Capı́tulo 2

Distribuciones Muestrales

2.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Distribuciones Muestrales . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Distribución de la Media Muestral (X̄) . . . . . . . . . . 10
2.2.2 Distribución de la Proporción Muestral (b p) . . . . . . . 13
2.2.3 Distribución de la Diferencia de Medias (X̄ − Ȳ ) . . . . 15
2.2.4 Distribución de la Diferencia de Proporciones (b p1 − pb2 ) 17

2.1. Introducción

Inferencia estadı́stica (Estadı́stica II)

Buscar procedimientos inferenciales necesarios para sacar concluciones valederas sobre una caracterı́stica
de una población, en base a la información que está contenida en una muestra. La caracterı́stica de una
población puede ser representada por una variable aleatoria X.

El problema con la variable aleatoria X es que desconocemos:

1. Si conocemos la distribución de probabilidad de X, pero desconocemos los parámetros que lo caracterizan
(media y varianza).
2. En otro caso tenemos una idea de la media y la varianza, pero desconocemos la gráfica de la función de
probabilidad de X.
3. Más grave y que es más frecuente, no tenemos información ni sobre los parámetros, ni sobre forma de la
curva de la función de probabilidad.

7
8 CAPÍTULO 2. DISTRIBUCIONES MUESTRALES

La solución ante esto es:

1. El uso de la muestra nos ayudará a formar una opinión sobre el comportamiento de la caracterı́stica
poblacional.

Muestra Aleatoria
Sea X una caracterı́stica de la población en estudio con función de probabilidad fX (x) o pX (x) con media
E(X) = µ y varianza V (X) = σ 2 . Se dice que un conjunto de n variables aleatorias (v.a.) X1 , X2 , ..., Xn
es una muestra aleatoria (m.a.) de tamaño n seleccionada de la población en estudio, sii:
1. Las variables aleatorias X1 , X2 , ..., Xn son independientes.
2. Las distribuciones de probabilidad de Xi , i = 1, 2, ..., n es la misma que la de X, es decir:

fXi (x) = fX (x) o pXi (x) = pX (x) ∀i = 1, 2, ..., n.

Como implicación de la definición, se tiene:

1. E(Xi ) = E(X) = µ
2. V [Xi ] = V (X) = σ 2
3. La función de probabilidad conjunta de la m.a. X1 , X2 , ..., Xn es
n
Y
fX1 ,...,Xn (x1 , x2 , ..., xn ) = f (xi ) = f (x1 ) · f (x2 ) · · · · · f (xn )
i=1

EJEMPLO 2.1: Muestra Aleatoria (m.a.)

Sea X una v.a. poblacional con función de probabilidad Bernoulli de parámetro p, y X1 , X2 , ..., Xn una
m.a. seleccionada de la población X, es decir

X ∼ B(p) P (X = x) = p(x) = px q 1−x x = 0, 1. µ = E(X) = p σ 2 = V [X] = pq

entonces:
1. la esperanza matemática de cada Xi es:

E(Xi ) = E(X) = p ∀ i = 1, 2, ..., n.

2. la varianza de cada Xi será

V [Xi ] = V [X] = pq ∀ i = 1, 2, ..., n.

3. La función de probabilidad conjunta de la m.a. X1 , X2 , ..., Xn es:

P P
p(x1 , x2 , ..., xn ) = p(x1 ) · p(x2 ) · · · p(xn ) = px1 q 1−x1 · px2 q 1−x2 · · · pxn q 1−xn = p xi n−
q xi

Estadı́stica o Estadı́grafo
Es una función real o vectorial de los elementos de una m.a. X1 , X2 , ..., Xn y no contiene parámetros
desconocidos, es decir:
T = t(X1 , X2 , ..., Xn )
son cantidades o vectores cuyos valores observados se calculan una vez que se ha tomado la muestra y
sirven para realizar inferencias con relación a la población.
2.2. DISTRIBUCIONES MUESTRALES 9

Algunas estadı́sticas:
n
P
Xi
i=1
1. T1 = t1 (X1 , X2 , ..., Xn ) = X̄ = 7→ Media Muestral
n
n
(Xi − X̄)2
P
i=1
2. T2 = t2 (X1 , X2 , ..., Xn ) = S 2 = 7→ Varianza Muestral
n−1
3. T3 = t3 (X1 , X2 , ..., Xn ) = X(1) = mı́n{X1 , X2 , ..., Xn } 7→ el Menor Valor de la Muestra

4. T4 = t4 (X1 , X2 , ..., Xn ) = X(n) = máx{X1 , X2 , ..., Xn } 7→ el Mayor Valor de la Muestra

5. T5 = t5 (X1 , X2 , ..., Xn ) = R = X(n) − X(1) 7→ Amplitud Total de la Muestra

n
P n 
2
P
X (X − X̄)

 i=1 i i=1 i 
6. T6 = t6 (X1 , X2 , ..., Xn ) = X̄, S 2 =  , 
 n n−1 


X n+1 ; si n es impar
 ( 2 )



7. T7 = t7 (X1 , X2 , ..., Xn ) = M e = 7→ Mediana Muestral
X n + X( n +1)
 (2)

 2
; si n es par

2

8. T8 = t8 (X1 , X2 , ..., Xn ) = X̄ − θ 7→ NO ES UNA ESTADÍSTICA, PUES CONTIENE EL PARÁMETRO

DESCONOCIDO θ

2.2. Distribuciones Muestrales

Distribución Muestral
Es la distribución de probabilidad de una estadı́stica calculada a partir de todas las posibles muestras
de tamaño n, elegidas al azar de una población determinada.

En general cuando estudiamos una distribución muestral, nos interesa de la estadı́stica muestral T :

1. Su forma funcional pT (t) (representación gráfica de su función de probabilidad)

2. Su media µT = E(T )

3. Su varianza σT2 = V [T ] y desviación estándar σT (error estándar)

10 CAPÍTULO 2. DISTRIBUCIONES MUESTRALES

2.2.1. Distribución de la Media Muestral (X̄)

Para poder entender mejor el comportamiento de la estadı́stica media muestral (X̄), desarrollamos el siguiente
ejemplo.

EJEMPLO 2.2: Distribución Muestral de la Media

Consideremos una población constituida por N = 5 trabajadores A, B, C, D y E cuyos X: ingresos

mensuales (en miles de $us.) son: 5, 6, 7, 7, 8 respectivamente.

1. Calcular la media µ de la población.

N
P
Xi
i=1
µ=
N
2. Calcular la varianza σ 2 de la población.
N N
(Xi − µ)2 Xi2
P P
i=1 i=1
σ2 = = − µ2
N N

3. Seleccionar con reemplazo (sin reemplazo) todas las muestras posibles de tamaño n = 2 (x1 , x2 ).
4. Determine la media muestral X̄ para cada una de las muestras posibles y construya la distribución
de probabilidad de la media muestral
n
P
Xi
X̄ = i=1
n
5. Calcular la media (esperanza matemática) de la media muestral
X
µX̄ = E(X̄) = x̄i · p(x̄i )

6. Calcular la varianza de la media muestral

X X
2
σX̄ = V (X̄) = (x̄i − µX̄ )2 · p(x̄i ) = E[X̄ 2 ] − µ2X̄ donde E[X̄ 2 ] = x̄2i · p(x̄i )

7. Verificar que se cumple

σ2 σ2
 
2 N −n 2
µ = µX̄ σX̄ = (sin reemplazo) σX̄ = (con reemplazo)
n N −1 n

Theorema 1. Para población Infinita

Sea X una variable poblacional con media µ y varianza finita σ 2 , y sea X1 , X2 , ..., Xn una m.a. de la
población X. Entonces si
n
P
Xi
i=1
X̄ = (media muestral ), tenemos
n

2 σ2
µX̄ = E(X̄) = µ y σX̄ = V [X̄] =
n
2.2. DISTRIBUCIONES MUESTRALES 11

Corolario 1. Si X1 , X2 , ..., Xn es una m.a. extraida de una población X ∼ N (µ, σ 2 ) y si

n
P
Xi
σ2
 
i=1
X̄ = . Entonces X̄ ∼ N µ,
n n

Como consecuencia de este resultado, tenemos

X̄ − µ
Z= σ ∼ N (0, 1)
√
n

EJEMPLO 2.3: Distribución Muestral de la Media

Una máquina que empaqueta bolsas de café automáticamente está regulada para embalar bolsas cuyos
pesos se distribuyen normalmente con media 500 gramos y desviación estándar 10 gramos. Se sabe
también que, a veces, la máquina se desregula y, cuando esto ocurre, el único parámetro que se altera
es la media (500 gr.), permaneciendo la varianza la misma. Para mantener la producción bajo control se
selecciona una m.a. de 110 bolsas y luego se pesa. Calcular la probabilidad de que el promedio de las 110
bolsas difiere de 500 en menos de 2 gramos.
SOLUCIÓN.
Sea X: Peso de una bolsa de café, entonces X ∼ N (µ = 500, σ 2 = 100) con n = 110 (X1 , X2 , ..., Xn ). Ası́

σ2
 
2 100
X̄ ∼ N µX̄ = µ = 500, σX̄ = = = 0.91
n 110

Luego,




P (|X̄ − 500| < 2) = P −2 < X̄ − 500 < 2 = P −2 + 500 < X̄ < 2 + 500 = P 498 < X̄ < 502
 
 498 − 500 X̄ − µ 502 − 500 
=P < σ <  = P (−2.1 < Z < 2.1) = 2ΦZ (2.1) − 1
 10 √ 10 
√ √
110 n 110
P (|X̄ − 500| < 2) = 2 · 0.98214 − 1 = 0.96428.

Teorema 2. Para población Finita

Sea X una variable poblacional con media µ y varianza finita σ 2 , y sea X1 , X2 , ..., Xn una m.a. sin
reemplazo de una población X finita de tamaño N . Entonces si
n
P
Xi
i=1
X̄ = (media muestral ), tenemos
n
σ2
 
2 N −n
µX̄ = E(X̄) = µ y σX̄ = V [X̄] =
n N −1
12 CAPÍTULO 2. DISTRIBUCIONES MUESTRALES

Corolario 2. Si X1 , X2 , ..., Xn es una m.a. extraida sin reemplazo de una población X ∼ N (µ, σ 2 ) y si
n
P
Xi
σ2 N − n
  
i=1
X̄ = . Entonces X̄ ∼ N µ,
n n N −1

Como consecuencia de este resultado, tenemos

X̄ − µ
Z= r ∼ N (0, 1)
σ N −n
√
n N −1

EJEMPLO 2.4: Distribución Muestral de la Media

Las estaturas de 1000 estudiantes están distribuidas aproximadamente en forma normal con una media
de 174.5 centı́metros y una desviación estándar de 6.9 centı́metros. Si se extraen 200 muestras aleatorias
de tamaño 25 sin reemplazo de esta población, determine:

1. El número de las medias muestrales que caen entre 172.5 y 175.8 centı́metros.
2. El número de medias muestrales que caen por debajo de 172 centı́metros.
SOLUCIÓN.
Sea X: Estaturas (cms.) de N = 1000 estudiantes, entonces X ∼ N (µ = 174.5, σ 2 = 6.92 ). Ası́ con una
ma.a. de n = 25
σ2 N − n 6.92 1000 − 25
     
2
X̄ ∼ N µX̄ = µ = 174.5, σX̄ = = = 1.86
n N −1 25 1000 − 1

Luego,
1. El planteamiento y solución es:
 
 172.5 − 174.5 X̄ − µ 175.8 − 174.5 
P (172.5 ≤ X̄ ≤ 175.8) = P  ≤ ≤
 
r r r 
 6.9 1000 − 25 σ N −n 6.9 1000 − 25 
√ √ √
25 1000 − 1 n N −1 25 1000 − 1
= P (−1.47 ≤ Z ≤ 0.96) = ΦZ (0.96) − ΦZ (−1.47)
P (172.5 ≤ X̄ ≤ 175.8) = 0.83147 − 0.07078 = 0.76069. ⇒ (0.76069)(200) = 152 medias muestrales.

2. El planteamiento y solución es:

 
 X̄ − µ 172 − 174.5 
P (X̄ ≤ 172) = P  ≤  = P (Z ≤ −1.83)
 
r r
 σ N −n 6.9 1000 − 25 
√ √
n N −1 25 1000 − 1
P (X̄ ≤ 172) = ΦZ (−1.83) = 0.03362. ⇒ (0.03362)(200) = 7 medias muestrales.
2.2. DISTRIBUCIONES MUESTRALES 13

Theorema 3. Central de Lı́mite (TCL)

Si X1 , X2 , ..., Xn es una m.a. extraida de una población X con media µ y varianza finita σ 2 , entonces por
el TCL, tenemos que:

σ2 σ2 N − n
    
X̄ ∼ N µ, X̄ ∼ N µ,
n n N −1

cuando n es lo suficientemente grande

EJEMPLO 2.5: Distribución Muestral de la Media por TCL

En el último año, el peso de los recién nacidos tiene una media de 3000 gr. y desviación estándar de 140
gr. ¿Cuál será la probabilidad de que la media de una muestra aleatoria (m.a.) de 100 recién nacidos sea
superior a 3030 gr.?
SOLUCIÓN.
Sea X: Peso (grs.) de los recien nacidos, entonces X ∼?(µ = 3000, σ 2 = 1402 ). Ası́ con una m.a. de
n = 100 > 30 por el T.C.L. se tiene:

σ2 1402
 
2
X̄ ≈ N µX̄ = µ = 3000, σX̄ = = = 196
n 100

Luego, El planteamiento y solución es:

 
 X̄ − µ 3030 − 3000 
P (X̄ > 3030) = P   = P (Z > 2.14) = 1 − P (Z ≤ 2.14) = 1 − ΦZ (2.14)
 σ > 140
√

√
n 100
P (X̄ > 3030) = 1 − 0.98382 = 0.01618

2.2.2. Distribución de la Proporción Muestral (b

p)

Una Proporción
Sea X1 , X2 , ..., Xn una m.a. extraida de la población X ∼ B(p). La proporción de elementos portadores
de la caracterı́stica de interés (éxito) en la muestra es dado por:
n
P
Xi
i=1 a
pb = =
n n
la distribución muestral de la estadı́stica pb se denomina distribución muestral de una proporción con:
pq
µpb = E(b
p) = p σp2b = V [b
p] =
n
14 CAPÍTULO 2. DISTRIBUCIONES MUESTRALES

Teorema 4. Para Población Infinita y Finita

n
P
Xi
i=1
Sea X1 , X2 , ..., Xn una m.a. extraida de una población Bernoulli X con parámetro p, y sea pb = la
n
proporción muestral, entonces para un tamaño de muestra n lo suficientemente grande:
1. Si el muestreo se hace c/reemplazo o si la población de la que se extrae la muestra es infinita,
entonces  pq  pb − p
pb ∼ N p, o equivalente Z=r ∼ N (0, 1)
n pq
n

2. Si el muestreo se hace s/reemplazo de una población finita de tamaño N , entonces

  
pq N − n pb − p
pb ∼ N p, o equivalente Z=s   ∼ N (0, 1)
n N −1 pq N − n
n N −1

EJEMPLO 2.6: Distribución Muestral de la Proporción por TCL

Un encuestador polı́tico efectúa un análisis de los resultados de la muestra para hacer pronósticos para
la elección. Supóngase que se trata de una elección con dos candidatos; si un candidato especı́fico recibe,
cuando menos 52 % de los votos en la muestra, entonces se pronosticará que ese candidato será el ganador
de la elección. Si se selecciona una m.a. de 600 votantes, ¿cuál es la probabilidad de que se pronostique
como ganador a ese candidato cuando,
1. el porcentaje real de sus votos es 50.3 %
2. el porcentaje real de sus votos es 60 %

SOLUCIÓN.
 
pq 0.503 · 0.497
1. Tenemos p = 0.503, n = 600 y pb ≈ N p = 0.503, = . Luego la probabilidad
n 600
pedida es:
 
 pb − p 0.52 − 0.503 
P (b  r pq ≥ r (0.503)(0.497)  = P (Z ≥ 0.83) = 1 − P (Z < 0.83) = 1 − ΦZ (0.83)
p ≥ 0.52) = P  

n 600
p ≥ 0.52) = 1 − 0.79673 = 0.20327.
P (b
 
pq 0.60 · 0.40
2. En este caso tenemos p = 0.60, n = 600 y pb ≈ N p = 0.60, = . Luego la probabili-
n 600
dad pedida es:
 
 pb − p 0.52 − 0.60 
p ≥ 0.52) = P 
P (b  r pq ≥ r (0.60)(0.40)  = P (Z ≥ −4) = 1 − P (Z < −4) = 1 − ΦZ (−4)


n 600
p ≥ 0.52) = 1 − 0, 00003 = 0.99997.
P (b
2.2. DISTRIBUCIONES MUESTRALES 15

EJEMPLO 2.7: Distribución Muestral de la Proporción por TCL

Un detallista compra jarras de cristal en grandes cantidades directamente de la fábrica. Tales jarras son
envueltos uno por uno. Algunas veces, el detallista inspecciona las remesas para determinar la proporción
de jarras rotos o defectuosos. Si un cargamento de 800 jarras contiene el 5 % de jarras rotos o defectuosos,
¿cuál es la probabilidad de que el detallista obtenga una m.a. de 200 jarras que presenta el 7 % o más de
defectuosos?
SOLUCIÓN.     
pq N − n 0.05 · 0.95 800 − 200
Tenemos p = 0.05, N = 800, n = 200 y pb ≈ N p = 0.05, = .
n N −1 200 800 − 1
Luego la probabilidad pedida es:
 
 pb − p 0.07 − 0.05 
p ≥ 0.07) = P  r r
P (b ≥r  = P (Z ≥ 1.50) = 1 − P (Z < 1.50)
 
r
 pq N − n (0.05)(0.95) 800 − 200 
n N −1 200 800 − 1
p ≥ 0.52) = 1 − ΦZ (1.50) = 1 − 0.93319 = 0, 06681.
P (b

2.2.3. Distribución de la Diferencia de Medias (X̄ − Ȳ )

Distribución de la Diferencia de Dos Medias Muestrales

Supongamos que X1 , X2 , ..., Xn1 es una m.a. seleccionada de una población X, con media µ1 y varianza
conocida σ12 y Y1 , Y2 , ..., Yn2 una m.a. extraida de una población Y con media µ2 y varianza conocida σ22
y que además las poblaciones X e Y son independientes.
Pn1 Pn2
Xi Yi
i=1 i=1
Sean X̄ = y Ȳ = las medias muestrales. La distribución muestral de la estadı́stica
n1 n2
X̄ − Ȳ se denomina distribución muestral de la diferencia de dos medias muestrales. En este caso tenemos:

µX̄−Ȳ = E[X̄ − Ȳ ] = E[X̄] − E[Ȳ ] = µX̄ − µȲ = µ1 − µ2

σ12 σ2
2
σX̄− 2 2
Ȳ = V [X̄ − Ȳ ] = V [X̄] + V [Ȳ ] = σX̄ + σȲ = + 2
n1 n2

Teorema 5. Para dos Poblaciones Normales X e Y

Sean X1 , X2 , ..., Xn1 una m.a. extraida de una población normal X ∼ N (µ1 , σ12 ), y Y1 , Y2 , ..., Yn2 una
m.a. extraida de una población normal Y ∼ N (µ2 , σ22 ), donde σ12 y σ22 son conocidas. Supongamos que
las poblaciones X e Y son independientes. Entonces la distribución de la estadı́stica X̄ − Ȳ es dado por

σ12 σ22
 
X̄ − Ȳ ∼ N µ1 − µ2 , +
n1 n2

Como consecuencia de este resultado tenemos:

(X̄ − Ȳ ) − (µ1 − µ2 )
Z= s ∼ N (0, 1)
σ12 σ22
+
n1 n2
16 CAPÍTULO 2. DISTRIBUCIONES MUESTRALES

EJEMPLO 2.8: Dos Poblaciones Normales Independientes

El consumo promedio diario de carne de pollo en una población determinada es de 500 gramos y en otra
de 400 gramos. Supongamos que los valores del consumo de carne de pollo en las dos poblaciones estan
distribuidos normalmente con una desviación estándar de 100 gramos. ¿Cuál es la probabilidad de que
dos muestras aleatorias e independientes de tamaño 25 extraida de cada población arrojen una diferencia
entre medias muestrales de 50 gramos o de menos?
SOLUCIÓN.
Tenemos X ∼ N (µ1 = 500, σ12 = 10000) con n1 = 25, también Y ∼ N (µ2 = 400, σ22 = 10000) con
n2 = 25. Luego la distribución de X̄ − Ȳ será:

σ12 σ22
 
10000 10000
X̄ − Ȳ ∼ N µ1 − µ2 = 500 − 400 = 100, + = + = 800
n1 n2 25 25

Por tanto, la probabilidad pedida es

 
−50 − 100 50 − 100
P (|X̄ − Ȳ | ≤ 50) = P (−50 ≤ X̄ − Ȳ ≤ 50) = P √ ≤Z≤ √ = P (−5.30 ≤ Z ≤ −1.77)
800 800
P (|X̄ − Ȳ | ≤ 50) = ΦZ (−1.77) − ΦZ (−5.30) = 0.03836 − 0.00000 = 0.03836.

Corolario 3. Si las poblaciones X e Y no poseen distribuciones normales pero que n1 y n2 son m.a. lo
bastante grandes (por el TCL), entonces la distribución muestral de la estadı́stica X̄ − Ȳ será aproxi-
σ2 σ2
madamente normal con media µ1 − µ2 y varianza 1 + 2 .
n1 n2

EJEMPLO 2.9: Dos Poblaciones Independientes NO Normales (TCL)

Analizando los salarios de los trabajadores de dos Comunidades Autónomas se deduce que en la Comu-
nidad A el salario medio es de 129000 ptas. con una varianza de 2500 ptas2 ., y en la Comunidad B el
salario medio es de 128621 ptas. con una varianza de 3000 ptas2 . Si tomamos una muestra aleatoria de
36 personas en la Comunidad A y de 49 personas en la Comunidad B, determinar la probabilidad de que
la muestra procedente de la Comunidad A tenga un salario medio que sea al menos 400 ptas. superior al
salario medio de la Comunidad B.
SOLUCIÓN.
Observamos que no hemos dicho que las poblaciones, de partida son normales, pues no es necesario ya
que como los tamaños muestrales n1 = 36 y n2 = 49, son mayores o iguales que 30, la aproximación a
la distribución normal dada por el TCL es muy buena, sin necesidad de que las poblaciones de partida
sean normales.
La información que tenemos es:
Población A: µ1 = 129000 σ12 = 2500 n1 = 36
Población B: µ2 = 128621 σ22 = 3000 n2 = 49

la distribución muestral de la diferencia de los salarios medias muestrales X̄ − Ȳ será:

 
2500 3000
X̄ − Ȳ ≈ N 129000 − 128621 = 379, + = 11.432
36 49

El planteamiento y la probabilidad pedida es

 
(X̄ − Ȳ ) − 379 400 − 379
P (X̄ − Ȳ ≥ 400) = P ≥ = P (Z ≥ 1.83) = 1 − P (Z < 1.83)
11.43 11.43
P (X̄ − Ȳ ≥ 400) = 1 − ΦZ (1.83) = 1 − 0.96638 = 0.03362.
2.2. DISTRIBUCIONES MUESTRALES 17

2.2.4. p1 − pb2 )
Distribución de la Diferencia de Proporciones (b

Distribución de la Diferencia de Dos Proporciones Muestrales

Supongamos que X1 , X2 , ..., Xn1 es una m.a. seleccionada de una población X ∼ B(p1 ), y Y1 , Y2 , ..., Yn2
una m.a. extraida de una población Y ∼ B(p2 ) y que además las poblaciones X e Y son independientes.
Pn1 Pn2
Xi Yi
i=1 a1 i=1 a2
Sean pb1 = = y pb2 = = las proporciones muestrales. La distribución muestral de
n1 n1 n2 n2
la estadı́stica pb1 − pb2 se denomina distribución muestral de la diferencia de dos proporciones muestrales.
En este caso tenemos:

p1 − pb2 ] = E[b
µpb1 −bp2 = E[b p1 ] − E[b
p2 ] = µpb1 − µpb2 = p1 − p2
p1 q1 p2 q2
σp2b1 −bp2 = V [b
p1 − pb2 ] = V [b p2 ] = σp2b1 + σp2b2 =
p1 ] + V [b +
n1 n2
Si n1 y n2 son bastante grandes, por el TCL la distribución muestral de pb1 − pb2 es aproximadamente
normal, es decir  
p1 q1 p2 q2
pb1 − pb2 ≈ N p1 − p2 , +
n1 n2
Como consecuencia de este resultado, se tiene

p1 − pb2 ) − (p1 − p2 )
(b
Z= r ∼ N (0, 1)
p1 q1 p2 q2
+
n1 n2

EJEMPLO 2.10: Dos Poblaciones Independientes Bernoullis (TCL)

Un psicólogo opina que el 15 % de los adolescentes de la Comunidad A y el 10 % de la Comunidad B sufren

de un problema emocional. En una m.a. de 150 adolescentes de la Comunidad A el psicólogo encontró
que 30 tenı́a ese problema. Una m.a. independiente de 100 adolescentes de la Comunidad B reveló que 7
estaban sufriendo de algún problema emocional.
Supongamos que la opinión que tiene el psicólogo sobre los adolescentes de estas dos Comunidades es
correcta. ¿Cuál es la probabilidad de observar una diferencia entre las proporciones muestrales mayor o
igual a la que realmente se observa?
SOLUCIÓN.
La información que tenemos es:
Comunidad A: p1 = 0.15 q1 = 0.85 n1 = 150
Comunidad B: p2 = 0.10 q2 = 0.90 n2 = 100
Las proporciones muestrales observadas son:
a1 30 a2 7
pb1 = = = 0.20 pb2 = = = 0.07
n1 150 n2 100
Ası́, la diferencia entre las proporciones muestrales observadas es

pb1 − pb2 = 0.20 − 0.07 = 0.13

Por tanto, la probabilidad pedida es:

 
p1 − pb2 ) − (p1 − p2 )
 (b 0.13 − 0.05 
p1 − pb2 ≥ 0.13) = P 
P (b r ≥ r  = P (Z ≥ 1.91)
 p1 q1 p2 q2 (0.15)(0.85) (0.10)(0.90) 
+ +
n1 n2 150 100
p1 − pb2 ≥ 0.13) = 1 − P (Z < 1.91) = 1 − ΦZ (1.91) = 1 − 0.97193 = 0.02807.
P (b