Página 1 de 22

Carrera:
LICENCIATURA EN MATEMÁTICAS

Materia:
Estadística I.

U2-A1:
Foro.
Grupo:
MT-MEST1-2001-B2-001

Alumno:Rolando Ortiz Herbas

Matrícula:
ES18210414044

Maestro:

Claudio Ramón Rodríguez Mondragón.

 Página 2 de 22

1.- Investiga:

1) Concepto de Estadística Inferencial.

La Estadística Inferencial obtiene resultados de una población mediante el estudio de una

muestra mas pequeña de la población , los parámetros estadísticos de la muestra se pueden
generalizar a la población con un nivel de confianza. (L., 2008)

2) Menciona los objetivos principales de la Estadística inferencial.

El objetivo de la inferencia estadística es el de sacar un tipo de conclusión sobre 1 o mas

parámetros de una población, mediante el estudio de estos parámetros, pero tomando una
muestra representativa.

3) ¿Qué temas de probabilidad son herramienta de la Estadística Inferencial?

Todos los conceptos de variable aleatoria , funciones de densidad, función de densidad

acumulada, distribuciones discretas y continuas, la Media o Esperanza, la Varianza y otros, son
las herramientas para la Estadística inferencial. La distribución normal es fundamental para esta
área de la Estadística. (Meyer, 1992)

4) Describe lo que es Estimación Estadística. (UNADM, 2020)

Dado un parámetro de interés, como ser la media o desviación estándar, el objetivo de la

estimación es usar una muestra para calcular una buena aproximación del valor verdadero de la
población.

5) Menciona los tipos de Estimaciones que se usan en Estadística Inferencial

Hay 2 tipos de estimación : la estimación puntual y la estimación por intervalos. Unos autores
también toman los mínimos cuadrados como un tipo de estimación.

6) Define lo que es un Estadístico.

Algunos parámetros estadísticos son, la media aritmética, la mediana, la moda, la desviación

estándar, los cuartiles y otros.

Según la información que resumen se clasifican en: de tendencia central y dispersión.

7) Define lo que es un Estimador.

 Página 3 de 22

Un estimador puntual utiliza un numero único o valor para localizar una estimación del parámetro.
Un intervalo de confianza es un rango dentro del cual puede encontrarse el parámetro.

8) Escribe las propiedades de un Estimador. (UNADM, 2020)

En general existe parámetros muestrales de variable aleatoria, que son usados para aproximarse
a los valores de los parámetros poblacionales. A estos valores poblacionales se les conoce como
estimadores.
Las propiedades de los estimadores son, el sesgo, la eficiencia, la consistencia y la
Suficiencia.

Un estimador es insesgado cuando coincide con los parámetros poblacionales, como ser la
media , desviación estandar o cualquier otro.

Un estimador es eficiente si cumple con ciertas características estadísticas, en otras palabras un

estimador es eficiente si esta mas próximo al valor poblacional.

Si se toman muestras cada vez mas grandes es obvio que el estimador muestral se acercara
cada vez mas al estimador poblacional. La consistencia se entiende en que esta sucesión sea
convergente en probabilidad hacia el parámetro poblacional.

La suficiencia tiene que ver con que el estimador muestral reúna la mayor cantidad de
características, para poder ser usado como estimador del parámetro poblacional.

9) Escribe la definición del Teorema Central del Límite.

A medida que n se vuelve mas grande, la distribución de las medias muestrales se aproxima a
𝝈
̅
una distribución normal con media 𝑿 = 𝝁 𝒚 𝝈𝑿 =
√𝒏

10) Explica el por qué se trabaja en la Estimación, principalmente con la Distribución

Normal.

Por el teorema del Limite central sabemos que los parámetros de una muestra tienden a una
distribución normal, por lo que casi siempre estaremos trabajando con una distribución normal.

12) Explica que es una Distribución de muestreo.

La distribución de una muestra, en realidad puede ser cualquiera, pero si tomamos varias
muestras , estos estadísticos siempre tenderán a una distribución normal.

2.- Contesta:
 Página 4 de 22

A. Describe y menciona tres ejemplos de Distribución Uniforme. (UNADM, 2020)

En su versión continua:

𝟏
𝒇(𝒙) = 𝒑𝒂𝒓𝒂 𝒙 ∈ [𝒂, 𝒃]
𝒃−𝒂

En su versión discreta ,si tenemos

𝟏
{𝒙𝟏, 𝒙𝟐, 𝒙𝟑, … , 𝒙𝒏} 𝒔𝒐𝒏 𝑽. 𝑨. , 𝒆𝒏𝒕𝒐𝒏𝒄𝒆𝒔 𝒔𝒖 𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒆𝒔 𝑷(𝒙𝒊) =
𝒏

Ejemplo 1.-
Se lanza un dado y se observa el resultado, aquí el espacio muestral es :
𝟏
𝑺 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔} 𝒚 𝒑(𝒙𝒊) =
𝟔

B. Describe y menciona tres ejemplos de Distribución Simétrica.

Una distribución simétrica es por ejemplo la Normal como se ve en la siguiente grafica:

Esta distribución es simétrica en relación a su media, la cual divide a la función en 2 partes

simétricas. También puede considerarse la distribución binomial para n > 30 , una distribución
simétrica
 Página 5 de 22

Ejemplo 1.-
Lanzar 3 dados no truqueados 100 veces y considerar la suma de los resultados:
Este experimento cuando n es grande tiende a una distribución normal que es simétrica.

Ejemplo 2.-

Lanzar 4 monedas 80 veces y considerar el numero de caras que resulta.

Ejemplo 3.-
El 20% de todos los ejemplares de un libro de texto no pasan una prueba de resistencia de
encuadernación. Sea X el numero de ejemplares seleccionados al azar que no pasan la prueba.

C. Describe y menciona tres ejemplos de Distribución Normal.

1 −(𝑥−𝜇)2
, −∞<𝑥<∞
𝑓(𝑥) = 𝑒 𝜎2
√2𝜋𝜎

Ejemplo.- La distribución de las medias muestrales.

D. Cómo se le llama a la gráfica formada en una Distribución Normal

La distribución normal también es conocida como la campana de Gauss , por su parecido con una
campana.
 Página 6 de 22

E. Qué representa el área bajo la curva de la gráfica de una Distribución Normal, y qué
valores numéricos toma.

1 −(𝑥−𝜇)2
, −∞<𝑥<∞
𝑓(𝑥) = 𝑒 𝜎2
√2𝜋𝜎
𝑑𝑜𝑛𝑑𝑒 𝜇 𝑒𝑠 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎 𝑦 𝜎 𝑙𝑎 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟.

La grafica de una distribución Normal Estándar es:

Si 𝜇 = 0 𝑦 𝜎 = 1, 𝑠𝑒 𝑑𝑖𝑐𝑒 𝑞𝑢𝑒 𝑒𝑠 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙 𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟.

Esta distribución es simétrica respecto a su media. Y por supuesto el área bajo la curva es igual a
1.

F. Establece las condiciones y los requisitos, para que la aproximación una distribución
binomial se pueda simplificar por medio de la distribución normal.

Siempre y cuando tanto 𝑛𝑝 ≥ 20 𝑐𝑜𝑚𝑜 𝑛𝑞 ≥ 20

𝑐𝑜𝑛 𝜇 = 𝑛𝑝 𝑦 𝜎 = √𝑛𝑝𝑞, la distribución binomial tiende a la distribución normal.

Ejercicios y problemas:

Distribución Normal: (L., 2008)

Sea Z una variable aleatoria que tiene una distribución normal estándar. Realiza una gráfica
representativa en GeoGebra, para cada cálculo.
Encuentra:

a) P (Z ≤ 1.54) = 0.9382
 Página 7 de 22

b) P (Z > 1.54) = 0.0618

c) P (−0.1 ≤ Z ≤ 0.9)=0.3558
 Página 8 de 22

d) P (−3.66 ≤ Z ≤ −2.15)= 0.0157

Distribución Binomial: (L., 2008,Pag. 113)

En una fábrica de memorias usb´s, se sabe que el 6% salen defectuosas. Determinar la probabilidad
de que en una muestra de 10:
6
Aquí tenemos 𝑛 = 10 𝑦 𝑝 = 100 = 0.06
Usamos:

𝒏
𝑷(𝑿 = 𝒙) = ( ) 𝒑𝒙 𝒒𝒏−𝒙 𝒄𝒐𝒏 𝒑 + 𝒒 = 𝟏
𝒙
a) Ninguna salga defectuosa.

𝟏𝟎 𝟏𝟎!
𝑷(𝑿 = 𝟎) = ( ) 𝟎. 𝟎𝟔𝟎 (𝟏 − 𝟎. 𝟎𝟔)(𝟏𝟎−𝟎) = ∗ 𝟏 ∗ (𝟎. 𝟗𝟒)𝟏𝟎 = 𝟎. 𝟓𝟑𝟖𝟔
𝟎! 𝟏𝟎!
𝟎
 Página 9 de 22

Con Geogebra tenemos:

b) 3 salga defectuosas.

𝟏𝟎 𝟏𝟎!
𝑷(𝑿 = 𝟑) = ( ) 𝟎. 𝟎𝟔𝟑 ∗ (𝟎. 𝟗𝟒)𝟕 = 𝟎. 𝟎𝟔𝟑 ∗ (𝟎. 𝟗𝟒)𝟕
𝟑 𝟑! 𝟕!

𝑷(𝑿 = 𝟑) = 𝟎. 𝟎𝟏𝟔𝟖𝟎
 Página 10 de 22

c) 1 salga defectuosa

𝟏𝟎 𝟏𝟎!
𝑷(𝑿 = 𝟏) = ( ) 𝟎. 𝟎𝟔𝟏 ∗ (𝟎. 𝟗𝟒)𝟗 = 𝟎. 𝟎𝟔𝟏 ∗ (𝟎. 𝟗𝟒)𝟗
𝟏 𝟏! 𝟗!

𝑷(𝑿 = 𝟏) = 𝟎. 𝟑𝟒𝟑𝟕𝟗

En Geogebra :
 Página 11 de 22

d) A lo mucho, 3 salgan defectuosas.

3
𝟏𝟎 𝒙
𝑃(𝑋 ≤ 3) = ∑ ( ) 𝟎. 𝟎𝟔 ∗ 𝟎. 𝟗𝟒𝟏𝟎−𝒙 =
𝑥=0 𝒙
𝟏𝟎 𝟏𝟎 𝟏𝟎 𝟏𝟎
( ) 𝟎. 𝟎𝟔𝟎 ∗ 𝟎. 𝟗𝟒𝟏𝟎 + ( ) 𝟎. 𝟎𝟔𝟏 ∗ 𝟎. 𝟗𝟒𝟗 + ( ) 𝟎. 𝟎𝟔𝟐 ∗ 𝟎. 𝟗𝟒𝟖 + ( ) 𝟎. 𝟎𝟔𝟑 ∗ 𝟎. 𝟗𝟒𝟕 =
𝟎 𝟏 𝟐 𝟑

𝑷(𝑿 ≤ 𝟑) = 𝟎. 𝟗𝟗𝟖

En Geogebra:
 Página 12 de 22

e) A lo menos, 4 salgan defectuosas.

10
𝟏𝟎
𝑃(4 ≤ 𝑋) = ∑ ( ) 𝟎. 𝟎𝟔𝟒 ∗ 𝟎. 𝟗𝟒𝟏𝟎−𝒙 = 𝟎. 𝟎𝟎𝟐
𝑥=4 𝟒

En Geogebra :
 Página 13 de 22

f) Calcula la media, la varianza y la desviación estándar.

Para una distribución binomial tenemos que:

𝑬(𝑿) = 𝒏𝒑 , 𝑽(𝑿) = 𝒏𝒑𝒒 𝒚 𝝈 = √𝒏𝒑𝒒

𝑬(𝑿) = 𝟏𝟎 ∗ 𝟎. 𝟎𝟔 = 𝟎. 𝟔

𝑽(𝑿) = 𝒏𝒑𝒒 = 𝟏𝟎 ∗ 𝟎. 𝟎𝟔 ∗ 𝟎. 𝟗𝟒 = 𝟎. 𝟓𝟔𝟒

𝝈 = √𝒏𝒑𝒒 = √𝟎. 𝟓𝟔𝟒 = 𝟎. 𝟕𝟓

Teorema del Limite Central. (L., 2008)

Puedes hacer los cálculos con GeoGebra. Apóyate en uno de los videos publicados.
Una máquina llena empaques de dulces, con un contenido medio de 220 gramos y una varianza de
180 gramos cuadrados. Se toma una muestra aleatoria de 50 bolsas.
 Página 14 de 22

Tenemos que:

La población tiene los siguientes datos

𝝁 = 𝟐𝟐𝟎 𝒈𝒓. , 𝝈 = √𝟏𝟖𝟎 = 𝟏𝟑. 𝟒𝟏𝟔𝟒

La muestra tiene los siguientes datos:

𝝈 𝟏𝟑. 𝟒𝟏𝟔𝟒
𝒏 = 𝟓𝟎 , ̅ = 𝝁 = 𝟐𝟐𝟎 𝒈𝒓. ,
𝑿 𝝈𝑿 = = = 𝟏. 𝟖𝟗𝟕𝟑
√𝒏 √𝟓𝟎
Determinar:

a) La probabilidad que la media muestral de empaque sea entre 219 y 222 gramos.

Estandarizando tenemos

𝟐𝟏𝟗 − 𝟐𝟐𝟎
𝒛𝟏 = = −𝟎. 𝟓𝟐𝟗𝟏
𝟏. 𝟖𝟗

𝟐𝟐𝟐 − 𝟐𝟐𝟎
𝒛𝟐 = = 𝟏. 𝟎𝟓𝟖𝟐𝟎
𝟏. 𝟖𝟗

𝑷( −𝟎. 𝟓𝟐𝟗𝟏 ≤ 𝒛 ≤ 𝟏. 𝟎𝟓𝟖𝟐𝟎) = 𝟎. 𝟓𝟒𝟑

En geogebra
 Página 15 de 22

b) La probabilidad que la media muestral de empaque sea mayor a 223 gramos.

𝟐𝟐𝟑 − 𝟐𝟐𝟎
𝒛𝟏 = = 𝟏. 𝟓𝟖𝟕𝟑
𝟏. 𝟖𝟗

𝑷(𝒛 ≥ 𝟏. 𝟓𝟖𝟕𝟑) = 𝟎. 𝟎𝟓𝟔𝟐

c) La probabilidad que la media muestral de empaque sea menor a 217 gramos.

𝟐𝟏𝟕 − 𝟐𝟐𝟎
𝒛𝟏 = = −𝟏. 𝟓𝟖𝟕𝟑
𝟏. 𝟖𝟗
𝑷(𝒛 < −𝟏. 𝟓𝟖𝟕𝟑) = 𝟎. 𝟎𝟓𝟔𝟐

En Geogebra:
 Página 16 de 22

d) Si la probabilidad es de 0.0545, ¿determina la media en gramos?

De una tabla de distribución normal Estándar tenemos que :

Vemos que le corresponde -1.61

̅ −𝟐𝟐𝟎
𝑿
Entonces : = −𝟏. 𝟔𝟏 ̅ = −𝟏. 𝟔𝟏 ∗ 𝟏. 𝟖𝟗 + 𝟐𝟐𝟎 = 𝟐𝟏𝟔. 𝟗𝟓 grs
𝒑𝒐𝒓 𝒍𝒐 𝒒𝒖𝒆 𝑿
𝟏.𝟖𝟗

Realiza el siguiente experimento:

Analiza el siguiente video: https://www.youtube.com/watch?v=II9vmT7yCKU

Puedes realizarlo en Excel. Genera tres listas de números aleatorios. No es necesario que tengan
normalidad.

Realiza el experimento de lanzar 80 veces en forma simultánea, 3 dados (de seis lados, normales, no
cargados). Anota tus resultados, con ellos realiza una distribución de probabilidades, y su gráfica.
a) Suma los resultados.

Numero L1 L2 L3 Suma
 Página 17 de 22

1 1 6 3 10
2 5 5 4 14
3 6 5 6 17
4 1 2 3 6
5 3 1 4 8
6 2 6 5 13
7 4 4 3 11
8 1 5 1 7
9 6 5 1 12
10 2 6 5 13
11 4 2 4 10
12 2 3 3 8
13 6 5 6 17
14 6 5 3 14
15 3 6 4 13
16 1 2 3 6
17 6 3 2 11
18 5 2 6 13
19 4 5 4 13
20 5 2 1 8
21 1 5 3 9
22 2 2 3 7
23 3 3 4 10
24 2 3 3 8
25 5 2 4 11
26 2 3 3 8
27 6 1 4 11
28 5 1 6 12
29 3 6 2 11
30 1 4 1 6
31 1 6 5 12
32 4 6 3 13
33 2 4 5 11
34 3 4 3 10
35 4 3 4 11
 Página 18 de 22

36 6 4 5 15
37 4 4 3 11
38 1 4 3 8
39 2 1 2 5
40 3 1 6 10
41 2 1 1 4
42 3 1 1 5
43 6 5 6 17
44 2 4 5 11
45 4 3 2 9
46 3 5 2 10
47 2 4 6 12
48 1 2 6 9
49 1 4 5 10
50 1 5 1 7
51 6 5 3 14
52 2 5 3 10
53 1 6 2 9
54 5 1 5 11
55 6 5 4 15
56 1 6 5 12
57 5 2 5 12
58 5 6 1 12
59 6 6 3 15
60 1 6 1 8
61 6 6 4 16
62 2 5 3 10
63 2 6 1 9
64 4 5 4 13
65 5 3 2 10
66 1 2 4 7
67 3 6 3 12
68 1 3 6 10
69 6 2 6 14
70 6 4 2 12
 Página 19 de 22

71 1 1 4 6
72 1 6 1 8
73 1 2 3 6
74 4 2 5 11
75 2 5 2 9
76 1 2 4 7
77 4 6 3 13
78 4 5 1 10
79 3 2 6 11
80 4 3 6 13

c) Realiza la tabla de frecuencias.

 Página 20 de 22

d) Obtener una gráfica de barras.

 Página 21 de 22

e) ¿Observas alguna simetría? ¿Cómo se llama a esta distribución de los datos organizados?

Claramente este diagrama de frecuencias tiende a una distribución normal . Y se puede considerar
que es en torno a los valore 10 y 11 que nos da como resultado de sumar el resultado de los 3 dados.

f) Escribe lo que observas, tomando en cuenta lo que hemos analizado en este foro.

Es de esperarse que si n es mas grande este diagrama de frecuencias se aproximará mas a una
distribución normal.
La grafica con 200 lanzamientos es :
 Página 22 de 22

g) Realiza las conclusiones pertinentes. Describe al menos 5 características de la gráfica de

barras que has obtenido .

Lo que puede observarse de la grafica es :

• Se ve claramente con una distribución aproximada a la normal.

• Se ve que es simétrica en torno al valor 10 y 11. (suma de los 3 lanzamientos)

Bibliografía
Crespo, R. (2013). Formulas y apuntes de Estadística aplicada. Madrid España: Cisolog.

David, P. (2011). Medidas de Posición. Obtenido de Medidas de Posición:

http://estadisticapasoapaso.blogspot.com/2011/09/los-cuartiles.html

Gardey, J. P. (2010). Definición de Varianza. Obtenido de https://definicion.de/varianza/

L., D. J. (2008). Probabilidad y Estadistica para Ingenieria y Ciencias. México D.F.: Cengage.

Martínez, C. (2012). Estadística y muestreo. Bogota Colombia: Ecoe Ediciones.

Meyer, P. (1992). Probabilidad y Aplicaciones Estadísticas. Delaware U.S.A.: Fondo Educativo Interamericano.

Patricia Kuby, R. J. (2012). Estadística Elemental. Cdmx México: CENGAGE.

R, E. a. (2014). Sergio Santana, Mateos Farfan. Cdmx Mexico: UNESCO.

Salazar , C. P., & Del Castillo, S. G. (2018). Fundamentos Basicos de Estadistica. Mexico.

Triola, M. (2004). Estadística. D.F. México: Pearson Educación.

UNADM, M. (2020). Estadística I - Estadistica descriptiva. Cdmx: Unad.