Estadistica Aplicada Inferencial Contab 2017

ESTADISTICA APLICADA .
CAPITULO I
INTRODUCCION A LA PROBABILIDAD
UNIDAD Nº 1
Contenido
1. Experimento Aleatorio, Espacio Muestral, Suceso o Evento.

2. Probabilidad de un Suceso, Propiedades.
3. Probabilidad Condicional, Teorema de Bayes.
4. Variable Aleatoria, Función de Probabilidad, Función de
Distribución.
5. Esperanza Matemática, Varianza.
UNIDAD Nº 2
Contenido
1. Distribución Binomial.
2. Distribución Poisson.
3. Distribución Normal.
4. Distribución t de Student.
5. Distribución Chi -Cuadrado.
6. Distribución F de Fisher.
-4- Universidad Nacional de Trujillo - Contabilidad y Finanzas

- 2017
ESTADISTICA APLICADA
EXPERIMENTO ALEATORIO: Ei
Un experimento aleatorio es cualquier hecho o fenómeno cuyo resultado no puede

predecirse antes de que sea realizado.
Ejemplos :
E1 : Observar si una máquina empaquetadora está encendido o no.

E2 : Determinar el tiempo que una obra tarda en concretarse.
E3 : Determinar el ganador de cuatro contratistas que participan para la licitación de alguna
empresa industrial.
E4 : Decidir donde situar dos nuevas plantas envasadoras de cerveza en el Perú.
ESPACIO MUESTRAL: i
Se define así, al conjunto de todos los resultados posibles de un experimento aleatorio. A

los elementos del espacio muestral se les conoce como “puntos muestrales”.
Ejemplos :
El espacio muestral asociado a los experimentos anteriores.
1 : encendido , apagado
2 : 0 meses. , 1 mes. , ... , etc.
3 : B1 , B2 , B3 , B4 donde Bi :representa al i-ésimo contratista.
4 : R1 , R2 ,..., Rn donde Ri : representa alguna Región del Perú.
SUCESO O EVENTO : Ai
Es un subconjunto del espacio muestral. Se clasifica en :
1) Suceso elemental : Cuando Ai contiene exactamente un punto muestral, es decir:

Ai = un solo elemento
2) Suceso Compuesto : Son aquellos Ai que contienen más de un punto muestral, es decir
Ai = 2 ó + elementos
3) Suceso Imposible : Es aquel Ai que no contiene algún punto muestral, es decir:
Ai =  
4) Suceso Seguro : Es aquel Ai que contiene todos los elementos del espacio muestral, es decir :
Ai = 
Ejemplo: El departamento de contabilidad evalúa el funcionamiento de un sistema informatico

contable: fácil de operar, de dificultad mediana o difícil de operar; y respecto a su precio, como:
cara o barata ¿De cuantas maneras diferentes puede clasificarse el sistema informatico contable?
Solución:
Contabilidad y Finanzas - 2017 - Universidad Nacional de

Trujillo -5-
Cara
Fácil de Operar
Barata
Cara
Inicio Dificultad Mediana
Barata
Cara
Difícil de Operar
Barata
 El espacio muestral será  = (F,C),(F,B),(M,C),(M,B),(D,C),(D,B) 
Luego el suceso donde el sistema informatico contable sea cara será :

A1 : (F,C) , (M,C) , (D,C) 

- 2017
EJERCICIO EN CLASE
1. Un contador debe realizar una auditoria contable en una nueva planta industrial el lunes,
martes, miércoles o jueves, a las 8 a.m., 1 p.m. ó 2 p.m. Dibujar el diagrama del árbol que
muestre las varias formas en que puede ocurrir dicha auditoria contable.
a) Encuentre el espacio muestral.
b) Encuentre el suceso donde la auditoria contable se realice a las 8 a.m.
c) Encuentre el suceso donde la auditoria contable se realiza el lunes o el jueves a las 8a.m.
o 2 p.m.

Trujillo -7-
2. Un estudio contable contiene 12 baterías para laptos de las cuales 2 baterías están defectuosas.
Obtener las diferentes posibilidades cuando extraemos 3 baterías al azar y además el suceso
cuando de las tres extracciones 1 batería resultó defectuosa.

- 2017
3. Guillermo Bravo (estudiante de contabilidad) va a resolver un corto examen de sólo dos
preguntas. Ambas son de opción múltiple y hay cuatro posibles respuestas. En vista de que
Guillermo no ha estudiado para el examen, escribe los números 1, 2 , 3 y 4 sobre tiras de papel y
selecciona una de éstas para responder a la pregunta 1 . Repite el proceso para la pregunta 2 .
¿Cuántas posibles respuestas podrían aparecer?

Trujillo -9-
PROBABILIDAD DE UN SUCESO: P(Ai)
La probabilidad de un evento o suceso es la razón entre el número de sucesos favorables

y el número total de sucesos posibles, siempre que todos los resultados posibles del experimento
aleatorio sean igualmente probables; es decir cada uno de los elementos del espacio muestral
tienen la misma probabilidad de salir.
N(A) Donde : N(A) : Es el Nº de elementos que tiene el evento A

P(A) = (Número de sucesos favorables)
N()
N() : Es el Nº de elementos que tiene el espacio muestral
(Número de casos posibles)
PROPIEDADES :
1. Si A es un evento imposible,  P(A) = 0.
2. Si A es un evento seguro,  P(A) = 1.
3. La probabilidad de un evento A es igual a la unidad menos la probabilidad de su complemento.

Es decir : P(A) = 1 - P(A´)
4. Si A1 y A2 son dos eventos tal que A1  A2 , entonces P(A1)  P(A2).
5. Si A1 y A2 son dos eventos cualesquiera, entonces P(A1  A2) = P(A1) + P(A2) - P(A1  A2).
6. Si A1 y A2 son dos eventos mutuamente excluyentes , entonces P(A1  A2) = P(A1) + P(A2).
7. La probabilidad de un evento cualesquiera (A) , siempre estará comprendida entre 0 y 1. Es

decir : 0  P(A)  1
Ejemplo: Un licenciado, jefe del Dpto de contabilidad de una empresa agroexportadoras es

sometido a tres exámenes de conocimientos y actitud (Preguntas Objetivas: Verdadero, falso).
Calcular las probabilidades de:
a) Que los tres exámenes apruebe.
b) Que ninguno de los exámenes apruebe.
c) Al menos un examen apruebe.
d) Que apruebe dos exámenes.
Solución:
1er exám. 2do exám. 3er exám.
A  AAA
A
- 2017
D  AAD
A
A  ADA
D
Inicio D  ADD
A  DAA
A
D  DAD
D
A  DDA
D
D  DDD
Entonces :  = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD 
Luego : N() = 8
a) A1 = AAA  N(A1) = 1
Luego P(A1) = N(A1) / N() = 1/8
b) A2 =  DDD  N(A2) = 1
Luego P(A2) = N(A2) / N() = 1/8
c) A3 =  AAA , AAD , ADA , ADD , DAA , DAD , DDA   N(A3) = 7
Luego P(A3) = N(A3) / N() = 7/8
d) A4 =  AAD , ADA , DAA   N(A4) = 3
Luego P(A4) = N(A4) / N() = 3/8
Ejercicio 1. Un Dpto de contabilidad tiene 12 calculadoras cientificas de las cuales 3 baterías

están defectuosas; Obtener la probabilidad cuando extraemos 3 calculadoras cientificas al azar
(con reposición) y se obtiene 1 calculadora cientifica defectuosa y cuando se obtiene todas las
calculadoras cientificas defectuosas.

Trujillo -11-
Ejercicio 2. Un Dpto de contabilidad tiene 12 calculadoras cientificas de las cuales 3 baterías

están defectuosas; Obtener la probabilidad cuando extraemos 3 calculadoras cientificas al azar
(sin reposición) y se obtiene 1 calculadora cientifica defectuosa y cuando se obtiene todas las
calculadoras cientificas defectuosas.

- 2017
PROBABILIDAD CONDICIONAL
Para definir la probabilidad condicional debemos tener en claro lo siguiente:
- Dos sucesos son independientes cuando la ocurrencia o no ocurrencia de un suceso no

tiene efecto sobre la probabilidad de ocurrencia del otro suceso; es decir :
P(A1A2) = P(A1)P(A2)
- Dos sucesos son dependientes cuando la ocurrencia o no ocurrencia de uno de ellos

afecta la probabilidad de ocurrencia del otro suceso, es decir:
P(A1A2) = P(A1)P(A2A1)
Definición:- Sea un evento A2 con P(A2)  0 , la probabilidad condicional de que ocurra el

evento A1, dado que ha ocurrido A2, se define como:
P(A1A2)
P(A1A2) =
P(A2)
Si A1 y A2 son dos eventos independiente; entonces : P(A1A2)=P(A1)
Ejemplo 1: Los alumnos de la U.N.T. que pertenecen a las carreras de contabilidad,

economia y adminsitracion. Se clasifican por sexo y carrera tal como sigue:
Sexo\ Carrera Contabilidad Economía Administración Total

Hombres 250 350 200 800
Mujeres 100 50 50 200
Total 350 400 250 1000
Se selecciona un estudiante aleatoriamente de esta Población, y se sabe que el estudiante es HOMBRE

a) ¿Calcular la probabilidad de que estudie Contabilidad?
b) ¿Calcular la probabilidad de que estudie Economía?
Solución :
a) Tenemos como B1: estudiante HOMBRE y B2 : estudiante MUJER
Tenemos como A1 : estudiante de la carrera Contabilidad.

A2 : estudiante de la carrera Economía.
Trujillo -13-
A3 : estudiante de la carrera Administración.
P(A1B1) 250/1000
Entonces P(A1B1) = = = 0.3125
P(B1) 800/1000
P(A2B1) 350/1000
b) Entonces P(A2B1) = = = 0.4375
P(B1) 800/1000
Ejemplo 2: La Empresa SIDERPERU tiene en su archivo, un archivador que contiene 100

expedientes de 3 Pulg. de gruesor de los cuales 10 de ellos estan mal llenados. Además contiene
50 expedientes de 2 Pulg. de gruesor y 5 expedientes de la misma dimensión están mal llenados.
Si se escoge un expediente al azar y se sabe que esta DEFECTUOSO ¿Cuál es la probabilidad
que sea de 3 Pulg. de gruesor?
Solución:
Condición\ Tamaño 3 pulgadas de 2 pulgadas de Total
gruesor gruesor
Defectuosa 10 5 15
No defectuosa 90 50 140
Total 100 55 155
P(3 Pulg  D)
P(3 Pulg D) =
P(D)
P(D) = 10/155 + 5/155 = 15/155

P(3 Pulg  D) = 10/155
P(3 Pulg  D) 10/155

P(3 Pulg D) = = = 10/15 = 0.667
P(D) 15/155
TEOREMA DE BAYES
El procedimiento de la composición de los eventos para resolver los problemas de la

probabilidad se facilita algunas veces al considerar el espacio muestral  como una unión de
subconjuntos que son mutuamente excluyentes. Es decir, se supone que
 = B1B2 ... Bk con Bi Bj =  para ij . Entonces cualquier subconjunto A de  se puede
escribir como:
A = A = A(B1B2 ... Bk)
= (AB1)(AB2) ... (ABk)
Entonces observamos que
P(A) = P(AB1) + P( AB2) +... + P(ABk)
= P(B1)P(AB1) + P(B2)P(AB2) + P(B3)P(AB3)

- 2017
k
=  P(Bi)P(ABi)
i=1
Una probabilidad condicional de la forma P(BjA) se puede calcular como
P(ABj) P(Bj)P(ABj)
P(BjA) = =
P(A) k
 P(Bi)P(ABi)
i=1
Esta fórmula para la probabilidad condicional se llama Regla de Bayes.
Ejemplo: Una planta de ensamblado recibe sus reguladores de presión de tres proveedores: 60%
del proveedor B1, 30% del proveedor B2, y 10% del proveedor B3. Si 95% de los reguladores de
presión que provienen de B1, 80% de los reguladores del proveedor B2, y el 65% de los
reguladores proporcionados por B3 tienen un rendimiento de acuerdo con las especificaciones
(osea en Buen Estado), queremos conocer la probabilidad de que un regulador de presión
específico, cuyo rendimiento corresponde a las especificaciones , provenga del proveedor B3.
Solución 1:
0.05 D 
P(B1)P(A B1) = 0.03
B1
0.60 0.95 BE  P(B1)P(A B1) = 0.57
0.20 D  P(B2)P(A B2) = 0.06

Inicio B2
0.30 0.80 BE  P(B2)P(A B2) = 0.24
0.35 D  P(B3)P(A B3) = 0.035

0.10 B3
0.65 BE  P(B3)P(A B3) = 0.065
Si denotamos a A el evento de que un regulador recibido por la planta tiene rendimiento

confirme a las especificaciones.

Trujillo -15-
P(B3)P(A B3)
P(B3 A) =
3
 P(Bi)P(A Bi)
i=1
(0.10)(0.65)
P(B3 A) =
(0.60)(0.95) + (0.30)(0.80) + (0.10)(0.65)
P(B3 A) =0.074
La probabilidad de que un regulador de presión sea proporcionado por B 3 disminuye de 0.10 a

0.074, una vez que se sabe que el rendimiento corresponde a las especificaciones es decir en
Buen estado.
Solución 2:
Condición \ proveedor B1 B2 B3 Total

Defectuosa
Buen Estado
Total
EJERCICIOS en clase
1. Sobre un estante hay cinco informes contables, uno de las cuales está inconcluso. Usted escoge
dos expedientes para emitir un informe. ¿Cuál es la probabilidad de que el informe no sea
presentado, debido a que seleccionó un expediente inconcluso?
3. Existen dos métodos A y B para enseñar a los auxiliares contable cierta habilidad laboral. El
porcentaje de fracasos es 20% para A y 10% para B. Sin embargo, B cuesta más y por eso se

- 2017
utiliza solamente en el 30% de los casos (se utiliza A en el otro 70%). Se entrenó a un auxiliar
contable según uno de los dos métodos pero no logró aprenderlo correctamente. ¿Cuál es la
probabilidad de que haya recibido el entrenamiento con el método A?

Trujillo -17-
VARIABLE ALEATORIA
Se dice que X es una v. a. si es una función que tiene como dominio (Conjunto de
partida) a los elementos de un espacio muestral () y como rango (Conjunto de llegada) a los
elementos de los números Reales.
Simbólicamente se expresa así :
X: R
Ejemplo : Consideremos el experimento del licenciado jefe de contabilidad de una empresa

agroexposrtadora que se somete a tres exámenes de conocimientos y actitud.
Entonces  = AAA,AAD,ADA,ADD,DAA,DAD,DDA,DDD
Ahora solo nos interesa el número de veces que sale aprobado (A).
Es decir ; Sea X : Nº de veces que sale aprobado (A).
Entonces tenemos:
X(AAA) = 3 veces aprobado.
X(AAD) = X(ADA) = A(DAA) = 2
X(ADD) = X(ADA) = X(DDA) = 1
X(DDD) = 0
Como se puede observar, X actúa sobre los elementos de  , obteniendo como números reales :
0,1,2,3 .
Entonces se dice que X es una v. a.
Gráficamente se puede observar de la siguiente manera:
 AAA R
AAD
ADA 3
DAA
ADD 2
DAD
DDA 1
DDD
0
Donde : D x = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD

R x = 0 , 1 , 2 , 3 
VARIABLES ALEATORIAS DISCRETAS
Se dice que X es una v. a. discreta si el rango de la v. a. X es un conjunto finito o infinito

numerable.
FUNCION DE PROBABILIDAD

- 2017
Sea X una v.a. discreta con rango Rx , asociamos a ella una función
P(x) = P(X = x) =  P(A)

A / X(A) = x
y satisface las siguientes condiciones :
(a) P(x)  0 ,  x  R x
(b)  P(x) =  P(X = x) = 1

xRx xRx
Además P(X) = P(X = x) = 0 si x  R x
DISTRIBUCION DE PROBABILIDAD DE X
Se llama a la colección de pares ( X,P(X) ) ,  x  R x cuya representación tabular es :
Rx x1 x2 ... xk
P(X) = P(X = x) P(x1) P(x2) ... P(xk)
y su representación gráfica es :
P(x2)
P(xk)
P(x1)
x1 x2 ... xk
Ejemplo : En el ejemplo anterior consideremos y definimos a X: Nº de veces que el jefe salía

Aprobado. Dar la distribución de probabilidad en forma tabular y gráfica.
Solución :
R x =  0 , 1 , 2 , 3  y  = AAA , AAD , ADA , DAA , ADD , DAD , DDA , DDD
Luego :
P(0) = P(x = 0) = P(DDD) = 1/8

P(1) = P(x = 1) = P(ADD) + P(DAD) + P(DDA) = 1/8 + 1/8 + 1/8 = 3/8
Trujillo -19-
P(2) = P(x = 2) = P(AAD) + P(ADA) + P(DAA) = 1/8 + 1/8 + 1/8 = 3/8

P(3) = P(x = 3) = P(AAA) = 1/8
Representación Tabular :
Rx 0 1 2 3
P(X) 1/8 3/8 3/8 1/8
Representación Gráfica:
P(x)
3/8
1/8
0 1 2 3 x

- 2017
FUNCION DE DISTRIBUCION DE UNA VARIABLE DISCRETA
Sea X una v. a. discreta con rango R x y función de probabilidad P(x) ; sea x un número real
cualquiera , la Función de Distribución de X se denota por ¨F(x)¨ y se define como :
F(x) = P( X  x ) =  P(xi) =  P(X = xi )

xi  x xi  x
Ejemplo : En una institucion financiera, se sabe por experiencia que un nuevo trabajador
debe asistir a un programa de capacitación de oficina. Si la institucion tiene 450 trabajadores de
las cuales 125 no asistieron a dicho programa 100 asistieron 1 vez, 60 asistieron por 2 veces, 80
asistieron por 3 veces y 85 por 4 veces. Ahora si se selecciona al azar un trabajador y hacemos
X: Nº de veces que este trabajador haya asistido al programa de capacitacion de oficina.
Calcular y dar la función de distribución.
Solución :
Tenemos X : Nº de veces que asistió al programa.

X : 0 , 1 , 2 , 3 , 4 .  R x = 0 , 1 , 2 , 3 , 4 
Ahora calculamos la Función de Probabilidad :
P(0) = 125/450
P(1) = 100/450
P(2) = 60/450
P(3) = 80/450
P(4) = 85/450
Luego Calculamos la Función de Distribución:
Representación Tabular:
Rx 0 1 2 3 4
P(X 125/450 100/450 60/450 80/450 85/450
)
F(X 125/450=0.28 225/450=0.50 285/450=0.63 365/450=0.81 450/450=1
)
Representación Gráfica:
0 , si x0
0.28 , si 0x1
Entonces : F(X) = 0.50 , si 1x2
0.63 , si 2x3
0.81 , si 3x4
1 , si 4x
F(x)

Trujillo -21-
0.81
0.63
0.50
0.28
0 1 2 3 4 x
VARIABLES ALEATORIAS CONTINUAS

Si el Rango Rx , de una v. a. X es un intervalo o una colección de intervalos sobre la
recta de los reales, entonces X se llama v. a. continua .
FUNCION DE PROBABILIDAD
Sea X una v. a. continua con Rx tal que es un intervalo o unión de intervalos. La Función
de Densidad de Probabilidad asociado a la v. a. X es una función (x) integrable que satisface
las siguientes condiciones :
(1)f ( x)≥0, ∀ x∈R x

(2)∫ f ( x) ó ∫ f ( x)dx=1
Cuya gráfica es :
f(x)
- +
Luego la probabilidad de un evento A =  x / a  x  b se define :

a
P(A) = P(a  x  b) =  (x) dx

b
y su gráfica sería : f(x)

- 2017
- x=a x=b +
Ejemplo : En el Banco de Credito del Perú, el consumo diario de energía eléctrica (en
millones de Kilowatt-hora) es una v. a. con función de densidad.
x , 0x1
f(x) = 2-x , 1x2
0 , en otros casos
Hallar :
a) La gráfica de f(x) c) P( x  4)
b) P( -1  x  ½ ) d) P( ¼  x  3/2 )
Solución :
a)
f(x)
1-
0 1 2 x
1/2 0 1/2
x2 1
b) P(-1 ≤ x ≤ 1/2)= ∫ f ( x)= ∫ 0dx+ ∫ xdx= |1/2
0 =
−1 −1 0 2 8
c) Ejercicio .
d) Ejercicio .
Trujillo -23-

- 2017
FUNCION DE DISTRIBUCION
Sea X una v. a. continua con función de densidad f(x), la función de distribución o

función de distribución de la variable aleatoria X se denota por “F(x)” , y se define así :
x
F(x) = P(X  x) =  f(t) dt ,xR

-
cuya gráfica es :
f(x)
- F( x ) = P( X  x ) x +
ESPERANZA MATEMATICA
Definición : Sea x una variable aleatoria discreta con una distribución de probabilidad p(x) , y
sea E(x) el valor esperado o promedio de x , entonces :
E(x) =  x p(x)
donde se suman los elementos para todos los valores de la variable aleatoria x
VARIANZA
Definición : La varianza 2 de una v. a. d. es el valor esperado de ( x - E(x) )2 , es decir :
2 = E( x - E(x)2 =  (x - E(x) )2 p(x)

Trujillo -25-
Ejemplo : Sea X una v.a. con la distribución de probabilidad dada en la tabla siguiente :
X p(x)
-1 0.05
0 0.10
1 0.40
2 0.20
3 0.10
4 0.10
5 0.05
Determinar el valor esperado y la varianza.
Solución :
E(x) =  x p(x) = (-1)(0.05) + (0)(0.10) + ... + (5)(0.05) = 1.70
V(x) =  ( x - E(x))2p(x) = (-1-1.70)2(0.05) + (0-1.70)2(0.10) + ..+(5-1.70)2(0.05) = 2.11
Ejemplo : Un distribuidor ofrece una utilidad adicional de $20 por un producto si es embarcado
de la fábrica en perfectas condiciones y si llega a tiempo; pero la reduce en $2 si no llega a
tiempo y en $12, sin importar el hecho de que llegue a tiempo, si no es embarcada desde la
fabrica en perfectas condiciones. Si el 70% de los productos son embarcados en perfectas
condiciones y llegan a tiempo , el 10% son embarcados en perfectas condiciones pero no llegan
a tiempo y el 20 % no son embarcadas en perfectas condiciones, ¿cuál es la utilidad que puede
esperar el distribuidor por cada producto?
Solución :
El distribuidor concederá la utilidad de $20 el 70% de las veces

de $18 el 10% de las veces
de $08 el 20% de las veces
Utilidad Esperada = 20(0.70) + 18(0.10) + 08(0.20) = $ 17.40

- 2017
EJERCICIOS EN CLASE
1. Cierta empresa contable, tiene un grupo de cuatro computadoraas donde dos estan desfazadas.
Un contador prueba las computadoras uno por uno hasta encontrar las dos desfazadas. Una vez
encontrado la segunda desfazada, se concluye la prueba, pero se prueba la segunda desfazada
como comprobación. Sea X el número de pruebas necesarias hasta encontrar al segunda
computadora desfazada. Encuentre la función de probabilidad y la de distribución para X.

Trujillo -27-
2. Una compañía contable debe preparar una propuesta para ganar un contrato de auditoria
financeira. El costo de prepararla es $5,000 y las probabilidades de obtener utilidades brutas
potenciales de $50,000 , $30,000 , $10,000 o $0 son de 0.20 , 0.50 , 0.20 y 0.10,
respectivamente, suponiendo que la propuesta sea aceptada. Si la probabilidad de que la
propuesta sea aceptada es 0.30, ¿Cuál es la utilidad neta esperada?

- 2017
3. En el campamento de OLMOS, el consumo diario de energía eléctrica (en millones de Kilowatt-
hora) es una v. a. con función de densidad.
x/4 , 0x1
f(x) = 2 – x/4, 1x8
0 , en otros casos
Hallar :
a) La gráfica de f(x) c) P( x  4)
b) P( -1  x  1½ ) d) P( ¼  x  5/2 )

Trujillo -29-
ENSAYOS Y DISTRIBUCION DE BERNOULLI
Hay muchos problemas en la cual el experimento consiste de n sub-ensayos E1 , E2 ,

E3 , ..., En , donde cada sub-experimento Ei tiene solo dos resultados posibles, llamados Éxito
“E” y fracaso “F” .
Es decir para cada Ei se tiene su espacio muestral i = E , F. Un sub-experimento o
ensayo con esta característica se llama un ENSAYO DE BERNOULLI .
Los n ensayos de bernoulli, E1 , E2 , ... , En , se llama un proceso de Bernoulli si cumple
las siguientes condiciones :
a) Cada ensayo tiene solo dos resultados posibles, denominados por Éxito “E” y Fracaso “F”.
b) La probabilidad de Éxito denotado por “p”permanece constante de ensayo a ensayo, por lo tanto
la probabilidad de fracaso es “q =1-p” , también permanece constante.
c) Los ensayos sucesivos son independientes, es decir el resultado de un ensayo cualquiera es
independiente de los resultados de los ensayos anteriores.
DISTRIBUCION BINOMIAL
El espacio muestral de los n ensayos , tiene 2 n elementos, de los cuales son una sucesión
de n símbolos E y F . Es decir  = EEEFFEF...FEF,...
definimos ahora una variable aleatoria de la siguiente manera:
X: Nº de éxitos obtenidos en los n ensayos de Bernoulli luego Rx = 0,1,2,...,n
Entonces la v.a. X así definida se llama una VARIABLE ALEATORIA BINOMIAL
Y la distribución de probabilidad de la v.a. binomial X , se lla DISTRIBUCION
BINOMIAL y se denota frecuentemente por b(X:n,p)
La distribución Binomial de la v.a. X es :
{
P( X )=P( X =x )= x )
( n x n−x
p q
(1) La Media de v.a. Binomial es :  = E(X) = np

(2) La varianza de la v.a. Bonomial es :  2 = V(X) = npq

- 2017
Ejemplo : Se asegura que en el 60% de las implementaciones administrativas, los gastos de
servicios se reducen al menos en una tercera parte. De acuerdo con lo anterior ¿Cuáles son las
probabilidades de que se reduzcan al menos en una tercera parte en
a) cuatro de cinco implementaciones administrativas.
b) al menos cuatro de cinco implementaciones administrativas.
Solución:
La v.a. esta definida así : X: Nº de veces que se reduzcan al menos en una 1/3 parte los gastos de
servicio de 5 implementaciones administrativas.
R x = 0,1,2,3,4,5
Estamos interesados en X = 4 y tenemos n = 5 , p = 0.60 , q = 0.40
Luego :
()
P( x)=P( x=x= n p x qn−x
x
Reemplazando P ( X=4 )= ( 54 )(0. 60 ) (0 . 40)
4 5−4
=0 . 259
Estamos interesados que X tome valores de 4 y 5
5
P( X= x)= ∑
x=4
()
n x n−x 5
x () 5
()
p q = (0 .60)4 (0 .40 )1 + (0 . 60)5 (0 . 40)0
4 5
=0. 259+0 . 078=0 .337
Aplicación de la Distribución Binomial en una muestra
(1) Cuando los elementos de la muestra se extraen con o sin reemplazo de una población infinita.
(2) Cuando los elementos de la muestra se extraen con reemplazo de una muestra finita.
NOTA IMPORTANTE
En la práctica se extrae una muestra sin reemplazo de una población finita, cuando el
tamaño de ésta es pequeño en relación con el de la población (tamaño de la muestra no mayor
que el 10% de la población) y siempre que “p” no sea cerca a 0 ni a 1.

Trujillo -31-
Ejemplo : La máquina de empaque A produce, 5% de piezas defectuosas. Se extrae una muestra

aleatoria de 4 piezas de la producción de la máquina A. ¿cuál es la probabilidad de que la
muestra tenga 1 pieza defectuosa de la máquina A?¿Cuál es la probabilidad de que la muestra
tenga 3 ó 4 piezas defectuosas?.
Solución :
X : Nº de piezas defectuosas de una muestra de 4 piezas de la máquina A.
R x = 0 , 1 , 2 , 3 , 4
con P = 0.05 y P = 0.10
a) Tenemos que X=1
()
P( X =1)= 4 0 . 051 0 . 953 =0.171475
1
b) Tenemos que X=3 ó X=4
4
() 3
()
1 4 4 0
P( X ≥3)= 0. 05 0. 95 + 0 . 05 0. 95 =0 . 000475+0 .0000062=0 .0004812
3 4

- 2017
DISTRIBUCION DE POISSON
Diremos que los eventos discretos que se generan en un intervalo continuo (unidad de
medida: longitud, área, volumen, etc. ) forman un proceso de Poisson con parámetro  , si tiene
la siguientes propiedades :
1) El número de éxitos, que ocurre en una unidad de medida es conocido e igual a  .
2) La ocurrencia de un evento en una unidad h no afecta a la ocurrencia o no ocurrencia de otro
intervalo no trasladado de longitud h (Es decir, la ocurrencia de los sucesos son independientes)
3) Sea una unidad de medida suficientemente pequeño de longitud h , luego :
(i) La probabilidad de un éxito en esta unidad pequeña es proporcional a la longitud del intervalo,
esto es : h .
(ii) La probabilidad de 2 o más éxitos en esta unidad pequeña es aproximadamente 0.
En un proceso de Poisson de parámetro  se observa t unidades de medida, definimos a

X de la siguiente manera :
X : número de ocurrencia de eventos en las t unidades de medida.
Entonces R x =  0 , 1 , 2 , ... 
La variable aleatoria así definida se llama v. a. de Poisson y la distribución de probabilidad de X

se llama Distribución de Poisson la cual esta definida por :
{
ℓ− λ t ( λ t )x
, x=0,1,2 , .. . ,
P( X= x )= x!
0 , en otros casos
Donde:  t: Número de ocurrencias de los eventos en las t unidades de medida.
Nota : La Distribución de Poisson tiende a la Distribución Binomial , cuando p es pequeño y n

es grande. Tal que np permanece casi constante. ( = n p) y la Función de Distribución esta dado
por :
{
ℓ− λ ( λ )x
, x=0,1,2 ,. . .,
P( X= x )= x!
0 , en otros casos
Media de Distribución de Poisson : =
Varianza de la Distribución de Poisson :  = 

2

Trujillo -33-
Ejemplo : La central de atención al cliente de cierto banco, indica un promedio de 2

llamadas cada 3 minutos. ¿Cuál es la probabilidad de que ocurran hasta 5 llamadas o más en un
promedio de 9 minutos ? y ¿Cuál de que no haya llamadas en dicho periodo ?
Solución : Sea X : Número de llamadas en un periodo de 9 minutos

Entonces  t = (2)( 3) = 6
Luego la Distribución de probabilidad de X es

- 2017
Ejemplo : La empresa Pacasmayo S.A. produce ciertas bolsas de cemento bajo cierto peso
específico. Se sabe que la probabilidad de que una bolsa sea defectuosa es 0.02 . En un lote de
100 piezas, ¿Cuál es la probabilidad de que no hayan bolsas de cemento defectuosas? ¿Cuál es
la probabilidad de que haya, a lo sumo 3 bolsas de cemento defectuosas?
Solución:
n = 100 p = 0.02 Luego  = n p = (100)(0.02) = 2
Sea X : Número de bolsas de cemento defectuosas en 100 bolsas
Entonces:

Trujillo -35-
EJERCICIOS en clase
6. Si la probabilidad de que cierto arqueo de caja no cuadre es de 0.05. ¿Cuáles son las
probabilidades de que entre 16 de tales arqueos de cajas
a) a lo máximo dos no cuadren;
b) al menos cuatro no cuadren?

- 2017
7. Un lote grande de expedientes, supuestamente solamente el 5% resultan defectuosos, determine
la probabilidad de que se encuentren al menos tres expedientes defectuosas en una muestra
aleatoria de 20 expedientes.

Trujillo -37-
8. En un almacén particular los pedidos llegan, conforme una distribución de Poisson con un
promedio de siete por hora. ¿Cuál es la probabilidad de que:
a) lleguen al menos dos pedidos, en dos horas?
b) no lleguen más de tres pedidos, en hora y media?
c) lleguen exactamente cinco pedidos en 45 minutos?

- 2017
9. Al inspeccionar la aplicación de un sistema informatico contable, se descubren en promedio 0.2
errores de impresión por minuto. Calcúlese las probabilidades de descubrir :
a) una error de impresión en 3 minutos;
b) al menos dos errores de impresión en 5 minutos.

Trujillo -39-
DISTRIBUCION NORMAL
Una variable aleatoria continua X, se dice que está distribuida normalmente. con media
-     y varianza  2  0 , si su función de densidad de probabilidad está dada por :
Una notación muy usada para la distribución Normal es :

X N (  ,  2 ) que se lee : “La variable X esta distribuida normalmente con media  y
varianza  2 ”
Una propiedad de la distribución Normal es su simetría respecto a la recta x=.

La gráfica de la función de Probabilidad y función de Distribución es :
1/2 -
1/2e
-  + X
Una propiedad importante de la Distribución Normal es su simetría respecto a la recta

x =  pues:
La función de distribución acumulativa de la variable aleatoria X distribuida normalmente esta

dada por :
x (r−μ )2
−
1
F( x )=P( X≤x )=∫ e 2σ 2
dr
−∞ σ √2 π
La grafica de la Función de distribución Acumulativa es :

f(x) F(x)
1
P(X  x)
1/2
- 2017
x  X 0  X
La media de la distribución Normal esta dada por :

E(x)=
La varianza de la Distribución Normal esta dada por :
V(x)=
2
DISTRIBUCION NORMAL ESTANDARIZADA
Si Z es una v.a. que tiene una distribución Normal con media  = 0 y varianza
 = 1 , entonces a Z se le llama v.a. Normal estándar y su función de densidad es :
2
La función de distribución de z se denota por N z ( z ) y esta dada por :
z t2
1 −
F( X≤x )=∫ e 2
dt
−∞ √ 2 π
Los valores de esta función están tabulados y se dan en tablas especiales.
Cualquier v. a. X normal con media  y varianza  2 puede ser transformada a una

variable aleatoria estandarizada z . mediante la sgte. transformación.
donde : E ( Z ) = 0 y V ( Z ) = 1
Representación Gráfica :
Trujillo -41-
f(z)
-3 -2 - + +2 +3

68.26 %
95.46 %
99.74 %
DISTRIBUCION T DE STUDENT
Definición :- Sea Z una variable aleatoria normal con media 0 y varianza 1. Y sea Y una
variable aleatoria que tiene una distribución Chi-Cuadrado con r grados de libertad, y si Z e Y
son independientes, entonces la variable aleatoria
Se dice que tiene una Distribución t - de Student ( o Distribución t ) con r grados de libertad.
La media y la varianza de la Distribución t están dados por :
La Distribución t es simétrica y centrada alrededor de t = 0 .
Por lo tanto la probabilidad de que la variable aleatoria T sea menor o igual a una constante
t = t  es  ; gráficamente :

- 2017
0 t
P(Tt)=
DISTRIBUCION CHI - CUADRADO
Definición :- Sean X 1 , X 2 , X 3 , ... X r , variables aleatorias independientes, distribuidas

normalmente, cada una con media 0 y varianza 1 . la variable aleatoria
 2
= X21 + X22 + X23 + ... + X2r
Se dice que es una variable aleatoria Chi - Cuadrado con r grados de libertad.
El grado de libertad r , es el número de variables aleatorias independientes que se suman.
La media y la varianza de la variable aleatoria Chi - Cuadrado esta dado por :

 
 = E ( 2 ) = r
 2
= Var ( 2 ) = 2r
Es decir , la media es igual al número de grados de libertad y su varianza es igual a dos veces el
número de grados de libertad.
Cuando (r = grado de libertad) aumenta la Distribución Chi - Cuadrado se aproxima a una

Distribución Normal. Por esta razón, es que en la práctica, cuando r es grande ( r  30 ).
La probabilidad de la Chi - Cuadrado pueden calcularse empleando aproximación Normal.
Se puede encontrar en la Tabla la probabilidad de que la v.a. 2 que tiene una distribución Chi -
Cuadrado ( 2 ( r ) , 0    30 ) sea menor o igual a un valor constante 2  representado por :
P ( X  2  ) =  , 0  1
Gráficamente :
1-
0  2
  2
P ( X  2  ) = 

Trujillo -43-
DISTRIBUCION F DE FISHER
En muchas situaciones estaremos interesados en comparar las varianzas de dos variables
aleatorias independientes distribuidas normalmente.
Definición : Sea U y V dos variables aleatorias independientes que tiene distribuciones Chi-
Cuadrado , con r1 y r2 grados de libertad, respectivamente . Entonces la variable aleatoria :
Tiene una distribución F con r1 y r2 grados de libertad.
La media y la varianza de la v.a. F están dadas por :
Las distribuciones F son asimétricas hacia la derecha. La probabilidad de que la variable

aleatoria f sea menor o igual que la variable f  esta dado graficamente :
1-
0 f F
P(F f ) = 

- 2017

Trujillo -45-
EJERCICIOS en clase
1. Ciertos estudios demuestran que el rendimiento de 1 galón de petróleo para cierto grupo
electrógeno vendidos en EE.UU., tiene una distribución normal, con un rendimiento promedio
de 30.5 horas por galón y una desviación estándar de 4.5 horas por galón. Si un fabricante desea
diseñar un nuevo grupo electrógeno más económico. ¿Cuál es la probabilidad de que el
rendimiento este entre 28.1 y 33.9 horas?

- 2017
2. Ciertos bastoncillos de plástico moldeados por inyección son cortados automáticamente en
longitudes nominales de 6 pulgadas. Las longitudes reales están distribuidos normalmente
alrededor de la media de 6 pulgadas y sus desviaciones son 0.06 pulgadas.
a) ¿qué proporción de los bastoncillos rebasan los límites de tolerancia, que son de 5.9 a 6.1
pulgadas?
b) ¿A qué valor es necesario reducir la desviación estándar si 99% de los bastoncillos debe estar
dentro de los límites de tolerancia?

Trujillo -47-
CAPITULO II
DISTRIBUCIONES MUESTRALES
UNIDAD Nº 3
Contenido
1. Población y Muestra Aleatoria .

2. Distribución Muestral de la Media .
3. Distribución de una Proporción .
4. Distribución de la varianza .
5. Distribución Muestral de la Diferencia de dos Medias .
6. Distribución Muestral de la Diferencia de dos Proporciones
UNIDAD Nº 4
Contenido
1. Parámetro , Estimación Estadística , Estimación Puntual ,

Estimación Interválica.
2. Estimación Interválica para la Media .
3. Estimación Interválica para la Proporción .
4. Estimación Interválica para la Varianza .
5. Estimación Interválica para la Diferencia de dos Medias .
6. Estimación Interválica para la Diferencia de dos Proporciones .

- 2017
POBLACION
Es el conjunto de todas las observaciones (resultados) posibles que puede tomar una
variable aleatoria X . La distribución de la población es la distribución de la variable aleatoria X
y puede ser continua o discreta.
MUESTRA ALEATORIA
Sea X una variable aleatoria con función de distribución f(x). Una muestra aleatoria de
tamaño n, de X, es un conjunto de n variables aleatorias X1 , X2 , ... , Xn que cumplen la
siguientes condiciones :
a) Cada una de las variables aleatoria X i , i =1,2,...,n . tienen la misma distribución de X .
b) Las variables aleatorias Xi son independientes. Desde que cada Xi tiene la misma función de
distribución.
Estas condiciones se cumplen cuando :

* Se extrae una muestra al azar con reemplazo de una población finita.
* Cuando la muestra se extrae de una población infinita (discreta o continua).
* Cuando la muestra se extrae de una población finita y sin reemplazo pero la población es muy
grande respecto a la muestra.
DISTRIBUCION MUESTRAL DE LA MEDIA
Sea X1 , X2 , ... , Xn una muestra aleatoria de una variable aleatoria X con media  y
varianza 2 . La media de la muestra, está definida por :
donde las variables aleatorias Xi son independientes, distribuidas idénticamente con media y
varianza común
Si x1 , x2 , ... , xn , son v.a. independientes distribuidas normalmente con medias y

varianzas comunes  y .2 respectivamente. Entonces se distribuye normalmente (propiedad
reproductiva de la normal), con media  y varianza  / n .
.2

Trujillo -49-
TEOREMA : Si x1 , x2 ,...,xn . es una muestra aleatoria de tamaño n de una variable aleatoria

X con media  y varianza .2 , entonces la distribución de la media muestral es
aproximadamente una distribución normal con media
NOTA : El teorema anterior es valido para cualquier población finita o infinita, discreta o
continua, cuando n  30.
Si la población es normal el teorema se cumple cualquiera que sea n.
Cuando la población es finita y el muestreo es sin reemplazo, las v.a. X i no son independientes,
entonces la distribución obedece a una distribución de probabilidad Hipergeométrica.
μ x̄=μ , pero σ 2x̄= ( )

σ 2 N−n
n N−1
. El factor ( N−n
N−1 )
se llama factor de corrección de
población finita .
Ejemplo : Si los ingresos diarios de las financieras están distribuidos normalmente, con media
de 15000 Soles y una desviación estándar de 3500 Soles.
¿Cuál es la probabilidad de que 16 financieras elegidos al azar tengan un ingreso diario menor
de 16200 Soles?
Solución :
( )
16200-15000
P( x̄¿16200)=P Z =P(Z>1.37 )=1-P(Z <1.37)=1-0 .9147=0.0853¿
¿ 3500
√16

- 2017
DISTRIBUCION DE UNA PROPORCION
Suponga que se tiene una muestra aleatoria de n observaciones, donde cada observación
se clasifica como EXITO o FRACASO y X es el número de éxitos en la muestra.
Entonces la cantidad p es simplemente la fracción de éxitos , es decir
Ejemplo: Un adminsitrador, sabe por experiencias anteriores que de la presentación a

licitaciones, el 10% gana la licitación. Suponga que se presenta a 50 licitaciones en todo el Perú.
Suponiendo que se puede aplicar la tasa de respuestas del 10%. Calcular la probabilidad de que
gane entre el 20% y el 30% de las licitaciones .
Solución :
n = 50
p = 0.10
q = 1 - p = 1 - 0.10 = 0.90
( )
0.20-0.10 p̄−p 0.30-0.10
P(0.20< p̄<0.30 )=P < <
√ (0.10)(0.90 ) √ pq √(0.10 )(0.90)
50 n 50
=P (2.36<Z<4.71)
=P (Z <4 .71)−P(Z <2.36)
= 1-0.9909 = 0 .0091

Trujillo -51-
EJERCICIOS en clase
1. Si un cartucho de cierta clase de tinta para impresora rinde en promedio 513.3 hojas con una
desviación estándar de 31.5 hojas. ¿Cuál es la probabilidad de que el numero de hojas impresas
por una muestra de 40 de estos cartuchos de titna imprima entre 510 y 520 hojas ?

- 2017
2. Una compañía de contrucción de cajas fuertes produce con una proporción del 5% de cajas
fuertes defectuosas. ¿Cuál es la probabilidad de que 25 cajas fuertes tomadas al azar en cierto
día de producción, tengan una proporción mayor al 6% ?

Trujillo -53-
DISTRIBUCION MUESTRAL DE LA DIFERENCIA DE DOS MEDIAS
Tenemos dos poblaciones, la 1ª con media 1 Y varianza .21 , y la 2ª con media 2 y varianza
.22. Sea la media de la muestra aleatoria de tamaño n1 , extraida de la 1ª población y la
media de la muestra aleatoria de tamaño n2, tomada de la 2ª población.
La distribución de la diferencia de dos medias muestrales , se llama distribución
muestral de la diferencia de dos muestras.
La media y varianza de la diferencia de dos medias muestrales , está dado por :
TEOREMA : Sea y las medias de dos muestras aleatorias de dos poblaciones, con
media 1 y 2, varianza  .2
1 y .22 , respectivamente entonces la distribución muestral de la
diferencia de medias , es aproximadamente una distribución Normal con media
y la v. a . es :
tiene aproximadamente una distribución N(0,1) . Si n 1 y n2 son  30 observaciones o si las

poblaciones son normales.
Ejemplo : Una encuesta realizada por la Universidad Nacional de Trujillo, mencionó que la
media de los sueldos de los contadores en los 50 provincias costeras del Perú, variaban de
$15971 en Tacna hasta $39751 en Lima. El salario promedio en la provincia de Trujillo se
encontraba en el segundo lugar con $29000, seguido por la provincia de Piura con $28621. Si
tuviera que seleccionar una muestra de 10 contadores de la provincia de Trujillo y de la
provincia de Piura, respectivamente, ¿cuál sería la probabilidad de que el sueldo promedio
muestral en Trujillo excediera el sueldo promedio en Piura por $1000 o más ? (supóngase que
las desviaciones de los salarios poblacionales son aproximadamente 1 = 2 = $2500).
Solución :

- 2017
1000 - 379
Z = = 0.56
 21 / n1 + 22 / n2
Z = 0.56 se obtiene en la tabla y es 0.2877. Por lo tanto :
P( )  1000  = 0.2877
DISTRIBUCION DE LA DIFERENCIA DE DOS PROPORCIONES
Supongamos que se extrae dos muestras independientes de tamaño n1 y n2 de dos poblaciones

binomiales, sean p1 y p2 las probabilidades de éxito respectivamente, y sean X1 : número de
éxitos en la muestra de tamaño n1 y X2 : número de éxitos en la muestra de tamaño n 2 . hemos
visto que la variable aleatoria independiente p1 = x1 / n1 y p2 = x2 / n2 tienen media
Ejemplo : Dos compañías SIDERPERU y Aceros Arequipa producen fierros para la

construcción. SIDERPERU cree que el 10% de su producción son defectuosas y Aceros
Arequipa, el 5% . Se toma una muestra al azar 300 unidades de la línea de producción de
SIDERPERU y se encuentra que 24 son defectuosas. Se toma una muestra al azar de 400
unidades de la línea de producción de Aceros Arequipa y se encuentra que 20 son defectuosas.
¿Cuál es la probabilidad de obtener esta diferencia o una menor en proporciones si la creencia
acerca delos parámetros de la población es correcta ?
Solución :

Trujillo -55-
(
P( p̄ 1− p̄ 2 <0 . 03)=P Z <
0 .0205)
0 . 03−0 . 05
=P(Z <-0. 98 )= 0 .1635

- 2017
PARÁMETRO
Es una medida que describe alguna característica de la población, y para determinar su

valor, es necesario utilizar todos los elementos (datos) que conforman dicha población .como
por ejemplo la media poblacional  , la varianza poblacional 2 , la proporción poblacional P,
etc.
ESTIMACION ESTADISTICA
Es el proceso mediante el cual se intenta determinar el valor del parámetro de la

población a partir de la información de una muestra.
Clases de Estimación:
La estimación de un parámetro puede adoptar la forma de un solo punto (estimación puntual ) o
de un intervalo (estimación interválica).
ESTIMACION PUNTUAL
Es la determinación de un valor único y considerado como óptimo de un parámetro

desconocido.
ESTIMACION INTERVALICA
Es la determinación de un intervalo aleatorio t1 , t2 que tiene una probabilidad

(1-) definida anticipadamente de contener el verdadero valor desconocido del parámetro  .
Se expresa de la forma siguiente :
donde :
1 -  : Probabilidad predeterminado o nivel de confianza de la estimación

Z /2 : Multiplicador de confianza ( Valor tabular ).

Trujillo -57-
Algunos valores del multiplicador de confianza más usados con sus correspondientes
probabilidades.
1 - /2 Z/2 (Valor de la Distribución Normal)
0.90 0.05 1.64

0.95 0.025 1.96
0.99 0.005 2.58
Cuando hacemos estimaciones interválicas, en las cuales la muestra n es menor que 30

observaciones (n  30 ) , el valor de Z/2 se reemplazará por el valor de la distribución t de
Student con (n - 1) grados de libertad.
ESTIMACION INTERVALICA PARA LA MEDIA : 
P [ x̄ -Zα /2 σ x̄ ≤μ≤ x̄ + Z α /2 σ x̄ ]=1−α
donde :
Ejemplo : El diámetro final de un cable eléctrico blindado es distribuido normalmente. Una

muestra de 40 cables produce una media de 0.790 cm. y una desviación estándar de 0.010 cm.
Encuentre un intervalo de confianza del 95% para la media poblacional.
Solución :
X = 0.790
S = 0.010
P  X - Z /2 Sx    X + Z /2 Sx  = 1 - 
Sx = 0.010 /  40 = 0.0016
1 -  = 95%
Z /2 = 1.96
P 0.790 - 1.96 (0.0016)    0.790 + 1.96 (0.0016) = 95%
Entonces
P 0.790 - 0.003    0.790 + 0.003  = 95%
- 2017
  0.787 , 0.793 
Interpretación:
El diámetro final de cable eléctrico blindado podría estar entre 0.787 cm y 0.793 cm, con una
confianza del 95%
ESTIMACION INTERVALICA PARA LA PROPORCION: P
Si p = a / n es la proporción de éxitos en una muestra de tamaño n , el intervalo de

confianza del (1-)% para P estará dado por :
[ √
P p-Zα /2
pq
n
≤P≤ p+Z α /2
pq
n
=1−α
√ ]
Ejemplo : En una encuesta de seguridad empresarial, 320 de un total de 400 trabajadores
entrevistados, se pronunciaron a favor de una supervisión de prevención de accidentes de parte
del Ingeniero de planta. Establezca un intervalo del 95% para la proporción de trabajadores que
están a favor de la supervisión.
Solución :
La proporción muestral es p = 320 / 400 = 0.80

Luego :
1 -  = 95% = 0.95
Z /2 = 1.96
[
P 0 .80-1 . 96
√ 0. 80*0 . 20
400
≤P≤0 . 80+1 .96
√0 .80*0 . 20
400 ]=0 . 95
P  0.80 - 1.96(0.020)  P  0.80 + 1.96(0.020)  = 0.95
  0.7608 , 0.8392 
Interpretación:
La proporción de trabajadores que están a favor de la supervisión de prevención de accidentes

podría estar entre el 76.08% y 83.92%, con una confianza del 95%.

Trujillo -59-
ESTIMACION INTERVALICA PARA LA VARIANZA: 
Si S2 es la varianza muestral de una muestra de tamaño n , tomada de una población

Normal con media  y varianza 2 (ambas desconocidas) ,se tiene que el intervalo del 100% de
confianza para 2 , está dado por :
( n - 1 ) S2 ( n - 1 ) S2
 2 
 2
1 - /2  2
/2
Donde :
 2
1 - /2 ,  2
-/2 son los valores de la Distribución Chi - cuadrado o Ji - cuadrado con (n-
1) grados de libertad.
Ejemplo : Un test de funcionamiento de 5 modelos de calculadora digital experimental mostró

que funcionaron, respectivamente, 20 , 19 , 22 , 17 y 18 horas con una bateria recargable.
Construir un intervalo de confianza al nivel del 95% para la varianza de las longitudes del
tiempo que la calculadora experimental funciona con una bateria recargable dado.
Solución :
X =  Xi / n = 96 / 5 = 19.2
S2 = (Xi - X )2 / n-1 = 14.8 / 4 = 3.7
1 -  = 0.95

- 2017
( n - 1 ) S2 ( n - 1 ) S2
 2 
 2
1 - /2  2
/2
4(3.7) , 4(3.7)
----------- ----------
11.14 0.484
  1.3282 , 30.5785 
Interpretación:
La variación del tiempo de funcionamiento de las calculadoras experimentales con una bateria
recargable podría estar entre el 1.3282 minutos y 30.5785 minutos, con una confianza del 95%.

Trujillo -61-
EJERCICIOS en clase
1. Se determina el número de errores por informe economico de cierta empresa: 20 , 22 , 26 , 24 ,

28 , 23 , 23 , 25 , 25 , 24 , 20. Calcular e interpretar un intervalo de confianza para el promedio
con una confianza del 99%.

- 2017
2. En declaraciones de impuestos presentadas por cierta empresa minera, 95 de 250 delcaraciones
fueron fraguadas. Construya e interprete un I.C. del 90% para la correspondiente proporción
poblacional de declaraciones fraguadas presentadas por esta compañía minera.

Trujillo -63-
ESTIMACION INTERVALICA PARA LA DIFERENCIA DE DOS

MEDIAS: 1 - 2
Se presenta dos Casos :
1) Si n1 + n2  30 , entonces :
[
I . C .= ( X̄ 1 − X̄ 2 )−Z α /2
√ S21 S22
+ , ( X̄ − X̄ ) +Z α /2
n1 n 2 1 2
S21 S 22
+
n1 n2 √ ]
2) Si n1 + n2  30 ; entonces
[ √ )]
2 2
( n1 −1 ) S 1 + ( n 2−1 ) S2
I . C .= ( X̄ 1 − X̄ 2 )±Z α / 2
n1 +n 2−2 ( 1 1
+
n1 n2
Donde :
r = n1 + n2 - 2 son los grados de libertad

n1 , n2 : Tamaño de las muestras seleccionadas de las poblaciones 1 y 2
respectivamente.
S 1 , S 2 : Varianzas muestrales de las muestras seleccionadas de las poblaciones 1 y 2
2 2
respectivamente
: Medias muestrales de las poblaciones 1 y 2 respectivamente.
Nota importante:
Si σ 21 ≠σ 22 entonces
( )
2 2 2
S1 S 2
+
n1 n2
r= 2 2
−2
( ) ( )
S21
n1
+
S22
n2
n1 +1 n2 +1

- 2017
Ejemplo : La media y la desviación estándar del peso máximo soportado por 100 fierros de ½
pulgada producidos por SIDERPERU son 20 y 1.1 toneladas respectivamente. La media y la
desviación estándar de 100 fierros de ½ pulgada IMPORTADOS son 18.8 y 0.8 toneladas
respectivamente. Determinar un intervalo de confianza del 95% para la diferencia de pesos
máximos medios.
Solución :
[
I . C .= ( 20−18 . 8 )−1. 96
√
(1. 1)2 (0 . 8 )2
100
+
100
,(20−18 .8 )+1. 96
100 √
(1. 1)2 (0 . 8 )2
+
100 ]
=95 %
El peso máximo medio de los fierros de SIDERPERU superan al IMPORTADO entre 0.93 y
1.47 T.M. con una confianza del 95%
Ejemplo : Con el fin de comparar dos métodos A y B de producción de cemento

PACASMAYO, se tomaron 2 muestras de tamaño 9 . Arrojando los siguientes resultados del %
de pureza del cemento después de experimentar con los métodos :
Para el Método A : X1 = 35.22 % , S21 = 24.44 %
Para el Método B : X2 = 31.56 % , S22 = 20.03 %
Suponiendo que cada método los datos corresponden a una distribución normal. Estimar la
diferencia real de las medias de los métodos con un nivel de confianza del 95%.
Solución :
1-  = 0.95 r = 9 + 9 - 2 = 16  t (/2 , r) = t (0.025 , 16 ) = 2.12
[
I . C .= ( 35 .22−31. 56)±2. 12
√ 16 ( )]
8(24 . 44 )+8 (20. 03 ) 1 1
+
9 9
I. C. = ( 3.66 - 4.707 , 3.66 + 4.707 )
I. C. = ( - 1.047 , 8.367 )
No existe diferencia entre los dos métodos.

Trujillo -65-
ESTIMACION INTERVALICA PARA LA DIFERENCIA DE

PROPORCIONES : P1 - P2
Considerando dos muestras independientes de tamaño n1 y en seleccionadosa al azar de

dos poblaciones respectivamente .
[
I . C .= ( p 1− p 2 )−Z α /2
√ p 1 q1 p 2 q 2
n1
+
nq
,( p1 − p2 )+Z α /2
√
p 1 q1 p 2 q 2
n1
+
nq ]
Ejemplo : Se ha encontrado que 25 de 250 rollos de papel por el proceso A son defectuosas y
que 14 de 180 producidos por el proceso B son defectuosos . Suponiendo que el muestreo es
aleatorio, determinar el intervalo del 99% de confianza para la diferencia verdadera en la
proporción de rollos de papel defectuosos producidos por los procesos A y B.
Solución :
1- = 0.99 Entonces Z/2 = 2.58

Proceso A: p1 = 25 / 250 = 0.10 q1 = 1 - 0.10 = 0.90 n1 = 250
Proceso B: p2 = 14 / 180 = 0.08 q2 = 1 - 0.08 = 0.92 n2 = 180
[
I . C .= ( 0 .10−0 . 08)±2. 58
√ ( 0 . 10)0 . 90 ( 0 . 08 )0 . 92
250
+
180 ]
I.C. =  0.02 - 2.58 ( 0.028 ) , 0.02 + 2.58 ( 0.028 ) 
I.C. =  - 0.0522 , 0.0922 
Ambos procesos arrojan igual proporción de rollos de papel defectuosos

- 2017
EJERCICOS en clase
1. Con una política sobre “seguridad industrial” usados en ciertas empresas, los implementos de
seguridad, en la empresa A se utilizaron 95 de 250 obreros y en la empresa se utilizaron 108 de
230 obreros. Construya un I.C. del 99% para la diferencia proporcional de utilización de
implementos de seguridad en las empresas A y B.
2. Con el fin de comparar dos métodos A y B de cierre de caja, se tomaron 2 muestras de tamaño 9
para cada método (9 estudiantes de contabilidad). Arrojando los siguientes resultados del tiempo
empleado para cerrar caja (minutos):
Estimar la diferencia real de los tiempos medios

empleados en cerrar caja de los métodos con un
nivel del 95% de confianza.

Trujillo -67-
PRUEBA DE HIPOTESIS
En la investigación científica puede proponerse una hipótesis o teoría concerniente a

alguna Población de elementos; esto se denomina HIPOTESIS ESTADISTICA.
La única forma de tener una certeza absoluta de la Veracidad o Falsedad de la hipótesis
estadística es examinando toda la población, pero esto con frecuencia es impracticable o
imposible y entonces nos vemos obligados a sacar una muestra de la población.
La muestra sacada de la Población se usa para tomar una DECISION como si la
Hipótesis fuera verdadera o falsa. El proceso de usar la muestra para contrastar si la hipótesis es
verdadera (o falsa) se llama PRUEBA O CONTRASTACION DE HIPOTESIS.
HIPOTESIS ESTADISTICA :- Es una aseveración que se hace a cerca de la distribución de

una o más v.a. (o poblaciones ) la cual puede o no ser verdadera.
Se puede especificar una hipótesis, dando el tipo de distribución y el valor o valores del
parámetro o los parámetros que la definan.
En la práctica, la distribución de la población, generalmente se asume. Por lo tanto una hipótesis
se especifica con el valor o los valores del parámetro.
CLASES :
Hipótesis Estadística Simple : Si la hipótesis especifica completamente la distribución, es decir

especifica su forma funcional y los valores de todos los parámetros.
Hipótesis estadística Compuesta : Cuando la hipótesis estadística no especifica completamente.
PRUEBA DE UNA HIPOTESIS : Es una regla que cuando los valores experimentales son
observados nos conducen a una decisión; aceptar o rechazar la hipótesis bajo consideración.
De hecho no hay certeza de que no se cometerá una equivocación, existiendo dos tipos de error,
cualquiera de los cuales se puede cometer.
ERROR DE TIPO I (  ) .- Llamado también nivel de significación, es la máxima probabilidad

de rechazar la hipótesis siendo cierta o si la hipótesis establecida es verdadera y la consideramos
como falsa.
ERROR DE TIPO II (  ).- Es la mínima probabilidad de aceptar la hipótesis siendo falsa.
Nuestra decisión de aceptar o rechazar una hipótesis se basará en la información que

obtengamos haciendo observaciones y en el riesgo que estamos dispuestos a correr de que
nuestra decisión puede ser errónea.
HIPOTESIS NULA H0 .- Es la hipótesis que se debe probar, se llama también hipótesis de

ninguna diferencia, de allí el nombre de NULA; ésta conjetura de la realidad (Población) puede
ser cierta o falsa.

- 2017
HIPOTESIS ALTERNATIVA H1 .- Llamada también Hipótesis de Investigación, es la
hipótesis contra la cual se va ha contrastar H 0, se busca evidencia en la muestra, que nos induzca
a rechazar H0 en favor de H1.
FUNCION PIVOTAL .- O estadístico de prueba, es toda variable aleatoria cuya Distribución

Muestral está relacionada con H1 y de cuyo valor depende la decisión; si éste valor cae en la
zona de rechazo, la decisión es RECHAZAR H 0; en caso contrario no hay evidencia para
rechazarlo.
REGION CRITICA .- O zona de rechazo, una vez establecido el nivel de significancia, queda
determinado dos regiones para la prueba: ZONA DE RECHAZO = y ZONA DE
ACEPTACION = 1-  =  .
El punto que separa éstas zonas se llama Punto Crítico y toma valor de la distribución teórica
con la que mantiene concordancia la muestra.
PRUEBA DE HIPÓTESIS PARA LA MEDIA POBLACIONAL

CON VARIANZA CONOCIDA
Cuando se conoce la Varianza Poblacional, el proceso consiste en los siguientes pasos :
1.- Formular la Hipótesis :

H0 : µ = µ 0
µ > µ0
H1 : µ = µ 0
µ < µ0
2.- Selección del nivel de significación :  = 0.01 , 0.05 , 0.10
3.- Considerar la muestra aleatoria : x1 , x2 , x3 , . . . , xn.
4.- Selección del estadístico de prueba :

Trujillo -69-
donde : _
x : es la Media de la Muestra.
n : es el tamaño de la Muestra.
µ : es la Media Poblacional.
: es la Desviación Estándar de la Población.
5. Determinar el Punto Crítico y la Región Crítica según .
a) Cuando H 1 : µ > µ0
R.C. = {x / x  Z1- }
0 Z 1-
R. A. R. C.
b) Cuando H1 : µ  µ0
R.C. = { x / x  -Z /2 v x Z /2 }
Z /2 0 Z 1-/2
R. C. R. A. R. C.
c) Cuando H 1 : µ < µ0
R.C. = {x / x  Z }

- 2017
Z 0
R. C. R.A.
6. Obtener el valor experimental Z0, según H0 y la muestra :
7. Adoptar la decisión :
Aceptar H0 si Z0 cae en la Región de Aceptación. ( R.A.)

Rechazar H0 si Z0 cae en la Región Crítica. ( R.C.)
PRUEBA DE HIPÓTESIS PARA LA MEDIA POBLACIONAL

CON VARIANZA DESCONOCIDA
Cuando no se conoce la Varianza Poblacional, el proceso consiste en los siguientes pasos :

H0 : µ = µ 0
µ > µ0
H1 : µ  µ0
µ < µ0
3.- Considerar la muestra aleatoria: x1 , x2 , x3 , . . . , xn.

Trujillo -71-
donde : _
x : es la Media de la Muestra.
n : es el tamaño de la Muestra.
µ : es la Media Poblacional.
s : es la Desviación Estándar de la Muestra.
a) Cuando H 1 : µ > µ0
R.C. = {x / x  t 1- ( n - 1) g.l. }
0 t 1- (n-1)
R. A. R. C.

- 2017
b) Cuando H 1 : µ = µ0
R.C. = { x / x  -t /2 ( n - 1) v x  t /2 ( n - 1) }
- t/2 (n-1) 0 t 1-/2 (n-1)

R.C. R. A. R. C.
c) Cuando H 1 : µ < µ0
R.C. = {x / x  -t  ( n - 1) }
-t  (n-1) 0
R. C. R. A.
6. Obtener el valor experimental t0, según H0 y la muestra:
7. Adoptar la decisión:
Aceptar H0 si t0 no cae en la Región Crítica.

Rechazar H0 si t0 cae en la Región Crítica.
Ejemplo: El rendimiento promedio de los estudiantes de contabilidad, se distribuye
normalmente con µ = 13 puntos y  = 0.7 . Se estudia un grupo de 25 estudiantes, procedentes
de un pueblo muy apartado del centro de la ciudad y se obtiene puntos. Se puede
afirmar con 95% de seguridad de que la muestra de estudiantes provienen de una población con
parámetro diferente a µ = 13 ?

Trujillo -73-
Solución :
1. Formular la Hipótesis
H0 : µ = 13 pulgadas
H1 : µ < 13 (porque )
2. Nivel de significancia
 = 0.05
3. La muestra aleatoria es de tamaño 25; (n=25).
4. Elegimos el estadístico de prueba:

Como se conoce  = 0.7 entonces será;
5. Determinar el punto crítico y la Región Crítica, de acuerdo a las condiciones del

problema  = 0.05 .
H1 : µ < 13
R.C. = {x / x  Z  }
Z = -1.64
6. Obtener el valor experimental Z0 .

Reemplazando los valores poblacionales y muestrales :
7. Como Z0 = -2.85 < Z 1- = -1.64 entonces
Se rechaza H0 , porque el valor de Z0 cae en la Región Crítica.
8. Conclusión: El rendimiento academico de los estudiantes procedentes de un pueblo

muy apartado del centro de la ciudad es diferente a los de la ciudad.

- 2017
PRUEBA DE HIPOTESIS PARA LA PROPORCION POBLACIONAL
En muchos problemas de Ingeniería y Administración nos interesa una variable aleatoria

que siga la distribución binomial. Es decir queremos probar la siguiente prueba de hipótesis.
1.- Plantear la Hipótesis :
H 0 :P=P 0
H 1 :¿ ¿
¿
2.- Selección del Nivel de Significación :
 = 0.01 , 0.05 , 0.1 ó 1% , 5% , 10%
3.- Descripción de la Población y Suposiciones :
Se brindará una prueba aproximada que se basa en la aproximación normal a la binomial.

Este procedimiento aproximado será válido siempre y cuando P no sea en extremo cercano
a 0 o a 1, y si el tamaño de muestra es relativamente grande.
4.- Solución del Estadístico Pertinente :
Como la hipótesis se refiere a una proporción poblacional, el estadístico apropiado es la

proporción muestral p.
El Estadístico de Prueba y su Distribución :
El estadístico de prueba se puede expresar en dos formas, en términos de la proporción de

éxitos o del número de éxitos.
(Valor Experimental )
5.- Regiones de Rechazo y de Aceptación :

Trujillo -75-
H 1 : P ¿ P0 ; R . R .= {Z/Z ¿ Z 1-α } ¿
H 1 : P ¿¿
H 1 : P≠ P0 ; R . R .=¿ ¿
6.- Recolección de datos y cálculo de los Estadísticos Necesarios :
n , a , p , Z0=?
7.- Decisión Estadística :
Se compara el valor crítico Zt (Valor Tabular ) con Z0 ( Valor experimental)
8.- Conclusión :
Si Rechazamos H0: P=P0 se concluye que “la proporción de la población no es igual a P0”.

- 2017
Ejemplo:
¿La proporción de estudiantes de Contabilidad desaprobados en la I Unidad es

menor del 23%?
Se obtuvo una muestra aleatoria de 200 alumnos de toda la población de estudiantes de

Contabilidad.
1º) Plantear la Hipótesis :
2º) Selección del Nivel de Significación :

 = 5% ( Consideremos el nivel de significancia)
3º) El Estadístico de Prueba :
El estadístico de prueba se puede expresar de la siguiente forma:

(Valor Experimental )
4º) Regiones de Rechazo y de Aceptación :

H 1 : P ¿¿
Z0.05 = -1.645
R. Rechazo R. Aceptación
5º) Recolección de datos y cálculo de los Estadísticos Necesarios :
De nuestra muestra de 200 observaciones se calculó la proporción de desaprobados :

n =200
a = 31
p =31/200 = 0.155

Trujillo -77-
6º) Decisión Estadística :
Se compara el valor crítico Zt (Valor Tabular ) con Z0 ( Valor experimental)
En nuestro estudio el valor experimental Z0 = -2.5203 es  Zt =-1.645

Por lo tanto se rechazamos la Hipótesis Nula H0 : P = 0.23 y aceptamos la hipótesis Alternativa
H1 : P  0.23
7º) Conclusión :
Existe evidencia suficiente para afirmar que la proporción de estudiantes de Contabilidad
es menor del 23% para la I Unidad, con nivel de significancia del 5%.

- 2017
EJERCICIOS en clase
1. Una empresa paga a sus empleadores un promedio de 10 soles por hora y una desviación
estándar de 4 soles por hora. Se tomó una muestra aleatoria de 25 empleados el día lunes y se
encontró que el pago promedio es de 10.5 Soles por hora ¿Puede considerarse que los
empleados encuestados el día lunes son significativamente diferentes a los de otros días con un
nivel de significancia del 5%?

Trujillo -79-
2. El departamento contable de una compañía, anuncia por historia un paga de incentivo laboral
por trabajador de 25 soles por cada venta realizada; se tomo una muestra aleatoria de 120
trabajadoras para evaluar el incentivo y se obtuvo un promedio de 28 soles por venta. ¿Debe
cambiar el pago por incentivo para actualizarlo, con un nivel de significancia del 10%?

- 2017
PRUEBA DE HIPÓTESIS SOBRE LA IGUALDAD DE DOS MEDIAS
(VARIANZAS CONOCIDAS)
Supóngase que existen dos poblaciones de interés, por ejemplo X1 y X2. Se considera que X1,
tiene media desconocida y varianza conocida y que x2 tiene media desconocida y varianza
conocida. Se desea probar la hipótesis de que las medias son iguales.
H 0 :μ1=μ2
H 1 :¿ ¿
¿
3.- Considerar los datos.
X11 , X12 , X13 , ... , X1n1.

X21, X22 , X23 , ... , X2n2.

Trujillo -81-
donde :
H 1 : μ1 ¿ μ2 ; R . R .={Z / Z ¿ Z1- α } ¿
H 1 : μ ¿ ¿
H 1 : μ1 ≠μ 2 ; R . R .={Z / Z ⟨ Z α ó Z⟩ Z 1-α }
6. Obtener el valor experimental Z0, según H0 y las muestras :
Ejemplo : El ingeniero supervisor de cierto fabrica está interesado en comparar la actuación

de dos líneas diferentes de producción de zapatillas. Como la línea 1 de producción (es
relativamente nueva), sospecha que su producción en número diario de pares de zapatillas es
mayor que el número de pares de zapatillas por la línea 2 de producción (la más vieja). Se
selecciona para cada línea diez días, aleatoriamente para obtener datos, a partir de los cuales se
encuentra que pares de zapatillas por día y pares de zapatillas por día. A
partir de la experiencia al operar este tipo de línea de producción se sabe que:
. Se debe probar con una significancia del 5% la siguiente hipótesis:

- 2017
Solución :
 = 0.05
3. La muestra aleatoria es de tamaño 10 para cada población :
4. Elegimos el estadístico de prueba :

R.C. = {x / x  Z 1-  } Z1- = 1.64 ( Valor Tabular )
7. Como Z0 = 2.10  Z 1- = -1.64 entonces
Se rechaza H0 , porque el valor de Z0 cae en la Región Crítica.
8. Conclusión : Existe evidencia suficiente para afirmar que el número medio de pares de
zapatillas por día por la nueva línea de producción es mayor que el número medio de
pares de zapatillas producido por la línea vieja, con una significancia del 5%
PRUEBA DE HIPÓTESIS SOBRE LA IGUALDAD DE DOS MEDIAS

(VARIANZAS DESCONOCIDAS)

Trujillo -83-
Supóngase que existen dos poblaciones de interés, por ejemplo X 1 y X2. Se considera que X1,
tiene media desconocida y varianza desconocida y que X 2 tiene media desconocida y varianza
desconocida. Se desea probar la hipótesis de que las medias son iguales.

H 0 :μ1=μ2
H 1 :¿ ¿
¿
X11 , X12 , X13 , ... , X1n1.

X21, X22 , X23 , ... , X2n2.

- 2017
H 1 : μ1 ¿ μ2 ; R . R.={ t / t ¿ t 1- α (n +n −2)} ¿
1 2
H 1 : μ1 ¿ ¿
H 1 : μ1 ≠μ 2 ; R . R . =¿ ¿
Ejemplo: Se están analizando dos maquinarias diferentes para determinar en qué forma afectan
al suelo. Específicamente, la maquinaria 2 se está empleando actualmente, pero la maquinaria 1
es aceptable. ya que es más barato, si no afecta al suelo, la maquinaria 1 debe comprarse y
cambiar a todos los demás. Supóngase que se desea probar las hipótesis.(=5%)
Los datos del departamento de mecanica preventiva son :
Solución :
 = 0.05

Trujillo -85-
3. La muestra aleatoria es de tamaño 10 para cada población :

H 1 : μ1 ≠μ 2 ; R . R . =¿ ¿
6. Obtener el valor experimental to .
7. Como to = -2.03  t1- = -2.145 entonces
Se acepta H0 , porque el valor de Z0 cae en la Región Crítica.
8. Conclusión : No se tiene evidencia para concluir que la maquinaria 1 afecte en

promedio menos al suelo que la maquinaria 2; con una significancia del 5%.

- 2017

H 0 :μ1=μ2
H 1 :¿ ¿
¿
X11 , X12 , X13 , ... , X1n1.

X21, X22 , X23 , ... , X2n2.
p : grados de libertad
( )
2
S21 S 22
+
n1 n2
p= −2
( ) ( )
2 2
S21 S22
n1 n2
+
n1 +1 n2 +1

Trujillo -87-
H 1 : μ1 ¿ μ 2 ; R . R.={ t / t ¿ t 1- α ( p )} ¿
H 1 : μ1 ¿ ¿
H 1 : μ1 ≠μ 2 ; R . R .=¿ ¿
Ejemplo: Supóngase que existen dos poblaciones normales, por ejemplo X1 y X2 en donde
y ambas varianzas son desconocidas. probar :
Dos muestras aleatorias dan los siguientes resultados:

Muestra 1 : tamaño 15 , media 2 y varianza 10
Muestra 2 : tamaño 10 , media 1 y varianza 20.
Solución :
 = 0.05

- 2017
3. Resultados de las muestras:

H 1 : μ1 ¿ ¿
( )
2
10 20
+
15 10
p= −2≃16
(10 /15 ) ( 20 /10 )2
2
+
15+1 10+ 1
6. Obtener el valor experimental to .
7. Como to = 0.61  t = -1.7459 entonces
Se acepta H0 , porque el valor de Z0 cae en la Región de Aceptación.
1.

Trujillo -89-
EJERCICIOS EN CLASE
1. La compañía constructora E&A debe decidir si compra la marca A o la marca B de ventiladores
industriales para la planta principal de producción. Para estimar la diferencia entre las dos
marcas asignó un ventilador a cada miniplanta de 12 sucursales y se registraron en miles de
kilowatts los siguientes consumos:
Marca A: 50 47 38 44 35 36 44 48 46 48 49 51
Marca B: 45 43 30 39 35 31 42 44 37 46 48 52
Utilizando un nivel del 5% ¿Se puede concluir que los promedios de consumo de energía en
kilowatts son iguales en ambas marcas? Suponga que las diferencias de los consumos se
distribuyen en forma normal.

- 2017
2. El Jefe de operaciones de la CIA PARAMONGA tiene que escoger entre dos marcas A y B de
máquina para la fabricación de papel. El sabe que cada marca tiene un tiempo de producción por
fardo, se le permitió probar ambas máquinas durante un periodo de prueba para luego escoger
10 tiempos al azar para cada una de ellas, los resultando los siguientes tiempo de demora
(minutos):
Máquina A: 40 49 47 42 48 38 44 49 50 37
Máquina B: 40 41 39 40 38 42 43 37 38 41
¿Qué marca de máquina podría adquirir?

Trujillo -91-
PRUEBA DE HIPÓTESIS SOBRE LA IGUALDAD DE DOS PROPORCIONES
H 0 :P1=P2
H 1 :¿ ¿
¿
X11 , X12 , X13 , ... , X1n1.

X21, X22 , X23 , ... , X2n2.
p1−p2 X 1+X 2
Z= → N(0,1)¿ p̄= ¿¿
( )
1 1 n1+n2
√ p̄(1- { p̄) n +n
1 2
donde :
H 1 : P1 ¿ P2 ; R . R .={Z / Z ¿ Z 1-α } ¿
H 1 : P1 ¿ ¿
H 1 : P1≠P 2 ; R . R .= {Z / Z⟨ Z α ó Z⟩ Z 1-α }

- 2017
p1 −p 2
Z 0= ¿
√ p̄ (1- { p̄) ( )
1 1
+
n1 n2
Ejemplo: Se están considerando para su empleo en la CIA MIN dos diferentes tipos de
computadoras para control de disparo de explosivos. Los sistemas de computadoras se sujetan a
una prueba de operación en la cual se cuenta el número total de blancos obtenidos. El sistema
de computadoras 1; dio 250 blancos entre 300 disparos, mientras que el sistema de computadora
2; dio 178 blancos de 260 disparos. ¿Existe razón para pensar que difieren los dos sistemas de
computadora? =5%.
Solución :
H 0 : P1 =P2
H 0 : P1 ≠P2
 = 0.05
3. resultados de las muestras :
p1−p2 X 1+X2
Z= → N(0,1)¿ p̄= ¿¿
( )
1 1 n1+n2
√ p̄(1- { p̄) n + n
1 2

Trujillo -93-
H 1 : P1≠P 2 ; R . R .= {Z / Z⟨ Z α ó Z⟩ Z 1- α }
Z0.025 = -1.96 Z0.975 = 1.96 ( Valor Tabular )
250+178
p̄=
300+260
0 . 8333−0. 6846
Z 0= =4 .13
√ 0 . 7643(1−0 .7643 ) (
1
+
1
300 260 )
7. Como Z0 = 4.13  Z 0.975 = 1.96 entonces
Se rechaza H0, porque el valor de Z0 cae en la Región Crítica.
8. Conclusión: Existe una diferencia significativa entre los dos sistemas de computadora.
PRUEBA DE HIPOTESIS SOBRE LAS VARIANZAS DE DOS DISTRIBUCIONES

NORMALES
H 0 :σ 21=σ 22
H 1 :¿ ¿
¿
X11 , X12 , X13 , ... , X1n1.

X21, X22 , X23 , ... , X2n2.

- 2017
donde :
; R . R .={ F / F ¿ F( α ,n −1, n −1)} ¿

2 2
H 1 : σ1 ¿ σ2
1 2
2
H 1 : σ 1 ¿ ¿
2 2
H1: σ 1 ≠σ 2 ; R . R . =¿ ¿

Trujillo -95-
Ejemplo: Se presenta los datos del rendimiento fisioquímico en donde se emplea dos
catalizadores. con los datos siguientes:
. Se desea probar la hipótesis : Use  = 5%.
Solución :
2.- Selección del nivel de significación :  = 0.05

2 2
H 1 : σ 1 ≠σ 2 ; R . R . =¿ ¿
Como F0 = 0.97  F 0.975;(7,7) = 0.20 y  F 0.025;(7,7) = 4.99 entonces

Se acepta H0 , porque el valor de F0 cae en la Región de Aceptación.
8. Conclusión : No puede concluirse que existe fuerte evidencia de que la varianza del
rendimiento se vea afectada por el catalizador.

- 2017
EJERCICIO en clase
1. Las ventas en linea tiene cierto margen de tiempo para el envio del producto, entonces la tienda
Alliexpress maneja un valor del 4% de ventas fuera del margen de tiempo. El día lunes, se tomó
una muestra aleatoria de 25 ventas y se encontró que el porcentaje de envio del producto fuera
de tiempo es 6%. ¿Puede considerarse que la proporción de ventas realizadas el día lunes son
significativamente diferentes a los de otros días con un nivel de significancia del 5%?

Trujillo -97-

Estadistica Aplicada Inferencial Contab 2017

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

Estadistica Aplicada Inferencial Contab 2017

Cargado por

Copyright:

Formatos disponibles

ESTADISTICA APLICADA .

1. Experimento Aleatorio, Espacio Muestral, Suceso o Evento.

-4- Universidad Nacional de Trujillo - Contabilidad y Finanzas

Un experimento aleatorio es cualquier hecho o fenómeno cuyo resultado no puede

E1 : Observar si una máquina empaquetadora está encendido o no.

Se define así, al conjunto de todos los resultados posibles de un experimento aleatorio. A

El espacio muestral asociado a los experimentos anteriores.

Es un subconjunto del espacio muestral. Se clasifica en :

1) Suceso elemental : Cuando Ai contiene exactamente un punto muestral, es decir:

Ejemplo: El departamento de contabilidad evalúa el funcionamiento de un sistema informatico

Contabilidad y Finanzas - 2017 - Universidad Nacional de

 El espacio muestral será  = (F,C),(F,B),(M,C),(M,B),(D,C),(D,B) 

Luego el suceso donde el sistema informatico contable sea cara será :

-6- Universidad Nacional de Trujillo - Contabilidad y Finanzas

Contabilidad y Finanzas - 2017 - Universidad Nacional de

-8- Universidad Nacional de Trujillo - Contabilidad y Finanzas

Contabilidad y Finanzas - 2017 - Universidad Nacional de

PROBABILIDAD DE UN SUCESO: P(Ai)

La probabilidad de un evento o suceso es la razón entre el número de sucesos favorables

N(A) Donde : N(A) : Es el Nº de elementos que tiene el evento A

1. Si A es un evento imposible,  P(A) = 0.

2. Si A es un evento seguro,  P(A) = 1.

3. La probabilidad de un evento A es igual a la unidad menos la probabilidad de su complemento.

4. Si A1 y A2 son dos eventos tal que A1  A2 , entonces P(A1)  P(A2).

7. La probabilidad de un evento cualesquiera (A) , siempre estará comprendida entre 0 y 1. Es

Ejemplo: Un licenciado, jefe del Dpto de contabilidad de una empresa agroexportadoras es

1er exám. 2do exám. 3er exám.

Entonces :  = AAA , AAD , ADA , ADD , DAA , DAD , DDA , DDD 

Luego P(A1) = N(A1) / N() = 1/8

Luego P(A2) = N(A2) / N() = 1/8

c) A3 =  AAA , AAD , ADA , ADD , DAA , DAD , DDA   N(A3) = 7

Luego P(A3) = N(A3) / N() = 7/8

d) A4 =  AAD , ADA , DAA   N(A4) = 3

Luego P(A4) = N(A4) / N() = 3/8

Ejercicio 1. Un Dpto de contabilidad tiene 12 calculadoras cientificas de las cuales 3 baterías

Contabilidad y Finanzas - 2017 - Universidad Nacional de

Ejercicio 2. Un Dpto de contabilidad tiene 12 calculadoras cientificas de las cuales 3 baterías

-12- Universidad Nacional de Trujillo - Contabilidad y Finanzas

Para definir la probabilidad condicional debemos tener en claro lo siguiente:

- Dos sucesos son independientes cuando la ocurrencia o no ocurrencia de un suceso no

- Dos sucesos son dependientes cuando la ocurrencia o no ocurrencia de uno de ellos

Definición:- Sea un evento A2 con P(A2)  0 , la probabilidad condicional de que ocurra el

Si A1 y A2 son dos eventos independiente; entonces : P(A1A2)=P(A1)

Ejemplo 1: Los alumnos de la U.N.T. que pertenecen a las carreras de contabilidad,

Sexo\ Carrera Contabilidad Economía Administración Total

Se selecciona un estudiante aleatoriamente de esta Población, y se sabe que el estudiante es HOMBRE

a) Tenemos como B1: estudiante HOMBRE y B2 : estudiante MUJER

Tenemos como A1 : estudiante de la carrera Contabilidad.

A3 : estudiante de la carrera Administración.

Ejemplo 2: La Empresa SIDERPERU tiene en su archivo, un archivador que contiene 100

P(D) = 10/155 + 5/155 = 15/155

P(3 Pulg  D) 10/155

El procedimiento de la composición de los eventos para resolver los problemas de la

-14- Universidad Nacional de Trujillo - Contabilidad y Finanzas

0.20 D  P(B2)P(A B2) = 0.06

0.35 D  P(B3)P(A B3) = 0.035

Si denotamos a A el evento de que un regulador recibido por la planta tiene rendimiento

Contabilidad y Finanzas - 2017 - Universidad Nacional de

La probabilidad de que un regulador de presión sea proporcionado por B 3 disminuye de 0.10 a

Condición \ proveedor B1 B2 B3 Total

-16- Universidad Nacional de Trujillo - Contabilidad y Finanzas

Contabilidad y Finanzas - 2017 - Universidad Nacional de

Simbólicamente se expresa así :