Guia 01202201FA02FA-21A12

GUÍA DE APRENDIZAJE
SEMANA N° 12
CURSO: ESTADÍSTICA Y PROBABILIDADES

DOCENTE: MS.C. MARCELA YVONE SALDAÑA MIRANDA
Jaén – Perú, Noviembre 2022

Escuela Profesional de Ingeniería de Industrias Alimentarias
Carrera Profesional de Ingeniería de Industrias Alimentarias
ÍNDICE
Pág.
1. INTRODUCCIÓN ..................................................................................................................................... 3
2. Objetivos educacionales y resultads del estudiante ................................................................................... 3
3. DESARROLLO ......................................................................................................................................... 4
3.1. ESTIMACIÓN DE PARAMETROS ................................................................................................ 4
3.1.1. Definición .............................................................................................................................. 4
3.2. DISTRIBUCIONES MUESTRALES ............................................................................................... 4
3.2.1. Definición .............................................................................................................................. 4
3.2.2. Distribuciones muestrales para la media ............................................................................... 5
3.2.3. Distribuciones muestrales para la proporción ..................................................................... 10
3.2.4. Intervalo de confianza ......................................................................................................... 12
3.2.5. Definición ............................................................................................................................ 12
3.2.6. Intervalo de confianza para la media ................................................................................... 12
3.2.7. Intervalo de confianza para la proporción ........................................................................... 14
4. ACTIVIDADES Y EVALUACIÓN ....................................................................................................... 15
4.1. Actividad 1 ...................................................................................................................................... 15
4.2. Evaluación de la Actividad 1 ........................................................................................................... 16
5. REFERENCIAS BIBLIOGRÁICAS ...................................................................................................... 17
SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 2

1. INTRODUCCIÓN
La teoría del muestreo aporta diversos métodos formales para seleccionar muestras a partir de una
determinada población. La información obtenida de dichas muestras puede resumirse utilizando técnicas de
estadística descriptiva. Sin embargo, cuando se trabaja con una muestra, rara vez nos interesa la muestra como
tal, sino que ésta interesa por su capacidad para aportar información con respecto a otros sujetos o a otras
situaciones. En los estudios descriptivos, el interés radica en seleccionar una muestra representativa de la
población de referencia, o dicho más concretamente, la muestra ha de presentar el mismo grado de diversidad
que la población respecto al parámetro o característica objeto de estudio. Las técnicas de muestreo
probabilístico descritas en el tema anterior facilitan muestras que serán muy probablemente representativas de
la población si el tamaño muestral es suficientemente grande. De esta forma, los resultados de la muestra
podrán inferirse a toda población con un grado razonable de certidumbre.
El objetivo de la estimación de parámetros es proveer de métodos que permitan determinar con cierta
precisión, el valor de los parámetros de un modelo a partir de una muestra extraída de la población.
2. OBJETIVOS EDUCACIONALES Y RESULTADS DEL ESTUDIANTE
los Objetivos Educacionales del Programa de Ingeniería de Industrias Alimentarias de la Universidad

Nacional de Jaén.
- El graduado del Programa de Ingeniería de Industrias Alimentarias se desempeña profesionalmente

de forma competente para planificar, organizar, desarrollar e implementar procesos industriales de
alimentos, mediante el uso de operaciones unitarias que incorporan herramientas de ingeniería y
tecnologías de transformación física, química y microbiológica, con responsabilidad ambiental.

de forma competente para formular y evaluar proyectos en la industria alimentaria promoviendo el
desarrollo regional y nacional, con capacidades de servicios en investigación, desarrollo e innovación

de forma competente para gestionar empresas de la industria alimentaria, con atención a la eficiencia,
sistemas de gestión de calidad e inocuidad que requiere cada proceso según normativas vigentes

de forma competente promoviendo la autonomía para aprender, creatividad, pensamiento crítico y

trabajo colaborativo, con conocimiento de la realidad del entorno socioeconómico y cultural con
atención al desarrollo sostenible y a la ética profesional.
- La guía contribuye con el logro de los siguientes resultados:

a) Comunicación,
b) Ética,
c) Aprendizaje permanente,
d) Uso de herramientas modernas,
e) Medio ambiente y sostenibilidad.
f) Gestión de proyectos.
3. DESARROLLO
3.1. ESTIMACIÓN DE PARAMETROS
3.1.1. Definición
La estimación de parámetros es el procedimiento utilizado para conocer las

características de un parámetro poblacional, a partir del conocimiento de la muestra. También
podemos decir que es el proceso mediante el cual se utiliza la información de una muestra para
extraer conclusiones de la población.
Proceso por el que se trata de averiguar un parámetro de la población representado, en
general, por q a partir del valor de un estadístico llamado estimador y representado por
3.2. DISTRIBUCIONES MUESTRALES
3.2.1. Definición
Se denomina distribución muestral de una estadística a su distribución de probabilidad.
Una estimación puntual de un parámetro poblacional es cuando se utiliza un único valor

para estimar ese parámetro, es decir, se usa un punto en concreto de la muestra para estimar el
valor deseado. Cuando estimamos un parámetro de forma puntual, podemos saber con certeza,
cuál es ese valor.

3.2.2. Distribuciones muestrales para la media
3.2.2.1. Cuando se conoce la varianza poblacional
Sea 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 una muestra aleatoria de tamaño n escogida de una población 𝑓(𝑥)

con media 𝜇 y con una vaianza 𝜎 2 . Si 𝑋̅ es la media muestral entonces,
a. 𝐸(𝑋̅) = 𝜇
2
b. 𝑉𝑎𝑟(𝑋̅) = 𝜎 ⁄𝑛
c. Para n suficientemente grande la variable aleatoria
𝑋̅ − 𝜇
𝑍=𝜎
⁄ 𝑛
√
tiene distribución aproximadamente normal 𝑁(0,1).
NOTA:
2
- La varianza de la media 𝑉𝑎𝑟(𝑋̅) = 𝜎 ⁄𝑛 es válido si el muestreo es con o sin reemplazo en
una población infinita o es con reemplazo en una población finita de tamaño N.
-Si el muestreo es sin reemplazo en una población finita de tamaño N, entonces, la varianza de
la distribución de 𝑋̅ es
𝜎2 𝑁 − 𝑛
𝜎𝑥2 = ( )
𝑛 𝑁−1
𝑁−𝑛
El coeficiente 𝑁−1 se denomina factor de corrección para población finita.
Ejemplo 01:
Suponga que la población finita X consiste de los valores: 3; 4; 7; 9; 12
a. Calcular la media y la varianza de la población

b. Determinar la distribución muestral de la media de las muestras de tamaño dos escogidas con
reposición.
c. Determinar la distribución muestral de la media de las muestras de tamaño dos escogidas sin
reposición.
d. Si se extrae muestras al azar de tamaño 36 con reposición, ¿Cuál es la probabilidad de que la
media muestral esté entre los valores 5 y 8?

Solución:
a. Calculando la media y la varianza de la población (N = 05)
𝑥𝑖 3 4 7 9 12
𝑓(𝑥𝑖 ) = 𝑃[𝑋 = 𝑥𝑖 ] 1/5 1/5 1/5 1/5 1/5
La media
𝑁 𝑁
𝑥𝑖 ∑𝑁
𝑖=1 𝑥𝑖 3 + 4 + 7 + 9 + 12
𝜇 = ∑ 𝑥𝑖 𝑓(𝑥𝑖 ) = ∑ = = =7
𝑁 𝑁 5
𝑖=1 𝑖=1
La varianza
𝑁
∑𝑁
𝑖=1 𝑥
2
32 + 42 + 72 + 92 + 122
𝜎 = ∑ 𝑥𝑖2 𝑓(𝑥𝑖 ) − 𝜇2 =
2
− 𝜇2 = − 72 = 10,8
𝑁 5
𝑖=1
b. Determinar la distribución muestral de la media de las muestras de tamaño dos escogidas

con reposición.
3,3 3,4 3,7 3,9 3,12 4,3 4,4 4,7 4,9 4,12
7,3 7,4 7,7 7,9 7,12 9,3 9,4 9,7 9,9 9,12
12,3 12,4 12,7 12,9 12,12 Se obtiene 𝑛 = 25 muestras
Llevando a una tabla tendremos las medias de cada muestra tenemos:
𝑥̅ 3 3.5 4 5 5.5 6 6.5 7 7.5 8 9 9.5 10.5 12

𝑓(𝑥̅ ) 1/25 2/25 1/25 2/25 2/25 2/25 2/25 1/25 2/25 4/25 1/25 2/25 2/25 1/25
Calculando tenemos:
la media
𝑁
1 2 1 1
𝜇𝑥̅ = 𝐸(𝑋̅) = ∑ 𝑓(𝑥̅ )𝑥̅ = 3 ( ) + 3,5 ( ) + 4 ( ) + ⋯ + 12 ( ) = 7
25 25 25 25
𝑖=1
𝑁
175
𝜇𝑥̅ = 𝐸(𝑋̅) = ∑ 𝑓(𝑥̅ )𝑥̅ = =7
25
𝑖=1

La varianza
𝑁
2)
1 2 2 2 1 2 1 2 1360
𝐸(𝑥̅ = ∑ 𝑓(𝑥̅ )𝑥̅ 2 = 3 ( ) + 3,5 ( ) + 4 ( ) + ⋯ + 12 ( ) =
25 25 25 25 25
𝑖=1
1360
𝜎𝑥̅2 = 𝑉𝑎𝑟(𝑋̅) = ∑ 𝑓(𝑥̅ ) 𝑥̅ 2 − 𝜇2 = − 72 = 5,4
25
𝑆𝑒 𝑝𝑢𝑒𝑑𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟:
𝜎 2 10,8
𝜎𝑥̅2 = = = 5,4
𝑛 2
c. Determinar la distribución muestral de la media de las muestras de tamaño dos escogidas

sin reposición.
El total de muestras serán: 5 × 4 = 20 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 de tamaño dos sin reposición.
3,4 3,7 3,9 3,12 4,3 4,7 4,9 4,12
7,3 7,4 7,9 7,12 9,3 9,4 9,7 9,12
12,3 12,4 12,7 12,9 Se obtiene 𝑛 = 20 muestras
Llevando a una tabla tendremos las medias de cada muestra tenemos:
𝑥̅ 3.5 5 5.5 6 6.5 7.5 8 9.5 10.5

𝑓(𝑥̅ ) 2/20 2/20 2/20 2/20 2/20 2/20 4/20 2/20 2/20
Calculando tenemos:
La media
𝑁
2 2 2 2
𝜇𝑥̅ = 𝐸(𝑋̅) = ∑ 𝑓(𝑥̅ )𝑥̅ = 3,5 ( ) + 5 ( ) + 5,5 ( ) + ⋯ + 10,5 ( ) = 7
20 20 20 20
𝑖=1
𝑁
140
𝜇𝑥̅ = 𝐸(𝑋̅) = ∑ 𝑓(𝑥̅ )𝑥̅ = =7
20
𝑖=1

La varianza
𝑁
2)
2 2 2 2 2 2 2 2 1061
𝐸(𝑥̅ = ∑ 𝑓(𝑥̅ )𝑥̅ 2 = 3,5 ( ) + 5 ( ) + 5,5 ( ) + ⋯ + 10,5 ( ) =
20 20 20 20 20
𝑖=1
1061
𝜎𝑥̅2 = 𝑉𝑎𝑟(𝑋̅) = ∑ 𝑓(𝑥̅ ) 𝑥̅ 2 − 𝜇2 = − 72 = 4,05
20
𝑆𝑒 𝑝𝑢𝑒𝑑𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟:
𝜎 2 𝑁 − 𝑛 10,8 5−2
𝜎𝑥̅2 = × = ×( ) = 4,05
𝑛 𝑁−1 2 5−1
d. Si se extrae muestras al azar de tamaño 36 con reposición, ¿Cuál es la probabilidad de que

la media muestral esté entre los valores 5 y 8?
Calculando la media
𝜇𝑥̅ = 𝐸(𝑋̅) = 7
La varianza
𝜎2 10,8
𝜎𝑥̅2 = 𝑛
= 36
= 0,3 𝜎𝑥̅ = √0,3 = 0,55
𝑋̅−𝜇𝑥̅
𝑆𝑎𝑏𝑒𝑚𝑜𝑠 𝑞𝑢𝑒: 𝑍= ~𝑁(0,1)
𝜎𝑥̅
5 − 7 𝑋̅ − 7 8 − 7
𝑃[5 ≤ 𝑋̅ ≤ 8] = 𝑃 [ ≤ ≤ ]
0,55 0,55 0,55
= 𝑃[−3,64 ≤ 𝑍 ≤ 1,82]
= 𝑃[𝑍 ≤ 1,82] - 𝑃[𝑍 ≤ −3,64]
= 𝑃[𝑍 ≤ 1,82] – (1- 𝑃[𝑍 ≤ 3,64])
= 0,9656 – (1- 0,9999)
= 0,9656 – 0,0001 = 0,9655

Ejemplo 02:
Se sabe que los pesos de los paquetes de cierto artículo en una cadena de producción se distribuyen
normalmente con media 500 gr y desviación típica 10 gr Se selecciona una muestra de 100
paquetes de la producción ¿Cuál es la probabilidad de que la media sea mayor a 503?
Solución:
Datos
𝜇 = 500 𝑛 = 100 𝜎 = 10 𝑃[𝑋̅ > 503] =?
Entonces:
𝑋̅ − 𝜇 503 − 500
𝑃[𝑋̅ > 503] = 𝑃 [ 𝜎 > ] = 𝑃[𝑍 > 3] = 1 − 𝑃[𝑍 < 3] = 1 − 0,9987 = 0,0013
⁄ 𝑛 10⁄
√ √100
Ejemplo 03:
En el último año el peso de los recién nacidos tiene una media de 3000 gr. y una desviación
estándar de 140 gr. ¿Cuál será la probabilidad de que la media de una muestra de 100 recién
nacidos sea menor a 3030 gr.?
Solución:
Datos
𝜇 = 3000 𝑛 = 100 𝜎 = 140 𝑃[𝑋̅ < 3030] =?
Entonces:
𝑋̅ − 𝜇 3030 − 3000
𝑃[𝑋̅ < 3030] = 𝑃 [ 𝜎 < ] = 𝑃[𝑍 < 2,14] = 0,9838
⁄ 𝑛 140⁄
√ √100
3.2.2.2. Cuando se desconoce la varianza poblacional (Distribución t Student de la media

muestral)

Sea 𝑋̅ y 𝑆 la media y la varianza de una muestra aleatoria de tamaño n escogida de una

población normal 𝑋~𝑁(𝜇, 𝜎 2 ) con varianza desconocida. entonces, para 𝑛 ≥ 2, la variable
aleatoria:
𝑋̅ − 𝜇
𝑇=
𝑆⁄
√𝑛
tiene distribución t-Student con 𝒏 − 𝟏 grados de libertad o 𝑇~𝑡(𝑛 − 1)
Ejemplo 04:
Una empresa fabrica un producto que tienen una duración que se distribuye aproximadamente
en forma normal, con una media de 800 horas. Encuentra la probabilidad de que una muestra
aleatoria de 16 productos que tenga una vida promedio de menos de 774 horas y una desviación
estándar de 40 horas.
Solución:
Datos
𝜇 = 800 𝑛 = 16 𝑃[𝑋̅ < 774] =? 𝑆 = 40
Entonces:
𝑋̅ − 𝜇 774 − 800
𝑃[𝑋̅ < 774] = 𝑃 [ < ] = 𝑃[𝑡15 < −2,6]
𝑆⁄ 40⁄
√𝑛 √16
= 1 − 𝑃[𝑡15 < 2,6]
= 1 − 0,99 = 0,01
3.2.3. Distribuciones muestrales para la proporción
𝑋
Sea 𝑃 = 𝑛 la variable aleatoria que denota la proporción de éxito de muestras de tamaño
n, 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 extraída de una población de Bernoulli 𝐵(1, 𝑝), donde p es el parámetro

porcentaje de éxitos en la población y 𝑋 = 𝑋1 , 𝑋2 , 𝑋3, … , 𝑋𝑛 . Entonces, si n es suficientemente
grande, se tiene que:

𝑃̅ − 𝑝
𝑍= ~𝑁(0,1)
√𝑝(1 − 𝑃)
𝑛
En efecto,
Se sabe que 𝑋 = 𝑋1 , 𝑋2 , 𝑋3, … , 𝑋𝑛 es una variable cuya distribución es binomial 𝐵(𝑛, 𝑝).
Entonces la media y la varianza de 𝑃̅ son respectivamente:
𝑋
a.𝜇𝑝̅ = 𝐸(𝑃̅) = 𝐸 (𝑛) = 𝑝
𝑝(1−𝑝)
b. 𝜎𝑝̅2 = 𝑉𝑎𝑟(𝑃̅) =
𝑛
Nota:
𝑝(1−𝑝)
̅ es 𝜎𝑃̅ = √
El error o típico de 𝑷
𝑛
- Si la población de tamaño N y el muestreo es sin reposición el error estándar (desviación

estándar de la distribución hipergeométrica) es:
𝑝(1 − 𝑝) 𝑁 − 𝑛
𝐸𝑇 = 𝜎𝑃̅ = √ √
𝑛 𝑁−1
Ejemplo 05:
Se ha determinado que 85.1% de los estudiantes de una universidad fuman cigarrillos. Se toma
una muestra aleatoria de 200 estudiantes. Calcular la probabilidad de que no más de 80% de
alumnos de la muestra fume.
Solución:
Datos
𝑃 = 0,851 𝑛 = 200 𝑃[𝑝̅ < 0,8] =?
Entonces:
𝑃̅ − 𝑝 0,8 − 0,851
𝑃[𝑝̅ < 0,8] = 𝑃 < = 𝑃[𝑍 < −2,03]
√𝑝(1 − 𝑝) √0,851(1 − 0,851)
[ 𝑛 200 ]
= 1 − 𝑃[𝑍 < 2,03]

= 1 − 0,9788 = 0,0212
3.2.4. Intervalo de confianza
3.2.5. Definición
Un intervalo de confianza es una técnica de estimación utilizada en inferencia

estadística que permite acotar un par o varios pares de valores, dentro de los cuales se encontrará
la estimación puntual buscada (con una determinada probabilidad).
La estimación puntual aproxima mediante un número el valor de una característica

poblacional o parámetro desconocido, pero no nos indica el error que se comete en dicha
estimación. Lo razonable, en la práctica, es adjuntar, junto a la estimación puntual del parámetro,
un intervalo que mida el margen de error de la estimación. La construcción de dicho intervalo es
el objetivo de la estimación por intervalos de confianza.
Un intervalo de confianza para un parámetro con un nivel de confianza 1−α donde

(0<α<1), es un intervalo de extremos aleatorios (L, U) que, con probabilidad 1−α, contiene al
parámetro en cuestión.
P (parámetro∈(L, U))=1−α.
Los valores más habituales del nivel de confianza 1−α son 0.9, 0.95, o 0.99 (la confianza
es del 90%, 95%, o 99%). En ocasiones también se emplea la terminología nivel de
significación para el valor α.
3.2.6. Intervalo de confianza para la media
3.2.6.1. Cuando se conoce la varianza poblacional
Sea 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 una muestra aleatoria de tamaño n escogida de una población

definida por una variable aleatoria X con media 𝜇 y con una vaianza 𝜎 2 (se supone que la varianza
poblacional es conocida), entonces,
Si 𝑥̅ es la media de una muestra aleatoria de tamaño n escogida de una

población normal con varianza 𝜎 2 , entonces el intervalo de estimación de la
media 𝜇 con un nivel de confianza (1 − 𝛼) × 100 es:
𝜎 𝜎
𝑥̅ − 𝑧1−𝛼 × ≤ 𝜇 ≤ 𝑥̅ + 𝑧1−𝛼 ×
2 √𝑛 2 √𝑛

Ejemplo 06:
El peso medio de una muestra de 100 recién nacidos es 3200g. Sabiendo que la desviación típica
de los pesos de la población de recién nacidos es 150g. halla el intervalo de confianza para la
media poblacional, el nivel de confianza es de 99.5%
Solución:
Datos
𝑛 = 100 𝑋̅ = 3200
𝜎 = 150 1 − 𝛼 = 0,995 ⇒ 𝛼 = 0,005
Calculando:
𝑍1−𝛼 = 𝑍 0,005 𝑍(0.9975) = 2,81

2 1− =
2
𝜎 𝜎
𝑥̅ − 𝑧1−𝛼 × ≤ 𝜇 ≤ 𝑥̅ + 𝑧1−𝛼 ×
2 √𝑛 2 √𝑛
150 150
3200 − 2,81 × ≤ 𝜇 ≤ 3200 + 2,81 ×
√100 √100
3157.85 ≤ 𝜇 ≤ 3242.15
Interpretación:
El peso medio de los recién nacidos se encuentra entre 3157.85 𝑦 3242.15 𝑔𝑟 con un nivel de
confianza del 99,5%.
3.2.6.2. Cuando se desconoce la varianza poblacional
Sea 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 una muestra aleatoria de tamaño n escogida de una población

definida por una variable aleatoria X con media 𝜇 y varianza poblacional es desconocida (𝜎 2 ),
entonces,
Si 𝑥̅ es la media de una muestra aleatoria de tamaño n escogida de una

población normal con varianza 𝜎 2 desconocida, entonces el intervalo de
estimación de la media 𝜇 con un nivel de confianza (1 − 𝛼) × 100 es:
𝑠 𝑠
𝑥̅ − 𝑡(1−𝛼;𝑛−1) × ≤ 𝜇 ≤ 𝑥̅ + 𝑡(1−𝛼;𝑛−1) ×
2 √𝑛 2 √𝑛

Ejemplo 07:
En una muestra de 30 trabajadores de la salud en una evaluación de capacitación obtuvieron la

nota media de 15.85 y la desviación estándar típica de es 1.92 calcular el intervalo de confianza
al 95%
Solución:
Datos
𝑛 = 30 𝑋̅ = 15,85
𝑆 = 1,92 1 − 𝛼 = 0,95 ⇒ 𝛼 = 0,05
Calculando:
𝑡1−𝛼;𝑛−1= 𝑡 0,05 𝑡 = 2,0452

2 1− ;30−1= (0.975;29)
2
𝑠 𝑠
𝑥̅ − 𝑡1−𝛼;𝑛−1 × ≤ 𝜇 ≤ 𝑥̅ + 𝑡1−𝛼;𝑛−1 ×
2 √𝑛 2 √𝑛
1,92 1,92
15,85 − 2,0452 × ≤ 𝜇 ≤ 15,85 + 2,0452 ×
√30 √30
15.13 ≤ 𝜇 ≤ 16.57
Interpretación:
la nota promedio de los trabajadores de la salud en una evaluación de capacitación se encuentra

entre 15.13 𝑦 16,57 𝑔𝑟 con un nivel de confianza del 95%.
3.2.7. Intervalo de confianza para la proporción
Si 𝑝̅ es la proporción de observaciones una muestra aleatoria de tamaño n que pertenece a la

clase de interés, entonces un intervalo de confianza aproximado (1 − 𝛼) × 100 por ciento para
la proporción p de la población que pertenece a esta clase es:
𝑝̅ (1 − 𝑝̅ ) 𝑝̅ (1 − 𝑝̅ )
𝑝̅ − 𝑍(1−𝛼) × √ ≤ 𝑃 ≤ 𝑝̅ − 𝑍(1−𝛼) × √
2 𝑛 2 𝑛
14
𝛼
Donde 𝑍(1−𝛼) es el punto crítico superior que corresponde al porcentaje 2
de la distribución
2
SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES
normal estándar.
Ejemplo 08:
En una muestra aleatoria de 85 pacientes, 10 presentan una enfermedad. Hallar un intervalo de

confianza al 95%.
Solución:
Datos
𝑥 10
𝑛 = 85 𝑥 = 10 𝑝̅ = 𝑛=85 = 0,118
1 − 𝛼 = 0,95 ⇒ 𝛼 = 0,05
Calculando:
𝑍1−𝛼 = 𝑍 0,05 𝑍(0.975) = 1,96

2 1− =
2
𝑝̅ (1 − 𝑝̅ ) 𝑝̅ (1 − 𝑝̅ )
𝑝̅ − 𝑍(1−𝛼) × √ ≤ 𝑃 ≤ 𝑝̅ − 𝑍(1−𝛼) × √
2 𝑛 2 𝑛
0,118(1 − 0,118) 0,118(1 − 0,118)

0,118 − 1,96 × √ ≤ 𝑃 ≤ 0,118 + 1,96 × √
85 85
0,049 ≤ 𝑃 ≤ 0,187
4. ACTIVIDADES Y EVALUACIÓN
4.1. Actividad 1
Los estudiantes desarrollan e interpretan los problemas formulados de la sesión

N° 01. El trabajo asignado será enviado al CLASSROOM hasta el día domingo
14 de noviembre a horas 11.30 p.m.

1. Se sabe que la media aritmética de la estatura de los estudiantes de la carrera de informática es µ =

1.66m, con desviación típica σ = 0.07m. Si se toma una muestra de tamaño 40, y considerando que
está distribuida normalmente determine la probabilidad de que la media obtenida en la muestra:
a) exceda de 1.65m.
b) esté entre 1.63m y 1.68m.
c) sea inferior a 1.64m.
d) sea inferior a 1.63m o superior a 1.69m.
e) ¿Cuál será la altura mínima del 10% de los estudiantes más altos?
2. Una de las tiendas distribuidoras de focos utiliza el siguiente criterio para aceptar o rechazar lotes de
500 focos que reciben bimestralmente: selecciona una muestra aleatoria de 80 focos; si 3% o más salen
defectuosos, rechaza el lote; en caso contrario, lo acepta. ¿Cuál es la probabilidad de rechazar el lote
que contiene 2% de focos defectuosos?
3. Se ha comprobado que la concentración promedio de zinc que se saca del agua de un río a partir de una
muestra de mediciones de zinc en 36 sitios diferentes es de 2.6 gramos por mililitro. Encontrar los
intervalos de confianza al 99% para la concentración media de zinc en el río, suponiendo que la
desviación típica de la población es 0.3.
4. El encargado del departamento de producción de una fábrica recibe un lote de 2000 piezas necesarias
para el montaje de un artículo. El fabricante de las piezas asegura que en este lote no hay más de 100
piezas defectuosas.
a) ¿Cuántas piezas hay que examinar para que, con un nivel de confianza del 95%, el error que se cometa
en la estimación de la proporción de piezas defectuosas no sea mayor que 0.05?
b) Si se toma una muestra de 100 piezas elegidas al azar y se encuentran 4 defectuosas, determinar un
intervalo de confianza para la proporción de defectuosas al nivel del 95%.
6. Sospechamos que nuestro cromatógrafo está estropeado, y queremos determinar si los resultados que
nos proporciona son lo suficientemente precisos. Para ello, realizamos una serie de 8 mediciones del
contenido de una solución de referencia que, sabemos, contiene 90% de un determinado compuesto.
Los resultados que obtenemos son: 93.3, 86.8, 90.4, 90.1, 94.9, 91.6, 92.3, 96.5
Construir un intervalo de confianza al nivel de 95% para la varianza poblacional. ¿Qué conclusiones
podemos realizar?
4.2. Evaluación de la Actividad 1
La docente aplicará la siguiente rúbrica para calificar la actividad

Rúbrica
Nombre del estudiante (s):
EXCELENTE BUENO REGULAR DEFICIENTE

CATEGORÍA
6,0 4,0 3,0 1
Presenta la totalidad Entrega más del 80% Presenta más del 60% Presenta más del 50%
de ejercicios a de los ejercicios a de los ejercicios a de los ejercicios a
EJERCICIOS resolver. resolver resolver resolver
Reflejan un Reflejan un Reflejan un
razonamiento razonamiento sin razonamiento sin No reflejan ningún
detallado y ordenado orden, puede hacer orden, puede hacer los razonamiento,
utilizando el proceso los ejercicios, pero no ejercicios, pero no resuelve los ejercicios
adecuado, siguiendo explica la manera en explica la manera en de manera mecánica
PROCEDIMIENTO
los pasos para que los resolvió. que los resolvió.
resolver los ejercicios Cuando los hace Utiliza otro proceso
de manera correcta. utiliza el proceso obteniendo un
adecuado, siguiendo resultado razonable.
los pasos para
resolver los ejercicios
de manera correcta.
Presenta el resultado Presenta 80% o más Presenta 60% o más Presenta 50% o
obtenido de los resultados correctos, resultados correctos, menos resultados
ejercicios y es comete algunos comete algunos correctos, no sigue el
RESULTADOS correcto. Puede errores debido a errores y un proceso procedimiento
corroborarlo dándole cálculos erróneos, inadecuado, se salta adecuado.
sentido. utiliza el proceso los pasos para
adecuado y sigue los resolverlo.
pasos para resolverlo.
20 puntos 16 puntos 12 puntos 04 puntos

TOTAL
5. REFERENCIAS BIBLIOGRÁICAS
Ávila Acosta Roberto (1997).” Estadística elemental”. Editorial Estudios y Edit. R.A Lima - Perú.
Moya Calderón Rufino (1991).” Estadística Descriptiva Conceptos y aplicaciones”. Primera Edición.
Edit., San Marcos lima, Perú.
García Ore Celestino (2011).” Estadística Descriptiva y Probabilidades para ingenieros”. Edit.
MACRO EIRL. Lima-Perú
Delgado de la Torre, R (2007) Probabilidad y estadística para ciencias e ingenierías. Madrid. Delta
Martínez, C. (2002). Estadística y Muestreo. México Ecoe Ediciones.
Montoro Lorenzo J.M. (2007) Estadística Descriptiva. Madrid. Thomson Paraninfo.
Ronald E. Walpole y Raymond H. Myers. (1989). Probabilidad y estadística. México Cuarta Edición.
Mc Graw Hill Interamericana.
Ayona Moisés (1999). "Estadística" Editorial. Bellavista. Lima Perú. Capítulos I, II y III.
De la Horra N. J. (2003). Estadística Aplicada. Madrid, España. Capítulos I y II. Díaz de Santos
Glantz A. (2006). Bioestadística. Editorial Mc Graw Hill. México. Capítulo II
López A. (2000). Probabilidad & Estadística. Colombia. Capítulos I y II. Prentice.

Navidi W. (2006). Estadística para ingenieros y científicos. México. Capítulo I y VII.Editorial
Direcciones electrónicas
http://thales.cica.es/rd/Recursos/rd97/UnidadesDidacticas/53-1-u-indice.html#HEAD
http://thales.cica.es/rd/Recursos/rd98/Matematicas/01/matematicas-01.html
http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm
http://www.uaq.mx/matematicas/estadisticas/xu3.html
http://www.hrc.es/bioest/M_docente.html#tema2

Guia 01202201FA02FA-21A12

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guia 01202201FA02FA-21A12

Cargado por

Copyright:

Formatos disponibles

GUÍA DE APRENDIZAJE

CURSO: ESTADÍSTICA Y PROBABILIDADES

Jaén – Perú, Noviembre 2022

2. Objetivos educacionales y resultads del estudiante ................................................................................... 3

3.1. ESTIMACIÓN DE PARAMETROS ................................................................................................ 4

3.1.1. Definición .............................................................................................................................. 4

3.2. DISTRIBUCIONES MUESTRALES ............................................................................................... 4

3.2.1. Definición .............................................................................................................................. 4

3.2.2. Distribuciones muestrales para la media ............................................................................... 5

3.2.3. Distribuciones muestrales para la proporción ..................................................................... 10

3.2.4. Intervalo de confianza ......................................................................................................... 12

3.2.5. Definición ............................................................................................................................ 12

3.2.6. Intervalo de confianza para la media ................................................................................... 12

3.2.7. Intervalo de confianza para la proporción ........................................................................... 14

4. ACTIVIDADES Y EVALUACIÓN ....................................................................................................... 15

4.1. Actividad 1 ...................................................................................................................................... 15

4.2. Evaluación de la Actividad 1 ........................................................................................................... 16

5. REFERENCIAS BIBLIOGRÁICAS ...................................................................................................... 17

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 2

2. OBJETIVOS EDUCACIONALES Y RESULTADS DEL ESTUDIANTE

los Objetivos Educacionales del Programa de Ingeniería de Industrias Alimentarias de la Universidad

- El graduado del Programa de Ingeniería de Industrias Alimentarias se desempeña profesionalmente

- El graduado del Programa de Ingeniería de Industrias Alimentarias se desempeña profesionalmente

- El graduado del Programa de Ingeniería de Industrias Alimentarias se desempeña profesionalmente

- El graduado del Programa de Ingeniería de Industrias Alimentarias se desempeña profesionalmente

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 3

- La guía contribuye con el logro de los siguientes resultados:

3.1. ESTIMACIÓN DE PARAMETROS

La estimación de parámetros es el procedimiento utilizado para conocer las

Proceso por el que se trata de averiguar un parámetro de la población representado, en

3.2. DISTRIBUCIONES MUESTRALES

Se denomina distribución muestral de una estadística a su distribución de probabilidad.

Una estimación puntual de un parámetro poblacional es cuando se utiliza un único valor

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 4

3.2.2. Distribuciones muestrales para la media

3.2.2.1. Cuando se conoce la varianza poblacional

Sea 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 una muestra aleatoria de tamaño n escogida de una población 𝑓(𝑥)

c. Para n suficientemente grande la variable aleatoria

tiene distribución aproximadamente normal 𝑁(0,1).

Suponga que la población finita X consiste de los valores: 3; 4; 7; 9; 12

a. Calcular la media y la varianza de la población

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 5

a. Calculando la media y la varianza de la población (N = 05)

b. Determinar la distribución muestral de la media de las muestras de tamaño dos escogidas

12,3 12,4 12,7 12,9 12,12 Se obtiene 𝑛 = 25 muestras

Llevando a una tabla tendremos las medias de cada muestra tenemos:

𝑥̅ 3 3.5 4 5 5.5 6 6.5 7 7.5 8 9 9.5 10.5 12

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 6

c. Determinar la distribución muestral de la media de las muestras de tamaño dos escogidas

3,4 3,7 3,9 3,12 4,3 4,7 4,9 4,12

7,3 7,4 7,9 7,12 9,3 9,4 9,7 9,12

12,3 12,4 12,7 12,9 Se obtiene 𝑛 = 20 muestras

Llevando a una tabla tendremos las medias de cada muestra tenemos:

𝑥̅ 3.5 5 5.5 6 6.5 7.5 8 9.5 10.5

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 7

d. Si se extrae muestras al azar de tamaño 36 con reposición, ¿Cuál es la probabilidad de que

= 𝑃[𝑍 ≤ 1,82] - 𝑃[𝑍 ≤ −3,64]

= 𝑃[𝑍 ≤ 1,82] – (1- 𝑃[𝑍 ≤ 3,64])

= 0,9656 – (1- 0,9999)

= 0,9656 – 0,0001 = 0,9655

SEMANA N° 10 – ESTADÍSTICA Y PROBABILIDADES 8

𝜇 = 500 𝑛 = 100 𝜎 = 10 𝑃[𝑋̅ > 503] =?

𝜇 = 3000 𝑛 = 100 𝜎 = 140 𝑃[𝑋̅ < 3030] =?