ESTADÍSTICA

APLICADA

DISTRIBUCIONES DE PROBABILIDAD

TEMA 2:
DISTRIBUCIONES MUESTRALES

MSc. Juan Paredes Quevedo

 SUBTEMAS

» Sub tema 1 : Nociones generales.

» Sub tema 2 : Teorema del límite central.
» Sub tema 3 : Distribución muestral de la media
muestral.
» Sub tema 4 : Distribución muestral.
 OBJETIVO

Identificar la distribución de probabilidad para su correcta

aplicación.
 ACTIVIDAD DE INICIO

Visualice el siguiente video:

https://www.youtube.com/watch?v=Y7oKqrV4Bm
w
MUESTRA Y POBLACIÓN

• Población: es el conjunto de todos los elementos

que poseen una determinada característica. En
general supondremos que la población es muy
grande.
• Muestra: es un subconjunto de la población.
• Muestreo: es el proceso mediante el cual se escoge
una muestra de la población.
• Inferencia estadística: proceso a través del cual se
obtienen conclusiones sobre una población, a través
de la información que proporciona una muestra. La
confianza de tal extrapolación dependerá de la
representatividad de la muestra.
• Razones para usar muestras: economía,
observación destructiva, etc.
MUESTRA Y POBLACIÓN

La representatividad de la muestra depende de dos

cosas:
a) Del mecanismo de selección: que ha de
garantizar que no hay un elemento de la
población con más probabilidad que otro de
entrar en la muestra. Si no, sería una muestra
sesgada.

b) Del tamaño de la muestra: si el mecanismo

de selección es correcto, cuanto más grande
sea la muestra mayor será la probabilidad de
que se parezca a la población.
Tipos de muestreo

Ejemplo. Tres empresas están investigando el

nivel adquisitivo de las personas que acuden
a un determinado concierto de música
clásica. Para ello, cada una elige una Muestreo Muestreo no
muestra de la siguiente manera: aleatorio aleatorio

1.- 50 primeras personas que

entren en el auditorio.
2.- 50 personas elegidas al azar de las que se Ventajas y desventajas
ubican en la platea baja.
3.- 50 personas elegidas al azar de todas las
asistentes.
Tipos de muestreo aleatorio

Muestreo aleatorio simple: todos los

elementos de la población tienen la misma
probabilidad de ser elegidos para formar
parte de la muestra.

Estrato 1 Estrato 2
Muestreo aleatorio estratificado: la
población se divide en grupos homogéneos
que llamamos estratos. La proporción de
cada estrato en la población se mantiene Población
en la muestra. Cada uno de los estrato de
la muestra se obtiene por muestreo
aleatorio simple sobre el estrato
correspondiente de la población.

Muestra
Tipos de muestreo aleatorio (II)

Muestreo aleatorio sistemático: se

selecciona al azar un elemento de la
población y a partir de él se seleccionan
de k en k los elementos siguientes.

Muestreo por conglomerados y áreas:

se divide la población en distintas
secciones o conglomerados. Se eligen al
azar unas pocas de estas secciones y se
toman todos los elementos de las
secciones elegidas para formar la
muestra. Para dividir la población en secciones
podemos usar las provincias.
Tipos de muestreo no aleatorio

Muestras erráticas o casuales

Muestras intencionadas o racionales

Muestras por cuotas

Muestras “bola de nieve”

Distribución de muestreo de medias muestrales

Definición: Es una distribución de

probabilidad que consta de todas las
medias muestrales posibles de un
tamaño de muestra dado.

Error de muestreo

Definición: Diferencia entre un valor

estadístico de muestra y su parámetro
de población correspondiente.
Distribución de muestreo de medias muestrales

La empresa Tartus Industries tiene siete

empleados de producción (considerados como la
población). El salario por hora de cada trabajador
se presenta a continuación:

Empleado Salario (en dólares)

Joe 7
Sam 7
Sue 8
Bob 8
Jan 7
Art 8
Ted 9
Distribución de muestreo de medias muestrales

1. ¿Cuál es la media de la población?

2. ¿Cuál es la distribución de muestreo de
medias para una muestra de tamaño 2?
3. ¿Cuál es la media de la distribución de
muestreo?
4. ¿Qué observaciones pueden formularse
con respecto a la población y a la
distribución muestral?
5. Calcular el error de muestreo de la media
muestral 14 y 20
Distribución de muestreo de medias muestrales

1. ¿Cuál es la media de la población?

µ= 7+7+8+8+7+8+9/7 = 7,71 (dólares).

2. ¿Cuál es la distribución de muestreo de medias

para una muestra de tamaño 2? Muestra Empleados Salario ($) Suma ($) Media($)
1 Joe,Sam 7,7 14 7
NC n = N!/(N-n)!n! = 7!/(7-2)! 2! = 21 2 Joe,Sue 7,8 15 7,5
3 Joe,Bob 7,8 15 7,5
4 Joe,Jan 7,7 14 7
5 Joe,Art 7,8 15 7,5
6 Joe,Ted 7,9 16 8
7 Sam, Sue 7,8 15 7,5
Distribución de muestreo de medias muestrales
Muestra Empleados Salario ($) Suma ($) Media($)
8 Sam,Bob 7,8 15 7,5
9 Sam,Jan 7,7 14 7
10 Sam,Art 7,8 15 7,5
11 Sam,Ted 7,9 16 8
12 Sue,Bob 8,8 16 8
13 Sue,Jan 8,7 15 7,5
14 Sue,Art 8,8 16 8
15 Sue,Ted 8,9 17 8,5
16 Bob,Jan 8,7 15 7,5
17 Bob,Art 8,8 16 8
18 Bob,Ted 8,9 17 8,5
19 Jan,Art 7,8 15 7,5
20 Jan,Ted 7,9 16 8
21 Art,Ted 8,9 17 8,5
Distribución de muestreo de medias muestrales

Media muestral Número de medias Probabilidad

7 3 3/21=0,1429
7,5 9 9/21=0,4285
8 6 6/21=0,2857
8,5 3 3/21=0,1429
21 1

3. ¿Cuál es la media de la distribución de muestreo?

µx = suma de todas las medias muestrales /Número total

de muestras = 162/21 = $ 7,71
Distribución de muestreo de medias muestrales

¿Qué observaciones pueden formularse con respecto a la población y a la

distribución muestral?

a) La media de la distribución de las medias muestrales es igual a la media

poblacional.

b) La dispersión en la distribución de las medias muestrales es menor que la que

corresponde a los valores de la población. La medias muestrales varían de 7 a 8,5 y
los valores de la población van de 7 a 9.

c) La forma de la distribución de muestreo de las medias muestrales y la forma de la

distribución de frecuencias de los valores de población, son diferentes.
 Error de muestreo de medias muestrales

Muestra Media Media Error de

muestral Poblacional muestreo
1 7 7,71 -0,71
2 7,5 7,71 -0,21
3 7,5 7,71 -0,21
4 7 7,71 -0,71
5 7,5 7,71 -0,21
6 8 7,71 0,29
7 7,5 7,71 -0,21
8 7,5 7,71 -0,21
9 7 7,71 -0,71
10 7,5 7,71 -0,21
11 8 7,71 0,29
12 8 7,71 0,29
13 7,5 7,71 -0,21
14 8 7,71 0,29
 Error de muestreo de medias muestrales

Muestra Media Media Error de

muestral Poblacional muestreo
15 8,5 7,71 0,79
16 7,5 7,71 -0,21
17 8 7,71 0,29
18 8,5 7,71 0,79
19 7,5 7,71 -0,21
20 8 7,71 0,29
21 8,5 7,71 0,79
 Distribución en el muestreo de la media

Supongamos que en una población una variable aleatoria

se distribuye con media μ y desviación típica σ.

• Al tomar diferentes muestras de igual tamaño en la población y calcular sus medias

y sus desviaciones típicas, obtendremos x–1, x–2, ..., x–n y s1, s2, ... , sn

• Los distintos valores de –xi dan lugar a una variable aleatoria que representamos
– –
por X y se llama media muestral. La distribución de los valores de X se llama
distribución en el muestreo de la media.
–
La variable aleatoria X tiene las siguientes características:
1. Media : 

2. Desviación típica:
n
–
3. A medida que n crece, la distribución de X se aproxima a la normal.

Si σ es desconocida, se aproxima con s ·√n / √(n – 1)  Apuntes

 Distribución en el muestreo de la
media

Se supone que la distribución de la temperatura del

cuerpo humano en la población tiene una media μ =
37º y una desviación típica σ = 0,85º. Se elige una
muestra de 105 personas. Se desea obtener la
probabilidad de la media de la muestra sea menor
que 36,9º.

Al ser n = 105, consideramos que la variable

aleatoria media muestral es normal.
– 
La variable aleatoria X se distribuye como una N( ) = N (37, 0,083)
n

istribuye como una N( ) = N (37, 0,083)
Por tanto: n
– 
– X –37 36,9 –37
p( X  36,9) =p  0,083 0,083  = p( Z – 1,20) = 1– p(Z  1,20) = 1– 0,8849 =
= 0,115
Distribución en el muestreo de la
media

•En el último año, el peso de los recién nacidos

en una maternidad se ha distribuido según una
ley normal de media μ = 3100 g y desviación
típica σ = 150 g.
•¿Cuál será la probabilidad de que la media de
una muestra de 100 recién nacidos sea superior a
3130 g?
 Teorema central del límite: idea intuitiva
• Muchos fenómenos se pueden considerar como suma de efectos parciales
independientes, pudiendo ocurrir que aunque los efectos no se ajusten a
la normal, el fenómeno resultante tienda asintóticamente a la normal.
• Una simulación con ordenador nos puede ayudar a entender esto:

1000 lanzamientos de un dado 1000 medias de dos dados

1000 medias de 4 dados 1000 medias de 10 dados

 Teorema central del límite
Sea X una variable aleatoria de una población de media  y desviación típica ,
entonces se verifica que
1. La variable aleatoria media muestral (con muestras de tamaño n) tiene

media  y desviación típica
n
2. La variable aleatoria media muestral se aproxima a una normal a medida
que crece el tamaño de la muestra n

¿Qué se entiende por "cuando crece n"?

• Si la población de partida es normal, la distribución de las

medias muestrales es normal, cualquiera que sea n.
• Si la distribución de partida no es normal, la distribución de las
medias muestrales es normal si n  30.
Teorema central del límite: visión gráfica

Normal Uniforme Sesgada

Distribución
de la
población de
partida

Distribución
de las medias
muestrales
para n = 5

Distribución
de las medias
muestrales
para n = 10

Distribución
de las medias
muestrales
para n = 30
 Distribución en el muestreo de una proporción
• Supongamos que en una población la proporción de elementos con una determinada
característica es p.
^
• En una muestra cualquiera la proporción de individuos con dicha característica será p.
^
• Los distintos valores de p^ dan lugar a una variable aleatoria que representamos por P, y
^
que recibe el nombre de proporción muestral. La distribución de P se llama distribución
en el muestreo de una proporción.

^
La variable aleatoria P tiene las siguientes características:
1. Media : p
p(1 – p)
2. Desviación típica:  n
^
3. A medida que n crece, la distribución de P se aproxima a la normal,
siempre que p no se acerque ni a 0 ni a 1. En cualquier caso, se considera
normal si n ≥ 30.
 Distribuciones en el muestreo de una proporción
Un nuevo medicamento ha curado al 85 % de los
enfermos a los que se les ha aplicado. Determinar las
distribuciones en el muestreo de la proporción de
enfermos curados para muestras de tamaño 30, 100 y
1000 personas.

En nuestro caso p = 0,85

Tamaño Distribución
Desviación típica:
de la Media: muestral
p(1 – p)
muestra: p  p(1 – p)
n n N(p, )
n

30 0,85 0,85(1 – 0,85) N(0,85; 0,065)

= 0,065
30

100 0,85 0,85(1 – 0,85) N(0,85; 0,036)

100
= 0,036 Conviene observar cómo, a medida que el
tamaño de la muestra crece, la desviación
1000 0,85 0,85(1 – 0,85) N(0,85; 0,011) típica disminuye.
= 0,011
1000
Ejercicios de Distribuciones en el muestreo de una proporción

Se ha determinado que 60% de los estudiantes de una universidad grande fuman cigarrillos.
Se toma una muestra aleatoria de 800 estudiantes. Calcule la probabilidad de que la
proporción de la muestra de la gente que fuma cigarrillos sea menor que 0.55.
Ejercicios de Distribuciones en el muestreo de una proporción

Un medicamento para malestar estomacal tiene la advertencia de que algunos usuarios

pueden presentar una reacción adversa a él, más aún, se piensa que alrededor del 3% de los
usuarios tienen tal reacción. Si una muestra aleatoria de 150 personas con malestar estomacal
usa el medicamento, encuentre la probabilidad de que la proporción de la muestra de los
usuarios que realmente presentan una reacción adversa, exceda el 4%.
Ejercicios de Distribuciones en el muestreo de una proporción

Se sabe que la verdadera proporción de los componentes defectuosos fabricadas por una
firma es de 4%, y encuentre la probabilidad de que una muestra aleatoria de tamaño 60 tenga:
•Menos del 3% de los componentes defectuosos.
•Más del 1% pero menos del 5% de partes defectuosas.
 ACTIVIDAD DE CIERRE

Conclusiones y preguntas sobre la clase

• Utilizar el botón “levantar la mano” de Zoom, para

acceder al uso del micrófono de forma ordenada.
ó
• Realizar la pregunta por vía chat de Zoom
 BIBLIOGRAFÍA
» DEVORE JAY. (1998). PROBABILIDAD Y ESTADÍSTICA PARA
INGENIERÍA Y CIENCIAS. : THOMSON
» WALPOLE RONALD. (2007). PROBABILIDAD Y ESTADÍSTICA
PARA INGENIERÍA Y CIENCIAS. : PEARSON
» DE OTEYZA, ELENA; LAM, EMMA;HERNÁNDEZ, CARLOS;
CARRILLO, ANGEL. (2015). PROBABILIDAD Y ESTADISTICA.
MEXICO: PEARSON
» SPIEGEL, MURRAY R.. (2002). ESTADISTICA. MEXICO:
MCGRAW-HILL,
 ESTADÍSTICA
APLICADA

DISTRIBUCIONES DE PROBABILIDAD

TEMA 2:
DISTRIBUCIONES MUESTRALES

MSc. Juan Paredes Quevedo

 SUBTEMAS

» Sub tema 1 : Nociones generales.

» Sub tema 2 : Teorema del límite central.
» Sub tema 3 : Distribución muestral de la media
muestral.
» Sub tema 4 : Distribución muestral.
 OBJETIVO

Identificar la distribución de probabilidad para su correcta

aplicación.
 ACTIVIDAD DE INICIO

Visualice el siguiente video:

https://www.youtube.com/watch?v=Y7oKqrV4Bm
w
MUESTRA Y POBLACIÓN

• Población: es el conjunto de todos los elementos

que poseen una determinada característica. En
general supondremos que la población es muy
grande.
• Muestra: es un subconjunto de la población.
• Muestreo: es el proceso mediante el cual se escoge
una muestra de la población.
• Inferencia estadística: proceso a través del cual se
obtienen conclusiones sobre una población, a través
de la información que proporciona una muestra. La
confianza de tal extrapolación dependerá de la
representatividad de la muestra.
• Razones para usar muestras: economía,
observación destructiva, etc.
MUESTRA Y POBLACIÓN

La representatividad de la muestra depende de dos

cosas:
a) Del mecanismo de selección: que ha de
garantizar que no hay un elemento de la
población con más probabilidad que otro de
entrar en la muestra. Si no, sería una muestra
sesgada.

b) Del tamaño de la muestra: si el mecanismo

de selección es correcto, cuanto más grande
sea la muestra mayor será la probabilidad de
que se parezca a la población.
Tipos de muestreo

Ejemplo. Tres empresas están investigando el

nivel adquisitivo de las personas que acuden
a un determinado concierto de música
clásica. Para ello, cada una elige una Muestreo Muestreo no
muestra de la siguiente manera: aleatorio aleatorio

1.- 50 primeras personas que

entren en el auditorio.
2.- 50 personas elegidas al azar de las que se Ventajas y desventajas
ubican en la platea baja.
3.- 50 personas elegidas al azar de todas las
asistentes.
Tipos de muestreo aleatorio

Muestreo aleatorio simple: todos los

elementos de la población tienen la misma
probabilidad de ser elegidos para formar
parte de la muestra.

Estrato 1 Estrato 2
Muestreo aleatorio estratificado: la
población se divide en grupos homogéneos
que llamamos estratos. La proporción de
cada estrato en la población se mantiene Población
en la muestra. Cada uno de los estrato de
la muestra se obtiene por muestreo
aleatorio simple sobre el estrato
correspondiente de la población.

Muestra
Tipos de muestreo aleatorio (II)

Muestreo aleatorio sistemático: se

selecciona al azar un elemento de la
población y a partir de él se seleccionan
de k en k los elementos siguientes.

Muestreo por conglomerados y áreas:

se divide la población en distintas
secciones o conglomerados. Se eligen al
azar unas pocas de estas secciones y se
toman todos los elementos de las
secciones elegidas para formar la
muestra. Para dividir la población en secciones
podemos usar las provincias.
Tipos de muestreo no aleatorio

Muestras erráticas o casuales

Muestras intencionadas o racionales

Muestras por cuotas

Muestras “bola de nieve”

Distribución de muestreo de medias muestrales

Definición: Es una distribución de

probabilidad que consta de todas las
medias muestrales posibles de un
tamaño de muestra dado.

Error de muestreo

Definición: Diferencia entre un valor

estadístico de muestra y su parámetro
de población correspondiente.
Distribución de muestreo de medias muestrales

La empresa Tartus Industries tiene siete

empleados de producción (considerados como la
población). El salario por hora de cada trabajador
se presenta a continuación:

Empleado Salario (en dólares)

Joe 7
Sam 7
Sue 8
Bob 8
Jan 7
Art 8
Ted 9
Distribución de muestreo de medias muestrales

1. ¿Cuál es la media de la población?

2. ¿Cuál es la distribución de muestreo de
medias para una muestra de tamaño 2?
3. ¿Cuál es la media de la distribución de
muestreo?
4. ¿Qué observaciones pueden formularse
con respecto a la población y a la
distribución muestral?
5. Calcular el error de muestreo de la media
muestral 14 y 20
Distribución de muestreo de medias muestrales

1. ¿Cuál es la media de la población?

µ= 7+7+8+8+7+8+9/7 = 7,71 (dólares).

2. ¿Cuál es la distribución de muestreo de medias

para una muestra de tamaño 2? Muestra Empleados Salario ($) Suma ($) Media($)
1 Joe,Sam 7,7 14 7
NC n = N!/(N-n)!n! = 7!/(7-2)! 2! = 21 2 Joe,Sue 7,8 15 7,5
3 Joe,Bob 7,8 15 7,5
4 Joe,Jan 7,7 14 7
5 Joe,Art 7,8 15 7,5
6 Joe,Ted 7,9 16 8
7 Sam, Sue 7,8 15 7,5
Distribución de muestreo de medias muestrales
Muestra Empleados Salario ($) Suma ($) Media($)
8 Sam,Bob 7,8 15 7,5
9 Sam,Jan 7,7 14 7
10 Sam,Art 7,8 15 7,5
11 Sam,Ted 7,9 16 8
12 Sue,Bob 8,8 16 8
13 Sue,Jan 8,7 15 7,5
14 Sue,Art 8,8 16 8
15 Sue,Ted 8,9 17 8,5
16 Bob,Jan 8,7 15 7,5
17 Bob,Art 8,8 16 8
18 Bob,Ted 8,9 17 8,5
19 Jan,Art 7,8 15 7,5
20 Jan,Ted 7,9 16 8
21 Art,Ted 8,9 17 8,5
Distribución de muestreo de medias muestrales

Media muestral Número de medias Probabilidad

7 3 3/21=0,1429
7,5 9 9/21=0,4285
8 6 6/21=0,2857
8,5 3 3/21=0,1429
21 1

3. ¿Cuál es la media de la distribución de muestreo?

µx = suma de todas las medias muestrales /Número total

de muestras = 162/21 = $ 7,71
Distribución de muestreo de medias muestrales

¿Qué observaciones pueden formularse con respecto a la población y a la

distribución muestral?

a) La media de la distribución de las medias muestrales es igual a la media

poblacional.

b) La dispersión en la distribución de las medias muestrales es menor que la que

corresponde a los valores de la población. La medias muestrales varían de 7 a 8,5 y
los valores de la población van de 7 a 9.

c) La forma de la distribución de muestreo de las medias muestrales y la forma de la

distribución de frecuencias de los valores de población, son diferentes.
 Error de muestreo de medias muestrales

Muestra Media Media Error de

muestral Poblacional muestreo
1 7 7,71 -0,71
2 7,5 7,71 -0,21
3 7,5 7,71 -0,21
4 7 7,71 -0,71
5 7,5 7,71 -0,21
6 8 7,71 0,29
7 7,5 7,71 -0,21
8 7,5 7,71 -0,21
9 7 7,71 -0,71
10 7,5 7,71 -0,21
11 8 7,71 0,29
12 8 7,71 0,29
13 7,5 7,71 -0,21
14 8 7,71 0,29
 Error de muestreo de medias muestrales

Muestra Media Media Error de

muestral Poblacional muestreo
15 8,5 7,71 0,79
16 7,5 7,71 -0,21
17 8 7,71 0,29
18 8,5 7,71 0,79
19 7,5 7,71 -0,21
20 8 7,71 0,29
21 8,5 7,71 0,79
 Distribución en el muestreo de la media

Supongamos que en una población una variable aleatoria

se distribuye con media μ y desviación típica σ.

• Al tomar diferentes muestras de igual tamaño en la población y calcular sus medias

y sus desviaciones típicas, obtendremos x–1, x–2, ..., x–n y s1, s2, ... , sn

• Los distintos valores de –xi dan lugar a una variable aleatoria que representamos
– –
por X y se llama media muestral. La distribución de los valores de X se llama
distribución en el muestreo de la media.
–
La variable aleatoria X tiene las siguientes características:
1. Media : 

2. Desviación típica:
n
–
3. A medida que n crece, la distribución de X se aproxima a la normal.

Si σ es desconocida, se aproxima con s ·√n / √(n – 1)  Apuntes

 Distribución en el muestreo de la
media

Se supone que la distribución de la temperatura del

cuerpo humano en la población tiene una media μ =
37º y una desviación típica σ = 0,85º. Se elige una
muestra de 105 personas. Se desea obtener la
probabilidad de la media de la muestra sea menor
que 36,9º.

Al ser n = 105, consideramos que la variable

aleatoria media muestral es normal.
– 
La variable aleatoria X se distribuye como una N( ) = N (37, 0,083)
n

istribuye como una N( ) = N (37, 0,083)
Por tanto: n
– 
– X –37 36,9 –37
p( X  36,9) =p  0,083 0,083  = p( Z – 1,20) = 1– p(Z  1,20) = 1– 0,8849 =
= 0,115
Distribución en el muestreo de la
media

•En el último año, el peso de los recién nacidos

en una maternidad se ha distribuido según una
ley normal de media μ = 3100 g y desviación
típica σ = 150 g.
•¿Cuál será la probabilidad de que la media de
una muestra de 100 recién nacidos sea superior a
3130 g?
 Teorema central del límite: idea intuitiva
• Muchos fenómenos se pueden considerar como suma de efectos parciales
independientes, pudiendo ocurrir que aunque los efectos no se ajusten a
la normal, el fenómeno resultante tienda asintóticamente a la normal.
• Una simulación con ordenador nos puede ayudar a entender esto:

1000 lanzamientos de un dado 1000 medias de dos dados

1000 medias de 4 dados 1000 medias de 10 dados

 Teorema central del límite
Sea X una variable aleatoria de una población de media  y desviación típica ,
entonces se verifica que
1. La variable aleatoria media muestral (con muestras de tamaño n) tiene

media  y desviación típica
n
2. La variable aleatoria media muestral se aproxima a una normal a medida
que crece el tamaño de la muestra n

¿Qué se entiende por "cuando crece n"?

• Si la población de partida es normal, la distribución de las

medias muestrales es normal, cualquiera que sea n.
• Si la distribución de partida no es normal, la distribución de las
medias muestrales es normal si n  30.
Teorema central del límite: visión gráfica

Normal Uniforme Sesgada

Distribución
de la
población de
partida

Distribución
de las medias
muestrales
para n = 5

Distribución
de las medias
muestrales
para n = 10

Distribución
de las medias
muestrales
para n = 30
 Distribución en el muestreo de una proporción
• Supongamos que en una población la proporción de elementos con una determinada
característica es p.
^
• En una muestra cualquiera la proporción de individuos con dicha característica será p.
^
• Los distintos valores de p^ dan lugar a una variable aleatoria que representamos por P, y
^
que recibe el nombre de proporción muestral. La distribución de P se llama distribución
en el muestreo de una proporción.

^
La variable aleatoria P tiene las siguientes características:
1. Media : p
p(1 – p)
2. Desviación típica:  n
^
3. A medida que n crece, la distribución de P se aproxima a la normal,
siempre que p no se acerque ni a 0 ni a 1. En cualquier caso, se considera
normal si n ≥ 30.
 Distribuciones en el muestreo de una proporción
Un nuevo medicamento ha curado al 85 % de los
enfermos a los que se les ha aplicado. Determinar las
distribuciones en el muestreo de la proporción de
enfermos curados para muestras de tamaño 30, 100 y
1000 personas.

En nuestro caso p = 0,85

Tamaño Distribución
Desviación típica:
de la Media: muestral
p(1 – p)
muestra: p  p(1 – p)
n n N(p, )
n

30 0,85 0,85(1 – 0,85) N(0,85; 0,065)

= 0,065
30

100 0,85 0,85(1 – 0,85) N(0,85; 0,036)

100
= 0,036 Conviene observar cómo, a medida que el
tamaño de la muestra crece, la desviación
1000 0,85 0,85(1 – 0,85) N(0,85; 0,011) típica disminuye.
= 0,011
1000
Ejercicios de Distribuciones en el muestreo de una proporción

Se ha determinado que 60% de los estudiantes de una universidad grande fuman cigarrillos.
Se toma una muestra aleatoria de 800 estudiantes. Calcule la probabilidad de que la
proporción de la muestra de la gente que fuma cigarrillos sea menor que 0.55.
Ejercicios de Distribuciones en el muestreo de una proporción

Un medicamento para malestar estomacal tiene la advertencia de que algunos usuarios

pueden presentar una reacción adversa a él, más aún, se piensa que alrededor del 3% de los
usuarios tienen tal reacción. Si una muestra aleatoria de 150 personas con malestar estomacal
usa el medicamento, encuentre la probabilidad de que la proporción de la muestra de los
usuarios que realmente presentan una reacción adversa, exceda el 4%.
Ejercicios de Distribuciones en el muestreo de una proporción

Se sabe que la verdadera proporción de los componentes defectuosos fabricadas por una
firma es de 4%, y encuentre la probabilidad de que una muestra aleatoria de tamaño 60 tenga:
•Menos del 3% de los componentes defectuosos.
•Más del 1% pero menos del 5% de partes defectuosas.
 ACTIVIDAD DE CIERRE

Conclusiones y preguntas sobre la clase

• Utilizar el botón “levantar la mano” de Zoom, para

acceder al uso del micrófono de forma ordenada.
ó
• Realizar la pregunta por vía chat de Zoom
 BIBLIOGRAFÍA
» DEVORE JAY. (1998). PROBABILIDAD Y ESTADÍSTICA PARA
INGENIERÍA Y CIENCIAS. : THOMSON
» WALPOLE RONALD. (2007). PROBABILIDAD Y ESTADÍSTICA
PARA INGENIERÍA Y CIENCIAS. : PEARSON
» DE OTEYZA, ELENA; LAM, EMMA;HERNÁNDEZ, CARLOS;
CARRILLO, ANGEL. (2015). PROBABILIDAD Y ESTADISTICA.
MEXICO: PEARSON
» SPIEGEL, MURRAY R.. (2002). ESTADISTICA. MEXICO:
MCGRAW-HILL,
 ESTADÍSTICA
APLICADA

ESTIMACIÓN E INTERVALOS DE CONFIANZA

TEMA 1:
ESTIMACIONES

MSc. Juan Paredes Quevedo

 SUBTEMAS

» Sub tema 1 : Estimaciones puntuales.

» Sub tema 2 : Estimaciones de intervalos.
 OBJETIVO

Construir un intervalo de confianza para la media

poblacional cuando se conoce o no la desviación estándar
poblacional
 ACTIVIDAD DE INICIO

Visualice el siguiente video:

https://www.youtube.com/watch?v=kzLA0ar8a5k
Estimaciones puntuales e intervalos
de confianza
• Estimación puntual: Estadístico calculado a partir de la
información obtenida de la muestra y que se usa para
estimar el parámetro poblacional.
• Intervalo de confianza: Un conjunto de valores obtenido a
partir de los datos muestrales, en el que hay una
determinada probabilidad de que se encuentre el
parámetro. A esta probabilidad se le conoce como el nivel
de confianza.

5
Estimación puntual y estimación
por intervalos
• Los hechos que determinan la amplitud de un intervalo de
confianza son:
1. El tamaño de la muestra, n
2. La variabilidad de la población. normalmente estimada por s.
3. El nivel de confianza deseado.

6
Estimación puntual y estimación por intervalos
• Si la desviación estándar de la población es conocida o la
muestra es mayor que 30 utilizamos la distribución z.

s
X z
n

7
Punto e intervalo de estimación
• Si la desviación estándar de la población es desconocida y la
muestra es menor que 30 utilizamos la distribución t

s
X t
n

8
 ACTIVIDAD DE CIERRE

Conclusiones y preguntas sobre la clase

• Utilizar el botón “levantar la mano” de Zoom, para

acceder al uso del micrófono de forma ordenada.
ó
• Realizar la pregunta por vía chat de Zoom
 BIBLIOGRAFÍA
» DEVORE JAY. (1998). PROBABILIDAD Y ESTADÍSTICA PARA
INGENIERÍA Y CIENCIAS. : THOMSON
» WALPOLE RONALD. (2007). PROBABILIDAD Y ESTADÍSTICA
PARA INGENIERÍA Y CIENCIAS. : PEARSON
» DE OTEYZA, ELENA; LAM, EMMA;HERNÁNDEZ, CARLOS;
CARRILLO, ANGEL. (2015). PROBABILIDAD Y ESTADISTICA.
MEXICO: PEARSON
» SPIEGEL, MURRAY R.. (2002). ESTADISTICA. MEXICO:
MCGRAW-HILL
 ESTADÍSTICA
APLICADA

ESTIMACIÓN E INTERVALOS DE CONFIANZA

TEMA 2:
INTERVALOS DE CONFIANZA

MSc. Juan Paredes Quevedo

 SUBTEMAS

» Sub tema 1 : Intervalos de confianza para la media

poblacional.
» Sub tema 2 : Intervalos de confianza para la proporción.
» Sub tema 3 : Intervalos de confianza para la diferencia
de la media
 OBJETIVO

Construir un intervalo de confianza para la media

poblacional cuando se conoce o no la desviación estándar
poblacional
 ACTIVIDAD DE INICIO

Visualice el siguiente video:

https://www.youtube.com/watch?v=kzLA0ar8a5k
Intervalo de estimación
• Un intervalo de estimación establece el rango
en el cual se encuentra el parámetro de
población.
• Un intervalo en el cual se espera que ocurra
el parámetro de población se llama intervalo
de confianza.
• Los dos intervalos de confianza que son más
utilizados son de 95% y 99%.
Intervalo de estimación
• Para un 95% de intervalo de confianza, aproximadamente 95%
de los intervalos construidos igualmente contendrán el
parámetro inicial. También el 95% de la muestra media para un
tamaño de muestra específico se encontrará dentro del 1.96 de
la desviación estándar de la media de la población.

• Para el 99% de intervalo de confianza, 99% de la muestra media

para un tamaño de muestra específico se encontrará dentro del
2.58 de la desviación estándar de la media de la población.

6
7
Error estándar de la media muestral
 El error estándar de la media muestral es la desviación estándar de la
distribución de las medias muestrales.
 Se calcula como:

 x 
n
•  x es el símbolo para el error estándar de la media
muestral.
•  es la desviación estándar de la población.
• n es la magnitud de la muestra.

8
Error estándar de la media muestral
• Si σ no es conocido y n >= 30, la desviación
estándar de la muestra, designada s, se
aproxima a la desviación estándar de la
población.
• La fórmula para la desviación estándar es:
s
sx 
n

9
95% y 99% intervalos de confianza para µ
• El 95% y 99% intervalos de confianza:
– 95% CI para la media de la población es dada:
s
X  1.96
n
99% CI para la media de la población es dada
como:
s
X  2 .58
n

10
Construyendo intervalos generales de
confianza para µ
• En general, un intervalo de confianza para la
media se calcula como:
s
X z
n

11
Ejemplo 3
• El director de una escuela de negocios quiere estimar la
cantidad media de horas que los estudiantes trabajan
por semana. De una muestra de 49 estudiantes mostró
una media de 24 horas con una desviación estándar de 4
horas. ¿Cuál es la media de la población?

• El valor de la media de la población no es conocida.

Nuestra mejor estimación de este valor es la muestra
media de 24.0 horas. Este valor es llamado estimación
puntual.
Ejemplo 3 (Continuación)

• Encuentre el intervalo de confianza con el

95% para la media de la población.
• El rango límite de confianza es de 22.88 a
25.12. s 4
X  1.96  24.00  1.96
n 49
 24.00  1.12

 Aproximadamente el 95% de los intervalos

construidos incluyen el parámetro de población.

13
Intervalo de confianza para la proporción de la
población
• El intervalo de confianza para la proporción
de la población se estima como:

p (1  p )
pz
n

14
Ejemplo 4
• De una muestra de 500 ejecutivos que tienen casa propia 175
revelaron planear vender sus casas y cambiarse a Arizona.
Desarrolle un intervalo de confianza con el 98% para la
proporción de ejecutivos que planean vender sus casas y
cambiarse a Arizona.

(.35)(.65)
.35  2.33  .35  .0497
500

15
Factor de corrección de la población-finita
• La población que ha sido establecida en líneas anteriores se dice que es
finita.
• Para una población finita, donde el número total de objetos es N y la
magnitud de la muestra es n, el siguiente arreglo está hecho para los errores
estándar de la media muestral y la proporción:
• Error estándar de la media muestral:

 N  n
x 
n N 1

16
Factor de corrección de la población-finita
 Error estándar de las proporciones de la muestra:
p(1  p) N  n
p 
n N 1
• Este arreglo es llamado factor de corrección de
la población-finita.
• Si n/N < .05,el factor de corrección de la
población-finita se ignora.

17
Ejemplo 5
• Dada la información del Ejemplo 4, construya un intervalo de
confianza del 95% para la cantidad media de horas que los
estudiantes trabajan por semana si tan sólo son 500
estudiantes en el campus.
• Porque n/N = 49/500 = .098 el cual es mayor que 05, utilizamos
el factor de corrección de la población-finita
4 500  49
24  1.96( )( )  24.00  1.0648
49 500  1
18
Elección del tamaño de muestra
apropiado
• Existen 3 factores que determinan
el tamaño de la muestra, ninguno
de los cuales tiene relación con el
tamaño de la población. Éstos son:

– El nivel de confianza deseado.

– El máximo error permisible.
– La variación en la población.

19
Variación en la población
 Para encontrar el tamaño de la muestra para
una variable:
2
 zs
n 
 E 
• Donde: E es el error permisible, z es el valor-z
correspondiente al nivel de confianza
seleccionado, y s es la desviación de la
muestra del estudio piloto.

20
Ejemplo 6
• Un grupo de consumidores quiere estimar la
media del cargo mensual de energía de julio de
una casa común dentro de $5 utilizando 99% de
nivel de confianza. Basado en estudios similares,
la desviación estándar se estima debe ser $20.00.
¿Cuántas muestras son requeridas?
2
 ( 2.58)( 20) 
n   107
 5 
21
 Tamaño de la muestra
para proporciones
• La fórmula para determinar el tamaño de la
muestra en el caso de una proporción es:
2
 Z
n  p(1  p) 
 E
Donde: p es la proporción estimada, basada en
la experiencia anterior o de un estudio piloto, z
es valor-z asociado con el grado de confianza
seleccionado; E es el máximo error permisible
que el investigador tolerará.
22
Ejemplo 7
• Un club quiere estimar la proporción de niños
que tiene un perro como mascota. Si el club
quisiera estimarlo dentro del 3% de la
proporción de la población, ¿cuántos niños
necesitarían contactar? Asuma 95% de nivel
de confianza y que el club estima que un 30%
de los niños tienen un perro como mascota.
2
 1.96 
n  (.30)(.70)   897
 .03 
23
6.- Según los dirigentes del partido A, la intención de voto del partido
rival B, en Andalucía, es la misma que la que tiene en Madrid. Se
realiza una encuesta a 100 personas en Andalucía de los que 25
mostraron su apoyo al partido B, y a otras 100 personas en Madrid
de las que 30 se inclinaron por el partido B.

a) Construir un intervalo de confianza del 90% para la proporción de

personas que votarían al partido B en Andalucía

b) ¿A cuántas personas habría que encuestar para obtener un

margen de error o error de estimación ± 2%, al nivel de confianza
anterior?.
24
25
26
1.- El peso (en gramos) de las cajas de cereales de una
determinada marca sigue una distribución N(μ, 5). Se han
tomado los pesos de 16 cajas seleccionadas aleatoriamente, y
los resultados obtenidos han sido:
506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496,
506, 502, 509, 496.
a) Obtener los intervalos de confianza del 90%, 95% y 99%
para la media poblacional.
b) Determinar cuál sería el tamaño muestral necesario para
conseguir, con un 95% de confianza, un intervalo de longitud
igual a 2 gramos.

27
28
 ACTIVIDAD DE CIERRE

Conclusiones y preguntas sobre la clase

• Utilizar el botón “levantar la mano” de Zoom, para

acceder al uso del micrófono de forma ordenada.
ó
• Realizar la pregunta por vía chat de Zoom
 BIBLIOGRAFÍA
» DEVORE JAY. (1998). PROBABILIDAD Y ESTADÍSTICA PARA
INGENIERÍA Y CIENCIAS. : THOMSON
» WALPOLE RONALD. (2007). PROBABILIDAD Y ESTADÍSTICA
PARA INGENIERÍA Y CIENCIAS. : PEARSON
» DE OTEYZA, ELENA; LAM, EMMA;HERNÁNDEZ, CARLOS;
CARRILLO, ANGEL. (2015). PROBABILIDAD Y ESTADISTICA.
MEXICO: PEARSON
» SPIEGEL, MURRAY R.. (2002). ESTADISTICA. MEXICO:
MCGRAW-HILL
 ESTADÍSTICA
APLICADA

PRUEBAS DE HIPÓTESIS

TEMA 1:
NOCIONES GENERALES

MSc. Juan Paredes Quevedo

 SUBTEMAS

» Sub tema 1 : Decisiones estadísticas.

» Sub tema 2 : Hipótesis estadísticas.
» Sub tema 3: Prueba de hipótesis y significación
» Sub tema 4: Errores de tipo 1 y tipo 2
 OBJETIVO

Comprender aspectos teóricos previo a la realización de

prueba de hipótesis.
 ACTIVIDAD DE INICIO

Visualice el siguiente video:

https://www.youtube.com/watch?v=5ZvKgnRVSjI
 ¿Qué es una hipótesis?
• Una hipótesis es una declaración sobre el valor de un
parámetro de la población desarrollado con el fin de poner a
prueba.
• Ejemplos de hipótesis que se hicieron sobre un parámetro de
la población:
– El ingreso mensual para los analistas de sistemas es $3.625
– Veinte por ciento de todos los clientes de La Majada regresan para
otra comida dentro de un mes.

5
 ¿Qué es una prueba de hipótesis?

• La prueba de hipótesis es un
procedimiento basado en la evidencia
de la muestra y la teoría de las
probabilidades, usadas para determinar
si la hipótesis es una declaración
razonable y no debe ser rechazada, o es
irrazonable y debe ser rechazada.

6
 Prueba de hipótesis
Paso 1: Se plantean las
hipótesis nula y alternativa

Paso 2: Se selecciona el nivel

de significancia

Paso 3: Se identifica el
estadístico de prueba

Paso 4: Se formula la regla de

decisión

Paso 5: Se toma una muestra

y se decide: se acepta H0 o se
rechaza H0

7
 Definiciones
• Hipótesis nula H0: Una declaración
sobre el valor de un parámetro de la
población.
• Hipótesis alternativa H1: Una
declaración que se acepta si los datos de
la muestra proporcionan evidencia de
que la hipótesis nula es falsa.
• Nivel de significancia: La probabilidad
de rechazar la hipótesis nula cuando es
verdadera.
• Error tipo I: Rechazar la hipótesis nula
cuando es verdadera.
8
 Definiciones

• Error tipo II: Aceptar la hipótesis nula

cuando es falsa.
• Estadístico de prueba: Un valor
determinado a partir de la información
muestral, usado para determinar si se
rechaza la hipótesis nula.
• Valor crítico: Punto de división entre la
región en la que se rechaza la hipótesis
nula y la región en la que no rechaza la
hipótesis nula.

9
10
 Pruebas de significancia de una cola

• Una prueba es de una cola cuando la hipótesis

alternativa, H1 indica una dirección, como por
ejemplo:
– H1: Las comisiones anuales ganadas por corredores
de bienes raíces a tiempo completo son más de
$35.000. (µ>$35.000)
– H1: La velocidad de los autos que viajan en la I-95 en
Georgia es menos de (µ<60) millas por hora.
– H1: Menos del 20% de los clientes pagan en efectivo
su consumo de gasolina. (µ<.20)

11
Distribución muestral para el estadístico z para la prueba
de una cola, con el .05 de nivel de significancia

.95 de probabilidad
.05 región de rechazo

Valor crítico
Z = 1.645

0 1 2 3

12
13
Pruebas de significancia de dos colas

• Una prueba es con dos colas cuando no

se especifica ninguna dirección en la
hipótesis alterna H1, por ejemplo:
– H1: La cantidad pagada por los clientes en el
centro comercial en Georgetown no es igual
a $25. (µ  $25).

– H1: El precio para un galón de gasolina no es

igual a $1.54. (µ  $1.54).


14
 Distribución muestral para el estadístico z para la
prueba de dos colas, con el .05 de nivel de significancia

.95 de probabilidad
.025 región de rechazo

Valor crítico
Z = 1.96,-1.96

-2 -1 0 1 2
16
Prueba para la media de la población: muestra grande,
desviación estándar de la población conocida

• Cuando la prueba de la media poblacional

proviene de una muestra grande y la
desviación estándar poblacional es conocida,
el estadístico de la prueba se obtiene con la
siguiente fórmula:
X 
z
/ n

17
Ejemplo1
Los procesadores de la salsa de tomate de los fritos indican en la
etiqueta que la botella contiene 16 onzas de la salsa de tomate. La
desviación estándar del proceso es 0.5 onza. Una muestra de 36
botellas de la producción de la hora anterior reveló un peso promedio
de 16.12 onzas por botella. ¿En un nivel de significancia del .05 el
proceso está fuera de control? ¿Es decir, podemos concluir que la
cantidad por botella es diferente a 16 onzas?

18
19
20
 Ejemplo 1 (Continuación)
• Paso 1: Indique las hipótesis nulas y
alternativas:

H0: µ = 16; H1: µ ≠ 16

• Paso 2: Seleccione el nivel de significancia.

En este caso seleccionamos el nivel de
significancia del 0.05.
• Paso 3: Identifique la estadística de la
prueba. Porque conocemos la desviación
estándar de la población, la estadística de
la prueba es z.

21
Ejemplo 1 (Continuación)

• Paso 4: Indique la regla de decisión:

Rechazo H0 si z > 1.96 o z < -1.96
• Paso 5: Compruebe el valor del estadístico de la
prueba y llegue a una decisión.

X  16.12  16.00
z   1.44
 n 0.5 36
No rechazamos la hipótesis nula. No podemos concluir
que la media sea diferente a 16 onzas.

22
Valor-p en la prueba de la hipótesis

• Valor-p es la probabilidad de observar

un valor muestral tan extremo, que el
valor observado, dado que la hipótesis
nula es verdadera.
• Si el valor-p es más pequeño que el nivel
de significancia, se rechaza H0.
• Si el valor-p es más grande que el nivel
de significancia, H0 no se rechaza.

23
 Cálculo del Valor-p

• Prueba de una cola: valor-p = P{z >=

valor absoluto del estadístico de prueba}
• Prueba de dos colas: valor-p = 2P{z >=
valor absoluto del estadístico de prueba}
• Del Ejemplo 1, z = 1.44, y porque era
una prueba de dos colas, el valor-p =
2P{z >= 1.44} = 2(.5-.4251) = .1498.
Porque .05>= .1498, no se rechaza H0.

24
Prueba para la media de la población: muestra grande,
desviación estándar poblacional desconocida

• Aquí σ es desconocida, así que la estimamos

con la desviación estándar de la muestra s.
• Mientras el tamaño de muestra n > 30, z se
puede aproximar con:

X 
z
s/ n

25
Ejemplo 2
La cadena de almacenes de descuento de Roder emite su propia tarjeta de
crédito. Lisa, la gerente de crédito, desea descubrir si el promedio sin pagar
mensual es más de $400. El nivel de significancia se fija en .05. Una verificación
al azar de 172 balances sin pagar reveló que la media de la muestra fue $407 y
la desviación estándar de la muestra fue $38. ¿Debe Lisa concluir que el medio
de la población es mayor de $400, o es razonable asumir que la diferencia de
$7 ($407-$400) es debido al azar?

26
Ejemplo 2 (Continuación)

• Paso 1: H0: µ <= $400, H1: µ > $400

• Paso 2: El nivel de significancia es .05
• Paso 3: Porque la muestra es grande podemos utilizar
la distribución de z como el estadístico de la prueba.
• Paso 4: H0 es rechazada si z>1.645
• Paso 5: Realice los cálculos y tome una decisión.
X  $407  $400
z   2.42
s n $38 172
• H0 es rechazada. Lisa puede concluir que la media sin
pagar es mayor de $400.

27
Prueba para la media de la población: muestra pequeña,
desviación estándar poblacional desconocida
• El estadístico de la prueba es la distribución t.
• El estadístico de la prueba para el caso de una
muestra es:

X 
t 
s/ n

28
Ejemplo 3
La tasa de producción de los fusibles de 5 amperios en Neary Co. eléctrico es
250 por hora. Se ha comprado e instalado una máquina nueva que, según el
proveedor, aumentará la tarifa de la producción. Una muestra de 10 horas
seleccionadas al azar a partir del mes pasado reveló que la producción cada
hora en la máquina nueva era 256 unidades, con una desviación estándar de
6 por hora. ¿En el nivel de significancia del .05. Neary puede concluir que la
máquina nueva es más rápida?

29
Ejemplo 3 (Continuación)

• Paso 1: Establezca la hipótesis nula y la

hipótesis alternativa.
H0: µ <= 250; H1: µ > 250
• Paso 2: Seleccione el nivel de
significancia.
Es .05.
• Paso 3: Encuentre un estadístico de
prueba.
Es la distribución t porque la desviación
estándar de la población no se conoce y
el tamaño de muestra es menos de 30.

30
Ejemplo 3 (Continuación)

• Paso 4: Indique la regla de la decisión.

Hay 10 - 1 = 9 grados de libertad. Se rechaza la
hipótesis nula si t > 1.833.
• Paso 5: Tome una decisión e interprete los
resultados.
X  256  250
t   3.162
s n 6 10

Se rechaza la hipótesis nula. El número producido

es más de 250 por hora.

31
32
Pruebas respecto a proporciones
• Una proporción es la fracción o el
porcentaje que indican la parte de la
población o de la muestra que tiene un
rasgo particular de interés.
• La proporción de la muestra es denotada
por p y calculada con:
p = número de éxitos en la muestra /
tamaño de la muestra

33
Prueba estadística para la proporción de la población

p 
z 
 (1   )
n

La proporción de la muestra es p y  es la
proporción de la población.

34
Ejemplo 4

• En el pasado, el 15% de las solicitudes de pedidos por correo para cierta

obra de caridad dio lugar a una contribución financiera. Un nuevo formato
de solicitud se ha diseñado y se envía a una muestra de 200 personas y 45
respondieron con una contribución. ¿En el nivel de significación del .05 se
puede concluir que la nueva solicitud es más eficaz?

35
Ejemplo 4 (Continuación)

• Paso 1: Establezca la hipótesis nula y la

hipótesis alternativa
H0:  <= .15 H1:  > .15
• Paso 2: Seleccione el nivel de significancia.
Es .05.

• Paso 3: Encuentre un estadístico de prueba.

La distribución de z es el estadístico de
prueba.

36
 Ejemplo 4 (Continuación)

• Paso 4: Indique la regla de decisión.

Se rechaza la hipótesis nula si z es mayor que 1.65.
• Paso 5: Tome una decisión e interprete los
resultados.
45
 .15
p  200
z   2.97
 (1   ) .15(1  .15)
n 200

Se rechaza la hipótesis nula. Más de 15% de

solicitudes responde con un compromiso. El nuevo
formato es más eficaz.

37
38
 ACTIVIDAD DE CIERRE

Conclusiones y preguntas sobre la clase

• Utilizar el botón “levantar la mano” de Zoom, para

acceder al uso del micrófono de forma ordenada.
ó
• Realizar la pregunta por vía chat de Zoom
 BIBLIOGRAFÍA
» DEVORE JAY. (1998). PROBABILIDAD Y ESTADÍSTICA PARA
INGENIERÍA Y CIENCIAS. : THOMSON
» WALPOLE RONALD. (2007). PROBABILIDAD Y ESTADÍSTICA
PARA INGENIERÍA Y CIENCIAS. : PEARSON
» DE OTEYZA, ELENA; LAM, EMMA;HERNÁNDEZ, CARLOS;
CARRILLO, ANGEL. (2015). PROBABILIDAD Y ESTADISTICA.
MEXICO: PEARSON
» SPIEGEL, MURRAY R.. (2002). ESTADISTICA. MEXICO:
MCGRAW-HILL
 TEST1
Seocupadepr
edeci
r,sacarconcl
usi
onespar
aunapobl
aci
ónt
omandocomobaseunamuest
ra,
esdeci
runa
par
tedeunapobl
aci
ón
Est
adí
sti
caI
nfer
enci
al
Seconsi
der
aunacant
idadnumér
icacal
cul
adasobr
elapobl
aci
ón
Par
ámet
ro
Sideseasel
ecci
onarel
ement
osdeunamuest
raal
eat
ori
a¿Cuáldel
assi
gui
ent
est
écni
casut
il
izar
ía?
Tabl
adenúmer
osal
eat
ori
os
Unamuest
raesal
eat
ori
acuandol
asuni
dadessesel
ecci
onansegúnunadel
assi
gui
ent
esopci
ones:
t
odasl
asuni
dadest
enganl
ami
smapr
obabi
l
idaddesel
ecci
ón
¿
Cuáldel
assi
gui
ent
esaf
ir
maci
onescor
respondeal
adi
str
ibuci
ónnor
mal
?
esasi
ntót
ica
Cuandohabl
amosdenúmer
odecumpl
eañosquehat
eni
dounaper
sonaest
amosant
e:
Unav
ari
abl
ecuant
it
ati
vadi
scr
eta
Enestemét ododemuestr
eol oselementosdelapobl
aci
ónsedivi
denenformanatur
alensubgrupos
(secci
ones)queseel
igenaleator
iamente.Losel
ementosqueconst
it
uyencadasubgr
uposelecci
onadose
uti
li
zanparaformarl
amuest ra.
Muest
reoporcongl
omer
ado
Elmét
ododemuestreoquerequi
erediv
idi
rlapobl
aciónengr
uposhomogéneospar
asel
ecci
onarl
os
el
ementosqueconf
ormaránl
amuest r
aselellama:
 
Muest
reoest
rat
if
icado
¿
Cuáldel
assi
gui
ent
esaf
ir
maci
onescor
respondeal
adi
str
ibuci
ónnor
mal
?
El
int
erv
alo(
µ±σ)abar
cael
68,
26%del
áreat
otal
Del
assi
gui
ent
esv
ari
abl
esi
ndi
quecuál
essondi
scr
etas(
D)ycual
escont
inuas(
C).
●Númer
odeacci
onesv
endi
dascadadí
aenl
aBol
sa_
___
_
●Temper
atur
asr
egi
str
adascadahor
aenunobser
vat
ori
o__
___
●Númer
odehi
josde50f
ami
li
as_
___
_
●El
tiempodeesper
adeunpaci
ent
eant
esdeserat
endi
do_
___
_
DCDC
Lospar
ámet
rosmedi
aydesv
iaci
ónt
ípi
car
espect
ivament
edel
adi
str
ibuci
ónnor
mal
tipi
fi
cada(
z)son:
0;
1
Sesuponequelaest
atur
adelosjóvenesde18añosdeci
ert
apobl
aci
ónsigueunadi
str
ibuci
ónnormalde
media162cm ydesvi
aci
ónt
ípica12cm.Enunamuestrat
omadaalazarde100deesosjóvenes.¿
Cuálesl
a
pr
obabil
idaddequel
amediaestéentre159y165cm?
98,
76%
Sabi
endoquelosdocent
esdeuncentroeducati
vori
ndenunaeval
uaci
ónyquelaspuntuaci
onesdelas
mismasti
endenaunadistr
ibuci
ónnor
mal,conunamediade75puntosyunadesvi
aciónestándarde10
punt
os.Cal
culel
aprobabi
li
daddeque,alsel
ecci
onarundocent
edemaneraal
eatori
a,estet
engauna
cal
if
icaci
ónent
re70y90punt
os.
NOTA:Col
ocarsol
ocant
idadescondosdeci
mal
esyel
signodeci
mal
esl
acoma"
,"
EJEMPLO:35,
57
62,
47
Unest udioreal
izadoporunacompañí
adesegurosdeaut
omóv i
lesest
ablecequeel20%personas
accidentadasesmuj er
.Sisecont
abi
li
zan,
portérmi
nomedio169accidentescadaf
indesemana:¿Cuál
esl
a
probabil
idaddeque, enunfi
ndesemana,lapr
oporci
óndemujeresacci
dentadasnosuper
eel 24%?
NOTA:Col
ocarsol
ocant
idadescondosdeci
mal
esyel
signodeci
mal
esl
acoma"
,"
.EJEMPLO:35,
57
90,
32
Sehadeter
minadoque75%delosjóv
enesdeunveci
ndari
ojuegacart
as.Setomaunamuestr
aaleat
ori
ade
250j
óvenes.Cal
cul
arl
aprobabi
l
idaddequealmenosel70%delosjóvenesdelamuest
raj
uegacart
as.
NOTA:Col
ocarsol
ocant
idadescondosdeci
mal
esyel
signodeci
mal
esl
acoma"
,"
.EJEMPLO:35,
57
96,
61
TEST2
Compl
ete:

 _
___
___
___
__esunconj
unt
odev
alor
esobt
eni
doapar
ti
rdel
osdat
os_
___
___
___
_,enelquehayuna
det
erminadapr
obabi
li
daddequeseencuent
reelpar
ámet
ro.Aest
apr
obabi
li
dadsel
econocecomo
el_
____
_ _
_.

[
int
erv
alodeconf
ianz
a],
[muest
ral
es]
,[
niv
eldeconf
ianza]
Compl
ete:

 _
___
___
__esunest
adí
sti
cocal
cul
adoapar
ti
rdel
ainf
ormaci
ónobt
eni
dadel
a__
___
__yqueseusa
par
aest
imarelpar
ámet
ro_
___
___
___
_.

[
Est
imaci
ónpunt
ual
],
[muest
ra]
,[
pobl
aci
onal
].
Sel
ecci
onel
aopci
óncor
rect
a.Cuál
essonl
osf
act
oresquedef
inenl
aampl
it
uddeuni
nter
val
odeconf
ianza:
Tamañodel
amuest
ra,
desv
iaci
ónest
ándar(
gener
alment
eseusal
amuest
ral
)yel
niv
eldeconf
ianza.
Deunapoblacióncondist
ribuciónnormalsetomóunamuestr
aal
eator
iade4obser
vaci
ones
cor
respondient
ealti
empodeesper aenmi nut
osquel
oscl
ient
est
ardanenserat
endi
dosenunbanco,
obt
eniéndoselossi
guient
esr esul
tados:
3.
4;2.
2;1.
7;2.
6
Encuent
reuni
nter
val
odeconf
ianzapar
alamedi
apobl
aci
onalconunni
vel
deconf
ianzadel90%.
[
1,89–3,
07]
Sehaobtenidounamuestrade30docentesdeunapr estigi
osauniversi
daddeE.E.U.
U.paraestimarl
a
cal
if
icaci
ónmediadelosdocentesdel
auni ver
sidadenl aeval
uaciónquereal
izar
onlosalumnos.Sesabe
porl
asotrasuniv
ersi
dadesqueladesv
iacióntí
picadel aspuntuaci
onesendichauniver
sidadesde3,00
punt
os.Lamediadelamuest r
afuede5,7.Hall
arel i
nterval
odeconf i
anzaaunniveldeconfianzadel
93%.
(
4.71;
 
6.69)
Suponi
endoquesehaobt
eni
dounamuest
raalazarde250obr
erosdeunaf
ábr
icapar
aest
imarl
a
proporci
óndeobrer
osenlafábri
caquesoninefi
cient
esensusact i
vi
dades.Deent
rel
osselecci
onados,125
hansidoseñal
adoscomoinefi
cient
es.Deter
minaruninter
val
odeconf i
anzapar
alapr
oporcióndeobrer
os
enlafábri
caquesondenominadosinef
ici
entesaunniveldeconf
ianzadel85%.
(
0.45;
 
0.54)
Elpesode6ar t
ícul
osdeunamuest raaleat
ori
atomadadel apr
oducci
óndeunafábri
caf
ue:0.51;0.
59;0.52;
0.
47;0.53;0.
49kg.Encuentr
euninterv
alodeconfianzade98%paralamedi
adelpesodetodoslosart
ículos
pr
oducidos.Supongaquelospesossiguenunadistri
buci
ónnormal
.
[
0,5–0,
56]
Encuáldelossi
gui
ent
escasossepuedeut
il
izarl
asi
gui
ent
efór
mul
apar
acal
cul
arel
int
erv
alodeconf
ianza
par
alaproporci
óndel
apoblaci
ón:

n/
N=0,
06
Sel
ecci
onel
afór
mul
aquenosper
mit
ecal
cul
aruni
nter
val
odeconf
ianzapar
apr
opor
cióndel
apobl
aci
ón:
Respuest
a:

Sel
eccionelafór
mul aquenosper
mit
ecal
cul
aruni
nter
val
odeconf
ianza(
par
alamedi
apobl
aci
onal
)conl
as
si
guientescondi
ciones:
●Seconoceladesvi
aci
ónestándardel
apobl
aci
ón
●Eltamañodelamuestraesmayora30.
●Disponemosdelv
alordelamediamuest
ral
.
Respuest
a:

Sel
eccionelafór
mul aquenosper
mit
ecal
cul
aruni
nter
val
odeconf
ianza(
par
alamedi
apobl
aci
onal
)conl
as
si
guientescondi
ciones:
●Noseconoceladesviaci
ónest
ándardel
apobl
aci
ón
●Eltamañodelamuestraesmayora30.
●Disponemosdelv
alordelamediamuest
ral
.
Respuest
a:

Sel
ecci
onela f
órmulaquenosper
mit
ecal
cul
aruni
nter
val
odeconf
ianza(
par
ala
mediapobl
aci
onal
)conl
assi
gui
ent
escondi
ciones:
●Noseconoceladesviaci
ónest
ándardel
apobl
aci
ón
●Eltamañodelamuestraesmenora30.
●Disponemosdelv
alordelamediamuest
ral
.
Respuest
a: