Mód. Estadística Aplicada PDF

Instituto Profesional Diego Portales
AUTNOMO
Asignatura
ESTADSTICA II
Autor: RODRIGO AL VALLEJOS

AUTNOMO
AUTOR
RODRIGO AL:
Ingeniero Matemtico, Universidad de Concepcin.
Se desempea como docente en el Instituto Diego Portales de Concepcin, desde 2000 a la

fecha.
Se desempea como docente en la Universidad Catlica de la Santsima Concepcin desde 2001
a la fecha.
Se desempea como docente en la Universidad del Bo-Bo desde 2003 a la fecha.
Se desempe 3 aos como coordinador e instructor de cursos en el Laboratorio de computacin
de la Facultad de Ciencias fsicas y Matemticas de la Universidad de Concepcin

AUTNOMO
INVITACIN AL MDULO
Estimado alumno
Los conocimientos de teora estadstica son la base del soporte tecnolgico y la base sobre
la cul se puede hacer un uso racional, sistemtico y tico de la sorprendente tecnologa que se
incorpora cotidianamente a nuestro quehacer laboral. Por tanto, no es solo la necesidad de
calcular, medir o de disponer de herramientas mecnicas directas por lo cul hay que estudiar
disciplina, sino que nos debe mover el manifiesto inters por desarrollar nuestra capacidad de
desicin, aumentar nuestra capacidad de analizar, discriminar, abstraer y sintetizar informacin,
optimizando as nuestra rapidez y eficacia para enfrentar el conjunto de situaciones problemticas
que afectan diariamente al conjunto de nuestra actividad.
Este mdulo de Estadstica ha sido creado siguiendo de muy cerca el programa de la

asignatura, en su elaboracin se han priorizado objetivos y contenidos fundamentales, para
acceder al dominio de herramientas de decisin y de lenguaje estadstico, que permitan una
utilizacin transversal en el currculum general de tu carrera as como tambin una posible
proyeccin posterior, hacia niveles de instruccin superiores en tu respectiva rea.
Para facilitar el seguimiento de presente texto, se ha considerado una instruccin

programada, simple reinterpretar por el alumno, que generalmente dispone de un tiempo limitado
de estudio personal; se sugiere enfrentar perseverantemente todas las actividades de
autoevaluacin, propuestas al final de cada unidad temtica, para ir accediendo a captulos
progresivos en forma directa, considerando tambin las instancias de consultora establecidas por
el Programa a Distancia a cargo de tus profesores tutores.
Esperando para ti todo el xito posible, te invito a iniciar la tarea del aprendizaje
sistemtico, que te conducir a la obtencin de tus objetivos personales y profesionales.
Mucha suerte y hasta pronto!!

AUTNOMO
ASIGNATURA
ESTADSTICA
OBJETIVO GENERAL
Al trmino del curso, el alumno ser capaz de:
Aplicar elementos de estadstica inferencial relacionados con distribuciones maestrales,

desarrollndolos en problemas de gestin empresarial.
Propender al desarrollo del sentido de autonoma personal y por lo tanto la responsabilidad
de su propio aprendizaje.
OBJETIVOS ESPECFICOS
Unidad Temtica N 1: Emplear la distribucin normal, sus aplicaciones ms importantes y

su importancia en la construccin de otras distribuciones.
Unidad Temtica N 2: Construir parmetros en forma puntual y por intervalos verificando
sus propiedades y aplicar los conceptos de estimacin de cada uno de los muestreos
estudiados.
Unidad Temtica N 3: Elaborar una prueba de hiptesis para medias y proporciones,
aplicables a problemas del rea.
Unidad Temtica N 4: Aplicar el anlisis de varianza para medir la bondad del ajuste en
modelos de regresin lineal.

AUTNOMO
ASIGNATURA
ESTADSTICA
PRIMERA UNIDAD
DISTRIBUCIONES CONTINUAS
CONTENIDO DE LA UNIDAD TEMTICA
1.1
Distribucin normal. Generalidades y aplicaciones.
1.2
Distribucin Chi Cuadrado. T Student y F.

1.2.1 Construccin. Caractersticas. Uso de tablas. Aplicaciones.

AUTNOMO
DISTRIBUCIN NORMAL
Es la distribucin continua de de probabilidad ms importante en el campo de la estadstica. Su

grfica recibe el nombre de curva normal, su forma es la de una campana.
Esta curva permite describir muchos fenmenos que ocurren en la naturaleza, la industria y la
investigacin.
Una variable aleatoria (v.a) continua que tiene distribucin en forma de campana se llama
variable aleatoria normal.
Concepto: La funcin de la variable aleatoria , con media y varianza 2, est dada por:
f (X ) =
1
2
1 X

< x <
X ~ N ( , 2 )

AUTNOMO
Propiedades de la distribucin normal
1) El mximo valor de la curva se encuentra en x=

2) La curva es simtrica respecto a la recta x=
3) La curva es asinttica al eje X
4) El rea bajo la curva y sobre el eje X es uno.
5) Si X es una variable aleatoria normal, entonces E(X)= y Var(X)=2
reas bajo la curva
P (a < X < b) = f ( X )dx

a
Sin embargo, resolver esta integral con la funcin de densidad de la variable aleatoria normal no
es tan simple. Por tal motivo, se recurre a un proceso denominado estandarizacin basndose en
una variable aleatoria z que tiene =0 y 2=1 y que se denomina distribucin normal estndar.

AUTNOMO
Concepto: Si z es una v.a. normal con =0 y 2=1, tiene funcin de densidad:

f (Z ) =
1
2
1
Z2
2
- < x <
Z ~ N (0,1)
El proceso de estandarizacin se realiza de la siguiente forma:
Si X ~ N ( , 2 ), entonces Z =
~ N (0,1)
Ejemplos
1) P(z>1,84)
P(z>1,84)=1-P(z 1,84)
= 1-0,9671
= 0,0329

AUTNOMO
2) P(-1,97<z<0,86)
P(-1,97<z<0,86) =
P(z<0,86)- P(z<-197)
0,8051-0,0244
0,7807
3) P(z>z0)=0,7486
P(z>z0)=0,7486
1-P(z z0)=0,7486
1-0,7486 = P(z z0) P(z z0) = 0,2514 z0=-067

AUTNOMO
4) Sea X una v.a normal =40 y =6, detemine:

a) P(Xx) = 0,45
z 40
P z
= 0.45
6
x 40
= 0.13 x = 39,22
6
b) P( X>x )= 0,14
x 40
1 P z
= 0,14
6
x 40
x 40
P z
= 1,08 x = 46,48
= 0,86
6
6
10

AUTNOMO
EJERCICIOS
I) Usando la tabla determine:
a) P(z<0,83)
Resp: 0,7967
b) P(z<-1,27)
Resp: 0,1020
c) P(z>0,83)
Resp: 0,2033
d) P(z>-1,27)
Resp: 0,898
e) P(0,47<z<1,08)
Resp: 0,1791
f) P( -1,39<z<1,39)
Resp: 0,8354
g) P(z>z1)=0,06
Resp: z1=1,55
h) P(-0,93<z<z1)=0,7235
Resp: z1=1,28
II) Dada la v.a. X distribuida normalmente con media 18 y desviacin estndar 2,5 , encuentre:
a) P(x<15)
Resp: 0,1151
b) P(x<x1)
Resp: x1=16,1
c) P(x<x1)
Resp: x1=20,28
d) P(17<x<21)
Resp: 0,4009
11

AUTNOMO
Problemas de aplicacin
1) Cierto tipo de batera dura un promedio de tres aos, con una desviacin estndar de 0,5
aos. Suponiendo que las duraciones de las bateras son normalmente distribuidas,
encuentre la probabilidad de que una determinada batera dure menos de 2,3 aos.
Solucin:
X ~ N (3, (0,5) 2 )
X = Duracin de la batera
X ~ N (3, (0,5) 2 )
X = Duracin de la batera
P( x < 2,3)
2,3 3
= P z <
0,5
= P ( z < 1,4)
= 0,0808
La probabilidad de que una determinada batera dure menos de 2,3 aos es de un 8,08%.
12

AUTNOMO
2) Una compaa fabrica focos cuya duracin es normalmente distribuida con una media de
800 horas y una desviacin estndar de 40 horas. Encuentre la probabilidad de que un
foco dura entre 778 y 834 horas de uso.
Solucin
X ~ N (800, (40) 2 )
P (778 < x < 834)
X = Duracin de los focos

834 800
778 800
= P
<z<
40
40
= P(0,55 < z < 0,85)

= P( z < 0,85) P(0,55)
= 0,8023 - 0,2912 = 0,511
La probabilidad de que un foco dure entre 778 y 834 horas de uso es de un 51,11%.
13

AUTNOMO
3) Una cierta mquina produce resistencias alctricas que tienen un valor medio de 40 ohms
y una desviacin estndar de 2 ohms. Suponiendo que los valores de las resistencias
siguen una distribucin normal y que pueden medirse con cualquier grado de precisin.
Que porcentaje de las resistencias tendr un valor que exceda los 43 ohms ?
Solucin:
X ~ N (40, (2) 2 )
P( x > 43)
X = valor de las resistencias elctricas

43 40
= 1 P z
= 1 P( z 1,5)
= 1 0,9332
= 0,0668
El 6,68% de las resistencias tendr un valor que exceda a 43 ohms.
14

AUTNOMO
4) En una empresa las edades de los trabajadores se distribuye normalmente con media 50
aos y desviacin estndar 5 aos.
a) Qu porcentaje de los trabajadores tiene entre 50 y 52,5 aos ?
b) Cul es la probabilidad de qque un trabajador cualquiera no sea mayor de 45 aos?
c) Cul es la probabilidad que un trabajador tenga entre 41 y 58 aos?
d) El 20% de los trabajadores estn bajo cierta edad Cul es esa edad?
Solucin:
X ~ N (50, (5) 2 )
a) P (50 < x < 52,5)
X = edad de los trabajadores

52,5 50
50 50
= P
<z<
5
5
= P(0 < z < 0,5)

= P( z < 0,5) P( z < 0)
= 0,6915 0,5
= 0,1915
El 19,15% de los trabajadores tiene entre 50 y 52,5 aos.
b) P ( x 45)
45 50
= P z
= P ( z 1)
= 0,1587
La probabilidad de que un trabajador cualquiera no sea mayor de 45 aos es de un 15,87 %
15

AUTNOMO
c) P(41 < x < 58)
58 50
41 50
= P
<z<
5
5
= P (1,8 < z < 1,6)
= P ( z < 1,6) P ( z < 1,8)
= 0,9093
La probabilidad que un trabajador tenga entre 41 y 58 aos es de un 90,93 %
d) P( X < x) = 0,20
x 50
x 50
P z
= -0,85 x = 45,75
= 0,20
5
5
El 20% de los trabajadores tiene una edad menor o igual a 45,75 aos.
16

AUTNOMO
EJERCICIOS AUTO EVALUACIN N 1
1) Las piezas de pan de centeno distribuidas a las tiendas locales por una cierta pastelera
tienen una longitud promedio de 30 cm y una desviacin estndar de 2 cm. Suponiendo
que las longitudes estn normalmente distribuidas. Qu porcentaje de las piezas son :
a) De ms de 31,7 cm de longitud ?
b) Entre 29,3 y 33,5 cm de longitud ?
c) De una longitud menor que 25,5 cm ?
2) Una mquina despachadora de refrescos est ajustada para servir un promedio de 200
mililtros por vaso. Si la cantidad de refresco est normalmente distribuida con una
desviacin estndar de 15 mililtros.
a) Qu fraccin de los vasos contendr ms de 224 mililtros?

b) Cul es la probabilidad de que un vaso contenga entre 191 y 206 mililtros?
3) El dimetro interno ya terminado de un anillo de pistn est normalmente distribuido con

una media de 10 cm y una desviacin estndar de 0,03 cm.
a) Qu proporcin de los anillos tendr un dimetro interno que exceda de 10,075

cm ?
b) Cul es la probabilidad de que un anillo de pistn tenga un dimetro interno entre
9,97 y 10,03 cm ?
c) Para que valor el dimetro interno de un anillo de pistn representar el 15% ?
4) La resistencia a la tensin de cierto componente metlico est normalmente distribuida

con una media de 10.000 Kg/cm2 y una desviacin estndar de 0,03 cm.
17

AUTNOMO
a) Cul es la proporcin de estos componentes que execeden de 10.150 Kg/cm2 ?

b) Si las especificaciones requieren que todos los componentes tengan una resistencia
a la tensin entre 9.800 y 10.200 Kg/cm2 inclusive, qu porcentaje de piezas se
esperara que se desechara?
5) La vida promedio de cierto tipo de motor pequeo es de 10 aos con una desviacin
estndar de 2 aos. El fabricante repone sin cargo todos los motores que fallen dentro del
perodo de garanta. Si est a reponer slo el 3% de los motores que fallan, qu tan larga
deber ser la garanta que otorgue? Suponga que la vida de los motores tienen distribucin
normal.
6) Suponga que un consultor est investigando cunto tiempo necesitarn los obreros de la
fbrica para montar cierta pieza en una planta de automviles Volvo, y determin que la
informacin ( tiempo en segundos ) estaba normalmente distribuida con una media de 75
segundos y una desviacin estndar de 6 segundos.
a) Cul es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la

pieza en ms de 81 segundos ?
b) Cul es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza entre 69 y 81 segundos ?
c) Cul es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza en menos de 62 segundos ?
d) Cul es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la
pieza entre 62 y 69 segundos ?
e) Cuntos segundos deben pasar antes de que el 50% de los obreros monten la pieza?
7) El espesor de un lote de 10.000 arandelas de bronce de un cierto tipo fabricadas par una
gran compaa tiene una distribucin normal con media 0,0191 pulgadas y desviacin
estndar de 0,000425 pulgadas. Compruebe que se puede esperar que el 99,04% de estas
arandelas tengan un espesor entre 0,0180 y 0,202 pulgadas.
18

AUTNOMO
8) El tiempo de reaccin para un cierto tipo de experimento psicolgico est distribuido

normalmente con media 20 segundos y desviacin estndar 4 segundos.
a) Cul es la probabilidad de que una persona tenga un tiempo de reaccin entre 14 y 30

segundos ?
b) Cul es la probabilidad de que una persona tenga un tiempo de reaccin entre 25y 30
segundos ?
c) Qu porcentaje de personas tienen un tiempo de reaccin de ms de 14 segundos?
d) Cul es el tiempo de reaccin de modo que slo el 1% de todas las personas
reaccionen con mayor rapidez?
9) Un procesador de alimentos envasa caf en pequeos tarros, los pesos de los tarros estn
normalmente distribuidos con una desviacin estndar de 0,3 onzas. Si el 5% de los tarros
pesa ms de de 12,492 onzas. Cul es el promedio de los tarros?
19

AUTNOMO
SOLUCIONES EJERCICIOS AUTO EVALUACIN N1
1)
a) El 19,77% de las piezas tiene una longitud de ms de 31,7 cm.
b) El 59,67% de las piezas tiene una longitud menos que 25,5 cm.
2)
a) El 5,48% de los vasos contendr ms de 224 mililtros
b) El 5,18% de los vasos tendr entre 191 y 209 mililtros
3)
a) El 0,62% de los anillos tendr un dimetro superior a 10,075 cm.
b) El 68,26% de los anillos tendr un dimetro entre 9,97 y 10,03 cm.
c) El 15% de los anillos tendr un dimetro de 9,9688 cm.
4)
a) El 6,68% de los componentes exceden de 10.150 Kg/cm2 de resistencia a la tensin.
b) El 4,56% de las piezas se despacharn
5) Deben tener una garanta de a lo ms 6,24 aos.
6)
a) Existe un 65,87% de probabilidad de que un obrero pueda montar una pieza en menos de
75
seg o en ,ms de 81 seg.

b) Existe un 68,26% de probabilidad de que un obrero pueda montar una pieza entre 69 y 81 seg.
c) Existe un 1,5% de probabilidad de que un obrero pueda montar una pieza en menos de
62
seg.
d) Existe un 14,37% de probabilidad de que un obrero pueda montar una pieza entre 62y 69 seg.
e) Deben pasar 75 segundos antes de que el 50% de los obreros monten la pieza.
20

AUTNOMO
7)
Se cumple que el 99,04% de las arandelas tiene un espesor entre 0,0180 y 0,202 pulgadas.
8)
a) El 92,7% de las personas tiene un tiempo de reaccin entre 14 y 30 segundos.
b) El 9,94% de las personas tiene un tiempo de reaccin entre 25 y 30 segundos.
c) El 93,32% de las personas tiene un tiempo de reaccin de ms de 14 segundos.
d) El tiempo de reaccin es de 10,38 segundos.
9) El promedio de los tarros es de 12,3 onzas.
21

AUTNOMO
DISTRIBUCIN T-STUDENT
Definicin
Sean X1,X2,Xn variables aleatorias identicamente distribuidas con distribucin normal con
media y varianza 2. Entonces la variable:
T=
(x ) n
s
tiene distribucin t-student con v=n-1 grados de libertad donde n es el tamao de la muestra, x es
la media de la muestra y s es la varianza muestral. La grfica de esta distribucin es similar a la
distribucin normal y est dada por:
Al igual que la distribucin normal los valores de rea de esta distribucin se encuentran
tabulados.
La distribucin de probabilidad T se public por primera vez en 1908 en un artculo de W.S.
Gosset. En esa poca , Gosset era empleado de una cervecera irlandesa que desaprobaba la
publicacin de investigaciones de sus empleados. Para evadir esta prohibicin, public su trabajo
en secreto bajo el nombre de Student. En consecuencia, la distribucin T normalmente se llama
distribucin t de Student, o simplemente distribucin t.
La distribucin T es similar a la distribucin de Z, pues ambas son simtricas alrededor de la
media igual a cero. Ambas distribuciones tienen forma de campana, pero la distribucin t es ms
variable, debido al hecho que la distribucin t depende de las cantidades de x y s2.
22

AUTNOMO
Ejemplos
1) El valor de t con v=14 grados de libertad que deja un rea de 0.0975 a la derecha es:
t 0.975 = t 0.025 = 2.145
2) Encuentre P(-t0.025<T<t0.05).
Solucin:
Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a la izquierda,
encontrmos un rea total de:
1-0.05-0.025=0.925
3) Encuentre el valor de k tal que P(k<t<-1.761)=0.045, para una muestra aleatoria de

tamao 15 que se selecciona de una distribucin normal.
Solucin:
Notemos que 1.761 corresponde a t0.05 cuando v=14. Por tanto, -t0.05=-1761. Como k en el
enunciado de de la probabilidad original est a la izquieda de t0.05 = -1761,
luego k=-2.977.
4) Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto proceso

en lotes es 500 gramos por milmetro de materia prima. Para verificar esta afirmacin
muestrea 25 lotes cada mes. Si el valor t calculado cae entre t0.05 y t0.05, queda satisfecho
con su afirmacin. que conclusin extraera de una muestra que tiene una media x =518
23

AUTNOMO
gramos por milmetro y una desviacin estndar s=40 gramos?. Suponga que la
distribucin de rendimientos es aproximadamente normal.
Solucin:
De la tabla t-student encontramos que t0.05=1.711 para 24 grados de libertad. Por tanto, el
fabricante que satisfecho con esta afirmacin si para la muestra de tamao 25 el valor de t queda
entre -1.711 y 1.711. Si =500 entonces:
t=
( x ) n (518 500) 25
=
= 2.25
s
40
Como t=2.25 no est entre -1711 y 1.711 el fabricante debe revisar su proceso productivo.
24

AUTNOMO
EJERCICIOS AUTO EVALUATIVOS N 2
1) Mediante uso de tabla encuentre:
a) P(T < 2.365) con v = 7

b) P(T > 1.318) con v = 24
c) P(-1.356 < T < 2.179) con v = 12
2) Dada una muestra aleatoria de tamao 24 de una distribucin normal, encuentre k tal que:
a) P(-2.069 < T < k ) = 0.965
b) P(k < T < 2.807) = 0.095
c) P(-k < T < k ) = 0.9
3) Un fabricante de instrumentos de precisin para medidas terrestre afirma que sus mediciones
fallan en promedio a lo ms 0.5 mm. En una muestra aleatoria de 8 de estos instrumentos las
fallas de medicin fueron de : 0.6 , 0.7 , 0.7, 0.3, 0.4, 0.5, 0.4 y 0.2 mm. Estara de acuerdo
con la afirmacin del fabricante?
4) Un fabricante de cigarrillos asegura que el contenido promedio de nicotina, en una de sus

marcas, es de 0.6 mg por cigarrillo. Una organizacin independiente mide el contenido de
nicotina de 16 cigarros de esta marca y encuentra que el promedio y la desviacin estndar
muestral es de 0.75 y 0.175 mg, respectivamente, de nicotina. Si se supone que la cantidad de
nicotina de estos cigarros es una variable aleatoria normal que tan probable es el resultado
muestral dado por el fabricante ?
25

AUTNOMO
SOLUCIONES EJERCICIOS AUTO EVALUATIVOS N 2
1)
a) P= 0.975
b) P= 0.10
c) P= 0.875
2)
a) k=2.5
b) k=1.319
c) k=1.714
3) La varianza de una muestra est dada por:

s
x
=
2
i
n( x 2 )
n 1
as entonces s2=0.034 s=0.183 ; adems x =0.475

Calculemos P( 0.5)
( x ) n ( x 0.5) n
>
P ( < 0.5) = P
s
s
(0.475 0.5) 8
= P T7 <
0
.
183
= P (T7 < 0.38) = P (T7 < 0.38) = P (T7 > 0.38) = 0.3
Luego el fabricante debe revisar la presicin de sus instrumentos
26

AUTNOMO
4) Calculemos: P(>0.6)
( x ) n ( x 0.6) n
>
P ( > 0.6) = P
s
s
(0.75 0.6) 16
= P T15 >
0.175
= P (T15 > 3.428) = 0.0025
Luego la probabilidad que el contenido promedio de nicotina se mayor que 0.6 milgramos es
muy baja por tanto el fabricante podra tener razn sobre los contenidos promedio de nicotina de
sus cigarros.
27

AUTNOMO
Distribucin ji-cuadrado
Definicin
Si S2 es la varianza de una muestra aleatoria de tamao n que se toma de una poblacin

normal que tiene varianza 2 , entonces la variable:
2 =
(n 1) S 2
tiene distribucin ji-cuadrado con v=n-1 grados de libertad. En que n es el tamao de la

muestra S2 es la varianza muestral y 2 es la varianza de la poblacin.
x
=
2
i
n( x 2 )
n 1
La grfica de esta distribucin est dada por:
Al igual que las otras distribuciones sus valores de probabilidad se encuentran tabulados.
28

AUTNOMO
Ejemplo:
Un fabricante de bateras para auto garantiza que sus bateras durarn, en promedio tres aos
con una desviacin estndar de un ao. Si cinco de estas bateras tienen duraciones de 1.9,
2.4, 3.0 , 3.5 y 4.2 aos, el fabricante an est convencido de que sus bateras tienen una
desviacin estndar de un ao? Suponga que la duracin de la batera tiene distribucin
normal.
Solucin:
Encontremos primero la varianza de la muestra:
x
=
n( x 2 )
n 1
= 0.815
por otro lado
2 =
(n 1) S 2
(4)(0.815)
= 3.26
1
(n 1) s 2 (4)(0.815)
= P 42 < 3.26 = 0.5
P ( s < 1) = P
<
1
Luego el fabricante podra no tener razn en su afirmacin.
29

AUTNOMO
1) Para 2 encuentre :
2
a) 0.005
cuando v = 15
2
b) 0.05
cuando v = 7
2
c) 0.01
cuando v = 24
2) Encuentre 02 si :
a) P( 2 > 02 ) = 0.99 con v = 5
b) P( 12- > 02 ) = 0.025 con v = 19
c) P(37.652 < 2 < 02 ) = 0.045 con v = 25
3) Un fabricante de bateras para auto garantiza que sus bateras duraran en promedio, tres aos
con una desviacin estandar de 1 ao .Si 5 de estas bateras tienen duraciones de 1.9, 2.4, 3.0, 3.5
y 4.2 aos. Cual es la probabilidad de que la variabilidad de las bateras sea de ms de 3 aos ?
4) Considere una medicin fsica proporcionada por un instrumento de precisin, en donde el
inters recae en la variabilidad de la lectura .suponga que, con base en la experiencia, la medicin
es una variable aleatoria normalmente distribuida con media 10 y desviacin estndar 0.1
unidades. Si se toma una muestra aleatoria procedente de un proceso de manofactura de los
instrumentos de tamao 25, cul es la probabilidad de que el valor de la varianza muestral sea
mayor de 0.014 unidades cuadradas ?
30

AUTNOMO
SOLUCIN EJERCICIOS AUTO EVALUATIVOS N 3
1)
a) 27.488
b) 18.475
c) 36.415
2)
a) 13.277
b) 32.852
c) 46.928
3) y 4) tarea
31

AUTNOMO
ASIGNATURA
ESTADSTICA
SEGUNDA UNIDAD
TCNICAS DE MUESTREO Y ESTIMACIN
PUNTUAL
2.1
Muestreo aleatorio simple.
2.2
Muestreo aleatorio sistemtico.
2.3
Muestreo aleatorio estratificado.
2.4
Muestreo por conglomerados.
2.5
Distribucin muestral de la Media.
2.6
Teorema central del lmite.
2.7
Estimacin puntual y por intervalos.
2.8
Error Estndar de la media.
2.9
Tamao de muestra.
2.10 Muestreo por etapas.
32

AUTNOMO
Descripcin de Tcnicas de muestreo sobre

una poblacin
La teora del muestreo tiene por objetivo, el estudio de las relaciones existentes entre la
distribucin de un carcter en dicha poblacin y las distribuciones de dicho carcter en todas sus
muestras.
Las ventajas de estudiar una poblacin a partir de sus muestras son principalmente:
Coste reducido:
Si los datos que buscamos los podemos obtener a partir de una pequea parte del total de
la poblacin, los gastos de recogida y tratamiento de los datos sern menores. Por
ejemplo, cuando se realizan encuestas previas a un referndum, es ms barato preguntar a
4.000 personas su intencin de voto, que a 30.000.000;
Mayor rapidez:
Estamos acostumbrados a ver cmo con los resultados del escrutinio de las primeras
mesas electorales, se obtiene una aproximacin bastante buena del resultado final de unas
elecciones, muchas horas antes de que el recuento final de votos haya finalizado;
Ms posibilidades:
Para hacer cierto tipo de estudios, por ejemplo el de duracin de cierto tipo de bombillas,
no es posible en la prctica destruirlas todas para conocer su vida media, ya que no
quedara nada que vender. Es mejor destruir slo una pequea parte de ellas y sacar
conclusiones sobre las dems.
De este modo se ve que al hacer estadstica inferencial debemos enfrentarnos con dos problemas:
Eleccin de la muestra (muestreo), que es a lo que nos dedicaremos en este captulo.
Extrapolacin de las conclusiones obtenidas sobre la muestra, al resto de la poblacin

(inferencia).
33

AUTNOMO
Muestreo aleatorio
Consideremos una poblacin finita, de la que deseamos extraer una muestra. Cuando el proceso
de extraccin es tal que garantiza a cada uno de los elementos de la poblacin la misma
oportunidad de ser incluidos en dicha muestra, denominamos al proceso de seleccin muestreo
aleatorio.
El muestreo aleatorio se puede plantear bajo dos puntos de vista:
Sin reposicin de los elementos;
Con reposicin.
1) Muestreo aleatorio sin reposicin

Consideremos una poblacin E formada por N elementos. Si observamos un elemento particular,
eE , en un muestreo aleatorio sin reposicin se da la siguiente circunstancia:
1
La probabilidad de que e sea elegido en primer lugar es N ;
N
Si no ha sido elegido en primer lugar (lo que ocurre con una probabilidad de N 1 , la
1
probabilidad de que sea elegido en el segundo intento es de N 1 .
en el (i+1)-simo intento, la poblacin consta de N-i elementos, con lo cual si e no ha sido

1
seleccionado previamente, la probabilidad de que lo sea en este momento es de N i .
34

AUTNOMO
Si consideramos una muestra de n N elementos, donde el orden en la eleccin de los mismos

tiene importancia, la probabilidad de eleccin de una muestra M=(e1,e2,,,en) cualquiera es
P[ M ] = P[(e1 , e2 ,....., en )]
= P[e1 ] P[e2 ] P[en / e1 ,e2 ,......,en 1 ]
1
1
1
N N 1 N (n 1)
( N n)!
=
N!
=
lo que corresponde en el sentido de la definicin de probabilidad de Laplace a un caso posible

entre las VN,n posibles n-uplas de N elementos de la poblacin.
Si el orden no interviene, la probabilidad de que una muestra M={e1,e2,en}E
sea elegida es la suma de las probabilidades de elegir una cualquiera de sus n-uplas, tantas veces
como permutaciones en el orden de sus elementos sea posible, es decir
P[ M ] = P[(e1 , e2 ,....., en )]
= n! P[(e1 , e2 ,....., en )]
=
n! ( N n)!
N!
2) Muestreo aleatorio con reposicin

Sobre una poblacin E de tamao N podemos realizar extracciones de n elementos, pero de modo
que cada vez el elemento extrado es repuesto al total de la poblacin. De esta forma un elemento
puede ser extrado varias veces. Si el orden en la extraccin de la muestra interviene, la
probabilidad de una cualquiera de ellas, formada por n elementos es:
1 1
1
1
= n
N N
N N
35

AUTNOMO
Si el orden no interviene, la probabilidad de una muestra cualquiera, ser la suma de la anterior,

repitindola tantas veces como manera de combinar sus elementos sea posible. Es decir,
sea n1 el nmero de veces que se repite cierto elemento e1 en la muestra;
sea n2 el nmero de veces que se repite cierto elemento e2;
sea nk el nmero de veces que se repite cierto elemento ek,
de modo que n=n1+n2+..nk.
El muestreo aleatorio con reposicin es tambin denominado muestreo aleatorio simple, que
como hemos mencionado se caracteriza por que:
cada elemento de la poblacin tiene la misma probabilidad de ser elegido, y
las observaciones se realizan con reemplazamiento. De este modo, cada observacin es

realizada sobre la misma poblacin (no disminuye con las extracciones sucesivas).
36

AUTNOMO
Tablas de nmeros aleatorios: Lotera Nacional

Un ejemplo de una tabla de nmeros aleatorios consiste en la lista de los nmeros de Lotera
Nacional premiados a lo largo de su historia, pues se caracterizan por que cada dgito tiene la
misma probabilidad de ser elegido, y su eleccin es independiente de las dems extracciones.
Un modo de hacerlo es el siguiente. Supongamos que tenemos una lista de nmeros aleatorios de
k=5 cifras (00000-99.999), una poblacin de N=600individuos, y deseamos extraer una muestra
de n=6 de ellos. En este caso ordenamos a toda la poblacin (usando cualquier criterio) de modo
que a cada uno de sus elementos le corresponda un nmero del 1 al 600. En segundo lugar nos
dirigimos a la tabla de nmeros aleatorios, y comenzando en cualquier punto extraemos un
nmero t, y tomamos como primer elemento de la muestra al elemento de la poblacin:
t 600
t N
1+ k = 1+
100.000
10
El proceso se repite tomando los siguientes nmeros de la tabla de nmeros aleatorios, hasta
obtener la muestra de 10 individuos.
Las cantidades
u=
t
10 k
pueden ser consideradas como observaciones de una v.a. U, que sigue una distribucin uniforme
en el intervalo [0,1]
37

AUTNOMO
Mtodo de Montecarlo
El mtodo de Montecarlo es una tcnica para obtener muestras aleatorias simples de una v.a. X,
de la que conocemos su ley de probabilidad (a partir de su funcin de distribucin F). Con este
mtodo, el modo de elegir aleatoriamente un valor de X siguiendo usando su ley de probabilidad
es:
1. Usando una tabla de nmeros aleatorios se toma un valor u de una v.a. U~U(0,1).
2. Si X es continua tomar como observacin de X, la cantidad x=F-1(u). En el caso en que X sea
discreta se toma x como el percentil 100* de X, es decir el valor ms pequeo que verifica que
F(x).
Este proceso se debe repetir n veces para obtener una muestra de tamao n.
Ejemplo
Si queremos extraer n=10 muestras de una distribucin N(0,1) podemos recurrir a una tabla de
nmeros aleatorios de k=5 cifras, en las que observamos las cantidades (por ejemplo)
t ~ 76.293 , 31.776 , 50.803 , 71.153 , 33.717 , 17.979 , 52.125 , 41.330 , 95.141

A partir de ellas podemos obtener una muestra de X~N(0,1) usando una tabla de la distribucin
normal:
Nmeros aleatorios Muestra U(0,1) Muestra N(0,1)
ti
10 5
ti
ui
76.293
0'76
0'71
31.776
0'32(=1-0'68)
-0'47
50.803
0'51
0'03
71.153
0'71
0'55
20.271
0'20(=1-0'80)
-0'84
33.717
0'34(=1-0'66)
-0'41
38
xi = F-1(ui)

AUTNOMO
17.979
0'18(=1-0'82)
-0'92
52.125
0'52
0'05
41.330
0'41(=1-0'59)
-0'23
95.141
0'95
1'65
Obsrvese que como era de esperar, las observaciones xi tienden a agruparse alrededor de la
esperanza matemtica deXi~N(=0, 2=1). Por otra parte, esto no implica que el valor medio de
la muestra sea necesariamente x = 0 . Sin embargo como sabemos por el teorema de Fischer que
10
1
X = X i ~ N x = 0, x2 =
10
i =1
su dispersin con respecto al valor central es pequea, lo que implica que probablemente el valor
medio
estar muy prximo a 0, como se puede calcular:

x=
1
(0,71 + ...... + 1,65) = 0,012
10
Obsrvese que si el problema fuese el inverso, donde nicamente conocisemos las

observaciones xi y que el mecanismo que gener esos datos hubiese sido una distribucin normal
de parmetros desconocidos, con x obtenida hubisemos tenido una buena aproximacin del
``parmetro desconocido'' . Sobre esta cuestin volveremos ms adelante al abordar el
problema de la estimacin puntual de parmetros.
39

AUTNOMO
MUESTREO ESTRATIFICADO
Muestreo aleatorio estratificado

Un muestreo aleatorio estratificado es aquel en el que se divide la poblacin de N individuos,
en k subpoblaciones o estratos, atendiendo a criterios que puedan ser importantes en el estudio,
de tamaos respectivos N1, ..., Nk, y realizando en cada una de estas subpoblaciones muestreos
aleatorios simples de tamao ni.
A continuacin nos planteamos el problema de cuantos elementos de muestra se han de elegir de
cada uno de los estratos. Para ello tenemos fundamentalmente dos tcnicas: la asignacin
proporcional y la asignacin ptima
Ejemplo
Supongamos que realizamos un estudio sobre la poblacin de estudiantes de una Universidad, en

el que a travs de una muestra de 10 de ellos queremos obtener informacin sobre el uso de
barras de labios.
En primera aproximacin lo que procede es hacer un muestreo aleatorio simple, pero en su lugar
podemos reflexionar sobre el hecho de que el comportamiento de la poblacin con respecto a este
carcter no es homogneo, y atendiendo a l, podemos dividir a la poblacin en dos estratos:
Estudiantes masculinos (60% del total);
Estudiantes femeninos (40% restante).
de modo que se repartan proporcionalmente ambos grupos el nmero total de muestras, en

funcin de sus respectivos tamaos (6 varones y 4 mujeres). Esto es lo que se denomina
asignacin proporcional.
40

AUTNOMO
Si observamos con ms atencin, nos encontramos (salvo sorpresas de probabilidad reducida)

que el comportamiento de los varones con respecto al carcter que se estudia es muy homogneo
y diferenciado del grupo de las mujeres.
Por otra parte, con toda seguridad la precisin sobre el carcter que estudiamos, ser muy alta en
el grupo de los varones aunque en la muestra haya muy pocos (pequea varianza), mientras que
en el grupo de las mujeres habr mayor dispersin. Cuando las varianzas poblacionales son
pequens, con pocos elementos de una muestra se obtiene una informacin ms precisa del total
de la poblacin que cuando la varianza es grande. Por tanto, si nuestros medios slo nos permiten
tomar una muestra de 10 alumnos, ser ms conveniente dividir la muestra en dos estratos, y
tomar mediante muestreo aleatorio simple cierto nmero de individuos de cada estrato, de modo
que se elegirn ms individuos en los grupos de mayor variabilidad. As probablemente
obtendramos mejores resultados estudiando una muestra de:
1 varn.
9 hembras.
Esto es lo que se denomina asignacin ptima
Asignacin proporcional
Sea n el nmero de individuos de la poblacin total que forman parte de alguna muestra:
n=n1,n2,,nk
Cuando la asignacin es proporcional el tamao de la muestra de cada estrato es proporcional al
tamao del estrato correspondiente con respecto a la poblacin total:
ni = n
41
Ni
N

AUTNOMO
Asignacin ptima
Cuando se realiza un muestreo estratificado, los tamaos muestrales en cada uno de los estratos,
ni, los elige quien hace el muestreo, y para ello puede basarse en alguno de los siguientes
criterios:
Elegir los ni de tal modo que se minimice la varianza del estimador, para un coste
especificado, o bien,
habiendo fijado la varianza que podemos admitir para el estimador, minimizar el coste en
la obtencin de las muestras.
As en un estrato dado, se tiende a tomar una muestra ms grande cuando:
El estrato es ms grande;
El estrato posee mayor variabilidad interna (varianza);
El muestreo es ms barato en ese estrato.
Para ajustar el tamao de los estratos cuando conocemos la dispersin interna de cada uno de los
mismos, tenemos el siguiente resultado:
Muestreo sistemtico
Cuando los elementos de la poblacin estn ordenados en fichas o en una lista, una manera de
muestrear consiste en
Sea k=N/n ;
Elegir aleatoriamente un nmero m, entre 1 y k;
Tomar como muestra los elementos de la lista:
{e
m, m+ k
, em + 2 k ,..., em + ( n 1) k }
42

AUTNOMO
Esto es lo que se denomina muestreo sistemtico. Cuando el criterio de ordenacin de

los elementos en la lista es tal que los elementos ms parecidos tienden a estar ms
cercanos, el muestreo sistemtico suele ser ms preciso que el aleatorio simple, ya que
recorre la poblacin de un modo ms uniforme. Por otro lado, es a menudo ms fcil no
cometer errores con un muestreo sistemtico que con este ltimo.
Observacin
El mtodo tal como se ha definido anteriormente es sesgado si N/n no es entero, ya que los
ltimos elementos de la lista nunca pueden ser escogidos. Un modo de evitar este problema
consiste en considerar la lista como si fuese circular (el elemento N+1 coincide con el primero)
y:
Sea k el entero ms cercano a N/n;
Se selecciona un nmero al azar m, entre 1 y N;
Se toma como muestra los elementos de la lista que consisten en ir saltando de k

elementos en k, a partir de m, teniendo en cuenta que la lista es circular.
Se puede comprobar que con este mtodo todos los elementos de la lista tienen la misma
probabilidad de seleccin.
Muestreo por conglomerados

Si intentamos hacer un estudio sobre los habitantes de una ciudad, el muestreo aleatorio simple
puede resultar muy costoso, ya que estudiar una muestra de tamao n implica enviar a los
encuestadores a npuntos distintos de la misma, de modo que en cada uno de ellos slo se realiza
una entrevista. En esta situacin es ms econmico realizar el denominado muestreo por
conglomerados, que consiste en elegir aleatoriamente ciertos barrios dentro de la ciudad, para
despus elegir calles y edificios. Una vez elegido el edificio, se entrevista a todos los vecinos.
43

AUTNOMO
Teorema central del lmite

Si X es la media de una muestra aleatoria de tamao n tomada de una poblacin con media y
varianza 2 , entonces la variable:
Z=
(X )
tiene distribucin normal estndar ( N(0,1)) siempre que n , (n 30)
Ejemplo
Una empresa elctrica fabrica focos que tienen una duracin que se distribuye aproximadamente
en forma normal, con media 800 horas y desviacin estndar 40 horas. Encuentre la probabilidad
de que una muestra aleatoria de 16 focos tenga una vida promedio de 775 horas.
Solucin
Como la distribucin de los focos es aproximadamente normal, que n=16 sea menor que treinta
no es relevante para el problema. Luego
Z=
(X )
(775 800) 16
= 2.5
40
por lo tanto
P( X < 775) = P( Z < 2.5) = 0.0062
La probabilidad de que un foco dure menos de 775 horas es 0.0062.
44

AUTNOMO
Teorema ( distribucin de la media muestral)
Sea x1,x2,..x2 una muestra aleatoria de una variable aleatoria X que se distribuye normal con
media y varianza 2 entonces:
2
X ~ N ,
n
( X ) n
Z =
~ N (0,1)
n
Ejemplo
Si una muestra aleatoria de tamao 20 de una poblacin normal con media 64,3 y varianza 225.
Encuentre la probabilidad de que la media muestral sea mayor que 68.
Solucin
P ( x > 68) = 1 P( x < 68)
(68 64,3) 20
= 1 P z <
15
= 1 P( z < 1.10) = 1 0.8643 = 0.1357
Luego la probabilidad de la media muestral sea mayor que 68 es 0.1357.
45

AUTNOMO
1) La vida media de una mquina para hacer pasta es de siete aos, con una desviacin
estndar de un ao. Suponga que las vidas de estas mquinas siguen aproximadamente
una distribucin normal, encuentre:
a) La probabilidad de que la vida media de una muestra aleatoria de nueve de

estas mquinas caiga entre 6.4 y 7.2
b) El valor de x a la derecha del cual caera el 15% de las medias calculadas de
muestras aleatorias de tamao 9.
2) El tiempo que el cajero de un banco con servicio en el automvil atiende a un cliente es

una variable aleatoria con media 3.2 minutos y una desviacin estndar de 1.6 minutos. Si
se observa una muestra aleatoria de de 64 clientes encuentre la probabilidad de que su
tiempo medio con el cajero sea:
a) a lo ms 2.7 minutos
b) ms de 3.5 minutos
c) entre 3.2 y 3.4 minutos.
46

AUTNOMO
1)
a) 0.6898
b) 7.35
2)
a) 0.0062
b) 0.0668
c) 0.3413
47

AUTNOMO
Inferencia estadstica
La teora de inferencia estadstica consiste en aquellos mtodos con los cuales se pueden
realizar inferencias o generalizaciones acerca de una poblacin.
La inferencia estadstica se divide en dos reas:

a) Estimacin de parmetros
b) Pruebas de hiptesis
ESTIMACION DE PARAMETROS
Los parmetros a estudiar son parmetros poblacionales como la media y la varianza.
Si es un parmetro desconocido, entonces ser su estimador.

2
2
As , x es un estimador de y s es un estimador de si ellos cumplen con la propiedad de
insesgamiento.
Definicin
Se dice que un estadstico es un estimador insesgado del parmetro si y slo si E ( ) = .

De esta forma :
a) E ( x ) =
b) E( s 2 ) = 2
2
Nota : La letra E simboliza Esperanza o Valor Esperado para x y s .
48

AUTNOMO
ESTIMACION POR INTERVALOS
Una estimacin por intervalo de un parmetro poblacional es un intervalo de la forma
1 < < 2 , donde 1 y 2 dependen del valor de para una muestra particular y tambin de la
distribucin muestral de .
Basado en la distribucin muetral de se puede determinar si el intervalo ( 1 , 2 ) con una

probabilidad dada contiene realmente el parmetro que se supone va estimar.
Esto es : P(1 < < 2 ) = 1 donde 0 < < 1 .

El intervalo ( 1 , 2 ) calculado de una muestra particular se llama intervalo de confianza del
(1 )100 % , la fraccin (1 ) se denomina coeficiente de confianza, grado de confianza, o
nivel de confianza y los puntos 1 y 2 se llaman lmites de confianza.
Por ejemplo:
a) Si = 0.05, entonces se tiene un intervalo de confianza del 95 %.
b) Si = 0.01, entonces el intervalo de confianza es del 99 %.
49

AUTNOMO
A) Intervalo de confianza para la media ( ) de una poblacin normal
A1) Se conoce su varianza

2
X ~ N ,
n
Sabemos que si X es una variable aleatoria de una poblacion normal, entonces :
luego la variable : Z =
(x ) n
~ N(0,1)
P ( Z1 < Z < Z 2 ) = 1
P( Z < Z 2 ) =
P ( Z < Z1 ) =
+1 = 1
2
Luego : Z 2 = Z
por construccin
Z1 = Z
pero Z1 = Z 2
Luego : Z1 = Z
As, P(Z1 < Z < Z 2 ) = 1
50

AUTNOMO
De esta forma, reemplazando en esta expresin, los valores de Z, Z1 y Z2 obtenidos anteriormente

se tiene:
(x ) n
P Z <
< Z = 1
1
2
1 2
(x )
P Z <
< Z = 1
1 2
1

P Z
= 1
< x <Z
1
n
2
1 2 n

P x Z
= 1
< < x + Z
1
1
n
n
2
2

P x Z
= 1
< < x+Z
1
1
n
n
2
2
Definicin
Si x es la media de una muestra aleatoria de tamao n de una poblacin normal con varianza
2
pobalcional conocida, entonces un intervalo de confianza del (1- )100% para la media
poblacional est dado por:

x Z
,x + Z
1
1
n
n
2
2
Ejemplo :
Si una muestra aleatoria de tamao 20 de una poblacin normal con varianza 225 tiene una media
muestral de 64.3. Construya un intervalo de confianza del 95% para .
51

AUTNOMO
Solucin
(1 )100% = 95% = 0.05

n = 20
2 = 225 = 15
x = 64.3
reemplazando, estos valores en el intervalo se tiene:
15
15
64.3 Z 0.05
Z
,
64
.
3
+
0
.
05
1
1
20
20
2
2
15
15
64.3 (1.96)
,64.3 + (1.96)
= (57.7,70.9)
20
20
as con una confianza del 95% el verdadero valor de la media poblacional se encuentra en el
intervalo : (57.7,70.9).
ESTIMACION DEL ERROR
Teorema
Si se usa x como estimacin de , se puede tener una confianza del (1-)100% de que el error
no exceder de :
e=Z
En el ejemplo anterior:
Z
= Z 0.975 = 1.96 e = (1.96)
15
20
= 6.57
52

AUTNOMO
as con una confianza de 95% , el error de estimar a travs de x no ser mayor que 6.57
unidades, es decir :
x 6.57
TAMAO MUESTRAL ADECUADO
Teorema
Con una confianza del (1-)100% , el tamao muestral adecuado (n) para que la diferencia entre
x y no sea mayor que una cantidad especfica e est dado por :
Z
1 2
n=
e
Ejemplo:
Que tan grande se require que sea la muestra del ejemplo (1) para que el error de estimar a
travs de x no sea mayor que 0.05 ? utilice una confianza del 95%.
Sol
e = 0.05 ; (1 - ) = 0.95 = 0.05 as Z
1-
= Z 0.975 = 1.96
1.96(15)
= 15 por lo tanto n =
= 345.744
0.05
Luego con una confianza del 95% el tamao muestral adecuado para que error de estimar de
x no sea mayor que 0.05 es de n=346 unidades aproximadamente.
Observacin
Todo lo anterior tambin es aplicable a poblaciones no normales con varianza conocida cuando
n>30.
53

AUTNOMO
1) Las medidas de los dimetros de los rodamientos tiene una desviacin estndar de de
0.042 cm. Se selecciona una muestra aleatoria de 200 rodamientos producidas por una
mquina en una semana, los dimetros dieron una media de 0.824 cm. Hallar un intervalo
de confianza del 95% y 99% para el verdadero dimetro promedio de los rodamientos.
2) Suponga que la duracin de un componente tiene distribucin normal con media y
varianza 9. Se prueban 20 componentes y se anotan sus tipos de fallas x1,x2,x3..x20.
Suponga adems que la media de la muestra es de 100.9 horas. Obtener un intervalo de
confianza del 99% para la verdadera duracin promedio de todos los componentes.
3) Se administra un test estndar a una numerosa clase de estudiantes. La puntuacin media

de una muestra de 100 estudiantes es de 75 puntos. Suponga que la varianza admitida de
las puntuaciones para este test es de 2500 puntos. Hallar:
a) Intervalo de confianza del 98% para la verdadera puntuacin media de los
estudiantes.
b) Lmite superior del intervalo de confianza del 95% para
c) Lmite inferior del intervalo de confianza del 90% para
4) Al medir el tiempo de reaccin de una persona, un psiclogo estima que la desviacin

estndar es de 0.05 segundos. De que tamao ha de tomarse una muestra de medidas
para tener una confianza del 95% y 99% de que el error de estimar a travs de x no sea
mayor que 0.01 segundos ?
54

AUTNOMO
1) 95% (0.8182 , 08298)
99% (0.816 , 0.8316)
2) (99.17 , 102.63)
3) a) (63.35 , 86.65)
b) (84.8)
c) 66.775
4) 95% n=96.04 97
99% n=116.4 167
55

AUTNOMO
A2) Si no se conoce su varianza
Sabemos que si x1,x2,..xn una muestra aleatoria de una variable aleatoria X~N(,2) con 2
desconocida entonces el estadstico:
T=
(x ) n
tiene distribucin t - student con v = n 1 grados de libertad .
s
donde n es el tamao de la muestra y s es la desviacin estndar de la muestra .
La funcin de densidad t-student grficamente es similar a la funcin de densidad normal.
Su funcin de distribucin acumulada como ya sabemos se encuentra tabulada.

El parmetro que caracteriza a la t-student se conoce como grados de libertad.
56

AUTNOMO
P (t1 < T < t 2 ) = 1
x
P t <
< t
2
s
2
= 1
s
s
= 1
P x t
< < x + t
n
n
2
2
Definicin
Si x es la media de una muestra aleatoria de tamao n de una poblacin normal con varianza
conocida, entonces un intervalo de confianza del (1-)100% para est dado por:
s
s
x t
x
+
t
,
n
n
2
2
Ejemplo
Un fabricante de pintura quiere determinar el tiempo de secado promedio para una nueva pintura
para pared interior. Si para una prueba de 12 reas de igual tamao se obtiene un tiempo medio
de secado de 66.3 minutos y una desviacin estndar de 8.4 minutos. Construya un intervalo de
confianza del 95% para el verdadero tiempo de secado promedio de las paredes si el tiempo
de secado tiene distribucin normal.
Solucin
n = 12 n - 1 = 11
x = 66.3 por otro lado :1 = 0.95 = 0.05
s = 8.4
as el intervalo de confianza est dado por :
8.4
8.4
, 66.3 + (2.201)
66.3 - (2.201)
= (61;71.6 )
12
12
57
= 0.025 t
2
, n 1
= t 0.025,11 = 2.201

AUTNOMO
As un intervalo de confianza del 95% para el verdadero tiempo de secado promedio de las
paredes se encuentra en el intervalo (61; 71.6) minutos.
Teorema
Si se usa x como estimacin de , se puede tener una confianza del (1-)100% de que el error
no exceder de :
e = t
s
n
Ejemplo:
En el ejemplo anterior:
t = 2.201 , s = 8.4 ,
n = 12 por lo tanto : e = (2.201)
8.4
12
= 5.34
De esta forma, para la muestra de tamao 12 x difiere de en 5.34 minutos, es decir:

x = 5.34 minutos.
TAMAO MUESTRAL ADECUADO
Teorema
Con una confianza del (1-)100% , el tamao muestral adecuado (n) para que la diferencia entre
x y no sea mayor que una cantidad especfica e est dado por :
t s
n= 2
e
58

AUTNOMO
Ejemplo:
En el ejemplo del fabricante de pintura, determine el tamao de muestra adecuado para que el
error de estimar a travs de x no sea mayor que 0.25 minutos.
2
2.201(8.4)
n=
= 5469
0.25
Es decir para que el error no sea mayor que 0.25 se debe tomar una muestra de 5469 reas.
59

AUTNOMO
1) Se van a realizar durante un mes pruebas de mercado de un nuevo instrumento, en

determinadas tiendas de de una ciudad. Los resultados para una muestra de 16 tiendas
sealaron ventas promedio de $ 12.000 con una desviacin estndar de $ 180. Encuentre
un intervalo de confianza del 99% para las ventas promedio reales de este nuevo
instrumento. Suponga distribucin normal.
2) Suponga que se hacen 20 mediciones sobre la resistencia de cierto tipo de alambre. La

media de la muestra es 10.48 ohms y la desviacin estndar 1.36 ohms. Obtener un
intervalo de confianza de un 99% para la resistencia promedio real si ellas se distribuyen
normalmente.
3) Una muestra aleatoria de 100 propietarios de automviles indica que, en el estado XX, un
automvil recorre un promedio de 23.500 Km por ao con una desviacin estndar de
3.900 Km. Determine un intervalo de confianza del 98% para la cantidad promedio de
Km que un automvil recorre anualmente en el estado XX. Suponga distribucin normal.
4) Una muestra aleatoria de 8 cigarros de una marca determinada tiene un contenido

promedio de nicotina de 2.6 milgramos y una desviacin estndar de 0.9 milgramos.
a) Determine un intervalo de confianza del 95% para el contenido promedio de real
de nicotina en esta marca de cigarros en particular, si se sabe que la distribucin
de los contenidos de nicotina son normales.
b) Determine el tamao muestral adecuado para que el error de estimar a travs
de x no sea mayor que 0.05 con una confianza del 99%
60

AUTNOMO
1) (11867,385 ; 12132,615)
2) (9.61 ; 11.35)
3) (22578,04 ; 24421,96)
4) a) (1,847 ; 3.353)
b) n= 40 cigarros aproximadamente.
61

AUTNOMO
B) Intervalo de confianza para la varianza ( 2 ) de una poblacin normal
Sabemos que si x1,x2,.xn es una muestra aleatoria de X~N(,2) con 2 desconocida,

entonces el estadstico:
X2 =
(n 1) s 2
tiene distribucin chicuadrado con v = (n 1) grados de libertad.
Donde s2 es la varianza de la muestra.
62

AUTNOMO
P X 2 < X 2 < X 2 = 1
1 2
2
(n 1) s 2
< X 2 = 1
P X 2 <
2
2
1 2
1
1
2
< 2 = 1
P 2 <
2
X
X (n 1) s
1
2
2
(n 1) s 2
(n 1) s 2
2
< <
P
= 1
2
X 2
X
1
2
2
Definicin
Si s2 es la varianza de una muestra aleatoria de tamao n de una poblacin normal, un intervalo

de confianza del (1-)100% para 2 est dado por:
(n 1) s 2 (n 1) s 2
;
2
X 2
X
1
2
2
donde X2/2 y X21-/2 son los valores de X2 con (n-1) grados de libertad, con reas de /2 y
1-/2 respectivamente, a la derecha.
Ejemplo:
1) Determine un intervalo de confianza del 95% para la varianza de una muestra de 10
paquetes de semilla, si la varianza de la muestra es 0.286.
63

AUTNOMO
Solucin:
(1 )100% = 95% = 0.05
= 0.025 1
= 0.975
n = 10 (n 1) = 9
s 2 = 0.286
X 2 = 19.023 ; X 2 = 2.700
2
1-
luego el intervalo de confianza para la varianza 2 queda dado por:

9(0.286) 9(0.286
,
= (0.135,0.953)
19.023 2.700
as, con una confianza del 95% el verdadero valor de la varianza poblacional 2 se encuentra
en el intervalo (0.135,0.953).
2) Se obtiene una muestra aleatoria de 20 estudiantes con una media x = 72 puntos y una
2
varianza s = 16 en un exmen de Estadstica. Suponga que las calificaciones tienen
distribucin normal. Determine un intervalo de confianza del 98% para la varianza

poblacional.
Solucin
(1 )100% = 98% = 0.02
= 0.01 1
= 0.99
n = 20 (n 1) = 19
X 2 = 36.191 ; X 2 = 7.633
2
1-
de esta manera el intervalo de confianza del 95% para la varianza 2 est dado por:
19(16) 19(16)
;
= (8.39;39.82)
36.191 7.633
luego con una confianza del 95% el verdadero valor de la varianza 2 de las notas de los
estudiantes se encuentra en el intervalo (8.39;39.82).
64

AUTNOMO
1) Un fabricante de bateras para automvil asegura que sus bateras duran en promedio, 3
aos con una desviacon estndar de un ao. Si 5 de estas bateras tienen una desviacin
estndar de 0.9028 aos. Determine un intervalo de confianza del 95% para la varianza
real. Es vlida la afirmacin del fabricante ? Suponga que la poblacin de las duraciones
de las bateras se distribuye aproximadamente normal.
2) Suponga que se hacen 20 mediciones sobre la resistencia de cierto tipo de alambre. La

media de la muestra es de 10,48 ohms y la desviacin estndar 1.36 ohms. Obtener un
intervalo de confianza de un 95% para la varianza real si las resistencias se distribuyen
normalmente.
3) Una muestra aleatoria de 25 cigarros de una cierta marca tiene un contenido promedio de
nicotina de 1.3 milgramos y una desviacin estndar de 0.17 milgramos. Encuentre un
intervalo de confianza del 90% y 98% para la varianza real de esta derteminada marca de
cigarros si se supone que las mediciones se distribuyen normalmente.
4) Una muestra aleatoria de 100 propietarios de automviles indica que, en el estado XX, un
automvil recorre un promedio de 23.500 Km al ao con una desviacin estndar de
3.900 Km. Determine un intervalo de confianza del 99% para la varianza real de Km
recorridos al ao por los automviles del estado XX.
65

AUTNOMO
1) (0.29; 6.79) La afirmacin del fabricante es vlida porque la varianza poblacional est
dentro del intervalo que se determin con una confianza del 95%.
2) (1.069; 3.949)
3) 90% (0.019; 0.05)
98% (0.016 ; 0.064)
4) ( 10741065.69 ; 22374294,2)
66

AUTNOMO
INTERVALOS DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS

POBLACIONES
A) Intervalo de confianza para la diferencia de medias ( 1 -2 ) con varianzas
poblacionales 12 y 22 conocidas
Si tenemos dos poblaciones normales con medias 1 y 2 y varianzas 12 y 22, respectivamente,

el estadstico usado para la construccin de este intervalo est dado por:
z=
( x1 x 2 ) (u1 u 2 )
12
n1
22
+
n2
~ N (0,1) ( z tiene distribucin normal estndar)
Definicin
Si x1 y x 2 son las medias de muestras aleatorias independientes de tamaos n1 y n2 ,

respectivamente de poblaciones con varianzas conocidas 12 y 22 , respectivamente, un intervalo
de confianza del (1-)100% para (1 -2 ) est dado por:
( x1 x 2 ) z
1
12
n1
22
+
n2
; ( x1 x 2 ) + z
1
67
12
n1
22
+
n2

AUTNOMO
Ejemplo:
Se lleva a cabo un experimento en que se comparan dos tipos de motores A y B. Se mide el
rendimiento en millas por galn de gasolina. Se realizan 50 experimentos con el motor tipo A y
75 con el motor tipo B. La gasolina que se utiliza y las dems condiciones se mantienen
constantes. El rendimiento promedio de gasolina para el motor A es de 36 millas por galn y el
promedio para el motor B es 42 millas por galn. Encuentre un intervalo de confianza del 96 %
para ( B-A), donde B y A son el rendimiento de gasolina medio poblacional para los motores
B y A. Suponga que las deviaciones estndar poblacionales son seis y ocho para los motores A y
B.
Solucin
(1-)100%=96% (1-)=0.96 = 0.04 /2 = 0.02 ( 1- /2) = 0.98 . Por lo tanto:
z1-/2 = z0.98 = 2.05.
Por otro lado:

x B x A = 42 - 36 = 6 , B2 = 8 , A2 = 6 , adems n A = 50, n B = 75
De esta forma un intervalo de confianza de 96% para (B-A) est dado por:
64 36
64 36
; 6 + 2.05
+
+ = [3.43 ; 8.57]
6 - 2.05
75
50
75
50
Podemos concluir que el rendimiento del motor B es mayor que el rendimiento del motor A.
68

AUTNOMO
B) Intervalo de confianza para la diferencia de medias ( 1 -2 ) con varianzas

poblacionales 12 y 22 desconocidas pero iguales
Si tenemos dos poblaciones normales con medias 1 y 2 y varianzas poblacionales 12 y 22,

desconocidas pero iguales, el estadstico usado para la construccin de este intervalo est dado
por:
T=
( x1 x 2 ) ( 1 2 )
sp
1
1
+
n1 n2
tiene distribucin t student con v = n1 + n2 - 2 grados de libertad
donde:
s 2p =
(n1 1) s12 + (n2 1) s 22

en que s12 y s 22 son las varianzas muestrales.
2
n1 + n2
Definicin
Si x1 y x 2 son las medias de muestras aleatorias independientes de tamaos n1 y n2 ,

respectivamente, de poblaciones aproximadamente normales
con varianzas iguales pero
desconocidas, un intervalo de de confianza del (1-)100% para (1 -2 ) est dado por:
1
1
1
1
; ( x1 x 2 ) + t s p
+
+
( x1 x 2 ) t s p
n1 n2
n1 n2
2
2
donde t/2 es el valor de t que deja un rea de /2 a derecha con v=n1+n2-2 grados de libertad.
69

AUTNOMO
Ejemplo:
Se eligieron dos estaciones de muestreo independientes para un estudio sobre la descarga de
cido de una mna de uranio. Los registros de ambas estaciones se encuentran dados en la
siguiente tabla:
Estacin 1
Estacin 2
n1= 12
n2= 10
x1 =3.11
x 2 =2.04
s1=0.771
s2=0.448
Encuentre un intervalode confianza del 90% para la diferencia entre las medias poblacionales de
ambas estaciones. Suponga que las varianzas poblacionales son iguales pero desconocidas.
Solucin
(1-)100%=90% (1-)=0.90 = 0.1 /2 = 0.05. Por lo tanto: t/2=t0.05=1.725
Por otro lado:

x1 x2 = 3.11 - 2.04 = 1.07 , s12 = 0.771 , s 22 = 0.448 , adems n1 = 12, n2 = 10
De esta forma:
s 2p =
(n1 1) s12 + (n2 1) s22

(11)(0.7712 ) + (9)(0.4482 )
=
= 0.417
12 + 10 2
n1 + n2 2
70

AUTNOMO
De esta forma un intervalo de confianza de 90% para (1-2) est dado por:
1
1
1
1
; 1.07 + (1.725)(0.646)
+
+
1.07 - (1.725)(0.646)
= [0.593 ; 1.547]
12 10
12 10
De esta forma podemos concluir que las decarga de uranio en la en la estacin 1 es mayor que
en la estacin 2.
71

AUTNOMO
1) Una muestra aleatoria de tamao n1=25 que se toma de una poblacin normal con una
desviacin estndar 1=5 tiene una media x1 = 80 . Una segunda muestra aleatoria de
tamao n2=36, que se toma de una poblacin normal diferente con una desviacin
estndar 2=3, tiene una media x2 = 75 .Encuentre un intervalo de confianza del 95% para
1-2.
2) Los estudiantes pueden elegir entre un curso de fsica sin laboratorio de tres semestreshora y un curso con laboratorio de 4 semestres-hora. El examen escrito final es el mismo
para cada seccin. Si 12 estudiantes de la seccin con laboratorio tienen una calificacin
promedio en el exmen de 84 con una deviacin estndar de 4, y 18 estudiantes de la
seccin sin laboratorio tienen una calificacin promedio de 77 con una deviacin estndar
de 6, encuentre un intervalo de confianza del 99% para la diferencia entre las
calificaciones promedio de los dos cursos. Suponga que las poblaciones se distribuyen de
forma aproximadamente normal con varianzas iguales.
3) Los siguientes datos, registrados en das, representan el tiempo de recuperacin para

pacientes que se tratan al azar con uno de dos medicamentos para infecciones graves de la
vegiga:
Medicamento 1
Medicamento 2
n1= 14
n2= 16
x1 =17
x 2 =19
s12 =0.771
s 22 =0.448
72

AUTNOMO
Encuentre un intervalo de confianza del 99% para la diferencia 1-2 del tiempo promedio de
recuperacin de los medicamentos. Son iguales los tiempos de recuperacin? Suponga
poblaciones normales con varianzas poblacionales desconocidas pero iguales.
4) Una compaa de taxis trata de decidir si comprar neumticos marca A o de la marca B para su
flotilla de taxis. Para estimar la diferencia de las dos marcas, se lleva a cabo un experimento
utilizando 12 de cada marca. Los neumticos se utilizan hasta que se gastan. Los resultados son:
Marca A
Marca B
n1= 12
n2= 12
x1 =36,300 kilmetros
x 2 =38,100 kilmetros
s1 =5000 kilmetro
s2 =6100 kilmetros
Calcule un intervalo de confianza del 95% para 1-2 , suponga que las poblaciones se
distribuyen de forma aproximadamente normal. Suponga varianzas iguales pero desconocidas.
Existe diferencia entre las dos marcas de neumticos ?
73

AUTNOMO
1) 1-2 [2.9 , 7.1]

2) 1-2 [1.5 , 12.5]
3) 2-1 [0.7 , 3.3] . El tiempo de recuperacin del medicamento 2 es mayor que el tiempo
de recuperacin del medicamento 1
4) 1-2 [-6522 , 2922] . El cero pertenece este intervalo luego 1-2 puede ser igual a
cero, es decir: 1-2 =0 1 = 2 , luego no existen diferencias entre los dos marcas
neumticos.
74

AUTNOMO
ASIGNATURA
ESTADSTICA
TERCERA UNIDAD
PRUEBAS DE HIPTESIS
3.1
Pruebas de hiptesis para diferencia de media con variancias conocidas.
3.2
Pruebas de hiptesis para diferencia de media con variancias desconocidas pero

iguales.
3.3
Pruebas de hiptesis para la varianza de una poblacin normal.
75

AUTNOMO
PRUEBAS DE HIPOTESIS
Son procedimientos de decisin basados en datos que puedan producir una conclusin acerca de
algn sistema cientfico.
Una hiptesis estadstica es una afirmacin o conjetura acerca de una o ms poblaciones.
No es posible saber con absoluta certeza la verdad o falsedad de una hiptesis estadstica, pues
para ello habra que trabajar con toda la poblacin. En la prctica se toma una muestra aleatoria
de la poblacin de inters y se utilizan los datos que contiene tal muestra para proporcionar
evidencias que confirmen o no la hiptesis. Si la evidencia de la muestra es inconsistente con la
hiptesis planteada, entonces sta se rechaza y si la evidencia apoya a la hiptesis planteada,
entonces se acepta sta.
La aceptacin de una hiptesis implica tan slo que los datos no proporcionan evidencia
suficiente para refutarla. Por otro lado, el rechazo implica que la evidencia de la muestra la refuta.
La estructura de una prueba de hiptesis consiste en la formulacin de una hiptesis nula , es
decir, cualquier hiptesis que se desee probar se denota por H 0 . El rechazo de H 0 , genera la
aceptacin de una hiptesis alternativa , que se denota por H1 .
Una hiptesis nula referente a un parmetro poblacional siempre debe establecerse de manera que
especifique un valor exacto del parmetro, mientras que la hiptesis alternativa admite la
posibilidad de varios valores.
Por ejemplo:
H : = 20
H 0 : = 20
H : = 20
2)
3) 0
1) 0
H1 : > 20
H1 : < 20
H1 : 20
En la hiptesis alternativa se plantea usualmente la que se cree verdadero y en la hiptesis nula lo
que se desea rechazar.
Para tomar una desicin acerca de un parmetro es necesario una prueba estadstica para
cuantificar esta decisin. Esto se logra al establecer primero la distribucin muestral que sigue la
muestra estadstica ( es decir, la media ) y despus calcular la prueba estadstica apropiada. Esta
prueba estadstica mide que tan cerca de la hiptesis nula se encuentra el valor de la muestra. La
prueba estadstica suela seguir una distribucin estadstica conocida ( normal, t-student, ji
cuadrado).
La distribucin apropiada de la prueba estadstica se divide en dos regiones:
a) regin de rechazo ( regin crtica)
76

AUTNOMO
b) regin de no rechazo
Si la prueba estadstica cae en la regin de no rechazo no se puede rechazar la hiptesis nula y si
cae en la regin de rechazo, se rechaza la hiptesis nula.
Pare decidir con relacin a la hiptesis nula, primero se tiene que determinar el valor crtico para
la distribucin estadstica de inters. El valor crtico separa la regin de rechazo de la regin de
no rechazo.
regin de no rechazo
regin de rechazo
valor crtico
Errores al realizar una prueba de hiptesis

Al utilizar una muestra para obtener conclusiones sobre una poblacin existe el riesgo de llegar a
una conclusin incorrrecta. Pueden ocurrir dos errores diferentes:
1) Error tipo I consiste en rechazar H O cuando sta es verdadera
2) Error tipo II consiste en aceptar H 0 cuando sta es falsa
Al probar cualquier hiptesis estadstica, existen cuatro posibles situaciones que determinan si la
desicin es correcta o equivocada.
Se acepta H0
Se rechaza H0
H0 es verdadera
Desicin correcta
Error tipo I
H0 es falsa
Error tipo II
Desicin correcta
La probabilidad de cometer error tipo I, es decir, rechazar H0 cuando es verdadera, se denomina

nivel de significacin y se denota por . P( error tipo I)=
La probabilidad de no cometer error tipo I, es decir, aceptar H0 cuando es verdadera, se denota
por 1 . P( error tipo I)c = 1
La probabilidad de cometer error tipo II, es decir, aceptar H0 cuando es falsa, se representa por
. P(error tipo II)=
La probabilidad de cometer error tipo II, es decir, rechazar H0 cuando es falsa, se denomina
potencia de la prueba y se denota por 1 . P(error tipo I)c= 1
77

AUTNOMO
El ideal al rechazar una prueba de hiptesis es determinar los procedimientos o reglas que
conduzcan a maximizar la potencia de una prueba, para fijo. se suele especificar antes de
tomar una muestra, es frecuente que = 0.05 o = 0.01
Esquema para realizar una prueba de hiptesis acerca de un parmetro
1) Plantear la hiptesis nula y la hiptesis alternativa.
a)
H 0 : 1
H1 : > 1
b)
H 0 : 1
c)
H1 : < 1
H 0 : = 1
H1 : 1
2) Seleccionar el test estadstico o estadstico de prueba.

3) Fijar (0.05; 0.01; 0.10)
4) Construir la regla de decisin o regin crtica con el valor elegido .
5) Extraer una muestra aleatoria de tamao n y calcular el valor del test estadstico.
6) Si el valor calculado del test estadstico cae en la regin crtica rechazar H0 , en caso contrario
no rechazar H0 y concluir que la muestra aleatoria no proporciona evidencia para rechazarla.
Pruebas de una y de dos colas

Una prueba de hiptesis ser de una cola en los siguientes casos:
a)
b)
c)
d)
H 0 : = 1
H1 : > 1
H 0 : = 1
H1 : < 1
H 0 : 1
H1 : > 1
H 0 : 1
H1 : < 1
78

AUTNOMO
Una prueba de hiptesis ser de dos colas si :

H 0 : = 1
H1 : 1 ( < 1 > 1 )
Pruebas de hiptesis
1) Para la media si la varianza ( 2 ) es conocida

2
Recuerde que si X ~ N , , entonces X ~ N , . Luego el estadstico usado para
n
contrastar estas hiptesis est dado por:
z=
(x ) n
~ N(0,1)
a) Prueba de hiptesis de una cola

i) H 0 : u = u1 (u u1 )
H 1 : u > u1
En este caso La regin crtica o regin de rechazo de H0 est dada por:

RC = {z / z > z1 }
Grficamente:
79

AUTNOMO
ii ) H 0 : u = u1 (u u1 )
H1 : u < u1
En este caso la regin crtica o regin de rechazo de H0 est dada por:

RC = {z / z < z }
Grficamente:
b) Prueba de hiptesis de dos colas

H 0 : u = u1
H1 : u u1
RC = z / z < z z > z
1
1
2
2
Grficamente:
80

AUTNOMO
Ejemplos
1) Considere la hiptesis nula de que el peso promedio de los estudiantes de un cierto
instituto es de 68 kilos contra la hiptesis alternativa de que es diferente de 68 kilos.
Suponga que los pesos se distribuyen normalmente con una desviacin estndar de 3.6
kilos. Se elige una muestra aleatoria de 36 estudiantes y se obtiene un peso promedio de
67.5 kilos. Utilice un nivel de significancia =0.05.
Solucin:
H 0 : u = 68
H1 : u 68
= 0.05 z
n = 36
= z0.975 = 1.96
x = 67.5
= 3.6 z =
(67.5 68) 36
= 0.83
3.6
As la regin crtica o regin de rechazo de H0 queda dada por:

RC = {z / z < 1.96 z > 1.96}
Por lo tanto z RC . Luego con base en la muestra no es posible decidir si el peso promedio de
los estudiantes del instituto es distinto de 68 kilos.
2) Una muestra aleatoria de 100 muertos registrados en Chile durante el ao pasado mostr
una vida promedio de 71.8 aos. Suponiendo una desviacin estndar poblacional de 8.9
aos. Parecera esto indicar que la vida promedio hoy en da es mayor que 70 aos ?
Utilice un nivel de significancia =0.05.
81

AUTNOMO
Solucin:
H 0 : u < 70
H1 : u > 70
= 0.05 z1 = z0.95 = 1.64

n = 100
x = 71.8
= 8.9 z =
(71.8 70) 100

= 2.022
8.9

RC = {z / z > 1.64}
Por lo tanto z RC . Luego con base en la muestra podemos decir que la vida promedio hoy en
da supera los 70 aos.
3) Un fabricante de equipo deportivo ha desarrollado un nuevo sedal sinttico para pesca

que se considera tiene una resistencia a la ruptura de 8 kilgramos con una desviacin
estndar de 0.5 kilgramos. Prubese la hiptesis de que =8 Kg ,en contraposicin a la
alternativa de que 8 Kg , si se toma una muestra aleatoria de 50 sedales y se encuentra
que tiene una resistencia promedio a la ruptura de 7.8 Kg. Utilice un nivel de
significancia =0.01.
Solucin:
H0 : u = 8
H1 : u 8
= 0.01 z
n = 50
= z0.995 = 2.57
x = 7.8
= 0.5 z =
(7.8 8) 50
= 2.83
0.5
82

AUTNOMO

RC = {z / z < 2.57 z > 2.57}
Por lo tanto z RC . Luego se rechaza H0 , por lo tanto la resistencia a la ruptura es distinta de

8 Kg.
83

AUTNOMO
1) Una empresa elctrica fabrica focos que tienen una duracin que est distribuda en forma
aproximadamente normal con media 800 horas y una desviacin estndar de 40 horas.
Pruebe la hiptesis de que = 800 horas en contraposicin de la alternativa de que
800 horas. Si una muestra aleatoria de 30 focos tiene una duracin promedio de 788
horas. Utilice un nivel de significancia de 0,04.
2) Un fabricante de cigarros afirma que el contenido promedio de nicotina no excede de de
3,5 milgramos , con una desviacin estndar de 1,4 milgramos. Para una muestra
aleatoria de 8 cigarros se tiene un contenido promedio de nicotina de 4,2 milgramos
Est de acuerdo con la afirmacin del fabricante? Use un nivel de significancia =0,05.
84

AUTNOMO
1) Se acepta H0 , es decir, los focos tienen una duracin promedio de 800 horas.
2) Se acepta H0, es decir, es correcta la afirmacin del fabricante.
85

AUTNOMO
2) Para la media ( ) con varianza poblacional ( 2 ) desconocida

Recordemos que si 2 es desconocida se usa s 2 y por lo tanto el adecuado para
contrastar estas hiptesis est dado por:
t=
(x ) n
se distribuye t-student con v=n-1 grados de libertad, donde s es la
s
desviacin estndar de la muestra.
a) Pruebas de hiptesis de una cola
i)
H 0 : = 1
H 1 : > 1
( 1 )
La regin crtica o regin de rechazo de H0 est dada por:
RC = {t / t > t ( ,n 1) }
Grficamente:
86

AUTNOMO
ii)
H 0 : = 1
( 1 )
H1 : < 1
La regin crtica o regin de rechazo de H0 est dada por:

RC = {t / t < t ( ,n 1) }
Grficamente:
b) Pruebas de hiptesis de dos colas

H 0 : u = u1
H1 : u u1
RC = t / t < t t > t
2
2
87

AUTNOMO
Grficamente:
Ejemplos:
1) Una compaa de electricidad ha publicado cifras acerca
de la cantidad anual de
kilowatts-hora consumida por varios aparatos para el hogar. Se afirma que la aspiradora
consume un promedio de 46 kilowatts-hora al ao. Si una muestra aleatoria de 12 hogares
incluidos en un estudio planeado indica que las aspiradoras consumen un promedio de 42
kilowatts-hora al ao con una desviacin estndar de 11.9 kilowatts-hora. Sugiere esto,
con un nivel de significacin =0.05 , que las aspiradoras consumen, en promedio, menos
de 46 kilowatts-hora al ao ? Suponga que la poblacin de kilowatts-hora es normal.
Solucin:
H 0 : u = 46
H1 : u < 46
= 0.05 - t , n -1 = t0.05,11 = 1.796
n = 12
x = 42
s = 11.9 t =
(42 46) 12
= 1.16
11.9
88

AUTNOMO

RC = {t / t < 1.796}
Por lo tanto t RC . Luego con base en la muestra no podemos decir que el consumo de
kilowatts-hora al ao de las aspiradoras sea menor que 46.
2) El gerente de produccin de una empresa cuyo proceso consiste en llenar cajas de cereal
desea saber si efectivamente en cada caja se est depositando, en promedio, los 368
gramos que se supone es lo que la empresa asegura a sus vendedores. Para ello, se
selecciona una muestra aleatoria de 25 de estas cajas obteniendose una media de 364.1
gramos y una desviacin estndar de 17.3 gramos. Considere que la distribucin de los
pesos de las cajas de cereales es normal y trabaje con un nivel de significancia =0.05.
Qu decide el gerente ?
Solucin:
H 0 : u = 368
H1 : u 368
= 0.05 t
2
n = 25
, n 1
= t0.025, 24 = 2.064
x = 364.1
s = 17.3 t =
(364.1 368) 25
= 1.13
17.3

RC = {t / t < 2.064 t > 2.064}
Por lo tanto t RC . Luego con base en la muestra el gerente de produccin puede estar seguro
que, en promedio, cada caja contiene 368gramos de cereal.
89

AUTNOMO
3) Suponga que en el mismo ejemplo anterior, del proceso de llenado de las cajas de cereal,
que la empresa es visitada por un representante de la oficina de proteccin al consumidor
y que le interesa averiguar si las cajas, en promedio, estn faltas de peso, es decir, si el
peso promedio es inferior a 368 gramos. Considere un nivel de significacin =0.01.
Solucin:
H 0 : u 368
H1 : u < 368
= 0.01 t , n -1 = t0.01, 24 = 2.492

n = 25
x = 364.1
s = 17.3 t =
(364.1 368) 25
= 1.13
17.3

RC = {t / t < 2.492
Por lo tanto t RC . Luego con base en la muestra el representante de la oficina de proteccin

al consumidor puede estar seguro que, en promedio, el peso de cada caja de cereal no es inferior a
268 gramos.
90

AUTNOMO
1) Una muestra aleatoria de 36 refrescos de una mquina despachadora automtica tiene un

contenido promedio de 21.9 declitros con una desviacin estndar de 1.42 declitros.
Pruebe la hiptesis de =22.2 declitros en contraposicin a la hiptesis alternativa,
<22.2 declitros, con un nivel de significancia =0.05.

2) Se afirma que automvil recorre un promedio anual de ms de 20.000 kilmetros. Para
probar esta afirmacin, se le solicita a una muestra aleatoria de 100 propietarios de
automvil que lleven un registro de los kilmetros que recorren.
Estara usted de
acuerdo con esta afirmacin si en la muestra aleatoria resulta un promedio de 23.500

kilmetros y una desviacin estndar de 3.900 kilmetros ? Use un nivel se significancia
=0.01.
3) En un informe de una investigacin de J.M.N. se afirma que los ratones con una vida
promedio de 32 meses llegarn hasta casi 40 cuando 40% de las caloras en su
alimentacin se reemplacen con vitaminas y protenas. Hay alguna razn para creer que
la vida promedio ser inferior a 40 meses si 64 ratones que se han sujetado a esta dieta
tienen una vida promedio de 38 meses con una desviacin estndar de 5.8 meses ? Utilice
un nivel de significancia =0.025
4) Una empresa elctrica afirma que un compactador de basura se usa un promedio de 125
horas al ao. Si una muestra aleatoria de 49 hogares equipados con compactadores de
basura indica un uso promedio anual de 126.9 horas con una desviacin estndar de 8.4
horas Sugiere esto con un nivel de significancia de 0.05, que estos aparatos se usan en
promedio ms de 125 horas ?
91

AUTNOMO
1) Se acepta H0 , es decir, =22,2 declitros.
2) Se rechaza H0 , es decir , un automvil recorre un promedio anual superior a 20000

Km.
3) Se rechaza H0 , es decir la vida promedio no es inferior a 40 meses
4) Se acepta H0 , es decir , un compactador de basura dura, en promedio , sobre 125 horas al

ao.
92

AUTNOMO
3) Prueba de hiptesis para la varianza de una poblacin normal

Para contrastar estas hiptesis se usa el estadstico ji-cuadrado dado por:
(n 1) s 2
2 =
a) Pruebas de hiptesis de una cola

i)
H 0 : 2 = 12
( 2 12 )
H1 : 2 > 12
RC = 2 / 2 > 2 , n 1
Grficamente:
93

AUTNOMO
ii)
i)
H 0 : 2 = 12
( 2 12 )
H1 : 2 < 12
RC = 2 / 2 < 12 , n 1
Grficamente:
c) Pruebas de hiptesis de dos colas

H 0 : 2 = 12
H1 : 2 12
RC = 2 / 2 < 2
2 > 2
(1 , n 1)
( , n 1)
2
2
94

AUTNOMO
Grficamente:
Ejemplos
1) Un fabricante de bateras para automvil asegura que la duracin de sus bateras tiene
distribucin aproximadamente normal con desviacin estndar de 0.9 aos. Si una
muestra aleatoria de 10 bateras tiene una desviacin estndar de 1.2 aos Piensa usted
que >0.9 aos ? Utilice un nivel de significancia =0.05
Solucin:
H 0 : 2 = 0,81
H1 : 2 > 0,81
= 0.05 2 , n 1 = 02.05,9 = 19,919

n = 10
s 2 = 1.44 2 =
9 1,44
= 16
0.81
95

AUTNOMO
RC = { 2 / 2 > 19,919
Por lo tanto 2RC. Luego con base en la muestra no hay evidencia suficiente para afirmar que
la varianza de la duracin de las bateras sea mayor que 0.81 aos.
2) Se sabe que el contenido de nicotina de una marca de cigarros tiene distribucin

aproximadamente normal con una varianza de 1.3 milgramos. Pruebe la hiptesis de que
2=1,3 en contraposicin a la alternativa de que 21.3 , si una muestra aleatoria de 8

cigarros tiene una desviacin estndar de 1,8 milgramos. Use un nivel de significacin
=0.05.
Solucin:
H 0 : 2 = 1,3
H1 : 2 1,3
= 0.05 2
1 , n 1
2
2
2
n=8
, n 1
= 02.975,7 = 1,690
= 02.025,7 = 16,013
s 2 = 3.24 2 =
7 3,24
= 17.45
0.13
RC = { 2 / 2 < 1,690 2 > 16,013
Por lo tanto 2RC. Luego con base en la muestra no hay evidencia suficiente para afirmar que
la varianza del contenido de nicotina en los cigarros se igual a 1,3 milgramos.
96

AUTNOMO
3) Experiencias pasadas indican que el tiempo para que los alumnos del ltimo ao realicen
un examen estandarizado es una v.a normal con desviacin estndar de 6 minutos. Pruebe
la hiptesis de que <6 , si una muestra aleatoria de 20 estudiantes tiene una desviacin
estndar de 4.51 minutos al realizar este examen. Utilice un nivel de significancia =0.01.
Solucin:
H 0 : 2 = 36
H1 : 2 < 36
= 0.01 12 , n 1 = 02.99,19 = 7,633
n = 20
s 2 = 20,3401 2 =
19 20,3401
= 10,74
36
RC = { 2 / 2 < 7,633
Por lo tanto 2RC. Luego con base en la muestra es posible afirmar que la varianza del tiempo
en que los estudiantes contestan el examen es igual a 36 minutos.
97

AUTNOMO
1) Se sabe que la capacidad de los recipientes de un determinado lubricante tiene

distribucin normal con varianza de 0,03 litros2. Pruebe la hiptesis de que 2=0,03 en
contraposicin a la alternativa de que 20,03 para la muestra aleatoria de 10 recipientes
que tienen una desviacin estndar de 0,25. Use un nivel de significacin de 0,01.
2) Se sabe que el contenido de nicotina de una marca de cigarros tiene una distribucin
aproximadamente normal con una varianza de 1,3 milgramos. Pruebe la hiptesis de que
2=1.3 en contraposicin a la alternativa de que 2>1,3 , si una muestra aleatoria de 8 de

estos tiene una desviacin estndar de 1,8. Use un nivel de significancia =0,05.
98

AUTNOMO
1) Se acepta H0 , es decir , 2=0,03
2) Se rechaza H0 , es decir, 2 >1,3
99

AUTNOMO
ASIGNATURA
ESTADSTICA
CUARTA UNIDAD
ANLISIS DE VARIANZA
4.1 Comparacin de medias de dos tratamientos.
100

AUTNOMO
COMPARACION DE MEDIAS DE DOS POBLACIONES

1) Comparacin de medias de dos poblaciones con varianzas poblacionales 21 y 22
conocidas
El estadstico usado para probar estas hiptesis est dado por:
z=
( x1 x2 )
12 22
+
n1 n2
~ N (0,1) ( z tiene distribucin normal estndar)
i)
H 0 : 1 = 2
H1 : 1 < 2
RC = {z / z < z
ii)
H 0 : 1 = 2
H1 : 1 > 2
RC = {z / z > z
101

AUTNOMO
H 0 : 1 = 2
H1 : 1 2
RC = z / z < z z > z
2
2
2) Comparacin de medias de dos poblaciones con varianzas poblacionales 21 y 22

desconocidas pero iguales
El estadstico usado para probar estas hiptesis est dado por:
T =
( x1 x2 )
tiene distribucin t student con v = n1 + n2 - 2 grados de libertad
1 1
sp
+
n1 n2
donde:
(n1 1) s12 + (n2 1) s 22

s =
en que s12 y s 22 son las varianzas muestrales.
n1 + n2 2
2
p
102

AUTNOMO
i)
H 0 : 1 = 2
H1 : 1 < 2
RC = {t / t < t
ii)
H 0 : 1 = 2
H1 : 1 > 2
RC = {t / t > t
H 0 : 1 = 2
H1 : 1 2
RC = t / t < t t > t
2
2
103

AUTNOMO
Ejemplo:
Se eligieron dos estaciones de muestreo independientes para un estudio sobre la descarga de
cido de una mina de uranio. Los registros de ambas estaciones se encuentran dados en la
siguiente tabla:
Estacin 1
Estacin 2
n1= 12
n2= 10
x1 =3.11
x 2 =2.04
s1=0.771
s2=0.448
Son iguales las medias de ambas estaciones ? Utilice un nivel de significancia de 0,1.Suponga
que las varianzas poblacionales son iguales pero desconocidas.
Solucin
H 0 : 1 = 2
H1 : 1 2
= 0.1 /2 = 0.05. Por lo tanto: t/2=t0.05=1.725
RC = {t / t < 1.725 t > 1.725}
Por otro lado:
x1 x2 = 3.11 - 2.04 = 1.07 , s12 = 0.771 , s 22 = 0.448 , adems n1 = 12, n2 = 10
104

AUTNOMO
De esta forma:
s 2p =
( n1 1) s12 + ( n2 1) s22
(11)(0.7712 ) + (9)(0.4482 )
=
= 0.417
12 + 10 2
n1 + n2 2
as:
t=
( x1 x2 )
1,07
=
= 6,011
0,417 0.428
1 1
sp
+
n1 n2
Por lo tanto t RC . Luego se rechaza H0 , de esta forma las medias de ambas estaciones no
son iguales.
105

AUTNOMO
Problema 1
Cinco muestras de una sustancia ferrosa se usan para determinar si hay una diferencia entre un
anlisis qumico de laboratorio y un anlisis de fluorescencia de rayos X del contenido de hierro.
Cada muestra se divide en 2 submuestras y se aplican los dos tipos de anlisis. A continuacin se
presentan los datos codificados que muestran los anlisis de contenido de hierro.
1
Anlisis
Rayos X
Qumico
2.0
2.2
2.0
1.9
2.3
2.5
2.1
2.3
2.4
2.4
Suponga que las poblaciones son normales, Pruebe con un nivel de significancia de 0.05 si los
dos mtodos de anlisis dan en promedio el mismo resultado.
Problema 2
Los siguientes datos representan los tiempos de duracin de las pelculas que producen dos
compaas cinematogrficas.
Tiempo (minutos)
Compaa
I
II
103
97
94
82
110
123
87
92
98
175
88
118
Son iguales los tiempos de duracin de las pelculas que producen las 2 compaas? Utilice un
nivel de significancia de 0,05.
106

AUTNOMO
1) Los dos tratamientos no dan en promedio el mismo resultado es decir se rechaza H0.
2) Los tiempos promedio de duracin de ambas pelculas no son iguales es decir se rechaza H0.
107

AUTNOMO
ANEXOS
Tablas de distribucin de probabilidades: (normal, t student, y ji-cuadrado)
Tabla reas bajo la curva normal
z
-3.4
-3.3
-3.2
-3.1
-3.0
.00
0.0003
0.0005
0.0007
0.0010
0.0013
.01
0.0003
0.0005
0.0007
0.0009
0.0013
.02
0.0003
0.0005
0.0006
0.0009
0.0013
.03
0.0003
0.0004
0.0006
0.0009
0.0012
.04
0.0003
0.0004
0.0006
0.0008
0.0012
.05
0.0003
0.0004
0.0006
0.0008
0.0011
.06
0.0003
0.0004
0.0006
0.0008
0.0011
.07
0.0003
0.0004
0.0005
0.0008
0.0011
.08
0.0003
0.0004
0.0005
0.0007
0.0010
.09
0.0002
0.0003
0.0005
0.0007
0.0010
-2.9
-2.8
-2.7
-2.6
-2.5
0.0019
0.0026
0.0035
0.0047
0.0062
0.0018
0.0025
0.0034
0.0045
0.0060
0.0017
0.0024
0.0033
0.0044
0.0059
0.0017
0.0023
0.0032
0.0043
0.0057
0.0016
0.0023
0.0031
0.0041
0.0055
0.0016
0.0022
0.0030
0.0040
0.0054
0.0015
0.0021
0.0029
0.0039
0.0052
0.0015
0.0021
0.0028
0.0038
0.0051
0.0014
0.0020
0.0027
0.0037
0.0049
0.0014
0.0019
0.0026
0.0036
0.0048
-2.4
-2.3
-2.2
-2.1
-2.0
0.0082
0.0107
0.0139
0.0179
0.0228
0.0080
0.0104
0.0136
0.0174
0.0222
0.0078
0.0102
0.0132
0.0170
0.0217
0.0075
0.0099
0.0129
0.0166
0.0212
0.0073
0.0096
0.0125
0.0162
0.0207
0.0071
0.0094
0.0122
0.0158
0.0202
0.0069
0.0091
0.0119
0.0154
0.0197
0.0068
0.0089
0.0116
0.0150
0.0192
0.0066
0.0087
0.0113
0.0146
0.0188
0.0064
0.0084
0.0110
0.0143
0.0183
-1.9
-1.8
-1.7
-1.6
-1.5
0.0287
0.0359
0.0446
0.0548
0.0668
0.0281
0.0352
0.0436
0.0537
0.0655
0.0274
0.0344
0.0427
0.0526
0.0643
0.0268
0.0336
0.0418
0.0516
0.0630
0.0262
0.0329
0.0409
0.0505
0.0518
0.0256
0.0322
0.0401
0.0495
0.0606
0.0250
0.0314
0.0392
0.0485
0.0594
0.0244
0.0307
0.0384
0.0475
0.0582
0.0239
0.0301
0.0375
0.0465
0.0571
0.0233
0.0294
0.0367
0.0455
0.0559
-1.4
-1.3
-1.2
-1.1
-1.0
0.0808
0.0968
0.1151
0.1357
0.1587
0.0793
0.0951
0.1131
0.1335
0.1562
0.0778
0.0934
0.1112
0.1314
0.1539
0.0764
0.0918
0.1093
0.1292
0.1515
0.0749
0.0901
0.1075
0.1271
0.1492
0.0735
0.0885
0.1056
0.1251
0.1469
0.0722
0.0869
0.1038
0.1230
0.1446
0.0708
0.0853
0.1020
0.1210
0.1423
0.0694
0.0838
0.1003
0.1190
0.1401
0.0681
0.0823
0.0985
0.1170
0.1379
-0.9
-0.8
-0.7
-0.6
-0.5
0.1841
0.2119
0.2420
0.2743
0.3085
0.1814
0.2090
0.2389
0.2709
0.3050
0.1788
0.2061
0.2358
0.2676
0.3015
0.1762
0.2033
0.2327
0.2643
0.2981
0.1736
0.2005
0.2296
0.2611
0.2946
0.1711
0.1977
0.2266
0.2578
0.2912
0.1685
0.1949
0.2236
0.2546
0.2877
0.1660
0.1922
0.2206
0.2514
0.2843
0.1635
0.1894
0.2177
0.2483
0.2810
0.1611
0.1867
0.2148
0.2451
0.2776
-0.4
-0.3
-0.2
-0.1
-0.0
0.3446
0.3821
0.4207
0.4602
0.5000
0.3409
0.3783
0.4168
0.4562
0.4960
0.3372
0.3745
0.4129
0.4522
0.4920
0.3336
0.3707
0.4090
0.4483
0.4880
0.3300
0.3669
0.4052
0.4443
0.4840
0.3264
0.3632
0.4013
0.4404
0.4801
0.3228
0.3594
0.3974
0.4364
0.4761
0.3192
0.3557
0.3936
0.4325
0.4721
0.3156
0.3520
0.3897
0.4286
0.4681
0.3121
0.3483
0.3859
0.4247
0.4641
108

AUTNOMO
Tabla, reas bajo la curva normal
109

AUTNOMO
Tabla t- student
110

AUTNOMO
Tabla t- student
111

AUTNOMO
Tablas ji-cuadrado
112

AUTNOMO
Tablas ji-cuadrado
113

AUTNOMO
BIBLIOGRAFA
Chao, L 81993 (1993) Estadsticas para las Ciencias Administrativas

Mxico, Editorial Mc. Graw Hill, 3 Edicin (146 p).
Mason y Lind (1995) Estadstica para Administracin y Economa

Espaa, Editorial Alfaomega (911 p.)
Canavos, G (1990) Probalidad y Estadstica. Aplicaciones y Mtodos.

Mxico, Editorial Mc. Graw Hill, 1 Edicin (651 p.)
Walpole, Probabilidad y Estadstica para Ingenieros

Mxico (1999) 6 Edicin
Uso de Internet para temas especficos.
114

Mód. Estadística Aplicada PDF

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

Mód. Estadística Aplicada PDF

Cargado por

Copyright:

Formatos disponibles

Instituto Profesional Diego Portales

Instituto Profesional Diego Portales

Ingeniero Matemtico, Universidad de Concepcin.

Se desempea como docente en el Instituto Diego Portales de Concepcin, desde 2000 a la

Instituto Profesional Diego Portales

Este mdulo de Estadstica ha sido creado siguiendo de muy cerca el programa de la

Para facilitar el seguimiento de presente texto, se ha considerado una instruccin

Mucha suerte y hasta pronto!!

Instituto Profesional Diego Portales

Aplicar elementos de estadstica inferencial relacionados con distribuciones maestrales,

Unidad Temtica N 1: Emplear la distribucin normal, sus aplicaciones ms importantes y

Instituto Profesional Diego Portales

CONTENIDO DE LA UNIDAD TEMTICA

Distribucin normal. Generalidades y aplicaciones.

Distribucin Chi Cuadrado. T Student y F.

Instituto Profesional Diego Portales

Es la distribucin continua de de probabilidad ms importante en el campo de la estadstica. Su

Instituto Profesional Diego Portales

Propiedades de la distribucin normal

1) El mximo valor de la curva se encuentra en x=

reas bajo la curva

P (a < X < b) = f ( X )dx

Instituto Profesional Diego Portales

Concepto: Si z es una v.a. normal con =0 y 2=1, tiene funcin de densidad:

El proceso de estandarizacin se realiza de la siguiente forma:

Instituto Profesional Diego Portales

Instituto Profesional Diego Portales

4) Sea X una v.a normal =40 y =6, detemine:

Instituto Profesional Diego Portales

I) Usando la tabla determine:

Instituto Profesional Diego Portales

Instituto Profesional Diego Portales

X = Duracin de los focos

= P(0,55 < z < 0,85)

Instituto Profesional Diego Portales

X = valor de las resistencias elctricas

El 6,68% de las resistencias tendr un valor que exceda a 43 ohms.

Instituto Profesional Diego Portales

a) P (50 < x < 52,5)

X = edad de los trabajadores

= P(0 < z < 0,5)

El 19,15% de los trabajadores tiene entre 50 y 52,5 aos.

La probabilidad de que un trabajador cualquiera no sea mayor de 45 aos es de un 15,87 %

Instituto Profesional Diego Portales

c) P(41 < x < 58)

La probabilidad que un trabajador tenga entre 41 y 58 aos es de un 90,93 %

Instituto Profesional Diego Portales

EJERCICIOS AUTO EVALUACIN N 1

a) Qu fraccin de los vasos contendr ms de 224 mililtros?

3) El dimetro interno ya terminado de un anillo de pistn est normalmente distribuido con

a) Qu proporcin de los anillos tendr un dimetro interno que exceda de 10,075

4) La resistencia a la tensin de cierto componente metlico est normalmente distribuida

Instituto Profesional Diego Portales

a) Cul es la proporcin de estos componentes que execeden de 10.150 Kg/cm2 ?

a) Cul es la probabilidad de que un obrero seleccionado aleatoriamente pueda montar la

Instituto Profesional Diego Portales

8) El tiempo de reaccin para un cierto tipo de experimento psicolgico est distribuido

a) Cul es la probabilidad de que una persona tenga un tiempo de reaccin entre 14 y 30

Instituto Profesional Diego Portales

SOLUCIONES EJERCICIOS AUTO EVALUACIN N1

5) Deben tener una garanta de a lo ms 6,24 aos.

seg o en ,ms de 81 seg.

Instituto Profesional Diego Portales