Presentacion T4 Muestreo-4

ESTADISTICA INFERENCIAL
PROBABILIDAD Y ESTADÍSTICA
ING ELÉCTRICA
ITCG
PROF. ROBERTO TOBIAS CASTILLO 1

TEMA 4: ESTADÍSTICA INFERENCIAL
Contenido GLOSARIO DE TERMINOS
4.1 Inferencia estadística. FORMULAS

4.2 Muestreo estadístico.
4.3 Estimadores.
4.4 Estimación puntual.
4.5 Estimación por intervalo.
4.6 Errores tipo I y II.
4.7 Contraste de hipótesis unilateral y bilateral.

COMPETENCIA ESPECÍFICA
➢Conoce y aplica diversas técnicas de muestreo y estimación para su aplicación en

problemas de ingeniería.

COMPETENCIA GENÉRICA
➢Capacidad de abstracción, análisis y síntesis.
➢Capacidad de aplicar los conocimientos en la práctica.
➢Capacidad para organizar y planificar el tiempo.
➢Capacidad de comunicación oral y escrita.
➢Habilidades en el uso de las tecnologías de la información y de la comunicación.
➢Capacidad para identificar, plantear y resolver problemas.
➢Habilidades interpersonales.
➢Capacidad de trabajo en equipo.
➢Habilidades para buscar, procesar y analizar información procedente de fuentes diversas.
ACTIVIDADES DE APRENDIZAJE
Realizar una investigación sobre diferentes tipos de muestreo.
1. Explicar la diferencia entre estimadores y parámetros.

2. Determinar intervalos de confianza, errores y tamaño de la muestra.
3. Establecer la metodología para hacer pruebas de hipótesis.
4. Discutir en grupo la diferencia entre contraste de hipótesis unilateral y bilateral.
5. Resolver problemas sobre contraste de hipótesis, para diferentes condiciones.

4.2 MUESTREO ESTADÍSTICO.
Ya se presentaron las siguientes definiciones de los términos elemento, población y
muestra.
La razón por la que se selecciona una muestra estriba en recabar datos para
realizar una inferencia y responder una pregunta de investigación acerca de una
población.

Se presentan dos ejemplos en los que se utiliza el muestreo para responder una
pregunta de investigación acerca de una población:
1. Un fabricante de llantas está considerando producir un nuevo modelo que
ofrezca mayor duración que los actuales neumáticos de línea de la empresa.
Para estimar la duración media, en millas, el fabricante selecciona una muestra

de 120 neumáticos nuevos para probarlos.
De los resultados de esta prueba se obtiene una media muestral de 36 500

millas. Por tanto, una estimación de la vida útil media de la población de nuevas
llantas es 36 500 millas.

2. Se esta estudiando la resistencia al rompimiento de embases de vidrio. Y se
necesita obtener la presión a las que las botellas se rompen, para determinar
volumen de la sustancia a embasar o de aumetar el grosor.

Es importante observar que los resultados muestrales sólo proporcionan una
estimación de los valores de las características de la población.
La muestra sólo contiene una parte de la población.
Es de esperarse algún error de muestro.
Con métodos adecuados, los resultados muestrales proporcionarán “buenas”
estimaciones de los parámetros poblacionales.

Definamos algunos términos que se utilizan en el muestreo.
La población muestreada es aquella de la cual se extrae la muestra, y un marco es
la lista de los elementos de donde se seleccionará la muestra.
En el primer ejemplo se considera la población muestrada como la población
conceptual de todos los neumáticos que pueden ser fabricados en el proceso de
producción en un punto particular en el tiempo.
La población muestreada se considera infinita, siendo imposible construir un marco
del cual trazar la muestra.

La razón de usar muestras es que los costos de recolectar información de una
muestra son significativamente menores que si se acopian de una población, en
especial cuando se deben realizar entrevistas personales o experimentos para
recabar la información.

SELECCIÓN DE UNA MUESTRA
Los profesionales de la estadística recomiendan seleccionar una muestra de
probabilidad cuando se muestree de una población finita, debido a que permite
hacer inferencias estadísticas válidas acerca de la población.
El tipo de muestra de probabilidad más simple es uno en el cual cada muestra de
tamaño n tiene la misma probabilidad de ser seleccionada.
Esto se llama muestreo aleatorio simple.
Un muestreo aleatorio simple de tamaño n de una población finita de tamaño N se
define como sigue.

Un procedimiento para seleccionar una muestra aleatoria simple de una población

finita es elegir los elementos para la muestra de uno en uno, de manera que, en
cada paso, cada uno de los elementos que quedan en la población tenga la misma
probabilidad de ser seleccionado.
Al elegir n elementos de esta manera, será satisfecha la defi nición de muestra
aleatoria simple seleccionada de una población finita.
Se puede utilizar una tabla con números aletarios o generados mediante
computadores.

Muestreo de una población infinita
Se quiere seleccionar una muestra de una población, pero ésta es infinitamente
grande o sus elementos están siendo generados por un proceso en marcha, por lo
cual no hay límite para el número de elementos que pueden ser generados.
Haciendo imposible hacer una lista de todos los elementos de la población.
Esto se considera el caso de una población infinita, con la cual no se puede
seleccionar una muestra aleatoria simple debido a que no es factible construir un
marco constituido por todos los elementos.
En el caso de una población infinita, los profesionales de la estadística recomiendan
seleccionar lo que se llama una muestra aleatoria.


La implementación del proceso de selección de una muestra aleatoria en una
población infinita se debe efectuar con cuidado y criterio.
Cada caso puede requerir un procedimiento de selección diferente.
Considere dos ejemplos para ver qué significan las condiciones

1) cada elemento seleccionado proviene de la misma población
2) cada elemento se elige de manera independiente.

Una aplicación de control de calidad común involucra un proceso de producción
donde no hay un límite en el número de elementos generados.
Considere una línea de producción diseñada para llenar cajas de un cereal para
desayunar con un peso medio de 24 onzas por caja.
De manera periódica, un inspector de control de calidad selecciona muestras de 12
cajas llenas con este proceso para determinar si éste funciona de manera apropiada
o si, tal vez, un mal funcionamiento mecánico ha ocasionado que el proceso llene de
forma insufi ciente o excesiva los contenedores.

El inspector para asegurar que se satisfaga esa condición 1, debe elegir cajas
aproximadamente en el mismo punto en el tiempo
De esta manera el inspector evita la posibilidad de tomar algunas cajas cuando el
proceso está funcionando de forma apropiada y otras cuando no funciona
adecuadamente y las está llenando de manera insuficiente o excesiva.
Con un proceso de producción como éste se satisface la condición 2 (cada elemento
se selecciona en forma independiente), al haber diseñado un proceso en el que cada
caja se llena individualmente.
Con este supuesto, el inspector de control de calidad sólo necesita preocuparse por
satisfacer la condición de que sean de la misma población.

Ejemplo:
Tome una población finita con cinco elementos A, B, C, D y E.
Se pueden seleccionar 10 muestras aleatorias simples de tamaño 2. (10C2 = 10)
a) Liste las 10 muestras empezando con AB, AC y así en lo sucesivo.
b) Utilizando el muestreo aleatorio simple, ¿cuál es la probabilidad para cada
muestra de tamaño 2 de ser seleccionada?
c) Asuma que el número aleatorio 1 corresponde a A, el número 2 corresponde a B
y así en lo sucesivo. Liste la muestra aleatoria de tamaño 2 que será seleccionada
al usar los números aleatorios 8 0 5 7 5 3 2.

Tome una población finita con cinco elementos A, B, C, D y E.
Se pueden seleccionar 10 muestras aleatorias simples de tamaño 2. (10C2 = 10)
a) Liste las 10 muestras empezando con AB, AC y así en lo sucesivo.
AB, AC, AD, AE, BC, BD , BE, CD, CE y DE
b) Utilizando el muestreo aleatorio simple, ¿cuál es la probabilidad para cada
muestra de tamaño 2 de ser seleccionada?
1/10
c) Asuma que el número aleatorio 1 corresponde a A, el número 2 corresponde a B
y así en lo sucesivo. Liste la muestra aleatoria de tamaño 2 que será seleccionada
al usar los números aleatorios 8 0 5 7 5 3 2. (1:A, 2:B, 3:C, 4:D y 5:E)
E E C B Respuesta: E y C

Para estimar el valor de un parámetro poblacional se calcula la característica
correspondiente de la muestra, a lo que se le conoce como estadístico muestral.
Por ejemplo, para estimar la media poblacional μ y la desviación estándar
poblacional σ de los kilometros anuales de unidades de reparto, de una empresa
que tiene 2,300 vehiculos a nivel nacional se emplea una muestra de 30 unidades
que se presentan sus datos de la tabla y se calculan los estadísticos muestrales
correspondientes: media muestral y desviación estándar muestral s.
Junto con un indicador si la unidad a recibido el servicio de mantenimiento
preventivo.

KM MANTENIMIENTO KM MANTENIMIENTO
RECORRIDOS PREVENTIVO (P) RECORRIDOS PREVENTIVO (P)


4.2 ESTIMADOR PUNTUAL
Al efectuar los cálculos se lleva a cabo el proceso estadístico conocido como
estimación puntual.
A la media muestral x se le identifica como estimador puntual de la media
poblacional μ, a la desviación estándar muestral s como el estimador puntual de la
desviación estándar poblacional σ y a la proporción muestral p como el estimador
puntual de la proporción poblacional p.
Al valor numérico obtenido de x, s o p se le conoce como estimación puntual.
Así, en la muestra aleatoria simple de 30 vehiculos de reparto que se presenta en la
tabla, el 51,814 es la estimación puntual de μ, 3,348 es la estimación puntual de σ y
0.63 es la estimación puntual de p.

Ejemplo 1:
Los datos siguientes provienen de una muestra aleatoria simple:
5 8 10 7 10 14
a) ¿Cuál es la estimación puntual de la media poblacional?
b) ¿Cuál es la estimación puntual de la desviación estándar poblacional?

Ejemplo 1:
Los datos siguientes provienen de una muestra aleatoria simple:
5 8 10 7 10 14
a) ¿Cuál es la estimación puntual de la media poblacional?
9
b) ¿Cuál es la estimación puntual de la desviación estándar poblacional?
3.098386

Ejemplo 2:
Como respuestas a una pregunta de encuesta a una muestra de 150 individuos se
obtuvieron
75 Sí, 55 No y 20 sujetos que no dieron su opinión.
a) ¿Cuál es la estimación puntual de la proporción en la población que responde Sí?
b) ¿Cuál es la estimación puntual de la proporción en la población que responde No?

Ejemplo 2:
Como respuestas a una pregunta de encuesta a una muestra de 150 individuos se
obtuvieron 75 Sí, 55 No y 20 sujetos que no dieron su opinión.
a) ¿Cuál es la estimación puntual de la proporción en la población que responde Sí?
75/150 = 0.5
b) ¿Cuál es la estimación puntual de la proporción en la población que responde No?
55/150 = 0.366666

4.3 INTRODUCCION A LAS DISTRIBUCIONES
MUESTRALES O DE MUESTREO
Se dijo que la media muestral x es el estimador puntual de la media poblacional
μ, y que la proporción muestral p es el estimador puntual de la proporción
poblacional p.
En la muestra aleatoria simple de los 30 vehiculos de reparto, la estimación puntual
de μ es x = 51,814 KM y la estimación puntual de p es p = 0.63.
Suponga que se selecciona otra muestra aleatoria simple de 30 vehiculos de reparto
y se obtienen las estimaciones puntuales siguientes:
Media muestral: x = 52,670 KM

Proporción muestral: p = 0.70
Observe que se obtuvieron valores diferentes de x y de p.
En efecto, una segunda muestra aleatoria simple de 30 vehiculos de reparto no se
puede esperar que proporcione las mismas estimaciones puntuales que la primera.
Ahora suponga que el proceso de seleccionar una muestra aleatoria simple de 30
vehiculos de reparto se repite una y otra vez, y que en cada ocasión se calculan los
valores de x y de p.
Las tablas siguientes presenta una parte de los resultados obtenidos en 500 muestras
aleatorias simples y la segunda tabla registra las distribuciones de frecuencia y de
frecuencia relativa de los valores x de las 500.

Kilometros recorridos



Ya se definio una variable aleatoria como una descripción numérica del resultado de
un experimento.
Si el proceso de seleccionar una muestra aleatoria simple se considera un
experimento, la media muestral x es la descripción numérica del resultado de ese
experimento.
Por tanto, la media muestral x es una variable aleatoria.
Entonces, como ocurre con otras variables aleatorias, x tiene una media o valor
esperado, una desviación estándar y una distribución de probabilidad.

Como los distintos valores que toma x son resultado de distintas muestras aleatorias
simples, a la distribución de probabilidad de x se le conoce como distribución de
muestreo de x.
Conocer esta distribución y sus propiedades permitirá hacer declaraciones de
probabilidad acerca de qué tan cerca está la media muestral x de la media
poblacional μ.

4.4 DISTRIBUCION DE MUESTREO DE
Se dijo que la media muestral 𝑥ҧ es una variable aleatoria y que a su distribución de
probabilidad se le llama distribución de muestreo de 𝑥.ҧ

Como ocurre con otras distribuciones de probabilidad estudiadas, la distribución de
muestreo de 𝑥ҧ tiene un valor esperado o media, una desviación estándar y una
forma característica.
Para empezar, se considerará la media de todos los valores posibles de 𝑥ҧ , a la que
se conoce como valor esperado de 𝑥ҧ .

Valor esperado de 𝑥ҧ
Se vio que en distintas muestras aleatorias simples se obtienen valores diferentes

para la media muestral 𝑥ҧ .
Como la variable aleatoria 𝑥ҧ puede tener muchos valores diversos, suele ser de
interés conocer la media de todos los valores de 𝑥ҧ que se obtienen con diferentes
muestras aleatorias simples.
La media de la variable aleatoria x es el valor esperado de 𝑥ҧ ; sea éste E(𝑥ҧ ) y μ la
media de la población de la que se selecciona una muestra aleatoria simple.


Este resultado enseña que utilizando el muestreo aleatorio simple, el valor esperado
o media de la distribución de muestreo de 𝑥ҧ es igual a la media de la población.
Supongamos que el kilometraje real de los vehiculos de toda la plantilla a nivel
nacional aunal es es μ = 51,800 KM, 𝜎=4,000 p = 0.60
Por tanto, la media de todas las medias muestrales posibles en el estudio de los
vehiculos de reparto es también 51,800 KM.
Cuando el valor esperado de un estimador puntual es igual al parámetro
poblacional, se dice que el estimador puntual es insesgado.
Por tanto, la ecuación anterior indica que 𝑥ҧ es un estimador insesgado de la media
poblacional μ.

Desviación estándar de 𝑥ҧ


𝑁−𝑛
Al comparar ambas fórmulas se ve que el factor se requiere cuando la
𝑁 −1
población es finita, pero no cuando es infinita.
A este factor se le conoce como factor de corrección para una población finita. En
muchas situaciones prácticas de muestreo se encuentra que, aunque la población sea
finita, es “grande”, mientras que el tamaño de la muestra es “pequeño”.
𝑁−𝑛
En estos casos, el factor de corrección para una población finita es cercano a
𝑁−1
1.
𝜎
Entonces 𝜎𝑥 = se convierte en una buena aproximación a la desviación estándar
𝑛
de x aun cuando la población sea finita.


𝑛
En los casos en que = 0.05, para calcular 𝜎𝑥 debe usarse la versión para
𝑁
poblaciones finitas.
Para calcular 𝜎𝑥ҧ se necesita conocer σ, la desviación estándar de la población.
Para subrayar, aún más, la diferencia entre𝜎𝑥ҧ y σ, a la desviación estándar de x, 𝜎𝑥ҧ ,

se le llama error estándar de la media.
En general, el término error estándar se refiere a la desviación estándar de un

estimador puntual
Ejemplo suponga que de una población de 2,500 elementos se sabe que su
desviasión estándar es σ = 4,000.
En este caso la población es finita, N = 2 500.
𝑛 30
Sin embargo, y tomamos un tamaño de la muestra es 30, se tiene = = 0.012
𝑁 2,500
Dado que el tamaño de la muestra es menor que 5% del tamaño de la población, se

puede ignorar el factor de corrección para una población finita y usar la ecuación
para calcular el error estándar 𝜎𝑥ҧ .

Forma de la distribución de muestreo de x
Los resultados anteriores respecto del valor esperado y la desviación estándar en la
distribución de muestreo de x son aplicables a cualquier población.
El paso final para identifi car las características de la distribución de muestreo de x
consiste en determinar la forma de la distribución de muestreo.
Se considerarán dos casos:

1) La población tiene distribución normal
2) La población no tiene distribución normal.

La población tiene distribución normal.
En muchas situaciones es razonable suponer que la población de la que se selecciona
la muestra aleatoria simple tiene distribución normal o casi normal.
Cuando esto ocurre, la distribución de muestreo de x está distribuida normalmente
cualquiera que sea el tamaño de la muestra.

La población no tiene distribución normal.
Cuando la población de la que se tomó la muestra aleatoria simple no tiene
distribución normal, el teorema del límite central ayuda a determinar la forma de la
distribución de muestreo de x.
El enunciado de este teorema aplicado a la distribución de muestreo de x dice lo
siguiente.

TEOREMA DEL LÍMITE CENTRAL
Cuando se seleccionan muestras aleatorias simples de tamaño n de una población, la
distribución de muestreo de la media muestral x puede aproximarse mediante una
distribución normal a medida que el tamaño de la muestra se hace grande.

Desde un punto de vista práctico, con frecuencia se querrá saber qué tan grande
debe ser el tamaño de la muestra antes de aplicar el teorema del límite central y
suponer que la forma de la distribución de muestreo es aproximadamente normal.
En las investigaciones estadísticas se ha estudiado este problema en distribuciones de
muestreo de x de diversas poblaciones y tamaños de muestra.
En la práctica estadística general se asume que, en la mayoría de las aplicaciones, la
distribución de muestreo de x se puede aproximar mediante una distribución
normal siempre que la muestra sea de tamaño 30 o mayor.
En los casos en que la población es muy sesgada o existen observaciones atípicas,
pueden necesitarse muestras de tamaño 50.

4.4 DISTRIBUCION
DE MUESTREO DE 𝑥ത

Por ejemplo supongamos que ya previamente se mostró que tenemos las siguientes
características de una población 𝐸(𝑥)
ҧ = $51,800 y 𝜎𝑥ҧ = 730.3, no se cuenta con
ninguna información acerca de la distribución de la población, que puede estar o no
distribuida normalmente.
Si se da el segundo caso, la distribución muestral de x estará distribuida
normalmente.
Si la población no tiene una distribución normal, con un muestreo aleatoria simple de
elementos y el teorema del límite central permiten concluir que la distribución de
muestreo de x puede aproximarse mediante una distribución normal.
En cualquiera de los casos, se concluye que la distribución de muestreo de x se
describe mediante una distribución normal.
Distribución de muestreo
de x de una muestra
aleatoria simple de 30
elementos.

Como ya se identificaron las propiedades de la distribución de muestreo de x, se
utilizará esta distribución para contestar dicha interrogante probabilística.
Observe la distribución de muestreo de x que se presenta nuevamente en la figura.

Supongamos que la media poblacional es $51,800, una pregunta prodría ser saber
cual es la probabilidad de que x esté entre $51,300 y $52,300.
Esta probabilidad corresponde al área sombreada de la distribución de muestreo
de la figura.
Como la distribución de muestreo está distribuida normalmente, su media es $51,800
y el error estándar de la media es 730.3, se usa la tabla de probabilidad normal
estándar para determinar el área o probabilidad.

Primero se calcula el valor de z en el extremo superior de este intervalo (52 300) y
se usa la tabla para hallar el área bajo la curva a la izquierda de ese punto (hacia
la cola izquierda).
Después se determina el valor de z en el extremo inferior de este intervalo (51 300)
y se usa la tabla para hallar el área bajo la curva a la izquierda de este punto
(otra área hacia la cola izquierda).
Al restar la segunda área de la primera, se obtiene la probabilidad buscada.


Suponga que en el problema de muestreo anterior se toma una muestra aleatoria
simple de 100 en lugar de los 30 considerados.
La media muestral basada en n =100 proporcionará una mejor estimación de la
media poblacional que la basada en n = 30.
Primero observe que E(𝑥)=μ
ҧ independientemente del tamaño de la muestra.
Siempre que este tamaño aumente, el error estándar de la media 𝜎𝑥ҧ disminuirá.
Con n=30, el error estándar de la media en el problema era de 730.3.
Sin embargo, aumentando el tamaño de la muestra a n = 100, el error estándar de
la media disminuye a

La distribución de muestreo de x, en el caso de n = 100, puede emplearse para
calcular la probabilidad de que una muestra aleatoria simple de 100 observaciones
dé una media muestral que no difiera de los $500 de la media poblacional.
Como la distribución de muestreo es normal y su media es $51,800 y el error
estándar de la media es 400, se emplea la tabla de probabilidad normal estándar
para determinar el área o la probabilidad.
En 𝑥ҧ = 52,300 tenemos:

La probabilidad acumulada correspondiente a z =1.25 es 0.1056. Por tanto,
𝑃 51,300 ≤ 𝑥 ≤ 52,300 = 𝑃 𝑧 ≤ 1.25 − P z ≤ 1.25 = 0.8944 −
0.1056 = 0.7888.
Entonces, al aumentar el tamaño de la muestra de 30 a 100 gerentes de EAI, la
probabilidad de obtener una muestra aleatoria simple que esté entre los 500 de la
media poblacional aumenta de 0.5034 a 0.7888.



Ejercicios
La media de una población es 200 y su desviación estándar es 50. Suponga que se
selecciona una muestra aleatoria simple de tamaño 100 y que se usa x para estimar
μ.
a) ¿Cuál es la probabilidad de que la diferencia entre la media muestral y la media
poblacional no sea mayor que ±5?
b) ¿Y de que la diferencia entre la media muestral y la media poblacional no sea
mayor que ± 10?



El departamento de control de calidad de Cola, Inc., conserva registros sobre la
cantidad de bebida de cola en su botella gigante.
La cantidad real de bebida en cada botella es de primordial importancia, pero
varía en una mínima cantidad entre botellas. La empresa no desea llenar botellas
con menos líquido del debido, pues tendría problemas en lo que se refiere a la
confiabilidad de la marca.
Por otra parte, no puede colocar líquido de más en las botellas porque regalaría
bebida, lo cual reduciría sus utilidades. Los registros indican que la cantidad de
bebida de cola tiene una distribución de probabilidad normal.
La cantidad media por botella es de 31.2 onzas, y la desviación estándar de la
población, de 0.4 onzas.
Hoy, a las 8 de la mañana, el técnico de calidad seleccionó al azar 16 botellas de
la línea de llenado.
La cantidad media de bebida en las botellas es de 31.38 onzas.
¿Es un resultado poco probable?
¿Es probable que el proceso permita colocar demasiada bebida en las botellas?
En otras palabras, ¿es poco común el error de muestreo de 0.18 onzas?

Utilice los resultados de la sección anterior para determinar la probabilidad de
seleccionar una muestra de 16 (n) botellas de una población normal con una media
de 31.2 (u) onzas y una desviación estándar de la población de 0.4 () onzas, y
encontrar que la media muestral es de 31.38(𝑥). ҧ
Determinar determinar el valor de z.


La probabilidad de un valor z mayor que 1.80 es de 0.0359, que se calcula con la
resta 0.5000 0.4641.
¿Qué concluye?
No es probable —menos de 4% de probabilidad— que seleccione una muestra de
16 observaciones de una población normal con una media de 31.2 onzas y una
desviación estándar poblacional de 0.4 onzas, y determine que la media de la
muestra es igual o mayor que 31.38 onzas.
La conclusión es que en el proceso se vierte demasiada bebida de cola en las
botellas.
El técnico de control de calidad debe entrevistarse con el supervisor de producción
para sugerir la reducción de la cantidad de bebida en cada botella.


Distribución de muestreo de 𝑝ҧ
La proporción muestral 𝑝ҧ es el estimador puntual de la proporción poblacional p. La fórmula

para calcular la proporción muestral es
𝑥
𝑝ҧ =
𝑛
donde
x = número de elementos de la muestra que poseen la característica de interés
n = tamaño de la muestra
La proporción muestral 𝑝ҧ es una variable aleatoria y s distribución de probabilidad se conoce
como distribución de muestreo de 𝑝.ҧ

Valor esperado de 𝑝ҧ
El valor esperado de 𝑝,ҧ la media de todos los posibles valores de p, es igual a la
proporción poblacional 𝑝.ҧ


Ejemplo: Suponga que dentro del estudio de la población de llantas se sabe que la
proporción poblacional de unidades con manteniemiento p=0.60.
𝑛 30
Como = = 0.012, se puede ignorar el factor de corrección para una
𝑁 2,500
población finita al calcular el error estándar de la proporción.
En la muestra aleatoria simple de 30 llantas , 𝜎𝑝ҧ es

Forma de la distribución de muestreo de 𝑝ҧ
En las aplicaciones prácticas, cuando se requiere una estimación de la proporción poblacional,

casi siempre se encuentra que el tamaño de la muestra es sufi cientemente grande para
permitir usar la aproximación normal para la distribución de muestreo de p.
En el problema de muestreo de EAI la proporción poblacional de gerentes que han
participado en el programa de capacitación es p=0.60.
Con una muestra aleatoria simple de tamaño 30, se tiene 𝑛𝑝 = 30 0.60 = 18 𝑦 𝑛(1 −
𝑝) = 30 0.40 = 12.
Por tanto, la distribución de muestreo de 𝑝ҧ se calcula mediante la distribución normal

El valor práctico de la distribución de muestreo de p radica en que permite obtener
información probabilística acerca de la diferencia entre la proporción muestral y la
proporción poblacional.
Por ejemplo, el gerente desea saber cuál es la probabilidad de obtener un valor de

𝑝ҧ de las unidades que tienen el mantenimiento realizado que no difiera en más de
0.05 de la proporción poblacional.
Es decir, ¿cuál es la probabilidad de tener una muestra en la que la proporción
muestral 𝑝ҧ esté entre 0.55 y 0.65?

A partir de que la distribución de muestreo de 𝑝ҧ se aproxima mediante una distribución
normal con media 0.60 y un error estándar de la proporción 𝑝ҧ = 0.0894, se encuentra que la
variable aleatoria normal estándar correspondiente a p=0.65 tiene el valor z = (0.65 -
0.60)/0.0894 = 0.56.
En la tabla de probabilidad normal estándar aparece que la probabilidad acumulada que
corresponde a z = 0.56 es 0.7123.
De manera similar para 𝑝ҧ = 0.550, se encuentra que z = (0.55 - 0.60)/0.0894 = 0.56.
En la misma tabla se aprecia que la probabilidad acumulada correspondiente a z = 0.56 es
0.2877.
De esta manera, la probabilidad de seleccionar una muestra en la cual el valor de 𝑝ҧ no
difiera más de 0.05 de la proporción poblacional 𝑝ҧ está dada por 0.7123 - 0.2877 =
0.4246.

Distribución de muestreo de 𝑝ҧ
para la proporción de
vehiculos que han recibido un
mantenimiento.

Se calcula ahora la probabilidad de que la proporción muestral tenga un valor que

no difiera en más de 0.05 de la proporción poblacional.
Como la distribución de muestreo es aproximadamente normal, con media 0.60 y
desviación estándar 0.049, se puede usar la tabla de probabilidad normal estándar
para determinar el área o probabilidad.
Para 𝑝ҧ =0.65, se tiene z =(0.65 - 0.60)/0.049 = 1.02

La tabla de probabilidad normal estándar indica que la probabilidad acumulada
correspondiente a z = 1.02 es 0.8461.
manera similar, para 𝑝ҧ = 0.55, se tiene que z = (0.55 – 0.60)/0.049 =1.02.
Se encuentra que la probabilidad acumulada correspondiente a z =1.02 es 0.1539.
Por tanto, si el tamaño de la muestra aumenta de 30 a 100, la probabilidad de que
la proporción muestral p no difiera en más de 0.05 de la proporción poblacional p
aumenta a 0.8461 - 0.1539 = 0.6922.


Ejercicios:



𝐸 𝑥ҧ = 𝜇
VALOR ESPERADO DE 𝑥ҧ 𝐸 𝑥ҧ = valor esperado de 𝑥ҧ
𝜇 = media poblacional
FINITA 𝑁−𝑛 𝜎
𝜎𝑥 ҧ =
DISTRIBUCIÓN DE 𝑥ҧ
𝑁−1 𝑛
MUESTREO
DESV. ESTÁNDAR
𝜎
𝜎𝑥 ҧ =
𝑛
Tamaño de muestra menor o igual al
𝑛
5% de la población : ≤ 0.05
𝑁
𝐸 𝑥ҧ = 𝜇
VALOR ESPERADO DE 𝑥ҧ 𝐸 𝑥ҧ = valor esperado de 𝑥ҧ
𝜇 = media poblacional
INFINITA
𝜎
DESV ESTÁNDAR 𝜎𝑥 ҧ =
𝑛

FORMA DE LA DISTRIBUCIÓN DEL MUESTREO DE 𝑥ҧ
La distribución no tiene
La distribución es normal distribución normal
Por el teorema del límite central, suponer normalidad con

observaciones mayores a 30 o más
Con poblaciones muy sesgadas es

necesario muestras de tamaño 50 o más.

𝐸 𝑝ҧ = 𝑝
VALOR ESPERADO DE 𝑝ҧ 𝐸 𝑝ҧ = valor esperado de 𝑝ҧ
𝑝 = proporcion poblacional
FINITA
DISTRIBUCIÓN DE 𝑝ҧ
𝑁 −𝑛 𝑝 1−𝑝
𝜎𝑝ҧ =
𝑁−1 𝑛
MUESTREO
DESV. ESTÁNDAR
𝑝 1− 𝑝
𝜎𝑝ҧ =
𝑛
Tamaño de muestra menor o igual al 5% de la
𝑛
población : 𝑁 ≤ 0.05
𝐸 𝑝ҧ = 𝑝
VALOR ESPERADO DE 𝑝ҧ 𝐸 𝑝ҧ = valor esperado de 𝑝ҧ
𝑝 = proporcion poblacional
INFINITA
𝑝 1− 𝑝
DESV ESTÁNDAR 𝜎𝑝ҧ =
𝑛

FORMA DE LA DISTRIBUCIÓN DEL MUESTREO DE 𝑝ҧ
𝑥
La proporción muestral es 𝑝ҧ =
𝑛
En muestras aleatorias grandes, valor x es una variable

aleatoria con distribución binomial
La distribución de muestreo de 𝑝,ҧ se aproxima a una

distribución normal si:
𝑛𝑝 ≥ 5 y 𝑛 1 − 𝑝 ≥ 5

4.6. OTROS MÉTODOS DE MUESTREO.
SISTEMATICO
MUESTREO
ALEATORIO
SIMPLE
CONGLOMERADO ESTRATIFICADO

Muestreo aleatorio estratificado:
Los elementos de la población primero se dividen en grupos, a los que se les llama
estratos, de manera que cada elemento pertenezca a uno y sólo un estrato.
La base para la formación de los estratos, que pueden ser departamento, edad, tipo
de industria, etc., está a discreción de la persona que diseña la muestra.
Sin embargo, se obtienen mejores resultados cuando los elementos que los forman
son lo más parecidos posible.
El muestreo aleatorio estratificado funciona mejor cuando la varianza entre los
elementos de cada estrato es relativamente pequeña


El muestreo estratificado se usa cuando:
La población objetivo de interés de un investigador es significativamente
heterogénea.
El investigador quiere destacar subgrupos específicos dentro de su población de
interés.
El investigador quiere observar las relaciones entre dos o más subgrupos; y,
Cuando el objetivo de un investigador es crear muestras representativas incluso de
los segmentos más pequeños y difíciles de acceder en la población.

Pasos para realizar el muestreo estratificado:
Primero: Divida la población en subgrupos o estratos más pequeños, según los

atributos y características compartidos por los miembros.
Segundo: tome una muestra aleatoria de cada estrato en un número que sea
proporcional al tamaño del estrato en la población.
Tercero: Agrupe los subconjuntos de estratos para formar una muestra aleatoria.
Cuarto: realiza tu análisis.

Muestreo por conglomerados
En el muestreo por conglomerados (o clusters) los elementos de la población primero se
dividen en grupos separados, llamados conglomerados o clusters.
Cada elemento pertenece a uno y sólo un conglomerado.
Se toma una muestra aleatoria simple de los conglomerados.
Todos los elementos en cada conglomerado muestreado forman la muestra.
Este muestreo tiende a proporcionar mejores resultados cuando los elementos dentro de los
conglomerados no son semejantes.
Lo ideal es que cada conglomerado sea una representación, a pequeña escala, de la
población completa.



Muestreo sistemático
Alternativa al muestreo aleatorio simple es el muestreo sistemático.
Ejemplo, se quiere una muestra de tamaño 50 de una población que tiene 5,000
elementos, se muestrea uno de cada 5,000/50 =100 elementos de la población.
En este caso, un muestreo sistemático consiste en seleccionar en forma aleatoria uno
de los primeros 100 elementos de la lista de la población.
Los otros se identifican empezando con el primer elemento muestreado y
seleccionando cada 100o. elemento que siga en la lista.
En efecto, los elementos de la muestra de 50 se identifican moviéndose
sistemáticamente entre la población e identificando cada 100o. elemento después
del primero seleccionado aleatoriamente.

Muestreo de conveniencia
Técnica de muestreo no probabilística.
Los elementos se incluyen sin que haya una probabilidad previamente especificada o
conocida de que sean incorporados en la muestra.
Por ejemplo, un profesor que realiza una investigación en una universidad puede usar
estudiantes voluntarios para que constituyan una muestra simplemente porque los tiene al
alcance y participarán como sujetos a un costo bajo o sin costo.
De manera similar, un inspector puede muestrear un cargamento de naranjas seleccionándolas
al azar de varias cajas.
Marcar cada naranja y usar un método probabilístico de muestreo puede no resultar práctico.
Muestras como capturas en la vida salvaje y paneles de voluntarios en investigaciones del
consumidor son también de conveniencia.

Muestreo subjetivo
Técnica de muestreo no probabilística es el muestreo subjetivo.
En este método la persona que más sabe sobre un asunto selecciona elementos de la
población a los que considera los más representativos.
Este método suele representar una manera relativamente fácil de seleccionar una muestra.
Por ejemplo, un reportero puede elegir a dos o tres senadores considerando que éstos refl
ejan la opinión general de todos los senadores.
Sin embargo, la calidad de los resultados muestrales depende de la persona que selecciona
la muestra.
Aquí también hay que tener mucho cuidado al hacer inferencias acerca de las poblaciones a
partir de muestreos subjetivos.

4.5 ESTIMACIÓN POR INTERVALO.
Un estimador puntual es un estadístico muestral que se usa para estimar un
parámetro poblacional.
ESTADISTICOS POBLACIONAL MUESTRAL
MEDIA 𝜇 𝑥ҧ
DESV. ESTANDAR 𝜎 𝜎𝑥ҧ
PROPORCION P p

Por ejemplo, la media muestral x es un estimador puntual de la media poblacional μ,
y la proporción muestral p es un estimador puntual de la proporción poblacional p.
No se espera que dicho estadístico muestral suministre el valor exacto del parámetro
poblacional, por lo que se suele calcular una estimación por intervalo al sumar y
restar a la estimación puntual un cantidad llamada margen de error.
La forma general de una estimación por intervalo es:

Estimación puntual ± margen de error

La fórmula general para obtener una estimación por intervalo de una media
poblacional es la siguiente.
𝑥ҧ ± margen de error
De manera similar, la fórmula general para obtener una estimación por intervalo de
una proporción poblacional es la que se indica enseguida.
𝑝ҧ ± margen de error
Las distribuciones muestrales o de muestreo de 𝑥ҧ y de 𝑝ҧ son clave para calcular
estas estimaciones por intervalo.

Media poblacional: σ conocida
En la mayoría de los casos no se conoce σ, y para calcular el margen de error se
emplea la desviación estándar muestral “s”.
Sin embargo, en algunas aplicaciones se cuenta con una gran cantidad de datos
anteriores o históricos, que se pueden usar para calcular la desviación estándar
poblacional antes de tomar la muestra.
En aplicaciones sobre control de calidad, en las que se supone que el proceso se
desarrolla correctamente o “en control”, se considera que se conoce la desviación
estándar.
A tales situaciones se les denomina casos de σ conocida.

Margen de error y estimación por intervalo.

En el término (1-𝛼), 𝛼 significa el error permitido.
Por lo tanto (1-𝛼) es el coeficiente de confianza.
El nivel de confianza esta representado por 90%, 95% y 99%.

Lo que indica que con un 90%, 95% o 99% de nivel de confianza el intervalo
𝜎
𝑥ҧ ± 𝑧𝛼
2 𝑛
contrendra la media poblacional 𝜇.


Observaciones:
Si la población tiene una distribución normal, el intervalo de confianza que se
obtiene con la expresion dada es exacto.
Si esta expresión se usa repetidas veces para generar intervalos de confianza de
95%, exactamente 95% de los intervalos generados contendrán la media
poblacional.
Si la población no tiene una distribución normal, el intervalo de confianza obtenido
con la formula será aproximado.
En tal caso, la calidad de la aproximación depende tanto de la distribución de la
población como del tamaño de la muestra.

Observaciones:
En la mayoría de las aplicaciones, un tamaño de muestra n ≥30 es adecuado para
obtener una estimación por intervalo de la media poblacional.
Si la población no está distribuida normalmente, pero es más o menos simétrica,
puede esperarse que tamaños de muestra hasta de 15 proporcionen una buena
aproximación del intervalo de confianza.
Con tamaños menores, el cálculo de los intervalos de confianza sólo se debe usar si
el analista cree, o está dispuesto a suponer, que la distribución de la población es al
menos aproximadamente normal.

Ejemplo.
Cada semana, una tienda departamental selecciona una muestra aleatoria simple de
100 clientes con objeto de conocer información acerca de la cantidad que gastan en
cada visita a la tienda.
Si x representa la cantidad gastada en cada visita a la tienda, la media muestral 𝑥ҧ
es una estimación puntual de μ, la cantidad media gastada en cada visita a la
tienda por la población integrada por los clientes de la tienda.

La tienda ha realizado estos estudios semanales durante varios años.
Con base en sus datos anteriores, supone que el valor conocido de la desviación
estándar poblacional es σ = $20.
Los datos anteriores (históricos) indican también que la población tiene una
distribución normal.
En la semana más reciente, en su estudio de 100 clientes (n =100), la tienda obtuvo
como media muestral 𝑥ҧ =$82 dolarés.
La media muestral de la cantidad gastada permite una estimación puntual de la
media poblacional de la cantidad gastada en cada visita, μ.

Los datos históricos indican que la población constituida por las cantidades gastadas
está distribuida normalmente y que su desviación estándar es σ = 20.
Se puede concluir que la distribución de muestreo de 𝑥ҧ sigue una distribución normal

𝜎 20
con un error estándar de 𝜎𝑥ҧ = = = 2.
𝑛 100


En la tabla de probabilidad normal estándar se encuentra que 95% de los valores
de cualquier variable aleatoria distribuida normalmente aparecen dentro de %1.96
desviaciones estándar de la media.
Por tanto, si la distribución de muestreo de x está distribuida normalmente, 95% de
los valores de 𝑥ҧ deben estar dentro de ± 1.96 σx de la media μ.
En el ejemplo, se sabe que la distribución de muestreo de 𝑥ҧ está distribuida
normalmente con un error estándar de 𝜎𝑥ҧ = 2.
Como ±1.96, 𝜎𝑥ҧ =1.96(2) = 3.92, se puede concluir que 95% de los valores de 𝑥ҧ
obtenidos usando muestras de n=100 estarán dentro de ± 3.92 de la media
poblacional μ.


Para ver cómo se interpreta dicha estimación por intervalo, considere los valores de
x que podrían obtenerse si se tomaran tres muestras aleatorias simples diferentes,
cada una de 100 clientes.
La primera media muestral puede que dé el valor 𝑥1 , como se muestra en la
siguiente gráfica.
En este caso, el intervalo que se obtiene al restar 3.92 de 𝑥1 y sumar 3.92 a 𝑥1
abarca la media poblacional μ.
Que pasa si la segunda media muestral resulta tener el valor 𝑥2 que se observa en
la figura.
Aunque esta media muestral difi ere de la primera, el intervalo obtenido al restar
3.92 de 𝑥2 y sumar 3.92 a 𝑥2 también comprende la media poblacional μ.

Pero considere qué sucede si la tercera media muestral resulta tener el valor 𝑥3 que
se indica en la figura.
En este caso el intervalo obtenido al restar 3.92 de 𝑥3 y sumar 3.92 a 𝑥3 no abarca
la media poblacional μ.
Como 𝑥3 cae en la cola superior de la distribución de muestreo y dista más de 3.92
de μ, restando y sumando 3.92 a 𝑥3 se obtiene un intervalo que no incluye μ.


En la última semana el equipo encargado de asegurar la calidad de la tienda
encuestó a 100 clientes y obtuvo una media muestral de la cantidad gastada
𝑥ҧ =$82.
Utilizando 𝑥ҧ =3.92 para construir la estimación por intervalo, se obtiene 82 ± 3.92.
Por tanto, la estima ción por intervalo de μ que se basa en los datos de la última
semana va de 82 - 3.92 = 78.08 a 82 + 3.92 = 85.92.
Como 95% todos los intervalos construidos usando 𝑥ҧ ±3.92 contendrán la media
poblacional, se tiene 95% de confianza de que el intervalo 78.08 a 85.92 contenga
μ.


Ejercicio:
En una muestra aleatoria simple de 40 artículos la media muestral obtenida es 25.
La desviación estándar poblacional es σ = 5.
a) ¿Cuál es el error estándar de la media, σx?
b) Con 95% de confianza, ¿cuál es el margen de error?
c) ¿Cuál es el intervalo de confianza a 95%?

EJERCICIO:

Media poblacional: σ desconocida
Cuando se calcula una estimación por intervalo para la media poblacional, suele no
contarse con una buena estimación de la desviación estándar poblacional.
En tales casos se usa la misma muestra para calcular μ y σ.
Esta situación se conoce como σ desconocida.
Cuando se utiliza “s” para estimar σ, el margen de error y la estimación por
intervalo de la media poblacional se basan en una distribución de probabilidad
conocida como distribución t.

La distribución t es una familia de distribuciones de probabilidad similar, y cada una
depende de un parámetro conocido como grados de libertad.
La distribución t para un grado de libertad es única, como lo es para dos grados o
tres grados de libertad, etc.
A medida que este número aumenta, la diferencia entre la distribución t y la
distribución normal estándar se reduce.



DESVIACIÓN ESTANDAR MUESTRAL





Uso de una muestra pequeña





EJERCICIO:

EJERCICIO:

EJERCICIO:

EJERCICIO:

EJERCICIO:

Determinación del tamaño de la muestra



Ejericicio.

EJERCICIO:





Ejercicios.


4.6 ERRORES TIPO I Y II.
Se continúa con el estudio de la inferencia estadística mostrando cómo usar la
prueba de hipótesis para determinar si una afirmación acerca del valor de un
parámetro poblacional debe o no ser rechazada.
En las pruebas de hipótesis se empieza por hacer un supuesto tentativo acerca del
parámetro poblacional.
A este supuesto tentativo se le llama hipótesis nula, y se denota por 𝐻0 .
Después se define otra hipótesis, llamada hipótesis alternativa, que contradice lo que
establece la hipótesis nula y se denota como 𝐻𝑎 .
En el procedimiento de pruebas de hipótesis se usan datos de una muestra para
probar dos afi rmaciones contrarias indicadas por 𝐻0 y 𝐻𝑎 .

Formulación de las hipótesis nula y alternativa
El contexto de la situación es muy importante para determinar cómo deben establecerse las
hipótesis.
Todas las aplicaciones de prueba de hipótesis involucran la recolección de una muestra y el

uso de resultados muestrales para proporcionar evidencias y emitir conclusiones
Algunas buenas preguntas a considerar al formular las hipótesis nula y alternativa son: ¿cuál
es el propósito de recolectar la muestra? ¿Qué conclusiones se espera formular?

Numerosas aplicaciones de prueba de hipótesis involucran un intento de obtener

evidencia en apoyo de una hipótesis de investigación.
En tales situaciones, con frecuencia es mejor empezar con la hipótesis alternativa y

convertirla en la conclusión que el investigador espera sustentar.

Ejemplo:
Un modelo de automóvil determinado que actualmente alcanza un rendimiento de
gasolina de 24 millas por galón en manejo urbano.
Un grupo de investigación de productos desarrolló un nuevo sistema de inyección de
combustible diseñado para dar un mejor rendimiento en millas por galón de
gasolina.
El grupo realizará pruebas controladas con el nuevo sistema de inyección de
combustible en busca de un sustento estadístico para concluir que proporciona más
millas por galón que el sistema actual.

Se fabricarán varias unidades del nuevo sistema de inyección de combustible, se
instalarán en automóviles de prueba y se someterán a condiciones de manejo bajo
investigación controlada.
Se calculará la media muestral de millas por galón para esos autos y se utilizará en
una prueba de hipótesis para determinar si se puede concluir que el nuevo sistema
de inyección de combustible proporciona más de 24 millas por galón. En términos de
la media poblacional de millas por galón μ, la hipótesis de investigación 𝜇 ≤ 24 se
convierte en la hipótesis alternativa.
El sistema actual proporciona un promedio o media de 24 millas por galón, por lo
que se hace el supuesto tentativo de que el nuevo sistema no es de ninguna manera
mejor que el actual y se escoge 𝜇 > 24 como la hipótesis nula.

Las hipótesis nula y alternativa adecuadas son

Ejemplo:
Considere la situación de un fabricante de bebidas refrescantes.
La etiqueta en los envases de bebida asegura que contienen 67.6 onzas de líquido.
Se considera correcta la leyenda toda vez que la media poblacional de peso de llenado de los
envases es por lo menos de 67.6 onzas de líquido.
Sin razón alguna para creer otra cosa, se le da al fabricante el beneficio de la duda y se asume
que la información proporcionada en la etiqueta es correcta.
Así, en una prueba de hipótesis acerca de la media poblacional de peso de líquido por botella, se
debería comenzar con el supuesto de que la leyenda es correcta y se establece la hipótesis nula
como 𝜇 ≥ 67.6.
El desafío para este supuesto implicaría que la leyenda no es correcta y que los envases se llenan
de forma insufi ciente. Este reto al supuesto deberá establecerse como la hipótesis alternativa 𝜇 <
67.6.

Así, las hipótesis nula y alternativa son:


Las pruebas de hipótesis en esta presentación se refieren a dos parámetros
poblacionales: la media poblacional y la proporción poblacional.
A partir de la situación, las pruebas de hipótesis para un parámetro poblacional
asumen una de estas tres formas: en dos se emplean desigualdades en la hipótesis
nula, y en la tercera se aplica una igualdad en la hipótesis nula.
En las pruebas de hipótesis para la media poblacional, 𝜇0 denota el valor hipotético,
y hay que escoger una de las formas siguientes.

Las dos primeras formas se les llama pruebas de una cola. A la tercera se le llama
prueba de dos colas.

Errores tipo I y tipo II
Las hipótesis nula y alternativa son afirmaciones opuestas acerca de la población.
Una de las dos, ya sea la hipótesis nula 𝐻0 o la alternativa 𝐻𝑎 , es verdadera, pero
no ambas.
Lo ideal es que la prueba de hipótesis lleve a la aceptación de 𝐻0 cuando sea
verdadera y a su rechazo en caso de que Ha sea verdadera.
Desafortunadamente, las conclusiones correctas no siempre son posibles.
Como la prueba de hipótesis se basa en una información muestral, debe considerarse
que existe la posibilidad de error.



4.7 CONTRASTE DE HIPÓTESIS UNILATERAL Y
BILATERAL.
Media poblacional: σ conocida

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.


BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

BILATERAL.

Presentacion T4 Muestreo-4

Cargado por

Información del documento

Descripción original:

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

Presentacion T4 Muestreo-4

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA INFERENCIAL

PROF. ROBERTO TOBIAS CASTILLO 1

4.1 Inferencia estadística. FORMULAS

PROF. ROBERTO TOBIAS CASTILLO 3

➢Conoce y aplica diversas técnicas de muestreo y estimación para su aplicación en

PROF. ROBERTO TOBIAS CASTILLO 4

Realizar una investigación sobre diferentes tipos de muestreo.

1. Explicar la diferencia entre estimadores y parámetros.

PROF. ROBERTO TOBIAS CASTILLO 6

PROF. ROBERTO TOBIAS CASTILLO 7

Para estimar la duración media, en millas, el fabricante selecciona una muestra

De los resultados de esta prueba se obtiene una media muestral de 36 500

PROF. ROBERTO TOBIAS CASTILLO 8

PROF. ROBERTO TOBIAS CASTILLO 9

PROF. ROBERTO TOBIAS CASTILLO 10

PROF. ROBERTO TOBIAS CASTILLO 11

PROF. ROBERTO TOBIAS CASTILLO 12

PROF. ROBERTO TOBIAS CASTILLO 13

Un procedimiento para seleccionar una muestra aleatoria simple de una población

PROF. ROBERTO TOBIAS CASTILLO 15

PROF. ROBERTO TOBIAS CASTILLO 16

PROF. ROBERTO TOBIAS CASTILLO 17

Considere dos ejemplos para ver qué significan las condiciones

PROF. ROBERTO TOBIAS CASTILLO 18

PROF. ROBERTO TOBIAS CASTILLO 19

PROF. ROBERTO TOBIAS CASTILLO 20

PROF. ROBERTO TOBIAS CASTILLO 21

PROF. ROBERTO TOBIAS CASTILLO 22

PROF. ROBERTO TOBIAS CASTILLO 23

PROF. ROBERTO TOBIAS CASTILLO 24

PROF. ROBERTO TOBIAS CASTILLO 25

PROF. ROBERTO TOBIAS CASTILLO 26

b) ¿Cuál es la estimación puntual de la desviación estándar poblacional?

PROF. ROBERTO TOBIAS CASTILLO 27

PROF. ROBERTO TOBIAS CASTILLO 28

PROF. ROBERTO TOBIAS CASTILLO 29

PROF. ROBERTO TOBIAS CASTILLO 30

Media muestral: x = 52,670 KM

PROF. ROBERTO TOBIAS CASTILLO 32

PROF. ROBERTO TOBIAS CASTILLO 33

PROF. ROBERTO TOBIAS CASTILLO 34

PROF. ROBERTO TOBIAS CASTILLO 35

PROF. ROBERTO TOBIAS CASTILLO 36

PROF. ROBERTO TOBIAS CASTILLO 37

PROF. ROBERTO TOBIAS CASTILLO 38

PROF. ROBERTO TOBIAS CASTILLO 39

Se vio que en distintas muestras aleatorias simples se obtienen valores diferentes

PROF. ROBERTO TOBIAS CASTILLO 40

PROF. ROBERTO TOBIAS CASTILLO 41

PROF. ROBERTO TOBIAS CASTILLO 42

PROF. ROBERTO TOBIAS CASTILLO 43

PROF. ROBERTO TOBIAS CASTILLO 44

PROF. ROBERTO TOBIAS CASTILLO 45

PROF. ROBERTO TOBIAS CASTILLO 46

Para calcular 𝜎𝑥ҧ se necesita conocer σ, la desviación estándar de la población.

Para subrayar, aún más, la diferencia entre𝜎𝑥ҧ y σ, a la desviación estándar de x, 𝜎𝑥ҧ ,

En general, el término error estándar se refiere a la desviación estándar de un

Dado que el tamaño de la muestra es menor que 5% del tamaño de la población, se

PROF. ROBERTO TOBIAS CASTILLO 48

Se considerarán dos casos:

PROF. ROBERTO TOBIAS CASTILLO 49

PROF. ROBERTO TOBIAS CASTILLO 50