Guía Básica para El Estudio de La Estadística Inferencial AGUILERA AGUILERA

U NIVERSIDAD M ICHOACANA
DE
S AN N ICOLS
DE
H IDALGO
F acultad de C ontadura y
C iencias A dministrativas
Academia de Matemticas
Apuntes para la Materia de
Estadstica II
Gua Bs ica para e l Es tu di o de la

Es tad s tic a In fer en c ial
Elabor:
M.A. Jos Rafael Aguilera Aguilera

Asesor en Estrategias de Inversin
(Certificacin reconocida por la Bolsa Mexicana de Valores)
Morelia Mich., Diciembre de 2009
Estadstica II
NDICE
TEMA 1: Fundamentos de Estadstica Inferencial ..... 4
1.1.- Conceptos Bsicos. ..........................................................4
1.2.- Tcnicas para Contar........................................................5
1.3.- Diagrama de la Probabilidad Estadstica. .........................9
TEMA 2: Teora Elemental de Muestreo ...................... 10

2.1.- Distribucin Binomial. ...................................................10
2.2.- Distribucin Normal. .....................................................33
2.3.- Muestreo Aleatorio Simple. ...........................................51
2.4.- Distribuciones Mustrales ..............................................54
2.4.1.- Distribucin Muestral de Medias. ............................55
2.4.2.- Distribucin Muestral de Proporciones ....................56
2.4.3.- Distribucin Muestral de Diferencias y Sumas. .......58
2.5.- Otros Ejercicios..............................................................61
1 de 110
Jos Rafael Aguilera Aguilera

F.C.C.A. - U.M.S.N.H.
Estadstica II
TEMA 3: Teora de Estimacin Estadstica............... 73
3.1.- Estimacin de Parmetros. .............................................73
3.1.1.- Estimas Insesgadas. ..................................................74
3.1.2.- Estimas Eficientes. ...................................................75
3.2.- Estimas por Puntos y Estimas por Intervalos de Seguridad .......76
3.3.- Estimas por Intervalo de Confianza, de Parmetros Poblacionales. ..77
3.3.1.- Sistemas de Medias por Intervalos de Confianza .....78

3.3.2.- Intervalos de Confianza para Proporciones. .............80
3.3.3.- Intervalos de Confianza para Diferencias y Sumas. .81
3.3.4.- Intervalos de Confianza para Desviaciones Tpicas. 82
3.4.- Error Probable. ...............................................................82
3.5.- Ejercicios .......................................................................83
Tema 4: Teora de la Decisin Estadstica (Paramtrica). . 90

4.1.- Conceptos y Definiciones. .............................................90
4.1.1.- Decisiones Estadsticas.............................................90
4.1.2.- Hiptesis Estadstica, Hiptesis Nula. ......................90
2 de 110

Estadstica II
4.2.- Ensayos de Hiptesis y Significacin. ...........................91
4.2.1.- Error De Tipo I Y Tipo II. ........................................92
4.2.2.- Nivel de Significacin. .............................................93
4.3.- Ensayos Referentes a la Distribucin Normal. ...............94
4.4.-Ensayos de Una y Dos Colas. .........................................97
4.5.- Ensayos Especiales. .......................................................98
4.6.- Ejercicio de Inferencia de Medias. ............................... 100
BIBLIOGRAFA........................................................ 110
3 de 110

Estadstica II
TEMA 1: Fundamentos de Estadstica Inferencial
1.1.- Conceptos Bsicos.

A la estadstica inferencial la podemos definir a travs de cuatro puntos muy importantes los
cuales son los siguientes.
1. Materia de las ciencias sociales:

-
licenciado en contadura
licenciado en administracin
licenciado en informtica administrativa
2. Tomar decisiones:
La estadstica: tomar decisiones de una poblacin con base de datos mustrales.
Esta se requiere para tomar decisiones estadsticas.
Tomar decisiones
Diseo experimental
Cmo voy a encontrar esos
MORELIA
200 datos?
1, 300,000
Estimar
_______
EDAD
POBLACION
DE
DATOS
Inferir
200
____
X
MUESTRA
DE
DATOS
4 de 110

Estadstica II
3. Probabilidad:
Estudia los experimentos y fenmenos aleatorios.
Interviene el
hombre
No interviene
el hombre
4. Que es un experimento o fenmeno aleatorio:

Tiene que ver con resultados que puedan ocurrir y que antes de que ocurran no sabemos cual
va a ocurrir.
1.2.- Tcnicas para Contar.

En esta ocasin utilizaremos tres tipos de tcnicas para contar las cuales son:
CASO 1: En donde:
La formula de este caso seria:
ORr = nr
- Si me importa el orden y
- Si se puede repetir.
5 de 110

Estadstica II
Ejemplo:
2
a b
c d
a,a b,a c,a d,a

a,b b,b c,b d,b
a,c b,c, c,c, d,c,
a,d b,d c,d d,d
-----------
= 16 resultados
Para el caso anterior de la poblacin de Morelia tendramos que hacer lo mismo pero seria muy
difcil con esa cantidad.
En cambio si utilizamos la formula es mas rpido y sencillo,
nORr
=nr
nORr
=nr
nORr
=42
nORr
= 1, 300, 000 200
nORr
= 16
nORr
CASO 2: En donde:
-
Si me importa el orden
No se pueden repetir
Or =
n!
(n-r)!
6 de 110

Estadstica II
Ejemplo:
2
a b
c d,c b,
-----------
a,b
a,c
a,d
b,a c,a d,a

b,c c,b d,c = 12 Resultados
b,d c,d d,d
Solucin con la formula:
nOr = n !
(n-r)!
nOr = 24 !
4O2
=4!
(4-2)!
nOr = 1
CASO 3: En donde:
-
No hay orden
No se pueden repetir
nCr = n!
r ! (n r) !
Por lo tanto el resultado es:
nCr = n!
r! (n r) !
nCr = 4!
2! (4 2) !
nCr = 24!
nCr = 6
2 (2 !)
nCr = 24
4
7 de 110

Estadstica II
Ejemplo 2: realizar el siguiente ejercicio por los tres casos en el que n sea 5 y r 3.
abc
de
-----------
Caso1:
FORMULA:
nORr
SUSTITUCION:
=nr
nORr
nORr
=53
= 125
Caso 2:
FORMULA:
nOr = n !
(n-r)!
SUSTITUCION:
nOr = 5 !
(5 3) !
nOr = 120
2
nOr = 120
2!
nOr = 60
Caso3:
FORMULA:
nCr = n!
r! (n r) !
SUSTITUCION:
nCr = 5 !
3 ! (5 - 3) !
nCr = 120
6 ( 2 !)
nCr = 120
6 (2)
nCr = 120
12
nCr = 10
8 de 110

Estadstica II
1.3.- Diagrama de la Probabilidad Estadstica.
EXPERIMENTOS:
(Influyen personas)
LA PROBABILIDA
ESTADISTICA
ALEATORIOS
Tienen que ver con resultados que puedan ocurrir y

que antes de que ocurran
No sabemos cual va a ocurrir.
FENMENOS:
(No influyen personas)
Para estudiarlos se
Construyen.
Modelo probabilstica
Que representa el comportamiento de un fenmeno
o experimento aleatorio.
DEVIDO
MODELOS
(Distribuciones)
Existen en el universo millones

de experimentos y fenomenos
aleatorios.
PERO
Muchos se parecen
entre ellos.
SE LE PONE
NOMBRE PROPIO
EJEMPLO:
Estos modelos
o distribuciones
Binomial o Bernoulli
Principal
Caracterstica
Normal
POR LO QUE
Toman el mismo modelo

de
distribucin de probabilidad
1 experimento con 2 resultados se repite n veces.
Ejemplo:
Poisson
4
2
9 de 110

Estadstica II
TEMA 2: Teora Elemental de Muestreo
2.1.- Distribucin Binomial.
La distribucin Binomial:
Si p es la probabilidad de ocurrencia de un suceso en un solo ensayo (llamada probabilidad de
xito) y q = 1 P es la probabilidad de que el suceso no ocurra en un solo ensayo (llamada
probabilidad de fallo), entonces la probabilidad de que el suceso se presente exactamente X
veces en N ensayos, (es decir, X xitos y N X fallos) viene dada por:
p(X) = NCXpxqN-X =
N!
p q
X! (N X) ! X N X
Algunas propiedades de la distribucin binomial son dadas en la siguiente tabla.
Media
M = Np
Varianza
2 = Npq
Desviacin tpica
= Npq
Coeficiente de sesgo
q- p
3 =
Coeficiente de curtosis
Npq
1 6pq
4 = 3 + Npq
10 de 110

Estadstica II
EJEMPLOS:
1. Hallar la probabilidad de que lanzando una moneda 6 veces aparezcan (a) 0, (b) 1,
(c) 2, (d) 3, (e) 4, (f) 5, (g) 6 caras.
Paso 1: Describir El Experimento Aleatorio.

R= lanzar una moneda 6 veces
Paso 2: Construir El Espacio Muestral.

R= S = (s,s,s,s,s,s) (s,s,s,s,s,a) (s,s,s,s,a,a,)
NOTA: Como son muchos resultados mejor usamos la formula que es:
R= nORr = nr
nORr = 26
nORr = 64
Paso 3: Definir Una Variable Aleatoria.

R=
X = numero de caras
Paso 4: Construir El Espectro De La Variable Aleatoria.

R= Sx = { 0,1,2,3,4,5,6 }
11 de 110

Estadstica II
Paso 5: Construir El Modelo O Distribucin De Probabilidad Del Experimento.
R= Modelo binomial por que tiene dos resultados ya sea fracaso o xito.
P = posible xito. 1/2

q = probable fracaso. 1-P = 1-1/2 = 1/2
N= 6
FORMULA:
P(x) =
N!
X! (N-X) !
(PX) (q n-x)
SOLUCION:
(A)
P (0) =
P (0) =
P (0) =
P (0) =
6!
0! (6-0) !
[(1/2)0] [(1/2) 6-0]
720
1 (6) !
(1/1) [(1/2) 6]
720
1 (720)
(1/1) [(1/64)]
720
720
(1/1) [(1/64)]
P (0) = (1) (1/1) (1/64)

P (0) = 1/64
12 de 110

Estadstica II
(B)
P (1) =
P (1) =
P (1) =
P (1) =
6!
1! (6-1) !
720
1 (5)!
[(1/2)1] [(1/2) 6-1]

(1/2) [(1/2) 5]
720
1 (120)
(1/2) (1/32)
720
120
(1/2) (1/32)
P (1) = (6) (1/2) (1/32)

P (1) = 6/64
(C)
P (2) =
P (2) =
P (2) =
P (2) =
6!
2! (6-2) !
[(1/2)2] [(1/2) 6-2]
720
2 (4) !
(1/4) [(1/2) 4]
720
2 (24)
(1/4) [(1/2) 4]
720
48
(1/4) (1/16)
P (2) = (15) (1/4) (1/16)

P (2) = 15/64
13 de 110

Estadstica II
(D)
P (3) =
P (3) =
P (3) =
P (3) =
6!
3! (6-3) !
720
6 (4) !
(1/8) [(1/2) 3]
720
(6) (6)
720
36
[(1/2)3] [(1/2) 6-3]
(1/8) (1/8)
(1/8) (1/8)
P (3) = (20) (1/8) (1/8)

P (3) = 20/64
(E)
P (4) =
P (4) =
P (4) =
P (4) =
6!
4! (6-4) !
720
24 (2) !
720
(24) (2)
720
48
[(1/2)4] [(1/2) 6-4]

(1/16) [(1/2) 2]
(1/16) (1/4)
(1/16) (1/4)
P (4) = (15) (1/16) (1/4)

P (4) = 15/64
14 de 110

Estadstica II
(F)
P (5) =
P (5) =
P (5) =
P (5) =
6!
5! (6-5) !
[(1/2)5] [(1/2) 6-5]
720
120 (1) !
(1/32) [(1/2) 1]
720
(120) (1)
720
120
(1/32) (1/2)
(1/32) (1/2)
P (5) = (6) (1/32) (1/2)

P (5) = 6/64
(G)
P (6) =
P (6) =
P (6) =
P (6) =
6!
6! (6-6) !
[(1/2)6] [(1/2) 6-6]
720
720 (0) !
(1/64) [(1/2) 0]
720
(120) (1)
720
720
(1/64) (1/1)
(1/64) (1/1)
P (6) = (1) (1/64) (1/1)

P (6) = 1/64
TABLA DEL EJERCICIO:
Caras X
P(x)
1/64
6/64
15/64
20/64
15/64
6/64
1/64
15 de 110

Estadstica II
2. Hallar la probabilidad de (a) 2 o ms caras (b) menos de 4 caras en un lanzamiento
de 6 monedas.
(A) Hallar la probabilidad de 2 o mas caras:
R= 15/16 + 20/64 + 15/64 + 6/64 + 1/64 =
57/64
(B) Menos de 4 caras:

R= 20/64 + 15/64 + 6/64 + 1/64 = 42 2 =
64 2
21
32
3. Si X denota el numero de caras en un solo lanzamiento de 4 monedas, hallar (a) p{X

= 3}, (b) p{X 2}, (c) p{X 2}, (d) p{ 1 X 3}.

R= lanzar 4 monedas

R= S = (c,c,c,c,) (a,a,a,a) (c,c,a,a,) (c,c,c,a) (a,a,a,c) (c,a,a,a)
R= nORr = nr
nORr = 24
nORr = 16
16 de 110

Estadstica II
R=
X = numero de caras

R= Sx = { 0,1,2,3,4 } Caras

R= Modelo binomial por que tiene dos resultados ya sea fracaso o xito.
P = xito (1/2)
q = fracaso (1/2)
N = Cuantas monedas 4
P(x) =
FORMULA:
N!
X! (N-X) !
(PX) (q n-x)
SOLUCION:
(A)
P (3) =
P (3) =
P (3) =
P (3) =
4!
3! (4-3) !
24
6 (1) !
24
(6) (1)
24
6
[(1/2)3] [(1/2) 4-3]

(1/8) [(1/2) 1]
(1/8) (1/2)
(1/8) (1/2)
P (3) = (4) (1/8) (1/2)

P (3) = 4/16 4 =
17 de 110

Estadstica II
(B) 1.-
P (0) =
P (0) =
P (0) =
P (0) =
4!
0! (4-0) !
[(1/2)0] [(1/2) 4-0]
24
1 (4) !
(1/1) [(1/2) 4]
24
1 (24)
24
24
(1/1) [(1/16) ]
(1/1) [(1/16) ]
P (0) = (1) (1) (1/16)

P (0) = 1/16
2. - P (1) =
4!
1! (4-1) !
P (1) =
[(1/2)1] [(1/2) 4-1]
24
1 (3) !
P (1) = 24
1 (6)
P (1) = 24
6
(1/2) [(1/2) 3]
(1/2) (1/8)
(1/2) (1/8)
P (1) = (4) (1/2) (1/8)

P (1) = 4/16
18 de 110

Estadstica II
(C)
3. - P (2) =
P (2) =
P (2) =
4!
2! (4-2) !
[(1/2)2] [(1/2) 4-2]
24
2 (2) !
(1/4) [(1/2) 2]
24
2 (2)
(1/4) (1/4)
P (2) = 24
4
(1/4) (1/4)
P (2) = (4) (1/2) (1/8)

P (2) = 4/16
Caras X
P(x)
1/16
4/16
6/16
1/4
5/8
19 de 110

Estadstica II
4. De un total de 800 familias con 5 hijos cada una, cuantas cabe esperar que tengan
(a) 3 nios (b) 5 nias (c) 2 o 3 nios. Suponer iguales la probabilidad de nio o Nina

R= Que nazcan 5 criaturas

R= nORr = nr
nORr = 25
nORr = 32

R=
X = numero de nios que nazcan

R= Sx = { 0,1,2,3,4,5 } nios
P = xito (1/2/)
q = fracaso (1/2)
N = 5 nios requeridos
20 de 110

Estadstica II
P(x) =
FORMULA:
N!
X! (N-X) !
(PX) (q n-x)
SOLUCION:
P (0) =
P (0) =
P (0) =
P (0) =
5!
0! (5-0) !
[(1/2)0] [(1/2) 5-0]
120
1 (5) !
(1/1) [(1/2) 5]
120
1 (120)
(1/1) [(1/32)]
120
120
(1/1) [(1/32)]
P (0) = (1) (1/1) (1/32)

P (0) = 1/32 = 0.03125 x 800 = 25
P (1) =
P (1) =
P (1) =
P (1) =
5!
1! (5-1) !
120
1 (4) !
120
1 (24)
120
24
[(1/2)1] [(1/2) 5-1]

(1/2) [(1/2) 4]
(1/2) (1/16)
(1/2) (1/16)
P (1) = (5) (1/2) (1/16)

P (1) = 5/32 = 0.15625 x 800 = 125
21 de 110

Estadstica II
P (2) =
P (2) =
P (2) =
P (2) =
5!
2! (5-2) !
120
2 (3) !
120
2 (6)
120
12
[(1/2)2] [(1/2) 5-2]

(1/4) [(1/2) 3]
(1/4) [(1/8)]
(1/4) (1/8)
P (2) = (10) (1/4) (1/8)

P (2) = 10/32 = 0.3125 x 800 = 250
(A)
P (3) =
P (3) =
P (3) =
P (3) =
5!
3! (5-3) !
120
6 (2) !
(1/8) [(1/2) 2]
120
(6) (2)
120
12
[(1/2)3] [(1/2) 5-3]
(1/8) (1/4)
(1/8) (1/4)
P (3) = (20) (1/8) (1/8)

P (3) = 10/32 = 0.3125 x 800 = 25
P (4) =
P (4) =
5!
4! (5-4) !
120
24 (1) !
[(1/2)4] [(1/2) 5-4]

(1/16) [(1/2) 1]
22 de 110

Estadstica II
P (4) =
P (4) =
120
(24) (1)
120
24
(1/16) (1/2)
(1/16) (1/2)
P (4) = (5) (1/16) (1/2)

P (4) = 5/32 = 0.15625 X 800 = 125
(B)
P (5) =
P (5) =
P (5) =
P (5) =
5!
5! (5-5) !
[(1/2)5] [(1/2) 5-5]
120
120 (0) !
(1/32) [(1/2) 0]
120
(120) (1)
120
120
(1/32) (1/1)
(1/32) (1/1)
P (5) = (1) (1/32) (1/1)

P (5) = 1/32 = 0.03125 x 800 = 25
Caras X
P(x)
1/32
5/32
10/32
10/32
5/32
1/32
23 de 110

Estadstica II
5. Cul es la probabilidad de obtener 9 una vez en 3 lanzamientos de un por de
dados?

R= Lanzar un par de dados 3 veces

R= nORr = nr
nORr = 113
nORr = 1331

R=
X = numero de caras

R= Sx = { 1,2,3,4,5,6,7,8,9, }
P = xito (1/2/)
q = fracaso (1/2)
N = 5 nios requeridos
24 de 110

Estadstica II
P(x) =
FORMULA:
N!
X! (N-X) !
(PX) (q n-x)
SOLUCION:
P (9) =
P (9) =
P (9) =
9!
9! (9-9) !
[(1/2)9] [(1/2) 9-9]
362880
362880 (0) !
(1/1) [(1/2) 0]
362880
362880 (1)
(1/512) (1)
P (9) = 362880
362880
(1/512) (1)
P (9) = (1) (1/512) (1)

P (9) = 1/512
6. Hallar la probabilidad de contestar correctamente al menos 6 de las 10 preguntas de

un examen falso-verdadero.

R= Contestar correctamente 6 preguntas
25 de 110

Estadstica II
R= nORr = nr
nORr = 210
nORr = 1024

R=
X = numero de caras

R= Sx = { 6,7,8,9,10 } Contestar 6 respuestas por lo menos

R= Modelo binomial por que tiene dos resultados ya sea verdadero y falso.
P = xito (1/2)
q = fracaso (1/2)
N = Cuantas monedas 10
26 de 110

Estadstica II
FORMULA:
P (6) =
P(x) =
N!
X! (N-X) !
10!
6! (10-6) !
(PX) (q n-x)
[(1/2)6] [(1/2) 10-6]
P (6) = 3628800
720 (4) !
(1/64) [(1/2) 4]
P (6) = 3628800
(720) (24)
(1/64) (1/16)
P (6) = 3628800
17280
(1/64) (1/16)
P (6) = (210) (1/64) (1/16)

P (6) = 210/1024 = 105/512
P (7) =
10!
7! (10-7) !
P (7) = 3628800
5040 (3) !
[(1/2)7] [(1/2) 10-7]
(1/128) [(1/2) 3]
P (7) = 3628800
(5040) (6)
(1/128) (1/8)
P (7) = 3628800
30240
(1/128) (1/8)
P (7) = (120) (1/128) (1/8)

P (7) = 120/1024 = 15/128
27 de 110

Estadstica II
P (8) =
10!
8! (10-8) !
[(1/2)8] [(1/2) 10-8]
P (8) = 3628800
40320 (2) !
(1/256) [(1/2) 2]
P (8) = 3628800
(40320) (2)
(1/256) (1/4)
P (8) = 3628800
80640
(1/256) (1/4)
P (8) = (45) (1/256) (1/4)

P (8) = 45/1024
P (9) =
10!
9! (10-9) !
[(1/2)9] [(1/2) 10-9]
P (9) = 3628800
362880 (2) !
(1/256) [(1/2) 1]
P (9) = 3628800
(362880) (2)
(1/256) (1/2)
P (9) = 3628800
725760
(1/256) (1/2)
P (9) = (5) (1/256) (1/2)
P (9) = 5/512
28 de 110

Estadstica II
P (10) = 10!
10! (10-9) !
[(1/2)10] [(1/2) 10-10]
P (10) = 3628800
3628800 (1) !
(1/1024) [(1/1) 0]
P (10) = 3628800
(362880) (1)
(1/1024) (1/1)
P (10) = 3628800
3628800 (1/1024) (1/1)
P (10) = (1) (1/1024) (1/1)
P (10) = 1/1024
Caras X
10
P(x)
105/512
15/128
45/1024
5/512
1/1024
Muestra de Dos Elementos con Reemplazo:
PARAMETRO
UNIVERSO
29 de 110

= 193/512
Estadstica II
R= Sacar muestras de 2 elementos con reemplazo.
R= S =
2,2
2,3
2,4
2,6
3,2
3,3
3,4
3,6
4,2
4,3
4,4
4,6
6,2
6,3
6,4
6,6
(estadstico)
= 16
R= nORr = nr
nORr = 42
nORr = 16

R=
X = La media de cada muestra

R= Sx = { 2, 2.5, 3, 3.5, 4, 4.5, 5, 6 }
30 de 110

Estadstica II
2.5
3.5
4.5
SUMA
Px(x)
1/16
2/16
3/16
2/16
3/16
2/16
2/16
1/16
16/16 = 1
Paso 6: Calcular la media de la distribucin muestral de media.
2 (1/16) + 2.5 (2/16) + 3 (3/16) + 3.5 (2/16) + 4 (3/16) + 4.5 (2/16) + 5 (2/16) + 6
(1/16) =
2/16 + 5/16 + 9/16 + 7/16 + 12/16 + 9/16 + 10/16 + 6/16 = 60/16 = 3.75
Comprobacin:
6 + 4 + 2 + 3 = 15/4 = 3.75
Distribucin Muestral de Medias:
Media: Mx = M
Con Reemplazo:
Q
D. Estndar: Qx =
N
31 de 110

Estadstica II
Formula De La Desviacin Estndar:
n
2
(X )
i=1
n
X
X-
(X- )
3.75
- 1.75
3.0625
3.75
0.75
0.5625
3.75
0.25
0.0625
3.75
2.25
5.0625
8.75
4
= 3.75
Q = 1.4790
=
2.1875
Q = 1.4790
Q
Qx =
1.4790
Qx =
1.4790
Qx =
Qx =
1.04581
1.414213
32 de 110

Estadstica II
X
2
2.5
3
3.5
4
4.5
5
6
3.75
3.75
3.75
3.75
3.75
3.75
3.75
3.75
X-
-1.75
-1.25
-0.75
-0.75
0.25
0.75
1.25
2.25
(X- )
3.0625
1.5625
0.5625
0.0625
0.0625
0.5625
1.5625
5.0625
Px(X)
1/16
2/16
3/16
2/16
3/16
2/16
2/16
1/16
(Px(x))((x- ) )
0.191406
0.1953
0.1054
0.0078
0.0116
0.0703
0.1953
0.3169
2
Q = 1.0939
Q = 1.0939
Q = 1.0458
2.2.- Distribucin Normal.

CONTINUAS
SIMETRICAMENTE
VALOR MAS COMUN-MEDIA
SON NORMALES
DISTRIBUCIN
NORMAL.
NO SON NORMALES
PERO SE COMPORTAN
DE MANERANORMAL
1
e -1/2 (x ) 2/
Y=
= Media
= Desviacin estndar o desviacin tpica
33 de 110

Estadstica II
TRANSFORMAR
=0
=1
Por lo tanto la formula para resolver problemas de distribucin normal es:
X-
Z=
Uno de los mas importantes ejemplos de una distribucin de probabilidad continua es la

distribucin normal, curva normal o distribucin de gauss dada por la ecuacin.
1
Y =
2
2/
-1/2 (X M )
34 de 110

Estadstica II
Algunas propiedades de la distribucin normal se indican en la siguiente tabla:
Media
Varianza
Desviacin Tpica
Coeficiente de sesgo
Coeficiente de curtosis
= 0
=
Desviacin Media
2 / = 0.7979
EJEMPLOS:
1. En un examen de estadstica la media fue 7.8 y la desviacin tpica 10 (a)

Determinar las referencias tipificadas de dos estudiantes cuyas puntuaciones fueron
93 y 62, respectivamente, (b) Determinar las puntuaciones de dos estudiantes cuyas
referencias tipificadas fueron -0.6 y 1.2 respectivamente.
X=+Z
x 2= 62 = 78 x1= 93
= 10
FORMULAS:
z2= -1.6 = 0 z1= 1.5

- 0.6 = 1
x-
Z=
35 de 110

Estadstica II
X= + Z
PROCEDIMIENTO:
Z= 93 78
10
(A)
Z=
(B)
15
10
Z = 1.5
X1 = + Z
X1 = 78 + (-0.6) (10)
X1 = 78 - 6
X1 = 72
(X1)
Z=
62 78
10
Z=
-16
10
Z=
-1.6
X2 = + Z
X2 = 78 + (1.2) (10)
X2 = 78 - 12
X2 = 92
(X2)
2. Hallar (a) la media y (b) la desviacin tpica de un examen en e que as puntuaciones

de 70 y 88 tienen una referencias tipificadas de -0.6 y 1.4 respectivamente.
DATOS:
FORMULA:
X1 = 70
Z1 = -0.6
X2 = 88
Z2 = 1.4
=X - Z
SUSTITUCIN:
= X1 - Z1
= 70 (-0.6)
= 70 + 0.6
= X2 - Z2
= 88 1.4
70 + 0.6 = 88 1.4
0.6 + 1.4 = 88 - 70
2 = 18
= 18/2
=9
36 de 110

Estadstica II
= X1 - Z1
= 70 + 0.6 (9)
= 70 + 5.4
= 75.4
= X2 - Z2
= 88 1.4 (9)
= 88 12.6
= 75.4
3. Hallar el rea bajo la curva normal entre (a) z = -1.20 y z = 2.40, (b) z = 1.23 y z =
1.87, (c) z = -2.35 y z -0.50.
RESULTADOS:
(A)
Z1 = - 1.20
Z2 = 2.40
x
Tabla = 0.3849
Tabla = 0.4918
R = 0.8767
z1 = -1.20
Z= 0
z2 = 2.40
NOTA: Los porcentajes se sacan de la tabla de reas bajo la curva normal tipificada de 0 a Z.
(B)
Z= 0
z1 = z2 =
1. 23 1. 87
Z1 = 1.23
Z2 = 1.87
Tabla = 0.3907
Tabla = 0.4693
37 de 110

Estadstica II
R = 0.0786
(C)
z1 = z2 =
Z= 0
-2. 35 - 0.50
Z1 = - 2.35
Z2 = - 0.50
Tabla = 0.4906
Tabla = 0.1915
R = 0.2991
4. Hallar el rea bajo la curva normal (a) a la izquierda de z = -1.78 (b) a la izquierda
de z = 0.56 (c) a la derecha de z = -1.45 (d) correspondiente a z > 2.16, (e)
correspondiente a 0.80 < z < 1.53, (f) a la izquierda de z = -2.52 y a la derecha de
z = 1.83.
RESULTADOS:
(A)
50%
Z1 = - 1.78
z1 = -1.78
Tabla = 0.4625
50%
Z= 0
0.5000
0.4625
0.0375
NOTA: Los porcentajes se sacan de la tabla de reas bajo la curva normal tipificada de 0 a Z.
38 de 110

Estadstica II
(B)
50%
Z1 = 0.56
Z= 0
Tabla = 0.2123
50%
z1 = -1. 45
Tabla = 0.4265
z1 = 0. 56
0.5000
0.2123
0.7123
(C)
Z1 = -1.45
50%
0.5000
+ 0.4265
0.9265
39 de 110

50%
Z= 0
Estadstica II
(D)
50%
Z1 = 2.16
Z= 0
Tabla = 0.4846
50%
z1 = -
Tabla = 0.2881
Tabla = 0.4370
z1 = 2.16
0.5000
0.4846
0.0154
(E)
Z1 = - 0.8
Z1 = 1.53
50%
0.2881
+ 0.4370
0.7251
40 de 110

0. 8
50%
Z= 0
z2 = 1. 53
Estadstica II
(E)
50%
Z1 = - 2.52
Z2 = 1.83
z1 = -
Tabla = 0.4941
Tabla = 0.4664
0.5000
- 0.4941
0.0059
2. 52
50%
Z= 0
z2 = 1. 83
0.5000
- 0.4664
0.0336
R = 0.0059 + 0.0336 = 0.0395
5. Si la altura de 300 estudiantes se distribuyen normalmente con media 68.0 pulgadas

y desviacin tpica 3.0 pulgadas, cuantos estudiantes tienen alturas (a) mayor de 72
pulgadas, (b) menor o igual a 64 pulgadas, (c) entre 65 y 71 pulgadas inclusive, (d)
igual a 68 pulgadas. Supngase las medidas, registradas con aproximacin de
pulgada.
1 pulgada = 2.54cm x 1.30 pulg. = 3.302 cm. = 3.30 mts.

R= Seleccionar uno de los 300 estudiantes aleatoriamente y medirlo.

R= S = {e / 0 < e < 130}
41 de 110

Estadstica II
R=
X= estatura de los estudiantes

R= Sx = {X / 0 < X < 130}
La estatura de cualquier estudiante que mida de 0 a 130.

R= Calcular la probabilidad de inters.
(A) Mayor de 72 pulgadas.
50%
=68. 0
= 3.0
FORMULA:
50%
= 0 z = 1. 5
72. 5
X-
Z=
42 de 110

Estadstica II
SUSTITUCION:
Z = 72.5 68.0
3.0
Z=
Z = 1.5
Tabla = 0.4332
Z = 0.5000
- 0.4332
0.0668
x 300
20.04 = 20
4.5
3.0
Z = 1.5
(B) Menor o igual a 64.
64.5
FORMULA:
=68. 0
= 3.0
50%
50%
z = -1. 17
=0
X-
Z=
SUSTITUCION:
Z = 64.5 68.0
3.0
Z=
3.5
3.0
Z = -1.17
Z = -1.17
Tabla = 0.3790
Z = 0.5000
- 0.3790
0.121
x 300
36.3 = 36
43 de 110

Estadstica II
(C) Entre 65 y 71 pulgadas inclusive.
50%
64.5
FORMULA:
=68. 0
= 3.0
50%
z = -1. 17 = 0
71. .5
X = 68
X-
Z=
SUSTITUCION:
Z = 64.5 68.0
3.0
Z=
3.5
3.0
Z = -1.17
Z = 68 71.5
3.0
Z = - 3.5
3.0
Z = - 1.17
1.17
0.3790
1.17
0.3790
0.7580
P (65 < X < 71) = 0.7580 = 75%

N. de estudiantes = 300 (0.7580)
= 227 %
44 de 110

Estadstica II
(D) Igual a 68 pulgadas.
67.5
FORMULA:
=68. 0
= 3.0
=0
68. 5
X = 68
X-
Z=
SUSTITUCION:
Z = 67.5 68.0
3.0
Z = - 0.5
3.0
Z = -1.17
Z = 68 68
3.0
Z = 0.5
3.0
Z = 0.17
0.17
0.0675
0.17
0.0675
0.1350
P (x = 68) = 0.1350 = 13.5

N. de estudiantes = 300 (0.1350)
= 40.5
45 de 110

Estadstica II
6. Si los dimetros de cojinetes de bolas se distribuyen normalmente con media 0.6140
pulgadas y desviacin tpica 0.0025 pulgadas, determinar el porcentaje de cojinetes
de bolas con dimetros (a) entre 0.610 y 0.618 pulgadas inclusive (b) mayor de 0.617
pulgadas, (c) menor de 0.608 pulgadas, (d) igual a 0.615 pulgadas.
(A) Entre 0.610 y 0.018.
0. 6095
FORMULA:
=68. 0
= 3.0
=0
0. 6185
X-
Z=
SUSTITUCION:
Z1 = 0.6095 0.6140
0.0025
Z1 = - 0.0045
0.0025
Z2 = 0.6185 0.6140
0.0025
Z2 = 0.0045
0.0045
Z2 = 1.8
Z1 = -1.8
0.17
0.4641
0.17
0.4641
0.9282
92.82% = 93%
46 de 110

Estadstica II
(B)
Mayor de 0.617.
0.6175
= 0. 6140
= 3.0
FORMULA:
=0
X = 1.4
X-
Z=
SUSTITUCION:
Z = 0.6175 0.6140
0.0025
Z = 0.0035
0.0025
- 0.5000
0.4192
0.0808 x 100 = 8.08 = 8.1
Z = 1.4
47 de 110

Estadstica II
(C) Menor de 0.608 pulg.
0.608 = 0.6075
50%
= 0. 6140
= 0.0025
FORMULA:
z = -2.6
X = 1.4
X-
Z=
SUSTITUCION:
Z = 0.6075 0.6140
0.0025
Z = -0.0065
0.0025
=0
- 0.5000
0.4953
0.0047 x 100 = 0.47%
Z = -2.6 = 0.4953
48 de 110

Estadstica II
(D) Igual a 0.615 pulg.
x1 = 0.6145 x2 = 0.6155
= 0. 6140
= 0.0025
FORMULA:
z2 = -0.6
50%
= 0 z1= -0.2
X-
Z=
SUSTITUCION:
Z1 = 0.6140 0.6140
0.0025
Z2 = 0.6140 0.6155
0.0025
Z1 = -0.0005
0.0025
Z2 = -0.0015
0.0025
Z1 = -0.2 = 0.0793
Z2 = -0.6 = 0.2258
49 de 110

0.0793
+ 0.2258
0.3051
Estadstica II
7. La puntuacin media en un examen fue 72 y la desviacin tpica 9. El 10% superior
de los alumnos reciben la calificacin A. Cul es la puntuacin mnima que un
estudiante debe tener para recibir una A?
DE ATRS HACIA DELANTE:
DATOS:
FORMULA:
M= 72
Q= 9
Z1= 1.28 Tabla
%= ?
X = Z1 Q + M
SUSTITUCION:
0.3997
X = 1.28 (9) + 72
X = 11.52 + 72
X = 83.52
X = 84
10%
AHORA DE ADELANTE HACIA ATRS:
= 72
FORMULA:
=0 z =
X= 84
X-
Z=
SUSTITUCION:
Z=
83.52 72
9
0.5000
0.3997
Z=
11.52
9
0.1003 x 100 = 10%
Z = 1.28 = 0.3997
50 de 110

1.28
Estadstica II
2.3.- Muestreo Aleatorio Simple.
Teora De Muestreo
La teora de muestreo es un estudio de las relaciones existentes entre una
poblacin y muestras extradas de la misma. Tiene gran inters en muchos
aspectos de la estadstica. Por ejemplo, permite estimar cantidades
desconocidas de la poblacin (tales como la media poblacional, la
varianza, etc.), frecuentemente llamadas parmetros poblacionales o
brevemente parmetros, a partir del conocimiento de las correspondientes
cantidades mustrales (tales como la media muestral, la varianza, etc.), a
menudo llamadas estadsticos mustrales o brevemente estadsticos.
La teora de muestreo es tambin til para determinar si las diferencias

que se puedan observar entre dos muestras son debidas a la aleatoriedad
de las mismas o si por el contrario son realmente significativas. Tales
preguntas surgen, por ejemplo, al ensayar un nuevo suero para el
tratamiento de una enfermedad, o al decidir si un proceso de produccin
es mejor que otro. Estas decisiones envuelven a los llamados ensayos e
hiptesis de significacin, que tienen gran importancia en teora de la
decisin.
51 de 110

Estadstica II
En general, un estudio de inferencias, realizado sobre una poblacin
mediante muestras extradas de la misma, junto con las indicaciones sobre
la exactitud de tales inferencias aplicadas a la teora de la misma, junto
con las indicaciones sobre la exactitud de tales inferencias aplicadas a la
teora de la probabilidad, se conoce como inferencia estadstica.
Muestras Al Azar. (Nmeros Aleatorios)

Para que las conclusiones de la teora del muestreo e inferencia
estadstica sean validas, las muestras deben elegirse de forma que sean
representativas de la poblacin. Un estudio sobre mtodos de muestreo y
los problemas que tales mtodos implican, se conoce como diseos de
experimentos.
El proceso mediante el cual se extrae de una poblacin una muestra

representativa de la misma se conoce como muestreo al azar, deacuerdo
con ello cada miembro de la poblacin tiene la misma posibilidad de ser
incluido en la muestra. Una tcnica para obtener una muestra al azar es
asignar nmeros a cada miembro de la poblacin, escritos estos nmeros
en pequeos papeles, se introducen en una urna y despus se extraen
nmeros de la urna, teniendo cuidado de de mezclarlos bien antes de cada
extraccin. Esto puede ser sustituido por el empleo de una tabla de
nmeros aleatorios.
52 de 110

Estadstica II
Muestreo Con Y Sin Remplazamiento
Si se extrae un numero de una urna, se puede volver o no el numero a la
urna antes de realizar una segunda extraccin. En el primer caso, un
mismo nmero puede salir varias veces, mientras que en el segundo un
nmero determinado solamente puede salir una vez. El muestreo, en el
que cada miembro de la poblacin puede elegirse ms de una vez, se
llama muestreo con remplazamiento, mientras que si cada miembro no
puede ser elegido ms de una vez se tiene el muestreo sin
remplazamiento.
Las poblaciones pueden ser finitas o infinitas. Si, por ejemplo, se extraen
sucesivamente 10 bolas sin remplazamiento de una urna que contiene
100, se esta tomando una muestra de una poblacin finita, mientras que si
se lanza al aire una moneda 50 veces, anotndose el numero de caras, se
esta muestreando en una poblacin infinita.
Una poblacin finita, en la que se realiza un muestreo con remplazamiento,

puede tericamente ser considerada como infinita, puesto que puede
extraerse cualquier nmero de muestras sin agotar la poblacin. E muchos
casos prcticos, el muestreo de una poblacin finita que es muy grande,
pueden considerarse como muestreo de una poblacin infinita.
53 de 110

Estadstica II
2.4.- Distribuciones Mustrales
Considerndose todas las posibles muestras de tamao N que pueden
extraerse de una poblacin dada (con o sin remplazamiento). Para cada
muestra se puede calcular un estadstico, tal como la media, la desviacin
tpica, etc., que variara de una muestra a otra. De esta forma se obtiene
una distribucin del estadstico que se conoce como distribucin muestral.
Si, por ejemplo, el estadstico de que se trata es la media muestral, la

distribucin se conoce como distribucin muestral de medias o distribucin
muestral de la meda. Anlogamente se obtendra las distribuciones
mustrales de las desviaciones tpicas, etc. As, pues, se puede hablar de
la media y desviacin tpica de la distribucin muestral de medias, etc.
54 de 110

Estadstica II
2.4.1.- Distribucin Muestral de Medias.
Supngase que son extradas de una poblacin finita todas las
posibles muestras sin remplazamiento de tamao N, siendo el
tamao de la poblacin Np > N. Si se denota la media y la
desviacin tpica de la distribucin muestral de medias por x y
x y la media y la desviacin tpica de la poblacin por y ,
respectivamente se tiene:
x =
Np - N
x =
Si
la
poblacin
es
infinita
Np - 1
si
el
muestreo
es
remplazamiento, los resultados anteriores se convierten en:
x =
x =
N
55 de 110

con
Estadstica II
Para valores grandes de N(N > 30) la distribucin muestral de medias se
aproxima a una distribucin normal con media x y desviacin tpica x
independientemente de la poblacin de que se trate (siempre que la media
y la varianza poblacional sean finitas y el tamao de la poblacin sea la
menos dos veces el tamao de la muestra ). Este resultado en una
poblacin infinita es un caso especial del teorema central del lmite de
teora de probabilidad superior, que demuestra que la aproximacin es
tanto mejor conforme N se hace mayor. Esto se indica diciendo que la
distribucin muestral es sintticamente normal. En caso de que la
distribucin se distribuya normalmente, la distribucin muestral de medias
se distribuye tambin normalmente, incluso para pequeos valores de N
(es decir, N < 30).
2.4.2.- Distribucin Muestral de Proporciones

Supngase una poblacin infinita y que la probabilidad de ocurrencia de un
suceso (conocido como su xito) es p, mientras que la probabilidad de no
ocurrencia del suceso es q = 1 p. Por ejemplo, la poblacin pueden ser
todos los posibles lanzamientos de una moneda, en la que la probabilidad
del suceso (cara) es p = .
56 de 110

Estadstica II
Se consideran todas las posibles muestras de tamao N extradas de esta
poblacin y para cada muestra se determina la proporcin p de xito. En
el caso de la moneda, P seria la proporcin de caras aparecidas en los N
lanzamientos.
Entonces
se
obtiene
una
distribucin
muestral
de
proporciones cuya media p y desviacin t6ipica p vienen dadas por:
x =
x =
Pq
N
p(1 p)
N
Que pueden obtenerse de (2) sustituyendo por q y por
pq.
Para grandes valores de N (es decir, N < 30) la distribucin muestral se

aproxima mucho a una distribucin normal. Ntese que la poblacin se
distribuye binominalmente.
Las ecuaciones (3) son igualmente validas para una poblacin finita en la
que el muestreo se hace con remplazamiento.
Para poblaciones finitas y muestreo sin remplazamiento, las ecuaciones

(3) pasan a ser como las ecuaciones (1) con = p y =
pq.
Advirtase que las ecuaciones (3) se obtienen mas fcilmente dividiendo la

media y la desviacin tpica (Np y Npq) de la distribucin binominal por N.
57 de 110

Estadstica II
2.4.3.- Distribucin Muestral de Diferencias y Sumas.
Supnganse que se tienen dos poblaciones. Para cada muestra de
tamao N1, extrada de la primera poblacin se calcula un estudio S1. Esto
proporciona una distribucin muestral del estadstico S1 cuya medida y
desviacin tpica vienen dadas por s1 y s1, respectivamente.
Anlogamente, para cada muestra de tamao N2, extrada de la segunda

poblacin, se calcula un estadstico S2. Esto igualmente proporciona una
distribucin muestral del estadstico S2, cuya media y desviacin tpica
vienen dadas por s2 y s2. De todas las posibles combinaciones de estas
muestras de las dos poblaciones se puede obtener una distribucin de las
diferencias, S1 S2 que se conoce como distribucin muestral de
diferencias de los estadsticos. La medida y la varianza de esta distribucin
muestral se denotan, respectivamente, por s1- S2 y s1 S2 y son
dadas por
s1 S2 = s1 s2
y s1 S2 =
2S1 + 2s2
(4)
Con tal de que las muestras no dependan de ninguna forma una de otra,
es decir, las muestras sean independientes.
58 de 110

Estadstica II
Si S1 y S2 son las medidas mustrales de las dos poblaciones, las cuales
vienen dadas por X1 y X2, entonces la distribucin muestral de la
diferencias de medias para poblaciones infinitas con medidas y
desviaciones tpicas 1, 1 y 2, 2, respectivamente, tienen por media y
desviacin tpica.
x1-x2 = x1 x2 = 1 2 y x1- x2 =
2x1 + 2x2 = 2+ 2
1
2
N1 N2
(5)
Usando las ecuaciones (2). El resultado se mantiene valido para

poblaciones finitas si el muestreo es con remplazamiento.
Resultados similares pueden obtenerse para poblaciones finitas en las que

el muestreo se realiza sin remplazamiento partiendo de las ecuaciones (1).
Resultados correspondientes pueden deducirse para las distribuciones

mustrales de diferencias de proporcin de dos poblaciones distribuidas
binominalmente con parmetros p1, q1 y p2, q2, respectivamente. En este
59 de 110

Estadstica II
caso S1 y S2 corresponden a las proporciones de xito, P1 y P2, y las
ecuaciones (4) dan los resultados.
p1 p2 = p1 p2 = p1 p2 y p1-p2 = 2p1 + 2p2 = p1q1 p2q2

N1
N2
(6)
Si N1 y N2 son grandes (N1, N2 = 30), las distribuciones mustrales de

diferencia de medias o proporciones se distribuyen muy aproximadamente
como un normal.
A veces, es til hablar de la distribucin muestral de la suma de

estadsticos. La media y la desviacin tpica de esta distribucin viene
dada por
s1+s2 = s1 + s2 y s1+s2 =
2s1 + 2s2
Suponiendo que las muestras son independientes.
60 de 110

(7)
Estadstica II
2.5.- Otros Ejercicios.
1) Muestra De Dos Elementos Con Reemplazo:
PARAMETRO
UNIVERSO


R= S =
2,2
2,3
2,4
2,6
3,2
3,3
3,4
3,6
4,2
4,3
4,4
4,6
6,2
6,3
6,4
6,6
(estadstico)
= 16
R= nORr = nr
nORr = 42
nORr = 16

R=
61 de 110

Estadstica II
R= Sx = { 2, 2.5, 3, 3.5, 4, 4.5, 5, 6 }
X
Px(x)
2.5
3.5
4.5
1/16
2/16
3/16
2/16
3/16
2/16
2/16
1/16
SUMA
16/16 =
1
2 (1/16) + 2.5 (2/16) + 3 (3/16) + 3.5 (2/16) + 4 (3/16) + 4.5 (2/16) + 5 (2/16) + 6
(1/16) =
2/16 + 5/16 + 9/16 + 7/16 + 12/16 + 9/16 + 10/16 + 6/16 = 60/16 = 3.75
Comprobacin:
6 + 4 + 2 + 3 = 15/4 = 3.75
62 de 110

Estadstica II
Distribucin Maestral De Medias:
Media: Mx = M
Con Reemplazo:
Q
D. Estndar: Qx =
N
n
2
(X )
i=1
n
X-
3.75
- 1.75
(X- )
3.0625
3.75
0.75
0.5625
3.75
0.25
0.0625
3.75
2.25
5.0625
63 de 110

Estadstica II
8.75
4
= 3.75
Q = 1.4790
=
2.1875
Q = 1.4790
1.4790
Qx =
Qx =
N
1.4790
Qx =
Qx =
1.04581
1.414213
X
2
2.5
3
3.5
4
4.5
5
6
3.75
3.75
3.75
3.75
3.75
3.75
3.75
3.75
X-
-1.75
-1.25
-0.75
-0.75
0.25
0.75
1.25
2.25
(X- )
3.0625
1.5625
0.5625
0.0625
0.0625
0.5625
1.5625
5.0625
Px(X)
1/16
2/16
3/16
2/16
3/16
2/16
2/16
1/16
(Px(x))((x- ) )
0.191406
0.1953
0.1054
0.0078
0.0116
0.0703
0.1953
0.3169
Q2 = 1.0939
Q = 1.0939
Q = 1.0458
64 de 110

Estadstica II
2) Muestra De Dos Elementos sin Reemplazo:
6
4
PARAMETRO
UNIVERSO

R= Sacar muestras de 2 elementos sin reemplazo.

R= S =
2,3 3,2 4,2 6,2

2,4 3,4 4,3 6,3
2,6 3,6 4,6 6,4
(estadstico)
= 12
R= nOr = 4!
(4 2) !
nOr = 24/2
nOr = 12
nOr = 24
2!
nOr = 24/2

R=
65 de 110

Estadstica II
R= Sx = { 2.5, 3, 3.5, 4, 4.5, 5 }

X
2.5
3.5
4.5
TOTAL
Px(x)
2/12
2/12
2/12
2/12
2/12
2/12
12/12
=1

Mx = 2.5 (2/12) + 3 (2/12) + 3.5 (2/12) + 4 (2/12) + 4.5 (2/12) + 5 (2/12) =
Mx = 5/12 + 6/12 + 7/12 + 8/12 + 9/12 +10/12 = 3.75
COMPROBACIN:
6 + 4 + 2 + 3 = 15/4 = 3.75
Distribucin Maestral De Medias:
Media: Mx = M
Sin Reemplazo:
Q
D. Estndar: Qx =
N
66 de 110

NP - N
NP - 1
Estadstica II
X
2.5
3
3.5
4
4.5
5
3.75
3.75
3.75
3.75
3.75
3.75
X-
-1.25
-0.75
-0.75
0.25
0.75
1.25
(X- )
1.5625
0.5625
0.0625
0.0625
0.5625
1.5625
Px(X)
2/12
2/12
2/12
2/12
2/12
2/12
(Px(x))((x- ) )
0.2604166
0.09375
0.0104166
0.0104166
0.09375
0.2604166
Q2 = 0.7291664
Q = 0.7291664
Q = 0.8539
3) Una poblacin esta formada por los cuatro nmeros 3, 7, 11, 15. Considerar todas la
s posibles muestras de tamao dos que pueden extraerse de esta poblacin con
remplazamiento. Hallar (a) la media poblacional, (b) la desviacin tpica
poblacional, (c) la media de la distribucin muestral de medias, (d) la desviacin
tpica de la distribucin muestral de medias. Encontrar (c) y (d) directamente de (a)
y (b) mediante las formulas adecuadas.
3
PARAMETRO
11 15
UNIVERSO

67 de 110

Estadstica II
R= S =
3,3
3,7
3,11
3.15
7,3
7,7
7,11
7,15
11,3
11,7
11,11
11,15
15,3
15,7
15,11
15,15
(estadstico)
= 16
R= nORr = nr
nORr = 42
nORr = 16

R=

R= Sx = { 3, 5, 7, 9, 11, 13, 15}
11
13
15
SUMA
Px(x)
1/16
2/16
3/16
4/16
3/16
2/16
1/16
16/16
=1
68 de 110

Estadstica II
Mx = 3 (1/16) + 5 (2/16) + 7 (3/16) + 9 (4/16) + 11 (3/16) + 13 (2/16) + 15 (1/16) =

Mx = 13/16 + 10/16 + 21/16 + 36/16 + 33/16 + 26/16 + 15/16 = 144/16 = 9
COMPROBACIN:
3 + 7 + 11 + 15 = 36/4 = 9
X-
(X- )
-6
36
-2
11
15
36
36 + 4 + 4 + 36 = 80
Q = 80/4
M= 9
Q = 20
Q= 4.4721
Q= 4.472135955
69 de 110

Estadstica II
X
2.5
3
3.5
4
4.5
5
3.75
3.75
3.75
3.75
3.75
3.75
X-
-1.25
-0.75
-0.75
0.25
0.75
1.25
(X- )
1.5625
0.5625
0.0625
0.0625
0.5625
1.5625
Px(X)
2/12
2/12
2/12
2/12
2/12
2/12
(Px(x))((x- ) )
0.2604166
0.09375
0.0104166
0.0104166
0.09375
0.2604166
2
Q = 10
Q=
10
Q = 3.162
4) Los pesos de 1500 cojinetes de bolas se distribuyen normalmente con media de 22.40
onzas y desviacin tpica de 0.048 onzas. Si se extraen 300 muestras de tamao 36 de
esta poblacin, determinar la media esperada y la desviacin tpica de la
distribucin muestral de medias, si el muestreo se hace (a) con remplazamiento, (b)
sin remplazamiento.
CON REMPLAZO:
M = 22.40
Mx = M
Q = 0.048
M = 22.40 = 22.40
Muestra = 300 c.
Qx = Q
N
Qx = 0.048/ 6
Qx = 0.008
Qx = 0.048
36
70 de 110

Estadstica II
SIN REMPLAZO:
Q
D. Estndar:
Qx =
NP - N
NP - 1
N
0.048
Qx =
300-36
300 - 1
36
0.048
Qx =
264
299
6
Qx = 0.008 (
0.882943144 )
Qx = 0.008 ( 0.939650543 )
Qx = 0.0075
Qx = Menor que 0.008.
5) Resolver el problema anterior si la poblacin se compone de 72 cojines.

Mx = M
Q = 0.048
22.40 = 22.40
Qx = Q
N
Qx = 0.048/ 6
Qx = 0.008
71 de 110

Estadstica II
Qx = 0.048
36
Qx =
Np N
Np 1
Qx =
0.048
76 36
76 1
36
Qx =
0.048
36
75
Qx = 0.008 (
0.507042254
Qx = 0.008 ( 0.712068995 )
Qx = 0.0075
72 de 110

Estadstica II
TEMA 3: Teora de Estimacin Estadstica
3.1.- Estimacin de Parmetros.
En el ultimo capitulo se vio como la teora del muestreo poda emplearse
para obtener informacin acerca de muestras extradas al azar de una
poblacin conocida. Sin embargo, desde un punto de vista prctico, es
frecuentemente ms importante es el poder inferir informacin sobre una
poblacin mediante muestras extradas de ella.
Tales problemas son los tratados en la inferencia estadstica, basndose

en la teora del muestreo.
Un importante problema de la diferencia estadstica es la estimacin del

parmetro de la poblacin o brevemente parmetros (tales como la media,
varianza de la poblacin, etc.) a partir de los correspondientes estadsticos
mustrales o brevemente estadsticos (es decir, media muestral, varianza
muestral, etc.). En este capitulo se considera este problema.
73 de 110

Estadstica II
3.1.1.- Estimas Insesgadas.
Si la media de la distribucin muestral de un estadstico es igual al
correspondiente parmetro poblacional, el estadstico se llama estimador
insesgado del parmetro, si no es igual se dice estimador sesgado del
mismo. Los valores correspondientes de tales estadsticos se conocen,
respectivamente, como estimas insesgadas o sesgadas.
Ejemplo 1: La media de la distribucin muestral es medias x = , medias poblacional. De aqu

que la media muestral X es una estima insesgada de la media poblacional .
Ejemplo 2: La media de la distribucin muestral de varianzas s2 = N 1 2, donde 2
N
Es la varianza poblacional y N es el tamao muestral. As, pues, la

varianza muestral s2 es una estima esesgada de la varianza poblacional
2. Utilizando la varianza modificada
2 =
_N___ s2,
N-1
Se tiene que s2 = 2, de modo que s2 es una estima no sesgada de 2. Sin

embargo s es una estima sesgada de .
74 de 110

Estadstica II
En lenguaje de esperanza se puede decir que un estadstico es insesgado
si su esperanza es igual al correspondiente parmetro poblacional. As, X y
2 son insesgados, puesto que E{X} = y E{2} = 2.
3.1.2.- Estimas Eficientes.

Si las distribuciones mustrales de dos estadsticos tienen la misma media
(o esperanza), el estadstico que tenga menor varianza de llama estimador
eficiente de la media, mientras que el otro estadstico de llama estimador
no eficiente. Los valores correspondientes de los estadsticos de llaman
estimas eficientes, respectivamente.
Si se consideran todos los posibles estadsticos, cuyas distribuciones

mustrales tienen la misma media, al que tiene menor varianza se le llama
el ms eficiente o mejor estimador de esta media.
Ejemplo: Las distribuciones mustrales e la media y de la mediana tienen

las misma media que es la media poblacional. Sin embargo, la varianza de
la distribucin muestral de medias es menor que la de la distribucin
muestral de medianas. De aqu que la mediana muestral de una estima
eficiente de la media poblacional, mientras que la mediana muestral de
una estima no eficiente de ella.
75 de 110

Estadstica II
De todos los estadsticos que estiman la media poblacional, la media
muestral proporciona la estima mejor o ms eficiente. En la prctica se
utilizan frecuentemente estimas no eficientes, por la relativa facilidad con
que algunas de ellas pueden obtenerse.
3.2.- Estimas por Puntos y Estimas por Intervalos de

Seguridad
La estima de un parmetro poblacional dada por un numero se llama
estima de punto del parmetro. La estima de un parmetro poblacional
dada por dos nmeros entre los cuales se considera que se encuentra
dicho parmetro se llama estima de intervalo del parmetro.
La estima por intervalo indican la precisin o exactitud de una estima y, por
tanto, son preferidas a las estimas puntuales.
Ejemplo: si se dice que una distancia viene dada por 5,28 pies, se esta
dando una estima de punto. Si, por otra parte, se dice que la distancia es
5,28 0,03 pies, es decir, la distancia real se encuentra entre 5,25 y 5,31
pies, se esta dando una estima de intervalo.
La precisin o conocimiento del error de una estima se conoce tambin

como su seguridad.
76 de 110

Estadstica II
3.3.- Estimas por Intervalo de Confianza, de
Parmetros Poblacionales.
Sean s y s la media y la desviacin tpica (error tpico) de la distribucin
muestral de un estadstico S. Entonces, si la distribucin muestral es S es
aproximadamente normal (lo que se ha visto, que es cierto para muchos
estadsticos, si el tamao de muestra es N 30), cabe esperar en
muestras extradas, que el estadstico S se encuentre en los intervalos s sa s + s, s - 2sa s + 2s, o s - 3sa s + 3s, el 68.27%, 95.45% y
99.73% de las veces, respectivamente.
Anlogamente cabe esperar o se puede confiar en encontrar, s en los
intervalos S - s a S + s, S - 2s a S + 2s o S + 3s a S +3s en el
68.27%, 95.45% y 99.73% de las veces, respectivamente.
Por esto se pueden llamar a estos intervalos los intervalos de confianza del
68.27%, 95.45% y 99.73% para la estima de s. Los nmeros extremos de
estos intervalos (S + s, S + 2s, S + 3s) son llamados los limites de
confianza del 68.27%, 95.45% y 99.73% o, como otras veces se conocen,
limites fiduciales.
Anlogamente, S 1,96s y S 2.58s son los limites de confianza del
95% y 99% (o 0.95 y 0.99) para S. El porcentaje de confianza se llama
77 de 110

Estadstica II
tambin nivel de confianza. Los nmeros 1.96, 2.58, etc., de los limites de
confianza se llaman coeficientes de confianza o valores crticos y se
denotan por Zc. De los niveles de confianza se pueden obtener los
coeficientes de confianza, y recprocamente.
En la tabla 9-1 se dan los valores de Zc que corresponden a distintos

niveles de confianza utilizados en la practica. Para niveles de confianza
que no se encuentran en la tabla, los valores de Zc pueden sacarse de las
tablas de la curva normal.
Nivel de confianza
Zc
99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
3.00
2.58 2.33
2.05 2.00
1.96
1.645 1.28
1.00
0.6745
3.3.1.- Sistemas de Medias por Intervalos de Confianza

Si el estadstico S es la media muestral X, entonces los limites de
confianza del 95% y 99% para la estimacin de la media poblacional ,
vienen dados por X 1.96x, respectivamente.
Mas generalmente, los lmites de confianza son dados por X zcx, donde
zc depende del nivel de confianza que en cada caso se desee y pueda
78 de 110

Estadstica II
obtenerse de la tabla anterior. Utilizando los valores de x, y se puede ver
que los limites de confianza para la medida poblacional vienen dados por
_
X
zc _ _____
N
En el caso del muestreo de una poblacin infinita o si el muestreo es con

remplazamiento en una poblacin finita, y por
Np - N
X
zc
Np 1
Si el muestreo es sin remplazamiento de una poblacin finita de tamao

Np.
En general la desviacin tpica poblacional es desconocida, de modo

que para obtener los limites de confianza anteriores, se utiliza la estima
muestral s o s. Esto suministra una aproximacin satisfactoria para N 30.
Para N < 30, la aproximacin es mala y debe emplearse la teora de
pequeas muestras.
79 de 110

Estadstica II
3.3.2.- Intervalos de Confianza para Proporciones.
Si el estadstico S es la proporcin de xitos en una muestra del tamao
N extrada de una poblacin binominal en la que p es la proporcin de
xito (es decir, la probabilidad de xito), los limites de confianza para p
vienen dados por P _+ zcp, es la proporcin de xitos en la muestra de
tamao N con los valores obtenidos de p, se tiene que los limites de
confianza para la proporcin poblacional son dados por:
P zc
pq
N
P zc
p(1 - p)
N
Para el caso de muestreo en una poblacin infinita, o con remplazamiento

de una poblacin finita, y por
P zc
Pq
N
Np N
Np 1
Si el muestreo es sin remplazamiento en una poblacin finita de tamao

Np.
Para calcular estos limites de confianza puede utilizarse la estima muestral

P para p, que generalmente da una aproximacin satisfactoria para N 30.
80 de 110

Estadstica II
3.3.3.- Intervalos de Confianza para Diferencias y Sumas.
Si S1 y S2 son dos estadsticos con distribucin muestral aproximadamente
normales, los limites de confianza para la diferencia de los parmetros
poblacionales a S1 y S2 vienen dados por
S1 S2 _+ zcs1 s2 = S1 S2 zc
2s1 + 2s2
Mientras que los limites de confianza para la suma de los parmetros

poblacionales son
S1 + S2 _+ zcs1+s2
= S1 + S2 z c
2s1+2s2
Con tal de que las muestras sean independientes.
Por ejemplo, los limites de confianza para la diferencia de dos medias

poblacionales, en el caso de que las poblaciones sean infinitas, vienen
dados por
X1 X2 zcx1 x2
= X1 x2 zc
2
1
N1
2
2
N2
Donde X1, 1, N1 y X2, 2, N2 son las respectivas medias, desviaciones

tpicas y tamaos de las dos muestras extradas de las poblaciones.
81 de 110

Estadstica II
Anlogamente, los limites de confianza para la diferencia de dos
proporciones poblacionales, siendo las poblaciones infinitas, son dados por
P1 P2 zcp1 p2
P1 (1 p1)
p1 p2 zc
P2 (1 P2)
N1
N2
3.3.4.- Intervalos de Confianza para Desviaciones Tpicas.

Los limites para las desviaciones tpicas de una poblacin que se
distribuye normalmente y que es estimada por una muestra con desviacin
tpica s, son dados por
s z c s
= s zc
2N
Para calcular estos limites de confianza se utiliza s o s para estimar .
3.4.- Error Probable.

Los limites de confianza del 50% de los parmetros de la poblacin,
correspondientes a un estadstico S son dados por S 0.6745s. La
cantidad 0.6745s se conoce como error probable de la estima.
82 de 110

Estadstica II
3.5.- Ejercicios
La media y la desviacin tpica de las cargas mximas soportadas por 60 cables son
dados por 11.09 ton. Y 0.73 ton., respectivamente. Hallar los lmites de confianza del
(a) 95% y (b) 99% para la media de las cargas mximas de todos los cables
producidos por la compaa.
POBLACION INFINITA.
X = 11.09 ton.
Todas las
cargas
maximas de
todos los
cables.
Q = 0.73 ton.
60
Cables.
A) 95%
Q
Me = X
+
-
Zc
Media Poblacional.
Me = 11.09 ton. 1.96 (0.73 ton. /
60
Me = 11.09 ton. 1.96
(0.73 ton. / 7.745966)
Me = 11.09 ton. 1.96
(0.094242603)
Me = 11.09 ton. 0.184715

Me = [10.90, 11.27]
83 de 110

Estadstica II
B) 99%
Me = 11.09 ton. 2.58 (0.73 ton. /
60
Me = 11.09 ton. 2.58 (0.73 ton. / 7.745966)

Me = 11.09 ton. 2.58 (0.094242603)
Me = 11.09 ton. 0.243145
Me = [10.90, 11.33]
C) 50%
Me = 11.09 ton. 0.6745 (0.73 ton. /
60
Me = 11.09 ton. 0.6745 (0.73 ton. / 7.745966)

Me = 11.09 ton. 0.6745 (0.094242603)
Me = 11.09 ton. 0.063566
Me = [10.90, 11.15]
84 de 110

Estadstica II
La media de la desviacin tpica de los dimetros de una muestra de 250 remaches
fabricados por una compaa son 0.72612 pulgadas y 0.00058 pulgadas
respectivamente hallar los limites de confianza del (a) 99% (b) 98% (c) 95% (d)
90% para el dimetro medio de todos los remaches fabricados por la compaa.
M = 250
X = 0.72642
Q = 0.00058
A) 99%
Me = 0.72642ton. 2.58 (0.00058ton. /
250
Me = 0.72642ton. 2.58 (0.00058 ton. / 15.8113883)

Me = 0.72642ton. 2.58 (0.000036682)
Me = 0.72642ton. 0.000095
Me = [0.726325, 0.726615
B) 98%
Me = 0.72642ton. 2.33 (0.00058ton. /
250
Me = 0.72642ton. 2.33 (0.00058 ton. / 15.8113883)

Me = 0.72642ton. 2.33 (0.000036682)
Me = 0.72642ton. 0.000085
Me = [0.72, 0.72]
85 de 110

Estadstica II
C) 95%
Me = 0.72642ton. 1.96 (0.00058ton. /
250
Me = 0.72642ton. 1.96 (0.00058 ton. / 15.8113883)

Me = 0.72642ton. 1.96 (0.000036682)
Me = 0.72642ton. 0.000072
Me = [0.73, 0.73]
D) 90%
Me = 0.72642ton. 1.645 (0.00058ton. /
250
Me = 0.72642ton. 1.645 (0.00058 ton. / 15.8113883)

Me = 0.72642ton. 1.645 (0.000036682)
Me = 0.72642ton. 0.000060
Me = [0.7263, 0.7264]
86 de 110

Estadstica II
Una compaa tiene 500 cables. Un ensayo con 40 cables elegidos al azar dieron una
media de resistencia a la rotura de 2400 libras y una desviacin tpica de 150 libras.
(a) Cul son los limites de confianza del 95% y 99% para estimar la media de la
resistencia a la rotura de los 460 cables restantes? con que grado de confianza cabe
decir que la media de resistencia a la rotura de los 460 cables restantes sea 2400 35
libras?
POBLACION FINITA
40
500
CABLES
CABLES
M = 40
X = 2400 Libras
Q = 150 Libras
Q
Me = x a.C.
N
NP - N
NP - 1
A) 95% Y 99%
Me = 2400 Lib. 1.96 (150/
500 - 40
40 ) (
500 1
Me = 2400 Lib. 1.96 (150/ 6.32455532 ) (
460
499
Me = 2400 Lib. 1.96 (23.71708245) (
0.9218
Me = 2400 Lib. 1.96 (23.72) (0.96)

Me = 2400 Lib. 1.96 (22.7712)
Me = 2400 Lib. 44.63
Me = [2305.75, 2395.75]
87 de 110

Estadstica II
A) 99%
Me = 2400 Lib. 2.58 (150/
500 - 40
40 ) (
500 1
Me = 2400 Lib. 2.58 (150/ 6.32455532 ) (
460
499
Me = 2400 Lib. 2.58 (23.71708245) (
0.9218
Me = 2400 Lib. 2.58 (23.72) (0.96)

Me = 2400 Lib. 2.58 (22.7712)
Me = 2400 Lib. 59
Me = [2341, 2459]
B) ? %
2400 35
35 = x Zc
NP - N
NP - 1
35 = Zc (150/
40 ) (
500 - 40
500 1
460
35 = Zc (150/ 6.32455532 ) (
499
35 = Zc (23.71708245) (
0.9218
88 de 110

Estadstica II
35 = Zc (23.72) (0.96)
35 = Zc (22.77)
35 / 22.77 = Zc
1.54 = Zc
50%
0.4382 x 2 = 0.8764
50%
R = 87.64%
1. 59
1..54
2400 20
460
20 = Zc (150/ 6.32455532 ) (
499
20= Zc (23.71708245) (
0.9218
20 = Zc (23.72) (0.96)
20 = Zc (22.77)
20 / 22.77 = Zc
0.87 = Zc
50%
50%
0.88 = Tabla
0.3106 x 2 = 0.212
R = 62.12%
1.59
1.54
89 de 110

Estadstica II
Tema 4: Teora de la Decisin Estadstica
(Paramtrica).
4.1.- Conceptos y Definiciones.
4.1.1.- Decisiones Estadsticas.
Muy a menudo, en la prctica, se tienen que tomar decisiones sobre
poblaciones, partiendo de la informacin muestral de las mismas. Tales
decisiones se llaman decisiones estadsticas.
Por ejemplo, se puede querer decidir a partir de los datos del muestreo, si
un suero nuevo es realmente efectivo para la cura de una enfermedad, si
un sistema educacional es mejor que otro, si una moneda determinada
esta o no cargada, etc.
4.1.2.- Hiptesis Estadstica, Hiptesis Nula.

Para llegar a tomar decisiones, conviene hacer determinados supuestos o
conjeturas acerca de las poblaciones que se estudian. Tales supuestos
que pueden ser o no ciertos se llaman hiptesis estadsticas y, en general,
lo son sobre distribuciones de probabilidad de las poblaciones.
90 de 110

Estadstica II
En muchos casos se formulas las hiptesis estadsticas con el solo
propsito de rechazarlas o invalidarlas. Por ejemplo, si se quiere decir si
una moneda esta cargada, se formula la hiptesis de que la moneda esta
bien, es decir, p = 0.5; donde p es la posibilidad de cara.
Anlogamente, si se quiere decir sobre si un procedimiento es mejor que

otro, se formula la hiptesis de que no hay diferencia entre los
procedimientos (es decir, cualquiera diferencia observada se debe
meramente a fluctuaciones en el muestreo de la misma poblacin).
Tales hiptesis se llaman tambin hiptesis nulas y se denotan por Ho.
Cualquier hiptesis que difiera de una hiptesis dada se llama hiptesis

alternativa. Por ejemplo, si una hiptesis es p = 0.5 hiptesis alternativas
son p = 0.7: p =/ 0.5 o p > 0.5. Una hiptesis alternativa de la hiptesis
nula se denota por H1.
4.2.- Ensayos de Hiptesis y Significacin.

Si el supuesto de que una hiptesis determinada es cierta, se encuentra
que los resultados observados en una muestra al azar difieren
marcadamente de aquellos que caba esperar con la hiptesis y con la
91 de 110

Estadstica II
variacin propia del muestreo, se dira que las diferencias observadas son
significativas y se estara en condiciones de rechazar la hiptesis (o al
menos no aceptarla de acuerdo con la evidencia obtenida). Por ejemplo, si
en 20 lanzamientos de una moneda se obtienen 16 caras, se estara
inclinando a rechazar la hiptesis de que la moneda esta bien, aunque
seria posible que fuera un rechazamiento errneo.
Los procedimientos que facilitan el decir si una hiptesis se acepta o se

rechaza
el
determinar
si
las
muestras
observadas
difieren
significativamente de los resultados esperados se llaman ensayos de

hiptesis, ensayos de significacin o reglas de decisin.
4.2.1.- Error De Tipo I Y Tipo II.

Si se rechaza una hiptesis cuando debera ser aceptada, se dice que se
comete un error de tipo I. Si por el contrario, se acepta una hiptesis que
debe ser rechazada, se dice que se comete un error de tipo II. En
cualquiera de los dos casos se comete un error al tomar una decisin
equivocada.
Para que cualquier ensayo de hiptesis o regla de decisin sea bueno,

debe disearse de forma que minimice los errores de decisin. Esto no es
92 de 110

Estadstica II
tan sencillo como puede parecer puesto que para un tamao de muestra
dado, un intento de disminuir un tipo de error, va generalmente
acompaado por un incremento en el otro tipo de error.
En la prctica, un tipo de error puede tener ms importancia que el otro, y

as se tiende a conseguir poner una limitacin al error de mayor
importancia. La nica forma de disminuir al tiempo ambos tipos de error es
incrementar el tamao de muestra, lo cual puede ser o no ser posible.
4.2.2.- Nivel de Significacin.

La probabilidad mxima con la que el ensayo de una hiptesis se puede
cometer un error del Tipo I se llama nivel de significacin del ensayo. Esta
posibilidad de denotar frecuentemente por a; generalmente se fija antes de
la extraccin de las muestras, de modo que los resultados obtenidos no
influyen en la eleccin.
En la prctica se acostumbra a utilizar niveles de significacin del 0.05 o

0.01, aunque igualmente se pueden emplear otros valores. Si, por ejemplo,
se elige un nivel de significacin del 0.05 o 5% al disear un ensayo de
hiptesis, entonces hay aproximadamente 5 ocasiones en 100 en que se
rechazara la hiptesis cuando debera ser aceptada, es decir, se esta con
un 95% de confianza de que se tome la decisin adecuada.
93 de 110

Estadstica II
En tal caso como se dice que la hiptesis ha sido rechazada a nivel de
significacin del 0.05, lo que significa que se puede cometer error con una
probabilidad de 0.05.
4.3.- Ensayos Referentes a la Distribucin Normal.

Para aclarar las ideas anteriores, supnganse que con una hiptesis dada,
la distribucin muestral de un estadstico S es una distribucin normal con
media s y desviacin tpica s. Entonces la distribucin de la variable
tipificada (representada por z) dada por z = (S - s)/s, es una normal
tipificada (media 0, varianza 1). Figura 10.1.
Como se indica en la figura, se puede estar con el 95% de confianza de
que, si la hiptesis es cierta,el valor de z obtenido de una muestra real
para el Estadstico S se encontrara entre 1.96 y 1.96 (puesto que el rea
bajo la curva normal entre estos valores es 0.95).
94 de 110

Estadstica II
Fig. 10-1
Sin embargo, si al elegir una muestra al azar se encuentra que z para ese
estadstico se halla fuera del rango 1.96 a 1.96, lo que quiere decir que
es un suceso con posibilidad de solamente 0.05 (rea sombreada en la
figura) si la hiptesis fuera verdadera.
Entonces puede decirse que esta z difiere significativamente de la que

caba esperar de esta hiptesis y se estara inclinando a rechazar la
hiptesis.
El rea total sombreada 0.05 es el nivel de significacin del ensayo.

Representa la probabilidad de cometer error al rechazar la hiptesis es
decir, la posibilidad de cometer error del Tipo I. As, pues, se dice que la
hiptesis se rechaza al nivel de significacin del 0.05 o que la z obtenida
del estadstico muestral dado es significativa al nivel de significacin del
0.05.
95 de 110

Estadstica II
El conjunto de la z que se encuentra fuera del rango 1.96 a 1.96
constituye lo que se llama regin crtica o regin de rechace de la hiptesis
o regin de significacin. El conjunto de las z que se encuentran dentro del
rango 1.96 a 1.96 poda entonces llamarse regin de aceptacin de la
hiptesis o regin de no significacin.
De acuerdo con lo dicho hasta ahora, se puede formular la siguiente regla

de decisin o ensayo de hiptesis o significacin.
(a) Se rechaza la hiptesis al nivel de significacin del 0.05 si la z

obtenida para el estadstico S se encuentra fuera del rango 1.96 a
1.96 (es decir, z > 1.96 o z < - 1.96). Esto equivale a decir que el
estadstico muestral observado es significativo al nivel del 0.05.
(b) Se acepta la hiptesis (o si se desea no se toma decisin alguna) en

caso contrario.
A causa de su importante papel en los ensayos de hiptesis y significacin,

z recibe tambin el nombre de ensayo estadstico.
Debe ponerse de manifiesto que pueden igualmente emplearse
otros
niveles de significacin. Por ejemplo, si se utiliza el nivel del 0.01 se

sustituira 1.96 en todo lo visto anteriormente por 2.58. (Tabla 10-1).
96 de 110

Estadstica II
4.4.-Ensayos de Una y Dos Colas.
En el ensayo anterior se atenda a los valores extremos del estadstico S o
su correspondiente z a ambos lados de la media, es decir, en las dos
colas de la distribucin. Por esta razn, tales ensayos se llaman
ensayos de dos colas o ensayos bilaterales.
Sin embargo, con frecuencia, se puede estar solamente interesado en los

valores extremos a un solo lado de la media, es decir, en una cola de la
distribucin, como, por ejemplo, cuando se estn ensayando la hiptesis
de que un proceso es mejor que otro (que es diferente a ensayar si un
proceso es mejor o peor que otro). Tales ensayos se llaman ensayos de
una cola o ensayos unilaterales. En tales casos, la regin crtica es una
regin a un lado de la distribucin, con rea igual al nivel de significacin.
La tabla 10-1, que da los valores crticos de z para ensayos de una y dos
colas o distintos niveles de significacin, ser de utilidad para propsitos
de referencia. Valores crticos de z para otros niveles de significacin, se
pueden encontrar utilizando la tabla que da las reas bajo la curva normal.
Nivel de significacin
Valores crticos de z para
ensayos de una cola
Valores crticos de z para
ensayos de dos colas
0.10
-1.28 o
1.28
-1.645
y 1.645
Tabla 10-1
0.05
-1.645 o
1.645
-1.96
y 1.96
0.01
-2.33 o
2.33
-2.58
y 2.58
97 de 110

0.005
-2.58 o
2.58
-2.81
y 2.81
0.002
-2.88 o
2.88
-3.08
y 3.08
Estadstica II
4.5.- Ensayos Especiales.
Para muestras grandes, las distribuciones mustrales de muchos
estadsticos son distribuciones normales (o al menos casi normales) con
media s y desviaron tpica s. En tales casos, se pueden utilizar los
resultados anteriores para formular reglas de decisin o ensayos de
hiptesis y significacin.
Los siguientes casos especiales, (sacados de la tabla 8-1), son solamente

unos pocos de los estadsticos de inters practico. En cada caso, los
resultados
son para
poblaciones
infinitas
para
muestreo con
remplazamiento. Para muestreo sin remplazamiento de poblaciones finitas

los resultados debern modificarse.
1. Medias. Aqu S = , la media muestral; s = x = , media
poblacional; s = x = /N, donde es la desviacin tpica
poblacional y N es el tamao de la muestra.
El valor de la z viene dado por
_
X
z =
/ N
Donde se utiliza la desviacin muestral s o para estimar .
98 de 110

Estadstica II
2. Proporciones. Aqu S = P, la proporcin de xitos en una muestra; s
= p = p, donde p es la proporcin de xitos en la poblacin y N es el
tamao de la muestra; s = p =
pq/N donde q = 1 p. El valor de z
viene dado por:

Pp
Z=
pq/ N
En el caso de que P = X/N, donde X es el nmero real de xitos en una

muestra, z se convierte en:
X Np
z =
Npq
Es decir, x = = Np, x =
Npq, y S = X.
Anlogamente pueden obtenerse los resultados para otros estadsticos.
99 de 110

Estadstica II
4.6.- Ejercicio de Inferencia de Medias.
1.- OBJETIVO.- Comprobar la media hipottica con una muestra grande

aleatoria.
2.- DESCRIPCION DEL EXPERIMENTO.- Se desea comprobar que el

consumo promedio diario de lubricantes en una empresa es de 1,500 lts.,
mediante una muestra de 250 observaciones.
3.- HIPOTESIS:
Ho: = 1,500
Ha: 1,500
4.- CARACTERISTICAS:
Comprobacin de media hipottica.
Una sola muestra aleatoria.
Muestra grande (n = 250).
Medicin de razn con valores continuos.
100 de 110

Estadstica II
5.- COEFICIENTE DE CONFIANZA:
95%, dos colas, /2 = 0.025.
6.- DISTRIBUCION MUESTRAL.- La distribucin muestral apropiada es la

normal, por tratarse de muestra grande.
7.- BASE DE RECHAZO.- Segn la tabla No. 1 anexa, para el 95% de

confianza y distribucin de dos colas, el valor de z = 1.96.
RECHAZAR si 1.96 > z > 1.96.
101 de 110

Estadstica II
8.- RESULTADOS DE LA MUESTRA: n = 250.
1486 1473 1501 1467 1496 1498 1477 1488 1460 1479 1492 1503 1477 1493 1473
1472 1485 1497 1499 1506 1478 1499 1486 1486 1465 1438 1497 1486 1502 1471
1488 1474 1491 1492 1480 1505 1500 1473 1482 1489 1467 1483 1492 1496 1485
1458 1453 1503 1500 1486 1476 1462 1496 1499 1468 1459 1476 1466 1457 1481
1485 1477 1469 1488 1490 1495 1506 1483 1471 1492 1486 1457 1459 1489 1502
1493 1498 1477 1468 1491 1477 1475 1457 1498 1499 1472 1498 1467 1505 1481
1467 1493 1507 1502 1475 1468 1457 1482 1492 1476 1476 1475 1489 1462 1492
1490 1468 1483 1499 1467 1470 1465 1483 1492 1472 1499 1455 1482 1496 1467
1466 1473 1478 1489 1468 1477 1469 1485 1484 1471 1481 1492 1490 1474 1492
1482 1467 1467 1503 1474 1457 1497 1489 1478 1488 1477 1496 1482 1490 1499
1466 1498 1488 1467 1492 1472 1491 1490 1499 1498 1478 1496 1492 1492 1468
1487 1479 1468 1493 1483 1499 1482 1494 1496 1485 1499 1497 1478 1456 1471
1482 1468 1495 1472 1492 1472 1495 1467 1457 1487 1478 1470 1472 1459 1492
1490 1506 1482 1500 1478 1482 1490 1506 1478 1481 1489 1492 1490 1476 1468
1477 1480 1478 1492 1467 1482 1467 1492 1490 1503 1478 1475 1492 1495 1472
1498 1499 1472 1485 1492 1482 1488 1468 1482 1472 1477 1495 1472 1474 1481
1478 1490 1500 1472 1469 1482 1486 1467 1457 1489
102 de 110

Estadstica II
9.- PROCEDIMIENTO DE ANALISIS:
_
a.- Calculo de la media muestral: = /n.
_
= 370,586/250 = 1,482
b.- Calculo de la desviacin estndar muestral:

S =
[Y2 (Y)2/n]/(n-1)
S =
[549,378,852 (370,586)2/250]/(250-1) = 13.1287
c.- Estadsticas de prueba:
_
__
zc = (Y - )/(S/ n )
___
z = (1,482 1,500)/(13.1283/250) = - 21.67
103 de 110

Estadstica II
10.- DECISION.- Con el 95% de confianza, se rechaza la Ho. Hay videncia
significativa que prueba que el promedio de consumo diario de lubricantes
en la empresa es diferente de 1,500 Litros.
ANALISIS ADICIONALES.- Estimacin
de la media.
_
__
d.- Cota de error. S = zS/n
_
___
S = 1.96(13.128)/250 = 1.63
e.- Lmites extremos: Limites inferiores de confianza.

_ _
LIC = S
LIC = 1,482 1.6 = 1,480.4
_
_
LSC = + S
Limite superior de confianza.

LSC = 1,482 + 1.6 = 1,483.6
c.- Conclusiones.
Con el 95% de confianza se estima que el consumo diario de lubricantes esta entre 1,480.4 y
1,483.6.
104 de 110

Estadstica II
Comprobar que el contenido medio de azufre en un
compuesto es de 0.025, con el 95% de confianza y estimar la
media poblacional, con los resultados de la siguiente
muestra:
1.- OBJETIVO.- Comprobar la media hipottica con una muestra grande

aleatoria.
2.- DESCRIPCION DEL EXPERIMENTO.- Se desea comprobar que el

contenido medio de azufre en un compuesto es de 0.025, con el 95% de
confianza y estimar la media poblacional, con los resultados de la siguiente
muestra.
3.- HIPOTESIS:
Ho: = 1,500
Ha: 1,500
105 de 110

Estadstica II
4.- CARACTERISTICAS:
Comprobacin de media hipottica.

Una sola muestra aleatoria.
Muestra grande (n = 250).
Medicin de razn con valores continuos.
5.- COEFICIENTE DE CONFIANZA:

95%, dos colas, /2 = 0.025.
6.- DISTRIBUCION MUESTRAL.- La distribucin muestral apropiada es la

normal, por tratarse de muestra grande.
106 de 110

Estadstica II
7.- BASE DE RECHAZO.- Segn la tabla No. 1 anexa, para el 95% de
confianza y distribucin de dos colas, el valor de z = 1.96.
RECHAZAR si 1.96 > z > 1.96.
8.- RESULTADOS DE LA MUESTRA: n = 250.

0.023
0.002
0.027
0.028
0.024
0.028
0.023
0.025
0.022
0.023
0.029
0.027
0.021
0.024
0.025
0.026
0.026
0.021
0.024
0.024
0.028
0.025
0.023
0.022
0.026
0.026
0.028
0.026
0.025
9.- PROCEDIMIENTO DE ANALISIS:

M = 0.025
Y = 0.875 / 35 = 0.025
107 de 110

0.026
0.028
0.025
0.025
0.027
0.023
Estadstica II
X - X
0.025 0.023 = 0.002

0.025 0.022 = 0.003
0.025 0.027 = -0.002
0.025 0.028 = -0.003
0.025 0.024 = 0.001
0.025 0.028 = -0.003
0.025 0.023 = 0.002
0.025 0.025 = 0.000
0.025 0.022 = 0.003
0.025 0.023 = 0.002
0.025 0.029 = 0.004
0.025 0.027 = 0.002
- X
0.025 0.021 = 0.004

0.025 0.024 = 0.001
0.025 0.025 = 0.000
0.025 0.026 =-0.001
0.025 0.026 =-0.001
0.025 0.021 = 0.004
0.025 0.024 = 0.001
0.025 0.024 = 0.001
0.025 0.028 =-0.003
0.025 0.025 = 0.000
0.025 0.023 = 0.002
0.025 0.022 = 0.003
- X
0.025 0.026 = -0.001

0.025 0.026 = -0.001
0.025 0.028 = -0.003
0.025 0.026 = -0.001
0.025 0.028 = -0.003
0.025 0.026 = -0.001
0.025 0.028 = -0.003
0.025 0.025 = 0.000
0.025 0.025 = 0.000
0.025 0.027 = -0.002
0.025 0.023 = 0.002
0.009
R = 0.009
(X - X)2 =
(0.002)2 = 0.000004
(0.003)2 = 0.000009
(-0.002)2= 0.000004
(-0.003)2= 0.000009
(0.001)2= 0.000001
(-0.003)2= 0.000009
(0.002)2= 0.000004
(0.003)2= 0.000009
(0.002)2= 0.000004
(0.004)2= 0.000016
(0.002)2= 0.000004
R = 0.00000162 / 35 =
(X - X)2
(0.004)2 = 0.000016
(0.001)2 = 0.000001
(0.001)2 = 0.000001
(0.001)2 = 0.000001
(0.004)2 = 0.000016
(0.001)2 = 0.000001
(0.001)2 = 0.000001
(0.003)2 = 0.000009
(0.002)2 = 0.000004
(0.003)2 = 0.000004
(0.001)2 = 0.000001
0.00000462
(X - X)2
(0.001)2 = 0.000001
(0.003)2 = 0.000009
(0.001)2 = 0.000001
(0.003)2 = 0.000009
(0.001)2 = 0.000001
(0.003)2 = 0.000009
(0.002)2 = 0.000004
(0.0022 = 0.000004
0.00000162
= 0.00214
108 de 110

Estadstica II
EJERCICIO ADICIONAL.
.- Con el 95% de confianza, comprobar que el promedio del valor de

las acciones cotizadas en la bolsa de valores en un da
seleccionado, es mayor de 10,000 y estimar la media poblacional. La
muestra tomada indica los siguientes valores:
21,300 660 3,440 10,650 36,700 2,250 31,600 9,800 10,250 2,020
12,800 2,150 11,500
5,825
2,140 1,680 12,300 7,750
6,000 2,850
1,240 19,200 14,500
1,770
3,750
216
1,080 15,000
1,480 33,700
640 14,450 49,800
4,300 81,000
109 de 110

Estadstica II
BIBLIOGRAFA.
KAZMIER, Leonard J. Estadstica aplicada a Administracin
y Economa. Ed. McGraw-Hill. Mxico, 4 Edicin,
2006.
LEVIN, Richard I.. Estadstica para Administracin y
Economa. Ed. Prentice Hall. Mxico, 1 Edicin,
2004.
SPIEGEL, Murray R. Estadstica. Ed. McGraw-Hill. Mxico, 3
Edicin, 2002.
STEVENSON, William J. Estadstica para Administracin y
Economa: Conceptos y aplicaciones. Ed. Alfaomega
Grupo Editor, 1 Edicin, 2002.
110 de 110


Guía Básica para El Estudio de La Estadística Inferencial AGUILERA AGUILERA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guía Básica para El Estudio de La Estadística Inferencial AGUILERA AGUILERA

Cargado por

Copyright:

Formatos disponibles

U NIVERSIDAD M ICHOACANA

Gua Bs ica para e l Es tu di o de la

M.A. Jos Rafael Aguilera Aguilera

Morelia Mich., Diciembre de 2009

TEMA 2: Teora Elemental de Muestreo ...................... 10

Jos Rafael Aguilera Aguilera

3.3.1.- Sistemas de Medias por Intervalos de Confianza .....78

Tema 4: Teora de la Decisin Estadstica (Paramtrica). . 90

Jos Rafael Aguilera Aguilera

Jos Rafael Aguilera Aguilera

1.1.- Conceptos Bsicos.

1. Materia de las ciencias sociales:

Jos Rafael Aguilera Aguilera

4. Que es un experimento o fenmeno aleatorio:

1.2.- Tcnicas para Contar.

La formula de este caso seria:

Jos Rafael Aguilera Aguilera

a,a b,a c,a d,a

En cambio si utilizamos la formula es mas rpido y sencillo,

= 1, 300, 000 200

La formula de este caso seria:

Jos Rafael Aguilera Aguilera

b,a c,a d,a

Solucin con la formula:

La formula de este caso seria:

Por lo tanto el resultado es:

Jos Rafael Aguilera Aguilera

Jos Rafael Aguilera Aguilera

Tienen que ver con resultados que puedan ocurrir y

Existen en el universo millones

Toman el mismo modelo

Jos Rafael Aguilera Aguilera

Algunas propiedades de la distribucin binomial son dadas en la siguiente tabla.

Jos Rafael Aguilera Aguilera

Paso 1: Describir El Experimento Aleatorio.

Paso 2: Construir El Espacio Muestral.

Paso 3: Definir Una Variable Aleatoria.

Paso 4: Construir El Espectro De La Variable Aleatoria.

Jos Rafael Aguilera Aguilera

P = posible xito. 1/2

[(1/2)0] [(1/2) 6-0]

P (0) = (1) (1/1) (1/64)

Jos Rafael Aguilera Aguilera

[(1/2)1] [(1/2) 6-1]

P (1) = (6) (1/2) (1/32)

[(1/2)2] [(1/2) 6-2]

P (2) = (15) (1/4) (1/16)

Jos Rafael Aguilera Aguilera

[(1/2)3] [(1/2) 6-3]

P (3) = (20) (1/8) (1/8)

[(1/2)4] [(1/2) 6-4]

P (4) = (15) (1/16) (1/4)

Jos Rafael Aguilera Aguilera

[(1/2)5] [(1/2) 6-5]

P (5) = (6) (1/32) (1/2)

[(1/2)6] [(1/2) 6-6]

P (6) = (1) (1/64) (1/1)

TABLA DEL EJERCICIO:

Jos Rafael Aguilera Aguilera

(B) Menos de 4 caras:

3. Si X denota el numero de caras en un solo lanzamiento de 4 monedas, hallar (a) p{X

Paso 1: Describir El Experimento Aleatorio.

Paso 2: Construir El Espacio Muestral.