Inferencia Estadística PDF

CONTROL ESTADÍSTICO DE LA CALIDAD
“INFERENCIA ESTADÍSTICA”
DOCENTE: FELÍCITA ESPERANZA LATORRACA RIOS
CICLO: 8VO
CAMPUS CAJAMARCA
LOGRO DE LA UNIDAD
Al término de la unidad, el participante adquiere las competencias

necesarias para conocer el concepto de Control Estadístico de Procesos y
comprender. su uso; analiza las principales técnicas para realizar un
análisis descriptivo de un conjunto de datos, donde se detecte la tendencia
central, la variabilidad, así como la forma de distribución de estos datos;
interpreta de manera adecuada el histograma, los percentiles; aplica los
conceptos anteriores para hacer una valoración amplia de la capacidad de
un proceso.
DOCENTE: FELÍCITA E. LATORRACA RIOS

CICLO: 8VO
ROL: DOCENTE ASESOR
LOGRO DE APRENDIZAJE
El estudiante, al finalizar la unidad, identifica apropiadamente los

costos de la calidad, utiliza de forma adecuada las herramientas de
calidad y los gráficos de control para analizar problemas y determinar
sus causas; y utiliza planes de muestreo de aceptación para
determinar la aceptación o rechazo de lotes de productos.

CICLO: 8VO
ROL: DOCENTE ASESOR
SITUACIÓN PROBLEMÁTICA
El laboratorio regional de agua llevó a cabo un estudio para estimar el contenido

promedio de mercurio (mg/lt) de una estación del rio Mashcón. Para ello se tomaron
16 muestras que se registran a continuación:
3.21 2.88 2.98 2.92 3.12 3.15 3.02 3.03

3.05 3.22 3.12 3.14 2.4 3.1 2.26 2.85
Se determinar si con la información proporcionada se puede determinar un

intervalo de confianza del 95% para el contenido promedio real de mercurio, en
la estación del rio.

CICLO: 8VO
ROL: DOCENTE ASESOR
INFERENCIA ESTADÍSTICA
La inferencia estadística tiene como objetivo establecer las características de una

población o proceso con base en la información contenida en una muestra.
Por lo general, la inferencia se divide en estimación y prueba de hipótesis, y se apoya
en cantidades o estadísticos calculados de las observaciones de la muestra.

CICLO: 8VO
ROL: DOCENTE ASESOR
Población:
• Conjunto formado por la totalidad de individuos, objetos o medidas de interés
sobre los que se realiza un estudio
Muestra:
• Parte de una población, seleccionada de manera adecuada, que conserva las
características más importantes de dicha población.
Parámetro:
• Es un valor representativo y descriptivo de una población, como la media μ o la
desviación estándar σ.
Estadístico:
• Medidas o funciones de los datos muestrales que ayudan a caracterizar la
distribución de tales datos.
CICLO: 9NO
ROL: DOCENTE ASESOR
En control de calidad, las poblaciones de interés son los materiales, los

productos terminados, partes o componentes, clientes, etc.

CICLO: 8VO
ROL: DOCENTE ASESOR
ESTIMACIÓN PUNTUAL POR INTERVALOS
Estimación Puntual
• El estimador puntual de un parámetro es un
estadístico que genera un valor numérico simple, y
que se utiliza para proporcionar una estimación del
valor del parámetro desconocido.
con frecuencia es necesario estimar el valor de:
• La media μ del proceso (población).
• La varianza σ 2 o la desviación estándar σ del proceso.
• La proporción p de árticulos defectuosos.

CICLO: 8VO
ROL: DOCENTE ASESOR
La inferencia estadística tiene como objetivo establecer las características de una

población o proceso con base en la información contenida en una muestra.
Por lo general, la inferencia se divide en estimación y prueba de hipótesis, y se apoya
en cantidades o estadísticos calculados de las observaciones de la muestra.

CICLO: 8VO
ROL: DOCENTE ASESOR
ESTIMACIÓN PUNTUAL Y POR INTERVALO
Estimación por Intervalos

• Forma de estimar un parámetro en la cual se
calcula un intervalo que indica con cierta seguridad
un rango donde puede estar el parámetro.

CICLO: 8VO
ROL: DOCENTE ASESOR
COEFICIENTE DEL NIVEL DE CONFIANZA
(Z)
Es un valor tabular asociado a un nivel de confianza (1-α). Cuando los

parámetros son conocidos, generalmente se usa la Distribución Normal
Estandarizada, con los siguientes coeficientes 𝑍1−∝/2 para los niveles de
confianza de uso más común:
Nivel de
α 1-α/2 𝑍1−∝/2
Confianza
90% 0.10 0.95 1.64
95% 0.05 0.975 1.96
98% 0.02 0.99 2.33
99% 0.01 0.995 2.58

CICLO: 8VO
ROL: DOCENTE ASESOR
INTERVALO DE CONFIANZA PARA UNA
MEDIA
Varianza Conocida:
Sea x1, x2, ..., xn una muestra aleatoria de tamaño n (n >= 30) de una
población, con una distribución normal con media μ y varianza σ2 conocidas.
𝜎 𝜎
𝑋 − 𝑍∝/2 ≤ 𝜇 ≤ 𝑋 + 𝑍∝/2 = 1 −∝
𝑛 𝑛
Varianza Desconocida:
Sea xl, x2, ..., xn una muestra aleatoria de tamaño n de una población, con
una distribución normal con media μ y varianza σ2, ambas desconocidas.
𝑆 𝑆
𝑋 − 𝑡∝/2 ≤ 𝜇 ≤ 𝑋 + 𝑡∝/2 = 1 −∝
𝑛 𝑛
CICLO: 8VO
ROL: DOCENTE ASESOR
MEDIA
Ejemplo Varianza Conocida:
se tiene un proceso de inyección de plástico donde una característica de
calidad del producto (disco) es su grosor, que debe ser de 1.20 mm con una
tolerancia de ±0.10 mm. Para evaluar esta característica de calidad, durante
una semana se realiza un muestreo sistemático en una línea de producción
y se obtienen 25 muestras de tamaño 5 cada una. Por lo tanto, al final se tiene
una muestra de n = 125 y se obtiene la media muestral, 𝑋 = 1.179 mm y la
varianza, S2 =0.00071. Cómo n ≥ 30, se aplicará el intervalo de confianza al
95%, utilizando el estadístico de prueba Z.
Datos:
n = 125
Media muestral = 1.179
Desviación estándar = 0.00071
CICLO: 8VO
ROL: DOCENTE ASESOR
MEDIA
Con un nivel de confianza del 95%, el intervalo será:
𝜎 𝜎
𝑋 − 𝑍∝/2 ≤ 𝜇 ≤ 𝑋 + 𝑍∝/2 = 1 −∝
𝑛 𝑛
0.0264 0.0264
1.179 − 1.96 ≤ 𝜇 ≤ 1.179 + 1.96
125 125
1.179 − 0.00467 ≤ 𝜇 ≤ 1.179 + 0.00467
1.17433 ≤ 𝜇 ≤ 1.181367
Con una confianza del 95% se estima que el grosor promedio () de los
discos se encuentra entre 1.174 y 1.184 mm.

CICLO: 8VO
ROL: DOCENTE ASESOR
EJEMPLO DE INTERVALO DE CONFIANZA
Se debe seleccionar el tipo

de estadístico de prueba
Ejemplo con minitab que se va utilizar
dependiendo de los datos.
Cuando se tiene los estadísticos de un conjunto

de datos, se debe seleccionar Datos resumidos y
agregar de manera manual dichos valores
(tamaño de muestra, media de la muestra,
desviación estándar)
CICLO: 8VO
ROL: DOCENTE ASESOR
Se debe seleccionar
opciones para colocar el
valor del nivel de confianza.

CICLO: 8VO
ROL: DOCENTE ASESOR
Con una confianza del 95% se estima que el grosor promedio () de los
discos se encuentra entre 1.174 y 1.184 mm.

CICLO: 8VO
ROL: DOCENTE ASESOR
MEDIA
Ejemplo Varianza Desconocida:
En el proceso de fabricación de discos para computadoras una de las
variables críticas es el rendimiento del formato.
Se toma una muestra aleatoria de n = 10 discos de la producción del último
turno, se formatean y se reporta el rendimiento de cada disco. Los datos
obtenidos son:
96.11 91.06 93.38 88.52 89.57 92.63 85.2 91.41 89.79 92.62
Con base en estos datos interesa estimar, de manera puntual y por intervalo,
la media y la desviación estándar para la población de discos de dicho turno.
Con un nivel de confianza del 95%.

CICLO: 8VO
ROL: DOCENTE ASESOR
MEDIA
Ejemplo:
Es necesario determinar estimadores puntuales para estos parámetros:
96.11 91.06 93.38 88.52 89.57 92.63 85.2 91.41 89.79 92.62
96.11 + 91.06 + ⋯ + 92.62

𝑋= = 91.029
10
96.11 − 91.03 2 + 91.06 − 91.03 2 + ⋯ + 92.62 − 91.03 2

𝑆= = 2.99
10 − 1
Suponiendo que el rendimiento tiene distribución normal, el intervalo a 95%

de confianza para la media 𝜇 esta dado por

CICLO: 8VO
ROL: DOCENTE ASESOR
MEDIA
Ejemplo Varianza Desconocida:
El valor del punto crítico 𝑡∝/2 = 𝑡0.025 = 2.26 se obtiene de las tablas para la
distribución T de Student con 9 grados de libertad.
2.99 2.99
91.03 − 2.26 ≤ 𝜇 ≤ 91.03 + 2.26
10 10
91.03 − 2.14 ≤ 𝜇 ≤ 91.03 + 2.14
88.89 ≤ 𝜇 ≤ 93.17
Con una confianza de 95% se estima que el rendimiento promedio de los

discos producidos durante ese turno está entre 88.89 y 93.17.

CICLO: 8VO
ROL: DOCENTE ASESOR
Se debe seleccionar el tipo

de estadístico de prueba
EJEMPLO CON EL MINITAB que se va utilizar
dependiendo de los datos.
Cuando se tiene un conjunto de

datos, se debe seleccionar Una o
más muestras..., en seguida pasar la
variable en el recuadro en blanco.
CICLO: 8VO
ROL: DOCENTE ASESOR
EJEMPLO CON EL MINITAB
Se debe seleccionar
opciones para colocar el
valor del nivel de confianza.

CICLO: 8VO
ROL: DOCENTE ASESOR
EJEMPLO CON EL MINITAB
Con una confianza de 95% se estima que el rendimiento promedio de los

discos producidos durante ese turno está entre 88.89 y 93.17.

CICLO: 8VO
ROL: DOCENTE ASESOR
PROPORCIÓN
En el supuesto de que el número de artículos defectuosos en una muestra
sigue una distribución binominal, y si se inspeccionan n artículos y se
encuentra una proporción 𝑝 de defectuosos, es posible construir un
intervalo de confianza para la proporción poblacional p.
𝑝 1−𝑝 𝑝 1−𝑝
𝑝 − 𝑍𝛼/2 ≤ 𝑝 ≤ 𝑝 + 𝑍∝/2 = 1 −∝
𝑛 𝑛

CICLO: 8VO
ROL: DOCENTE ASESOR
PROPORCIÓN
Ejemplo:
Se quiere estimar la proporción p de artículos defectuosos en un lote de 2 000
piezas (población). Para ello, se toma una muestra aleatoria de n = 100
artículos y se encuentra que de éstos, X = 5, son defectuosos. Con un intervalo
del 95% de confianza.
Donde 𝑝 = 5 100 = 0.05
𝑝 1−𝑝 𝑝 1−𝑝
𝑝 − 𝑍∝/2 ≤ 𝑝 ≤ 𝑝 + 𝑍∝/2 = 1 −∝
𝑛 𝑛
0.05 1 − 0.05 0.05 1 − 0.05

0.05 − 1.96 ≤ 𝑝 ≤ 0.05 + 1.96
100 100

CICLO: 8VO
ROL: DOCENTE ASESOR
PROPORCIÓN
Ejemplo:
0.05 1 − 0.05 0.05 1 − 0.05

0.05 − 1.96 ≤ 𝑝 ≤ 0.05 + 1.96
100 100
0.05 − 0.043 ≤ 𝑝 ≤ 0.05 + 0.043
0.007 ≤ 𝑝 ≤ 0.05 + 0.093
Con una confianza de 95% se estima que p está entre 0.007 y 0.093, o
en términos porcentuales entre 0.7% y 9.3%.

CICLO: 8VO
ROL: DOCENTE ASESOR
INTERVALO DE CONFIANZA PARA
DIFERENCIA DE MEDIAS
𝝈𝟐𝟏 y 𝝈𝟐𝟐 conocidas:
Se desea estimar la diferencia de dos medias poblacionales con una confianza

del 100 (1-α)% para muestras de tamaño n1 y n2 (muestras grandes).
Las poblaciones donde provienen las variables pueden presentar o no una
distribución normal, pero sus varianzas poblacionales son conocidas.
𝜎12 𝜎22 𝜎12 𝜎22

𝜇1 − 𝜇2 ∈ 𝑋1 − 𝑋2 − 𝑍1−𝛼 + ; 𝑋1 − 𝑋2 + 𝑍1−𝛼 +
2 𝑛1 𝑛2 2 𝑛1 𝑛2

CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
Se llevan a cabo pruebas de resistencia a la tensión sobre dos diferentes clases
de largueros de aluminio utilizados en la fabricación de alas de aeroplanos
comerciales. De la experiencia pasada con el proceso de fabricación de
largueros y del procedimiento de prueba, se supone que las desviaciones
estándar de las resistencias a la tensión son conocidas. Los datos obtenidos se
presentan en la siguiente tabla:
Tamaño de
Larguero Media muestral Desviación Estándar
la Muestra
1 𝑛1 = 10 𝑋1 = 87.6 (kg/mm2) 𝜎1 = 1(kg/mm2)
2 𝑛2 = 12 𝑋2 = 74.5 (Kg/mm2) 𝜎2 = 1.5 (kg/mm2)
Si μ1 y μ2 indican los verdaderos promedios de las resistencias a la tensión para

las dos clases de largueros. Hallar un intervalo del 98% de confianza para la
diferencia de las medias μ1 y μ2.
𝜎12 𝜎22 𝜎12 𝜎22

𝜇1 − 𝜇2 ∈ 𝑋1 − 𝑋2 − 𝑍1−𝛼 + ; 𝑋1 − 𝑋2 + 𝑍1−𝛼 +
2 𝑛1 𝑛2 2 𝑛 1 𝑛2
12 1.52 12 1.52
𝜇1 − 𝜇2 ∈ 87.6 − 74.5 − 2.33 + ; 87.6 − 74.5 + 2.33 +
10 12 10 12
𝜇1 − 𝜇2 ∈ 87.6 − 74.5 − 1.249; 87.6 − 74.5 + 1.249
𝜇1 − 𝜇2 ∈ 11.851; 14.349
Con un nivel de confianza del 98%, se tiene que la resistencia a la tensión del larguero
1 es mayor que la resistencia a la tensión del larguero 2, en una cantidad que oscila
entre 11.851 y 14.349 kg/mm2.
Muestras Independientes y varianzas poblacionales homogéneas
(𝝈𝟐𝟏 = 𝝈𝟐𝟐 desconocidas):
Con una confianza del 100(1-α)%, n1< 30 y n2<30. Usando la distribución t –

student con n1 + n2 – 2 grados de libertad, se concluye que:
1 1
𝜇1 − 𝜇2 ∈ 𝑋1 − 𝑋2 ± 𝑡 𝛼 𝑆𝑝2 +
1− ,𝑛1 +𝑛2 −2
2 𝑛1 𝑛2
2 2
𝑛1 − 1 𝑆1 + 𝑛2 − 1 𝑆2
𝑆𝑝2 =
𝑛1 + 𝑛2 − 2

CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
Una empresa fabrica un mismo producto en dos máquinas. Una muestra
aleatoria de 9 productos de la máquina 1, ha dado los siguientes tiempos de
fabricación en segundos:
12, 28, 10, 25, 24, 19, 22, 33, 17
Mientras que una muestra aleatoria de 8 productos de la máquina 2, ha dado
los siguientes tiempos de fabricación en segundos:
16, 20, 16, 20, 16, 17, 15, 21
Construir un intervalo al 95% de confianza para la diferencia de los tiempos de

fabricación para todos los productos de la fábrica 1 y 2. Suponga que las
varianzas poblacionales se desconocen y son iguales.
Si X1 y X2 son los tiempos empleados para las máquinas 1 y 2 respectivamente, de
las muestras se tiene:
𝑛1 = 9 ; 𝑋1 = 21.111 ; 𝑆1 = 7.4237
𝑛1 = 8 ; 𝑋2 = 17.625 ; 𝑆2 = 2.326
2 2
9 − 1 7.423 + 8 − 1 2.326
𝑆𝑝2 = = 31.897
9+8−2
𝑡1−∝/2;15 + 𝑡0.975;15 =2.131
1 1
𝜇1 − 𝜇2 ∈ 21.111 − 17.625 ± 2.131 31.897 +
9 8

CICLO: 8VO
ROL: DOCENTE ASESOR
1 1
𝜇1 − 𝜇2 ∈ 21.111 − 17.625 ± 2.131 31.897 +
9 8
𝜇1 − 𝜇2 ∈ 21.111 − 17.625 ± 5.8481
𝜇1 − 𝜇2 ∈ 3.486 − 5.8481; 3.486 + 5.8481
𝜇1 − 𝜇2 ∈ −2.3621; 9.3341
Luego el intervalo del 95% de confianza para la diferencia en los tiempos

medios de fabricación es de -2.3621 y 9.3341. Como el intervalo incluye al cero,
entonces los tiempos medios de fabricación de ambas máquinas son iguales.
Elegir el tipo de intervalo

de confianza, así mismo
elegir, Cada muestra está
en su columna, debido a
que los datos son no
agrupados.
Así mismo pasar las variables en

cada renglón que le corresponde

CICLO: 8VO
ROL: DOCENTE ASESOR
Seleccionar en opciones para

agregar el nivel de confianza y
activar Asumir varianzas
iguales (se está asumiendo
que las varianzas
poblacionales son con
iguales).

CICLO: 8VO
ROL: DOCENTE ASESOR
El intervalo del 95% de confianza para la diferencia en los tiempos medios de

fabricación es de -2.3621 y 9.3341. Como el intervalo incluye al cero, entonces
los tiempos medios de fabricación de ambas máquinas son iguales.

CICLO: 8VO
ROL: DOCENTE ASESOR
Muestras Independientes y varianzas poblacionales heterogéneas
(𝝈𝟐𝟏 ≠ 𝝈𝟐𝟐 desconocidas):
Con una confianza del 100(1-α)%, n1< 30 y n2<30. Usando la distribución t –

student con v grados de libertad, se concluye que:
𝑆12 𝑆22
𝜇1 − 𝜇2 ∈ 𝑋1 − 𝑋2 ± 𝑡 𝛼 +
1− ,𝑣
2 𝑛1 𝑛2
2
𝑆12 𝑆22
𝑛1 + 𝑛2
𝑣=
2 2 2 2
𝑆1 𝑆2
𝑛1 𝑛2
𝑛1 − 1 + 𝑛2 − 1
CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
El jefe de planta de una fábrica ensambladora de camiones, realiza un estudio
comparativo de la eficacia de dos métodos de ensamblaje, el jefe piensa que el
primer método es menos eficaz, dado que reporta un mayor tiempo para
ensamblar los camiones. Para ello tomó el tiempo en horas empleado en
ensamblar 12 camiones con el método A y 12 camiones con el método B. Los
datos son:
Método A Método B
Media 128.3417 42.6417
Desv. Estándar 25.3968 6.7399
n 12 12
¿Los datos apoyan la postura del jefe de planta?.
Hallar un intervalo al 95% de confianza, para la diferencia de los tiempos de ensamblado
para todos los camiones ensamblados con el método A y B.
Supóngase que las varianzas poblacionales son desconocidas y diferentes.
2 2
𝑆12 𝑆22 25.3972 6.7392
𝑛1 + 𝑛2 12 + 12
𝑣= = = 12.54 ≅ 13
2 2 2 2 25.3972
2
6.7392
2
𝑆1 𝑆2
𝑛1 𝑛2 12 12
+ 12 − 1
𝑛1 − 1 + 𝑛2 − 1 12 − 1
𝑡 1−∝/2 ,𝑣 =𝑡 1−0.02/2 ,13 = 𝑡0.975,13 = 11.298
𝑆12 𝑆22
𝜇1 − 𝜇2 ∈ 𝑋1 − 𝑋2 ± 𝑡 𝛼 +
1− ,𝑣
2 𝑛1 𝑛2

CICLO: 8VO
ROL: DOCENTE ASESOR
𝑆12 𝑆22
𝜇1 − 𝜇2 ∈ 𝑋1 − 𝑋2 ± 𝑡 𝛼 +
1− ,𝑣
2 𝑛1 𝑛2
25.39682 6.73992
𝜇1 − 𝜇2 ∈ 128.3417 − 42.6417 ± 11.298 +
12 12
𝜇1 − 𝜇2 ∈ 85.7 − 16.5267; 85.7 + 16.5267
𝜇1 − 𝜇2 ∈ 69.1733; 102.2267
Con un nivel de confianza del 95%, se tiene que los datos apoyan la postura del
jefe de planta, dado que el intervalo no contiene al cero, entonces al tiempo
promedio de ensamblado del método A, es mayor al tiempo promedio de
ensamblado del método B.
Elegir el tipo de intervalo

de confianza, así mismo
elegir la opción de Datos
resumidos y colocar sus
indicadores
correspondientes a cada
muestra.

CICLO: 8VO
ROL: DOCENTE ASESOR
Seleccionar en opciones para

agregar el nivel de confianza.

CICLO: 8VO
ROL: DOCENTE ASESOR
Los datos apoyan la postura del jefe de planta, con un nivel de confianza del
95%, el tiempo promedio de ensamblado del método A, es mayor al tiempo
promedio de ensamblado del método B.

CICLO: 8VO
ROL: DOCENTE ASESOR
DIFERENCIA DE PROPORCIONES
Si se desea estimar la diferencia de proporciones poblacionales 𝜋1 − 𝜋2 con

una confianza del 100 (1-α)% para muestras de tamaño n1 > 30 y n2 > 30, es
decir si las muestras son grandes, se puede usar la distribución Z,
concluyéndose que:
𝑝1 1 − 𝑝1 𝑝2 1 − 𝑝2
𝜋1 − 𝜋2 ∈ 𝑝1 − 𝑝2 ± 𝑍1−𝛼/2 +
𝑛1 𝑛2

CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
Una firma distribuye dos marcas de cerveza. En una reciente encuesta se
encontró que 60 de 120 prefieren la marca A y 50 de 80 prefieren la marca B.
Obtenga un intervalo de confianza para la diferencia de las proporciones
poblacionales, con una confianza del 95%, para determinar si ambas marcas
tienen la misma preferencia:
60
𝑛𝐴 = 120 ; 𝑝𝐴 = = 0.5
120
50
𝑛𝐵 = 80 ; 𝑝𝐵 = = 0.625
80
𝑝1 1 − 𝑝1 𝑝2 1 − 𝑝2
𝜋1 − 𝜋2 ∈ 𝑝1 − 𝑝2 ± 𝑍1−𝛼/2 +
𝑛1 𝑛2
0.5 1 − 0.5 0.625 1 − 0.625

𝜋1 − 𝜋2 ∈ 0.5 − 0.625 ± 1.96 +
120 80
𝜋1 − 𝜋2 ∈ −0.125 − 0.1388; −0.125 + 0.1388
𝜋1 − 𝜋2 ∈ −0.2638; 0.0138
Como el intervalo contiene al cero, se concluye que ambas marcas podrían

tener la misma preferencia.
Seleccionar el tipo de
intervalo de confianza,
seleccionar la opción Datos
resumidos y colocar los
valores correspondiente de
la proporción muestral.

CICLO: 8VO
ROL: DOCENTE ASESOR
En opciones, índice el nivel

de confianza, así mismo en
Método de prueba
seleccione Utilice el
cálculo agrupado de la
proporción.

CICLO: 8VO
ROL: DOCENTE ASESOR
Como el intervalo contiene al cero, se concluye que ambas marcas podrían

tener la misma preferencia.

CICLO: 8VO
ROL: DOCENTE ASESOR
HIPÓTESIS ESTADÍSTICA
En un estudio estadístico por lo general se busca responder con cierta

confianza ciertas preguntas y/o tomar decisiones. En este contexto, la
persona que hace el estudio puede tener a priori ciertas creencias o hipótesis
que desea comprobar. Por ejemplo:
• Los dos proveedores del material x tienen el mismo nivel de calidad.
• El porcentaje de cierto ingrediente afecta el resultado de la mezcla.
• El tiempo de espera de esta operación es de tres horas en promedio.
• La variación del proceso se redujo con los cambios realizados.

CICLO: 8VO
ROL: DOCENTE ASESOR
Una hipótesis de investigación es una proposición o declaración realizada por

el investigador cuando éste especula acerca del resultado final de una
investigación
Hipótesis Estadística:
• Es una afirmación sobre los valores de los parámetros o una característica
de una población o proceso, que puede probarse a partir de la información
contenida en una muestra.
Hipótesis Nula (Ho):
• Afirmación acerca del valor de un parámetro poblacional que se considera
válida para desarrollar el procedimiento de prueba
Hipótesis Alternativa (Ha):
• Afirmación que se aceptará si los datos muestrales proporcionan evidencia
de que la hipótesis nula es falsa, es la hipótesis contraria de la H. nula
Ejemplo:
La afirmación “este proceso produce menos de 8% de defectuosos” se
puede plantear estadísticamente:
H0: p = 0.08 (la proporción de defectuosos es 0.08)

HA: p < 0.08 (la proporción es menor a 0.08)
La afirmación a probar es “este proceso produce 8% de defectuosos”
H0: p = 0.08 (la proporción de defectuosos es 0.08)

HA: p ≠ 0.08 (la proporción es diferente a 0.08)

CICLO: 8VO
ROL: DOCENTE ASESOR
NIVEL DE SIGNIFICANCIA
El riesgo de una decisión equivocada: errores tipo I y tipo II

Probar una hipótesis estadística es una decisión probabilística, por lo
tanto, existe el riesgo de cometer un error tipo I o un error tipo II.
α = P{error tipo I} = probabilidad de rechazar H0 cuando es verdadera

β = P{error tipo II} = probabilidad de aceptar H0 que es falsa

CICLO: 8VO
ROL: DOCENTE ASESOR
PASOS PARA LA PRUEBA DE HIPÓTESIS
Paso 1: Plantear las hipótesis
𝐻0 : 𝜃 = 𝜃0 𝐻0 : 𝜃 = 𝜃0 𝐻0 : 𝜃 = 𝜃0
𝐻1 : 𝜃 ≠ 𝜃0 𝐻1 : 𝜃 < 𝜃0 𝐻1 : 𝜃 > 𝜃0
Paso 2: Seleccionar el nivel de significancia

• El valor de 𝛼, que va desde el 1% hasta el 10%
Paso 3: Identificar el estadístico de Prueba
• Fórmula que permite calcular un número a partir de los datos y de H0. La
magnitud de este número permite discernir si H0 se rechaza o no.

CICLO: 8VO
ROL: DOCENTE ASESOR
Paso 4: Regla de decisión

• Conjunto de posibles valores del estadístico de prueba que llevan a
rechazar o aceptar la H0

CICLO: 8VO
ROL: DOCENTE ASESOR
Paso 5: Decisión
• Evaluar el valor del estadístico de prueba en la región critica.
Sí se determina el
valor de probabilidad
de Z, la decisión se da:
𝑝 − 𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼, 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎

𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼, 𝑛𝑜 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 ℎ𝑖𝑝ó𝑡𝑒𝑠𝑖𝑠 𝑛𝑢𝑙𝑎

CICLO: 8VO
ROL: DOCENTE ASESOR
PRUEBA PARA LA MEDIA
Varianza Conocida:
Sea X una variable aleatoria con distribución normal con media μ y varianza σ2, ambas
conocidas. Se quiere probar la hipótesis de que la media es igual a cierto valor μ0. Es
decir, la hipótesis a probar es:
Hipótesis a probar Región de Decisión
𝐻0 : 𝜇 = 𝜇0 𝐻0 : 𝜇 = 𝜇0 𝐻0 : 𝜇 = 𝜇0
𝐻1 : 𝜇 ≠ 𝜇0 𝐻1 : 𝜇 < 𝜇0 𝐻1 : 𝜇 > 𝜇0
Estadístico de Prueba:
x  u0 −𝑍𝛼/2 𝑍𝛼/2
Z

n
En este caso se rechaza 𝐻0 si 𝑍0 > 𝑍∝
Ejemplo:
Un fabricante de detergente afirma que el contenido de los paquetes que vende pesa 250
gramos. Sin embargo clientes han protestado porque piensan que los paquetes tienen un
peso menor. Se ha analizado una muestra de 16 paquetes dando un peso medio
muestral de 248,4 gramos. Pruebe con un nivel de confianza del 95% si los clientes tienen
razón en lo planteado. Se sabe por experiencia que la distribución del peso de los
paquetes es normal con una desviación de 4 gramos.
1. Prueba de hipótesis:
Ho: 𝜇 = 250, 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑒𝑠 𝑖𝑔𝑢𝑎𝑙 250
H1: 𝜇 ≠ 250, 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑒𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒 𝑑𝑒 250
2. El nivel de significancia: es del 5 % (𝛼 = 0.05)
3. Estadístico de prueba:
Z
x  u0 248.4  250
   1.5
4
n 16
CICLO: 8VO
ROL: DOCENTE ASESOR
EJEMPLO DE PRUEBA DE HIPÓTESIS
4. Región critica
5. Decisión:
Dado que Z = -1.5 y pertenece a la región de aceptación estamos en
condiciones de no rechazar la hipótesis nula, es decir, existe suficiente
evidencia estadística para decir que el promedio poblacional es igual a 250
gramos, con un nivel significancia del 5%.
CICLO: 8VO
ROL: DOCENTE ASESOR
Seleccionar el tipo de
prueba estadística a
realizar.
Seleccionar Datos resumidos y agregar los

estadísticos de la variable, así mismo activar
Realizar prueba de hipótesis y colocar el valor
de la media a probar (media poblacional)

CICLO: 8VO
ROL: DOCENTE ASESOR
Finalmente seleccionar
Opciones y colocar el nivel de
confianza y elegir el tipo de
hipótesis alternativa

CICLO: 8VO
ROL: DOCENTE ASESOR
Como el nivel de probabilidad es 0.1110 y es mayor al nivel de significancia 0.05

(95% de nivel de confianza), no se rechaza la hipótesis nula; es decir, existe
suficiente evidencia estadística para decir que el promedio poblacional es igual a
250 gramos,

CICLO: 8VO
ROL: DOCENTE ASESOR
Varianza Desconocida:
Sea X una variable aleatoria con distribución normal con media μ y varianza σ2, ambas
desconocidas. Se quiere probar la hipótesis de que la media es igual a cierto valor μ0. Es
decir, la hipótesis a probar es:
Estadístico de Prueba: Región de Decisión
𝑋 − 𝜇0
𝑡0 =
𝑆
𝑛
En este caso se rechaza 𝐻0 si 𝑡0 > 𝑡∝.

CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
Un fabricante de dulces compra costales de azúcar a cierto ingenio. Según los
vendedores, los costales tienen un peso medio de 50.1 kg, con una varianza de (σ2 =
0.5). El comprador piensa que el peso medio es menor. Para confirmar su sospecha
decide contrastar las hipótesis. con un nivel de significancia de 5% (α = 0.05). Para ello,
selecciona de manera aleatoria tres bultos de cada uno de los siguientes cinco pedidos.
Pesa los 15 bultos y obtiene que 𝑋 = 49.4 y 𝑆 2 = 1.2.
1. Plantear la prueba de hipótesis:

𝐻0 : 𝜇 = 50.1
𝐻1 : 𝜇 < 50.1
2. Nivel de significancia: 𝛼 = 0.05
𝑋 − 𝜇0 49.4 − 50.1
𝑡0 = = = −2.476
𝑆 1.095
DOCENTE: FELÍCITA E. LATORRACA RIOS 𝑛 15
CICLO: 8VO
ROL: DOCENTE ASESOR
4. Regla de Decisión
𝑡𝛼,𝑛−1 = 𝑡0.05,14 = 1.76
-2.476 -1.76
5. Decisión
Como 𝑡0 = −2.47 < −1.76 = -𝑡0.05,14 se rechaza la hipótesis H0. Es decir, se rechaza
la afirmación del vendedor de que los bultos tienen un peso medio de 50.1, y además
la evidencia señala que dicho peso es menor que el declarado.
Como el tamaño de
muestra es menor que
30, se elige la prueba de
hipótesis t

Realizar prueba de hipótesis y colocar el valor
de la media a probar (media poblacional)

CICLO: 8VO
ROL: DOCENTE ASESOR
confianza y elegir el tipo de
hipótesis alternativa

CICLO: 8VO
ROL: DOCENTE ASESOR
Como el valor de probabilidad 0.013 es menor que 0.05, se rechaza la Ho; es decir
el peso promedio de los bultos es menor a 50.1 Kg.

CICLO: 8VO
ROL: DOCENTE ASESOR
PRUEBA DE HIPÓTESIS PARA PROPORCIÓN
Cuando se hace un análisis o una investigación donde se involucran variables cualitativas

o de atributos, es frecuente que se quiera verificar si el valor de una proporción
poblacional p es igual a un cierto valor 𝑝0 . En esto casos resulta de interés probar la
siguiente hipótesis
𝐻0 : 𝑝 = 𝑝0 𝐻0 : 𝑝 = 𝑝0 𝐻0 : 𝑝 = 𝑝0
𝐻1 : 𝑝 ≠ 𝑝0 𝐻1 : 𝑝 < 𝑝0 𝐻1 : 𝑝 > 𝑝0
Si de la población o proceso de referencia se extrae una muestra de n elementos, y x

de ellos tienen la característica de interés, entonces la proporción muestral está dada
por:
𝑝=𝑥 𝑛

CICLO: 8VO
ROL: DOCENTE ASESOR
Si se supone que X tiene una distribución binomial y n tiene un valor

relativamente grande, entonces el estadístico de prueba es:
𝑝 − 𝑝0
𝑍=
𝑝0 1 − 𝑝0
𝑛

CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
En una industria donde se fabrica clavos para construcción, se informa que el 50% de
éstos tienen algún defecto de fabricación. Existe evidencia suficiente para indicar que
dicha proporción es menor a 50%, si de una muestra aleatoria de 400 clavos, sólo 193
fueron detectados con algún defecto?. Utilice una significación de 0.01
1. Prueba de hipótesis:
Ho: p = 0.5, 𝑙𝑎 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑙𝑎𝑣𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠 𝑒𝑠 0.5
H1: p < 0.5, 𝑙𝑎 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑙𝑎𝑣𝑜𝑠 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜 𝑒𝑠 𝑚𝑒𝑛𝑜𝑟 de 0.5
2. El nivel de significancia: es del 1 % (𝛼 = 0.01)
𝑝 − 𝑝0
𝑍=
𝑝0 1 − 𝑝0
𝑛
𝑝 − 𝑝0 0.4825 − 0.5
𝑍= = = −0.7
𝑝0 1 − 𝑝0 0.5 1 − 0.5
𝑛 400
4. Regla de Decisión:
Punto Crítico: Z(1-α)
Z(1-0.01) = Z(0.99) = -2.33
-2.33
5. Decisión:
Como -0.70, cae dentro de la región de Aceptación para Ho. Entonces ésta se
ACEPTA, es decir con un Nivel de Confianza del 99%, no existe evidencia
suficiente para decir que la proporción de clavos con algún defecto de
fabricación es menor a 50%
Como la variable es
cualitativa, elegir la
prueba de hipótesis para
una proporción.

Realizar prueba de hipótesis y colocar el
valor de la proporción (proporción
poblacional)
CICLO: 8VO
ROL: DOCENTE ASESOR
confianza, elegir el tipo de
hipótesis alternativa y elegir el
Método Aproximación normal

CICLO: 8VO
ROL: DOCENTE ASESOR
Como el valor de probabilidad es 0.242 mayor que el nivel de significancia 0.01,

no se rechaza la Ho; es decir con un Nivel de Confianza del 99%, no existe
evidencia suficiente para decir que la proporción de clavos con algún defecto de
fabricación es menor a 50%

CICLO: 8VO
ROL: DOCENTE ASESOR
PRUEBA DE HIPÓTESIS PARA DOS
PARÁMETROS COMPARACIÓN DE DOS PROCESOS
O POBLACIONES
Con frecuencia se presentan situaciones en las que es preciso comparar dos
procesos o poblaciones. Por ejemplo, se requieren comparar dos proveedores,
dos materiales, dos máquinas o dos métodos de trabajo.
𝛔𝟐𝟏 𝐲 𝛔𝟐𝟐 conocida y n1 y n2 ≥ 30
Sean dos poblaciones o procesos con distribuciones normal con medias 𝜇1 y
𝜇2 , y varianzas 𝜎12 y 𝜎22 y , respectivamente
Hipótesis a probar
𝐻0 : 𝜇1 = 𝜇2 𝐻0 : 𝜇1 = 𝜇2 𝐻0 : 𝜇1 = 𝜇2
𝐻1 : 𝜇1 ≠ 𝜇2 𝐻1 : 𝜇1 < 𝜇2 𝐻1 : 𝜇1 > 𝜇2
Estadístico de Prueba
𝑋1 − 𝑋2
𝑍=
𝜎12 𝜎22
𝑛1 + 𝑛2
O POBLACIONES
Ejemplo:
Se analizan dos catalizadores para determinar la forma en que afectan el
rendimiento promedio de un proceso químico. De manera específica, el
catalizador 1 es el que se está empleando en este momento. Debido a que el
catalizador 2 es más económico, éste puede adoptarse siempre y cuando no
cambie el rendimiento del proceso.
Se hace una prueba en una planta piloto; los resultados obtenidos, son los
siguientes:
Catalizador 1: 𝑋1 = 117, s1 = 10, n1 = 40

Catalizador 2: 𝑋2 = 112, s2 = 12, n2 = 30
¿Existe alguna diferencia entre los rendimientos promedios?. Utilícense  =

0.05.
PARÁMETROS COMPARACIÓN DE DOS
PROCESOS O POBLACIONES
1. Platear las hipótesis:
5. Decisión:
𝐻0 : 𝜇1 = 𝜇2
Como 1.85 < 1.96 se acepta
𝐻1 : 𝜇1 ≠ 𝜇2
Ho, por lo tanto el
2. Nivel de Significancia: ∝= 𝟎. 𝟎𝟓
rendimiento promedio de los
3. Estadístico de Prueba:
117 − 112 tipos de catalizadores es el
𝑍= = 1.851
102 122 mismo con 5% de
40 + 30 significancia.
4. Regla de decisión:
𝒁𝟏−∝/𝟐 = 𝒁𝟎.𝟗𝟕𝟓 = 𝟏. 𝟗𝟔 Por lo tanto se puede cambiar
del Catalizador 1 al
Catalizador 2, dado que es
más económico.
-1.96 1.96
𝛔𝟐𝟏 𝐲 𝛔𝟐𝟐 desconocidas pero iguales, con n1 y n2 < 30
Sean dos poblaciones o procesos con distribuciones normal con medias 𝜇1 y 𝜇2 , y
varianzas 𝜎12 y 𝜎22 y , respectivamente
Hipótesis a probar
𝐻0 : 𝜇1 = 𝜇2 𝐻0 : 𝜇1 = 𝜇2 𝐻0 : 𝜇1 = 𝜇2
𝐻1 : 𝜇1 ≠ 𝜇2 𝐻1 : 𝜇1 < 𝜇2 𝐻1 : 𝜇1 > 𝜇2
𝑋1 − 𝑋2 𝑛 − 1 𝑆 2
+ 𝑛 − 1 𝑆 2
𝑡0 = 𝑆𝑝2 =
1 1 2 2
1 1 𝑛1 + 𝑛2 − 2
𝑆𝑝 𝑛 + 𝑛
1 2
CICLO: 8VO
ROL: DOCENTE ASESOR
Ejemplo:
La calidad de la pintura látex depende, entre otras cosas, del tamaño de la
partícula. Para medir esta característica se utilizan dos centrifugadoras, y se
sospecha que éstas reportan mediciones distintas para la misma pintura.
Entonces, se decide hacer un estudio que permita comparar las medias y las
varianzas reportadas por los dos equipos; para ello, de un mismo lote de pintura
se tomaron 13 lecturas con cada centrifugadora. Los resultados son los
siguientes
4,714 4,601 4,696 4,896 4,905
CENTRIFUGADORA 1 4,870 4,987 5,144 3,962 4,006
4,561 4,626 4,924
4,295 4,271 4,326 4,530 4,618
CENTRIFUGADORA 2 4,779 4,752 4,744 3,764 3,797
4,401 4,339 4,700
O POBLACIONES
𝐻0 : 𝜇1 = 𝜇2
𝐻1 : 𝜇1 ≠ 𝜇2
𝑛1 = 13; 𝑋1 = 4,684; 𝑆12 = 124,732 4684 − 4408.92
𝑡0 = = 2.038
𝑛2 = 13; 𝑋2 = 4,408.92; 𝑆12 = 112,020 1 1
344.058 13 + 13
13 − 1 124,732 + 13 − 1 112,020
𝑆𝑝2 = = 344.058
13 + 13 − 2

CICLO: 8VO
ROL: DOCENTE ASESOR
O POBLACIONES
4. Regla de Decisión
𝑡𝛼;𝑛1+𝑛2−2 = 𝑡0.975,24 = 2.064

2
-2.064 2.064
5. Decisión:
Como |t0| = 2.04 < 2.064 = tα/2, no se rechaza H0, por lo que se concluye que las
centrifugadoras reportan en promedio el mismo tamaño de partícula. Es decir,
las centrifugadoras son estadísticamente iguales en cuanto a sus medias.

CICLO: 8VO
ROL: DOCENTE ASESOR
Como el tamaño de
muestra es menor que
30, se elige la prueba de
hipótesis t de 2
muestras
Seleccionar Cada muestra está en su

columna y pasar las variables en el
recuadro de cada muestra, así mismo

CICLO: 8VO
ROL: DOCENTE ASESOR
hipótesis alternativa y elegir el
Asumir varianzas iguales.

CICLO: 8VO
ROL: DOCENTE ASESOR

no se rechaza la Ho; por lo que se concluye que las centrifugadoras reportan en
promedio el mismo tamaño de partícula. Es decir, las centrifugadoras son
estadísticamente iguales en cuanto a sus medias

CICLO: 8VO
ROL: DOCENTE ASESOR
𝛔𝟐𝟏 𝐲 𝛔𝟐𝟐 desconocidas pero diferentes, con n1 y n2 < 30
Sean dos poblaciones o procesos con distribuciones normal con medias 𝜇1 y
𝜇2 , y varianzas 𝜎12 y 𝜎22 poblacionales desconocidas.
Hipótesis a probar
𝐻0 : 𝜇1 = 𝜇2 𝐻0 : 𝜇1 = 𝜇2 𝐻0 : 𝜇1 = 𝜇2
𝐻1 : 𝜇1 ≠ 𝜇2 𝐻1 : 𝜇1 < 𝜇2 𝐻1 : 𝜇1 > 𝜇2
2 2 2
𝑆1 𝑆2
𝑛1 + 𝑛2
𝑋1 − 𝑋2 𝑣=
𝑡= ≈ 𝑡1−𝛼/2,𝑣 2 2 2 2
𝑆1 𝑆2
𝑆12 𝑆22 𝑛1 𝑛2
𝑛1 + 𝑛2
𝑛1 − 1 + 𝑛2 − 1
𝐄𝐣𝐞𝐦𝐩𝐥𝐨:
Se realizó un experimento para comparar la resistencia de dos materiales,
obteniéndose los siguientes resultados:
Material n 𝑿 𝑺𝟐
1 15 3.84 3.07
2 12 1.49 0.80
Suponga que son muestras aleatorias independientes y que provienen de

poblaciones normales con varianzas desconocidas, suponer diferentes.
Pruebe con un nivel de confianza de 95% para la diferencia de las medias
poblacionales la hipótesis nula: 𝜇1 > 𝜇2 frente 𝜇1 < 𝜇2
O POBLACIONES
𝐻0 : 𝜇1 > 𝜇2
𝐻1 : 𝜇1 < 𝜇2
3.07 0.8 2 3.84 − 1.49

+ 12 𝑡= = 4.51
15 3.07 0.8
𝑣= 2 2 = 21.67 ≈ 22 +
3.07 0.8 15 12
15 12
+
15 − 1 12 − 1

CICLO: 8VO
ROL: DOCENTE ASESOR
Punto Crítico: t(1-α,v)
t(0.95,22) = -1.7171
-1.7171
5. Decisión:
Con un nivel de significancia del 5%, no existe suficiente evidencia estadística
para rechazar la hipótesis nula, es decir, la resistencia promedio del material 1
es mayor que la resistencia promedio del material 2.

CICLO: 8VO
ROL: DOCENTE ASESOR
Como se conoce la
desviación estándar muestral
se elige la hipótesis t de 2
muestras
Seleccionar Datos resumidos e ingresar

los estadísticos de la muestra

CICLO: 8VO
ROL: DOCENTE ASESOR
hipótesis alternativa.

CICLO: 8VO
ROL: DOCENTE ASESOR

no se rechaza la Ho; la resistencia promedio del material 1 es mayor que la
resistencia promedio del material 2.

CICLO: 8VO
ROL: DOCENTE ASESOR
PROPORCIONES
Una situación de frecuente interés es investigar la igualdad de las proporciones de
dos poblaciones. Por lo tanto, es necesario contrastar las hipótesis:
Hipótesis a probar
𝐻0 : 𝑝1 = 𝑝2 𝐻0 : 𝑝1 = 𝑝2 𝐻0 : 𝑝1 = 𝑝2
𝐻1 : 𝑝1 ≠ 𝑝2 𝐻1 : 𝑝1 < 𝑝2 𝐻1 : 𝑝1 > 𝑝2
𝑝1 − 𝑝2 𝑋1 +𝑋2
𝑍0 = Donde 𝑝 =
1 1 𝑛1 +𝑛2
𝑝 1−𝑝 𝑛 +𝑛
1 2
PROPORCIONES
Ejemplo:
Dos proveedores fabrican un engrane de plástico utilizado en una impresora láser.
La importancia radica en si los engranes alcanzan la resistencia al impacto, la cual
se mide en pie - lb . De una muestra aleatoria de 300 engranes suministrado por el
proveedor A, se reporta que 120 indican que si alcanzan la resistencia al impacto.
Del proveedor B se toma una muestra aleatoria de 400 engranes, donde 120
también alcanzan con la resistencia al impacto requerida.
¿Se puede concluir a un nivel de significación del 5%, que la proporción de
engranes de plástico que alcanzan la resistencia al impacto del proveedor A es
mayor que la proporción del proveedor B?

CICLO: 8VO
ROL: DOCENTE ASESOR
PROPORCIONES
𝐻0 : 𝑝1 = 𝑝2
𝐻1 : 𝑝1 > 𝑝2
2. Fijar el nivel de significancia: 𝛼 = 0.05

3. Estadístico de Prueba
𝑛1 = 300; 𝑋1 = 120; 𝑝1 = 120 300 = 0.4 120 + 120

𝑝= = 0.343
300 + 400
𝑛2 = 300; 𝑋2 = 120; 𝑝2 = 120 400 = 0.3
0.4 − 0.3
𝑍0 = = 2.758
1 1
0.343 1 − 0.343 300 + 400
PROPORCIONES
𝒁𝜶 = 𝟏. 𝟔𝟒𝟓
1−α
1.645
5. Decisión:
Con un nivel de significancia del 5%, existe suficiente evidencia estadística
para rechazar la hipótesis nula, es decir, la proporción de engranes de plástico
que alcanzan la resistencia al impacto del proveedor A es mayor que la
proporción del proveedor B.
CICLO: 8VO
ROL: DOCENTE ASESOR
Como la variable es
cualitativa se debe elegir
prueba de hipótesis para dos
proporciones
Seleccionar Datos resumidos e ingresar

los estadísticos de la muestra

CICLO: 8VO
ROL: DOCENTE ASESOR
Finalmente seleccionar Opciones y

colocar el nivel de confianza, elegir el
tipo de hipótesis alternativa y
finalmente el Método de prueba
Utilice el calculo agrupado de la
proporción

CICLO: 8VO
ROL: DOCENTE ASESOR
Como el valor de probabilidad es 0.003 y es menor que el nivel de

significancia 0.05, se debe rechazar la hipótesis nula, es decir, la
proporción de engranes de plástico que alcanzan la resistencia al impacto
del proveedor A es mayor que la proporción del proveedor B.
¿QUÉ HEMOS APRENDIDO?
 ¿Qué es un estimador?
 Fórmulas e interpretaciones de la
estimación puntual para el
promedio y la proporción
poblacional.
 Fórmulas e interpretaciones de la
estimación interválica para el
promedio y la proporción
poblacional.
BIBLIOGRAFÍA BÁSICA:
Estimado estudiante, puedes revisar el siguiente textos que se encuentran en tu

biblioteca:
N° CÓDIGO AUTOR TÍTULO AÑO
658.562 Control Estadístico de la Calidad y Seis

1 Gutiérrez H. y De La Vara, R 2009
GUTI Sigma

Inferencia Estadística PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inferencia Estadística PDF

Cargado por

Copyright:

Formatos disponibles

CONTROL ESTADÍSTICO DE LA CALIDAD

Al término de la unidad, el participante adquiere las competencias

DOCENTE: FELÍCITA E. LATORRACA RIOS

El estudiante, al finalizar la unidad, identifica apropiadamente los

DOCENTE: FELÍCITA E. LATORRACA RIOS

El laboratorio regional de agua llevó a cabo un estudio para estimar el contenido

3.21 2.88 2.98 2.92 3.12 3.15 3.02 3.03

Se determinar si con la información proporcionada se puede determinar un

DOCENTE: FELÍCITA E. LATORRACA RIOS

La inferencia estadística tiene como objetivo establecer las características de una

DOCENTE: FELÍCITA E. LATORRACA RIOS

En control de calidad, las poblaciones de interés son los materiales, los

DOCENTE: FELÍCITA E. LATORRACA RIOS

DOCENTE: FELÍCITA E. LATORRACA RIOS

La inferencia estadística tiene como objetivo establecer las características de una

DOCENTE: FELÍCITA E. LATORRACA RIOS

Estimación por Intervalos

DOCENTE: FELÍCITA E. LATORRACA RIOS

Es un valor tabular asociado a un nivel de confianza (1-α). Cuando los

DOCENTE: FELÍCITA E. LATORRACA RIOS

DOCENTE: FELÍCITA E. LATORRACA RIOS

Se debe seleccionar el tipo

Cuando se tiene los estadísticos de un conjunto

DOCENTE: FELÍCITA E. LATORRACA RIOS

DOCENTE: FELÍCITA E. LATORRACA RIOS

DOCENTE: FELÍCITA E. LATORRACA RIOS

96.11 + 91.06 + ⋯ + 92.62

96.11 − 91.03 2 + 91.06 − 91.03 2 + ⋯ + 92.62 − 91.03 2

Suponiendo que el rendimiento tiene distribución normal, el intervalo a 95%

DOCENTE: FELÍCITA E. LATORRACA RIOS

Con una confianza de 95% se estima que el rendimiento promedio de los

DOCENTE: FELÍCITA E. LATORRACA RIOS

Se debe seleccionar el tipo

Cuando se tiene un conjunto de

EJEMPLO CON EL MINITAB

DOCENTE: FELÍCITA E. LATORRACA RIOS

EJEMPLO CON EL MINITAB

Con una confianza de 95% se estima que el rendimiento promedio de los

DOCENTE: FELÍCITA E. LATORRACA RIOS

DOCENTE: FELÍCITA E. LATORRACA RIOS

0.05 1 − 0.05 0.05 1 − 0.05

DOCENTE: FELÍCITA E. LATORRACA RIOS

0.05 1 − 0.05 0.05 1 − 0.05

0.05 − 0.043 ≤ 𝑝 ≤ 0.05 + 0.043

0.007 ≤ 𝑝 ≤ 0.05 + 0.093

DOCENTE: FELÍCITA E. LATORRACA RIOS

Se desea estimar la diferencia de dos medias poblacionales con una confianza

𝜎12 𝜎22 𝜎12 𝜎22

DOCENTE: FELÍCITA E. LATORRACA RIOS

Si μ1 y μ2 indican los verdaderos promedios de las resistencias a la tensión para

𝜎12 𝜎22 𝜎12 𝜎22

𝜇1 − 𝜇2 ∈ 87.6 − 74.5 − 1.249; 87.6 − 74.5 + 1.249

Con una confianza del 100(1-α)%, n1< 30 y n2<30. Usando la distribución t –

DOCENTE: FELÍCITA E. LATORRACA RIOS

Construir un intervalo al 95% de confianza para la diferencia de los tiempos de

𝑡1−∝/2;15 + 𝑡0.975;15 =2.131

DOCENTE: FELÍCITA E. LATORRACA RIOS

𝜇1 − 𝜇2 ∈ 21.111 − 17.625 ± 5.8481

𝜇1 − 𝜇2 ∈ 3.486 − 5.8481; 3.486 + 5.8481

Luego el intervalo del 95% de confianza para la diferencia en los tiempos

Elegir el tipo de intervalo

Así mismo pasar las variables en

DOCENTE: FELÍCITA E. LATORRACA RIOS