1

UNIDAD 1 CASO PRACTICO ENUNCIADO

Katherin Posada Jiménez

Estadística inferencial II

Administración y dirección de empresas, Corporación Universitaria Asturias.

Javier Olmedo Millán Paya Claustro Docente

06 de noviembre de 2021
 2

Resumen

Decimos que una variable aleatoria es discreta, cuando toma un valor particular y este

resulta de ser un valor entero, la variable aleatoria es continua cuando toma todos los

valores dentro de un intervalo (a,b) ⊆ ℝ. Esta clasificación de variables aleatorias es

limitada ya que existen variables aleatorias que no son absolutamente continuas o

absolutamente discretas, es decir, pueden tomar valores de ambos conjuntos numéricos.

Distribución Conjunta Como extensión natural del caso univariado, todo par de variables

aleatorias induce una medida de probabilidad. Esta medida de probabilidad puede

analizarse, de igual forma que en el caso de estudio de una sola variable, mediante la

función de distribución conjunta.

Distribución Marginal En los escenarios donde la función de distribución F(x,y) del par de

variables aleatorias (X,Y), es dada, se hace posible obtener la función de distribución de

cada una de las variables aleatorias independientes.

La covarianza es útil para detectar si existe relación de tipo lineal entre las variables y su

sentido, pero presenta inconvenientes en el escenario donde no exista algún tipo de

relación entre las variables en mención, además de que se deja influenciar por el efecto

de las medidas en que son tomadas las variables y también por el tamaño de muestra

que es tomado por cada una de las variables.

muestreo aleatorio simple tiene como característica el suponer que el comportamiento de

la característica de interés es similar en todos los individuos de la población, es decir,

supone homogeneidad en la población. Debido a esto el diseño asigna probabilidades de

inclusión idénticas a todos y cada uno de los elementos de la población haciendo de esta

su característica principal.

Muestreo Estratificado Por razones de la naturaleza de la población, la característica de

interés tiende a tomar valores promedios en distintos subgrupos poblacionales. Esto junto
 3

con un interés particular de investigador, de obtener estimaciones por grupos disyuntos

de la población, además de las razones de costo y comodidad en la recolección, hacen

necesaria la división de la población en subconjuntos llamados estratos que permitan

obtener valores homogéneos y de interés inherentes a la característica del muestreo

aleatorio simple sin reemplazo, caso de nuestro interés.

 4

Introducción

En el presente trabajo veremos por medio de 2 casos prácticos donde estudiaremos el

intervalo de confianza y las variables aleatorias desarrolladas conjuntamente.

 5

Enunciado 1

Dada una población representada por una variable ξ cuya distribución de probabilidad se

supone N(µ,4). Se pide: Elaborar el intervalo de confianza para la estimación del

parámetro µ, al nivel de confianza del 95% con base en una m.a.s de tamaño n=100 en

la que se obtiene una media muestral igual a 10.

Solución

El intervalo de confianza es: (9,216,10,784)

Explicación:

Estar al tanto que:

Intervalo de confianza del 95%

Media muestral (x barra)=10

n=100

s=4 debido a que N( ,s) teniendo estos datos:

para 1-α=95/100

Despejamos (α) y obtenemos que

α=0,05

y como es una distribución normal seria

α/2=0,025

Despues buscamos (Z) en la tabla de distribución y encontramos que:

 6

Aplicando la formula:

Y tengo como resultado

(9,216,10,784)

Enunciado 2

Se analizan dos poblaciones en las que se estudian las variables aleatorias: ξ1 = estatura

de los niños españoles (en cm) ξ2 = estatura de los niños alemanes (en cm) siendo ξ1 ◊

N(120,5) y ξ2 ◊ N(130,6) Se extraen m.a.s independientes de cada población de tamaños

n=25 y m=30, respectivamente.

Se pide:

a) La probabilidad de que la estatura media de los niños alemanes sea mayor de 180 cm.

Solución

Nos centramos solo en la variable ζ2= estatura de los niños alemanes (en cm)

Según ζ2=N (130,6) se deduce que la probabilidad media o μ = 130 y la desviación típica

o σ =6. Además, se conoce que el tamaño de muestra n=30

Entonces, ζ1 → N (130,30) → Z = N (0,1) en donde μ = 0 y σ = 1

Por lo tanto, Z = X - μ / σ n

P (Z > (180 - 130) / (1*30))

P (Z > 50/30)

P (Z > 1.67) = 1 – P (Z < 1.67)

 7

Se busca en las tablas el valor de 1.67

Z ≈ N (0,1) ≈0,9515

P (x ≥ 180) = 1 - 0,9515 = 0,0485 es decir 4.85%

 8

Conclusiones

En el ejercicio 1 por medio de la aplicación del método estadístico del teorema central

de limites se determinó el intervalo de confianza para un nivel de confianza de 95%.

En el ejercicio 2 La probabilidad de que la estatura media de los niños alemanes sea

mayor de 180 es de un 4.85%. por lo que la variable x se pudo transformar, este proceso

de tipificar permite calcular fácilmente las probabilidades.

 9

Referentes

Asturias corporación universitaria. Unidad 1. Lectura “Distribución conjunta y marginal”

Consultado el 06 de noviembre de 2021.

https://www.centro-

virtual.com/recursos/biblioteca/pdf/estadistica_inferencial/unidad1_pdf1.pdf

Asturias corporación universitaria. Unidad 1. Lectura “Independencia y estadística de

asociación” Consultado el 06 de noviembre de 2021.

https://www.centro-

virtual.com/recursos/biblioteca/pdf/estadistica_inferencial/unidad1_pdf2.pdf

Asturias corporación universitaria. Unidad 1. Lectura “Teoría del Muestreo, sus

Implicaciones e Importancia” Consultado el 06 de noviembre de 2021.

https://www.centro-

virtual.com/recursos/biblioteca/pdf/estadistica_inferencial/unidad1_pdf3.pdf

Asturias corporación universitaria. Unidad 1. Lectura “Intervalos de Confianza y Tamaño

de Muestra. Tipos de Muestreo” Consultado el 06 de noviembre de 2021.

https://www.centro-

virtual.com/recursos/biblioteca/pdf/estadistica_inferencial/unidad1_pdf4.pdf