UNIVERSIDAD TECNOLÓGICA DE SANTIAGO

(UTESA)

NOMBRE
Wilkin Ariel Cedano

MATRICULA
2186651

ASIGNATURA
Estadística industrial

TEMA
Practica 6

PROFESOR
Heriberto Herasme
 Índice
Introducción...............................................................................................................................1
1. Muestreo aleatorio..............................................................................................................2
Muestreo aleatorio simple......................................................................................................2
Muestreo aleatorio estratificado............................................................................................6
2. Estadísticos importantes....................................................................................................7
Thomas Bayes.........................................................................................................................7
Jacob Bernouilli......................................................................................................................8
Pafnuti Chebyshov.................................................................................................................9
Pierre Simon Laplace...........................................................................................................10
3. Distribuciones muestrales................................................................................................11
4. Distribución muestral de medias y teorema del límite central......................................13
5. Distribuciones muestrales s 2, t , F ..................................................................................16
Distribución muestral de la varianza s 2............................................................................16
Propiedades de las distribuciones ji-cuadrada...............................................................16
Distribución muestral t student...........................................................................................18
Representación de la distribución t student...................................................................18
Aplicación de la t de Student...........................................................................................19
Distribución muestral F ......................................................................................................21
Características....................................................................................................................21
¿Cuándo se utiliza?..........................................................................................................21
6. Graficas de cantiles y de probabilidad............................................................................22
Cuartiles................................................................................................................................22
Gráfica de barras.................................................................................................................23
Gráfico de pastel...................................................................................................................24
Conclusión................................................................................................................................25
Bibliografía...............................................................................................................................26

2
 Introducción
No hay mejor forma de introducir un tema de estadística que definiendo esta. La
estadística es una disciplina científica que se ocupa de la obtención, orden y análisis de un
conjunto de datos con el fin de obtener explicaciones y predicciones sobre fenómenos
observados.

La estadística consiste en métodos, procedimientos y fórmulas que permiten recolectar

información para luego analizarla y extraer de ella conclusiones relevantes. Se puede
decir que es la Ciencia de los Datos y que su principal objetivo es mejorar la
comprensión de los hechos a partir de la información disponible.

El origen de la palabra estadística se suele atribuir al economista Gottfried Achenwall

(prusiano, 1719-1772) que entendía la estadística como “ciencia de las cosas que
pertenecen al Estado”.

Conviene saber que la estadística NO es una rama de las matemáticas. Utiliza

herramientas de las matemáticas del mismo modo que lo hace la física, la ingeniería o la
economía, pero eso no las hace ser parte de las matemáticas. Es cierto que tienen una
relación estrecha, pero la estadística y las matemáticas son disciplinas diferentes.

(Paula Nicole Roldán, 2017)

Los temas tratados a continuación son algunos de los principales que se deben conocer y
aprender si es que se quiere tener una buena base de conocimiento estadístico.

1
 1. Muestreo aleatorio
Muestreo es la técnica de selección de una muestra a partir de una población.

Una población es el conjunto de elementos de referencia sobre el que se realizan las

observaciones.

El muestreo aleatorio es un proceso que permite obtener una muestra sobre una

población, basada en una determinada probabilidad de elección de los individuos que la
conforman.

(Enrique Rus Arias, 2021)

Con el muestreo aleatorio, por tanto, lo que hacemos es plantear un método de elección.
Un método que tiene en cuenta diferentes probabilidades. Esto lo diferencia de los
métodos no aleatorios en que es la subjetividad del investigador la que decide la
selección de la muestra.

(Enrique Rus Arias, 2021)

En el muestreo aleatorio todos y cada uno de los elementos de la población tiene una
cierta probabilidad de resultar elegidos. De esta forma, si tenemos una población de N
elementos y estamos interesados en obtener una muestra de n elementos (muestra de
tamaño n), cada subconjunto de n elementos de la población tendrá   también una cierta
probabilidad de resultar la muestra elegida.

Muestreo aleatorio simple

Es uno de los más utilizados. En este cierta muestra dada de un tamaño muestral
específico tiene la misma probabilidad de ser seleccionada que cualquier otra muestra
del mismo tamaño (Tarefa, 2019).

Si tenemos una población N y queremos seleccionar una muestra de tamaño n

N!
n !( N −n)

Utilizando esta fórmula podemos determinar el número total de muestras posibles,

donde cada una de esas muestras posibles tienen la misma probabilidad de ser elegidas.

También para obtener el tamaño de la muestra se utiliza

Cuando no se conoce el tamaño se la

población

2
 Z2. p . q
n=
E2

Cuando se conoce el tamaño se la población

z2 . p . q . N
n=
N E2 + Z 2 . p . q

Tabla de Nivel de confianza

99.7% Z=3.00
99% Z=2.58
98% Z=2.33
96% Z=2.05
95.45% Z= 2.00
95% Z=1.96
90% Z=1.645
80% Z=1.28
66.27% Z=1.00
50% Z=0.6745

Ejemplo
Se requiere estudiar la preferencia de un nuevo producto en una población, de la
cual no se ha realizado ningún estudio. Se acepta un margen de error máximo del
2%. Se debe determinar el tamaño de la muestra con un nivel de confianza del
90%.

Como no se conoce el tamaño de la población tomamos la formula correspondiente

3
 Z2. p . q
n=
E2

p=0.5

q=1− p=1−0.5=0.5

z=1.645

E=2 %=0.02 (Confianza 90%)

( 1.645 )2 ( 0.5 ) ( 0.5 )

n= 2
( 0.02 )

0.6765
n=
0.0004

n=1,691.2656

n=1,691

4
 Ejemplo 2
Se desean saber las proporciones de artículos defectuosos en una población de
25,000. Para un estudio con un nivel de confianza del 95% y un error de 0.2,
suponiendo que en un estudio anterior produjo 18 artículos defectuosos de cada
100 ¿De qué tamaño debe ser la muestra?

z2 . p . q . N
n=
N E2 + Z 2 . p . q

E=0.2=20 %

z=1.96 (confianza 95%)

q=0.18=18 %

p=100−18=82 %=0.82

N=25,000

( 1.96 )2 ( 0.82 ) ( 0.18 ) (25,000 )

n= 2 2
( 25,000 )( 0.2 ) + ( 1.96 ) ( 0.82 )( 0.18 )

14175.504
n=
1000+ 0.5670

n=14.1674

n=14

5
Muestreo aleatorio estratificado
En este caso, estamos ante una población que, si bien es heterogénea, se puede separar
en grupos homogéneos (sexo, edad, etc.). En cada grupo se realiza una muestra aleatoria
simple.

(Enrique Rus Arias, 2021)

Es importante tener en cuenta que los estratos no deben superponerse. Que los
subgrupos se superpongan dará a algunos individuos mayores probabilidades de ser
seleccionados como sujetos. Esto niega completamente el concepto de muestreo
estratificado como un tipo de muestreo probabilístico.

Ejemplo
Una empresa constructora cuenta con 300 obreros, 60 vigilantes, 150 motoristas y
90 encargados del área administrativa. Para mejorar las condiciones laborales, la
empresa elegirá a 40 empleados de los diferentes estratos para realizar una
evaluación de la misma ¿Cuántos empleados de cada estrato se deben elegir?

Obreros Vigilantes
600 —— 300 600 —— 40

40 —— x 40 —— x
(40)( 300) ( 40)(60)
x= =20 x= =4
600 600

Motoristas
Administración
600 —— 150
600 —— 90
40 —— x 40 —— x
(40)(150)
x= =10 (40)(90)
600 x= =6
600

Sumando 20 + 10 + 4 + 6 = 40 tenemos que este es el número de empleados que

debe elegir la empresa

6
 2. Estadísticos importantes
Thomas Bayes
Thomas Bayes (1702-1761) fue un matemático británico.
Su padre fue ministro presbiteriano. Posiblemente
De Moivre, autor del afamado libro "La doctrina de las
probabilidades", fue su maestro particular, pues se sabe que
por aquel entonces ejercía como profesor en Londres. Bayes
fue ordenado, al igual que su padre, como ministro disidente,
y en 1731 se convirtió en reverendo de la iglesia presbiteriana
en Tunbridge Wells; aparentemente trató de retirarse en 1749,
pero continuó ejerciendo hasta 1752, y permaneció en este lugar hasta su muerte

Estudió el problema de la determinación de la probabilidad de las causas a través de los

efectos observados. El teorema que lleva su nombre se refiere a la probabilidad de un
suceso condicionado por la ocurrencia de otro suceso. Más específicamente, con su
teorema se resuelve el conocido como "problema de la probabilidad inversa".

Los restos de Bayes descansan en el cementerio londinense de Bunhill Fields. En

reconocimiento al importante trabajo que realizó Thomas Bayes en materia de
probabilidades, su tumba fue restaurada en 1969 con donativos realizados por
estadísticos de todo el mundo.

Miembro de la Royal Society desde 1742, Bayes fue uno de los primeros en utilizar la
probabilidad inductivamente y establecer una base matemática para la inferencia
probabilística.

Actualmente, con base a su obra, se ha desarrollado una poderosa teoría que ha

conseguido notables aplicaciones en las más diversas áreas del conocimiento. Especial
importancia ha tenido en los sistemas de detección de "spam" en el ambiente de
internet. En el campo sanitario, el enfoque de la inferencia bayesiana experimenta un
desarrollo sostenido, especialmente en lo que concierne al análisis de ensayos clínicos,
donde dicho enfoque ha venido interesando de manera creciente a las agencias
reguladoras de los medicamentos, tales como la americana FDA.

(De Wikipedia, enciclopia libre)

7
 Jacob Bernouilli
Jakob Bernoulli (1654-1705), también conocido como Jacob,
Jacques o James Bernoulli, fue un matemático y científico suizo
y hermano mayor de Johann Bernouilli (parte de la familia
Bernouilli).

Siendo joven su padre Nikolaus Bernoulli, lo envió a la Universi-

dad de Basilea para estudiar filosofía y teología, con el ánimo de
que se convirtiera en teólogo. Pero Jakob continuó, a escondidas,
las que eran sus auténticas aficiones la física y las matemáticas,
según confiesa en su diario.

A partir de los planteamientos de Leibniz desarrolló problemas

de cálculo infinitesimal. Fundó en Basilea un colegio experimental.

Durante un viaje a Inglaterra en 1676, Jakob Bernoulli conoció a Robert Boyle y Robert
Hooke. Este contacto le inspiró una dedicación vitalicia a la ciencia y la matemática.
Fue nombrado Lector en la Universidad de Basilea en 1682, y fue promocionado a
Profesor de Matemáticas en 1687.

En 1690 se convirtió en la primera persona en desarrollar la técnica para resolver

ecuaciones diferenciales separables.

Se familiarizó con el cálculo mediante su correspondencia con Leibniz, y colaboró con

su hermano Johann en varias aplicaciones, siendo notable la publicación de artículos en
curvas trascendentales (1696) e isoperimetría (1700, 1701).

Su obra maestra fue Ars Conjectandi (el Arte de la conjetura), un trabajo pionero en la

teoría de la probabilidad. La publicó su sobrino Nicholas en 1713, ocho años tras su
muerte. Los términos ensayo de Bernouilli y números de Bernouilli son resultado de su
trabajo. También existe un cráter en la Luna bautizado cráter Bernouilli en honor suyo y
de su hermano Johann.

(De Wikipedia, enciclopia libre)

8
 Pafnuti Chebyshov
Pafnuti Lvóvich Chebyshov (26 de mayo de 1821-8 de
diciembre de 1894) fue un matemático ruso. Su nombre se
translitera también como Tchebychev, Tchebycheff, 
Tschebyscheff o Čebišëv.

Uno entre nueve hermanos, nació en el pueblo de Okatovo, en el

distrito de Borovsk, provinvia de Kaluga. Su padre era el rico
terrateniente Lev Pávlovich Chebyshov. Pafnuti Lvóvich recibió
su educación primaria en su casa, de su madre Agrafena Ivánovna
Chebyshova (lectura y escritura) y de su prima Avdotia
Kvintiliánovna Sujareva (francés y aritmética). Su profesora de
música jugó también un papel importante en la educación de
Chebyshov, ya que "llevó su mente a la exactitud y el análisis", según mencionó el
propio Chebyshov.

En 1832 la familia se trasladó a Moscú principalmente por razón de la educación de sus

hijos mayores (Pafnuti y Pavel, que serían abogados). La educación continuó en el
hogar, siendo contratado como profesor de matemática y física P.N. Pogorelski, tenido
por uno de los mejores maestros de Moscú, y que había educado, entre otros, al escritor
iván Turgénev. Para las otras materias se invitaron también a maestros de excelente
reputación.

Chebyshov pasó los exámenes de admisión el verano de 1837 y en septiembre comenzó

los estudios de matemática en el segundo departamento filosófico de la universidad de
Moscú. Entre sus profesores se contaron Nikolái Brashman, N.e. Zernov y Dmitri
Perevoshchikov. No hay duda que, de entre ellos, Brashman tuvo la mayor influencia
sobre Chebyshov. Le instruyó en mecánica práctica y probablemente le mostró el
trabajo del ingeniero francés Jean-Victor Poncelet. En 1841 se le concedió la medalla de
plata por su trabajo "cálculo de las raíces de ecuaciones" que había terminado en 1838.
En esta contribución Chebyshov derivó una aproximación algorítmica para la solución
de ecuaciones algebraicas de n-ésimo grado basándose en el algoritmo de Newton. En
ese mismo año terminó sus estudios como el "candidato más sobresaliente".

En 1841 la situación económica de Chebyshov cambió drásticamente. Se declaró una

hambruna en Rusia, sus padres se vieron forzados a dejar la ciudad e incapaces de
seguir manteniendo a sus hijos. De todas maneras, decidió continuar sus estudios
matemáticos y se preparó para los exámenes de maestría que se distribuían durante
medio año. Aprobó el examen final en octubre de 1843. En 1846 defendió su tesis "Un
intento de análisis elemental de la teoría probabilística". El biógrafo Prudnikov asume
que Chebyshov fue dirigido a esta rama de la matemática tras conocer la publicación
reciente de libros de teoría probabilística o por el crecimiento de la industria
aseguradora en Rusia.

9
Aparte de sus lecciones en la universidad, de 1852 a 1858 Chebyshov enseñó mecánica
práctica en el Liceo Imperial de Tsárskoye Seló (ahora Pushkin), un suburbio sureño de
San Petersburgo.

Pafnuti Lvóvich Chebyshov murió el 26 de noviembre de 1894 en San Petersburgo.

Es conocido por su trabajo en el área de la probabilidad y estadóstica. La desigualdad de

Chebyshov dice que la probabilidad de que una variable aleatoria esté distanciada de su
media en más de a veces la desviación típica es menor o igual que 1/a2.

(De Wikipedia, enciclopia libre)

Pierre Simon Laplace

Pierre Simon Laplace (1749-1827) fue un astrónomo,
físico y matemático francés.

Nacido en una familia de granjeros de la baja Normanía,

marchó a estudiar a la Universidad de Caen donde fue
recomendado a D'Alembert, quien, impresionado por su
habilidad matemática, lo recomendó para un puesto de
profesor en la Escuela Militar de París en 1767, donde
tuvo entre sus discípulos a Napoleón.

En 1785 es nombrado miembro de la Academia de la

Ciencia y en 1795, miembro de la cátedra de matemáticas del Nuevo Instituto de las
Ciencias y las Artes, que presidirá en 1812. En 1795 empezó a publicar el primero de
los cinco volúmenes que consituirían su "Mecánica celeste" y en 1796 publica su
hipótesis nebular sobre la formación del sistema solar.

En 1799 fue nombrado Ministro del Interior, aunque no estuvo en el cargo sino seis
semanas. Su antiguo alumno Napoleón le confirió en 1805 la Legión de Honor y en
1806 el título de Conde del Imperio.

En 1812 publica su "Teoría Analítica de las probabilidades" y en 1814 su "Ensayo

filosófico sobre la probabilidad". En 1816 fue nombrado miembro de la Academia
Francesa y a pesar de su pasado bonapartista, tras la restauración de los Borbones, fue lo
bastante hábil como para conseguir ser nombrado marquén en 1817.

Laplace sentó las bases científicas de la teoría matemática de las probabilidades, donde
entre otros logros formuló el método de los mínimos cuadrados que es fundamental para
la teoría de errores.

Es recordado como uno de los máximos científicos de todos los tiempos, a veces
referido como el Newton de Francia, con unas fenomenales facultades matemáticas no
poseídas por ninguno de sus contemporáneos.

Laplace creó una curiosa fórmula para expresar la probabilidad de que el sol saliera por
el horizonte. Él decía que la probabilidad era (d+1)/(d+2), donde d es el número de días

10
que el sol ha salido en el pasado. Laplace decía que esta fórmula podía aplicarse a todos
los casos donde no sabemos nada, o donde lo que conocíamos fue cambiado por lo que
no. Aún es usada como un estimador de un evento, si sabemos el lugar del evento, pero
sólo tenemos muy pocas muestras de él.

(De Wikipedia, enciclopedia libre)

3. Distribuciones muestrales
En estadística, la distribución muestral es lo que resulta de considerar todas
las muestras posibles que pueden ser tomadas de una población. Su estudio permite
calcular la probabilidad que se tiene, dada una sola muestra, de acercarse al parámetro
de la población. Mediante la distribución muestral se puede estimar el error para un
tamaño de muestra dado.

La distribución de muestreo de una estadística es la distribución de esa estadística,

considerada como una variable aleatoria, cuando se deriva de una muestra aleatoria de
tamaño n. Se puede considerar como la distribución de la estadística para todas las
muestras posibles de la misma población de un tamaño de muestra dado. La distribución
del muestreo depende de la distribución subyacente de la población, la estadística que se
considera, el procedimiento de muestreo empleado y el tamaño de muestra utilizado. A
menudo existe un considerable interés en si la distribución muestral puede aproximarse
mediante una distribución asintótica, que corresponde al caso límite ya que el número
de muestras aleatorias de tamaño finito, tomadas de una población infinita y utilizadas
para producir la distribución, tiende a infinito.

(De Wikipedia, enciclopedia libre)

Una distribución muestral presenta cada posible resultado que una estadística puede
tomar en todas las muestras posibles de una población y con qué frecuencia ocurre cada
resultado.

En este proceso se toma una muestra de la población, ya sea aleatoria o no, y con la
muestra se hace una inferencia estadística.

11
 Simbología

Medidas Población Muestra

Media aritmética µ x
2
Varianza σ s2
Desviación típica σ s
Tamaño N n

Se pueden tomar diferentes muestras M de una población P según el investigador o el

resultado de la aplicación de las siguientes ecuaciones

N!
m=(¿nN ) ¿
n !(N −n)

Según DelMas y Garfield (2004) las distribuciones muéstrales son consideradas la

piedra angular de la inferencia estadística y consideran que la dificultad de las
distribuciones muéstrales radica en que requieren integración y combinación de muchas
ideas de estadística, tales como distribución, muestra, población, variabilidad y
muestreo.

La distribución muestral es el conjunto de todos los valores posibles para un estadístico

y la probabilidad de relacionada con cada valor.

Es el modelo de distribución más usado en la práctica ya que una multitud de

fenómenos se comportan según una distribución normal. Esta distribución se caracteriza
porque los valores se distribuyen formando una campana llamada campana de Gauss.

4. Distribución muestral de medias y teorema del límite

central
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

12
Sin importar la distribución de la población las medias muestrales tienen distribución
normal.

La media de la media muestral coincide con la madia poblacional.

La varianza de la media muestrales está relacionada con la varianza poblacional.

A mayor n la varianza disminuye, si no se tiene la varianza, se puede decir que la

varianza muestral es igual a la varianza poblacional.

Ecuación
x media muestral
x́ −µ
Z=
µ media
σ poblacional
σ√ndesviación
n total de elementos de la muestra

Ejemplo
La estatura de un grupo de estudiantes, tiene media de 167.42 cm y una desviación de
2.58 cm, si las estaturas se distribuyen normalmente y se escogieron aleatoriamente 25
estudiantes ¿Cuál es la probabilidad de que su media sea 168 cm o más?

Datos

13
µ= 167.42

σ= 2.58

x= 168

n= 25
x́ −µ
Z=
σ
√n
168−167.42
Z=
2.58
√ 25
0.58(5)
Z= =1.12
2.58

El valor obtenido se ubica en la tabla de la distribución Z para hallar el área entre

la media poblacional y la media muestral.

El área correspondiente al valor de Z= 1.12 es 0.3686

14
La probabilidad de que los estudiantes escogidos tengan una de media
de 168 cm sería de 36.86%

Respondiendo a la pregunta del ejercicio la probabilidad de que midan

168 cm o más es de 13.14%

15
 5. Distribuciones muestrales s2, t , F
Distribución muestral de la varianza s2
La distribución muestral de la varianza se emplea para formular inferencias con respecto
a las varianzas de una población. A esta también se le conoce como distribución ji
cuadrada.

Nos sirve para saber cómo se va a comportar la varianza de una muestra proveniente de
una distribución normal, para aplicar el teorema central del límite y estimar
desigualdades en ingresos.

Ecuación

2 ( n−1 ) s 2
x=
o2

n= tamaño de la muestra

s2= varianza de muestra

o 2= varianza de la población

Propiedades de las distribuciones ji-cuadrada

 Los valores de X2 son mayores o iguales que 0.

 La forma de una distribución X2 depende del gl=n-1. En consecuencia, hay un

número infinito de distribuciones X2.

 El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

 Las distribuciones X2 no son simétricas. Tienen colas estrechas que se extienden

a la derecha; esto es, están sesgadas a la derecha.

 Cuando n>2, la media de una distribución X2 es n-1 y la varianza es 2(n-1).

 El valor modal de una distribución X2 se da en el valor (n-3).

16
 Ejemplo
Encuentra la probabilidad de que una muestra aleatoria de 25 observaciones de una
población normal con varianza O 2=6

Tenga una varianza muestral

a) Mayor que 9.1

b) Entre 3.462 – 10.745

a)
( 25−1 ) ( 9.1 )
x 2= =36.4
6

El siguiente paso es buscar el la cifra correspondiente en la tabla ji cuadrado del valor

obtenido.

36.5 = 0.05

p ( s 2 >9.1 )=0.05

b)
(25−1)(3.462)
x 2= =13.847
6

(25−1)(10.745)
x 2= =42.98
6

Buscando estos valores en la tabla ji cuadrado tenemos que

13.847 = 0.95

42.98 = 0.01

Ahora para obtener el promedio con estos dos valores restamos

0.95 – 0.01 = 0.94

p ( 3.462≤ s2 ≤10.745 ) =0.94

17
Distribución muestral t student
La distribución t de Student o distribución t es un modelo teórico utilizado para
aproximar el momento de primer orden de una población normalmente distribuida
cuando el tamaño de la muestra es pequeño y se desconoce la desviación típica.

En otras palabras, la distribución t es una distribución de probabilidad que estima el

valor de la media de una muestra pequeña extraída de una población que sigue
una distribución normal y de la cual no conocemos su desviación típica.

(Paula Rodó, 2019)

Esta distribución se diferencia de la distribución normal ya que en ella aparece un

parámetro, llamado grados de libertad. ). Esto significa que para cada medida de la
muestra n, en realidad tenemos una distribución diferente.

Representación de la distribución t student

Como podemos ver, la representación de la distribución t se parece mucho a la

distribución normal salvo que la distribución normal tiene las colas más anchas y es más
apuntalada. En otras palabras, deberíamos añadir más grados de libertad a la
distribución t para que la distribución “crezca” y se parezca más a la distribución
normal.

(Paula Rodó, 2019)

18
Aplicación de la t de Student
La distribución t se utiliza cuando: 

 Queremos estimar la media de una población normalmente distribuida a partir de

una muestra pequeña. 

 Tamaño de la muestra es inferior a 30 elementos, es decir, n < 30. 

(Paula Rodó, 2019)

Ejemplo
Sea una empresa que fabrica tornillos para una multicinacional reconocida en Mexico,
dicha compañía afirma que sus productos tienen un promedio de 25 horas de
elaboración. Para mantener este promedio se prueban 15 tornillos cada mes, entonces si
el valor t calculado cae entre t−0.01 y t 0.01 la empresa queda satisfecha con su
afirmación.

¿Qué conclusiones debería sacar la empresa a partir de una muestra que tiene media
27.5 horas y una desviación estándar de 5 horas?

Formula estadístico de prueba

x−μ
t=
σ
√n
µ= 25
x= 27.5
n= 16
σ= 5

α = 0.01

El primer paso es buscar la hipótesis nula H 0 y la hipótesis alternativa H a

H 0 :μ=25

H a : μ≠ 25

19
El segundo paso es identificar el valor crítico para la distribución

α = 0.01

Gl=n−1=16−1=15 Grados de libertad

Buscamos en la tabla de distribución t un valor con grados de liberdad 15 y una

significancia de 0.01 obteniendo el valor de 2.6025

Para que nuestro estadístico de prueba sea aceptado debe de ser un valor entre
-2.6025 y 2.6025

El tercer paso es buscar el estadístico de prueba

x−μ
t=
σ
√n
27.5−25 2.5 2.5
t= = = =2
5 5 1.25
√16 4

El cuarto paso es verificar si debemos aceptar o rechazar nuestra hipótesis nula

−2.6025< x <2.6025 Valor crítico

−2.6025<2<2.6025 H 0 Se acepta

Se acepta la hipótesis nula lo que confirmo que el promedio de horas es 25 dando

la razón a la empresa.

20
Distribución muestral F
Es una distribución de probabilidad continua. También se le conoce como distribución
F de Snedecor o distribución F de Fisher-Snedecor.

Recibió este nombre en honor a Sir Ronald Fisher, uno de los fundadores de la
estadística moderna.

Una variable F se define como el cociente entre dos variables ji – cuadrado divididas
por sus correspondientes grados de libertad.

Esta distribución de probabilidad se usa como estadística prueba en varias situaciones.

Características
 Una variable con distribución F e siempre positiva por lo tanto su campo de
variación es o “F”.
 La distribución de la variable es asimétrica, pero su asimetría disminuye cuando
aumentan los grados de libertad y el numerador y denominador.
 Hay una distribución F por cada par de grados de libertad.

¿Cuándo se utiliza?
Esta es la distribución de probabilidad de la razón de dos varianzas provenientes de dos
poblaciones diferentes. Por medio de esta distribución es posible determinar la
probabilidad de ocurrencia de una razón eespecifica con v1 =n1−1 y v 2=n2−1 grados
de libertad en muestras de tamaño n1 y n2 .

Es la distribución más importante en experimentación pues permite hacer cálculos sobre

varianzas diseminadas determinando si las diferencias mostradas son significativas y
por lo tanto atribuidas a cambios importantes en el comportamiento de las poblaciones
en estudio.

21
 6. Graficas de cantiles y de probabilidad
Cuartiles
Los cuartiles son una herramienta que usamos en la estadística y que nos sirve para
administrar grupos de datos previamente ordenados.

Los cuartiles son los tres valores de la variable que dividen a un conjunto de datos
ordenados en cuatro partes iguales.

 y   determinan los valores correspondientes al  %, al  % y al  % de

los datos.   coincide con la mediana.

(Superprofes, Marta, 2020)

Pasos para obtener los cuartiles de un conjunto de datos:

a) Ordenar los datos desde el menor hasta el mayor valor

b) Dividir el conjunto de datos en 4 partes iguales
c) Calcular la mediana y luego obtener la mediana de los dos nuevos intervalos.

22
Gráfica de barras
Una gráfica de barras o un diagrama de barras. Es una gráfica para representar los datos
cualitativos de una distribución de frecuencia, de frecuencia relativa 0 de frecuencia
porcentual. En uno de los ejes de la gráfica (por lo general en el horizontal). Se
especifican las etiquetas empleadas para las clases (categorías). Para el otro eje de la
gráfica (el vertical) se usa una escala para frecuencia, frecuencia relativa y frecuencia
porcentual.

Color Frecuencia
Rosa 7
Amarillo 11
Azul 5
Verde 15
Rojo 2
Total 40

Gráfico
16

14

12

10

0
Rosa Amarillo Azul Verde rojo

Gráfico de pastel
La gráfica de pastel proporciona otra gráfica para presentar distribuciones de frecuencia
relativa y de frecuencia porcentual de datos cualitativos. Para elaborar una gráfica de
pastel, primero se dibuja un círculo que representa todos los datos. Después se usa la

23
frecuencia relativa para subdividir el círculo en sectores, o partes, que corresponden a la
frecuencia relativa de cada clase.

Color Frecuencia
Rosa 7
Amarillo 11
Azul 5
Verde 15
Rojo 2
Total 40

Ventas

Rosa Amarillo Azul Verde Rojo

24
 Conclusión
Como pudimos observar la estadística tiene un amplio campo de temas los cuales tienen en
común que analizan parte de una población a la que llaman muestra y de esta sacan distintos
tipos de datos según lo que analicen.

Los datos obtenidos no solo son utilizados para las disciplinas de matemáticas. Una de las
características fundamentales de la estadística es su transversalidad. Su metodología es
aplicable al estudio de diversas disciplinas tales como: biología, física, economía, sociología,
etc.

La estadística ayuda a obtener conclusiones relevantes para el estudio de todo tipo de agentes
como: humanos, animales, plantas, etc. Generalmente lo hace a través de muestras
estadísticas.

(Paula Nicole Roldán, 2017)

25
 Bibliografía
https://economipedia.com/definiciones/estadistica.html

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_muestral

https://www.superprof.es/apuntes/escolar/matematicas/estadistica/descriptiva/cuartiles.h
tml

https://economipedia.com/definiciones/distribucion-t-de-student.html#referencia

https://economipedia.com/definiciones/muestreo-aleatorio.html#referencia

https://www.scientific-european-federation-osteopaths.org/wp-
content/uploads/2019/01/Distribucion_tStudent.pdf

https://es.wikipedia.org/wiki/Teorema_del_l%C3%ADmite_central

https://sites.google.com/site/iniciacionestadistica/introduccion/1-2-estadisticos-famosos

26