Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRESENTADO POR:
PRESENTADO A:
1
INTRODUCCION
En el caso de que se conozcan todos los elementos de una población, es fácil calcular
todos los parámetros asociados en una población con compartimiento normal; sin
embargo, en la vida real no será así, y necesitaremos estimar algunos de ellos a partir de
los parámetros de la muestra de allí la importancia de la estimación estadística.
OBJETIVOS
2
Comprender los conceptos de distribución normal y estimación.
Calcular las distribuciones normales y estimaciones para los ejercicios propuestos
Aprender a interpretar correctamente los resultados de las distribuciones
normales y las estimaciones
MARCO TEORICO
3
Distribución Normal:
Una distribución normal de media μ y desviación típica σ se designa por N(μ, σ). Su
gráfica es la campana de Gauss:
El área del recinto determinado por la función y el eje de abscisas es igual a la unidad.
Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda
y otra igual a 0.5 a la derecha.
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una
distribución N(μ, σ) en otra variable Z que siga una distribución N(0, 1).
Donde: µ = Promedio
X = Variable
Z =Transformación de la variable X para función Normal
σ = Desviación = raíz cuadrada de la varianza
Distribución Muestral
Cada muestra de tamaño n que podemos extraer de una población proporciona una
media. Si consideramos cada una de estas medias como valores de una variable
aleatoria podemos estudiar su distribución que llamaremos distribución muestral de
medias.
4
Notación para la distribución Muestral:
Media
Es el promedio aritmético de las medias del conjunto de datos; ya sea de la población o
de la muestra.
También habremos de referirnos a la media como el valor esperado de X, y se denotará
con E (X).
Varianza
Es el promedio de la suma de los cuadrados de las desviaciones. Se entiende por
desviación la diferencia de una media respecto a la media
Como puede verse, la varianza es una medida de dispersión. Indica, en promedio, qué
tan alejados están los datos respecto de la media.
a)
Datos:
Análisis:
Modelo Matemático:
P (18 < x <25)
x−μ 25−20
z 1= = =1,25
δ 4
x−μ 18−20
z 2= = =−0,5
δ 4
Grafica
b)
Datos:
6
Variable Desviación Media
x δ μ
4 20
Análisis:
Modelo Matemático:
P (x >24) = A
A = 1 – A1 ’
x−μ 24−20
z 1= = =1
δ 4
Grafica
3.- Una máquina llenadora automática se gradúa para dispensar 1000 c.c. sin embargo
al realizar un control de calidad se encontró que el 10 % de las botellas contenían más
1000 c.c. y el 5 % contenían menos de 985 c.c. se pregunta el contenido medio de
llenado de las botellas.
Datos:
x z
1000 0,10
985 0,05
Análisis:
7
Es una desviación Normal ya que me dan X y Z
Modelo Matemático:
x 1−μ
σ=
z1
x 2−μ
σ=
z2
x 1−μ x 2−μ
=
z1 z2
z 2∗x 1−z 1+ x 2
μ=
z 2−z 1
0,05∗1000−0,10+985
μ=
0,05−0,10
μ=4,8743
Grafica
8
5.- Si se desea construir un auto que sea superior al 95 % de los autos del
problema anterior, cuantos km por galón debería recorrer este nuevo auto?
Datos:
30 Km 4.5 Km ? 0.95
Análisis:
Modelo Matemático:
x −μ
σ= = μ=−( Z∗σ ) +(x )
z
μ=25. 72
Los km por galón debería recorrer este nuevo auto son 25 . 72km
Grafica
9
7.- El dispensador del ADN de la esquina sabe que la demanda diaria de su
periódico es de 240 unidades, con una varianza de 529; que cantidad debe
solicitar para que la probabilidad de que se agote su existencia no sea mayor al 2
% en un día cualquiera?
Datos:
Variable (x)
Desviación (δ) Media (μ) Z
M
x −μ
σ= = X =( Z∗σ ) +(μ)
z
X =( 0.02∗23 )+(240)
x=240 . 46
La Cantidad que debe solicitar para que la probabilidad que se le acaben no sea
mayor al 2% es 240.46
Grafica
Grupo A B C D E
Porcentaje 8 16 42 20 14
a)
Datos:
X1 X2
Análisis:
Modelo Matemático:
x 1−μ
σ=
z1
x 2−μ
σ=
z2
x 1−μ x 2−μ
=
z1 z2
z 2∗x 1−z 1+ x 2
μ=
z 2−z 1
z1 = -0,034 = -1,825
z2 = 0,760 = 0,71
0,71∗136000−(−1,825+160000)
μ= =153418,10
0,71−(−1,825)
x 2−μ 160000−153418,10
σ= = =9270
z2 0,71
11
Grafica
b) valor esperado
Datos:
Media (μ) n μ
42% 25000 153418,10
Análisis:
Modelo Matemático:
P (x >170000) A = 1 - A1´
x−μ 170000−153418,10
z= = =1,78
δ 9270,8
A1´= 0,9625
A = 1 – 0,9625 = 0,0375
Grafica
12
PROBLEMAS DE ESTIMACION
a) Inferior a 70
Datos:
N δ μ
81 3 72 <70
Análisis:
Modelo Matemático:
P (x <70) A = A1´
x−μ 70−72
z= = =-6 A1´=0
σ /√n 3/ √ 81
A = 0%
Grafica
13
b)
Datos:
N δ μ
81 3 72 >75
Análisis:
Grafica
Modelo Matemático:
P (x >75) A = 1- A1´
x−μ 70−72
z= = =9 A1´=1.
σ /√n 3/ √ 81
14
A = 1- 1 = 0 %
c)
Datos:
N δ μ
81 3 72 69<x<75
Análisis:
Modelo Matemático:
A= A’2 -A’1
x−μ 69−72
z 1= = = - 0.333 A2’=0.3707 = 37.07%
σ /√n σ / √ 81
x−μ 75−72
z 2= = = 0.333 A1’=0.6293 = 62.93%
σ / √ n σ / √ 81
z=z1+z2 = 100%
Grafica
3) En una distribución normal se seleccionan todas las posibles muestras tamaño 25, si
el 2 % de estas muestras tienen una media que difieren de la media poblacional en más
de 4 en valor absoluto. Hallar la desviación estándar de la población.
Datos:
15
Muestra Desviación x−μ
n δ
25 ? 2% |4|
Análisis:
Modelo Matemático:
x−μ
z=
σ /√n
( x −μ )∗√ n
σ=
z
(−4 )∗√ 25
σ= =8 , 58
−2, 33
a) Aceptar una remesa que tiene una vida promedio de 59 horas y desviación de 3.
16
Datos:
Análisis:
Modelo Matemático:
59−60
z= =−2
3/ √ 36
La probabilidad de aceptar una remesa que tiene una vida promedio de 59 horas y
desviación de 3 es de 2.28%
Grafica
Datos:
N n δ μ
70000 36 3 60 60,5
17
Análisis:
Modelo Matemático:
60 ,5−60
z= =1
3/ √ 36
Grafica
7) Se toma una muestra de 400 artículos producidos por una empresa y se pregunta
cuál debe ser la probabilidad de que en esa muestra el 5 % o más sea defectuosa,
sabiéndose, por experiencia que esa empresa produce en promedio 4 % de artículos
defectuosos.
Datos:
n P p
Análisis:
Modelo Matemático:
18
Determinar la probabilidad: la realizo con la ecuación de promedio proporcional
p−P
z=
P∗Q
√ n
0 , 05−0 ,04
z= =1 , 02
0 , 04∗0 . 96
√ 400
Grafica
Datos:
Muestra Promedio
n P P-p
40 0,90 0,08
Análisis:
Modelo Matemático:
19
Determinar la probabilidad: la realizo con la ecuación de promedio proporcional
p−P
z=
P∗Q
√ n
0 , 82−0 , 90
z= =1 , 68
0 , 90∗0 . 10
√ 40
Grafica
11) Se tiene la población de los números dígitos (1 al 9); determine la probabilidad de que al
seleccionar 4 de ellos, en promedio, la suma de los cuatro sea superior a 20.
P(x>20) = 0.06%
Datos:
N n
9 4
Análisis:
Modelo Matemático:
P ( x < 20)
20
p−P
z=
P∗Q
√ n
0−0,44
z= =¿
0 , 44∗0 .56
√ 4
Grafica
Datos:
N n P
36 8 0,25
Análisis:
Modelo Matemático:
p−P
z=
P∗Q
√ n
21
0 , 22−0 , 25
z= =−0 , 18
0 , 25∗0 .75
√ 8
Grafica
Datos:
Muestra
n ў S
59 81 mm. 12 mm.
Análisis:
Modelo Matemático:
22
Determine un IC para la magnitud media de los errores.
ў- ε < μ< ў + ε
Grafica
17) Una máquina llenadora tiene una varianza de 1 onza; si se toman 25 vasos
llenados en una hora, halle la probabilidad de que el promedio muestral quede dentro de
0.3 onzas de diferencia con respecto al promedio verdadero de llenado.
Datos:
Análisis:
Modelo Matemático:
z 2∗σ 2
n=
ε2
2 n−ε 2
Z=
εσ 2
23
2 25−0.32
Z=
12
Z❑ =±1.5
La probabilidad de que el promedio muestra quede dentro de 0.3 onzas de diferencia con
respecto al promedio verdadero de llenado es 0.8664
Grafica
a)
Datos:
Análisis:
Modelo Matemático:
P (1< x <3)
x−μ 3−4
z 2= = =−1,25
δ 0,8
x−μ 1−4
z 1= = =−3,75
δ 0,8
b) Datos:
Análisis:
Modelo Matemático:
P (x >115)
x−μ 115−4
z 1= = =0
δ 0,8
A = A1´= 0 0%
25
21. - Silvana desea estimar la vida útil promedio de sus lámparas; ¿Qué tamaño de
muestra necesita para garantizar que habrá un riesgo de sólo 0.001 de exceder un error
de 5 días en la estimación? Asuma una desviación de 25 días
Datos:
Desviación Error
z δ ε
0.001 25 5
Análisis:
Modelo Matemático:
z 2∗σ 2
n=
ε2
0. 0012∗252
n= =¿0.000025
52
El tamaño de muestra necesita para garantizar que habrá un riesgo de sólo 0.001
de exceder un error de 5 días en la estimación es de 0.000025
A) Estimador y Parámetro
26
En una población en donde la distribución es conocida pero se desconoce algún
parámetro, se puede estimar dicho parámetro a partir de una muestra
representativa.
Un estimador es un valor que puede calcularse a partir de los datos muestrales y
en este se proporciona información sobre el parámetro.
B) Población y Muestra.
Muestreo probabilístico
Los métodos de muestreo probabilísticos son aquellos que se basan en el
principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos
tienen la misma probabilidad de ser elegidos para formar parte de una muestra y,
consiguientemente, todas las posibles muestras de tamaño n tienen la misma
probabilidad de ser seleccionadas.
Muestreo no probabilístico
A veces, para estudios exploratorios, el muestreo probabilístico resulta
excesivamente costoso y se acude a métodos no probabilísticos, aun siendo
conscientes de que no sirven para realizar generalizaciones pues no se tiene
certeza de que la muestra extraída sea representativa, ya que no todos los sujetos
de la población tienen la misma probabilidad de ser elegidos por lo que puede
traer como consecuencia proporcionar información errónea.
a)
Datos:
Análisis:
Modelo Matemático:
P (1< x <3)
x−μ 3−4
z 2= = =−1,25
δ 0,8
27
x−μ 1−4
z 1= = =−3,75
δ 0,8
b) Datos:
Análisis:
Modelo Matemático:
P (x >115)
x−μ 115−4
z 1= = =0
δ 0,8
A = A1´= 0 0%
28
27) Hallar el número de clientes n tal que la probabilidad de dar servicio a todos en dos
horas o menos, sea aproximadamente de 0.10.
n = 88
0.134 < µ < 0.226
29) Una Universidad desea estimar la proporción de profesores, en C.B. que están a
favor de que se corrija el programa de aseguramiento de la calidad en sus diferentes
asignaturas. La estimación debe quedar a menos de 0.05 de la proporción verdadera de
los que favorecen el programa; con un coeficiente de confianza del 90%,¿Cuántos
profesores se deben muestrear? n = 271 profes.
CONCLUSIONES
29
BIBLIOGRAFIA
30
31