0,34135) = 0,6827 (véase
Apéndice 1). Esto significa que en el intervalo X ± 1 σ existe X

una probabilidad de 68,27% que se encuentre la media

poblacional µ. De igual manera, encontramos una probabilidad
de 95,45% que µ se encuentre en el intervalo X - 2σ ≤ µ X

56
 ≤ X ± 2 σ ; y una probabilidad de 99,73% que µ se encuentre
X

en el intervalo X - 3 σ ≤ µ ≤ X ± 3 σ .
X X

Ejemplo 7.7: Para investigar la estatura promedio de los 2.000

estudiantes de la UNELLEZ de la ciudad de San Carlos, se tomó
una muestra de 100 estudiantes y se encontró una media muestral
de 165 cm. Si se conoce que la desviación típica de la estatura de
los 2.000 estudiantes es 15 cm, encuentre para la estatura media
de todos los estudiantes de la UNELLEZ – San Carlos, intervalos
de confianza de: a) 68,27% ; b) 95,45% y c) 99,73%.

Solución: i) Se encuentra la media muestral, X = 165 cm

ii) Se calcula el error típico de la media:

σ  N −n  15  2.000 −100 
σX = 

=



=
 1.46 ≈ 1,5
n  N −1  100  2.000 −1 

como n es grande (n ≥ 30), también puede usarse la fórmula

simplificada para σ : X

σ 15
σX = = = 1,5
n 100

iii) Se calculan los intervalos de confianza:

a) Para el 68,27%: X - 1 σ ≤ µ ≤ X ± 1 σ X X

165 cm –1(1,5 cm) ≤ µ ≤ 165 cm +1(1,5 cm) = 163,5

cm ≤ µ ≤ 166,5 cm

b) Para el 95,45%: X - 2 σ ≤ µ ≤ X ± 2 σ X X

165 cm – 2(1,5 cm) ≤ µ ≤ 165 cm + 2(1,5 cm) = 162

cm ≤ µ ≤ 168 cm

c) Para el 99,73%: X - 3 σ ≤ µ ≤ X ± 3 σ X X

165 cm –3(1,5 cm) ≤ µ ≤ 165 cm +3(1,5 cm) = 160,5

cm ≤ µ ≤ 169,5 cm

57
Ejemplo 7.8: Si al tomar una muestra de 49 elementos de una
población se obtiene una media aritmética de 100 y una
desviación típica de 15, estime un intervalo de confianza donde se
encuentren el 99% de las medias de las muestras de ese tamaño
que se tomen de esta población.

Solución: Como no se cuenta con el parámetro σ, sino con el

estadístico s, deberá estimarse aquél a partir del valor de éste.
Como se vio en el punto 7.1.1.1, el valor de s debe ser calculado,
en estos casos, utilizando la siguiente fórmula para que pueda ser
utilizado en lugar de σ para el cálculo de σ : X

s = (X −X)
2
i
;
n −1

como suponemos que el número 15 ha sido calculado de esta

manera, hacemos s ≈ σ y tenemos:

s 15
σX = = = 2,14
n 49

para 99%, Z = 2,58 (Apéndice 1), por lo que el intervalo de

confianza será:

X - 2,58 σ ≤ µ ≤
X X ± 2,58 σ
X

100 – 2,58(2,14) ≤ µ ≤ 100 + 2,58(2,14)

94,48 ≤ µ ≤ 105,52

2.4.2.2.- Estimación de una proporción poblacional (P) a

partir de una proporción muestral (p): El procedimiento a
seguir para encontrar una estimación por intervalo de P a partir
de p es similar al procedimiento utilizado para estimar µ a
partir de X . Veamos:

i) Se encuentra la proporción de la muestra, p

58
ii) Se calcula el error estándar de la proporción, σP , de la
siguiente manera:

P.Q  N − n  P.Q
σP =  ; y para muestras grandes: σP =
n  N −1  n

como para el cálculo de σP debe conocerse la proporción P de

la población y generalmente con lo que se cuenta es con la
proporción p de una muestra, σP puede hacerse igual a s P
utilizando p.q, pero dividiendo entre n – 1, en lugar de n.
Veamos:

p.q  N − n 
σP ≈ sP =  ; y para muestras grandes: σP ≈
n −1  N −1 
p.q
sP = n −1

iii) Se calculan los límites de confianza:

Límite de confianza inferior = p – Z. s P
Límite de confianza superior = p + Z. s P

Ejemplo: 7.9: Una muestra tomada al azar de 400 electores en

Cojedes dio como resultado que 140 de ellos votarán por la
reelección del actual gobernador en las próximas elecciones.
Estime, mediante un intervalo de confianza del 95%, el
porcentaje de los electores de Cojedes que votarán por esta
reelección.

Solución:

i) Se encuentra la proporción de la muestra:

140
p= 400
= 0,35

ii) Se calcula el error estándar de la proporción:

p.q 0,35 (1 − 0,35 )

sP = n −1
= 400 −1
= 0,024

59
 iii) Se calculan los límites de confianza:

como para un intervalo de confianza del 95%, Z = 1,96

(Apéndice 1), se tiene:

Límite de confianza inferior = 0,35 – 1,96(0,024) = 0,397

Límite de confianza superior = 0,35 + 1,96(0,024) = 0,303

0,303 ≤ P ≤ 0,397

Lo cual significa que en 95 de cada 100 muestras que se tomen de

400 electores en Cojedes, entre el 30,3% y el 39,7% de los
electores votarán por la reelección del actual gobernador.

2.4.2.3.- Determinación del tamaño adecuado de una muestra. El

error muestral.

2.4.2.3.1.- Tamaño de muestra para estimar una media

poblacional:

Cuando la media aritmética de la población, µ, se estima a través de

_ _
intervalos de confianza: µ = X i ± Z.σ → µ = X i ± E,
x donde E =
Z.σ x (7.9), y se le conoce como error muestral alrededor de la
media o intervalo máximo de los resultados

1 Z Z
o sea que: E = Z n
σ → n = E
σ → n = ( E σ) 2 ; n≈
Z
( E s) 2 (7.10)

Ejemplo:
En la UNELLEZ San Carlos deseamos conocer la estatura promedio de
todos sus estudiantes con un 99.73% de seguridad y con un intervalo
máximo de 5 cm. Suponiendo que la σ = 10 cm. Para esa población, ¿cuál
deberá ser el tamaño mínimo de la muestra a tomar?

60
Solución:
Para área de confianza igual 0.9973 → Z = 3

Z 3
n = ( E σ) 2 = ( 5 10) 2 = 36 alumnos

Supongamos ahora, que una vez que investigamos la estatura de todos los
estudiantes de la UNELLEZ San Carlos con esta muestra de 36 alumnos
_
obtenemos una media en la muestra X i = 1.67 cm, y una s = 4 cm.

Debemos entonces, con estos valores obtenidos en esta muestra, verificar si

el tamaño n = 36 era el adecuado:

s 4
s =
x
n
= 36
= 0.67

E = Z.s = 3(0.67) = 2 cm
x

Puesto que el error muestral calculado (2 cm) no excede el error muestral

prefijado antes de tomar la muestra (5 cm), el tamaño de la muestra, por
tanto, es el adecuado.

Hagamos ahora el cálculo suponiendo que el s obtenido en la muestra de

tamaño n = 36 no hubiera sido 4 cm, si no s = 12 cm:

s 12
s =
x
n
= 36
= 2.00

E = Z. s = 3(2.00) = 6 cm
x

Como 6 cm supera el error muestral máximo, o intervalo máximo alrededor

de la media µ poblacional, que estamos dispuestos a aceptar, recalculamos
nuevamente el tamaño muestral. Este nuevo tamaño de muestra
evidentemente será superior al anterior:

Z 3
n = ( E σ) 2 = ( 5 12) 2 = 51.84, es decir, 52 alumnos y no 36

61
2.4.2.3.2.-
Tamaño de muestra para estimar una proporción poblacional:
Cuando se trata de proporciones, el intervalo de confianza de la proporción
poblacional es:

P = p ± Z.σ p = p ± E, donde E = Z. σ p (7.11)

“E” es el llamado “error muestral”, o la diferencia entre una proporción

muestral “p” y la verdadera proporción poblacional “P”. Es decir: E = p –
P

PQ
Cuando σ p es sustituida por su valor n
en (1), se tiene:

PQ E PQ E PQ
E=z n
→ z
= n
→ ( z
)2 = n
→

z
→ n = PQ ( E ) 2 (7.12)

Ejemplo:
Un investigador desea conocer si los niños que estudian en las escuelas
bolivarianas de San Carlos están conformes con la calidad de la merienda
que reciben en estas escuelas. Para ello debe calcular el tamaño de muestra
necesario para realizar este estudio. El desea un error muestral máximo de
5% y un nivel de confianza de 94%. Haga el cálculo en los siguientes dos
casos:

a) El investigador supone que el 60% no está conforme.

b) El investigador no tiene ninguna idea del % que no está conforme.

Solución:
a) z (para un área = 0.94/2 = 0.4700) = 1.88
E = 0.05
P = 0.40
Q = 0.60

62
 z 1.88
n = PQ ( E ) 2 = (0.40) (0.60) ( 0.05 ) 2 = 339.3, es decir:
n = 339 niños.

b) Como en este caso no conocemos P ó Q, debemos colocarles

aquellos valores que dan el producto más alto, es decir:
P = 0.5
Q = 1 – 0.5 = 0.5

Haciendo el cálculo de n, se tiene que:

z 1.88
n = PQ ( E ) 2 = (0.50) (0.50) ( 0.05 ) 2 = 353 niños

EJERCICIOS PROPUESTOS 7:

1.- Si en una distribución normal se toma una muestra de 36 elementos con media
65 y desviación estándar 12, ¿cuál será el error típico de la media?

2.- Si en una distribución normal la media es 94 y la desviación típica es 4,2, ¿qué

probabilidad hay que una muestra de esta población de tamaño 81 tenga una media
por encima de 95,1?

3.- ¿Cuál es el intervalo de confianza del 99% para una media aritmética de 60, con
desviación estándar 5 y un tamaño de muestra de 100 elementos?

4.- En un pueblito de pescadores cada uno suele capturar, en promedio, 300 kg

diarios de pescado, con una desviación típica de 50. ¿Qué probabilidad tienen 25 de
ellos de pescar más de 340 kg cada uno en un día cualquiera?

5.- Los 1.500 quesos diarios producidos en una determinada fábrica, tienen un peso
promedio de 20 kg y una desviación típica de 300 gr. ¿Cuál será el error típico
esperado en la distribución muestral de las medias, para muestras de 36 quesos?

6.- El peso promedio de una muestra de 100 fármacos es 90 gr, con una desviación
estándar de 3 gr. ¿Cuál será el intervalo de confianza para el 98% de la producción
total?

63
7.- En una encuesta realizada a 200 habitantes de Tinaquillo escogidos al azar, el
60% manifestó no agradarles la calidad del servicio eléctrico que reciben. ¿Cuáles
serán los límites de confianza del 96% para todos los habitantes de Tinaquillo que
no les agrada el servicio eléctrico?

8.- En 2.304 hectáreas de cebolla fue cosechado un rendimiento promedio de 17.230

kg/ha. Si el límite inferior de confianza para el 95% de probabilidad es 16.415
kg/ha, ¿cuál es el valor de la desviación típica?

9.- Si en una distribución normal de 1.000 elementos la media es 90 y la desviación

típica es 6, ¿qué probabilidad hay si se toma una muestra de 27 elementos que ésta
tenga una media: a) superior a 93?; b) ¿inferior a 89?; c) ¿entre 88 y 91?

10.- De un contingente de 2.000 soldados con un peso promedio de 69 kg y

desviación típica 3, se toma una muestra de 20 elementos. ¿Dentro de qué intervalo
se encuentran el 68,27% de los valores posibles para la media de esta muestra?

11.- Dada la población : 1, 1, 1, 3, 4, 5, 6, 6, 6, 7, encuentre la probabilidad que una

muestra aleatoria de 3 elementos, seleccionada al azar, tenga una media superior a
3,8, pero inferior a 4,5.

12.- En la UNELLEZ un 20% de los estudiantes están a favor de cierto candidato. Si

seleccionamos al azar una muestra de tamaño n = 80, cuál es la probabilidad que:

a) ¿la proporción a favor del candidato esté entre 0,10 y 0,20?

b) ¿la proporción a favor del candidato sea mayor a 0,20?

13.- Al tomar una muestra de 80 familias de la población de El Baúl, se encuentra

que en el 36% de ellas el esposo es quien toma las decisiones financieras. Construya
un intervalo de confianza del 99% para el porcentaje de familias de todo El Baúl en
las cuales el esposo es quien toma las decisiones financieras.

14.- De un total de 1.000 lechosas que transporta un camión, se toma una muestra de
49 y se encuentra que tienen un peso promedio de 2,1 kg y una desviación típica de
0,5. ¿Dentro de cuál intervalo de peso se encuentra el 97% de estas lechozas?

15.- Sea X la media de una muestra aleatoria de tamaño 64, con media poblacional
igual a 20 y desviación estándar igual a 4. Determine W tal que la probabilidad que
X sea menor o igual a W sea 0,80.

16.- Para conocer el porcentaje de todas las amas de casa que usan cierto detergente,
se eligen aleatoriamente 196 hogares. Si en 108 de ellos se usa este producto, ¿cuál
será el intervalo de confianza de 99% para el porcentaje de esta población de amas
de casa que usan el detergente?

17.- Se desea estimar la diferencia en el efecto de una píldora para dormir en los
hombres y las mujeres. Para ello se toma una muestra de 36 hombres, la cual da una
media de 8,75 horas de dormir y una varianza de 9; y una muestra de 64 mujeres, la
cual da una media de 7,25 horas de dormir y una varianza de 4. Determine los

64
 límites de confianza del 95% para la verdadera diferencia, entre las horas promedio
de sueño entre hombres y mujeres, con esta píldora.

18.-Deseamos conocer el tamaño mínimo de muestra que debemos usar, si

deseamos saber el Índice Académico promedio de todos los estudiantes de la
UNELLEZ San Carlos con una confiabilidad del 95.45% y estamos dispuestos a
aceptar un intervalo de confianza o error muestral máximo de 0.10 pts. Supongamos
σ = 0.15 pts para todos los alumnos.
_
Considere, luego, que X i = 3.45 pts y que s = 0.22 pts en la muestra que Ud.tomó.
¿Era adecuado el tamaño de muestra que calculó?

19.-Deseamos conocer el tamaño mínimo de muestra que debemos usar, si

deseamos saber el ingreso económico promedio de todos los representantes de los
niños que estudian en la escuela “Doña Sara”. Estamos dispuestos a aceptar un error
muestral máximo de 50.000 Bs y queremos tener un grado de confianza del 90%.
Supongamos un σ = 30.000 Bs para todos los representantes.
_
Considere, luego, que X i = 400.000 Bs. y que s = 150.000 Bs en la muestra que
Ud tomó. ¿Era adecuado el tamaño de muestra que calculó? ¿Si no es así, cuál
debería ser el verdadero tamaño de la muestra?

APENDICE 1

Áreas bajo la curva normal tipificada 0 a Z.

Z 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0130 0,0190 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0754
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0, 1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879

0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2258 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2518 0,2549
0,7 0,2580 0,2612 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2996 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3106 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389

1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4206 0,4319

1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545

65
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4626 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767

2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4832 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4975 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0.4936

2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,1960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0.4983 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986

3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0.4997 0,4997 0,4997 0,4997 0,4998

3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3.6 0,4999 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000

66