Documentos de Académico
Documentos de Profesional
Documentos de Cultura
(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.
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.
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.
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.
N!
n !( N −n)
2
Z2. p . q
n=
E2
z2 . p . q . N
n=
N E2 + Z 2 . p . q
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%.
3
Z2. p . q
n=
E2
p=0.5
q=1− p=1−0.5=0.5
z=1.645
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 %
p=100−18=82 %=0.82
N=25,000
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.
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
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
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.
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).
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.
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.
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.
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.
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.
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.
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
N!
m=(¿nN ) ¿
n !(N −n)
12
Sin importar la distribución de la población las medias muestrales tienen distribución
normal.
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
14
La probabilidad de que los estudiantes escogidos tengan una de media
de 168 cm sería de 36.86%
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
o 2= varianza de la población
16
Ejemplo
Encuentra la probabilidad de que una muestra aleatoria de 25 observaciones de una
población normal con varianza O 2=6
a)
( 25−1 ) ( 9.1 )
x 2= =36.4
6
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
13.847 = 0.95
42.98 = 0.01
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.
18
Aplicación de la t de Student
La distribución t se utiliza cuando:
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?
x−μ
t=
σ
√n
µ= 25
x= 27.5
n= 16
σ= 5
α = 0.01
H 0 :μ=25
H a : μ≠ 25
19
El segundo paso es identificar el valor crítico para la distribución
α = 0.01
Para que nuestro estadístico de prueba sea aceptado debe de ser un valor entre
-2.6025 y 2.6025
x−μ
t=
σ
√n
27.5−25 2.5 2.5
t= = = =2
5 5 1.25
√16 4
−2.6025<2<2.6025 H 0 Se acepta
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.
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 .
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.
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
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.
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