0% encontró este documento útil (0 votos)
66 vistas11 páginas

Melschlichting: Relacion1 PDF

Descargar como pdf o txt
Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1/ 11

MelSchlichting

www.wuolah.com/student/MelSchlichting

21527

relacion1.pdf
(Corregido bis) Relación 1 resuelta

3º Inferencia Estadística

Grado en Matemáticas

Facultad de Ciencias
Universidad de Granada

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su
totalidad.
a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Relación de ejercicios 1: Introducción a la


Inferencia Estadística. Estadísticos muestrales. 1
Ejercicio 1.

Sea (X1 , . . . , Xn ) una muestra aleatoria simple de una variable aleatoria X. Dar el espacio muestral
y calcular la función masa de probabilidad de (X1 , . . . , Xn ) en cada uno de los siguientes casos:
a) X {B(k0 , p); p ∈ (0, 1)} Binomial.
b) X {P (λ); λ ∈ R+ } Poisson.
c) X {BN (k, p); p ∈ (0, 1)} Binomial Negativa.
d) X {G(p); p ∈ (0, 1)} Geométrica.

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
e) X {PN ; N ∈ N}, PN (X = x) = N1 , x = 1, . . . , N .

SOLUCIÓN
Sea X1 , . . . , Xn una muestra aleatoria simple de la variable X.
 
k0 x
a) X B(k0 , p) ⇒ Pp [X = x] = p (1 − p)k0 −x , x = 0, . . . , k0 ← F. masa de probabilidad.
x
Por tanto, χ = {0, . . . , k0 } ⇒ χn = {0, . . . , k0 }n .

Pp [X1 = x1 , . . . , Xn = xn ] = Pp [X1 = x1 ] · · · · · Pp [Xn = xn ] = Pp [X = x1 ] · · · Pp [X = xn ]


    n   P Pn
k 0 x1 k0 −x1 k 0 xn k0 −n
Y k0 n
= p (1 − p) ··· p (1 − p) = p i=1 xi (1 − p)nk0 − i=1 xi
x1 xn xi
i=1
para valores (x1 , . . . , xn ) ∈ {0, . . . , k0 }n

donde hemos usado que X1 , . . . , Xn son independientes (luego la función masa de probabilidad
conjunta es el producto de las funciones masa de probabilidad marginales) e idénticamente
distribuidas a X.
λx
b) X P (λ), λ ∈ R+ ⇒ Pλ [X = x] = e−λ , x ∈ N ∪ {0} ← F.m.p.
x!
Por tanto, χ = N ∪ {0} ⇒ χn = (N ∪ {0})n .

Pλ [X1 = x1 , . . . , Xn = xn ] = Pλ [X1 = x1 ] · · · · · Pλ [Xn = xn ] = Pλ [X = x1 ] · · · Pλ [X = xn ]


Pn
x1 xn λ x1 λ xn λ i=1 xi
−λ λ −λ λ
=e ···e = (e · · · e ) −λ
··· −λ
= e−nλ Qn , (x1 , . . . , xn ) ∈ (N ∪ {0})n
x1 ! xn ! x1 ! xn ! i=1 x i !

x + k0 − 1
 
c) X BN (k0 , p), p ∈ (0, 1) ⇒ Pp [X = x] = (1 − p)x pk0 , x ∈ N ∪ {0} ← F.m.p.
x
Así, χ = N ∪ {0} ⇒ χn = (N ∪ {0})n .

1
Si encuentras algún error en el documento, escribe un correo electrónico a melferizq@gmail.com.

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Pp [X1 = x1 , . . . , Xn = xn ] = Pp [X1 = x1 ] · · · · · Pp [Xn = xn ] = Pp [X = x1 ] · · · Pp [X = xn ]


x1 + k0 − 1 xn + k 0 − 1
   
x1 k 0
= (1 − p) p · · · (1 − p)xn pk0
x1 xn
Pn n 
xi + k0 − 1
Y 
nk0 xi
= p (1 − p) i=1 , (x1 , . . . , xn ) ∈ (N ∪ {0})n .
xi
i=1

d) X G(p) ⇒ Pp [X = x] = (1 − p)x p, x ∈ N ∪ {0} ← F.m.p.


Por tanto, χ = N ∪ {0} ⇒ χn = (N ∪ {0}).

Pp [X1 = x1 , . . . , Xn = xn ] = Pp [X1 = x1 ] · · · · · Pp [Xn = xn ] = Pp [X = x1 ] · · · Pp [X = xn ]


Pn
= (1 − p)x1 p · · · (1 − p)xn p = pn (1 − p) i=1 xi

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
, (x1 , . . . , xn ) ∈ (N ∪ {0}).

1
e) X {PN : N ∈ N}, PN (X = x) = , x = 1, . . . , N ← F.m.p.
N
El conjunto
[ de
[valores de X para N fijo es χN = {1, . . . , N }. Así, el conjunto de valores de X
es χN = {1, . . . , N } = N ⇒ χn = Nn .
n∈N n∈N

PN [X1 = x1 , . . . , Xn = xn ] = PN [X1 = x1 ] · · · · · PN [Xn = xn ] = PN [X = x1 ] · · · PN [X = xn ]


1 1 1
= I[1,N] (x1 ) · · · I[1,N] (xn ) = n I[1,N] (x1 ) · · · I[1,N] (xn ), (x1 , . . . , xn ) ∈ Nn
N N N
Por tanto, la función masa de probabilidad de la muestra aleatoria simple será 0 cuando alguno
de los valores xi considerados no esté dentro del intervalo [1, N] pues la función indicadora
evaluada en ese punto será 0, y por tanto estaremos haciendo un producto en el que uno de
los factores es 0. Así, no podemos decir que la f.m.p. sea N1n .
Otra forma de expresar la función masa de probabilidad muestral es la siguiente:
1

 N n máx xi ≤ N


P [X1 = x1 , . . . , Xn = xn ] = , (x1 , . . . , xn ) ∈ Nn


0 máx xi > N

Ejercicio 2.

Sea (X1 , . . . , Xn ) una muestra aleatoria simple de una variable aleatoria X. Dar el espacio muestral
y calcular la función de densidad de (X1 , . . . , Xn ) en cada uno de los siguientes casos:
a) X {U (a, b); a, b ∈ R, a < b} Uniforme.
b) X {N (µ, σ 2 ); µ ∈ R, σ 2 ∈ R+ } Normal.
c) X {Γ(p, a); p, a ∈ R+ } Gamma.
d) X {β(p, q); p, q ∈ R+ } Beta.
e) X {Pθ ; θ ∈ R+ }, fθ (x) = 2√1xθ , 0 < x < θ.

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

SOLUCIÓN
1
a) X U (a, b), a, b ∈ R, a < b ⇒ fX (x) = , x ∈ (a, b) ← Función de densidad.
b−a
[
Por tanto, χa,b = (a, b) ⇒ χ = χa,b = R ⇒ χn = Rn .
(a,b)∈Θ

1

n
 (x1 , . . . , xn ) ∈ Rn / mı́n xi > a, máx xi < m
fa,b (x1 , . . . , xn ) = (b − a)n
0 (x1 , . . . , xn ) ∈ Rn / mı́n xi ≤ a, máx xi ≥ m

(x − µ)2
 
2 2 + 1
b) X N (µ, σ ), µ ∈ R, σ ∈ R ⇒ fX (x) = √ exp − , x ∈ R ← F. densidad.
σ 2π 2σ 2

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Así, χµ,σ2 = R = χ ⇒ χn = Rn .
n
!
1 −1 X (xi − µ)2
fµ,σ2 (x1 , . . . , xn ) = fX (x1 ) · · · fX (xn ) = √ n exp , (x1 , . . . , xn ) ∈ Rn
(σ n) 2 σ2
i=1

ap p−1 −ax
c) X Γ(p, a), p, a ∈ R+ ⇒ fX (x) = x e , x ∈ R+ ← Función de densidad.
Γ(p)
Así, χp,a = R+ = χ ⇒ χn = (R+ )n .

ap p−1 −ax1 ap p−1 −axn


fp,a (x1 , . . . , xn ) = fX (x1 ) · · · fX (xn ) = x1 e ··· x e
Γ(p) Γ(p) n
n
!p−1 n
!
ap+n Y X
= xi exp −a xi , (x1 , . . . , xn ) ∈ (R+ )n
(Γ(p))n
i=1 i=1

Γ(p + q) p−1
d) X β(p, q), p, q ∈ R+ ⇒ fX (x) = x (1−x)q−1 , x ∈ (0, 1) ← Función de densidad.
Γ(p)Γ(q)

Por tanto, χp,q = (0, 1) = χ ⇒ χn = (0, 1)n .

Γ(p + q) p−1 Γ(p + q) p−1


fp,q (x1 , . . . , xn ) = fX (x1 ) · · · fX (xn ) = x1 (1 − x1 )q−1 · · · x (1 − xn )q−1
Γ(p)Γ(q) Γ(p)Γ(q) n
 n
n Y !p−1 n !q−1
Γ(p + q) Y
= xi (1 − xi ) , (x1 , . . . , xn ) ∈ (0, 1)n
Γ(p)Γ(q)
i=1 i=1

1
e) X Pθ , θ ∈ R+ ⇒ fθ (x) = √ , 0 < x < θ ← Función de densidad.
2 xθ
[
Por tanto, χθ = (0, θ) ⇒ χ = (0, θ) = R+ ⇒ χn = (R+ )n .
θ∈R+
 n
1 Y 1
√ √ máx xi < θ


f(X1 ,...,Xn ) (x1 , . . . , xn ) = 2n θ n
i=1
xi , (x1 , . . . , xn ) ∈ (R+ )n

0 máx xi ≥ θ

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Ejercicio 3.

Se miden los tiempos de sedimentación de una muestra de partículas flotando en un líquido. Los
tiempos observados son: 11.5, 1.8, 7.3, 12.1, 1.8, 21.3, 7.3, 15.2, 7.3, 12.1, 15.2, 7.3, 12.1, 1.8, 10.5,
15.2, 21.3, 10.5, 15.2, 11.5.
a) Construir la función de distribución muestral asociada a dichas observaciones.
b) Hallar los valores de los tres primeros momentos muestrales respecto al origen y respecto a la
media.
c) Determinar los valores de los cuartiles muestrales.

SOLUCIÓN
Sea la variable X = tiempo de sedimentación.

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
a) Tengamos en cuenta que en este caso no conocemos el espacio muestral de X pues no sabemos
qué valores posibles toma X ya que solo estamos trabajando con una observación particular
suya.
Consideramos la observación (x1 , · · · , x7 ) = (1′ 8, 7′ 3, 10′ 5, 11′ 5, 12′ 1, 15′ 2, 21′ 3).


 0 x < 1,8
3/20 1,8 ≤ x < 7,3




FX1 ,...,X20 (x) = 7/20 7,3 ≤ x < 10,5

 .. ..
. .




1 x ≥ 21,3

n n
1X k 1X
b) Ak = Xi ≡ momento no centrado, Bk = (Xi − X̄)k ≡ momento centrado.
n n
i=1 i=1

20
1 X 218,3
A1 = X̄ = Xi = · · · = = 10,915
20 20
i=1

20
1 X 2 2976,65
A2 = Xi = · · · = = 148,9325
20 20
i=1
20
1 X 3 45619,673
A3 = Xi = · · · = = 2280,98635
20 20
i=1
20
X
B1 = 0 por ser (Xi − X̄) = 0
i=1
20
1 X 2978,65
B2 = (Xi − X̄)2 = · · · = − 10,9152 = 29,79528
20 20
i=1
20
1 X
B3 = (Xi − X̄)3 = · · · = 4,954559
20
i=1

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

c) Para los cuartiles consideramos Cp , con p = 1/4, p = 1/2, p = 3/4.

1 20 x5 + x6 7,3 + 7,3
p= ⇒ np = = 5 ∈ N ⇒ C1/4 = = = 7,3
4 4 2 2
1 20 x10 + x11 11,5 + 11,5
p= ⇒ np = = 10 ∈ N ⇒ C1/2 = = = 11,5
2 2 2 2
3 20 · 3 x15 + x16 15,2 + 15,2
p = ⇒ np = = 15 ∈ N ⇒ C3/4 = = = 15,2
4 4 2 2

Ejercicio 4.

Se dispone de una muestra aleatoria simple de tamaño 40 de una distribución exponencial de media

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
3. ¿Cuál es la probabilidad de que los valores de la función de distribución muestral y teórica en
x = 1 difieran menos de 0.01? Aproximadamente, ¿cuál debe ser el tamaño muestral para que dicha
probabilidad sea como mínimo 0.98?

SOLUCIÓN
X exp(λ), E[X] = 3, (X1 , . . . , X40 ) m.a.s. ⇒ n = 40.
1 1
a) Sabemos que E[X] = = 3 ⇒ λ = ⇒ X exp(1/3).
λ 3
Z 1
Tengamos en cuenta que FX (1) = λe−λt dt = 1 − e−1/3 = 0,2834.
0

P (|Fn∗ (1) − FX (1)| < 0,01) = P (−0,01 < Fn∗ (1) − 0,2834 < 0,01) = P (0,2734 < Fn∗ (1) < 0,2934)
 
40
∗ ∗
= P (10,936 < 40Fn (1) < 11,736) = P (40Fn (1) = 11) = 0,283411 0,716629 = 0,139
11
donde hemos usado que 40Fn∗ (1) B(40, FX (1)) y que esta distribución es discreta.
b) Estamos buscando un n tal que P (|Fn∗ (1) − FX (1)| < 0,01) ≥ 0,98.
• nFn∗ (1) B(n, FX (1)) ≈ N (nFX (1), nFX (1)(1 − FX (1))).

nFn∗ (1) − nFX (1) (Fn∗ (1) − 0,28347) n
• p = √ ≈ Z N (0, 1).
nFX (1)(1 − FX (1)) 0,20311
√ 


∗ 0,01 n
P (|Fn (1) − 0,28347| < 0,01) ≈ P |Z| < √ = P (|Z| < 0,02219 n)
0,20311

= 2P (Z < 0,02219 n) − 1 ≥ 0,98
donde hemos utilizado que
P (|Z| < z) = P (−z < Z < z) = P (Z < z) − P (Z < −z) = P (Z < z) − P (Z > z)
= P (Z < z) − (1 − P (Z < z)) = 2P (Z < z) − 1
Por tanto:
√ √
P (Z < 0,02219 n) ≥ 0,99 ⇒ 0,02219 n ≥ 2,33 ⇒ n ≥ 11027

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Ejercicio 5.

Se dispone de una muestra aleatoria simple de tamaño 50 de una distribución de Poisson de media
2. ¿Cuál es la probabilidad de que los valores de la función de distribución muestral y la teórica, en
x = 2, difieran menos de 0.02? Aproximadamente, ¿qué tamaño muestral hay que tomar para que
dicha probabilidad sea como mínimo 0.99?

SOLUCIÓN
X P (λ), (X1 , . . . , Xn ) m.a.s. ⇒ n = 50, E[X] = 2 ⇒ λ = 2 ⇒ X P (2).
2
X 2k
Por tanto, FX (2) = e−2 = 5 · e−2 = 0,6767.
k!
k=0

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
a)

P (|Fn∗ (2) − FX (2)| < 0,02) = P (−0,02 < Fn∗ (2) − FX (2) < 0,02) = P (0,6567 < Fn∗ (2) < 0,6967)
= P (32,835 < Fn∗ (2) · 50 < 34,835) = P (Fn∗ (2) · 50 = 33) + P (Fn∗ (2) · 50 = 34)
   
50 33 17 50
= 0,6767 0,3233 + 0,676734 0,323316 = · · · = 0,2347
33 34

b) Buscamos un n tal que P (|Fn∗ (2) − FX (2)| < 0,02) = P (|(Fn∗ (2) − 0,67667)| < 0,02) ≥ 0,99.
• nFn∗ (2) B(n, FX (2)) ≈ N (nFX (2), nFX (2)(1 − FX (2))).

nFn∗ (2) − nFX (2) (Fn∗ (2) − 0,67667) n
• p = √ ≈ Z N (0, 1).
nFX (2)(1 − FX (2)) 0,21879
√ 


∗ 0,02 n
P (|Fn (2) − 0,67667| < 0,02) ≈ P |Z| < √ = P (|Z| < 0,04276 n)
0,21879

= 2P (Z < 0,04276 n) − 1 ≥ 0,99

donde hemos utilizado que

P (|Z| < z) = P (−z < Z < z) = P (Z < z) − P (Z < −z) = P (Z < z) − P (Z > z)
= P (Z < z) − (1 − P (Z < z)) = 2P (Z < z) − 1

Por tanto:
√ √
P (Z < 0,04276 n) ≥ 0,995 ⇒ 0,04276 n ≥ 2,575 ⇒ n ≥ 3627
Por tanto, el tamaño muestral mínimo debe ser n = 3627.

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Ejercicio 6.

Sea X B(1, p) y (X1 , X2 , X3 ) una muestra aleatoria simple de X. Calcular la función masa de
probabilidad de los estadísticos X̄, S 2 , mı́n Xi , máx Xi .

SOLUCIÓN
X B(1, p) Bernoulli, (X1 , X2 , X3 ) m.a.s. de X.
Por ser (X1 , X2 , X3 ) muestra aleatoria simple de X sabemos que X
Pi , i = 1, 2, 3 siguen una distribu-
ción B(1, p). Por la reproductividad de la Bernoulli, se tiene que Xi B(3, p). Así,
1
X̄ B(3, p)
3

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
3
X
Por tanto, X̄ toma todos los posibles valores que toma Xi multiplicados por 1/3. O sea,
i=1

(1 − p)3

 j =0
3p(1 − p)2
  
hX i 3 j 
j =1
P [X̄ = j/3] = P Xi = j = p (1 − p)3−j =
j 
 3p2 (1 − p) j =2
p3 j =3

Para calcular las funciones masa de probabilidad de máx Xi y mı́n Xi necesitamos saber la función
de distribución de X.

0
 x<0
FX (x) = 1 − p 0≤x<1

1 x ≥ 1.

M = máx Xi .

0 x<0 (
P (M = 0) = (1 − p)3

FM (x) = (FM (x))3 = (1 − p)3 0 ≤ x < 1 ⇒
 P (M = 1) = 1 − (1 − p)3
1 x≥1

N = mı́n Xi .

0 x<0 (
P (N = 0) = 1 − p3

3 3
FN (x) = 1 − (1 − FX (x)) = 1 − p 0 ≤ x < 1 ⇒
 P (N = 1) = p3
1 x≥1

3
1X
Para el cálculo de la masa de probabilidad de S 2 = (Xi − X̄)2 no hay un método general, así
2
i=1
que utilizamos la siguiente tabla.

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

(X1 , X2 , X3 ) Probabilidad X̄ S2
(0, 0, 0) (1 − p)3 0 0
(0, 0, 1) p(1 − p)2 1/3 1/3
(0, 1, 0) p(1 − p)2 1/3 1/3
(1, 0, 0) p(1 − p)2 1/3 1/3
(1, 1, 0) p2 (1 − p) 2/3 1/3
(1, 0, 1) p2 (1 − p) 2/3 1/3
(0, 1, 1) p2 (1 − p) 2/3 1/3
(1, 1, 1) p3 1 0
S 2 = 0, 1/3 ⇒ P [S 2 = 0] = p3 + (1 − p)3 , P [S 2 = 1/3] = 3p(1 − p)2 + 3p2 (1 − p)

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
Ejercicio 7.

Obtener la función masa de probabilidad o función de densidad de X̄ en el muestreo de una variable


de Bernoulli, de una Poisson y de una exponencial.

SOLUCIÓN

n
T X
(X1 , . . . , Xn ) m.a.s. de X → X̄ = , T= Xi
n
i=1
a) X P (λ) ⇒ T P (nλ) ⇒ X̄ = j/n, j ∈ N ∪ {0}.
(nλ)j
P (X̄ = j/n) = P [T = j] = e−nλ
j!
b) X B(1, p) ⇒ T B(n, p) ⇒ X̄ = j/n, j = 0, 1 . . . , n.
 
n j
P [X̄ = j/n] = P [T = j] = p (1 − p)n−j , j = 0, 1, . . . , n.
j
Xn
c) X exp(λ) ≡ Γ(1, λ) ⇒ T = Xi Γ(n, λ).
i=1

λn n−1 −λt
fλ (t) = t e , t > 0.
Γ(n)
t dt
• x̄ = → t = nx̄ → = n.
n dx̄
λn (nλ)n n−1 −nλ

dt
gλ (x̄) = fλ (nx̄) = (nx̄)n−1 e−λnx̄ n = x̄ e , x̄ > 0 ⇒ X̄ Γ(n, nλ)
dx̄ Γ(n) Γ(n)
1
• Por F.G.M: MX̄ (t) = , t < λ.
1 − t/λ
1
MX̄ (t) = (MX (t/n))n =  n , t < nλ Γ(n, nλ)
t
1−

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Ejercicio 8 (Importante para un tipo test).

Calcular las funciones de densidad de los estadísticos máx Xi y mı́n Xi en el muestreo de una variable
X con función de densidad
fθ (x) = eθ−x

SOLUCIÓN
(
0 si x ≤ θ
Sea X fθ = eθ−x , x > θ ⇒ FX (x) = θ−x
← F. de distribución.
1−e si x > θ
Función de distribución del máximo:

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
(
0 si t ≤ θ
FX(n) (t) = (FX (t))n = θ−t n
(1 − e ) si t > θ


fX(n) (t) = n(1 − eθ−t )n−1 eθ−t , t > θ

Función de distribución del mínimo:


(
0 si t ≤ θ
FX(1) (x) = 1 − (1 − FX (x))n = n(θ−t)
1−e si t > θ


fX(1) (t) = nen(θ−t) , t > θ

Ejercicio 9.

El número de pacientes que visitan diariamente una determinada consulta médica es una variable
aleatoria con varianza 16 personas. Se supone que el número de visitas de cada día es independiente
de cualquier otro. Si se observa el número de visitas diarias durante 64 días, calcular aproximada-
mente la probabilidad de que la media muestral no difiera en más de una persona del valor medio
verdadero de visitas diarias.

SOLUCIÓN
Sea la variable aleatoria X = número de pacientes que visitan diariamente la consulta.
Se tiene que σ 2 = 16 ⇒ σ = 4, E[X] = µ, n = 64 ⇒ (X1 , . . . , X64 ) m.a.s. de X.
P64
σ2
   
i=1 Xi 1
X̄ = ⇒ X̄ N µ, = N µ,
64 n 4

−1 X̄ − µ
 
1 ∼
P [|X̄ − µ| ≤ 1] = P [−1 ≤ X̄ − µ ≤ 1] = P ≤ √ ≤ = P [−2 ≤ Z ≤ 2]
1/2 σ/ n 1/2
= P [|Z| ≤ 2] = 2P [Z ≤ 2] − 1 = 2 · 0,977 − 1 = 0,9545

Descarga la app de Wuolah desde tu store favorita


a64b0469ff35958ef4ab887a898bd50bdfbbe91a-3196978

Ejercicio 10.

Una máquina de refrescos está arreglada para que la cantidad de bebida que sirve sea una variable
aleatoria con media 200 ml y desviación típica 15 ml. Calcular de forma aproximada la probabilidad
de que la cantidad media servida en una muestra aleatoria de tamaño 36 sea al menos 204 ml.

SOLUCIÓN
Sea la variable aleatoria X = cantidad de bebida.
Se tiene que E[X] = 200 ml, σ = 15 ml. Nos preguntan P [X̄ ≥ 204], siendo (X1 , . . . , X36 ) una
muestra aleatoria simple de X. Aplicando el Teorema Central del Límite como en el ejercicio anterior,
se tiene

Reservados todos los derechos. No se permite la explotación económica ni la transformación de esta obra. Queda permitida la impresión en su totalidad.
X̄ − E[X] 204 − 200
   
4
P √ ≥ √ ≈P Z≥ = P (Z ≥ 1,6) = 1−P (Z < 1,6) = 1−0,9452 = 0,0548.
σ/ n 15/ 36 15/6

10

Descarga la app de Wuolah desde tu store favorita

También podría gustarte