Estadistica Inferencial

iv
Dr. rer. nat. Humberto Llinas

Contenido
1 Distribuciones fundamentales de muestreo 3

1.1 Errores y tecnicas de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Errores muestrales y no muestrales . . . . . . . . . . . . . . . . . . . 4
1.1.2 Tecnicas de muestreo aleatorio . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Estadsticos y distribuciones muestrales . . . . . . . . . . . . . . . . . . . . . 18
1.3 Distribucion muestral de la media . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.1 El caso para muestras grandes . . . . . . . . . . . . . . . . . . . . . . 28
1.3.2 El caso para muestras peque
nas . . . . . . . . . . . . . . . . . . . . . 31
1.4 Distribucion muestral de una proporcion muestral . . . . . . . . . . . . . . . 42
1.5 Distribucion muestral de diferencia de dos proporciones muestrales . . . . . . 49
1.6 Distribucion muestral de diferencia de medias . . . . . . . . . . . . . . . . . 52
1.6.1 Datos pareados (muestras dependientes) . . . . . . . . . . . . . . . . 53
1.6.2 Muestras independientes . . . . . . . . . . . . . . . . . . . . . . . . . 55
1.7 Distribucion muestral de la varianza y razon de varianzas muestrales . . . . . 64
1.7.1 Distribucion muestral de la varianza muestral . . . . . . . . . . . . . 64
1.7.2 Distribucion muestral de la razon de dos varianzas . . . . . . . . . . . 69
Ejercicios complementarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
v
Estadstica inferencial 1
3 Pruebas de hip
otesis 79
3.1 Conceptos de la prueba de hipotesis . . . . . . . . . . . . . . . . . . . . . . . 80
3.1.1 Comentarios acerca de los terminos aceptar y rechazar . . . . . . 86
3.2 Prueba para la media . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.2.1 El caso de muestras grandes . . . . . . . . . . . . . . . . . . . . . . . 87
3.2.2 Caso de muestra peque
nas . . . . . . . . . . . . . . . . . . . . . . . . 89
3.3 Pruebas para la proporcion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.4 Prueba para la diferencia de dos proporciones . . . . . . . . . . . . . . . . . 92
3.5 Prueba para la diferencia de dos medias . . . . . . . . . . . . . . . . . . . . 95
3.5.1 Primer caso: varianzas poblacionales conocidas o desconocidas y
muestras grandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.5.2 Segundo caso: varianzas poblacionales iguales, desconocidas y mues-
tras peque
nas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.5.3 Tercer caso: varianzas poblacionales diferentes, desconocidas y mues-
tras peque
nas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.6 Prueba para la varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.7 Prueba para la razon de dos varianzas . . . . . . . . . . . . . . . . . . . . . 105
Indice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
CONTENIDO
2
CONTENIDO
CAPITULO 1
Distribuciones fundamentales de
muestreo
Contenido
1.1 Errores y t
ecnicas de muestreo . . . . . . . . . . . . . . . . . . . 4
1.1.1 Errores muestrales y no muestrales . . . . . . . . . . . . . . . . . 4
1.1.2 Tecnicas de muestreo aleatorio . . . . . . . . . . . . . . . . . . . 9
1.2 Estadsticos y distribuciones muestrales . . . . . . . . . . . . . . 18
1.3 Distribuci
on muestral de la media . . . . . . . . . . . . . . . . . 24
1.3.1 El caso para muestras grandes . . . . . . . . . . . . . . . . . . . 28
nas . . . . . . . . . . . . . . . . . . . 31
1.4 Distribuci
on muestral de una proporci
on muestral . . . . . . . 42
1.5 Distribucion muestral de diferencia de dos proporciones mues-
trales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.6 Distribuci
on muestral de diferencia de medias . . . . . . . . . . 52
1.6.1 Datos pareados (muestras dependientes) . . . . . . . . . . . . . . 53
1.6.2 Muestras independientes . . . . . . . . . . . . . . . . . . . . . . . 55
1.7 Distribuci
on muestral de la varianza y raz on de varianzas
muestrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
1.7.1 Distribuci
on muestral de la varianza muestral . . . . . . . . . . . 64
1.7.2 Distribuci
on muestral de la raz
on de dos varianzas . . . . . . . . 69
Ejercicios complementarios . . . . . . . . . . . . . . . . . . . . . . . 73
3
4
Objetivos del captulo

1. Desarrollar el concepto de distribuci
on muestral.
2. Examinar el teorema central del lmite.
3. Analizar la distribuci
on muestral de la media, proporcion, diferencia de dos medias, dife-
rencia de dos proporciones, varianza y raz
on de dos varianzas.
Empleo de la estadstica
Un fabricante de neumaticos ha desarrollado un nuevo producto que,
seg
un cree, tendr
a una mayor duraci
on en relacion con las millas recorri-
das comparado con la lnea actual de neumaticos. Para evaluar el nuevo
neumatico, los gerentes necesitan un estimado (o una estimacion) de la me-
dia de las millas que dura el nuevo producto. Selecciona una muestra de
120 neumaticos para probarlos. El resultado de la prueba es una media
de la muestra de 36.500 millas. En consecuencia, se obtuvo 36.500 como
estimado de la media para la poblacion de neumaticos nuevos.
Introducci
on
En este captulo, dedicaremos gran parte de nuestra atencion a analizar problemas que
tienen por objeto averiguar algo acerca de las propiedades de una poblacion a partir de
la informacion proporcionada por una muestra de dicha poblacion. Este es el objetivo
de la estadstica inferencial. La razon principal para observar una muestra en lugar de la
poblacion completa es el hecho de que la recogida de toda la informacion sera, en la mayora
de las ocasiones, exageradamente cara. Incluso en los casos en que se dispone de recursos
suficientes para analizar la poblacion completa, puede resultar preferible dedicar esos re-
cursos a un subconjunto peque no de la poblacion, con la esperanza que tal concentracion
de esfuerzos produzca medidas mas precisas.
1.1 Errores y t
ecnicas de muestreo
1.1.1 Errores muestrales y no muestrales
Cuando nos interesa estudiar las caractersticas de poblaciones grandes, utilizamos muestras
por muchas razones. Una enumeracion completa de poblacion, llamada censo, puede ser
economicamente imposible; o puede no haber tiempo suficiente para examinar a la poblacion
Captulo 1. Distribuciones fundamentales de muestreo

completa. En algunas situaciones, el censo puede ser imposible. Por ejemplo, un censo de
la poblacion marina que vive en el oceano Atlantico es imposible.
Ejemplo 1.1.1 A continuaci

on veremos los usos del muestreo en diversos campos:
Poltica. Las muestras de las opiniones de los votantes se usan para que los candidatos
midan la opinion p
ublica y el apoyo en las elecciones.
Sociologa. El soci
ologo que desea conocer las actitudes de los adolescentes frente al aborto,
no emprende la tarea de entrevistar a todos los adolescentes que hay en el pas sino elige
una muestra de ellos y los entrevista.
Educaci
on. Las muestras de las calificaciones de los examenes de estudiantes se usan para
determinar la eficiencia de una tecnica o programa de ense
nanza.
Industria. Muestras de los productos de una lnea de ensamblaje sirve para el prop
osito de
controlar la calidad.
Medicina. Un fabricante de drogas que desea saber los resultados de algun medicamento
para bajar la tensi
on en la sangre y compararlo con una droga de la competencia, no lleva
a cabo un experimento con todos los pacientes conocidos que sufran de hipertensi
on.
Agricultura. Las muestras del maz cosechado en una parcela proyectan en la producci
on
los efectos de un fertilizante nuevo.
Gobierno. Una muestra de opiniones de los votantes se usara para determinar los criterios
del p
ublico sobre cuestiones relacionadas con el bienestar y la seguridad nacionales.
Cuando se usan valores muestrales (o estadsticos) para estimar valores poblacionales (o

parametros), pueden ocurrir dos tipos generales de errores: el error muestral y el error no
muestral (o sistematico).
Errores muestrales
Es improbable, por ejemplo, que la media de la muestra fuera identica a la media de la

poblacion. Asimismo, tal vez la desviacion estandar u otra medicion que se calcule con base
en la muestra no sea exactamente igual al valor correspondiente de la poblacion. As, es
posible que existan cierta ciertas diferencias entre las estadsticas de la muestra, como la
media o la desviacion estandar de la muestra, y los parametros de la poblaci on correspon-
dientes.

1.1. Errores y tecnicas de muestreo
6
Definici on 1.1.2 El error muestral es la diferencia entre un estadstico de la muestra

y el parametro correspondiente de la poblaci
on.
En general, el error muestral se refiere a la variaci

on natural existente entre muestras tomadas de
la misma poblaci
on, cuando una muestra no es copia exacta de la poblaci
on.
Ejemplo 1.1.3 Se toman muestras de tama no 2 de una poblaci on consistente en tres valores:
2, 4 y 6. Supongamos que el muestreo se hace con reemplazo (es decir, el n umero elegido se
reemplaza antes de escoger el siguiente) y que se seleccionan muestras ordenadas.1 Halle la media
poblacional, todas las muestras, la media de cada muestra y los errores muestrales.
SOLUCION:
La media poblacional es igual a = (2 + 4 + 6)/3 = 4. La tabla 1.1 contiene una lista de todas las
muestras ordenadas de tama no 2 que es posible escoger con reemplazo de la poblacion de valores
2, 4 y 6. Tambien contiene las medias muestrales y los correspondientes errores muestrales.
Tabla 1.1: Muestras ordenadas de tama

no 2 de la poblacion de valores 2, 4 y 6.
Muestras ordenadas Media muestral x Error muestral e = x
(2,2) 2 2 4 = 2
(2,4) 3 3 4 = 1
(2,6) 4 44 = 0
(4,2) 3 3 4 = 1
(4,4) 4 44 = 0
(4,6) 5 54 = 1
(6,2) 4 44 = 0
(6,4) 5 54 = 1
(6,6) 6 64 = 2
Aun si hemos tenido gran cuidado para asegurar que dos muestras del mismo tama no sean
representativas de una cierta poblacion, no esperaramos que las dos sean idenditcas en
todos sus detalles. El error es un concepto importante que nos ayudara a entender mejor
la naturaleza de la estadstica inferencial.
1
En una muestra ordenada, el orden en que se escogen las observaciones es importante. Por ejemplo, la
muestra ordenada (2,4) es distinta de la muestra ordenada (4,2). En la muestra (4,2), se escogio primero 4
y luego 2.

Errores no muestrales o sistem

aticos
En los analisis practicos, existe la posibilidad de que aparezca un error que no este rela-
cionado con el procedimiento de muestreo usado. Estos errores apareceran tambien si se
tomara un censo de la poblacion completo. Se conocen como errores no muestrales
o sistema ticos. En un estudio particular, existen potenciales errores no muestrales por
varias causas, como se muestran los ejemplos 1.1.4, 1.1.5 y 1.1.7.
Ejemplo 1.1.4 (La poblaci on de la que realmente se muestrea no es la relevante) Un

celebre ejemplo es el estudio de las actitudes de varios millones de personas, realizado por el
Literary Digest, un peri odico popular en ese entonces, para predecir al ganador de la presidencia
en 1936, cuando el republicano Alfred Landon competa contra el dem ocrata Franklin Rooselvelt.
Los nombres de las personas que se incluyeron en la encuesta los obtuvo el Digest del directorio
telef
onico y de otras listas, tales como la de suscriptores de la revista y los registros de autom
oviles.
Estas fuentes no representaban en absoluto a las clases m as pobres, puesto que mucha gente que
prefera votar por Roosolvelt no tena telefono y no se suscriba a peri odicos. La mayora de
los entrevistados mostraron su preferencia por Landon, y el peri odico predijo que este candidato
ganara por un gran margen. Pero, Landon perdi o. La moraleja de la historia es que si uno
quiere realizar inferencia sobre una poblaci on (en este caso, el electorado de Estados Unidos), es
importante muestrear de la poblaci on y no de algun subgrupo de ella, aunque la segunda opci on
parezca conveniente.
Ejemplo 1.1.5 (Los individuos bajo estudio dan respuestas inexactas o inciertas) Esto
podra pasar si las preguntas se redactasen de manera que fuesen difciles de entender o de forma
que parezca que una respuesta particular es m as aceptable o m as deseable. Adem as, muchas
preguntas que uno deseara formular pueden ser delicadas y sera temerario esperar respuestas
uniformemente sinceras. Supongamos, por ejemplo, que el director de una f abrica quiere valorar
las perdidas anuales de la compa na debidas a robos de los empleados. En principio, podra se-
leccionarse una muestra aleatoria de empleados y preguntarles: Que ha robado usted de esta
f
abrica en los ultimos doce meses? Claramente, esta no es la mejor forma de proceder para
obtener la informaci on deseada! De hecho, ya hemos hablado de una posibilidad para abordar
este problema. Para obtener una descripci on y una ilustraci
on de este procedimiento (llamado el
metodo de respuesta aleatorizada) se puede acudir a los ejemplos ?? y ??.
El sesgo de las muestras es un tipo de error no muestral.
Definicion 1.1.6 El sesgo muestral es la tendencia sistematica a favorecer la seleccion

de ciertos elementos de una muestra en lugar de otros.
Ejemplo 1.1.7 (Otra posibilidad surge de la no respuesta) Si esta es importante, puede

inducir a errores muestrales y sistem
aticos adicionales. Los errores muestrales surgen como conse-
cuencia de que el tamano muestral conseguido sea mucho menor de lo que se esperaba. Los errores

8
sitem aticos pueden presentarse si la poblaci on que ha sido muestreada no es la poblaci on de in-
teres. Los resultados obtenidos pueden considerarse como una muestra aleatoria de la poblaci on
de los individuos que responderan. Estas personas pueden ser distintas de la poblaci on general
en alg un sentido importante. Si esto es as, inducir
a un sesgo en las estimaciones resultantes.
Si se sospecha que el sesgo de la no respuesta presumiblemente ser a molesto, hay tres posibil-
idades abiertas. Primero, el investigador puede solicitar informacion mediante un mecanismo del
que se sepa que produce una proporci on de respuestas altas. Segundo, hasta donde sea posible,
deben compararse las caractersticas de los individuos que responden y de los que no, en aspec-
tos tales como sexo, edad y raza, para comprobar si hay diferencias obvias entre los dos grupos.
Finalmente, se debe intentar entrar en contacto con los individuos que no respondieron, algunos
de los cuales pueden estar bien dispuestos para contestar a unas pocas preguntas claves. Si sus
respuestas difieren significativamente de las de los individuos que respondieron al principio, debe
hacerse una correccion del sesgo de la no respuesta.
Es importante senalar que el sesgo muestral se refiere a una tendencia sistematica inheren-
te a un metodo de muestreo que da estimaciones de un parametro que son, en promedio,
menores (sesgo negativo), o mayores (sesgo positivo), que el parametro real. Los
ejemplos 1.1.4 y 1.1.8 ilustran situaciones para errores que resultan de colecciones de datos
que caen en esta categora.2
Ejemplo 1.1.8 Si queremos obtener informaci

on relativa a las actitudes hacia el aborto y ob-
tenemos una muestra que consta proponderadamente de hombres, podramos encontrar un sesgo
muestral.
Los errores que resultan de la acumulacion de datos o de su procesamiento se clasifican

tambien como errores no muestrales, como se ilustra en el siguiente ejemplo.
Ejemplo 1.1.9 Al recabar datos pueden generarse errores no muestrales cuando los instrumentos
usados para realizar las mediciones est
an fuera de ajuste o mal calibrados. Pueden ocurrir errores
de procesamiento si los datos est
an mal colocados, si se pierden al registrarlos o si las respuestas
proporcionadas por las personas durante el estudio no son verdaderas. Este u ltimo caso puede
darse con preguntas relativas a la edad, en las que mucha gente miente por vanidad.
No existe un procedimiento general para identificar y analizar errores sistematicos. No ob-

stante, los efectos de estos errores pueden ser muy importantes. La principal recomendacion
es que el investigador ponga cuidado en cosas tales como identificar la poblacion relevante,
dise
nar el cuestionario y tratar la no respuesta de manera que minimice su importancia.
En el resto de este captulo, asumiremos que se han tomado estas precauciones, y nuestra
exposicion se centrara en el tratamiento de los errores muestrales.
2
En el ejemplo 1.1.4, la muestra estaba fuertemente sesgada a favor de Landon.

1.1.2 T
ecnicas de muestreo aleatorio
El sesgo muestral puede suprimirse, o minimizarse, usando el principio de aleatori-

zacio n. Este principio se refiere a cualquier proceso de seleccion de una muestra de la
poblacion en el que la seleccion es imparcial o no esta sesgada. Una muestra elegida con
procedimientos aleatorios se llama muestra aleatoria. Los tipos mas comunes de tecnicas de
muestreo aleatorio son el muestreo aleatorio simple, el muestreo estratificado, el muestreo
por conglomerados y el muestreo sistematico. Ahora, explicaremos brevemente cada uno de
ellos.
Muestreo aleatorio simple
Como ya se ha dicho anteriormente, para evitar el sesgo muestral y lograr inferencias validas
acerca de la poblacion, es importante que el proceso de seleccion de la muestra este basado
en el principio de aleatorizacion. La forma mas sencilla para conseguir esto es dise nar un
mecanismo de seleccion en el cual todas las muestras de un tama no dado tengan la misma
probabilidad de ser elegidas. Esto conduce a la siguiente
Definicion 1.1.10 Un procedimiento de muestreo aleatorio simple es aquel en el

que todas las posibles muestras del mismo tama
no tienen la misma probabilidad de ser
escogidas. A las muestras obtenidas por procedimientos de este tipo se las denomina
muestras aleatorias simples.
Este metodo se usa con tanta frecuencia que, en muchos casos, el adjetivo simple se elimina de
ambos terminos definidos anteriormente.
Ejemplo 1.1.11 Se asume que una cadena nacional de comidas r apidas desea seleccionar aleato-
riamente 5 de los 10 estados de un pas para tomar muestras sobre el gusto de los consumidores.
a que las 10

Una muestra aleatoria simple garantizar 5 = 252 muestras de tama no 5 tengan la
misma probabilidad de ser utilizada en el estudio. En este caso, la probabilidad de escoger una
muestra aleatoria simple de tamano 5 sera
1 1
P (escoger una muestra de tama
no 5) = 10
= 0, 00397 0, 397%.
5
252
Analogamente, la probabilidad de escoger una muestra aleatoria simple de tama

no 7 ser
a
1 1
P (escoger una muestra de tama
no 7) = 10
= = 0, 00833 0, 83%.
7
120
Puede pensarse en el proceso de muestreo aleatorio simple de la forma siguiente: Supon-

gamos que los miembros de la poblacion se introducen en una caja y se mezclan entre s.

10
Una muestra aleatoria se obtiene extrayendo, digamos, n de ellos. En la practica, para el

caso de una poblacion finita, (digamos, con N individuos) no es necesario hacerlo de este
modo; pueden usarse tablas de n umeros aleatorios para conseguir el mismo resultado.
Definicion 1.1.12 Una tabla de nu meros aleatorios consiste en una tabla de

n
umeros que se hace y se presenta en tal forma que cada uno de los n
umeros 0 a 9 aparecen
en ella con una frecuencia aproximadamente igual. Es decir, cada uno de estos n umeros
aparecen en la tabla con la misma probabilidad.
Las tablas estan construidas de forma que el proceso descrito en la definicion 1.1.12 tiene
las mismas propiedades que el muestreo aleatorio simple. Una de las posibles formas de
construir una tabla de numeros aleatorios consistira en meter en un caja 10 bolas numer-
adas de 0 a 9. Despues de haberlas mezclado bien, se extrae una de las bolas y se anota
su n
umero. A continuacion se devuelve esta bola a la caja y se repite el proceso. Puede
repetirse el procedimiento para obtener n umeros con tantas cifras como se precisen. Este
proceso tiene la propiedad de que cada uno de los posibles n umeros tiene la misma pro-
babilidad, y las elecciones sucesivas son independientes unas de otras. El problema es que
resulta extremadamente tedioso.
En la practica, pueden generarse n

umeros aleatorios de manera mucho mas rapida con
la ayuda de un computador, ya que existen mecanismos que imitan de forma efectiva el
procedimiento que acabamos de describir. La tabla del apendice es una pagina de n umeros
aleatorios, tomados de una tabla que contine un millon de dgitos aleatorios. Expliquemos
el procedimiento de sacar una muestra aleatoria simple por medio de un ejemplo.
Ejemplo 1.1.13 Hay 180 estudiantes de primer a no en un colegio rural. Con el fin de obtener
informacion acerca de la costumbre que tienen los estudiantes de ver televisi on, un consejero de
orientaci
on desea seleccionar una muestra aleatoria simple de diez estudiantes para llenar un cues-
tionario. En la oficina del rector se encuentra una lista alfabetica de los estudiantes numerados
consecutivamente de 1 a 180. El consejero utiliza la tabla del apendice para determinar que estu-
diantes formaran la muestra.
Como el numero de estudiantes de la poblaci on es de 180 (un numero de tres dgitos) es con-
veniente pensar en los n
umeros de 1 a 180 como los n umeros 001, 002, 003, . . ., 180. Solamente
se aprovechar
an los n
umeros de tres dgitos que queden entre 001 y 180.
El consejero selecciona al azar un punto de partida en la pagina de los n

umeros aleatorios cerrando
los ojos y tocando con la punta de su l apiz. El n umero que quede m as cerca a la punta de su
l
apiz es el punto de partida. La punta del lapiz toca el papel en un punto que est a m
as cercano
al numero 1, ubicado en la intersecci
on de la fila 36 y la columna 7, que a cualquier otro numero
(vease la tabla 1.2a).

Tabla 1.2: Una parte de tabla de n

umero aleatorios.
.. .. .. .. .. ..
. . . . . .
66790 72193 66790 72193 66790 72193
16427 71681 16427 71681 16427 71681
63988 0 1 319 63988 0 131 9 63988 01319

67468 22553 67468 22553 67468 2 255 3
.. .. .. .. .. ..
. . . . . .
(a) El 1 esta en la fila (b) El primer n umero (c) El siguiente n

umero
36 y la columna 7. de tres dgitos es 131. a 131 es 225.
Como el primer n umero de tres dgitos que hay en esta posici

on es 131 (vease la tabla 1.2b), el
estudiante numero 131 de la lista queda incluido en la muestra. El consejero mueve hacia abajo
(la direcci
on del movimiento es arbitraria y pudo haber sido hacia arriba, hacia la diagonal, etc.)
el l
apiz hasta el siguiente n
umero de tres dgitos que, como es 225 (vease la tabla 1.2c), no se
puede utilizar.
Siguiendo hacia abajo, los siguientes n
umeros utilizables son 063 y 120 (vease la tabla 1.3a). Por
tanto, los estudiantes 63 y 120 quedan incluido en la muestra. Cuando el consejero llegue hasta
el final de la p
agina, simplemente mueve hacia la derecha un dgito, que seg
un la tabla 1.3b, sera
302. Como este n umero no es utilizable, tiene en cuenta los n umeros de tres dgitos que van
3
hacia arriba y que son utilizables como, por ejemplo, el 065 (vease la tabla 1.3c). Al final, el
procedimiento seguido por el consejero arroja los siguientes n
umeros aleatorios:
131, 063, 120, 065, 154, 117, 002, 166, 031, 101.
Por tanto, la muestra aleatoria simple consta de los 10 estudiantes identificados con estos n
umeros
en la lista.
El muestreo aleatorio simple se puede llevar a cabo de dos maneras: con reemplazo o sin
reemplazo. Cuando el muestreo es sin reemplazo, solamente se permite a una entidad
dada aparecer una vez en la muestra. Cuando se emplean los n umeros aleatorios para se-
leccionar la muestra, se descartan los n
umeros repetidos cuando salen. Cuando el muestreo
es con reemplazo, no hay ning un lmite para el n
umero de veces que una entidad pueda
aparecer en la muestra. En las aplicaciones practicas se usa el muestreo sin reemplazo.
Es imposible determinar por simple inspeccion si una muestra es aleatoria o no. Para
3
Nuevamente, la direccion es arbitraria. Por ejemplo, el consejero pudo haber corrido el lapiz hacia la
izquierda o empezar en la parte superior de la pagina.

12
Tabla 1.3: Una parte de tabla de n

umero aleatorios.
.. .. .. .. .. ..
. . . . . .
63988 0 131 9 63988 01319 63988 01319
67468 22553 67468 22553 67468 22553
.. .. .. .. .. ..
. . . . . .
70321 26394 70321 26394 70321 26394
98710 5 063 9 98710 50639 98710 50639
.. .. .. .. .. ..
. . . . . .
57652 46065 57652 46065 57652 46 065
35933 3 120 3 35933 31203 35933 31203
.. .. .. .. .. ..
. . . . . .
69865 39302 69865 39 302 69865 39302
(a) Los siguientes (b) Al final, se corre un (c) El siguiente

n
umeros son 063 y 120. dgito a la derecha. n
umero utilizable es
065.
determinar si una muestra es aleatoria, debemos conocer el proceso de seleccion que se uso.
Ilustremos esto a traves del siguiente
Ejemplo 1.1.14 Suponga que queremos elegir tres meses al a no para estudiar cierto compor-
tamiento ambiental y que hemos escogido enero, julio, octubre y noviembre. Representan estos
cuatros meses una muestra aleatoria?
SOLUCION:
A partir de la informaci
on dada, es imposible decir si esta muestra es aleatoria. Estos meses
pueden haber sido escogidos porque est an distribuidos a lo largo del a
no y siendo as, la muestra
no es aleatoria. Si embargo, si se escogieron con la ayuda de una tabla de n umeros aleatorios o
de otros procedimientos aleatorios, entonces, s representan una muestra aleatoria.
Muestreo estratificado
Consideremos inicialmente el siguiente
Ejemplo 1.1.15 El Ministerio de Agricultura de cierto pais se interes o en el impacto de las

condiciones de sequa sobre la producci on de trigo. Especial preocupacion caus o la tasa de ban-
carrota que haca que los granjeros perdieran sus tierras. Se senta que un conteo de los niveles de
producci on por parte de los agricultores de las cuatro ciudades golpeadas m as duramente por la
sequa, podran probar que son u
tiles en el dise
no de un programa de alivio. El ministerio decidi o
que debera tomarse una muestra de la cosecha de este a no por varios cientos de agricultores de

cada ciudad.
Sin embargo, se not o que el numero de agricultores era muy diferente en cada estado. Si se
tomaba una muestra aleatoria simple de las cuatro ciudades como un todo, podra incluir pro-
porcionalmente pocos agricultores de algunas ciudades y demasiados de otras ciudades. Esto
resultara en una muestra no representativa, lo cual incrementara el error de muestreo.
El Ministerio decidi
o dividir a todos los agricultores en subgrupos o estratos y de cada sub-
grupo tomar muestras aleatorias. En este caso, los subgrupos logicos seran las cuatro ciudades
en menci
on.
El ejemplo anterior trata sobre una de las muchas situaciones en las cuales el muestreo
aleaorio simple es poco practico, imposible o no deseado. El procedimiento utilizado por el
Ministerio para la seleccion de una muestra se cononoce con el nombre de muestreo estrat-
ificado.
Definicion 1.1.16 Suponga que una poblaci on de N individuos puede subdividirse en

K grupos mutuamente excluyentes (disyuntos), llamados estratos. El muestreo
(aleatorio) estratificado es la seleccion de muestras aleatorias simples independi-
entes de cada uno de los estratos de la poblaci
on.
Dos observaciones importantes son las siguientes:

Si los K estratos de la poblaci
on contienen N1 , N2 , . . . , Nk elementos, entonces, N1 +N2 + +Nk =
N.
No es necesario tomar muestras con el mismo n
umero de elementos en cada estrato. Si representamos
nos muestrales de cada estrato por n1 , n2 , . . . , nk , entonces, el tama
los tama no total de la muestra
es n = n1 + n2 + + nk .
Ejemplo 1.1.17 Suponga que nos interesa obtener una muestra de las opiniones de los profesores
de una gran universidad sobre un grupo importante. Puede ser difcil obtener una muestra con
todos esos profesores, as que supongamos que elegimos una muestra aleatoria de cada colegio o
departamento academico. Los estratos vendran a ser esos colegios o departamentos academicos.
El muestreo estratificado se usa frecuentemente para encuestas de opinion nacional porque

las opiniones tienden a variar mas entre localidades diferentes que al interior de las mis-
mas. Para esta aplicacion, los criterios para formarlos deben asegurar que las observaciones
dentro de cada uno se asemejen tanto como sea posible. Estas observaciones han de tener
menos variacion que la existente entre observaciones de estratos diferentes.
Otro hecho que es importante mencionar es lo siguiente: una vez que la poblacion se
divide en estratos, es posible seleccionar una muestra proporcional o no proporcional.

14
Definicion 1.1.18 En un muestreo estratificado proporcional, la proporcion

muestral de elementos de un estrato es la misma que la proporcion poblacional de elementos
de ese estrato. Es decir, para el j-esimo estrato, tenemos
nj Nj Nj
= , luego nj = n,
n N N
siendo Nj , N , nj y n como en la definici
on 1.1.16. Por el contrario, en un muestreo
estratificado no proporcional, la cantidad de elementos que se seleccionan en cada
estrato no guarda proporcion con los n
umeros respectivos en la poblaci
on.
Ejemplo 1.1.19 Si en el ejemplo 1.1.15, el procedimiento utilizado por el Ministerio de Agricul-

tura es el muestreo estratificado proporcional, entonces, la proporci
on de agricultores incluidos en
la muestra de cada ciudad debe ser igual a todas las proporciones de todos los agricultores en cada
ciudad. Por ejemplo, si los agricultores de una ciudad constituan el 30% de todos los agricultores
de todas las ciudades, entonces, un 30% de los agricultores de la muestra seran seleccionadas
aleatoriamente de esa ciudad.
En algunos casos el muestreo estratificado tiene la ventaja de poder reflejar con mayor
precision las caractersticas de la poblacion que un muestreo aleatorio simple, como se
muestra en el siguiente
Ejemplo 1.1.20 Suponga que se quiere estudiar los gastos de publicidad de 352 empresas de un
pais y que el objetivo del estudio consiste en determinar si las empresas con altos rendimientos
sobre su inversion (una medicion de rentabilidad) ha gastado una mayor proporci on de su pre-
supuesto de ventas de publicidad que las empresas que tienen un menor rendimeinto o incluso un
deficit. Sup
ongase que las empresas se dividieron en cinco estratos y que en total se van a escoger
50 empresas (vease la tabla 1.4).
Observese que el 2 por ciento de las empresas tienen un rendimeinto sobre la inversi on de 30 por
ciento o mas (estrato 1) y el 1 por ciento tiene un deficit (estrato 5). Si se tomara una muetra
aleatoria simple de 50 empresas, quiz as por azar no se habra seleccionado ninguna empresa en
los estratos 1 o 5. Una muestra aleatoria estratificada asegurara que al menos una empresa del
estrato 1 y otra del estrato 5 est
an representadas en la muestra.
Muestreo por conglomerados
Supongamos que un investigador quiere estudiar una poblacion que se extiende sobre una
amplia area geografica, como una ciudad o una region. Si se usa un muestreo aleatorio
simple o un muestreo aleatorio estratificado, inmediatamente surgen dos problemas. En
primer lugar, para extraer la muestra, el investigador necesita una lista razonablemente
precisa de los elementos de la poblacion. Esta lista puede no estar disponible o puede ser

Tabla 1.4: N
umero seleccionado para una muestra aleatoria estratificada proporcional
Rentabilidad N
umero mues-
Estrato (Rendimiento Numero N
umero treado se en-
sobre la inversion) de firmas muestreado cuentra por
8
1 30 por ciento y mas 8 1 352
50
35
2 De 20 a 30 por ciento 35 5 352
50
189
3 De 10 a 20 por ciento 189 27 352
50
115
4 De 0 a 10 por ciento 115 16 352
50
5
5 Deficit 5 1 352
50
TOTAL 352 50
que obtenerla conlleve un elevado costo. En segundo lugar, incluso el investigador posee una
lista de la poblacion, los miembros de la muestra resultante, casi inevitablemente, estaran
dispersos por una extensa area. En ese caso, contactar con cada individuo de la muestra
puede ser muy costoso. Desde luego, si se enva un cuestionario por correo, este u ltimo
problema no aparece. Sin embargo, esta manera de obtener la informacion puede acarrear
una tasa de no respuesta inevitablemente alta, por lo que el investigador preferira utilizar
entrevistas personales.
Para afrontar cualquiera de los dos problemas expuestos en el parrafo anterior, el investi-
gador puede usar un procedimiento de muestreo alternativo conocido como muestreo por
conglomerados.
Definicion 1.1.21 Supongamos que una poblaci on puede dividirse convenientemente en

unidades relativamente peque
nas y geogr
aficamente compactas llamadas conglomerados
(por ejemplo, una ciudad puede dividirse en distritos o barrios). En el muestreo por
conglomerados, se selecciona de la poblaci on una muestra aleatoria simple de conglom-
erados, y se contacta con cada individuo de los conglomerados de la muestra, es decir, se
lleva a cabo un censo completo en cada uno de los conglomerados elegidos.
Ejemplo 1.1.22 Suponga que una compa na de servicio de televisi

on por cable est
a pensando en
abrir una sucursal en una ciudad grande. La compa na planea realizar un estudio para determinar

16
el porcentaje de familias que utilizaran sus servicios. Como no es practico preguntar en cada
casa, la empresa decide escoger una parte de la ciudad al azar para estudiar ah cada hogar. Esa
parte de la ciudad forma un conglomerado.
Ejemplo 1.1.23 Consideremos la situaci on del ejemplo 1.1.15. El Ministerio de Agricultura, en

su estudio sobre las condiciones de sequa, puede decidir que una muestra por conglomerados es
preferible. Una muestra por conglomerados se toma identificando los barrios en cada ciudad como
conglomerados. Una muestra de estos barrios (conglomerados) se selecciona luego aleatoriamente
utilizando una tabla de n umeros aleatorios o alg un otro medio generalmente aceptado. Todos los
agricultores seleccionados de esta manera en los barrios est an incluidos en la muestra. Este pro-
cedimiento con frecuencia es m as f
acil y r
apido que el muestreo aleatorio simple o el estratificado.
Por ejemplo, si es necesario viajar a cada finca de la muestra para observar los efectos de la sequa,
es m as f
acil visitar varios agricultores en el mismo barrio.
En el muestreo por conglomerados, estos se forman para representar, tan fielmente como
sea posible, a toda la poblacion. Entonces, se usa una muestra aleatoria simple de cada con-
glomerado para estudiarla. Los estudios de instituciones sociales como iglesias, hospitales,
escuelas y prisiones se realizan, generalmente, con base en el muestreo por conglomerados.
La poblacion completa puede estudiarse de manera efectivamente el analisis de sus copias en
miniatura o conglomerados. Si un conglomerado es muy grande para analizarse de manera
completa, pueden elegirse aleatoriamente algunos de sus elementos.
Muestreo sistem
atico
Definicion 1.1.24 El muestreo sistema tico es una tecnica de muestreo que requiere
de una seleccion aleatoria inicial de observaciones seguida de otra seleccion de observaciones
obtenida usando alg un sistema o regla.
Ejemplo 1.1.25 Para obtener una muestra de suscriptores telef onicos en una ciudad grande,
puede sacarse primero una muestra aleatoria de los n
umeros de las p
aginas del directorio telef
onico.
Al elegir el vigesimo nombre de cada p agina obtendramos un muestreo sistem atico. Tambien
podemos escoger un nombre de la primera p agina del directorio y despues escoger cada nombre
del lugar numero cien a partir del ya escogido. Por ejemplo, podramos seleccionar un n umero
al azar de entre los primeros 100. Supongamos que el elegido es el 40. Entonces, escogemos los
nombres del directorio que corresponden a los numeros 40, 140, 240, 340 y as sucesivamente.
En general, un muestreo sistematico se analiza de la misma manera que un muestreo aleao-

torio simple, ya que, en relacion al asunto que se estudia, la lista de la poblacion ya esta
en orden aleatorio. El peligro es que pueda haber alg un sutil e inesperado vnculo ente el
orden de la poblacion y el asunto que se estudia. Por este motivo, al emplear un muestreo
sistematico puede inducirse un sesgo. En otras palabras, no debe utilizarse un muestreo
sistematico si existe un patron o arreglo que se relacione con el elemento de interes.

Ejercicios de la secci
on 1.1
1. Use el primer dgito de la quinta fila de la tabla aleatoria del apendice como punto de partida
y, moviendose horizontalmente a la derecha, seleccione una muestra aleatoria de tama no 13
de la lista de los estudiantes de su curso de Estadstica.
2. Simule el lanzamiento de un moneda 12 veces usando la tabla aleatoria del apendice. Em-
piece con el tercer dgito de la sexta fila y muevase verticalmente hacia abajo.
3. Un distribuidor de computadores nuevos quiere obtener una muestra aleatoria de 20 opin-

iones relativas a un u
ltimo modelo, de entre 85 clientes a partir de la lista de direcciones de
quienes compraron computadores nuevos el a no pasado. Explique c omo podra seleccionarse
la muestra con la ayuda de una tabla de n umeros aleatorios.
3. Asignemos un n umero de dos dgitos de 00 a 84 a cada uno de los 85 clientes. Luego, desde
un punto aleatorio de partida en la tabla, nos movemos horizontalmente a la derecha hasta
escoger 20 clientes.
4. Consideren las primeras diez filas de la tabla aleatoria del apendice y anote la frecuencia
con la que figura cada dgito. Cu
antas veces esperara usted que aparezca cada numero?
5. Para el ejercicio 4, piensa usted que la variacion entre las frecuencias observadas y la
frecuencia de cada dgito indica una variaci
on debido al error muestral? Complete la tabla
adjunta y encuentre el promedio de los errores muestrales.
Dgito Frecuencia Frecuencia esperada Error muestral

0
1
2
3
4
5
6
7
8
9
6. Comience con el primer dgito de la sexta fila y muevase horizontalmente a la derecha, en

la tabla aleatoria del apendice, para elegir una muestra aleatoria de 12 lanzamientos de un
dado. Construya una tabla semejante a la del ejercicio 5 y encuentre el promedio de los
errores muestrales
7. Dan lugar los siguientes procedimientos a muestras aleatorias? Explique por que s o por
que no.
(a) Para obtener una muestra aleatoria de profesores en un grupo, escoja a todos los que
tienen carro.

18
(b) Para lograr una muestra aleatoria de habitantes de cierta ciudad elija a cada cuarta
persona que entra por la puerta de una de las tiendas de la ciudad.
(c) Para conseguir una muestra aleatoria de los estudiantes matriculados en cierta universi-
dad, selecci
onelos usando una tabla de n u
meros aleatorios y los u
ltimos cuatro dgitos
de su carnet de estudiante.
7. (a) No (b) No (c) S
8. Se va a escoger una muestra de 5 administradores en una poblaci

on de 200 para participar
en una capacitaci
on.
(a) Etiquete a los maestros de 001 a 200. Cu ales se escogeran para la capacitaci on si se
usa la tabla aleatoria del apendice y el punto de partida es el primer dgito de la cuarta
fila en la segunda columna y los dgitos se leen horizontalmente para la derecha?
(b) Un proceso m as eficiente de la selecci
on requiere clasificar a los administradores como en
la parte (a), y asignar los numeros 001, 201, 401, 601 y 801 al primer maestro, 002, 202,
402, 602 y 802 al segundo, 003, 203, 403, 603 y 803 al tercer maestro..., y 200, 400, 600,
800 y 000 al u ltimo maestro. Escoja una muestra aleatoria de cinco administradores
usando este esquema y empezando en el mismo punto.
9. Constituye la muestra no ordenada (1,3,5,7,9) una muestra aleatoria de la poblaci

on de
todos los n
umeros enteros del 1 al 10, inclusive? Explique.
9. No.
1.2 Estadsticos y distribuciones muestrales

A partir de esta seccion, nos centraremos en metodos para analizar los resultados muestrales
con el fin de obtener informacion acerca de la poblacion. Por el momento nos limitaremos
a muestras que hayan sido seleccionadas mediante esquemas de muestreo aleatorio simple
(vease la definicion 1.1.10). Sin embargo, como ya se explicado en la seccion 1.1.2, este
no es el unico procedimiento que existe para elegir individuos de la poblacion, y que, en
determinadas circunstancias, pueden resultar preferibles esquemas de muestreo alternativos.
El principio de aleatorizacion en la seleccion de los miembros de la muestra proporciona

cierta proteccion contra la presencia en la muestra de individuos no representativos de la
poblacion, en el sentido de que, en media, si se extraen repetidas muestras de la poblacion
seg
un este mecanismo, ning un subgrupo particular debera estar mas representado en la
muestra. Ademas, el concepto de distribuci on muestral nos permite determinar la pro-
babilidad de que la muestra particular que se ha obtenido no sea representativa en un
determinado grado.
Sobre la base de la informacion muestral, nuestro objetivo sera hacer inferencias acerca

de la poblacion de la que procede la muestra. La distribucion de todos los valores de interes

de esta poblacion puede ser representada a traves de una variable aleatoria. Sera demasi-
ado ambicioso pretender describir completamente la distribucion poblacional basandonos
en una peque na muestra aleatoria de observaciones. Sin embargo, s seremos capaces de
hacer inferencias bastante firmes sobre algunas de las caractersticas mas importantes de la
distribucion poblacional como se ilustra en el siguiente
Ejemplo 1.2.1 Dada una muestra aleatoria de consumo de combustible de 20 autos de un deter-
minado modelo, se puede hacer inferencia sobre la media y la varianza del consumo de combustible
de todos los autos de ese modelo. Tal inferencia estara basada en la informaci
on muestral, y ser a
natural plantearnos cuestiones del tipo: Si el consumo de combustible de todos los autos de un
determinado modelo, medido en kil ometros por litro, tiene una media de 10 y una desviaci on
est
andar de 2, cu
al es la probabilidad de que, en una muestra aleatoria de 18 autos de ete tipo, el
consumo medio de combustible sea menor de 8 kil ometros por litro?. Al plantearnos la pregunta
de este modo, estamos asumiendo implcitamente que las inferencias sobre la media poblacional
estar
an basadas en la media muestral.
Es importante distinguir entre las caractersticas poblacionales y sus correspondientes can-

tidades muestrales. En el ejemplo 1.2.1, el consumo de combustible de todos los automoviles
de ese modelo tendra una distribucion con una determinada media. Esta media, que es un
atributo, se extrae una muestra de la poblacion y se calcula su media muestral. Puesto
que para cada muestra que se extraiga se obtendra un valor diferente de la media muestral,
podemos pensar en esta cantidad como en una variable aleatoria con una cierta distribucion
de probabilidad. La distribucion de probabilidades de los posibles resultados muestrales
proporciona una base para realizar inferencias sobre la poblacion. Nuestro objetivo en este
captulo sera examinar las propiedades de distribuciones muestrales de este tipo.
Definicion 1.2.2 Supongamos que se ha extrado una muestra aleatoria de una poblacion
y que se desea hacer inferencia sobre ciertas caractersticas de la distribucion de la
poblaci un estadstico muestral, es decir, en
on. Esta inferencia estara basada en alg
alguna funcion particular de la informaci
on muestral.
aticamente, un estadstico muestral puede definirse de la siguiente manera: Sean X1 , . . . , Xn

Matem
variables aleatorias de tal forma que el vector aleatorio (X1 , . . . , Xn ) conforme una muestra aleatoria
on. Entonces, un estadstico muestral para esta muestra es un funcon que
extraida de alguna poblaci
olo de las variables aleatorias X1 , . . . , Xn .
depende s
Algunos ejemplos tpicos de estadsticos son la media muestral, la mediana muestral, la

moda muestral, el rango muestral, la varianza muestral, la desviacion estandar muestral y
la proporcion muestral, entre otros.
1.2. Estadsticos y distribuciones muestrales

20
Debido a que un estadstico muestral tambien es una variable aleatoria (por ser funcion
de variales aleatorias), entonces, ese estadstico posee una distribucion. Esto conduce a la
siguiente
Definicion 1.2.3 La distribucion de un estadstico muestral recibe el nombre de dis-

tribucion muestral, o distribucio n en el muestreo y se define como la distribucion
de probabilidades de los valores que puede tomar el estadstico a lo largo de todas las posibles
muestras con el mismo n umero de observaciones que pueden ser extradas de la poblacion.
Para ilustrar la importancia del concepto de distribucion muestral, consideremos el siguiente
Ejemplo 1.2.4 Supongamos que un supervisor tiene a su cargo a seis empleados, cuyas experien-
cias (medidas en anos de trabajo) son 2, 4, 6, 6, 7 y 8. Se eligen al azar cuatro de estos empleados
y se les asigna una nueva tarea. F acilmente se puede determinar que el n umero medio de a nos
de experiencias para los seis empleados es 5,5. Estamos interesados en el n umero medio de a nos
de experiencia para los cuatros empleados concretos a los que se les ha asignado el cambio de
tarea. Podemos pensar en este ejemplo como en una muestra aleatoria simple de cuatro valores
extrados de una poblacion de seis. El n
umero de muestras diferentes que pueden ser seleccionadas
6

es 4 = 15. En la tabla 1.5 aparece cada una de las posibles muestras con su correspondiente
media muestral. Las muestras como (2, 4, 6, 7) aparecen dos veces porque hay dos empleados en
la poblacion con seis a
nos de experiencia de trabajo.
Tabla 1.5: Posibles muestras de cuatro observaciones con sus correspondientes medias mues-
trales para la poblacion 2, 4, 6, 6, 7 y 8.
Muestra Media muestral Muestra Media muestral
2,4,6,6 4,50 2,6,7,8 5,75
2,4,6,7 4,75 2,6,7,8 5,75
2,4,6,8 5,00 4,6,6,7 5,75
2,4,6,7 4,75 4,6,6,8 6,00
2,4,6,8 5,00 4,6,7,8 6,25
2,4,7,8 5,25 4,6,7,8 6,25
2,6,6,7 5,25 6,6,7,8 6,75
2,6,6,8 5,50
Puesto que todas las posibles muestras tienen la misma probabilidad de ser seleccionadas, la
probabilidad que tiene cada una de las muestras de ser elegidas es 1/15. Usando esta informaci
on,
podemos determinar la probabilidad de cada uno de los valores de la media muestral. Para ello,
podemos construir la distribuci
on de frecuencias de la media, como se muestra en la tabla 1.6.
Por ejemplo, en la tabla 1.5, vemos que tres de las posibles muestras tienen media 5, 75; dos de las
posibles muestras tienen media 5, 25, etc. Por tanto, la probabilidad de que los cuatros empleados

Tabla 1.6: Distribucion de frecuencias para las medias muestrales de la tabla 1.5
Media muestral 4,50 4,75 5,00 5,25 5,50 5,75 6,00 6,25 6,75
Frecuencia 1 2 2 2 1 3 1 2 2
seleccionados para la nueva tarea tangan una experiencia media de 5,75 a nos es de 3/15. De la
misma forma podemos encontrar la probabilidad de cada una de las posibles medias muestrales.
La colecci
on de todas estas probabilidades constituye la distribuci
on muestral de la media muestral.
La forma m as simple de describir esta distribuci

on es, posiblemente, a traves de su funci
on de
probablidad. Si representamos la media muestral por X, a un posible valor de X por x y a la
on de probabilidad de X por fX , entonces, la distribuci
correspondiente funci on muestral de X es
como se muestra en la tabla 1.7
Tabla 1.7: Distribucion de probabilidades para la media muestral

x 4,50 4,75 5,00 5,25 5,50 5,75 6,00 6,25 6,75
fX 1/15 2/15 2/15 2/15 1/15 3/15 1/15 2/15 2/15
El gr
afico de esta funci
on de probabilidad aparece en la figura 1.1.
Figura 1.1: Funcion de probabilidad de la distribucion de la distribucion muestral de la

media de cuatro observaciones extradas de la poblacion 2, 4, 6, 6, 7 y 8.
N
otese que, mientras que el n umero de anos de trabajo de los seis trabajadores se mueve entre
dos y ocho, los valores posibles de la media muestral tienen un rango mucho m as restringido: de

22
4,5 a 6,75. Adem

as, la mayor parte de la probabilidad se sit
ua en la zona central de este rango.
En la siguiente seccion, analizaremos la distribucion muestral de la media muestral para

poblaciones mas generales.
on 1.2
10. Suponga que de la poblaci
on de valores 2, 5 y 12 se toman nueve muestras de tama
no 2 con
reemplazo.
(a) Construya una distribuci

on de frecuencias para las nueve sumas muestrales.
(b) Verifique que la media de la distribucion muestral de la suma muestral est
a dada por
1 = n.

andar de la suma muestral este dado por 1 = n.
(c) Verifique que el error est
11. Cierto juguete se vende en tres tama nos: de 25, 40 y 65 centmetros. Veinte por ciento
de los compradores seleccionan el juguete de 25 centmetros, 50% el de 40 centmetros y
30% el de 65 centmetros. Sean X1 y X2 los tama nos de juguete seleccionados por dos
compradores independientes. Determine la distribucion muestral de la media muestral X,
calcule su media E(X) y comp arela con la media poblacional .
11. E(X) = 44, 5 =
12. Hay dos retenes de control en mi viaje hacia otra otra ciudad. Suponga que X1 es el n
umero
de retenes en los que debo detenerme y que la distribuci on de X1 es:
x1 0 1 2
p(x1 ) 2 5 3
Adem as, la media y varianza poblacional son = 1, 1 y 2 = 0, 49, respectivamente. Sea

X2 el numero de retenes en los que debo detenerme al regresar a casa; X2 es independiente
de X1 , de modo que X1 , X2 es una muestra aleatoria de taman no n = 2.
(a) Sea X = X1 + X2 y determine la distrubuci

on de probabilidad de X.
(b) Calcule X . C
omo se relaciona con ?
2 . C
(c) Calcule X omo se relaciona 2 ?
13. Considere la situaci

on que se plante
o en el ejercicio 11. Determine la distribuci
on muestral
2 2
de la varianza muestral S , calcule E(S ) y comp 2
arela con .
13. E(S 2 ) = 212, 25 = 2

14. Se sabe que 80% de todos los estudiantes de cierta universidad son de estrato medio-bajo.
Suponga que n = 10 estudiantes se seleccionan al azar y sea X la variable aleatoria que
representa el n
umero de estudiantes del estrato medio-bajo en la muestra. El estadstico.
Obtenga la distribucion muestral del estadstico X/n, que es la proporci on muestral de
estudiantes del estrato medio-bajo en la muestra. [Sugerencia: un posible valor de X/n es
0,3 y corresponde a X = 3. Cu al es la probabilidad de este valor (queclase de variable
aleatoria es X)?]
15. Sea X la variable aleatoria que representa el n

umero de clientes que entran a una tienda.
Suponga que la distribuci
on de X es:
x 1 2 3 4
f (x) 0,4 0,3 0,2 0,1
(a) Considere una muestra aleatoria de tama no n=2 clientes y sea X el n umero medio
on de probabilidad de X.
muestral de paquetes enviados. Obtenga la distribuci
(b) Considere el inciso (a) y calcule P (X 2, 5)
(c) En otra considere una muestra aleatoria de tama no n=2, pero ahora concentrese en el
estadstico R = rango muestral (diferencia entre los valores m aximo y mnimo de la
muestra). Obtenga la distribuci on de R. [Sugerencia: calcule el valor de R para cada
resultado y utilice las probabilidades del inciso (a).]
(d) Si se selecciona una muestra aleatorio de tama no n = 4, cu al es P (X 1, 5)? [Sug-
erencia: no deben tener una lista de todos los posibles resultados, sino s
olo para los que
x 1, 5.]
15. (b) 0,85
16. Una gaveta contiene diez cajas selladas y numeradas del 1 al 10. Las primeras cinco est an
vacas, las siguientes tres contienen 5 d
olares cada una, y hay un billete de 10 dolares en
cada una de las dos u ltimas. Se selecciona una muestra de tama no 3 con reemplazo (de
modo que tenemos una muestra aleatoria) y se obtiene la maxma cantidad en cualesquiera
de las cajas seleccionadas. Si X1 , X2 y X3 son variables aleatorias que representan las
cantidades de las cajas seleccionadas, el estadstico de interes es M = el maximo de X1 ,
X2 y X3 .
(a) Obtenga la distribuci

on de probabilidad de este estadstico.
(b) Describa c
omo realizara un experimento de simulaci
on para comprar las distribuciones
de M para varios tama nos muestrales. C
omo sabramos que la distribucon cambiara
medida que n aumenta?
17. Una casa comercial se compone de tres sucursales, cada una manejada por dos trabajadores.
La informaci
on de salarios anuales (en miles de d
olares) es:
Sucursal 1 1 2 2 3 3
Trabajador 1 2 3 4 5 6
Salario 19,7 23,6 20,2 23,6 15,8 19,7

24
(a) Suponga que dos empleados se seleccionan al azar de entre los seis (sin reemplazo).
Determine la distribuci
on muestral del salario medio muestral X.
(b) Suponga que una de las tres sucursales se selecciona al azar y que X1 y X2 son variables
aleatorias que representan los salarios de los dos trabajadores. Determine la distribuci
on
muestral de X.
(c) C
omo se compara E(X) de los incisos (a) y (b)con el salario medio poblacional .
1.3 Distribuci
on muestral de la media
La media y la varianza de medias muestrales
En esta seccion Supondremos que se ha extrado una muestra de n observaciones de una

poblacion con media y varianza 2 . Antes de que la muestra haya sido observada, habra
incertidumbre sobre los resultados. Esta incertidumbre es consecuencia del hecho de que
cada uno de los miembros de la muestra es una variable aleatoria con media y varianza 2 .
Nuestro objetivo primordial es analizar la distribucion muestral de la media muestral X.
2
Un punto de partida obvio es determinar la media X y la varianza X de esta distribucion.
La correspondiente desviacion estandar X se conoce como error esta ndar de X.
Primero consideraremos el caso en que la poblacion es finita.
Teorema 1.3.1 Supongamos que la poblaci

on en donde se hace el muestreo es finita de
tama
no N .
(a) Cuando el muestreo se hace con reemplazo, entonces,
on muestral de X es igual a la media de la poblacion

La media X de la distribuci
en que se toma la muestra, es decir, X = .
2
La varianza X de la distribuci
on muestral es igual a la varianza de la poblacion
2
dividida por el tama 2
no de la muestra, es decir, X = n .
(b) Cuando el muestreo se hace sin reemplazo, entonces,
La media X de la distribucion muestral de X es igual a la media de la poblacion

en que se toma la muestra, es decir, X = .
2
2
on muestral es igual a n N

La varianza X de la distribuci n
N 1
.
Ejemplo 1.3.2 Supongamos que se eligen muestras de tama

no 2 de una poblaci
on de tama
no 3
con valores 0, 2 y 4.

(a) Si el muestreo se hace con reemplazo, entonces, verifique el teorema 1.3.1a.
(b) Si el muestreo se hace sin reemplazo, entonces, verifique el teorema 1.3.1b.
SOLUCION:
acilmente se puede encontrar que la media y varianza 2
En este caso, n = 2 y N = 3. F
poblacional est
an dadas por
0+2+4 (0 2)2 + (2 2)2 + (4 2)2 8
= = 2 y 2 = = ,
3 3 3
respectivamente. Ahora, distinguiremos los casos en que el muestreo se hace con o sin reemplaza-
miento.
(a) Si el muestreo se hace con reemplazo, entonces, las posibles muestras que se pueden escoger
son
(0, 0), (0, 2), (0, 4), (2, 0), (2, 2), (2, 4), (4, 0), (4, 2), (4, 4).
Ahora, obtenderemos los posibles valores x de la media muestral X. Estos se encuentran

reunidos en siguiente tabla:
Muestras (0,0) (0,2) (0,4) (2,0) (2,2) (2,4) (4,0) (4,2) (4,4)
x 0 1 2 1 2 3 2 3 4
Por consiguiente, la variable aleatoria X tiene 9: valores 0, 1, 2, 1, 2, 3, 2, 3 y 4. Por tanto,

la media X de la distribucion muestral de X es igual a
0+1+2+1+2+3+2+3+4
X = = 2 = ,
9
2 de la distribuci
es decir, X = . La varianza X on muestral es igual a
2 (0 2)2 + (1 2)2 + (2 2)2 + + (3 2)2 + (4 2)2 4

X = = .
9 3
2 8/3 2
Debido que n = 2 = 43 , entonces, X
2 =
n . De eta forma queda verificada la parte (a) del
teorema 1.3.1.
(b) Supongamos que el muestreo se hace sin reemplazamiento. Debemos considerar dos casos: el
muestreo es con orden o sin orden.4
Primer caso: El muestreo se hace sin reemplazamiento, pero con orden.

En este caso, las posibles muestras que se pueden escoger son
(0, 2), (0, 4), (2, 0), (2, 4), (4, 0), (4, 2).
Los posibles valores x de la media muestral X se encuentran reunidos en la siguiente

tabla:
4
Cuando el muestreo es con reemplazamiento, necesariamente este muestreo es con orden. Por que?
muestral de la media
1.3. Distribucion
26
Muestras (0,2) (0,4) (2,0) (2,4) (4,0) (4,2)

x 1 2 1 3 2 3
Por consiguiente, en este caso, la variable aleatoria X tiene 6 valores: 1, 2, 1, 3, 2 y 3.

Por tanto, la media X de la distribucion muestral de X es igual a
1+2+1+3+2+3
X = = 2 = .
6
2 de la distribuci
La varianza X on muestral es igual a
2 (1 2)2 + (2 2)2 + (1 2)2 + (3 2)2 + (2 2)2 + (3 2)2 2

X = = .
6 3
Debido que
2 N n 8/3 3 2 2
= = ,
n N 1 2 31 3
2
2 = N n

entonces, X n N 1 . De esta forma queda verificada la parte (b) del teorema
1.3.1 para el caso en que el muestreo se hace sin reemplazamiento, pero teniendo en
cuenta el orden.
Segundo caso: El muestreo se hace sin reemplazamiento, pero sin orden.
En este caso, hay N 3

n = 2 = 3 posibles muestras que se pueden escoger y son (0, 2),
(0, 4) y (2, 4). Como antes, reuniremos los posibles valores x de la media muestral X en
una tabla como la que se muestra a continuaci on:
Muestras (0,2) (0,4) (2,4)
x 1 2 3
Por consiguiente, en este caso, la variable aleatoria X tiene 3 valores: 1, 2 y 3. Por

on muestral de X es igual a
tanto, la media X de la distribuci
1+2+3
X = = 2 = .
3
2 de la distribuci
La varianza X on muestral es igual a
2 (1 2)2 + (2 2)2 + (3 2)2 2

X = = .
3 3
Debido que
2 N n 8/3 3 2 2
= = ,
n N 1 2 31 3
2 = 2 N n

entonces, X n N 1 . De esta forma queda verificada la parte (b) del teorema
1.3.1 para el caso en que el muestreo se hace sin reemplazamiento, pero sin tener en
cuenta el orden.
El factor N n
N 1
se denomina factor de correccio n (de poblacio n finita). Podemos
pasarlo por alto si el tama
no n de la muestra es pequeno en relacion con el tama no N
2 2
N n
de la poblacion. Si N es mucha mas grande que n, la diferencia entre n y n N 1

se puede despreciar. Una regla de uso muy frecuente establece que el factor de correccion
de poblacion finita se puede pasar por alto cuando cuando Nn 0, 05, es decir, cuando la
muestra contiene menos del 5% de los elementos de la poblacion.
Como hasta ahora hemos concentrado nuestra atencion en el caso en que el muestreo se
hace en una poblacion finita, podramos preguntarnos que resultados se obtienen cuando
el muestreo se hace en una poblacion infinita. El muestreo con reemplazamiento en una
poblacion finita es equivalente al muestreo en una poblacion infinita. Por tanto, los resul-
tados analizados en el teorema 1.3.1a se pueden aplicar tambien al caso de un muestreo
hecho en una poblacion infinita. Es decir,
Teorema 1.3.3 Cuando el muestreo se hace en una poblaci on infinita, entonces, sin im-
portar si el muestreo es con o sin reemplazo, se tiene que
La media x de la distribuci
on muestral de x es igual a la media de la poblacion en
que se toma la muestra, es decir, x = .
La varianza x2 de la distribuci
on muestral es igual a la varianza de la poblacion
2
dividida por el tamano de la muestra, es decir, x2 = n (con la condicion de que la
poblacion en que se toma la muestra tenga una varianza conocida).
Para tener una vision global de los resultados presentados en los teoremas 1.3.1 y 1.3.3,
podemos reunir estos resultados en una tabla como la que se muestra en la tabla 1.8.
2
Tabla 1.8: X y X cuando la poblacion es normal con 2 conocida
X = Poblacion finita Poblacion infinita
2 2 2 2
Muestreo con reemplazo X = n
X = n
2 2 N n 2 2

Muestreo sin reemplazo X = n N 1
X = n
Hemos visto ya de que manera se pueden determinar la media y la varianza de la distribucion

de las medias muestrales sin calcularlar realmente. Ahora deseamos investigar la forma
funcional de las distribuciones de medias muestrales. Vamos a distinguir dos casos: el caso
de tener muestras grandes y el de tener muestras peque nas.
1.3. Distribucion
28
1.3.1 El caso para muestras grandes
En este caso, determinaremos la forma de la distribucion muestral de la media muestral

suponiendo que se cumple alguna de las tres condiciones:
La poblacion es normal con varianza conocida.
La poblacion es normal con varianza desconocida y el tama

no de la muestra es grande.
La forma de la poblacion es desconocida (o no normal), su varianza es conocida o

desconocida y el tama
no de la muestra es grande.
Teorema 1.3.4 Sea x la media de una muestra aleatoria de tamano n tomada de una
2
poblaci
on con media y varianza > 0. Supongamos que se cumple alguna de las sigu-
ientes condiciones:
on es normal y 2 es conocida (no importa el tama

(a) La poblaci no de n);
on es normal, 2 es desconocida y n 30;

(b) La poblaci
(c) La forma de la poblacion es desconocida (o no normal), 2 es conocida o desconocida

y n 30.
Entonces, la distribucion muestral de la media muestral X es normal con media X y

2
varianza X , calculadas de acuerdo a los casos mostrados en los teoremas 1.3.1 y 1.3.3.
XX
Como consecuencia de este teorema, se puede concluir que la variable aleatoria Z = X est
a
distribuida normalmente con media 0 y varianza 1. Adem
as, en los casos en que la varianza sea
desconocida y n 30, reemplazamos la desviaci on muestral s.
on poblacional por la desviaci
A continuacion, explicaremos con ejemplos la utilidad de los resultados presentados en el

teorema 1.3.4.
Ejemplo 1.3.5 Supongamos que el incremento porcentual de los salarios de los funcionarios de
todas las corporaciones medianas se distribuye siguiendo una normal con media 12, 2% y desviacion
tpica 3, 6%. Se toma una muestra aleatoria de nueve observaciones de esta poblaci
on de incremen-
tos porcentuales de salario. Cu
al es la probabilidad de que la media muestral sea mayor del 10%?
SOLUCION:
Tenemos que = 12, 2, = 3, 6 y n = 9. Nos piden calcular P (X > 10). Como no conocemos
el tama
no de la poblacion, supondremos que esta es infinita. Entonces, por el teorema 1.3.3, la
media y el error est
andar de la distribuci
on muestral de X son
3, 6
X = = 12, 2 y X = = = 1, 2.
n 9

Por consiguiente, la probabilidad requerida es
X X 10 X 10 X

P (X > 10) = P > = P Z>
X X X

10 12, 2
= P Z> = P (Z > 1, 83) = 1 P (Z 1, 83).
1, 2
Ahora, como la poblaci on es normal y la varianza poblacional es conocida, entonces, por el teorema
1.3.4, la distribuci
on muestral de la media muestral es normal o, lo que es equivalente, la variable
Z tiene normal est andar (comparese con la definici
on ??). Por tanto, teniendo que es la funci
on
de distribucion normal estandar, entonces, de la tabla normal del apendice, tenemos que
P (X > 10) = 1 P (Z 1, 83) = 1 (1, 83) = 1 0, 0336 = 0, 9664 97%.
Concluimos, entonces, que la probabilidad de que la media muestral sea mayor que un 10% es
aproximadamente del 97%.
Ejemplo 1.3.6 Un fabricante declara que la duraci on de las bujas que el fabrica sigue una
distribuci
on normal con una media de 36.000 kil ometros y una desviaci on est
andar de 4.000
kil
ometros. Para una muestra aleatoria de dieciseis bujas, se obtuvo una duraci on media de
34.500 kil
ometros. Si la afirmaci
on del fabricante es correcta, cu
al es la probabilidad de obtener
una media muestral tan peque na como esta o menor?
SOLUCION:
Tenemos que = 36.000, = 4.000 y n = 16. Nos piden calcular P (X < 34.500). Como no
conocemos el tama no de la poblaci
on, supondremos que esta es infinita. Entonces, por el teorema
1.3.3, la media y el error est
on muestral de X son
4.000
X = = 36.000 y X = = = 1.000.
n 16
X X 34.500 X 34.500 X

P (X < 34.500) = P < = P Z<
X X X

34.500 36.000
= P Z< = P (Z < 1, 5).
1.000
1.3.4, la distribuci
on muestral de la media muestral es normal o, lo que es equivalente, la variable
Z tiene normal est andar (comparese con la definici
on ??). Por tanto, teniendo que es la funci
on
de distribucion normal estandar, entonces, de la tabla normal del apendice, tenemos que
P (X < 34.500) = P (Z < 1, 5) = (1, 5) = 0, 0668 6, 68%.
El resultado nos indica que, en el caso de que la afirmaci

on del fabricante fuese correcta, la
probabilidad de obtener un valor tan bajo de la media muestral sera bastante peque
na. Esto
1.3. Distribucion
30
introduce ciertas dudas sobre la veracidad de la afirmaci on. En el captulo 3 discutiremos un

metodo general para contrastar tales afirmaciones o hip
otesis sobre la base de la evidencia muestral.
Ejemplo 1.3.7 Los tiempos requeridos para que unos trabajadores terminen cierta labor, se
distribuyen normalmente con media de 30 minutos y una desviaci on estandar de 9 minutos. Si
de la planta de trabajadores se toma una muestra aleatoria de 25, encuentre la probabilidad de
que la media del tiempo requerido para concluir la tarea en la muestra, este entre 28 y 33 minutos.
SOLUCION:
En este ejemplo, = 30, = 9 y n = 25. Nos piden calcular P (28 < X < 33). Como no
conocemos el tama no de la poblaci
on, supondremos que esta es infinita. Entonces, por el teorema
1.3.3, la media y el error est on muestral de X son
9
X = = 30 y X = = = 1, 8.
n 25

28 X 33 X

28 30 28 33
P (28 < X < 33) = P <Z< = P <Z<
X X 1, 8 1, 8
= P (1, 11 < Z < 1, 67) = P (Z < 1, 67) P (Z < 1, 11).
1.3.4, la variable Z tiene normal estandar. Por tanto, de la tabla normal del apendice, tenemos
que
P (28 < X < 33) = P (Z < 1, 67) P (Z < 1, 11) = (1, 67) (1, 11) = 0, 819 82%.
Por consiguiente, la probabilidad pedida es aproximadamente del 82%.
Ejemplo 1.3.8 Un estudio de tr ansito revela que el n

umero promedio de ocupantes de un auto
es 1,75. En una muestra de 50 autos con desviacion est
andar 0,65, seleccionada de una poblaci
on
normal, encuentre la probabilidad de que el numero promedio de ocupantes sea mayor que 2.
SOLUCION:
Nos piden calcular P (X > 2). Sabemos que = 1, 75, n = 50 y s = 0, 65. La media y error
est
on muestral de la media es

X = = 1, 75 y X = s/ n = 0, 092.
Por consiguiente, por el teorema 1.3.4 y teniendo en cuenta la tabla normal del apendice, se tiene
que
2 1, 75
P (X 2) = P Z = P (Z 2, 72) = 0, 9967.
0, 092
Por lo tanto, la probabilidad pedida estar

a dada por
P (X > 2) = 1 P (X 2) = 0, 0033.

Ejemplo 1.3.9 Una empresa emplea 1.500 personas. La cantidad promedio gastada, durante un
ano determinado, en servicios medicos personales por empleado fue de 2.575 d
olares y la desviaci
on
tpica de 525 d
olares. Cual es la probabilidad de que una muestra aleatoria de 100 empleados
(seleccionados sin reemplazo) arroje una media comprendida entre 2.500 y 2.700 d olares?
SOLUCION:
Tenemos que N = 1.500, = 2.575, = 525 y n = 100. Nos piden calcular P (2.500 X 2.700).
Teniendo en cuenta que la poblaci on dada es finita y que la varianza poblacional se conoce, en-
tonces, por la tabla de la figura 1.8, la media y el error est
on muestral de X
son
r r
N n 575 1.400
X = = 2.575 y X = = 50, 74.
n N 1 100 1.499

2.500 X 2.700 X

P (2.500 < X < 2.700) = P <Z<
X X

2.500 2.575 2.700 2.575
= P <Z<
50, 74 50, 74
= P (1, 48 < Z < 2, 46) = P (Z < 2, 46) P (Z < 1, 48).
Ahora, como la distribucion de la poblacion se desconoce y la varianza poblacional es conocida,

entonces, por el teorema 1.3.4, la variable Z tiene distribuci
on normal est
andar. Por tanto, de la
tabla normal del apendice, tenemos que
P (2.500 < X < 2.700) = P (Z < 2, 46) P (Z < 1, 48) = (2, 46) (1, 48)
= 0, 9931 0, 0694 = 0, 9237.
Por consiguiente, la probabilidad pedida es aproximadamente del 92, 37%.

nas
El teorema 1.3.4 afirma que, bajo ciertas condiciones especiales, la variable

X X
Z=
X
esta distribuida normalmente y tiene una media igual a 0 y una varianza igual a 1. Ademas,
tambien afirma que, en los casos en que la varianza sea desconocida y n 30, utilizamos
la desviacion muestral s como una estimacion de . Con esto, los teoremas 1.3.1 y 1.3.3 o,
mejor dicho, la tabla 1.8, se pueden reformular como se muestra en la tabla 1.9.
Ahora, cuando la la poblacion es normal con varianza poblacional desconocida y las mues-
tras son peque nas (n < 30), entonces, la distribucion muestral de la media muestral no
es la normal. Este caso, juega un rol bien importante una distribucion continua llamada
distribucion t de Student.
1.3. Distribucion
32
2
Tabla 1.9: X y X cuando s se usa como estimacion de 2 desconocida
X = Poblacion finita Poblacion infinita
2 s2 2 s2
Muestreo con reemplazo X = n
X = n
2 s2 N n 2 s2

Muestreo sin reemplazo X = n N 1
X = n
La distribuci
on t de Student
En 1908, el investigador estadstico W. S. Gosset5 describio la distribucion de la variable

x
t= s

n
cuando el muestreo se hace en una poblacion que esta distribuida normalmente. Esta dis-
n t de Student, nos permite hacer
tribucion, que se conoce con el nombre de distribucio
inferencias acerca de medias poblacionales cuando no se conoce la desviacion tpica de la
poblacion.
La dsitribucion t, de la misma manera que la distribucion normal estandar, tiene forma

de campana y tiene media igual a 0, alrededor de la cual es simetrica. Su varianza, en
cambio, es mayor que 1, hecho que origina que la tpica distribucion t sea menos aguda
en el centro y mas alta en las colas que la distribucion normal estandar. La figura 1.2
explica la relacion general entre la distribucion normal y una distribucion t.
El area total bajo la distribucion t es igual a 1. Hay una distribucion t diferente para cada
valor de n 1 (llamado grado de libertad). La figura 1.3 muestra las curvas de la
distribucion t para varios valores de n 1.
Hay tablas que se pueden usar en las plicaciones que requieren el uso de la distribucion t.
Una de estas es la tabla del apendice. La columna que esta mas a la izquierda de esta tabla
contiene diversos valores de n1, o grados de libertad. Los encabezamientos de las columnas
indican que proporcion del area total de la curva de la distribucion t, para determinado
numero de grados de libertada, se encuentra a la derecha del valor correspondiente de t
dado en el cuerpo de la tabla, como se muetra en el siguiente
5
William Sealy Gosset se graduo en matematicas en Oxford y trabajo en la cervecera Guinnes
Brewerie en Dublin (Irlanda). Gosset escriba bajo el seudonimo de Student puesto que los empleados
de Guinnes no estaban autorizados para publicar trabajos de investigaci on con su nombre. En general,
el desarroll
o una nueva teora estadstica al trabajar con muestras peque
nas y en experimentos donde
intervenan temperaturas en esa cervecera.

Figura 1.2: La distribucion normal y una distribucion t
Figura 1.3: Las curvas de la distribucion t para valores seleccionados de grados de libertad
n1
Ejemplo 1.3.10 Si estamos interesado en la distribuci on t para 8 grados de libertad, podemos

ver, con la tabla del apendice, que 0,10 del area bajo la curva se encuentra a la derecha de
t = 1, 397. Entonces, la proporci on respecto del area total del area que se encuentra a la derecha
de t = 1, 397 es igual a 1 0, 10 = 0, 90.
Utilizando el smbolo t8 para indicar que nos estamos refiriendo al valor de t con 8 grados de
libertad, podemos expresar las ideas anteriores escribiendo
P (t8 1, 397) = 0, 10 o P (t8 1, 397) = 0, 90.
De esta forma se esta mostrando que el area bajo la curva de la distribuci

on t representa una
probabilidad. La figura 1.4 muestra estas areas.
Por u
ltimo, es importante se
nalar que la distribucion t se aproxima a la distribucion normal
1.3. Distribucion
34
Figura 1.4: La distribucion t para 10 grados de libertad, mostrando el area a la derecha y

a la izquierda de t = 1, 397.
a medida que aumentan los grados de libertad. Para grados infinitos de libertad, las dos
distribuciones son identicas (por lo que la curva normal a veces recibe el nombre de curva t
con grados infinitos de libertad). Podemos verificar este hecho observando que los valores
de t en la u
ltima fila de la tabla del apendice son iguales a los valores de Z correspondientes
a valores de probabilidad determinados, tales como 0,10, 0,05, etc.
Distribuci
on muestral de la media muestral para muestras peque
nas
Si la poblacion tiene distribucion normal, la distribucion muestral de X sera normal, inde-

pendiente del tama no de la muestra, pero bajo la condicion de que la varianza poblacional
se conozca. Si, en cambio, la varianza es desconocida y si el tama no de las muestras se-
leccionadas es peque na (en la practica, se considera que el tamano de la muestra debe ser
menor que 30), aplicamos el siguiente teorema para determinar la distribucion muestral de
X.
Teorema 1.3.11 Si el muestreo se hace en una poblacion normal con varianza desconocida
y si las muestras seleccionadas son de tama
no n < 30, entonces, la distribuci
on muestral
de la media muestral X es la t de Student con n 1 grados de libertad.
XX
Este teorema implica que la variable aleatoria t = X on t con n 1 grados de
tiene distribuci
libertad. Aqu, X y varianza 2
X se calculan de acuerdo a las situaciones presentadas en la tabla 1.9.
Observemos que aunque la distribucion t se basa en la hipotesis de que el muestreo se hace

en una poblacion distribuida normalmente, algunos autores dicen que podemos tolerar

algunos distanciamientos de esta suposicion. En otras palabras, que podemos utilizar, en

la practica, la distribucion t, aunque la poblacion de donde se obtiene la muestra no este
distribuida normalmente, con la condicion de que el alejamiento respecto a la normalidad no
sea demasiado grande. Otros expertos recomiendan el empleo de la distribucion t siempre
y cuando la poblacion de donde se extrajo la muestra tenga forma de montculo. De todas
formas, en cualquier caso, recomendamos tener cuidado siempre al utilizar la distribucion
t.
Ejemplo 1.3.12 Suponga que de una poblaci on normal con media 20 se toma una muestra de
tama
no 16. Si la desviacion est
andar muestral es 4, encuentre la probabilidad de que la media
muestral sea estrictamente mayor que 21,753.
SOLUCION:
Tenemos que = 20, s = 4 y n = 16. Debido a que la poblaci on es normal con varianza descono-
cida y a que n < 30, entonces, aplicaremos el teorema 1.3.11. Es decir, la distribuci
on muestral
de la media muestral es la t de Student con n 1 = 15 grados de libertad. Teniendo en cuenta la
tabla de la figura 1.9, encontramos que
s 4
X = = 20 y X = = = 1.
n 16
Con esto, encontramos el valor de t15 para 21,753. Debido a que
X X 21, 753 20
t15 = = = 1, 753
X 1
y teniendo en cuenta la tabla t de Student con 15 grados de libertad, entonces, la pobabilidad

pedida ser
a
P (X > 21, 753) = P (t15 > 1, 753) = 0, 05 = 5%.
Ejemplo 1.3.13 Una muestra aleatoria de seis autos de un determinado modelo consumen las
siguientes cantidades en kil
ometros por litro:
18, 6 18, 4 19, 2 20, 8 19, 4 20, 5.
Determine la probabilidad de que el consumo de gasolina medio muestral de los autom oviles de
este modelo sea menor que 17,6 kil
ometros por litro, suponiendo que la distribuci
on de la poblacion
es normal con media 17.

SOLUCION:
Tenemos que = 17 Py, en este caso, la muestra escogida es de tama no n = 6. La media de la
muestra dada es x = nxi = 116,9
6 = 19, 4833 y con esto la varianza de esta muestra es
x2i nx2 2.2282, 41 (6)(19, 4833)2

P
2
s = = = 0, 96.
n1 61
1.3. Distribucion
36

Por consiguiente, la desviaci
on est
andar de esta muestra es s = 0, 96 = 0, 98. Debido a que la
poblacion es normal con varianza desconocida y a que n < 30, entonces, por el teorema 1.3.11, la
distribuci
on muestral de la media muestral es la t de Student con n 1 = 5 grados de libertad.
Teniendo en cuenta la tabla de la figura 1.9, encontramos que
s 0, 98
X = = 20, 1 y X = = 0, 4.
n 6
Con esto, el valor de t5 para 17,6 es
X X 17, 6 17
t5 = = = 1, 5
X 0, 4
y con ayuda de la tabla t de Student con 15 grados de libertad, entonces, la probabilidad pedida
ser
a
P (X 17, 6) = P (t5 1, 5) = 1 P (t5 > 1, 5) 1 0, 10 = 0, 90.
on 1.3
18. Un determinado centro comercial ha encontrado que sus ingresos tienen un promedio de
12,4 millones de pesos por da con desviaci
on est
andar de 2,9. Para una muestra aleatoria
de 40 clientes, encuentre la probabilidad de que el ingreso promedio
(a) sea menor que 13 millones de pesos.

(b) exceda los 12 millones de pesos.
(c) este entre 11,5 y 13,1 millones de pesos.
(d) exceda los 12,6 millones de pesos.
18. (a) 0,5089 (b) 0,8078 (c) 0,9120 (d) 0,33
19. Una m aquina autom atica llena bolsas de arroz con un promedio de 16 libras por bolsa y
desviaci
on est
andar de 0,5 libras. Cu
al es la probabilidad de que una muestra de 35 bolsas
de arroz tenga una media de llenado
(a) mayor que 16,1 libras?

(b) entre 15,9 y 16,1 libras?
19. (a) 0,1190 (b) 0,7620
20. Cinco mil personas se presentaron a un control de peso. El peso promedio fue 75 kilogramos
y la desviaci
on est
andar 10. Si de esta poblaci
on de pesos se toman 300 muestras aleatorias
de tamano 40, encuentre:
(a) x y x .
(b) el n
umero aproximado de medias muestrales que caen entre 73 y 77 kilogramos.

(c) la cantidad aproximada de medias muestrales superiores a 72 kilogramos.

20. (a) 75; 1,58 (b) Aprox. 239 (c) Aprox. 291
21. Si se extraen todas las muestras posibles de tama

no 16 de una poblaci
on normal con media
igual a 50 y desviacion est
andar igual a 5, cual es la probabilidad de que una media
muestral X caiga en el intervalo que va de X 1, 9X a X 0, 4X ? Suponga que las
medias muestrales se pueden medir con cualquier grado de precision.
21. 0,3159
22. El n
umero de clientes que entran diariamente a un prestigioso centro comercial se distribuye
normalmente con una media de 220 y una desviaci on estandar de 50. Si se analiza una
muestra de 12 das para estimar el n
umero promedio de clientes que entran diariamente a
ese centro comercial, encuentre la probabilidad de que la muestra produzca un promedio
menor que 300 clientes.
23. Se empacan bolsas de cierto tipo de material con un peso medio de 78,3 kilogramos y una
desviaci
on est
andar de 5,6 kilogramos. C omo cambia la varianza de la media muestral
cuando el tama no de la muestra (a) aumenta de 64 a 196, (b) disminuye de 784 a 49?
23. (a) Se reduce de 0,7 a 0,4 (b) Aumenta de 0,2 a 0,8
24. Una m aquina empacadora de bolsas de sal se ajusta para que la cantidad de producto que
empaca promedie 240 gramos con una desviaci on est
andar de 15 gramos. La m aquina se
verifica peri
odicamente tomando una muestra de 40 bolsas de sal y se calcula el contenido
promedio. Si la media de las 40 bolsas de sal es un valor dentro del intervalo X 2X , se
piensa que la m aquina opera satisfactoriamente; de otra forma, se ajusta. Supongamos que
el funcionario de la compana encuentra que la media de 40 bolsas de sal es x = 236 mililitros
y concluye que la m aquina no necesita un ajuste. Fue esta una decisi on razonable?
24. S
25. La variable aleatoria X que representa el n umero de personas que trabajan en un banco,
tiene la siguiente funci
on de probabilidad f :
x 4 5 6 7
f (x) 0,2 0,4 0,3 0,1
(a) Encuentre la media y la varianza 2 de X.

2 de la media X para muestras aleatorias de 36
(b) Encuentre la media X y la varianza X
bancos.
(c) Cu
al es la probabilidad de que el n
umero promedio de personas que trabajan en 36
bancos sea menor que 5,5?
25. (a) 5,3; 0,81
26. Consulte el ejercicio 90 y suponga que la distribuci

on de la longitud es normal.
1.3. Distribucion
38
(a) Calcule P (11, 99 X 12, 01) cuando n = 16.

(b) Cu
al es la probabilidad de que la longitud media muestral exceda 12, 01 cuando n = 25?
26. (a) 0,6826 (b) 0,1056
27. Un curso de estadstica tiene 40 estudiantes. Con base en los a

nos de experiencias, el profesor
sabe que el tiempo necesario para calificar un primer examen seleccionando al azar, es una
variable aleatoria con media de 6 minutos y desviaci on estandar de 6 minutos.
(a) Si los tiempos para calificar son independientes y el profesor comienza a calificar a las
2:50 p.m. y lo hace en forma continua, cu al es la probabilidad (aproximada) de que
termine de calificar antes del inicio de las noticias de las 7:00 p.m. por TV?
(b) Si la secci
on deportiva empieza a las 7:10, cual es la probabilidad de que se pierda
parte de esa secci
on si espera hasta terminar antes de encender el televisor?
27. (a) 0,6026 (b) 0,2981
28. El gasto mensual en fotocopias por parte de un estudiante tiene un valor medio de 10.000
pesos y una desviaci
on est
andar de 500 pesos.
(a) Cual es la probabilidad de que el gasto promedio de una muestra aleatoria de 40

estudiantes este entre 9.900 y 10.200 pesos?
(b) Si el tam
no muestral hubiese sido 15, en lugar de 40, podra calcularse la probabilidad
pedida en el inciso (a) a partir de la informaci
on dada?
29. El tiempo utilizado por una persona seleccionada al azar para llenar un formulario tiene
una distribuci
on normal con una media de 10 minutos y desviaci on est
andar de 2 minutos.
Si cinco personas llenan un formulario en un da y seis en otro, cu
al es la probabilidad de
que la cantidad de tiempo promedio de la muestra diaria sea a lo sumo 11 minutos?
29. 0,7720
30. El tiempo de vida de cierto tipo de batera est

a normalmente distribuida con media de 8
horas y desviacion est
andar de 1 hora. Hay cuatro bateras en una caja. Cu al es el valor
de duracion, de tal modo que la duraci
on total de todas las bateras de una caja exceda ese
valor en s
olo 5% de todas las cajas?
31. Se sabe que el di

ametro de una olla de cierto tipo tiene una media de 50 cm y deviaci
on
est
andar de 1,2 cm.
(a) Si la distribuci
on es normal, cu
al es la probabilidad de que el di
ametro muestral medio
para una muestra aleatoria de 9 ollas sea por lo menos de 51 cm?
(b) Cu
al es la probabilidad (aproximada) de que el di ametro muestral medio para una
muestra aleatoria de 40 ollas sea al menos de 51 cm?
31. (a) 0,0062 (b) 0
32. Suponga que la longitud de un tornillo seleccionando al azar est

anormalmente distribuida
con media 2,65 cm y desviaci
on est
andar 0,85 cm.

(a) Si se selecciona una muestra aleatoria de 25 tornillos, cu

al es la probabilidad de que
la longitud promedio del tornillo muestral sea a lo sumo 3 cm? Y entre 2,65 y 3 cm?
(b) Quetan grande se requerira un tamano muestral para asegurar que la primera proba-
bilidad de inciso (a) sea por lo menos 0,99?
33. Si la experiencia indica que un 40% de todos los clientes que entran a un determinado local
son fumadoras, calcule la probabilidad (aproximada) de que en un grupo de 50 personas:
(a) Por lo menos 25 fumen. [Sugerencia: aproximaci

on normal a la binomial.]
(b) Entre 15 y 25 (ambos inclusive) fumen.
33. (a) 0,0968 (b) 0,8882
34. El n
umero de conductores que viajan entre cierto origen y destino, durante un determinado
periodo, tiene una distribuci
on de Poisson con par
ametro = 50. Cu al es la probabilidad
aproximada de que:
(a) la cantidad de conductores este entre 35 y 70? [Sugerencia: cuando es grande,una va

de Poisson tiene aproximadamente una distribuci on normal.]
(b) El n
umero total de conductores durante una semana de 5 das este entre 225 y 275?
35. Suponga que el tiempo (en horas) empleado por el gerente de una empresa para elaborar un
presentar un determinado proyecto es una variable aleatoria X que tiene una distribuci
on
gamma con par ametro = 50 y = 2. Debido a que es grande, se puede demostrar
que Xtiene aproximadamente una distribuci on normal. Utilice este hecho para calcular
la probabilidad de que un gerente seleccionado al azar demore a lo sumo 125 horas en la
elaboraci
on del proyecto.
35. 0,9616
36. La duracion de ciertos componentes electricos producidos por una determinada empresa
tiene una media de 1.200 horas y una desviacion est
andar de 400 horas. La poblaci
on sigue
una distribuci
on normal. Suponga que usted ha comprado 9 bombillas, que pueden ser
consideradas como una muestra aleatoria de la producci on de la empresa.
(a) Cu
al es la media de la media muestral de la duraci
on de estos componentes electricos?
(b) Cu
al es la varianza de la media muestral?
(c) Cu
al es el error est
andar de la media muestral?
(d) Cu al es la probabilidad de que el tiempo medio de duraci
on de tres componentes
electricos sea de menos de 1.050 horas?
36. (a) 1.200 (b) 17.778 (c) 133,33 (d) 0,1303
37. El precio medio de venta de ciertos autos durante el u ltimo ano en cierta ciudad fue de
115.000 d
olares. La desviaci
on est
andar de la poblaci
on fue de 25.000 d
olares. Se toma una
muestra aleatoria de 100 autos nuevos de esta ciudad.
1.3. Distribucion
40
(a) Cual es la probabilidad de que la media muestral de los precios de venta se menor que
110.000 d olares?
(b) Cual es la probabilidad de que la media muestral de los precios de venta este entre
113.000 dolares y 117.000 d
olares?
(c) Cual es la probabilidad de que la media muestral de los precios de venta este entre
114.000 y 116.000 dolares?
(d) Sin hacer los c
alculos, razonar en cu
al de los siguientes rangos resulta m
as probable que
se encuentre la media muestral de los precios de venta:
113.000 d
olares - 115.000 d
olares
114.000 d
olares - 116.000 d
olares
115.000 d
olares - 117.000 d
olares
116.000 d
olares - 118.000 d
olares
37. (a) 0,9772 (b) 0,5762 (c) 0,3108 (d) 114.000 d
olares - 116.000 d
olares
38. Se ha tomado una muestra aleatoria de 16 profesores de cierta universidad, con el fin de
estimar el tiempo medio diario que emplean en desplazarse para ir hasta su trabajo. Supong-
amos que la distribuci
on de dichos tiempos en la poblaci
on sigue una normal con media de
87 minutos y desviaci
on est
andar de 22 minutos.
(a) Cu
al es el error est
andar de la media muestral de los tiempos de desplazamiento?
(b) Cu
al es la probabilidad de que la media muestral sea menor que 100 minutos?
(c) Cu
al es la probabilidad de que la media muestral sea mayor que 80 minutos?
(d) Cual es la probabilidad de que la media muestral tome una valor que este entre 85 y
95 minutos?
(e) Supongamos que se toma una segunda muestra de 15 profesores, independiente de la
anterior. Sin hacer los c
alculos, razonar si las probabilidades calculadas en los apartados
(b), (c) y (d) ser
an mayores, menores o iguales para esta segunda muestra?. Utilizar
gr
aficos para ilustrar las respuestas.
38. (a) 5,5 (b) 0,9909 (c) 0,8980 (d) 0,4329 (e) mayor, mayor, menor
39. La desviacion est

andar de la renta pagada mensualmente por las personas de cierta ciudad
es de 40 d
olares. Se toma una muestra de 100 personas con el fin de estimar la renta media
pagada mensualmente por el total de la poblacion de personas.
(a) Cu
al es el error est
andar de la media muestral de la cuota mensual?
(b) Cu
al es la probabilidad de que la media muestral exceda a la media poblacional en
m
as de 5 dolares?
(c) Cual es la probabilidad de que la media muestral este m
as de 4 d
olares por debajo de
la media poblacional?
(d) Cu
al es la probabilidad de que la media muestral difiera de la media poblacional en
m
as de 3 dolares?

39. (a) 4 (b) 0,1056 (c) 0,1587 (d) 0,4532
40. El tiempo que dedican a trabajar las personas de una empresa antes de un da festivo sigue
una distribucion normal con una desviaci on est andar de 8 horas. Se toma una muestra
aleatoria de 4 personas con el fin de estimar el tiempo medio de trabajo para esta poblaci
on
de personas.
(a) Cual es la probabilidad de que la media muestral exceda a la media poblacional en

mas de 2 horas?
(b) Cual es la probabilidad de que la media muestral este m
as de 3 horas por debajo de
(c) Cual es la probabilidad de que la media muestral difiera de la media poblacional en
mas de 4 horas?
(d) Supongamos que se toma una segunda muestra de 10 personas, independiente de la
anterior. Sin hacer los c
alculos, razonar si las probabilidades calculadas en los apartados
(a), (b) y (c) ser
an mayores, menores o iguales para esta segunda muestra?.
41. Una industria produce bolsas de azucar cuyos pesos siguen una distribuci
on normal con una
desviaci
on est
andar de 1,6 gramos. Se selecciona un muestra de 100 lotes a fin de estimar
la media poblacional del peso de las bolsas de az
ucar.
(a) 0,05 es la probabilidad de que la media muestral del peso exceda a la media poblacional,
en que cantidad?
(b) 0,1 es la probabilidad de que la media muestral del peso este por debajo de la media
poblacional, en que cantidad?
(c) 0,15 es la probabilidad de que la media muestral del peso difiera de la media poblacional,
en que cantidad?
41. (a) 0,26 (b) 0,20 (c) 0,23
42. En una univesidad, 250 estudiantes se han matriculado para un curso de Estadstica Inferen-
cial. Cada uno de los integrantes de una muestra aleatoria de 50 estudiantes es interrogado
con el fin de estimar la cantidad de tiempo que gasta semanalmente en resolver los problemas
de estadstica. Supongamos que la desviaci on tpica de la poblaci
on es de 30 minutos.
(a) Cual es la probabilidad de que la media muestral exceda a la media poblacional en

mas de 2,5 minutos?
(b) Cual es la probabilidad de que la media muestral este m
as de 5 minutos por debajo de
(c) Cual es la probabilidad de que la media muestral difiera de la media poblacional en
mas de 10 minutos?
42. (a) 0,2546 (b) 0,0951 (c) 0,0086
1.3. Distribucion
42
1.4 Distribuci
on muestral de una proporci
on muestral
Proporciones muestrales
Como ya se dijo en la seccion ??, si se repite n veces un experimento que tiene probabilidad
de exito p, entonces, la variable aleatoria X, que representa al n umero total de exitos en
las n repeticiones, sigue una distribucion binomial. Un problema bastante com um consiste
en que el parametro p sea desconocido. Por ejemplo, podemos estar interesados en deter-
minar cual es la proporcion del electorado que tiene intencion de votar a un determinado
candidato, o la proporcion de lectores de revistas que podran estar en el mercado de un
producto especfico. En situaciones de este tipo, sera natural basar nuestra inferencia en la
proporcion de exitos en una muestra tomada de la poblacion que nos interese.
Definici on 1.4.1 Sea X el n umero de exitos en una muestra binomial de n observaciones,

donde la probabilidad de exito es p. Entonces, la proporcion de exitos en la muestra p = Xn
recibe el nombre de proporcio n muestral.
ametro p ser
En la mayora de las aplicaciones, el par a la proporci
on de individuos de una gran
on que posean la caracterstica de interes.
poblaci
La media y la varianza de proporciones muestrales
La media p y la varianza p2 de la distribucion muestral de la proporcion muestral pueden

deducirse facilmente a partir de la media y la varianza del n umero de exitos que, como
vimos en el teorema ??, vienen dadas por
E(X) = np y V (X) = np(1 p).
De aqu y con ayuda de la parte (b) de los teoremas ?? y ??, obtenemos que

X 1
p = E(p) = E = E(X) = p,
n n

X 1 p(1 p)
p2 = V (p) = V = 2 V (X) = .
n n n
Es decir, la media de la proporcion muestral es la proporcion p de exitos en la poblacion y

su varianza es p(1 p)/n.
De nuevo, la desviacion tpica de la proporcion muestral, que es la raz cuadrada de su

varianza, recibe el nombre de error esta ndar.

Si el n
umero N de individuos en la poblacion no es demasiado grande, comparado con
el n
umero de individuos de la muestra, en la expresion de la varianza de la proporcion
n por poblacio
muestral sera necesaria una correccio n finita. La varianza sera en-
tonces
2 N n p(1 p)
p = .
N 1 n
Todo esto se puede resumir como se muestra a continuacion en el siguiente
Teorema 1.4.2 Sea p la proporcion de exitos en una muestra aleatoria de n observaciones.

Sea p la proporcion de exitos en la poblaci on. Entonces, la distribuci
on muestral de la
2
proporcion muestral p tiene media p = p y varianza p dada por
p(1p)
, si la poblaci
on es infinita,
n

p2 = N n
p(1p)

N 1 n
, si la poblaci
on es finita, de tama
no N y si N

no es demasiado grande en comparaci on con n.

Forma funcional de la distribuci

on de proporciones muestrales
En el teorema de la aproximacion de la distribucion binomial a la normal (vease los teore-

mas ?? y ??) ya se dijo que, bajo ciertas condiciones especiales, la distribucion del n
umero
de exitos es aproximadamente normal. Esto mismo es tambien cierto para la proporcion de
exitos, como lo muestra el siguiente teorema de De Moivre-Laplace.
Teorema 1.4.3 (Teorema de De Moivre-Laplace) Sea p la proporcion de exitos en

una muestra aleatoria de n observaciones. Si se cumple alguna de las dos condiciones
siguientes:
n 30 o
np 5 y n(1 p) 5,
entonces, la distribucion muestral de la proporcion muestral p se puede aproximar con una

distribucion normal.
pp
Este teorema implica que la variable aleatoria Z = p tiene distribuci
on normal. Aqu, p y
varianza p se calculan de acuerdo al teorema 1.4.2.
muestral de una proporcion

1.4. Distribucion muestral
44
Notese que para p fijo, el error estandar de la proporcion muestral disminuye a medida que
crece el tama no muestral. Esto implica que, al aumentar el tama no muestral, la distribucion
de p se concentra mas alrededor de su media, como puede observarse en la figura 1.5. Esto
a su vez supone que, para cualquier proporcion poblacional particular, la probabilidad de
que la proporcion muestral y la poblacional difieran en mas de una cantidad fija disminuye
a medida que crece el tama no muestral. En otras palabras, si tomamos una muestra mayor
de la poblacion, nuestra inferencia acerca de la proporcion de individuos que poseen alguna
caracterstica particular se hara mas firme.
Figura 1.5: Funcion de densidad de probabilidad de las proporciones muestrales en muestras

de 100 y 400 observaciones cuando la proporcion poblacional es 0,8.
Cuando el tama no muestral es grande, la aproximacion normal de la distribucion bino-

mial proporciona un procedimiento muy adecuado para calcular la probabilidad de que la
proporcion muestral este dentro de un determinado rango. Vamos a ilustrar esto con los
ejemplos siguientes.
Ejemplo 1.4.4 Se toma una muestra de 250 casas de una poblaci on de edificios antiguos para es-
timar la proporcion de casas de este tipo cuya instalacion electrica resulta insegura. Supongamos
que, de hecho, el 30% de todos los edificios de esta poblaci on tienen una instalaci on insegura.
Hallar la probabilidad de que la proporcion de edificios de la muestra con instalaci on insegura este
entre 0,25 y 0,35.

SOLUCION:
Tenemos que p = 0, 30 y n = 250. Por consiguiente, teniendo en cuenta el teorema 1.4.2, tenemos
que
r r
p(1 p) (0, 30)(0, 70)
p = p = 0, 30 y p = = = 0, 029.
n 250


0, 25 p 0, 35 p
P (0, 25 < p < 0, 35) = P <Z<
p p

0, 25 0, 30 0, 35 0, 30
= P <Z<
0, 029 0, 029
= P (1, 72 < Z < 1, 72) = P (Z < 1, 72) P (Z < 1, 72).
Ahora, como n 30, entonces, por el teorema de De Moivre-Laplace (teorema 1.4.3), la variable
Z tiene distribuci
on normal est
andar. Por tanto, de la tabla normal del apendice, tenemos que
P (0, 25 < p < 0, 35) = P (Z < 1, 72) P (Z < 1, 72) = (1, 72) (1, 72)
= 0, 9573 0, 0427 = 0, 9146.
Por tanto, la proporci

on de casas con instalaci
on insegura estar
a dentro de este rango para,
aproximadamente, el 91,5% de las muestras de 250 observaciones de esta poblaci
on.
Ejemplo 1.4.5 Se desea estudiar una muestra de 20 personas para saber la proporci on de ellas
que tienen mas de 40 a
nos. Sabiendo que la proporcion en la poblaci
on es del 40%, cu
al es la
probabilidad de que la proporci
on en la muestra sea menor del 50%?
SOLUCION:
Aqu, n = 20 y p = 0, 4. Por el teorema 1.4.2, tenemos que
r r
p(1 p) (0, 4)(0, 6)
p = p = 0, 4 y p = = 0, 1095.
n 20
Por consiguiente, la probabilidad pedida es

0, 5 p 0, 5 0, 4
P (p < 0, 5) = P Z < = P Z< = P (Z < 0, 91).
p 0, 1095
Ahora, observe que n < 30. Pero, debido a que
np = 8 5,
n(1 p) = 12 5,
entonces, por el teorema de De Moivre-Laplace (teorema 1.4.3), la variable Z tiene distribuci

on
normal est
andar. Con esto y con la tabla normal del apendice, tenemos que
P (p < 0, 5) = P (Z < 0, 91) = (0, 91) = 0, 8186.
Por tanto, la probabilidad de que la proporci

on en la muestra sea menor del 50% es aproximada-
mente del 82%.

46
Ejemplo 1.4.6 Hallar la probabilidad de que en 200 lanzamientos de una moneda no falsa, el
n
umero de caras este comprendido en el 40% y el 60%.
SOLUCION:
En este caso, n = 200 y p = P (cara) = 0, 5. Ahora, por el teorema 1.4.2, tenemos que
r r
p(1 p) (0, 5)(0, 5)
p = p = 0, 5 y p = = 0, 035.
n 200

0, 4 p 0, 6 p
P (0, 4 < p < 0, 6) = P <Z<
p p

0, 4 0, 5 0, 6 0, 5
= P <Z<
0, 035 0, 035
= P (2, 83 < Z < 2, 83) = P (Z < 2, 83) P (Z < 2, 83).
Ahora, como n 30, entonces, por el teorema de De Moivre-Laplace (teorema 1.4.3), la variable
Z tiene distribuci
on normal est
andar. Por tanto, de la tabla normal del apendice, tenemos que
P (0, 4 < p < 0, 6) = P (Z < 2, 83) P (Z < 2, 83) = (2, 83) (2, 83)
= 0, 9977 0, 0023 = 0, 9954.
Por tanto, la probabilidad de que en 200 lanzamientos de una moneda no falsa, el n

umero de caras
este comprendido en el 40% y el 60%, es aproximadamente del 99,5%.
on 1.4
43. El 5% de todos los tornillos fabricados por cierta empresa estan defectuosos. Suponga que
de 1.500 tornillos recien fabricados se toma una muestra aleatoria de 50 y que p representa
el porcentaje de los defectuosos.
(a) Describa la distribuci

on muestral de p y encuentre p y p.
(b) Encuentre P (p < 0, 08).
(c) Calcule P (0.01 < p < 0, 10).
(d) Determine P (p > 0, 04).
43. (a) Aproximadamente normal; 0,05; 0,03 (b) 0,8340 (c) 0,8506 (d) 0,6225
44. Cierta ciudad europea tiene un porcentaje de desempleo de 12%. Para un estudio de 500
personas, sea p el porcentaje de desempleados en esta muestra. Encuentre (a) P (p > 0, 11)
y (b) P (0, 11 < p < 0, 13).
45. Si un medicamento es efectivo en un 80% para tratar ciertas enfermedad, y una muestra
aleatoria de 500 pacientes recibe el medicamento, encuentre las probabilidades siguientes si
p representa el porcentaje de tratamientos en los que hay efectividad:

(a) P (p > 0, 81)

(b) P (0, 70 < p < 0, 81)
(c) P (p < 0, 84)
45. (a) 0,2877 (b) 0,7123 (c) 0,9875
46. De acuerdo con un estudio reciente en cierto pas, de 500 personas el 75% est
a de acuerdo
con un referendo. Dando por v
alida la proporci andola por p, encuentre:
on citada y represent
(a) el error est

andar de la proporci
on.
(b) un intervalo centrado en 0,75 que contenga 90% de las proporciones muestrales.
46. (a) 0,0194 (b) 0,73 - 0,77
47. En el ano 2005, los habitantes de cierto pas votaron en un referendum acerca de una nueva
ley. En cierto estado, el 42,4% de las personas que votaron lo hicieron en favor de la nueva
ley. Se tomo una muestra aleatoria de 100 votantes de dicho estado.
(a) Cual es la media, la varianza y el error est

on muestral que est
aa
favor de la nueva ley?
(b) Cu
al es la probabilidad de que la proporci
on muestral sea mayor que 0,5?
47. (a) 0,424; 0,00244; 0,04942 (b) 0,0618
48. El propietario de cierto local comercial ha comprobado que el 20% de los clientes que entran
en su local realizan alguna compra. Cierta tarde, entraron en esta tienda 180 personas, que
pueden ser considerados como una muestra aleatoria de todos sus clientes.
(a) Cual es la media, la varianza y el error est

on muestral de clientes
que realizaron alguna compra?
(b) Cu
al es la probabilidad de que la proporci
on muestral sea menor que 0,15?
48. (a) 0,2; 0,000889; 0,0298 (b) 0,0465
49. Una empresa ha recibido 120 solicitudes de trabajo de estudiantes que acaban de terminar
su carrera de administraci
on de empresas. Suponiendo que estas solicitudes pueden ser
consideradas como una muestra aleatoria de todos los licenciados, cu
al es la probabilidad
de que entre un 35% y un 45% de las solicitudes correspondan a mujeres si se sabe que el
40% de los administradores de empresas que acaban de terminar su carrera son mujeres?
49. 0,7372
50. Una entidad bancaria est a considerando una nueva emisi on de bonos convertibles. Sus
directores piensan que la oferta resultar
a atractiva para el 20% de los accionistas actuales.
Supongamos que su creencia es acertada. Se toma una muestra aleatoria de 130 accionistas.
(a) Cual es el error est

on muestral de accionistas que encontrar
an
atractiva la oferta?
(b) Cu
al es la probabilidad de que esta proporci
on muestral sea superior a 0,15?

48
(c) Cu
on muestral este entre 0,18 y 0,22?
50. (a) 0,0351 (b) 0,9236 (c) 0,4314 (d) mayor, mayor
51. Se toma una muestra aleatoria de 100 personas de cierto estado con el fin de estimar la
proporcion de encuestados que est a a favor de un incremento en los impuestos sobre la
tarifa de los servicios p
ublicos para contar as con un ingreso adicional para las personas de
la tercera edad. Cu al es el mayor valor que puede tomar el error estandar de la proporcion
muestral de esta medida?
51. 0,05
52. Una empresa quiere estimar la proporci on de personas que son posibles compradores de
cierto servicio de telefona m
ovil y que ven las transmisiones de los partidos de f
utbol del
campeonato local. Se toma una muestra de 120 individuos que se identificaron como posibles
compradores del servicio de telefona m ovil . Supongamos que la proporci on de posibles
compradores del servicio de telefona m ovil en la poblaci
on que ven estas transmisiones es
0,25.
(a) 0,10 es la probabilidad de que la proporci

on muestral exceda a la proporci
on poblacional,
en que valor?
(b) 0,05 es la probabilidad de que la proporci
on muestral este por debajo de la proporci
on
poblacional, en que valor?
(c) 0,30 es la probabilidad de que la proporci
on muestral difiera de la proporci
on pobla-
cional, en que valor?
52. (a) 0,051 (b) 0,065 (c) 0,041
53. Suponga que el 50% de los colombianos adultos opinan que la tasa de desempleo al final del
presente a
no ser
a mucho mayor en comparacion de a
nos anteriores. Cu
al es la probabilidad
de que mas del 58% de las personas de una muestra aleatoria de 250 colombianos adultos
tenga esta opini
on?
53. 0,0057
54. Un colegio europeo cuenta con un total de 528 estudiantes. De ellos, 211 son extranjeros.
Se toma una muestra aleatoria de 120 de estos estudiantes.
(a) Cu
al es el error est
on muestral de alumnos que son extranjeros?
(b) Cu
on muestral sea menor que 0,33?
54. (a) 0,039 (b) 0,0384 (c) 0,4906
55. El incremento porcentual anual del salario mnimo de los trabajadores de cierta empresa
sigue una distribuci
on normal con media del 12,2% y una desviaci on est
andar del 3,6%.
Se toma una muestra aleatoria de 81 de los trabajadores de esta empresa. Cu al es la
probabilidad de que m as de la mitad de los individuos de la muestra tengan incrementos
salariales menores del 10%?
55. Pr
acticamente cero.

1.5 Distribuci
on muestral de diferencia de dos propor-
ciones muestrales
En muchas situaciones practicas el investigador necesita hacer inferencias sobre la diferencia
entre dos proporciones poblacionales. A continuacion se dan algunos ejemplos:
Poltica. Existe alguna diferencia entre los porcentajes de liberales y conservadores

que esten a favor de una cierta ley?
Medicina. Es mas alto el porcentaje de los casos de cancer pulmonar en una poblacion
que fuma que en otra compuesta por no fumadores?
Administracion. Hay diferencia entre los porcentajes de hombres y mujeres en posi-

ciones gerenciales?
Educacion. Es diferente la proporcion de alumnos que han aprendido a leer por

un metodo de ense
nanza con la de los que han aprendido a leer por otro metodo
diferente?
Mercado. Es mayor el porcentaje de bebederos de gaseosa prefieren Coca cola que

el de los que toman Pepsi?
Sociologa. Hay diferencia entre las proporciones de gente urbana y rural que esta a
favor de cierta ley?
La distribucion muestral mas importante en estos casos es es la de la diferencia entre dos

proporciones muestrales. Para construir esta distribucion empricamente, hay que tomar
dos muestras aleatorias independientes procedentes de ambas poblaciones.
Supongamos que una muestra de n1 observaciones de una poblacion con una proporcion p1
de exitos da lugar a una proporcion muestral p1 , y que se obtiene una proporcion mues-
tral p2 al examinar una muestra aleatoria independiente de n2 observaciones procedentes de
una poblacion con proporcion p2 de exitos. Dado que estamos interesados en la diferncia
poblacional p1 p2 , parece logico estudiar el comportamiento de la variable aleatoria p1 p2 .
Su media es
E(p1 p2 ) = E(p1 ) E(p2 ) = p1 p2
y, debido a que las muestras se extrajeron independientemente, la varianza
p1 (1 p1 ) p2 (1 p2 )
V (p1 p2 ) = V (p1 ) + E(p2 ) = + .
n1 n2
muestral de diferencia de dos proporciones muestrales

1.5. Distribucion
50
Ademas, si los tama nos muestrales son grandes, la distribucion de esta variable es aprox-
imadamente normal, por lo que si le restamos su media y la dividimos por la desviacion
tpica, el resultado es una variable normal estandar. As pues, la variable aleatoria
(p1 p2 ) (p1 p2 )
Z = q
p1 (1p1 )
n1
+ p2 (1p
n2
2)
sigue una distribucion normal estandar. Todos estos resultados expuestos hasta aqu se
resumen en el siguiente
Teorema 1.5.1 Sea p1 la proporcion de exitos observada en una muestra aleatoria de

tama no n1 , procedente de una poblaci on con proporcion p1 de exitos, y sea p2 la proporcion
de exitos observada en una muestra aleatoria independiente de tama no n2 , procedente de una
poblacion con proporcion de exitos p1 . Si los tama
nos muestrales son grandes, entonces, la
distribucion muestral de p1 p2 es la normal con media p1 p2 y varianza p1 (1p n1
1)
+ p2 (1p
n2
2)
.
(p p2 ) (p1 p2 )
Este teorema implica que la variable aleatoria Z = q 1
p1 (1p1 ) p (1p )
tiene distribuci
on normal
n + 2 n 2
1 2
est
andar. Adem
as, esta aproximaci
on es v
alida si se cumple alguna de las dos condiciones siguientes:
n1 30 y n2 30.
n1 p1 5, n1 (1 p1 ) 5, n2 p2 5 y n2 (1 p2 ) 5.
Considere el siguiente ejemplo, el cual ilustra la distribucion muestral de la diferencia entre

las proporciones muestrales.
Ejemplo 1.5.2 Los hombres y mujeres adultos radicados en una ciudad grande del norte de
cierto pais difieren en sus opiniones sobre la promulgacion de la pena de muerte para personas
culpables de asesinato. Se cree que el 12% de los hombres adultos est an a favor de la pena de
muerte, mientras que s olo el 10% de las mujeres adultas lo est
an. Si se pregunta a dos muestras
aleatorias, una de 150 hombres y otra de 100 mujeres, su opinion sobre la promulgacion de la pena
de muerte para personas culpables de asesinato, determine la probabilidad de que el porcentaje
de hombres a favor sea al menos 3% mayor que el de mujeres.
SOLUCION:
Representemos con p1 el porcentaje de hombres a favor de la pena de muerte y con p2 el de mu-
jeres. Como consecuencia del teorema 1.5.1, la media de la distribuci
on muestral de las diferencias
entre las proporciones muestrales es:
p1 p2 = p1 p2 = 0, 12 0, 10 = 0, 02
y el error est
andar de las diferencias entre las proporciones muestrales es
s r
p1 (1 p1 ) p2 (1 p2 ) (0, 12)(0, 88) (0, 10)(0, 90)
p1 p2 = + = + = 0, 04.
n1 n2 150 100

Entonces, el valor Z para p1 p2 = 0, 03 est

a dado por
(p1 p2 ) p1 p2 0, 03 0, 02 0, 01
Z = = = = 0, 25.
p1 p2 0, 04 0, 04
Facilmente, podemos verificar que se cumplen las condiciones que se necesitan para poder utilizar
la aproximacion del teorema 1.5.1. Por tanto, por este teorema, la probabilidad pedida ser
a
P (p1 p2 0, 03) = P (Z 0, 25) = 1 P (Z 0, 25) = 1 0, 5987 = 0, 4013.
Concluimos as que la probabilidad de que el porcentaje de hombres a favor de la pena de muerte

para culpables de asesinatos sea al menos 3% mayor que el de mujeres es 0,4013.
on 1.5
56. En una muestra aleatoria simple de 150 ingenieros que haban culminado su carrera en
universidades privadas, 45 gozan de una estabilidad econ
omica. En una muestra aleatoria
simple independiente de 200 ingenieros que haban culminado su carrera en universidades
publicas, 20 gozan de una estabilidad economica. Supongamos que la proporci on de los
ingeniron que gozan una estabilidad econ omica es de 0,15 en cada grupo. Cu al es la
probabilidad de que los resultados obtenidos con estas muestras lleguen a este extremo o a
mas?
57. Se cree que 0,16 de las industrias de un area metropolitana I son textiles. Se cree adem as
que en un area metropolitana II esta proporci
on es de 0,11. Si estas cifras son exactas, cu
al
es la probabilidad de que una muestra aleatoria simple de 200 industrias del area I y una
muestra aleatoria simple independiente de 225 industrias del area II arrojen una diferencia
entre las proporciones muestrales mayor o igual que 0,10?
57. 0,0475
58. Se cree que el 15% de los estudiantes de una universidad A fuman y que en una poblaci on
B solamente el 8% fuman. Si estas cifras son exactas, cu al es la probabilidad de que
una muestra aleatoria de 120 estudiantes de la universidad A y una muestra aleatoria
independiente de 130 de la universidad B arrojen un valor de pA p B igual o mayor que
0,16?
59. Se cree que dos tecnicas, A y B, son igualmente efectivas para reducir el nivel de ansiedad
de ciertas personas emocionalmente perturbadas. La proporci on de personas en las que la
droga resulta efectiva es 0,70. En una muestra aleatoria de 100 personas emocionalmente
trastornadas a quienes se les suministro la droga A, 75 experimentaron una reducci on del
nivel de ansiedad. La droga B result o efectiva en 105 personas de una muestra aleatoria
independiente de 150 personas. Si las dos drogas son igualmente efectivas como se cree,
cu
al es la probabilidad de observar un valor de pA p B tan gran de o m as grande de lo
que aqu se anota?
muestral de diferencia de dos proporciones muestrales

1.5. Distribucion
52
59. 0,2033
60. En una ciudad se cree que el 40% de los habitantes est an de acuerdo con un refendo. En
otra ciudad se cree que solo el 15% de los habitantes lo est
an. Siendo estas cifras correctas,
cu
al es la probabilidad de que muestras aleatorias simples de 100 habitantes de cada ciudad
arrojen una diferencia en la proporci
on de habitantes que est an de acurdo con el referendo
de 0,40 o de m as?
61. Un investigador opina que el 15% de los due nos de empresas de la ciudad A y el 10% de
los de la ciudad B son extranjeros. En una muestra aleatoria simple de 150 due nos de
empresas de la ciudad A el investigador encontr o que 30 eran extranjeros. Una muestra
aleatoria simple independiente de 100 due nos de empresas de la ciudad B revel o que 7 lo
eran. Supongamos que la opini on que tiene el investigador sobre la nacionalidad de los
duenos de empresas es correcta. Cu al es la probabilidad de observar una diferencia entre
las proporciones muestrales mayor o igual a la que realmente se observa? Puede ser que el
investigador decida revisar sus creencias sobre las dos poblaciones?
61. 0,0228; S
1.6 Distribuci
on muestral de diferencia de medias
En muchas situaciones practicas el investigador concentra su investigacion en dos pobla-
ciones. A menudo se desea sacar inferencias acerca de la diferencia entre dos medias pobla-
cionales. Un ejemplo podra ser el caso de un agricultor que esta considerando el uso de dos
fertilizantes alternativos y esta interesado en en la diferencia de las producciones medias
por hectareas resultantes. Para comparar las medias poblacionales, se extrae una muestra
aleatoria de las dos poblaciones y la inferencia acerca de la diferencia entre ambas medias se
basa en los resultados muestrales. El metodo apropiado para analizar esta informacion de-
pende del procedimiento empleado al seleccionar las muestras. Para ello se deben considerar
las dos posibilidades siguientes:
1. Datos pareados (o muestras dependientes). En este procedimiento, las

muestras se eligen por pares, una de cada poblacion. La idea es que, aparte del
aspecto objeto de estudio, los elementos de cada uno de estos pares deben estar
relacionados, de manera que la comparacion pueda ser establecida directamente. Las
aplicaciones que pueden involucrar este tipo de procedimiento son:
Educaci on. Supongamos que queremos medir la eficacia de un curso de lectura

rapida. Una manera de abordar el problema sera tomar nota de las palabras por
minuto ledas por una muestra de alumnos antes de tomar el curso y compararlas
con los resultados obtenidos por los mismos alumnos una vez completado el
curso. En este caso, cada par consistira en medidas de la velocidad de un
mismo alumno realizadas antes y despues del curso.

Nutricion. Poner a prueba los efectos de un programa de reduccion de peso,

mediante la obtencion de las medidas del peso en la misma persona antes y
despues del programa.
Agricultura. Poner a prueba los efectos de dos fertilizantes en la produccion de
arroz comparando la produccion de parcelas similares en las mismas condiciones.
Economa. Comparar el cambio medio en los ingresos por accion de una empresa
en dos a
nos consecutivos.
Industria. Estudiar el efecto de un antioxidante en las tuberas de metal, midi-
endo el grado de oxidacion antes y despues de aplicar dicho antioxidante.
2. Muestras independientes. En este metodo se extraen dos muestras independi-

entes de cada una de las dos poblaciones de interes, de manera que los miembros de
una muestra no tienen necesariamente relacion con los miembros de la otra.
1.6.1 Datos pareados (muestras dependientes)
De manera general, supongamos que tomamos una muestra aleatoria de n pares de observa-
ciones que representamos por (x1 , y1 ), (x2 , y2 ), . . ., (xn , yn ), procedentes de dos poblaciones
con medias 1 y 2 . As, x1 , x2 , . . . , xn corresponden a las observaciones muestrales de una
poblacion con media 1 y y1 , y2 , . . . , yn corresponden a las observaciones muestrales de una
poblacion con media 2 .
Ahora, si di = xi yi , para cada i = 1, . . . , n, entonces, la diferencias d1 , . . . , dn se puede

pensar como una muestra aleatoria de la poblacion de diferencias de datos pareados. Con
esto tenemos que si x y y son las medias de las muestras x1 , . . . , xn y y1 , . . . , yn , entonces,
la media d de las diferencias muestrales viene dada por d = x y, el cual esta asociado
con el estadstico D definido como la diferencia de medias muestrales D = X Y . Sea
sd la desviacion estandar muestral para las n diferencias di = xi yi . Entonces, la media
2
D y la varianza D de la distribucion muestral de D son como aparecen en la tabla 1.10
(comparese con la tabla 1.9).
Tabla 1.10: Media y varianza del estadstico D

Estadstico Media Varianza
2 s2d
D =X Y D = 1 2 D = n
El objetivo es determinar la distribucion muestral de D = X Y . En el siguiente teorema,

se describe cual es su distribucion para el caso en que los datos son pareados y cuando las
muestral de diferencia de medias

1.6. Distribucion
54
muestras son peque

nas.
Teorema 1.6.1 Supongamos que disponemos de una muestra aleatoria de datos pareados
procedentes de distribuciones con medias 1 y 2 . Sean d y sd la media y la desviaci on
est
andar muestral para las n < 30 diferencias di = xi yi . Si se asume que la distribucion
de las diferencias es normal, entonces, la distribuci
on muestral del D = X Y es la t de
Student con n 1 grados de libertad.
DD
Este teorema implica que la variable aleatoria t = D on t con n 1 grados de
tiene distribuci
2
libertad. Aqu, D y varianza D se calculan como se muestra en la tabla 1.10.
Ejemplo 1.6.2 La tabla de abajo recoge los datos de consumo de gasolina correspondiente a una
muestra aleatoria de 8 autom
oviles norteamericanos de dos modelos diferentes. Se formaron pares
con las dos muestras y cada elemento de un determinado par fue conducido por la misma ruta y
por el mismo piloto.
xi (auto A) 19,4 18,8 20,6 17,6 19,2 20,9 18,3 20,4

yi (auto B) 19,6 17,5 18,4 17,5 18,0 20,0 18,8 19,2
(a) Determine la media y la desviaci

on muestral de las diferencias en el consumo de gasolina.
(b) Suponiendo que la distribucion de las diferencias poblacionales es normal con media -0,807,
encuentre la probabilidad de que el consumo promedio de gasolina del auto A sea mayor que
el del auto B.

SOLUCION:
(a) En la siguiente tabla se incluyen las diferencias di entre los datos de la tabla anterior. Estas
diferencias forman una muestra aleatoria procedente de una poblaci on cuya media es A B ,
la diferencia entre las medias poblacionales entre dos modelos de autos.
xi 19,4 18,8 20,6 17,6 19,2 20,9 18,3 20,4

yi 19,6 17,5 18,4 17,5 18,0 20,0 18,8 19,2
di -0,2 1,3 2,2 0,1 1,2 0,9 -0,5 1,2 Suma = 6,2
d2i 0,04 1,69 4,84 0,01 1,44 0,81 0,25 1,44 Suma = 10,52
La media y la varianza muestral de las diferencias en el consumo de gasolina pueden calcularse

utilizando la informaci
on recogida en la tabla anterior. Para la media el resultado es
d1 + + dn 6, 2
d = = = 0, 775
n 8
y para la varianza,
n
d2i nd
P
i=1 10, 52 (8)(0, 775)2
s2d = = = 0, 816
n1 81

por lo que la desviaci

on muestral observada es
p
sd = 0, 816 = 0, 903.
(b) Tenemos que A B = 0, 807. Sean X A y X B las variables que representan al consumo
promedio de gasolina de los autos A y B, respectivamente. Nos piden calcular P (X A > X B )
o, que es lo mismo, P (X A X B > 0). Hagamos D = X A X B . Por la tabla 1.10,

D = 0, 27 y D = sd / n = 0, 3413.
Entonces, por el teorema 1.6.1 y teniendo en cuenta la tabla t de Student (con n 1 = 7

grados de libertad) encontramos que
0 D

P (X A X B > 0) = P (D > 0) = P t >
D

0 (0, 807)
= P = P (t > 2, 3645) 0, 025.
0, 3413
Por consiguiente, la probabilidad de que el consumo promedio de gasolina del auto A sea
mayor que el del auto B es aproximadamente del 2,5%.
1.6.2 Muestras independientes
Consideremos dos poblaciones con medias 1 , 2 y varianzas 1 y 2 , respectivamente, y

suponagmos que se seleccionan dos muestra aleatorias independientes de tama nos n1 , n2 ,
2 2
con medias X 1 , X 2 y varianzas s1 y s2 , respectivamente. El objetivo tambien es determinar
la distribucion muestral de X 1 X 2 . Para ello distinguiremos los siguientes casos:
Las varianzas poblacionales son conocidas o desconocidas, pero las muestras son
grandes.
Las varianzas poblacionales son desconocidas, pero iguales, y las muestras son peque
nas.
Las varianzas poblacionales son desconocidas, pero diferentes, y las muestras son
peque
nas.
Primer caso: varianzas poblacionales conocidas o desconocidas y

muestras grandes
Cuando las varianzas poblacionales 12 y 22 son conocidas, la forma funcional de la dis-

tribucion muestral de X 1 X 2 depende de las poblaciones de donde se extraen las muestras.
Si ambas poblaciones estan distribuidas normalmente, la distribucion muestral de x1 x2
sera normal. Si una (o ambas) poblacion original no esta distribuida normalmente, la dis-
tribucion muestral de X 1 X 2 estara distribuida mas o menos normalmente si n1 y n2 son

1.6. Distribucion
56
grandes.
Ahora, la variable aleatoria X 1 X 2 tiene media
E(X 1 X 2 ) = E(X 1 ) E(X 2 ) = 1 2
y, dado que las muestras son independientes, varianza

12 2
V (X 1 X 2 ) = V (X 1 ) + V (X 2 ) = + 1.
n1 n1
Ademas, se puede probar que si las dos poblaciones son normales, entonces, X 1 X 2
tambien es normal. Por tanto, la variable aleatoria
(X 1 X 2 ) (1 2 )
Z= q 2
1 2
n1
+ n22
tiene una distribucion normal estandar. Todas estas caractersticas importantes de las dis-
tribucion muestral de la diferencia entre dos medias muestrales se encuentran resumidas en
el siguiente
Teorema 1.6.3 Sean x1 y x2 las medias de muestras aleatorias independientes de tama nos
2 2
n1 y n2 de poblaciones con medias 1 , 2 y varianzas 1 , 2 , respectivamente. Supongamos
que se cumple alguna de las siguientes condiciones:
(a) Ambas poblaciones son normales y ambas varianzas poblaciones 12 y 22 son conocidas;
(b) Ambas poblaciones son desconocidas o no normales, ambas varianzas poblacionales 12

y 22 son conocidas o desconocidas y n1 30, n2 30.
Entonces, la distribucion muestral de la diferencia entre dos medias muestrales estara

2 2
distribuida normalmente y tendra una media igual a 1 2 y varianza n11 + n22 .
on.
Treinta observaciones en cada muestra son, en general, suficientes para realizar esta aproximaci
Ejemplo 1.6.4 En un estudio para comparar los pesos promedios de ni nos y ni nas de sexto
grado en una escuela de instruccion media, se usara una muestra aleatoria de 20 ni nos y otra igual
de 25 ninas. Se sabe que, tanto para ni nos y ni
nas, los pesos siguen una distribuci on normal.
El promedio de los pesos de todos lo ni nos de sexto grado de esa escuela es de 100 libras y su
desviaci
on est
andar es de 14,142, mientras que el promedio de los pesos de todas las ni nas del sexto
grado es de 85 libras y su desviacion est
andar es de 12,247. Encuentre la probabilidad de que el
promedio de los pesos de los 20 ni
nos sea al menos 20 libras mas grande que el de los de las 25 ni
nas.

SOLUCION:
Supongamos que X 1 representa el promedio de los pesos de 20 ni nos y X 2 , el promedio de los
pesos de una muestra de 25 ni
nas. Nos piden calcular P (X 1 X 2 > 20). Como las dos poblaciones
en cuesti
on son normales y con varianzas conocidas, entonces, por el teorema 1.6.3, tenemos
on muestral de X 1 X 2 es aproximadamente normal.

La distribuci
La media de la distribuci
on muestral de X 1 X 2 es igual a 1 2 = 100 85 = 15.
on muestral de X 1 X 2 es
La varianza de la distribuci
12 2 (14, 142)2 (12, 247)2

+ 2 = + = 16.
n1 n2 20 25
Entonces, para determinar P (X 1 X 2 20), encontramos el valor Z para una diferencia de 20

libras. O sea Z = 2015

16
= 1, 25. En consecuencia,
P (X 1 X 2 > 20) = P (Z 1, 25) = 1 P (Z 1, 25) = 1 0, 8944 = 0, 1056.
Por tanto, la probabilidad de que el promedio de los pesos de la muestra de ni

nos sea al menos 20
libras m
as grande que el de la muestra de las ni
nas es 0,1056.
Ejemplo 1.6.5 Se identificaron dos poblaciones de alumnos de u ltimo ano de un colegio. La vari-
able de interes en la investigaci
on consista en los puntajes obtenidos en una prueba de rendimiento
en estadstica que hicieron los estudiantes de las dos poblaciones. Los investigadores suponan que
los puntajes de las dos poblaciones estaban distribuidos normalmente con las siguientes medias y
varianzas: 1 = 50, 12 = 40, 2 = 40, 22 = 60. Una muestra aleatoria de tama no n1 = 10 se saca
de la poblaci on 1 y una de tama no n2 = 12 de poblaci on 2. Cu al es la probabilidad de que la
diferencia entre las medias muestrales este entre 5 y 15?
SOLUCION:
Observe que no se conoce la forma funcional de las poblaciones originales. Como las varianzas
poblacionales son conocidas y las poblaciones son normales, entonces, por el teorema 1.6.3(b),
on muestral de X 1 X 2 es aproximadamente normal y tiene una media igual a
la distribuci
2 2 40 60
1 2 = 50 40 = 10 y varianza n11 + n22 = 10 + 12 = 9. Para encontrar la probabilidad deseada,
transformamos los valores de X 1 X 2 en los valores de Z, como se muestra a continuaci on:
5 10 15 10
Z = = 1, 67, Z = = 1, 67.
9 9
Por consiguiente, teniendo en cuenta la tabla del apendice, obtenemos
P (5 X 1 X 2 15) = P (1, 67 Z 1, 67) = 2(0, 4525) = 0, 9050.
De esta manera, la probabilidad de que la diferencia entre las medias muestrales este entre 5 y 15
es aproximadamente del 90,5%.

1.6. Distribucion
58
Ejemplo 1.6.6 Suponga que dos drogas A y B, de las que se dice que reducen el tiempo de
respuesta de las ratas a determinado estmulo, se est an comparando en un experimento de lab-
oratorio. El experimentador supone que las respectivas poblaciones de los tiempos de respuesta
al estmulo est
an distribuidos normalmente y tienen varianzas iguales. Se administra la droga A
a 12 ratas y la droga B a 13. Cuando se lleva a cabo el experimento, la reducci on promedio de
tiempo de respuesta al estmulo por parte de las ratas que est an recibiendo la droga A es 30,45
milisegundos con una desviaci on tpica de 5 milisegundos. Los datos correspondientes a la droga
B son 24,9 y 6 milisegundos. Cu al es la probabilidad de que la diferencia entre la reduccion
promedio de tiempo de respuesta al estmulo por parte de las ratas que est an recibiendo la droga
A y la reducci on promedio de tiempo de respuesta al estmulo por parte de las ratas que est an
recibiendo la droga B sea menor o igual a la que se observ o en el experimento? Suponga que no
hay diferencia alguna entre las dos drogas con respecto a la reducci on promedio en tiempos de
respuestas y que las drogas son igualmente efectivas.
SOLUCION:
Sean X A y X B la reducci on promedio de tiempo de respuesta al estmulo por parte de las ratas
que est
an recibiendo la droga A y la droga B, respectivamente. Nos piden calcular P (X A X B
30, 45 24, 9 = 5, 55). Como las dos poblaciones en cuesti
on son normales y los tama nos de las
muestras son grandes (observe que los tamanos de ambas muestras son mayores o iguales que 30),
debemos aplicar el teorema 1.6.3:
on muestral de X A X B es aproximadamente normal.

La distribuci
Aqu, tambien, la media de la distribuci

on muestral de X A X B es igual a A B = 0.
on muestral de X A X B es
s2A s2 52 62
+ B = + = 1, 73.
nA nB 30 40
En este caso, el valor Z est

a dado por
(xA xB ) (A B ) 5, 55 0
Z = q 2 = 1, 31.
sA 2
sB 2, 20
nA + nB
Por consiguiente,
P (X A X B 5, 55) = P (Z 1, 31) = 0, 9049.
Es decir, la probabilidad de que la diferencia entre la reducci

on promedio de tiempo de respuesta
al estmulo por parte de las ratas que estan recibiendo la droga A y la reducci on promedio de
tiempo de respuesta al estmulo por parte de las ratas que estan recibiendo la droga B sea menor
o igual a la que se observ
o en el experimento es aproximadamente del 90,5%.

Segundo caso: varianzas poblacionales desconocidas, iguales y mues-

tras peque
nas.
Considere el caso en que se desconocen 12 y 22 , pero iguales, digamos, 12 = 22 = 2 .

Entonces, la variable aleatoria X 1 X 2 tiene media 1 2 y varianza
2 2
V (X 1 X 2 ) = V (X 1 ) + V (X 2 ) = + .
n1 n2
Ademas, se puede probar que si las dos poblaciones son normales, entonces, X 1 X 2
tambien es normal. Por tanto, la variable aleatoria
(X 1 X 2 ) (1 2 )
Z= q (1.1)
2 2
n1
+ n2
tiene una distribucion normal estandar. Sin embargo, este ultimo resultado no puede ser
utilizado ya que la exprsion anterior dada para Z depende de la varianza poblacional de-
sconocida. Debido a que esta varianza es la misma para ambas poblaciones, pueden em-
plearse los dos conjuntos de informacion muestral para estimarla. El estimador es
(n1 1)s21 + (n2 1)s22

s2 = ,
n1 + n 2 2
donde s21 y s22 son las dos varianzas muestrales. Observese que la cantidad s2 , que se de-
nomina varianza muestral combinada, es el promedio ponderado de las dos varianzas
muestrales que se han obtenido ponderando cada una por los respectivos tama nos mues-
trales menos 1.
Reemplazando, en la ecuacion 1.1, la varianza desconocida 2 por su estimador s2 , ob-

tenemos la variable aleatoria
(x1 x2 ) (1 2 )
t= q 2 .
s1 s22
n1
+ n2
Puede demostrarse que esta variable aleatoria sigue una distribucion t de Student con
n1 + n2 2 grados de libertad. En el siguiente teorema resumimos los resultados hasta aqu
expuesto y que se refieren al segundo caso.

1.6. Distribucion
60
Teorema 1.6.7 Si 12 y 22 son iguales y desconocidas, entonces, la distribucion muestral

s2 s2
de la media tiene media 1 2 y varianza estimada igual a n1 + n1 , siendo s2 es la
varianza muestral combinada. Adem as, si las dos poblaciones en cuesti
on son normales y
los tama
nos de las muestras son pequenos (es suficiente considerar que sean estrictamente
menores que 30), entonces, la variable aleatoria
(x1 x2 ) (1 2 )
t= q
s2 2
n1
+ ns 2
est
a distribuida seg
un la distribucion t de Student con n1 + n2 2 grados de libertad.
Ejemplo 1.6.8 Repita el ejemplo 1.6.6, pero ahora suponiendo que las poblaciones no tienen dis-
tribuci
on normal y que los tama
nos muestrales son menores que 30, digamos nA = 12 y nB = 13.
SOLUCION:
Como las dos poblaciones en cuesti on son normales y los tama
nos de las muestras son peque
nas
(observese que los tama nos muestrales son estrictamente menores que 30), entonces, debemos
aplicar el teorema 1.6.7:
La distribuci
on muestral de X A X B es aproximadamente la t de Student con nA +nB 2 =
12 + 13 2 = 23 grados de libertad.
Debido a que no hay diferencia alguna entre las dos drogas con respecto a la reduccion
promedio en tiempos de respuestas y que las drogas son igualmente efectivas, entonces,
on muestral de X A X B es igual a
A = B . Por consiguiente, la media de la distribuci
A B = 0.
Debido a que la varianza muestral combinada s2 est

a dada por
(nA 1)s2A + (nB 1)s2B (12 1)52 + (13 1)62

s2 = = = 30, 74,
nA + nB 2 12 + 13 2
entonces, la varianza de la distribuci

s2 s2 30, 74 30, 74
+ = + = 4, 92.
nA nB 12 13
Con base en los datos, el valor t est

a dado por
(x1 x2 ) (1 2 ) 5, 55 0
t = q = = 2, 5.
s2
+ s2 2, 22
n1 n2
Por consiguiente,
P (X A X B 5, 55) = P (t 2, 5) = 0, 01.


o en el experimento es del 1%.
Tercer caso: varianzas poblacionales desconocidas, diferentes y

muestras peque
nas.
En este situacion supondremos que las poblaciones originales estan distribuidas normal-
mente, que las varianzas poblacionales son desconocidas y diferentes y que las muestras son
pequenas. En este caso, se utilizaran las varianzas muestrales s21 y s22 en vez de las varian-
zas poblacionales desconocidas 12 y 22 , respectivamente. Haciendo un analisis similar a las
situaciones anteriores encontramos los siguientes resultados que se presentan a continuacion.
Teorema 1.6.9 Si 12 y 22 son diferentes y desconocidas, entonces, la distribucion muestral

s2 s2
de la media tiene media 1 2 y varianza estimada igual a n11 + n21 . Ademas, si las
dos poblaciones en cuestion son normales y los tamanos de las muestras son peque nos (es
suficiente considerar que sean estrictamente menores que 30), entonces, la variable aleatoria
(x1 x2 ) (1 2 )
t= q 2
s1 s2
n1
+ n22
est
a distribuida seg
un la distribuci
on t de Student con
2 2
s1 s22
n1
+ n2
= (s2 /n )2 (s2 /n )2
1
1
n1 1
+ n2 2 12
grados de libertad. Dado que rara vez es un entero, se redondea al entero mas cercano.
Ejemplo 1.6.10 Repita el ejemplo 1.6.6, pero ahora suponiendo que las poblaciones no tienen
distribuci
on normal, que los tama
nos muestrales son menores que 30 (digamos nA = 12 y nB = 13)
y que las varianzas poblacionales son diferentes.
SOLUCION:
En este caso, debemos aplicar el teorema 1.6.9:
on muestral de X A X B es aproximadamente la t de Student con

La distribuci
2 2
s2A s2B

52 62
nA + nB 12 + 13
= (s2A /nA )2 (s2B /nB )2
= (52 /12)2 (62 /13)2
= 22, 78 23.
nA 1 + nB 1 121 + 131

1.6. Distribucion
62
grados de libertad.
De nuevo, la media de la distribuci

on muestral de X A X B es igual a A B = 0.
s2A s2 52 62
+ B = + = 4, 85.
nA nB 12 13
En este caso, el valor t est

a dado por
(xA xB ) (A B ) 5, 55 0
t = q 2 = 2, 52.
sA 2
sB 2, 20
nA + nB
Por consiguiente,
P (X A X B 5, 55) = P (t 2, 52) 0, 01.

o en el experimento es aproximadamente del 1%.
on 1.6
62. La distribucion de pesos de los animales de cierto pueblo asiatico tiene un peso medio de
72 kilogramos y una desviaci on est
andar de 10 kilogramos, mientras que la distribucion de
pesos de los animales de cierto pueblo africano tiene un peso medio de 28 kilogramos con una
desviaci
on estandar de 5 kilogramos. Suponga que las medias muestrales se pueden medir
con cualquier grado de precision. Encuentre la probabilidad de que la media muestral para
una muestra aleatoria de pesos de 64 animales del pueblo asi atico exceda la media muestral
para una muestra aleatoria de alturas de 100 animales del pueblo africano por cuando mucho
44,2 kilogramos.
63. Se llevan a cabo dos experimentos independientes en los que se comparan dos tipos diferentes
de impresoras. Se imprimen 18 hojas con el tipo A y en cada uno se registra el tiempo de
secado en minutos. Lo mismo se hace con el tipo B. Se sabe que las desviaciones est andar
de la poblacion son ambas 1. Suponga que el tiempo medio de secado es igual para los
dos tipos de impresoras, encuentre P (X A X B > 1), donde X A y X B son los tiempos
promedios de secado para muestras de tama no nA = nB = 18.
63. 0,0013
64. Las bateras del fabricante A tienen una duraci on media de 6,5 a nos y una desviaci
on
est
andar de 0,9 anos, mientras que las del fabricante B tienen una duraci on media de 6,0
a
nos y una desviacion estandar de 0,8 anos. Cu
al es la probabilidad de que una muestra
aleatoria de 36 bateras del fabricante A tengan una duraci on media que sea al menos de
un ano mas que la duracion media de una muestra de 49 bateras del fabricante B?

64. 0,0040
65. Suponga que cuando el PH de cierto compuesto qumico es de 5, el PH medido por un

estudiante de qumica seleccionado al azar, es una variable aleatoria con media 5 y desviaci
on
est
andar 0,2. Un lote grande del compuesto se subdivide y se da una muestra a cada
estudiante de un laboratorio vespertino. Sea X = P H promedio, como lo determinaron
los estudiantes matutinos y Y = P H promedio, como lo determinaron los estudiantes
vespertinos.
(a) Si el PH es una variable normal y hay 25 estudiantes en cada laboratorio, calcule

P (0, 1 X Y 0, 1).
(b) Si hay 36 estudiantes en cada laboratorio, pero las determinaciones del PH no se suponen
normales, calcule (aproximadamente) P (0, 1 X Y 0, 1).
65. (a) 0,9232 (b) 0,9660
66. Dos trenes se desplazan en la misma direcci

on en carriles paralelos adyacentes. En el tiempo
t = 0, el primer tren est
a 10 km adelante del segundo. Suponga que la velocidad del primer
tren (km/h) esta normalmente distribuida con media de 520 y desviaci on est
andar de 10, y

la velocidad del segundo tren esttambien normalmente distribuida con media y desviaci on
est
andar de 500 y 10, respectivamente.
(a) Cu
al es la probabilidad de que despues de 2 horas de recorrido el segundo tren no
haya alcanzado al primero?
(b) Determine la probabilidad de que los trenes esten separados a lo sumo 10 km despues
de 2 horas.
67. Suponga que tiempo de vida esperado de la batera del tipo A es 105 horas y la desviaci
on
est
andar es 8 horas. Para la batera del tipo B, suponga que el tiempo de vida esperado y
desviaci
on est
andar son 100 6 horas, respectivamente. Sea X = tiempo de vida promedio
de una muestra aleatoria de 40 bateras de tipo A y sea Y = tiempo de vida promedio de
una muestra aleatoria de 35 bateras de tipo B.
(a) Cu
al es la distribuci
on aproximada de X y deY ?
(b) Cu
al es la distribuci
on aproximada de X Y ? Justifique su respuesta.
(c) Calcule (aproximadamente)P (1 X) Y 1.
(d) Calcule P (X Y 10). Si en realidad se observ
o X Y 10, durara de que
1 2 = 5?
67. (a) Aproximadamente normal con media 105, desviaci on 1,2649; Aproximadamente
normal con media 100, desviacion 1,0142 (b) Aproximadamente normal con media 5 y
desviaci
on 1,6213 (c) 0,0068 (d) 0,0010; s
68. Para fines de investigaci

on, en un refrigerador A se guardaron 50 celulas vegetales de cierto
tipo y otros 50 en un refrigerador B. Sea X la variable aleatoria que representa el n umero
de celulas guardados en el refrigerador A que sobreviven 1 a
no y Y la variable aleatoria que

1.6. Distribucion
64
representa el n
umero de celulas guardados en el refrigerador B que sobreviven 1 a no. Si la
probabilidad de que una celula guardada en el refrigerador A sobreviva 1 a no es 0,7 y la
probabilidad de que sobreviva 1 ano en el refrigerador B es 0.6, calcule una aproximacion a
P (5 6 X Y 6 5).
1.7 Distribuci
on muestral de la varianza y raz
on de
varianzas muestrales
1.7.1 Distribuci
on muestral de la varianza muestral
La varianza muestral y su distribuci

on muestral
En la seccion 1.3, consideramos el problema de hacer inferencias sobre la media poblacional

basandonos en la informacion muestral. Ahora, vamos a centrar nuestra atencion en la
varianza poblacional.
Supongamos que se extrae una muestra de n observaciones de una poblacion con media
desconocida y varianza desconocida 2 . Representaremos las observaciones muestrales
por X1 , X2 , . . . , Xn . La varianza poblacional es la esperanza
2 = E[(X )2 ]
y, por tanto, una cantidad en la que evidentemente deberamos fijarnos sera en la media
de los (Xi )2 para los n individuos de la muestra. Sin embargo, la media poblacional
es desconocida, por lo que en la practica esta cantidad no podra ser calculada. Es natural,
entonces, sustituir la desconocida por la media muestral X, y considerar la media de los
(Xi X)2 . De hecho, como ya se dijo en el captulo ??, la varianza muestral se define como
se muestra a continuacion:
Definici
on 1.7.1 Sea X1 , X2 , . . . , Xn una muestra aleatoria de una poblaci
on. La cantidad
n
1 X
s2 = (Xi X)2
n 1 i=1
n
recibe el nombre de varianza muestral. Su raz cuadrada, s, se denomina desviacio
tpica muestral.
Observese que, en nuestra definicion de varianza muestral, hemos usado como divisor (n1)
en lugar de n, lo cual puede resultar sorprendente. La razon para esta formulacion es que

puede probarse que, si se define la varianza muestral de este modo, entonces, la media de
su distribucion muestral es la verdadera varianza poblacional, es decir,
E(s2 ) = 2 .
La conclusion de que el valor esperado de la varianza muestral es la varianza poblacional,

es general. Si embargo, para poder caracterizar completamente su distribucion muestral,
necesitaremos saber mas acerca de la distribucion de la poblacion. En muchas aplicaciones
practicas, el supuesto de que la distribucion de la poblacion es normal resulta razonable.
En tal caso, puede probarse que la variable aleatoria
n
(Xi X)2
P
2
(n 1)s i=1
=
2 2
sigue una distribucion conocida con el nombre de distribuci on 2 con n 1 grados de lib-
ertad 6 . El smbolo 2 se lee ji-cuadrada o chi-cuadrada.
Teorema 1.7.2 Si s2 es la varianza de una muestra aleatoria de tama

no n de una poblacion
2
distribuida normalmente con media y varianza , entonces, la distribuci
on muestral de
(n1)s2 2
2
es una distribucion con n 1 grados de libertad.
on 2 y sus propiedades
La distribuci
Algunas propiedades de la distribucion 2 son las siguientes:
1. Esta distribucion solo esta definida para valores no negativos de la variable aleatoria,
lo cual resulta adecuado en este contexto, ya que la varianza muestral no puede ser
negativa.
2. Un miembro concreto de la familia 2 viene caracterizado por un u nico parametro,

al que llamaremos grados de libertad, para el que habitualmente se usa el smbolo
. Si una variable aleatoria sigue una distribucion 2 con grados de libertad, se
representara por 2 ().
3. La forma de una distribucion 2 depende del grado de libertad . En consecuencia,

umero infinito de distribuciones 2 .
hay un n
4. El area total limitada por la curva de una distribucion 2 y los ejes es igual a 1.
6
La distribucion 2 con n 1 grados de libertad es la distribucion de la suma de los cuadrados de n
variables aleatorias normales estandar independientes.
muestral de la varianza y razon

1.7. Distribucion de varianzas muestrales
66
5. Las distribuciones 2 no son simetricas. Tienen colas estrechas que se extienden a la

derecha; esto es, estan sesgadas a la derecha.
6. La media y la varianza de esta distribucion son, respectivemente, el n

umero de grados
de libertad y el doble del n
umero de grados de libertad, es decir,
E 2 () = , V 2 () = 2.

La distribucion 2 es una de las distribuciones continuas mas usadas en estadstica aplicada.

Para facilitar su empleo, existen tablas que permiten hallar las areas, que son probabili-
dades, asociadas a intervalos limitados por valores determinados de 2 . En especial, la
probabilidad de que una muestra aleatoria produzca un valor 2 mas grande que cualquier
alg
un valor especificado es igual al area bajo la curva a la derecha de este valor. Es cuestion
de que 2 represente el valor 2 arriba del cual se encuentra un area de . Esto se muestra
en la region sombreada de la figura 1.6.
Figura 1.6: Distribucion 2 en la que se muestra el area que queda a la derecha del valor
2
La tabla del apendice da los valores de 2 para varios valores de y . Las areas, , son
los encabezados de las columnas; los grados de libertad, , se dan en la columna izquierda;
y el cuerpo de la tabla son los valores de 2 . De aqu que el valor de 2 con 7 grados de
libertad, teniendo un area de 0,05 a la derecha, sea 20,05 (7) = 14, 067. Debido a la falta de
simetra, deben utilizarse las tablas para encontrar 20,95 (7).
Media y varianza de la distribuci

on muestral de la varianza muestral
En esta seccion calcularemos la media y varianza de s2 . Para ello, utilizaremos la u

ltima
propiedad mencionada en la seccion anterior y el hecho de que, en nuestro contexto, la

variable aleatoria (n 1)s2 / 2 sigue una distribucion 2n1 . Por tanto,
(n 1)s2

(n 1)
n1 = E 2
= E(s2 ),
2
de donde E(s2 ) = 2 . Por otro lado,

(n 1)s2 (n 1)2

2(n 1) = V = V (s2 )
2 4
y, en consecuencia,
2 4
V (s2 ) = .
n1
Estos resultados se presentan resumidos en el siguiente
Teorema 1.7.3 Sea s2 la varianza de una muestra aleatoria de tama

no n. Entonces,
(a) la distribucion muestral de s2 tiene media 2 .
on muestral de s2 depende de la distribuci

(b) La varianza de la distribuci on de la poblacion.
2 4
Si dicha distribucion es normal, entonces, sera igual a n1 .
Aplicaciones pr
acticas
Supongamos que hemos tomado una muestra aleatoria de una poblacion y queremos hacer
alguna inferencia sobre la varianza poblacional. Si se asume la normalidad de la poblacion,
se podra usar la distribucion chi-cuadrado, como haremos en los ejemplos que aparecen a
continuacion.
Ejemplo 1.7.4 Cuando un proceso de producci on est

a funcionando correctamente, la resistencia
en ohmios de los componentes que produce sigue una distribucion normal con desviaci on tpica
3,6. Se toma una muestra aleatoria de cuatro componentes. Cu al es la probabilidad de que la
varianza muestral sea mayor a 27?
SOLUCION:
Tenemos que n = 4 y = 3, 6 y como la poblaci on en cuesti
on es normal, entonces, podemos
aplicar el teorema 1.7.2. Por tanto, teniendo en cuenta la tabla del apendice, la probabilidad que
se nos pide es
(n 1)s2

2 27(n 1)
P (s > 27) = P >
2 2

(27)(3)
= P 2 (3) > = P 2 (3) > 6, 25 0, 10.

12, 96

68
En consecuencia, la probabilidad de que la varianza muestral sea mayor a 27 es aproximadamente

del 10%.
Ejemplo 1.7.5 Un fabricante de latas de guisantes est a interesado en que el peso medio de su
producto este proximo al peso anunciado. Adem as, desea que no haya mucha variabilidad en
los pesos de las latas de guisantes, ya que de lo contrario, una gran proporcion de latas diferira
sensiblemente del peso anunciado. Asumamos que la distribuci on poblacional de los pesos es nor-
mal. Se toma una muestra aleatoria de veinte latas. Hallar el valor de k que verifica la relaci on
s2

P 2 < k = 0, 05.

SOLUCION:
Tenemos que n = 20. Para hallar el valor de k, tendremos en cuenta el teorema 1.7.2. Ahora,
s2 (n 1)s2

0, 05 = P <k
= P < (n 1)k
2 2
= P 2 (n 1) < (n 1)k = P 2 (19) < 19k .

Entonces, P 2 (19) > 19k = 0, 95. Por tanto, de la tabla del apendice, encontramos que 19k =

10, 12, de donde k = 0, 533. La conclusi

on es que la probabilidad de que la varianza muestral sea
menor que un 53% de la varianza poblacional es 0,05.
Hay que hacer hincapie en el hecho de que la tecnica empleada en estos ejemplos no es tan
universalmente aplicable en la practica como la que usabamos en las primeras secciones de
este captulo. En este contexto, el supuesto de que la distribucion de la poblacion de la que
se ha extrado la muestra es normal, es fundamental. Hemos visto como pueden encontrarse
probabilidades relativas tanto a la media muestral como a la varianza muestral cuando se
muestrea de una poblacion normal. Sin embargo, esta u ltima se vera mas afectada por
desviaciones del supuesto de normalidad de la distribucion poblacional. Cuando se quieren
calcular probabilidades relativas a la media muestral, el teorema ?? asegura que, para
muestras moderadamente grandes, desviaciones peque nas de la hipotesis de normalidad de
la poblacion de la que se extrae la muestra tienen un efecto peque no en la validez de las
probabilidades calculadas. Por esta razon, se dice que las inferencias basadas en la media
muestral son robustas frente a desviaciones del supuesto de normalidad de la poblacion,
mientras que las inferencias basadas en la varianza poblacional no lo son.
Sin embargo, es frecuente en la practica que la varianza poblacional tenga un interes di-
recto para el investigador. Debe recordarse que, si solo se dispone de una cantidad peque na
de observaciones muestrales, desviaciones importantes del supuesto de normalidad de la
poblacion pueden invalidar las conclusiones del analisis realizado seg
un la tecnica que hemos
descrito en esta seccion. Por tanto, un analista precavido debera ser cuidadoso a la hora
de hacer inferencias en tales circunstancias.

1.7.2 Distribuci
on muestral de la raz
on de dos varianzas
Otro metodo para comparar dos poblaciones es comparar sus varianzas. Surgen muchas
aplicacione estadsticas en las que deben compararse las varianzas poblacionales. En aplica-
ciones industriales referentes a dos metodos o maquinas para producir el mismo producto,
se utilizan con frecuencia las varianzas y se las compara con propositos de control de calidad.
En esta seccion, consideraremos el caso de dos muestras aleatorias independientes de pobla-

ciones normales. Sea s21 la varianza muestral de una muestra aleatoria de n1 observaciones
de una poblacion normal con varianza 12 y s22 la varianza muestral de una muestra aleato-
ria de n2 observaciones de una poblacion normal con varianza 22 . Entonces, la variable
aleatoria
s2 / 2
F = 21 12
s2 /2
sigue una distribucion conocida como7 distribucio n t. Esta familia de distribuciones
tiene muchas aplicaciones en el analisis estadstico. Un miembro particular de la familia se
distingue por dos valores: los grados de libertad asociados al numerador y al denominador.
En el presente contexto, recordemos que los grados de libertad asociados con la varianza
muestral s21 son n1 1 y con s22 , n2 1. Entonces, la variable definida anteriormente, tiene
distribucion F con n1 1 grados de libertad en el numerador y n2 1 grados de libertad
en el denominador.
Teorema 1.7.6 Si s21 y s22 son las varianzas de muestras aleatorias independientes de
tamano n1 y n2 tomadas de poblaciones normales con varianzas 12 y 22 , respectivamente,
entonces, la variable aleatoria
s2 / 2
F = 21 12
s2 /2
tiene una distribucion F con 1 = n1 1 y 2 = n2 1 grados de libertad.
La distribucion F , al igual que la chi-cuadrada, tiene una funcion de densidad asimetrica,

definido solo para valores no negativos. Esta funcion de densidad se representa en la figura
1.7.
En la tabla del apendice se proporcionan los puntos de corte F (1 , 2 ) para igual a 0,05
y 0,01. Por ejemplo, para 10 grados de libertad en el numerador y 20 en el denominador,
hallamos en la tabla que
F0,05 (10, 20) = 2, 35 y F0,01 (10, 20) = 3, 37.
7
Formalmente, la distribucion F se define como la distribucion que sigue el cociente de dos variables
aleatorias independientes con distribucion chi-cuadrado, cada una dividida por sus grados de libertad.

70
Esto significa que

P F (10, 20) > 2, 35 = 0, 05 y P F (10, 20) > 3, 37 = 0, 01.
Figura 1.7: Distribucion F con 6 grados de libertad en el numerador y 4, en el denominador,

en la que se muestra el area que queda a la derecha del valor F (6, 4)
Ejemplo 1.7.7 En una prueba sobre la efectividad de dos tipos de pldoras para dormir, A y B,
se utilizar
an dos grupos independientes de personas con insomnio. A un grupo de tama no 61 se
le administrara la pldora A y al otro grupo, de tamano 41, se le administrara la B, registr
andose
el n
umero de horas de sue no de cada individuo participante en el estudio. Suponiendo que el
numero de hora de sue no de quienes usan cada tipo de pldora se distribuye normalemente y que
2 2
A = B , calcule la probabilidad de que la raz on de las varianzas muestrales de A y B sea mayor
que 1,64.

SOLUCION:
La probabilidad pedida est
a dada por
P (s2A /s2B > 1, 64) = P F (60, 40) > 1, 64

= 0, 05.
Es decir, la probabilidad de que la raz

on de las varianzas muestrales de A y B sea mayor que 1,64
es del 5%.
Para finalizar, concluiremos con el siguiente teorema.
Teorema 1.7.8 Siempre se cumple que

1
F1 (1 , 2 ) = .
F (2 , 1 )

Ejemplo 1.7.9 De la tabla del apendice se tiene que

1 1
F0,95 (6, 10) = = = 0, 246.
F0,05 (10, 6) 4, 06
on 1.7
69. Las rentabilidades mensuales de cierto tipo de acciones son independientes unas de otras y
siguen una distribuci
on normal con desviaci on tpica de 1,7. Se toma una muestra de 12
meses. Hallar la probabilidad de que la desviaci
on estandar muestral sea (a) menor que 2,5,
(b) mayor que 1.
69. (a) Entre 0,975 y 0,99 (b) Alrededor de 0,975
70. Se quiere someter a todos los docentes de matem aticas de cierta ciudad a un examen de
100 preguntas. Inicialmente, en un estudio piloto, se somete a este examen a una muestra
aleatoria de 20 docentes. Supongamos que, para la poblaci on completa de todos los docentes
de la ciudad, la distribuci on del numero de respuestas correctas sigue una normal con
varianza 250. Cu al es la probabilidad de que la varianza muestral sea (a) menor que 100,
(b) mayor que 500?
70. (a) Alrededor de 0,01 (b) Alrededor de 0,005
71. El numero de horas que duermen los futbolistas en la semana anterior a un partido que
define el campeonato mundial de clubes sigue una distribuci on normal con una desviaci on
est
andar de 4,5 horas. Se toma una muestra aleatoria de 30 futbolistas. Es mayor que
0,95 la probabilidad de que la desviaci
on est
andar muestral se (a) mayor que 3,5 horas, (b)
menor que 6 horas?
71. (a) S (b) S
72. Una cierta empresa fabrican bombillas cuya tiempo de vida sigue una distribuci
on normal.
Se extrae una muestra aleatoria de 6 bombillas y se mide sus tiempos de vida.
(a) 0,05 es la probabilidad de que la varianza muestral sea mayor que que porcentaje de
la varianza poblacional?
(b) 0,10 es la probabilidad de que la varianza muestral sea mayor que que porcentaje de
la varianza poblacional?
72. (a) 221,4 (b) 32,2
73. Se extrae una muestra aleatoria de 15 empresarios y se les pregunta sobre su predicci
on
acerca de la tasa de desempleo para el p
oximo a
no. Supongamos que las predicciones para
la poblaci
on completa de empresarios sigue una distribuci
on normal con una desviaci on
est
andar de 1,8%.
(a) 0,01 es la probabilidad de que la desviaci

on est
andar muestral sea mayor que que
n
umero?

72
(b) 0,025 es la probabilidad de que la desviaci

on est
andar muestral sea menor que que
n
umero?
(c) Encontrar un par de n umeros tales que la probabilidad de que la desviaci
on est
andar
se encuentre entre estos dos n
umeros sea 0,9.
73. (a) 2,60 (b) 1,14 (c) 1,23 y 2,34
74. Para precisar el tiempo mnimo en que dura un atleta en recorrer la misma distancia bajo las
mismas condiciones, se toma una muestra de 12 tiempos del mismo atleta. La distribuci on
poblacional de los tiempos es normal.
(a) 0,95 es la probabilidad de que la desviaci

on est
andar muestral sea mayor que que
porcentaje de la varianza poblacional?
(b) 0,90 es la probabilidad de que la desviaci
on est
andar muestral sea menor que que
porcentaje de la varianza poblacional?
(c) Encontrar un par de n umeros a y b que hagan correcta la siguiente frase: 0,95 es
la probabilidad de que la varianza muestral este entre el a% y el b% de la varianza
poblacional.
75. Un determinado laboratorio medico elabora c

apsulas que contienen un componente especial.
El laboratorio se preocupa sobre la media del peso de este componente por c apsula, pero
tambien pretende que la varianza (medida en miligramos cuadrados) no sea mayor que 1,5.
Se extrae una muestra aleatoria de 20 capsulas y su varianza muestral resulta ser de 2,05.
Cual es la probabilidad de que la varianza muestral sea tan alta como la observada o
mayor si la varianza poblacional es realmente 1,5? Asumir que la distribucion poblacional
es normal.
75. M
as de 0,10
76. Los gerentes de una industria que fabrica bolsas desean saber si pueden comparar dos pro-
cesos de manufactura en relaci on con la variabilidad de la resistencia que tiene el producto
respecto de la traccion. Manifiestan ellos que, en su concepto, los dos procesos producir an
bolsas con igual resistencia a la tracci on si la raz
on entre las varianzas muestrales de pro-
ductos de los dos procesos no es demasiado grande. Consideran que la raz on es demasiado
grande si la probabilidad de obtener un valor mayor o igual a un valor determinado es
menor que 0,05. Las muestras aleatorias (independientes) de 25 productos de cada uno
de los procesos, dan varianzas de 540 y 256. Creer an los directores que ambos procesos
producen bolsas con la misma variabilidad de resistencia a la tracci on? Supongamos que las
resistencias a la tracci
on de los productos fabricados con los dos procesos estan normalmente
distribuidas.
77. Se supone que la varianza de las calificaciones de las pruebas de estado en cierto pas es
la misma para hombres y mujeres. Una muestra aleatoria de 21 hombres y una muestra
aleatoria independiente de 19 mujeres dan varianzas de 876 y 400 respectivamente. Si las
calificaciones para hombres y mujeres est an normalmente distribuidos y tienen varianzas
iguales, cual es la probabilidad de obtener de esas muestras resultados tan extremos o m
as
extremos que estos?

77. 0,05
Ejercicios complementarios
78. Diga si la afirmacion dada es verdadera o falsa. Justifique siempre su respuesta. En caso
que sea falsa, de un contraejemplo.
(a) Suponga que se utiliza el muestreo aleatorio simple para escoger muestras aleatorias
(simples) de una poblacion que tiene por elementos a las letras a, b, c y d. Si el
muestreo se hace con reemplazo y con orden, entonces, la probabilidad de seleccionar
no 2 es igual a 24 = 21 .
dos muestras cualesquiera de tama
(b) La diferencia de dos medias poblacionales es un ejemplo de un par
ametro.
(c) La varianza muestral es una probabilidad.
(d) La distribuci
on muestral de un estadstico es una variable aleatoria.
(e) La distribuci
on muestral de un estadstico es un n
umero.
(f) Un estadstico es un n
umero.
(g) Si una poblaci
on es normal, entonces, la distribuci
on muestral de la media muestral es
la t de Student.
(h) Cuando el muestreo se hace sin reemplazo en una poblaci on finita, la media de la
distribuci
on de la media muestral es igual a la media de la poblaci
on original dividida
por el tamano de la poblaci
on.
79. Responda las preguntas planteadas en las siguientes situaciones. Explique.
(a) Que quiere decir que la media muestral tiene una distribuci
on en el muestreo?
(b) Una poblacion tiene una desviaci
on est
andar de 15. Se toman muestras aleatorias de
tamano n sin reemplazo y se calculan sus medias. Que le sucede al error est
andar de
la media cuando n crece de 400 a 900? Y a x cuando n crece?
(c) Bajo que condiciones existir
ala distribuci
on muestral de la moda?
(d) Si la distribuci
on muestral de la media es normal para todos los tama
nos n de muestras,
que sabe usted de la poblacion de la cual proceden las muestras?
(e) Es una muestra aleatoria simple la muestra 1,2 de la poblaci
on de valores 1, 2, 3, 4, 5,
6, 7, 8, 9, 10?
(f) Que importancia tiene el teorema central del lmite en la distrbuci
on muestral de la
media muestral?
79. (b) Decrece (c) La distribuci on muestral de la moda s olo tiene sentido cuando para
cada muestra extrada de la poblacion existe una u
nica moda. En la pr actica esto nunca
ocurre (d) La poblaci on es normal. Para muestras de tama no uno, la distribucion
muestral de la media es identica a la poblacion de la que proceden las muestras (e) No
podemos decir. Debemos conocer el procedimiento utilizado.
Cap. 1. Ejercicios complementarios

74
80. Una persona est

a considerando 6 tipos de prestamos diferentes. El numero medio de das
que tardan en vencer estos prestamos es 41, 39, 35, 35, 33 y 38. Se eligen al azar dos de
estos fondos.
(a) Cu
al es el n
umero de posibles muestras de dos fondos?
(b) Hacer una lista de todas las posibles muestras.
(c) Hallar la funci
on de probabilidad de la distribuci
on en el muestreo de la media muestral.
(d) Comprobar directamente que la media de la distribuci
on muestral es igual a la media
poblacional.
81. Las calificaciones obtenidas por todos los estudiantes en las pruebas del ICFES sigue una
distribuci
on normal con una media de 420 y una desviaci on est
andar de 100. Se extrae una
muestra aleatoria de 25 puntuaciones.
(a) Hallar la probabilidad de que la media muestral de las puntuaciones sea mayor que 450.
(b) Hallar la probabilidad de que la media muestral de las puntuaciones tome un valor que
este entre 400 y 450.
(c) 0,10 es la probabilidad de que la media muestral de las puntuaciones sea mayor que
que n
umero?
(d) 0,10 es la probabilidad de que la media muestral de las puntuaciones sea menor que
que n
umero?
(e) 0,05 es la probabilidad de que la desviaci
on est
andar muestral de las puntuaciones sea
mayor que que numero?
(f) 0,05 es la probabilidad de que la desviaci
on est
andar muestral de las puntuaciones sea
menor que que numero?
(g) Si se toma una muestra de 50 calificaciones, la probabilidad de que la media muestral
de las puntuaciones sea mayor que 450, ser a mayor, menor o la misma que la obtenida
en el inciso (a)? No es necesario detallar los c
alculos. Realizar un gr
afico para ilustrar
el razonamiento.
81. (a) 0,0668 (b) 0,7745 (c) 445,6 (d) 394,4 (e) 123 (f ) 76 (g) Menor
82. En un determinado a no, las tasas de rentabilidad de las acciones de las companas electricas
siguieron una distribuci
on normal con media 14,8 y desviaci on est
andar 6,3. Se extrae una
muestra aleatoria de 9 de estas acciones.
(a) Cual es la probabilidad de que la media muestral de la tasa de rentabilidad sea mayor
que 19?
(b) Cual es la probabilidad de que la media muestral de la tasa de rentabilidad este entre
10,6 y 19?
(c) 0,25 es la probabilidad de que la media muestral de la tasa de rentabilidad sea menor
que que n
umero?

(d) Supongamos que se selecciona una muestra de 20 acciones. Razonar si la probabilidad

de que la media muestral de la tasa de rentabilidad sea mayor que 19 resultar
a en este
caso, mayor, menor o la misma que la obtenida en el inciso (a). Realizar un gr afico
para ilustrar el razonamiento.
82. (a) 0,0228 (b) 0,9544 (c) 13,4 (d) 8,1 (e) Menor
83. Se ha comprobado que el 80% de los egresados de la facultad de Administraci on y Empresa

de cierta universidad acepta una oferta de trabajo en entidades bancarias. Para quienes
aceptan una oferta en entidades bancarias, la distribuci
on de los salarios es normal con una
media de 29.000 dolares y una desviaci
on est
andar de 29.000 d olares.
(a) Para una muestra aleatoria de 60 egresados, cu

al es la probabilidad de que menos del
70% hayan aceptado una oferta de trabajo?
(b) Para una muestra aleatoria de 6 egresados, cu
al es la probabilidad de que menos del
70% hayan aceptado una oferta de trabajo?
(c) Para una muestra aleatoria de 6 egresados que han aceptado una oferta de trabajo,
cu
al es la probabilidad de que la media muestral de su salario sea mayor que 30.000
d
olares?
(d) Si se elige un estudiante de u
ltimo a
no al azar, cu
al es la probabilidad de que haya
aceptado una oferta de trabajo con salario superior a los 30.000 d
olares?
83. (a) 0,0262 (b) 0,3446 (c) 0,2709 (d) 0,321
84. Un director de control de calidad est

a preocupado sobre la variabilidad de la cantidad de
componentes especiales en las capsulas producidas por un cierto proceso. Se toma una
muestra aleatoria de 21 c
apsulas. Cual es la probabilidad de que la varianza muestral de
la cantidad de componentes especiales sea mayor que dos veces la varianza poblacional?
84. 0,005
85. Las calificaciones de cierto examen realizado por un grupo grande de estudiantes sigue
una distribucion normal con una desviaci on est
andar de 40 puntos. Se toma una muestra
aleatoria de 16 calificaciones para estimar la puntuaci on media en la poblaci
on. Sea X la
media muestral. Cu al es la probabilidad de que el intervalo que va de X 10 a X + 10
contenga la verdadera media poblacional?
85. 0,6826
86. En determinado a no, el 40% de las prestamos realizados en una entidad bancaria fueron can-
celados durante los 15 anos siguientes. Se examina una muestra aleatoria de 250 prestamos.
(a) 0,8 es la probabilidad de que la proporci

on muestral sea mayor que que n
umero?
(b) 0,9 es la probabilidad de que la proporci
on muestral sea menor que que n
umero?
(c) 0,7 es la probabilidad de que la proporci
on est
andar muestral difiera de la proporci
on
poblacional en que cantidad?
86. (a) 0,347 (b) 0,440 (c) 0,032

76
87. Se sabe que el salario devengado por las personas afiliadas a cierta entidad de salud sigue
una distribuci
on normal con una desviaci on est
andar de 6.600 d
olares. Se toma una muestra
aleatoria de 25 personas afiliadas a dicha entidad de salud.
(a) Cual es la probabilidad de la desviaci

on est
andar muestral de sus rentas sea mayor que
4.000 dolares?
(b) Cual es la probabilidad de la desviaci
on est
andar muestral de sus rentas sea menor
que 8.000 dolares?
87. (a) M
as de 0,995 (b) Entre 0,9 y 0,95
88. La vida media de cierta especie de animal es de siete a

nos, con una desviaci
on est
andar de un
a
no. Suponga que las vidas de esta especie animal sigue aproximadamente una distribuci on
normal. Encuentre:
(a) La probabilidad de que la vida media de una muestra aleatoria de nueve animales de
esta especie caiga entre 6,4 y 7,2 a
nos.
(b) El valor de X a la derecha del cual caera el 15% de las medias calculadas de muestras
aleatorias de tama
no 9.
89. Sean X1 , X2 , . . ., X100 variables aleatorias que representan los pesos netos reales de 100
bolsas de 50 libras de cemento, seleccionadas al azar.
(a) Si el peso especificado de cada bolsa es 50 y la varianza 1, calcule P (49, 75 X 50, 25)
(aproximadamente) empleando el teorema central del lmite.
(b) Si el peso esperado es 49, 8 libras, en lugar de 50 libras, de modo que en promedio las
bolsas tienen menos pesos, calcule P (49, 75 X 50, 25).
90. La longitud de cierta cuchara para postres seleccionada al azar es una variable aleatoria con
valor medio de 12 cm y desviacion est
andar de 0, 4 cm.
(a) Si X es la longitud media de la muestra para una muestra de n = 16 cucharas, d onde

est
a centrada la distribuci
on muestral de X, y cu
al es la desviaci
on est
andar de X?
(b) Conteste las preguntas formuladas en el inciso (a) para un tama
no muestral de n=64
cucharas.
(c) Para cu
al de las dos muestra aleatorias, una del inciso (a) y otra del inciso (b) es m
as
probable que X este dentro 0, 01 cm. alejado de 12 cm? Explique su razonamiento.
91. El tiempo que dedican a entrenar los futbolistas de de cierto pas en la semana anterior a la
final de los campeonatos sigue una distribucon normal con una desviaci on est
andar de 8,4
horas. Se toma una muestra aleatoria de estos futbolistas con el fin de estimar el tiempo
medio de entrenamiento para esta pobalci on de futbolistas.
(a) Que tama

no ha de tener la muestra para poder asegurar que la probabilidad de que
la media muestral difiera de la media poblacional en m
as de dos horas sea menor que
0,05?

(b) Sin realizar los c

alculos, razonar si se requerir
a un tamano muestral mayor o menor que
el del apartado (a) para poder garantizar que la probabilidad de que la media muestral
difiera de la media poblacional en m as de 2 horas sea menor que 0,10?
(c) Sin realizar los c
alculos, razonar si se requerir
a un tamano muestral mayor o menor que
el del apartado (a) para poder garantizar que la probabilidad de que la media muestral
difiera de la media poblacional en m as de 1,5 horas sea menor que 0,05.
91. (a) 68 (b) menor (c) mayor
92. Una pieza de tubo de PVC debe insertarse dentro de otra pieza. La longitud de la primera
est
a normalmente distribuida con valor medio de 20 pulgadas y desviaci on estandar de
0,5 pulgadas. La longitud de la segunda es una variable aleatoria normal con media y
desviaci
on est
andar de 15 pulgadas y 4 pulgadas, respectivamente. La cantidad de traslape
est
a normalmente distribuida con valor medio de 1 pulgada y desviaci on estandar de 0.1
pulgada. Si se supone que las longitudes y cantidades de traslape son independientes una
de otra, Cual es la probabilidad de que la longitud total, despues de la inserci
on, sean
entre 3,45 y 35 pulgadas?
92. 0,1588
93. Demuestre que e = x donde e = x .

78

CAPITULO 3
Pruebas de hip
otesis
Contenido
3.1 Conceptos de la prueba de hip

otesis . . . . . . . . . . . . . . . . 80
3.1.1 Comentarios acerca de los terminos aceptar y rechazar . . . 86
3.2 Prueba para la media . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.2.1 El caso de muestras grandes . . . . . . . . . . . . . . . . . . . . . 87
nas . . . . . . . . . . . . . . . . . . . . . . 89
3.3 Pruebas para la proporci
on . . . . . . . . . . . . . . . . . . . . . 90
3.4 Prueba para la diferencia de dos proporciones . . . . . . . . . . 92
3.5 Prueba para la diferencia de dos medias . . . . . . . . . . . . . . 95
3.5.1 Primer caso: varianzas poblacionales conocidas o desconocidas y
muestras grandes . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.5.2 Segundo caso: varianzas poblacionales iguales, desconocidas y
muestras peque
nas . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.5.3 Tercer caso: varianzas poblacionales diferentes, desconocidas y
muestras peque
nas . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.6 Prueba para la varianza . . . . . . . . . . . . . . . . . . . . . . . 103
3.7 Prueba para la raz
on de dos varianzas . . . . . . . . . . . . . . . 105
79
80
Objetivos del captulo

1. Explicar el lenguaje de una prueba de hip
otesis.
2. Estudiar los tipos de errores asociados con una prueba de hip

otesis.
3. Aprender cu
ando usar pruebas de una cola y c
uando pruebas de dos colas.
4. Realizar pruebas de hip

otesis para la media, proporci
on, diferencia de dos medias, diferencia
de dos proporciones, varianza y razon de dos varianzas.
Empleo de la estadstica
Una encuesta realizada en cierto a no revelo que el 78% de quienes re-
spondieron consideraron que estaban mejor financieramente que sus padres.
Una encuesta m as reciente encontro que 370 de las 500 personas quienes
respondieron pensaron que sus fortunas financieras eran mejores que las de
sus padres. Sugiere esto un descenso en la proporci on de personas que
consideran que estan financieramente m as estables de lo que estaban sus
padres?
3.1 Conceptos de la prueba de hip

otesis
En captulos anteriores, hemos visto que la informacon obtenida a partir de muestras aleatorias
sirve para estimar los par ametros desconocidos de la poblacion mediante el calculo de los esti-
madores puntuales o intervalos de confinaza. Por otro lado, en este captulo, veremos que la
informacion muestral tambien se puede utilizar para probar la validez de una afirmaci on, conje-
tura o hipo tesis acerca del valor del par
ametro de la poblaci
on como se ilustra en las diferentes
situaciones del siguiente ejemplo.
Ejemplo 3.1.1 Consideremos las siguientes situaciones:
(a) Un empresario afirma que, en promedio, las utilidades mensuales son por lo menos de $
5.000.000. Para vefificar esta afirmacion se promedian las utilidades de una muestra aleatoria
y se infiere el resultado a partir de la informaci
on muestral.
(b) Una papelera recibe un gran cargamento de lapiceros. Solo puede aceptar el envo si no hay
mas de un 3% de lapiceros defecutosos. La decisi
on de si aceptar la remesa puede basarse en
el examen de una muestra aleatoria de lapiceros.
(c) Un productor de software de computador desea certificar que la proporci

on de sus productos
que son defectuosos es menor del 3%. Para verificar lo anterior, hay que realizar el estudio
con base en una muestra aleatoria de los productos.

Captulo 3. Pruebas de hipotesis
Las situaciones propuestas tienen algo en com un. La hip otesis se formula sobre la poblaci
on y las conclusiones sobre la validez de esta hip otesis se basan en la informacion muestral. En
eta secci
on, se introducir
a una herramienta general para abordar estos y otros problemas. Los
procedimientos especficos se desarrollar
an en las siguientes secciones.
Hip
otesis estadsticas
En general, una hipotesis es una explicaci on propuesta que puede, o no, ser cierta. Nuestra dis-
cusi
on se limitar
a a las hip
otesis estadsticas.
Definici
on 3.1.2 Una hipo tesis estadstica es una afirmacion cuantitativa acerca de una o
m
as poblaciones, o mejor, como es m as frecuente, afirmaciones sobre uno o m as par
ametros de
una o m
as poblaciones.
Las hip
otesis nula y alternativa
Las hip
otesis estadsticas son de dos tipos: las hip
otesis nula y alternativa.
Definicion 3.1.3 La la hipo tesis nula, que se simboliza por H0 y que es la hip otesis que se
debe comprobar. Es una afirmaci on en la que se dice que no hay diferencia alguna entre dos
poblaciones, entre dos par
ametros poblacionales o entre el valor verdadero de alg
un par
ametro y
su valor hipotetico.
La hipo tesis alternativa, simbolizada por H1 , se establece como como el complemento de

la hip
otesis nula y representa la conclusi
on que se apoya si la hip
otesis nula se rechaza.
Siempre que vayamos a escribir una hip otesis estadstica en terminos de la H0 o H1 , debemos
tener en cuenta los siguientes comentarios:
1. La hip
otesis nula H0 siempre se refiere a un valor especfico del par
ametro de poblaci
on
(como, por ejemplo, ), no al estadstico muestral (como X).
2. La expresi
on de la hip
otesis nula siempre contiene un signo igual respecto al valor especifi-
ametro poblacional (por ejemplo,1 H0 : = 36, H0 : 36 o H0 : 36).
cado del par
3. La expresion de la hip
otesis alternativa nunca contiene un signo igual respecto al valor
especificado de par
ametro de poblacion (por ejemplo, H0 : =
6 36, H0 : < 36 o H0 : >
36).
1
En general, si es un par
ametro poblacional y si k es cualquier n
umero real, entonces, la hipotesis
alternativa H1 : 6= k se llama alternativa bilateral y las hipotesis alternativas H1 : < k y
H1 : > k, alternativas unilaterales.

3.1. Conceptos de la prueba de hipotesis
82
La especificaci
on de unas hipoteis nula y alternativa depende del problema. Para ilustrar estos
conceptos, consideremos las situaciones que se presentan en el siguiente ejemplo.
Ejemplo 3.1.4 Dada las siguientes situaciones, identifique las hip

otesis nula y alternativa para
la hip
otesis estadstica formulada en cada situaci
on.
(a) Un empresario afirma que el peso medio poblacional (en gramos) de lapiceros por caja es de
por lo menos 300 gramos.
(b) Una empresa decide aceptar envos de piezas siempre y cuando no tenga evidencia para
sospechar que m
as del 4% son defectuosas.
(c) Supongamos que la conjetura de una profesor es que la utilizacion de la tecnologa no produce
diferencias en el promedio de las calificaciones del examen final.
(d) Como hip otesis de un trabajo, un investigador puede considerar que la propuesta de una nueva
ley es acogida de igual forma por hombres y mujeres.
SOLUCION:
(a) Sea el peso medio poblacional (en gramos) de lapiceros por caja. Si la hip
otesis es que esta
media es por lo menos 300 gramos, entonces, la hip
otesis nula es
H0 : 300.
La alternativa obvia es que el verdadero peso medio es inferior a 300 gramos, es decir,
H1 : < 300.
(b) Sea la proporci

on poblacional de piezas defectuosas. En este caso, la hip
otesis nula es que
esta proporci
on es cuando mucho 0,05, es decir,
H0 : 0, 05.
Basandose en la informaci
on muestral, se contrasta esta hip
otesis frente a la alternativa uni-
lateral
H1 : > 0, 05.
(c) Sea la diferencia entre las calificaciones medias poblacionales para las dos partes del curso,
con y sin uso de la tecnologa. Entonces, la hip
otesis nula es
H0 : = 0.
Sin embargo, el profesor puede sospechar que posiblemente el uso de la tecnologa produzca
un incremento en el promedio y, en consecuencia, querr
a cotrastar la hip
otesis nula frente a
la alternativa unilateral
H1 : > 0.

(d) Sea la diferencia entre las proporciones poblacionales a favor de la nueva ley. Entonces, la
hip
otesis nula es
H0 : = 0.
Si el investigador no tiene una buena raz on para sospechar que la mayor parte del apoyo
venga de una poblaci on en lugar de la otra, esta hip
otesis nula puede contrastarse frente a la
hipotesis alternativa bilateral
H1 : 6= 0.
Errores de tipo I y de tipo II
Generalmente se acostumbra discutir las decisiones con respecto a la hip

otesis nula. Hay dos
posibles decisiones:
1. Aceptar la hip
otesis nula (o rechazar la alternativa).
2. Rechazar la hip
otesis nula (o aceptar la alternativa).
Con el fin de llegar a una de estas conclusiones, se adopta una regla de decisio n basada en la
informacion muestral. En las secciones siguientes, estudiaremos reglas de decisi
on concretas.
En realidad, la hipotesis nula es o verdadera o falsa. S

olo si aceptamos o rechazamos la hip
otesis
nula podemos tener raz on, y solo entonces podemos cometer un error. Considere los eventos
descritos en la tabla 3.1.
Decisi
on sobre H0 H0 es verdadera H0 es falsa
Aceptar H0 Decision correcta Decision incorrecta
Rechazar H0 Decision correcta Decision correcta
Figura 3.1: Decisiones con respecto a la hipotesis nula H0
Si aceptamos la hip otesis nula cuando es verdadera o se rechaza cuando es falsa, entonces, hemos
tomado una decisi on correcta. Pero si rechazamos la hip otesis nula cuando en realidad es ver-
dadera, hemos cometido un error; este evento lo llamamos un error de tipo I. Adem as, si aceptamos
la hip
otesis nula cuando es falsa, hemos cometido otro tipo de error; lo llamamos un error de tipo
II. Estos errores son eventos y, por lo tanto, ocurren con cierta probabilidad.

84
Definici
on 3.1.5 Se dice que cometemos un error de tipo I si rechazamos la hip otesis nula
cuando en realidad es verdadera y que cometemos un error de tipo II si aceptamos la hipotesis
nula cuando es falsa. La probabilidad de cometer estos errores est
a dada por
P (error de tipo I) = P (rechazar H0 | H0 es verdadera) = .
P (error de tipo II) = P (aceptar H0 | H0 es falsa) = .
La probabilidad se llama nivel de significancia, 1 es el llamado grado de confianza

y la probabilidad 1 se llama potencia de la prueba.
Los conceptos se
nalados en la definici
on 3.1.5 se pueden visualizar m
as claramente en la tabla 3.2.
Decisi
on sobre H0 H0 es verdadera H0 es falsa
Aceptar H0 Decision correcta Error de tipo II
Probabilidad = 1 Probabilidad =
1 se llama grado de confianza
Rechazar H0 Error de tipo I Decision correcta
Probabilidad = Probabilidad = 1
se llama nivel de significancia 1 se llama potencia
Figura 3.2: Errores de tipo I y II y sus correspondientes probabilidades
Ejemplo 3.1.6 Suponga que un nuevo procedimiento y m as caro para detectar el cancer de
mama en las mujeres se est a probando para ver si es superior al metodo usado generalmente. Las
hip
otesis estadsticas son:
H0 : El nuevo metodo no es mejor que el com

unmente usado.
H1 : El nuevo metodo es mejor que el com

unmente usado.
Observese que las consecuencias de cometer un error de tipo I incrementaran los costos medicos.
En cambio, las de cometer un error de tipo II seran una menor eficacia de la prueba y, posible-
mente, una mayor proporci on de muestres por c
ancer.
Ejemplo 3.1.7 Supongamos que un individuo es juzgado por cierto delito que supuestamente ha
cometido. En este caso, las hip
otesis a tener en cuenta son:
H0 : El individuo es inocente.
H1 : El individuo es culpable.
Los abogados de la fiscala tratan de probar que el individuo es culpable, es decir, que H1 es
verdadera (o que H0 es falsa). Al llegar a su veredicto final, el jurado debe emitir una decis
on

correcta o incorrecta. Las decisiones correctas son que el jurado vote inocente cuando el individuo
es inocente o que vote culpable cuando el individuo es culpable. Las decisiones incorrectas son
que el jurado vote por castigar al acusado cuando este es inocente (error de tipo I) o vote por
perdonarlo cuando sea culpable (error de tipo II).
Por supuesto, lo ideal sera que las probabilidades de los dos tipos de error fuesen lo mas pequenas
posible. Sin embargo, hay una clara compensaci on entre los dos. Cuando se ha tomado una
muestra, cualquier regla de decisi on que haga menos verosmil rechazar una hip otesis nula cierta,
inevitablemente, se traducir a en mayor verosimilitud de aceptar esta hip otesis cuando es falsa.
Ejemplo 3.1.8 Supongamos que, bas andonos en una muestra aleatoria, queremos probar la
hip
otesis nula de que el verdadero peso medio del contenido de caja de lapiceros es al menos
de 300 gramos. Dado un tama no muestral especfico (digamos, 40 observaciones), podemos adop-
tar la regla de decisi
on de rechazar la hip
otesis nula si el peso medio en la muestra es inferior a 295
gramos. Ahora, es f acil encontrar una regla de decisi on para la cual la probabilidad de cometer
un error de tipo I es menor.
Si modificamos nuestra regla de decisi on rechazar la hip otesis nula si el peso medio es infe-
rior a 295 gramos, se conseguir
a este objetivo. Sin embargo, hay que pagar un precio. Si usamos
la regla de decisi
on modificada, sera mas verosmil aceptar la hip
otesis nula, tanto si es cierta
como si es falsa. Por tanto, al disminuir la probabilidad de cometer un error de tipo I, hemos
aumentado la probabilidad de cometer un error de tipo II.
En el ejemplo 3.1.8, la u
nica manera de disminuir simult aneamente las dos probabilidades de error
ser
a obtener m as informacion sobre la verdadera media de la poblaci on, tomando una muestra
mayor. Habitualmente, lo que se hace en la pr actica es fijar la probabilidad de cometer un error
de tipo I a un nivel deseado, es decir, se fija el nivel de significancia. Entonces, esto determina la
regla de decisi
on adecuada, que a su vez determina la probabilidad de un error de tipo II. Este
procedimiento se ilustra en el esquema siguiente:
El investigador elige un nivel de Se determina Resulta una

significancia una regla probabilidad de
(probabilidad de error de tipo I) de decisi
on error de tipo II
Para ilustrar el esquema anterior, consideremos el siguiente
Ejemplo 3.1.9 Consideremos nuevamente la situaci on del ejemplo 3.1.8 en donde, a partir de
una muestra de 40 observaciones, se quiere probar si el verdadero peso medio del contenido de
caja de lapiceros es al menos de 300 gramos. Dada una regla de decisi on, podemos determinar
las probabilidades de los errores de tipo I y de tipo II asociadas al contraste. Sin embargo,
en realidad, procedemos fijando primero la probabilidad de rechazar la hip otesis nula cuando es
cierta sea como mucho 0,05. Podemos conseguirlo eliminando un n umero c apropiado a la regla
de decisi
on rechazar la hip
otesis nula si la media muestral es inferior a c gramos (en la secci
on
3.2 explicaremos como se puede hacer esto). Una vez elegido el n umero c, pueden calcularse las
probabilidades del error de tipo II usando las procedimientos que expondremos en la secci on ??.

86
Estadstico de prueba y regi

on crtica
Dos elementos importantes que se deben tener en cuanta para realizar una prueba de hip
otesis
son el estadstico de prueba y la regi
on crtica.
Definicion 3.1.10 Un estadstico de prueba es un estadstico (es decir, una funci on que
s
olo depende de la informaci
on muestral) que se utiliza para determinar si se rechaza, o no, la
hip
otesis nula.
La regio n crtica es el conjunto de todos los valores del estadstico de prueba para los
cuales la hip
otesis nula ser
a rechazada.
Entonces, la hipotesis nula sera rechazada si y s

olo si el valor observado o calculado del estadstico
on de rechazo.
de prueba se ubica en la regi
El estadstico de prueba se determina teniendo en cuenta el par ametro sobre el cual se hace la
hipotesis y la naturaleza de la distribuci
on muestral del estadstico pertinente, como se ilustra en
el siguiente
Ejemplo 3.1.11 Supongamos que, de una poblaci on distribuida normalmente con varianza 2 ,
se selecciona una muestra aleatoria simple de tama no n, con media x y varianza s. Adem as,
supongamos que se quiere probar la hipotesis nula H0 : = 0 , siendo 0 un n
umero real dado.
(a) Si es conocida, el estadstico de prueba que se usa para verificar una hip
otesis sobre la media
poblacional es
x 0
Z = ,
/ n
el cual se distribuye como la distribuci
on normal est
andar.
(b) Si es desconocida, entonces, bajo ciertas condicones, el estadstico de prueba que se usa
para verificar una hip
otesis sobre la media poblacional es
x 0
t = ,
s/ n
el cual se distribuye como la distribuci

on t de Student con n 1 grados de libertad.
En las secciones 3.2 - 3.7 veremos que el tama no de la regi

on crtica estar
a determinado por el
nivel de significancia fijado. En esas secciones estudiaremos con m as detalle c
omo se determina
esta regi
on crtica para realizar una determinada prueba de hipotesis.
3.1.1 Comentarios acerca de los t

erminos aceptar y rechazar
Los terminos aceptar y rechazar son comunmente usados para las posibles decisiones sobre la
hip
otesis nula en los res
umenes formales de los resultados de un contraste en particular. Si em-

bargo, estos terminos no reflejan adecuadamente la asimetra de los estatus de las hipotesis nula
y alternativa, o las consecuencias de un procedimiento en el que se fija el nivel de significancia y
no se controla la probabilidad de un error de tipo II.
Como ya hemos se nalado, la hip tesis mantenida2 . Adem

otesis nula tiene el estatus de hipo as,
al fijar el nivel de significancia, generalmente en alguna probabilidad peque na, estamos asegurando
que el riesgo de rechazar una hip otesis nula cierta sea peque
no. Con esta estructura , una pequena
cantidad de datos no ser a suficiente para colocarnos en posici on de rechazar una hipotesis nula,
aunque sea completamente err onea.
Como hemos visto, cuando aumenta el n umero de observaciones de la muestra, tambien lo hace
nuestra capacidad para detectar una hip otesis nula falsa. Por tanto, al aceptar una hip otesis
nula, no estamos asegurando necesariamente que haya mucho en su favor. Una afirmaci on mas
precisa, aunque m as pedante, sobre la situaci on puede ser los datos disponibles no proporcionan
suficiente evidencia para rechazar la hip otesis nula, dado que queremos fijar en la probabilidad
de rechazar una hip otesis nula que es cierta. Por esta raz on, algunos autores prefieren la frase
no se rechaza la hipotesis nula en lugar de se acepta la hip otesis nula. Nosotros seguiremos
usando aceptar como una manera eficiente de expresar esta idea, pero es importante tener en
cuenta la interpretacion de la frase. La situaci on es muy similar a la de un tribunal de justicia,
donde el acusado, al prinicipio, goza de la presunci on de inocencia, y la acusacion debe presentar
evidencia contraria lo suficientemente clara como para conseguir un veredicto de culpabilidad. En
el contexto de la prueba de hip otesis cl
asica, la hip
otesis nula se considera cierta inicialmente. La
tarea de persuadirnos de lo contrario corresponde a los datos de la muestra.
3.2 Prueba para la media

Como se ha hecho en captulos anteriores, nuevamente realizaremos el estudio de las pruebas
de hip
otesis para la media poblacional teniendo en cuenta dos casos: el caso de tener muestras
grandes y el de tener muestras peque
nas.
3.2.1 El caso de muestras grandes

Cuando estemos considerando o bien una poblaci on normal (con cualquier tama no de muestra)
o bien una poblacion de forma desconocida con muestras grandes (n 30) y bajo el supuesto
de que la varianza poblacional es conocida o desconocida, aunque sea por razones distintas, los
resultados son los mismos. En estos casos, la distribuci on muestral de la media muestral es la
distribuci
on normal. Para cualquiera de los tres casos siguientes que podemos considerar para la
hip
otesis nula
H0 : = 0 , H0 : 0 , H0 : 0 ,
2 tesis mantenida es aquella de que se considera cierta salvo que los datos contengan suficiente
Una hipo
evidencia en contra
3.2. Prueba para la media

88
x 0 y la regi
el estadstico de prueba tiene la forma Z = / n
on crtica depender
a de cada uno de
estos tres casos, como se ilustra en la tabla 3.3.
Tipo de hip otesis Regla de decisi on

H0 : 0 Si Z Z , entonces, se rechaza
H 1 : < 0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : 0 Si Z Z , entonces, se rechaza
H 1 : > 0 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : = 0 Si Z Z/2 o Z Z/2 , entonces, se
H1 : 6= 0 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.3: Reglas de decision para la prueba de (caso de muestras grandes)
Todo lo anterior se puede resumir en el siguiente
Teorema 3.2.1 Sea x la media de una muestra aleatoria de tama

no n tomada de una poblaci on
2
con media y varianza > 0. Supongamos que se cumple alguna de las siguientes condiciones:
on es normal y 2 es conocida (no importa el tama

(a) La poblaci no de n);
on es normal, 2 es desconocida y n 30;

(b) La poblaci
on es desconocida (o no normal), 2 es conocida o desconocida y

(c) La forma de la poblaci
n 30.
Entonces, una prueba de hip otesis con nivel de significancia para la media es como se
x
0 el estad
presenta en la tabla 3.3, siendo Z = / n
stico de prueba correspondiente y Z/2 el valor
de una variable aleatoria a la derecha del cual se tiene un area de /2 en la distribuci
on normal.
Si la poblacion es finita de tama no N y el muestreo se hace sin reemplazo, se reemplaza n por

q
N n
as, en los casos en que la varianza sea desconocida y n 30, reemplazamos la desviaci
n N 1 . Adem on
on muestral s.
poblacional por la desviaci
Ejemplo 3.2.2 Como parte de un proceso de ensamblaje, se usa un taladro para hacer agujeros
en una lamina de metal. Cuando el taladro funciona adecuadamente, los di ametros de estos
agujeros tienen una distribuci
on normal con media de 2 centmetros y desviaci on tpica de 0,06
centmetros. Peri
odicamente, se miden los diametros de una muestra aleatoria de agujeros para
controlar que el taladro funciona adecuadamente. Asumamos que la desviaci on tpica no vara.
Una muestra aleatoria de nueve medidas da un di ametro medio de 1,95 centmetros. Probar la
hip
otesis de que la media poblacional es 2 centmetros frente a la alternativa de que no es as. Use

un nivel de significancia de 0,05.

SOLUCION:
Sea el di
ametro medio poblacional (en centmetros). Entonces, queremos contrastar las hip
otesis
H0 : = 2 versus H1 : 6= 2.
Tenemos que la poblacion es normal, = 0, 06 (conocida), n = 6 y x = 1, 95. Observese que se

cumple el supuesto (a) del teorema 3.2.1. En este caso, 0 = 2 y el valor del estadstico de prueba
est
a dado por
x 0 1, 95 2
Z= = = 2, 50
/ n (0, 06) 9
y para una prueba al nivel del 5%, tenemos que = 0, 05 y Z/2 = Z0,025 = 1, 96. Entonces,
como Z = 2, 50 es menor que Z/2 = 1, 96, se rechaza la hip
otesis nula al nivel de significancia
del 5%.
Ejemplo 3.2.3 Una muestra aleatoria de 100 muertes registradas en cierto pas durante el a no
pasado mostr o una vida promedio de 71,8 a nos. Suponiendo una desviacion est
andar poblacional
de 8,9 a
nos, parecera esto indicar que la vida promedio hoy en da es mayor que 70 a
nos? Utilice
un nivel de significancia del 5%.
SOLUCION:
Sea la vida promedio poblacional (en a nos). En este ejemplo, se quiere probar la hip
otesis
H0 : 70 a
nos versus H1 : > 70 a
nos.
Debido a que la poblaci

on es no normal (ya que el problema no dice que lo sea), = 8, 9 (conocida),
n = 100( 30), entonces, se puede aplicar el teorema 3.2.1 porque el supuesto (c) de ese teorema
se cumple. En este caso, x = 71, 8, 0 = 70 y el valor del estadstico de prueba est
a dado por
x 0 71, 8 70
Z= = = 2, 02.
/ n (8, 9) 100
Para una prueba al nivel del 5%, tenemos que = 0, 05 y Z = Z0,05 = 1, 64. Entonces, como
Z = 2, 02 es mayor que Z = 1, 64, se rechaza la hip otesis nula al nivel de significancia del 5%.
Es decir, se concluye que la vida promedio hoy en da es mayor que 70 a nos.

nas
La poblaci on de interes est
a distribuida normalmente, o no. Si es normal, entonces, podemos
utilizar t como el estadstico de prueba, entonces, una prueba de hip otesis de la media de la
poblacion es posible. Si la poblacion no est
a distribuida normalmente, entonces, es un problema
serio no conocer . Para muestras peque nas simplemente no conocemos la distribuci on muestral
suficientemente como para especificar un valor crtico de , la probabilidad del error de tipo I.
Por eso, no hay ninguna teora general que nos permita construir una regla de decision. En tales
situaciones, una solucion es tomar una muestra grande.
3.2. Prueba para la media

90
Nuevamente, para cualquiera de los tres casos siguientes que podemos considerar para la hip
otesis
nula
H0 : = 0 , H0 : 0 , H0 : 0 ,
la estadstica de prueba tiene la forma t = x 0 , la distribuci

s/ n
on a considerar es la t de Student
con n 1 grados de libertad y la region crtica depender a de cada uno de estos tres casos, como
se ilustra en la tabla 3.4.

H0 : 0 Si t t , entonces, se rechaza
H 1 : < 0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : 0 Si t t , entonces, se rechaza
H 1 : > 0 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : = 0 Si t t/2 o t t/2 , entonces, se
H1 : 6= 0 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.4: Reglas de decision para la prueba de con muestras peque

nas
Los resultados expresados anteriormente se pueden resumir en el siguiente
Teorema 3.2.4 Sean x y s2 la media y varianza de una muestra aleatoria de tama no n < 30
tomada de una poblaci on normal con media y varianza 2 desconocida. Entonces, una prueba de
hip
otesis con nivel de significancia para la media es como se presenta en la tabla 3.4, siendo
t = x 0 el estad
s/ n
stico de prueba correspondiente y t/2 el valor de una variable aleatoria a la
derecha del cual se tiene un a
rea de /2 en la distribuci
on t de Student con n1 grados de libertad.
q
Si la poblaci
on es finita de tama no N , se reemplaza sn por sn N N 1 . Es importar enfatizar que
n
cuando la forma de la distribucion de la poblaci

on es desconocida o es no normal, entonces, no hay ning
un
metodo general para establecer una prueba de hip otesis para la media poblacional .
3.3 Pruebas para la proporci

on
En muchos problemas pr acticos, queremos probar hip otesis sobre la proporci
on p de elementos
de una poblacion que poseen cierto atributo. La inferencia sobre la proporci on poblacional se
on de individuos p de una muestra aleatoria que poseen el atributo de interes.
basa en la proporci
Como se nalamos en captulos anteriores, bajo ciertas condiciones, la distribuci
on muestral de
la proporci
on muestral es la distribuci
on normal. En esta situaci on, supondremos que p es la

proporcion de exitos en una muestra aleatoria de tama no n, procedente de un poblaci on con

proporcion p exitos y las hip
otesis que podemos probar para la proporcion poblacional p son las
siguientes:
H 0 : p = p0 , H0 : p p0 , H0 : p p0 .
xp0 y la regi
El estadstico de prueba tiene la forma Z = / n
on crtica depender
a de cada uno de
estos tres casos, como se ilustra en la tabla 3.5.

H0 : p p 0 Si Z Z , entonces, se rechaza
H1 : p < p 0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : p p 0 Si Z Z , entonces, se rechaza
H1 : p > p 0 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : p = p 0 Si Z Z/2 o Z Z/2 , entonces, se
H1 : p 6= p0 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.5: Reglas de decision para la prueba de p (caso de muestras grandes)
El siguiente teorema formaliza lo expresado anteriormente.
Teorema 3.3.1 Sea p es la proporci on de exitos en una muestra aleatoria de tama

no n, procedente
de un poblaci
on con proporci
on p exitos. Supongamos que se cumple alguna de las dos siguientes
condiciones:
(a) n 30;
(b) np 5 y n(1 p) 5.
Entonces, una prueba de hip otesis con nivel de significancia para la proporci
on p es como se
pp 0
presenta en la tabla 3.5, siendo Z = q p (1p ) el estadstico de prueba correspondiente y Z/2 el
0 0
n
valor de una variable aleatoria a la derecha del cual se tiene un a
on
normal.
q
p0 (1p0 )
Para el caso de una poblaci no N , debemos reemplazar
on finita de tama n por la cantidad
q q
p0 (1p0 ) N n
n N 1 .
Ejemplo 3.3.2 De una muestra aleatoria de 802 clientes de supermercados, suponga que 378
pagaron sus artculos con tarjetas de credito. Contrastar el nivel del 10%, la hip otesis nula de
que al menos la mitad de los compradores pagan sus artculos con t arjetas de credito frente a la

3.3. Pruebas para la proporcion
92
alternativa de que la proporcion poblacional es menor de la mitad.

SOLUCION:
Sea p la proporci
on poblacional de compradores que pagan sus artculos con tarjetas de credito.
Queremos probar la hip otesis
H0 : p 0, 50 versus H1 : p < 0, 50.
En este ejemplo, p0 = 0, 50, n = 802 ( 30), p = 378/802 = 0, 471. Observese que puede aplicar el
teorema 3.2.1 porque el supuesto (a) del teorema se cumple. En este caso, el valor del estadstico
de prueba est
a dado por
p p0 0, 471 0, 50
Z=q =p = 1, 64.
p0 (1p0 ) (0, 50)(0, 50)/802
n
Z = 1, 64 es menor que Z = 1, 28, se rechaza la hipotesis nula al nivel de significancia del
10%.
Ejemplo 3.3.3 Un doctor afirma que el 12% de todas las citas son canceladas, durante un periodo
de seis semanas, fueron canceladas 21 de las 200 citas del doctor. Haga una prueba con un nivel
de significancia del 5% para determinar si la verdadera proporci on de todas las citas que son
canceladas es diferente del 12%.
SOLUCION:
Sea p la proporci
on poblacional de citas canceladas. En este ejemplo queremos probar la hip
otesis
H0 : p = 0, 12 versus H1 : p 6= 0, 12.
Tenemos que p0 = 0, 12, n = 200 ( 30), p = 21/200 = 0, 105. Nuevamente podemos aplicar el
teorema 3.2.1. En este caso, el valor del estadstico de prueba est
a dado por
p p0 0, 105 0, 12
Z=q =p = 0, 65.
p0 (1p0 ) (0, 12)(0, 88)/200
n
Para una prueba al nivel del 5%, tenemos que = 0, 05 y Z/2 = Z0,025 = 1, 96. Entonces, como
Z = 0, 65 est a entre Z/2 = 1, 96 y Z/2 = 1, 96, se acepta la hip otesis nula al nivel de
significancia del 5%. Es decir, no tenemos evidencia estadstica para rechazar la afirmacion del
doctor.
3.4 Prueba para la diferencia de dos proporciones

Volvamos sobre el problema de comparaci on de dos proporciones poblacionales. Como antes,
supongamos que disponemos de dos muestras aleatorias independientes. La primera consta de
n1 observaciones de una poblacion cuya proporci
on de exitos es p1 y la proporci
on muestral
resultante es p1 . La segunda consta de n2 observaciones de una poblacion cuya proporci
on de

exitos es p2 y la proporci
on muestral resultante es p2 .
En el captulo anterior, vimos que, bajo ciertas condiciones, entonces
(p p2 ) (p1 p2 )
Z = q1
p1 (1p1 )
n1 + p2 (1p
n2
2)
tiene aproximadamente una distribuci on normal estandar. Supongamos que que queremos con-
trastar la hipotesis de que las proporciones poblacionales son iguales. Si denotamos por p0 su
valor comun, entonces, bajo esta hip
otesis, tenemos que
p1 p2
Z=q
p0 (1p0 ) p0 (1p0 )
n1 + n2
tiene aproximadamente una distribucion normal est

andar. Finalmente, la proporcion descono-
on anterior puede estimarse mediante el estimador p0 (que utiliza las dos
cida p0 de la expresi
proporciones muestrales) dado por
n 1 p1 + n 2 p2
p0 = .
n1 + n2
Reemplazando el valor desconocido p0 por p0 se obtiene una variable aleatoria cuya distribuci
on
est
a pr
oxima a la normal. Este resultado es la base para probar las hip
otesis
H0 : p1 p2 = 0, H0 : p1 p2 0, H 0 : p1 p 2 0
y la regi
on crtica depender
a de cada uno de estos tres casos, como se ilustra en la tabla 3.6.

H0 : p1 p2 0 Si Z Z , entonces, se rechaza
H1 : p1 p2 < 0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : p1 p2 0 Si Z Z , entonces, se rechaza
H1 : p1 p2 > d0 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : p1 p2 = 0 Si Z Z/2 o Z Z/2 , entonces, se
H1 : p1 p2 6= 0 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.6: Reglas de decision para la prueba de p1 p2 (varianzas conocidas)
3.4. Prueba para la diferencia de dos proporciones

94
Teorema 3.4.1 Sea p1 la proporci on de exitos observada en una muestra aleatoria de tama no n1 ,
procedente de una poblaci on p1 de exitos, y sea p2 la proporci
on con proporci on de exitos observada
en una muestra aleatoria independiente de tama no n2 , procedente de una poblaci
on con proporci on
de exitos p1 . Supongamos que se cumple alguna de las siguientes dos condiciones:
(a) n1 30 y n2 30;
(b) n1 p1 5, n1 (1 p1 ) 5, n2 p2 5 y n2 (1 p2 ) 5.
Entonces, una prueba de hipotesis con nivel de significancia para la diferencia de proporciones
p1 p2 es como se presenta en la tabla 3.6, siendo
p1 p 2
Z=q
p0 (1p0 ) p0 (1p0 )
n1 + n2
el estadstico de prueba correspondiente con

n 1 p1 + n 2 p2
p0 =
n1 + n2
En la tabla mencionada, Z/2 el valor de una variable aleatoria a la derecha del cual se tiene un
a
on normal est
andar.
Ejemplo 3.4.2 Un rector de cierta universidad afirma que la proporci on de hombres que tienen
auto en el campus es mayor a la proporci on de mujeres que tienen auto en el campus. Un profesor
de estadstica se interesa en la afirmaci
on y entrevista aleatoriamente a 100 hombres y a 100
mujeres. Encuentra que 34 hombres y 27 mujeres tienen autos en el campus. Puede concluirse
con un nivel del 5% que la afirmaci on del rector es falsa?
SOLUCION:
Sean p1 y p2 las proporciones poblacionales de hombres y mujeres, respectivamente, que tienen
auto en el campus. Entonces, queremos contrastar la hip otesis nula
H 0 : p1 p2 0 versus H1 : p1 p2 > 0.
Los datos muestrales son

34 27
n1 = 100, p1 = = 0, 34, n2 = 100, p2 = = 0, 27.
100 100
Con estos valores, el estimador com

un bajo la hip
otesis nula es
n1 p1 + n2 p2 (100)(0, 34) + (100)(0, 27)

p0 = = = 0, 305
n1 + n2 100 + 100
y el estadstico de prueba est

a dado por
p1 p 2 0, 34 0, 27
Z = q = q = 1, 075.
p0 (1p0 ) p0 (1p0 ) (0,305)(0,695) (0,305)(0,695)
n1 + n2 100 + 100

Z = 1, 075 es menor que Z = 1, 64, al nivel de significancia del 5%, no se rechaza la hip
otesis nula
de que la proporci
on de hombres que tienen auto en el campus es menor o igual a la proporci on de
mujeres que tienen auto en el campus. Es decir, los datos muestran que la afirmaci on del rector
es falsa.
Ejemplo 3.4.3 De una muestra aleatoria de 203 anuncios publicados en revistas colombianas, 52
eran de deportes. De una muestra aleatoria independiente de 270 anuncios publicados en revistas
brasileras, 56 eran de deportes. Usando un nivel del 5%, constrastar frente a una alternativa bi-
lateral, la hip
otesis nula de que las proporciones de anuncios c
omicos de las revistas colombianas
y americanas son iguales.
SOLUCION:
Denotemos por p1 y p2 las proporciones poblacionales de anuncios deportivos en revistas colom-
bianas y brasileras, respectivamente. Entonces, queremos contrastar la hip otesis nula
H 0 : p1 p2 = 0 versus H1 : p1 p2 6= 0.
En este ejemplo,
52 56
n1 = 203, p1 = = 0, 256, n2 = 270, p2 = = 0, 207.
203 270
Con esto, el estimador com

un bajo la hip
otesis nula es
n1 p1 + n2 p2 (203)(0, 256) + (270)(0, 207)
p0 = = = 0, 228
n1 + n2 203 + 270
y el estadstico de prueba est

a dado por
p1 p2 0, 256 0, 207
Z = q = q = 1, 26.
p0 (1p0 ) p0 (1p0 ) (0,228)(0,772) (0,228)(0,772)
n1 + n2 203 + 270
Z = 1, 26 es menor que Z/2 = 1, 96, al nivel de significancia del 5%, no se rechaza la hip
otesis
nula de que las proporciones poblacionales de anuncios deportivos en las revistas colombianas y
brasileras son las mismas.
3.5 Prueba para la diferencia de dos medias

En esta seccion, examinaremos el caso que se dispone de muestras aleatorias de dos poblaciones, y
en el que el parametro de interes consiste en la diferencia entre las dos medias poblacionales. En
los procedimientos que se desarrollan para contrastar hip otesis, la metodologa adecuada depende,
una vez m as, de la manera en la que se tomaron las muestras. Es decir, depende de los dos casos
siguientes: el caso de tener muestras pareadas y el de tener muestras independientes. Nosotros
s
olo nos limitaremos a desarrollar pruebas para el segundo caso. Ahora, al igual que en captulos
anteriores, basaremos nuestro estudio de tales pruebas de acuerdo a los siguientes tres casos:
3.5. Prueba para la diferencia de dos medias

96
1. Las varianzas poblacionales son conocidas o desconocidas y las muestras son grandes.
2. Las varianzas poblacionales son iguales, desconocidas y las muestras son peque
nas.
3. Las varianzas poblacionales son diferentes, desconocidas y las muestras son peque
nas.
Para estos tres casos supondremos que disponemos de una muestra aleatoria (de tama no n1 , con
2
media x1 y varianza s1 ) que es tomada de una poblaci on con media 1 y varianza 1 , y de una
muestra aleatoria (independiente de la anterior, de tama no n2 , con media x2 y varianza s22 ) que
es tomada de una poblaci on con media 2 y varianza 2 .
3.5.1 Primer caso: varianzas poblacionales conocidas o descono-

cidas y muestras grandes
Como ya se explicado en en captulos anteriores, en esta situaci

on, la distribuci
on muestral de la
diferencia de dos medias muestrales es la distribuci
on normal. Las hip otesis que podemos probar
para la diferencia de dos medias poblacionales 1 y 2 son las siguientes:
H0 : 1 2 = d0 , H0 : 1 2 d0 , H0 : 1 2 d0 .
El estadstico de prueba tiene la forma
(x1 x2 ) d0
Z= q 2
1 22
n1 + n2
y la regi
on crtica depender
a de cada uno de estos tres casos, como se ilustra en la tabla 3.7.

H0 : 1 2 d0 Si Z Z , entonces, se rechaza
H1 : 1 2 < d0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : 1 2 d0 Si Z Z , entonces, se rechaza
H1 : 1 2 > d0 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : 1 2 = d0 Si Z Z/2 o Z Z/2 , entonces, se
H1 : 1 2 6= d0 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.7: Reglas de decision para la prueba de 1 2 (varianzas conocidas)
El siguiente teorema formaliza lo expresado anteriormente.

Teorema 3.5.1 Sean x1 y x2 las medias de muestras aleatorias independientes de tama nos n1
2 2
y n2 de poblaciones con medias 1 , 2 y varianzas 1 , 2 , respectivamente. Supongamos que se
cumple alguna de las siguientes condiciones:
(a) Ambas poblaciones son normales y ambas varianzas poblaciones 12 y 22 son conocidas;
(b) Ambas poblaciones son desconocidas o no normales, ambas varianzas poblacionales 12 y 22

son conocidas o desconocidas y n1 30, n2 30.
Entonces, una prueba de hip otesis con nivel de significancia para la diferencia 1 2 es como
se presenta en la tabla 3.7, siendo
(x1 x) d0
Z= q 2
1 22
n1 + n2
el estadstico de prueba correspondiente y Z/2 el valor de una variable aleatoria a la derecha del
cual se tiene un a rea de /2 en la distribuci
on normal.
En el caso en que las varianzas poblacionales son desconocidas, utilizamos las desviaciones mues-
on de las correspondientes desviaciones poblacionales.
trales repectivas como estimaci
Ejemplo 3.5.2 Se llev o a cabo un estudio entre expertos matem aticos para conocer su opini on
sobre las mujeres matem aticas. Se les pidi o que evaluaran en una escala de 1 (totalmente en
desacuerdo) a 5 (totalmente de acuerdo) la afirmaci on: Las mujeres matem aticas tienen la misma
oferta de trabajo que los hombres. Para una muestra aleatoria de 186 hombres de esta profesi on,
la respuesta media fue de 4.059 con una desviaci on tpica de 0,839. Para una muestra aleatoria
independiente de 172 mujeres matem aticas, la respuesta media fue 3.680 con una desviaci on tpica
de 0,966. Utilize un nivel de significancia del 5% para contrastar la hip otesis nula de que las dos
medias poblacionales son iguales frente a la alternativa de que ambas sean diferentes.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales de hombres y mujeres matem aticas. Queremos
contrastar la hip
otesis
H0 : 1 2 = 0 versus H1 : 1 2 6= 0.
Tenemos que
n1 = 186, x1 = 4, 059, s1 = 0, 839;

n2 = 172, x2 = 3, 680, s2 = 0, 966.
Observemos que podemos aplicar el teorema 3.2.1. En este caso, d0 = 0 y el valor del estadstico
de prueba est
a dado por
(x1 x) d0 (4, 059 3, 680) 0

Z = q 2 2
= q = 3, 95.
1 2 (0,839)2 (0,966)2
n1 + n2 186 + 172

98
Z = 3, 95 es mayor que Z = 1, 96, se rechaza la hip
otesis nula al nivel de significancia del 5%. Por
lo tanto, estos datos sugieren que la respuesta media en la poblaci on es mayor para los hombres
que para las mujeres. Es decir, en promedio, los hombres tienen m as confianza que las mujeres en
que a las mujeres se les ofrecen las mismas ofertas de trabajo que a los hombres.
Ejemplo 3.5.3 En un establecimiento escolar suburbano, se seleccion o al azr una muestra aleato-
ria de 25 alumnos de quinto grado (grupo 1) de una poblacion de estudiantes perteneciente a
familias en que ambos padres trabajan. Se seleccion o tambien una muestra aleatoria al azar de
15 estudiantes (grupo 2) del mismo grado y establecimiento escolar entre aquellos estudiantes que
pertenecen a familias en que solamente el padre trabaja. El an alisis de los puntajes de rendimiento
escolar (en escala de 1 a 100) de los dos grupos dio los siguientes resultados: un puntaje promedio
de 78 para el grupo 1 y de 85 para el grupo 2. La experiencia muestra que las poblaciones de
puntajes para ambos grupos est an distribuidas en forma aproximadamente normal, con varianzas
2 2
de 1 = 81 y 2 = 25. Utilizando un nivel de significancia del 5% y con base en estos datos,
determinar si se puede concluir que la media de la poblaci on de la que se seleccion o el grupo 1 es
inferior a la media de la poblaci
on de la que se seleccion o el grupo 2.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales de puntajes promedios. Al plantear las hip otesis
del problema, obtenemos
H0 : 1 2 o su equivalente H0 : 1 2 0;
H1 : 1 < 2 o su equivalente H1 : 1 2 < 0.
ahora, tenemos que
n1 = 25, x1 = 78, 12 = 81;

n2 = 15, x2 = 85, 22 = 25.
Observemos que nuevamente podemos aplicar el teorema 3.2.1. En este caso, d0 = 0 y el valor del
estadstico de prueba est
a dado por
(x1 x2 ) d0 (78 85) 0

Z = q 2 2
= q = 3, 16.
1 2 81 25
n1 + n2 25 + 15
Z = 3, 16 es menor que Z = 1, 64, se rechaza la hip otesis nula al nivel de significancia del
5%. Por lo tanto, se concluye que en ese establecimiento escolar, los puntajes promedios generales
de rendimiento de los estudiantes de quinto grado que pertenecen a familias en que ambos padres
trabajan son inferiores a los de los estudiantes que pertenecen a familias en que solamente el padre
trabaja.

3.5.2 Segundo caso: varianzas poblacionales iguales, desconoci-

das y muestras peque
nas
Ahora, trataremos el caso en el cual los tama

nos muestrales no son grandes y las varianzas pobla-
cionales son iguales pero desconocidas. En este caso, para probar las hip
otesis
H0 : 1 2 = d0 , H0 : 1 2 d0 , H0 : 1 2 d0 ,
el estadstico de prueba tiene la forma
(x1 x2 ) d0
t= q
s2 s2
n1 + n2
corresponde al valor de una variable aleatoria que tiene distribuci

on t de Student con = n1 +n2 2
grados de libertad. En la expresion anterior,
(n1 1)s21 + (n2 1)s22

s2 = ,
n1 + n2 2
es la llamada varianza muestral combinada y corresponde a un estimador de la varianza poblacional

com un. Nuevamente, la regi
on crtica depender
a de cada uno de estos tres casos, como se ilustra
en la tabla 3.8.

H0 : 1 2 d0 Si t t , entonces, se rechaza
H1 : 1 2 < d0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : 1 2 d0 Si t t , entonces, se rechaza
H1 : 1 2 > d0 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : 1 2 = d0 Si t t/2 o t t/2 , entonces, se
H1 : 1 2 6= d0 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.8: Reglas de decision para la prueba de 1 2 (varianzas desconocidas)
En el siguiente teorema resumimos todo lo expresado anteriormente.

100
Teorema 3.5.4 Sean x1 y x2 las medias de muestras aleatorias independientes de tama nos n1 <
2 2
30 y n2 < 30 de poblaciones normales con medias 1 , 2 y varianzas 1 , 2 iguales y desconocidas.
Entonces, una prueba de hipotesis con nivel de significancia para la diferencia de medias 1 2
es como se presenta en la tabla 3.8, siendo
(x1 x2 ) d0
t= q
s2 s2
n1 + n2
es el estadstico de prueba correspondiente. En la expresi

on anterior,
(n1 1)s21 + (n2 1)s22

s2 = .
n1 + n2 2
Adem as, t/2 el valor de una variable aleatoria de una variable aleatoria que tiene distribuci
on t
de Student con = n1 + n2 2 grados de libertad a la derecha del cual se tiene un a rea de /2
en esta distribucion.
Ejemplo 3.5.5 Se llev o a cabo un estudio que pretenda valorar el efecto de la presencia de un
moderador sobre el numero de ideas generadas por un grupo. Se observaron cuatro miembros, con
y sin moderadores. Para una muestra aleatoria de cuatro grupos con moderador, el n umero medio
de ideas generadas por grupo fue de 78, con una desviaci on tpica de 24,4. Para una muestra
aleatoria independiente de cuatro grupos sin moderardor, el n umero medio de ideas generadas
por grupo fue de 63,5, con una desviaci on tpica de 20,2. Asumiendo que las distribuciones
poblacionales son normales con igual varianza, contrastar la hip otesis nula de que las medias
poblacionales son iguales frente a la alternativa de que la verdadera media es mayor para los
grupos con moderador. Use un nivel de significancia del 10%.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales para los grupos con y sin moderador. Queremos
contrastar la hip
otesis
H0 : 1 2 = 2 versus H1 : 1 2 > 2.
Tenemos que
n1 = 4, x1 = 78, 0, s1 = 24, 4;
n2 = 4, x2 = 63, 5, s2 = 20, 2.
Observemos que podemos aplicar el teorema 3.5.4. En este caso, d0 = 0. La varianza poblacional
com
un se estima como
(n1 1)s21 + (n2 1)s22 (3)(24, 4)2 + (3)(20, 2)2
s2 = = = 501, 7.
n1 + n2 2 4+42
Adem
as, el valor del estadstico de prueba est
a dado por
(x1 x2 ) d0 (78, 0 63, 5) 0
t = q = q = 0, 915
s 2 s 2 501,7 501,7
n1 + n2 4 4

Para una prueba al nivel del 10%, tenemos que = 0, 10 y t = t0,10 = 1, 44 con = n1 +n2 2 = 6
grados de libertad. Entonces, como t = 0, 915 es menor que t = 1, 44, no puede rechazarse la
hip
otesis nula de igualdad de medias frente a la alternativa unilateral al nivel de significancia del
10%. Por lo tanto, los datos de la muestra no contienen suficiente evidencia que sugiera que, en
promedio, se generan m as ideas en los grupos con moderador.
Ejemplo 3.5.6 Se llev o a cabo un experimento para comparar el deterioro abrasivo de dos ma-
teriales laminados diferentes. Se probaron doce piezas del material 1, exponiendo cada una a una
maquina para medir el deterioro. De la misma manera, se probaron diez piezas del material 2.
En cada caso, se observ o la profundidad del deterioro. Las muestras del material 1 dieron un de-
terioro promedio (registrado) de 85 unidades con una desviaci on estandar muestral de 4, mientras
que las muestras del material 2 dieron un promedio de 81 y una desviaci on estandar muestral de
5. Puede concluirse en el nivel de significancia del 5% que el deterioro abrasivo del material 1
excede al del material 2 por m as de 2 unidades? Asuma que las poblaciones son aproximadamente
normales con varianzas iguales.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales para las piezas de los materiales 1 y 2. Queremos
contrastar la hip
otesis
H0 : 1 2 = 0 versus H1 : 1 2 > 0.
Tenemos que
n1 = 12, x1 = 85, s1 = 4;
n2 = 10, x2 = 81, s2 = 5.
Observemos que nuevamente podemos aplicar el teorema 3.5.4. En este caso, d0 = 2. La varianza
poblacional com
un se estima como
(n1 1)s21 + (n2 1)s22 (11)(16) + (9)(25)

s2 = = = 20, 05.
n1 + n2 2 12 + 10 2
Adem
as, el valor del estadstico de prueba est
a dado por
(x1 x2 ) d0 (85 81) 2

t = q = q = 1, 04
s2 s2 20,5 20,5
n1 + n2 12 10
Para una prueba al nivel del 5%, tenemos que = 0, 05 y t = t0,05 = 1, 725 con = n1 + n2 2 =
20 grados de libertad. Entonces, como t = 1, 04 es menor que t = 1, 725, no puede rechazarse
la hip
otesis nula de igualdad de medias frente a la alternativa unilateral al nivel del 5%. Por lo
tanto, no se est
a en condiciones de concluir que el deterioro abrasivo del material 1 excede al del
material 2 por m as de dos unidades.

102
3.5.3 Tercer caso: varianzas poblacionales diferentes, desconoci-

das y muestras pequenas
Ahora, estudiaremos el caso en el cual los tama nos muestrales no son grandes y las varianzas
poblacionales son diferentes pero desconocidas. En esta situaci
on, para probar las hip
otesis
H0 : 1 2 = d0 , H0 : 1 2 d0 , H0 : 1 2 d0 ,

(x1 x2 ) d0
t= q 2
s1 s22
n1 + n2
corresponde al valor de una variable aleatoria que tiene distribuci

on t de Student con
s22 2
2
s1
n1 n2
= (s2 /n )2 (s2 /n )2
1 2
n1 1 + n2 1
1 2
grados de libertad. Nuevamente, la regi

on crtica depender
a de cada uno de estos tres casos y es
completamente an aloga a la que se muestra en la tabla 3.8. Todo lo expresado anteriormente se
puede resumir en el siguiente
Teorema 3.5.7 Sean x1 y x2 las medias de muestras aleatorias independientes de tama nos
2 2
n1 < 30 y n2 < 30 de poblaciones normales con medias 1 , 2 y varianzas 1 , 2 diferentes
y desconocidas. Entonces, una prueba de hip
otesis con nivel de significancia para la diferencia
de medias 1 2 es como se presenta en la tabla 3.8, siendo
(x1 x2 ) d0
t= q
s2 s2
n1 + n2
es el estadstico de prueba correspondiente. Ademas, t/2 el valor de una variable aleatoria de una
variable aleatoria que tiene distribuci
on t de Student con
2
s21 s22

n1 + n2
= (s21 /n1 )2 (s22 /n2 )2
n1 1 + n2 1
grados de libertad a la derecha del cual se tiene un a

rea de /2 en esta distribuci
on.
Ejemplo 3.5.8 El departamento de zoologa de cierto instituto llev o a cabo un estudio para
estimar la diferencia en la cantidad de cierta sustancia qumica medida en dos estaciones diferentes
de un ro. La sustancia se mide en miligramos por litro. Se reunieron 15 muestras de la estaci on 1
y 12 muestras de la estaci on 2. Las 15 muestras de la estacion 1 tuvieron un contenido promedio
de sustancia qumica de 3,84 miligramos por litro y una desviaci on estandar de 3,07 miligramos

por litro, mientras que las 12 muestras de la estaci

on 2 tuvieron un contenido promedio de 1,49
miligramos por litro y una desviacion est
andar de 0,80 miligramos por litro. Al nivel del 5%
determine si los contenidos promedios reales de sutancia en estas dos estaciones son diferentes.
Suponga que las observaciones vienen de poblaciones normalmente distribuidas con varianzas
diferentes.
SOLUCION:
Sean 1 y 2 las respectivas medias poblacionales para contenidos promedios reales de sutancia
en las dos estaciones. Queremos contrastar la hipotesis
H0 : 1 2 = 0 versus H1 : 1 2 6= 0.
Tenemos que Tenemos que
n1 = 15, x1 = 3, 84, s1 = 3, 07, n2 = 12, x2 = 1, 49, s2 = 0, 80.
Observemos que podemos aplicar el teorema 3.5.7. En este caso, d0 = 0 El valor del estadstico
de prueba est
a dado por
(x1 x2 ) d0 (3, 84 1, 49) 0

t = q 2 = q = 2, 846
s1 s22 (3,07)2 (0,80)2
n1 + n2 15 + 12
Para una prueba al nivel del 5%, tenemos que = 0, 05 y t/2 = t0,025 = 2, 120 con
i2
(3,07)2 (0,80)2
h
15 + 12
= ((3,07)2 /15)2 ((0,80)2 /12)2
= 16, 3 16
151 + 121
grados de libertad. Entonces, como t = 2, 846 es mayor que t/2 = 1, 725, puede rechazarse
la hip
otesis nula de igualdad de medias frente a la alternativa bilateral al nivel del 5%. Por lo
tanto, podemos concluir que los contenidos promedio reales de sustancia para estos dos lugares
son diferentes (comparese este resultado con el obtenido en el ejemplo ??).
3.6 Prueba para la varianza

En esta seccion, el interes se centra en pruebas de hip otesis relacionadas con la varianza de una
poblacion distribuida normalmente. Para ello, supondremos que s2 es la varianza de una muestra
aleatoria de tamano n, tomada de una poblaci on distribuida normalmente con media y varianza
2 . Entonces, se desean probar las hip otesis que consideran la uniformidad de una poblaci on,
dadas por
H0 : 2 = 02 , H0 : 2 02 , H0 : 2 02 .
El estadstico de prueba tiene la forma
(n 1)s2
2 =
02
3.6. Prueba para la varianza

104
y corresponde al valor de una variable aleatoria que tiene distribuci

on chi-cuadrada con n 1
grados de libertad. La regi
on crtica depender
a de cada uno de estos tres casos, como se ilustra
en la tabla 3.9.

2 2 2 2
H0 : 0 Si 1 , entonces, se rechaza
2 2
H1 : < 0 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : 2 02 Si 2 2 , entonces, se rechaza
H1 : 2 > 02 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : 2 = 02 Si 2 21 o 2 2 , entonces, se
2 2
H1 : 2 6= 02 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.9: Reglas de decision para la prueba de 2
Teorema 3.6.1 Si s2 es la varianza de una muestra aleatoria de tama no n, tomada de una

on distribuida normalmente con media y varianza 2 , entonces, una prueba de hip
poblaci otesis
2
con nivel de significancia para la varianza es como se presenta en la tabla 3.9, siendo
(n 1)s2
2 =
02
el estadstico de prueba correspondiente. Adem as, 2 y 21 son los valores de una variable
2 2

aleatoria que deja un a rea de 2 y 1 2 , respectivamente, a la derecha de la distribuci
on chi-
cuadrada con n 1 grados de libertad.
Ejemplo 3.6.2 Con el fin de cumplir las normas establecidas, es importante que la varianza en
el porcentaje de impurezas de unas remesas de productos qumicos no supere el 4%. Una muestra
aleatoria de 20 envos dio una varianza muestral de 5,62 en el porcentaje de impureza. Al nivel del
10%, contrastar la hip otesis nula de que la varianza de la poblaci
on no es mayor que 4. Sup
ongase
que la distribuci
on de la poblaci on es normal.
SOLUCION:
Sea 2 la varianza poblacional de la concentraci on de impureza. Queremos contrastar la hipotesis
H0 : 4 versus H1 : > 4.
Tenemos que s2 = 5, 62, n = 20 y 02 = 4. Observemos que podemos aplicar el teorema 3.6.1. En

este caso, el valor del estadstico de prueba est

a dado por
(n 1)s2 (19)(5, 62)

2 = 2 = = 26, 695.
0 4
Para una prueba al nivel del 10%, tenemos que = 0, 10 y 2 (19) = 20,10 (19) = 27, 20 con
= n 1 = 19 grados de libertad. Entonces, como 2 = 26, 695 es menor que 20,10 (19) = 27, 20,
no puede rechazarse la hipotesis nula al nivel del 10%. Por lo tanto, los datos no contienen
una evidencia particularmente importante contra la hipotesis de que la varianza poblacional del
porcentaje de impureza no es mayor que 4.
Ejemplo 3.6.3 La varianza calculada de los puntajes en lectura de los estudiantes de tercer grado
del sistema escolar A, obtenidos durante 10 a nos, es 1,44. Una muestra aleatoria de 21 estudiantes
de tercer grado de otro sistema escolar (B) con quienes se practic o la misma prueba de lectura,
arroj 2
o una varianza de s = 1, 05. Proporcionan estos datos evidencia suficiente como para
concluir, al nivel de significancia 0,05, que los puntajes de los alumnos de tercer grado del sistema
B son menos variables de que los de los estudiantes del sistema A? Sup onga que los puntajes de
los estudiantes de tercer del sistema B est an normalmente distribuidos.
SOLUCION:
Sea 2 la varianza poblacional de los puntajes de los estudiantes de tercer del sistema B. Queremos
contrastar la hipotesis
H0 : 1, 44 versus H1 : < 1, 44.
Para este ejemplo, s2 = 1, 05, n = 21 y 02 = 1, 44. Observemos que nuevamente podemos aplicar
el teorema 3.6.1. En este caso, el valor del estadstico de prueba est
a dado por
(n 1)s2 (20)(1, 05)

2 = 2 = = 14, 48.
0 1, 44
Para una prueba al nivel del 5%, tenemos que = 0, 05 y 21 (20) = 20,90 (20) = 10, 851 con
= n 1 = 20 grados de libertad. Entonces, como 2 = 14, 48 es mayor que 20,05 (20) = 10, 851,
podemos rechazar la hip otesis nula al nivel del 5%. Por lo tanto, concluimos que los puntajes en
la prueba de lectura de los estudiantes de tercer grado del sistema B son menos variable sque los
de tercer grado del sistema escoalr A.
3.7 Prueba para la raz

on de dos varianzas
Por ultimo, estudiaremos el caso de pruebas de hip
otesis relacionadas con dos varianzas de una
poblaciones distribuidas normalmente. Para ello, supongamos que s21 y s22 son las varianzas de
muestras aleatorias independientes de tama no n1 y n2 tomadas de poblaciones normales con
2 2
varianzas 1 y 2 , respectivamente. Entonces, se desean probar las siguientes hip otesis, que
comparan la uniformidad de una poblaci on con la de otra,
H0 : 1 = 2 , H0 : 1 2 , H0 : 1 2 ,
de dos varianzas
3.7. Prueba para la razon
106

s21
F =
s22
y corresponde al valor de una variable aleatoria que tiene distribuci on F con 1 = n1 1 y

2 = n2 1 grados de libertad. Nuevamente, la regi
on crtica depender
a de cada uno de estos tres
casos, como se ilustra en la tabla 3.10.

2 2
H0 : 1 2 Si F F1 , entonces, se rechaza
2 2
H1 : 1 < 2 H0 ; de lo contrario, se acepta H0 .
Cola a la izquierda
H0 : 12 22 Si F F , entonces, se rechaza
2 2
H1 : 1 > 2 H0 ; de lo contrario, se acepta H0 .
Cola a la derecha
H0 : 12 = 22 Si F F1 2 o F F 2 , entonces, se
2 2
H1 : 1 6= 2 rechaza H0 ; de lo contrario, se acepta H0 .
Dos colas
Figura 3.10: Reglas de decision para la prueba de 12 /22
Teorema 3.7.1 Si s21 y s22 son las varianzas de muestras aleatorias independientes de tama
no
n1 y n2 tomadas de 2 2
poblaciones normales con varianzas 1 y 2 , respectivamente, entonces, una
prueba de hipotesis con nivel de significancia para la razon de varianzas 12 /2 es como se
presenta en la tabla 3.10, siendo
s2
F = 21
s2
el estadstico de prueba correspondiente. Adem as, F 2 (1 , 2 ) es el valor de una variable aleatoria

que deja un a rea de 2 a la derecha de la distribuci
on F con 1 = n1 1 y 2 = n2 1 grados de
libertad.
Ejemplo 3.7.2 Se compararon las varianzas de los vencimientos de dos tipos de bonos. Para
una muestra aleatoria de 17 bonos del primer tipo, la varianza de los vencimientos (en a nos al
cuadrado) fue de 123,35. Para una muestra aleatoria independiente de 11 bonos del segundo
tipo, la varianza de los vencimientos fue de 8,02. Al nivel del 2%, determinar si las dos varianzas
poblacionales son diferentes. Asuma que las dos poblaciones tienen distribucion normal.
SOLUCION:
Sean 12 y 22 las respectivas varianzas poblacionales. Queremos contrastar la hipotesis
H0 : 12 = 22 versus H1 : 12 6= 22 .

Para este ejemplo,

n1 = 17, s21 = 123, 35, n2 = 11, s22 = 8, 02.
Observemos que podemos aplicar el teorema 3.7.1. En este caso, el valor del estadstico de prueba
est
a dado por
s2 123, 35
F = 12 = = 15, 38.
s2 8, 02
Para una prueba al nivel del 2%, tenemos que = 0, 02 e, interpolando, F/2 (16, 10) = F0,01 (16, 10) =
4, 53 con 1 = n1 1 = 16 y 2 = n2 1 = 10 grados de libertad. Claramente, F = 15, 38 es
mucho mayor que F0,01 (16, 10) = 4, 53, es decir, podemos rechazar la hip otesis nula al nivel del
5%. Por consiguiente, hay abrumadora evidencia de que las varianzas en los vencimientos son
diferentes para estos dos tipos de bonos.
Ejemplo 3.7.3 Al probar la diferencia en el desgaste abrasivo de los dos materiales en el ejemplo
3.5.6, se asumio que las varianzas poblacionales desconocidas eran iguales. Es esta justificaci
on
correcta? Utilice un nivel de significancia del 10%.
SOLUCION:
Sean 12 y 22 las respectivas varianzas poblacionales para el desgaste abrasivo de los materiales 1
y 2, respectivamente. En este caso, queremos contrastar la hip otesis
H0 : 12 = 22 versus H1 : 12 6= 22 .
Recordemos del ejemplo 3.5.6, que
n1 = 12, s1 = 4, n2 = 10, s2 = 5.
Observemos que podemos aplicar el teorema 3.7.1. En este caso, el valor del estadstico de prueba
est
a dado por
s2 16
F = 12 = = 0, 64.
s2 25
Para una prueba al nivel del 10%, tenemos que = 0, 10, de donde /2 = 0, 05. Ahora,
F0,05 (11, 9) = 3, 11 y, teniendo en cuenta el teorema 1.7.8,
1
F0,95 (9, 11) = = 0, 34.
F0,05 (11, 9)
Debido a que F = 0, 64 es mayor que F0,95 (9, 11) = 0, 34, no podemos rechazar la hipotesis nula
al nivel del 10%. Por consiguiente, se concluye que no hay evidencia suficiente para afirmar que
las varianzas son diferentes. Es decir, la suposici
on es correcta.
de dos varianzas
3.7. Prueba para la razon
. 108 .
Indice
Censo, 4 Grado de confianza, 84

Conglomerado, 15
Hip
otesis, 80
Datos pareados, 52 alternativa, 81
Desviaci
on tpica muestral, 64 bilateral, 81n
Distribucion unilateral, 81n
F de Fisher, 69 estadstica, 81
t de Student, 32 mantenida, 87
chi-cuadrada, 65 nula, 81
muestral, 20
de la diferencia de medias muestrales, Muestra
54, 56, 60, 61 aleatoria (simple), 9
de la diferencia de proporciones mues- Muestras
trales, 50 dependientes, 52
de la media muestral, 28, 34 independientes, 53
de la proporci on muestral, 43 Muestreo
de la razon de varianzas muestrales, 69 aleatorio (simple), 9
de la varianza muestral, 65 con reemplazo, 11
estratificado, 13
Error no proporcional, 14
de tipo I y II, 84 proporcional, 14
estandar, 24 por conglomerados, 15
muestral, 6 sin reemplazo, 11
no muestral, 7 sistematico, 16
sistem atico, 7
Estadstico, 19 Nivel de significancia, 84
de prueba, 86
Estadstica Potencia, 84
inferencial, 4 Proporci
on muestral, 42
Estrato, 13 Prueba de hip otesis
para la diferencia de medias poblacionales,
Factor de correcci
on, 26 97, 100, 102
para la diferencia de proporciones pobla-

cionales, 94
para la media poblacional, 88, 90
para la proporcion poblacional, 91
para la raz
on de varianzas poblacionales,
106
para la varianza poblacional, 104
Regi
on crtica y de aceptaci
on, 86
Regla de decision, 83
Sesgo
muestral, 7
negativo, 8
positivo, 8
Tabla
de n
umeros aleatorios, 10
Teorema
de De Moivre-Laplace, 43
Varianza muestral, 64
INDICE

Estadistica Inferencial

Cargado por

Información del documento

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

Estadistica Inferencial

Cargado por

Copyright:

Formatos disponibles

iv

Dr. rer. nat. Humberto Llinas

1 Distribuciones fundamentales de muestreo 3

Objetivos del captulo

2. Examinar el teorema central del lmite.

1.1.1 Errores muestrales y no muestrales

Captulo 1. Distribuciones fundamentales de muestreo

Ejemplo 1.1.1 A continuaci

Cuando se usan valores muestrales (o estadsticos) para estimar valores poblacionales (o

Es improbable, por ejemplo, que la media de la muestra fuera identica a la media de la

Definici on 1.1.2 El error muestral es la diferencia entre un estadstico de la muestra

En general, el error muestral se refiere a la variaci

Tabla 1.1: Muestras ordenadas de tama

Captulo 1. Distribuciones fundamentales de muestreo

Errores no muestrales o sistem

Ejemplo 1.1.4 (La poblaci on de la que realmente se muestrea no es la relevante) Un

El sesgo de las muestras es un tipo de error no muestral.

Definicion 1.1.6 El sesgo muestral es la tendencia sistematica a favorecer la seleccion

Ejemplo 1.1.7 (Otra posibilidad surge de la no respuesta) Si esta es importante, puede

Ejemplo 1.1.8 Si queremos obtener informaci

Los errores que resultan de la acumulacion de datos o de su procesamiento se clasifican

No existe un procedimiento general para identificar y analizar errores sistematicos. No ob-

Captulo 1. Distribuciones fundamentales de muestreo

El sesgo muestral puede suprimirse, o minimizarse, usando el principio de aleatori-

Muestreo aleatorio simple

Definicion 1.1.10 Un procedimiento de muestreo aleatorio simple es aquel en el

Analogamente, la probabilidad de escoger una muestra aleatoria simple de tama

Puede pensarse en el proceso de muestreo aleatorio simple de la forma siguiente: Supon-

Una muestra aleatoria se obtiene extrayendo, digamos, n de ellos. En la practica, para el

Definicion 1.1.12 Una tabla de nu meros aleatorios consiste en una tabla de

En la practica, pueden generarse n

El consejero selecciona al azar un punto de partida en la pagina de los n

Captulo 1. Distribuciones fundamentales de muestreo

Tabla 1.2: Una parte de tabla de n

63988 0 1 319 63988 0 131 9 63988 01319

(a) El 1 esta en la fila (b) El primer n umero (c) El siguiente n

Como el primer n umero de tres dgitos que hay en esta posici

Tabla 1.3: Una parte de tabla de n

(a) Los siguientes (b) Al final, se corre un (c) El siguiente

Consideremos inicialmente el siguiente

Ejemplo 1.1.15 El Ministerio de Agricultura de cierto pais se interes o en el impacto de las

Captulo 1. Distribuciones fundamentales de muestreo

Definicion 1.1.16 Suponga que una poblaci on de N individuos puede subdividirse en

Dos observaciones importantes son las siguientes:

El muestreo estratificado se usa frecuentemente para encuestas de opinion nacional porque

Definicion 1.1.18 En un muestreo estratificado proporcional, la proporcion

Ejemplo 1.1.19 Si en el ejemplo 1.1.15, el procedimiento utilizado por el Ministerio de Agricul-

Muestreo por conglomerados

Captulo 1. Distribuciones fundamentales de muestreo

Definicion 1.1.21 Supongamos que una poblaci on puede dividirse convenientemente en

Ejemplo 1.1.22 Suponga que una compa na de servicio de televisi

Ejemplo 1.1.23 Consideremos la situaci on del ejemplo 1.1.15. El Ministerio de Agricultura, en

En general, un muestreo sistematico se analiza de la misma manera que un muestreo aleao-

Captulo 1. Distribuciones fundamentales de muestreo

3. Un distribuidor de computadores nuevos quiere obtener una muestra aleatoria de 20 opin-

Dgito Frecuencia Frecuencia esperada Error muestral

6. Comience con el primer dgito de la sexta fila y muevase horizontalmente a la derecha, en

8. Se va a escoger una muestra de 5 administradores en una poblaci

9. Constituye la muestra no ordenada (1,3,5,7,9) una muestra aleatoria de la poblaci

1.2 Estadsticos y distribuciones muestrales

El principio de aleatorizacion en la seleccion de los miembros de la muestra proporciona

Captulo 1. Distribuciones fundamentales de muestreo

de la poblacion de la que procede la muestra. La distribucion de todos los valores de interes

Es importante distinguir entre las caractersticas poblacionales y sus correspondientes can-