Estadistica Inferencial

PROBABILIDADES
La probabilidad nos permite estudiar o analizar los fenómenos o procesos llamados aleatorios.
ESPACIO MUESTRAL Y EVENTOS
El conjunto S de todos los resultados posibles de un experimento aleatorio dado se llama

espacio muestral. Un evento A es un conjunto de resultados o, en otras palabras, un
subconjunto del espacio muestral S. Como un evento es un conjunto, podemos combinar
eventos para formar nuevos eventos usando las varias operaciones entre conjuntos:
(1) es el evento que ocurre siempre y cuando ocurra o o (o ambos).

(2) es el evento que ocurre siempre y cuando ocurran tanto como .
(3) el complemento de , es el evento que ocurre siempre y cuando no ocurra .
Dos eventos y se llaman mutuamente excluyentes si son disyuntos, o sea, . En

otras palabras, y son mutuamente excluyentes si y sólo si no ocurren simultáneamente.
Ejemplo 1.
Experimento: Lance un dado y observe el número que resulta. El espacio muestral es,
S={
Sea A el evento de que salga un número par, B de que salga un número impar y C de que
salga un número primo.
A={
B={
C={
Encuentre:
PROBABILIDAD CLÁSICA
Se da el nombre de probabilidad clásica cuando ésta se toma objetivamente (en sentido

práctico) y se puede considerar de dos maneras: a priori y a posteriori.
Sea S un espacio muestral finito y A un evento del espacio muestral, entonces la probabilidad
de A se denota P(A) y se define:
Estadística Inferencial Página 1

Jorge Luis Bustos Galindo
Ejemplo 2.
Se lanza un dado dos veces; halle la probabilidad de los eventos siguientes: A la suma de los
puntos es siete y B la suma de los puntos es menor o igual a cinco.
S={
A={
B={
P(A) =
P(B) =
PROPIEDADES ELEMENTALES DE LA PROBABILIDAD
Las reglas generales de probabilidad las podemos dividir en dos grupos. Un primer grupo
formado por las reglas que podríamos llamar primarias o básicas, llamadas axiomas. Estas
reglas no se aprecian directamente en la solución de problemas, pero son las que dan un
soporte lógico a las que se utilizan directamente en la solución de tales problemas y que se
llaman teoremas. Establecemos en primera instancia los axiomas.
Axioma 1. Si A es un evento del espacio muestral S, entonces P(A) representa un número

entre 0 y 1 incluidos. Esto es,
Axioma 2. Si S es el espacio muestral asociado a un experimento aleatorio, entonces P(S) es

igual a 1, o sea,
Axioma 3. Si A y B son eventos mutuamente excluyentes, entonces la probabilidad de A o B,

, es igual a la suma de las probabilidades individuales. Esto es,
A partir de los tres axiomas anteriores se deducen los teoremas que constituyen reglas para
calcular probabilidades de situaciones más o menos complejas.
Teorema 1. Si A es el evento vacío entonces su probabilidad es cero. Es decir,
.
c c
Teorema 2. Si A es un evento y A su complemento, entonces la probabilidad de A es igual a
uno menos la probabilidad de A. Esto es,
Ejemplo 3. Suponga que en una urna hay cuatro bolas blancas y seis rojas. De la urna se
extrae al azar una bola y sea A: la bola extraída es roja. Hallar la probabilidad de que la bola
extraída no sea roja.
Teorema 3. Si A y B son dos eventos del espacio muestral S, entonces

Ejemplo 4. En un curso de 10 hombres y 20 mujeres, la mitad de los hombres y la mitad de
las mujeres tienen ojos pardos. Encuentre la probabilidad de que una persona escogida al azar
sea hombre o tenga ojos pardos.
A={
B={
PROBABILIDAD CONDICIONAL
Sean A y B dos eventos, la probabilidad condicional de A dado B se denota y se define de la

manera siguiente:
Igualmente se tiene que
como la probabilidad de B dado A.
Ejemplo 5. La oficina de Acción Social lleva a cabo un censo de todas las personas que viven
en una pequeña comunidad. Los encuestadores anotan en una relación el número de visitas
que una persona hace al centro de salud y las condiciones sanitarias de la vivienda que habita.
Los resultados son los siguientes:
Tabla 1. Número de visitas que una persona hace al centro de salud y las condiciones
sanitarias de la vivienda que habita.
Condiciones sanitarias
Número de visitas Total
Buenas Malas
Dos o menos 700 100 800
Más de dos 800 400 1200
Total 1 500 500 2 000
Con base en esta tabla, si preguntamos, ¿cuál es la probabilidad de que una persona escogida
al azar viva en malas condiciones sanitarias?
A={
P(A) =
Si la pregunta ahora es, ¿cuál es la probabilidad de que una persona escogida al azar viva en
malas condiciones sanitarias, dado que visita dos veces o menos el centro de salud?
B={
P(A/B) =

TEOREMA DE LA PROBABILIDAD TOTAL
Este teorema o regla de probabilidad total nos indica cómo calcular la probabilidad de un
evento A cuando conocemos las probabilidades condicionales [ ⁄ ] en donde los forman
una partición del espacio muestral S.
Supongamos que } es una partición de un espacio muestral S. Si A es un evento de S.

Entonces, [ ] [ ⁄ ] [ ] [ ⁄ ] [ ] [ ⁄ ] [ ] ∑ [ ⁄ ] [ ]
Ejemplo 6. En una fábrica de tornillos, las máquinas A, B y C fabrican 20, 30 y 50% de la

producción total respectivamente. De lo que producen 2, 3 y 5% respectivamente son tornillos
defectuosos. Con la producción total se hace un solo lote y se extrae un tornillo; halle la
probabilidad de que sea defectuoso.
Sean los eventos,

A: el tornillo escogido es defectuoso.
el tornillo proviene de la máquina A.
el tornillo proviene de la máquina B.
el tornillo proviene de la máquina C.
De lo anterior se tiene que,

[ ] , [ ] y [ ] . Además, [ ⁄ ] , [ ⁄ ] y [ ⁄ ]
.
Aplicando el teorema o regla de la probabilidad total,

[ ]
Hay una probabilidad del 3.8% de que el artículo escogido sea defectuoso.
TEOREMA DE BAYES
El teorema o regla de Bayes es una técnica que nos permite obtener la probabilidad
condicional de un evento cuando mediante el efecto tratamos de determinar la probabilidad de
la causa. Este resultado ha sido muy utilizado para estudiar fenómenos sociales; sin embargo,
por el empleo de probabilidades subjetivas a sido muy cuestionado su uso.
El teorema de Bayes trata de responder los interrogantes tales como: si el evento B ocurrió,
¿cuál es la probabilidad de que haya sido generado por el evento ?,¿Cual por ?, etc.
Sea } es una partición de un espacio muestral S con [ ] y A un evento de S.

Entonces,
[ ⁄ ] [ ]
[ ⁄ ]
[ ⁄ ] [ ] [ ⁄ ] [ ] [ ⁄ ] [ ]
Ejemplo 7. A partir del problema de la fábrica de tornillos (ejemplo 6), halle la probabilidad de
que el tornillo provenga de la máquina C, dado que es defectuoso.
En este caso debemos calcular la probabilidad [ ⁄ ], por el teorema de Bayes nos da
[ ⁄ ] [ ]
[ ⁄ ]
[ ⁄ ] [ ] [ ⁄ ] [ ] [ ⁄ ] [ ]
[ ⁄ ]
Hay una probabilidad del 66% de que el tornillo defectuoso provenga de la máquina C.

INDEPENDENCIA DE EVENTOS
Cuando la ocurrencia de un evento A no está influenciada ni influye sobre la ocurrencia de otro,

decimos que los eventos son independientes. Formalmente la independencia se define de la
manera siguiente:
Dados dos eventos A y B, se dicen independientes si cumplen que
Ejemplo 8. Suponga que se lanza una moneda dos veces. Sean los eventos, A el primer
resultado es ¨cara¨ y B el segundo resultado es ¨sello¨. Son mutuamente independientes los
eventos.

GUÍA DE CLASE N° 1
1. Explique el significado de los siguientes términos:

a. Experimento aleatorio
b. Espacio muestral
c. Evento o suceso
2. Se lanza una moneda cuatro veces. Encuentre todos los sucesos elementales del espacio
muestral.
3. Supongamos que lanzamos una moneda y un dado, y que el espacio muestral S consta de
doce elementos:
S = C1, C2, C3, C4, C5, C6, S1, S2, S3, S4, S5, S6}
a. Exprese explícitamente los siguientes eventos:

A = sale cara y un número par}
B = {sale un número primo}
C = {sale sello y un número impar}
b. Exprese explícitamente el evento: (i) ocurre A o B, (ii) ocurre B y C, (iii) solamente
ocurre en B, y (iv) no ocurre en A.
c. ¿Cuáles parejas de eventos A, B Y C son mutuamente excluyentes?
4. Determine la probabilidad de cada evento:

a. Sale un número par en el lanzamiento de un dado no cargado.
b. Al sacar una sola carta de una baraja de 52 cartas sale una K.
c. Sale por lo menos un sello al lanzar tres monedas no cargadas.
d. Sale una bola blanca al sacar una sola bola de una bolsa con cuatro bolas blancas, tres
rojas y cinco azules.
5. En un curso de 20 hombres y 30 mujeres, un quinto de los hombres y un quinto de las

mujeres son becados. Encuentre la probabilidad de que una persona escogida al azar sea
mujer o la persona sea becada.
6. En la tabla que sigue se da el cargo y sexo de los empleados de una empresa.
Sexo Total
Cargo
Hombres Mujeres
Operarios 80 113 193
Administrativos 30 17 47
Directivos 4 6 10
Total 114 136 250
Recursos humanos de la empresa desea otorgar un premio como estimulo especial y para
ello decide seleccionar al alzar uno de los trabajadores. Calcular la probabilidad de que la
persona sea administrativo dado que es mujer.
7. Se lanza un dado no cargado. Considere los eventos:

A = {2, 4, 6}
B = {1, 2}
C = {1, 2, 3, 4}
a. Encuentre P(A∩B), P(AUB).
b. Encuentre P(A/B) y P(B/A).
c. Encuentre P(A/C) y P(C/A).
d. Son A y B independientes?, B y C? y A y C?

8. Sean A y B eventos con P(A) = ⅓, P(B) =¼ , y P(AUB) = ½.
a. Encuentre P(A/B) y P(B/A).
b. ¿Son A y B independientes?
9. Supongamos que lanzamos tres monedas una vez. Y sea:

A = {todas las caras o todas sellos}
B = {por lo menos dos caras}
C = {cuando más dos caras}
a. Encuentre P(AUB), P(AUC) y P(BUC).
b. Encuentre P(A/B) y P(C/A).
10. Sean A y B eventos independientes con P(A) = 0.3 y P(B) = 0.4. Encuentre:
a. P(A∩B) y P(AUB).
b. P(A/B) y P(B/A).
11. En la sala de pediatría de un hospital, el 60% de los pacientes son niñas. De los niños el
35% son menores de 24 meses. El 20% de las niñas tienen menos de 24 meses. Un
pediatra que ingresa a la sala selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una niña.
12. Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el 20% se
realizan correcciones faciales, un 35% implantes mamarios y el restante en otras cirugías
correctivas. Se sabe además, que son de género masculino el 25% de los que se realizan
correcciones faciales, 15% implantes mamarios y 40% otras cirugías correctivas. Si se
selecciona un paciente al azar, determine:
a. Determine la probabilidad de que sea de género masculino
b. Si resulta que es de género masculino, determine la probabilidad que se haya realizado
una cirugía de implantes mamarios.

DISTRIBUCIÓN DE PROBABILIDAD
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar
decisiones. Un mismo experimento aleatorio se puede llevar acabo para tomar distintas
decisiones. Sin embargo, a pesar de que el propósito sea distinto cuando se lleva a cabo un
experimento aleatorio, éste no cambia su comportamiento por el simple hecho de que los
propósitos cambien. Lo anterior nos está indicando que una cosa son los distintos resultados
de un experimento y otra los propósitos que perseguimos cuando lo realizamos. El medio por el
cual expresamos nuestro aspecto de interés al llevar a cabo un experimento aleatorio es el de
variable aleatoria.
Variable Aleatoria
Una variable aleatoria es aquella que asume valores de acuerdo con los resultados de un
experimento aleatorio. Las variables aleatorias generalmente son designadas por las letras X,
Y, Z.
En el siguiente ejemplo se ilustra cómo se asocia una variable aleatoria a un experimento.
Ejemplo 1. Se lanza una moneda tres veces. Sabemos que el espacio muestral
correspondiente a este experimento aleatorio está dado por:
S = {ccc, ccs, csc, scc, ssc, scs, css, sss}.
Si de los resultados del lanzamiento de la moneda nos interesa el número de ¨caras¨ que se
obtienen en cada lanzamiento, entonces definimos la variable X: número de caras en los tres
lanzamientos. Los valores posibles de esta variable son:
X = 0, que indica que no se obtienen caras, o sea, {sss}.

X = 1, que indica que se obtiene una cara, {css, scs,ssc}.
X = 2, que indica que se obtiene dos caras, {ccs, csc,scc}.
X = 3, que indica que se obtiene tres caras, {ccc}.
Por lo anterior se tiene que las probabilidades respectivas son,
P[X = 0] = 1/8, P[X = 1] = 3/8, P[X = 2] = 3/8, P[X = 3] = 1/8.
Estos resultados se pueden resumir en una tabla como la siguiente, llamada distribución de
probabilidad.
X 0 1 2 3
P[X = x]
Observemos que la suma de las probabilidades,

P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3] = . En general, para cualquier
distribución de probabilidad discreta debe darse que la suma de las probabilidades de todos los
valores que pueda asumir la variable aleatoria de un experimento debe ser igual a 1.
Ejemplo 2. Consideremos el lanzamiento de dos dados una vez. Sea X: suma de puntos de las
dos caras. Hallar la distribución de probabilidad de esta variable aleatoria.
P[X = x]

Una vez que se haya definido la variable, hallar las siguientes probabilidades:
(a) [ ]
(b) [ ]
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA
La distribución de probabilidad de una variable aleatoria proporciona un modelo para

distribución teórica de la variable. La distribución de probabilidad de una población es análoga
a la distribución de frecuencia relativa de los datos (muestra). Luego, es de esperarse que cada
distribución de probabilidad tenga asociada medidas similares a las medidas descriptivas que
se han señalado para los datos (muestra).
Valor esperado
El valor esperado o esperanza matemática de una variable aleatoria X, desempeña o

equivale al concepto de promedio de los datos.
Sea X una variable aleatoria discreta que asume los valores x 1, x2, x3, …, xn con probabilidades
respectivas P[X = x1], P[X = x2], P[X = x3], …,P[X = xn] el valor esperado de X se denota y
define de la manera siguiente:
[ ] [ ] [ ] [ ] [ ] ∑ [ ]
Ejemplo 3. Consideremos la variable aleatoria X: número de puntos que muestra la cara

superior de un dado después de un lanzamiento. Entonces la distribución de probabilidad es,
X 1 2 3 4 5 6
P[X = x]
El valor esperado o esperanza matemática,
[ ] ( ) ( ) ( ) ( ) ( ) ( )
¿Cómo interpretar este resultado? Si dijéramos que es el puntaje que usted debe esperar que
le dé cuando lanza el dado muchas veces, con justa razón podría decir que eso es imposible,
puesto que podrán verse en el dado tres o cuatro puntos, pero jamás 3.5 puntos. Estamos de
acuerdo con usted, pero le proponemos que no cuente los puntos de cada lanzamiento sino
que sume el puntaje de los dos lanzamientos y los promedie, puede hallar la lógica al valor de
3.5. Además se convencerá que lo dicho a cerca de 3.5 es cierto. A pesar de que esta
interpretación que le hemos dado al valor de 3.5 es acertada, en la práctica el valor esperado
se interpreta de una manera un poco distinta, que en el ejemplo presente es: “si lanzamos el
dado un número grande de veces y tomamos la media aritmética de la suma de los distintos
puntajes que se van obteniendo entonces, la media tiende a 3.5”. Igual interpretación seria para
cualquier otra situación.
Ejemplo 4. Supongamos que dos jugadores A y B, se enfrentan en un juego que consiste en el

lanzamiento de una moneda al aire. Si sale ¨cara¨ A gana $1; pero si sale ¨sello¨ A pierde $1.
La variable que representa la ganancia de A por cada jugada está dada por:

{
Si suponemos que la moneda está balanceada, la probabilidad de obtener cara (sello) es 0.5,
entonces la variable X tiene la siguiente distribución:
X -$1 $1
P[X = x] 0.5 0.5
Así que el valor esperado de X (ganancia esperada del jugador) está dado por E[X] = (-1)(0.5)
+ (1)(0.5) = 0, lo que quiere decir que si estas personas juegan un gran número de veces, a la
larga no hay ganancias, es decir, no hay ganador ni perdedor.
Pero si ahora vamos a suponer que la moneda está diseñada de tal forma que la posibilidad de
obtener ¨cara¨ es de 2/3 y la de obtener ¨sello¨ es de 1/3. En este caso la distribución de X
sería:
X -$1 $1
P[X = x]
Y la ganancia esperada (por jugada) para a sería E[X] = , lo que quiere

decir que si juegan unas 3000 veces, se espera que A gane $1000.
Propiedades del valor esperado
(1) E[c] = c, al ser c una constante (un número).

(2) E[cX] = cE[X], al ser c una constante y X una variable aleatoria.
(3) E[X + c] = E[X] + c, al ser c una constante y X una variable aleatoria.
(4) E[X + Y] = E[X] + E[Y], al ser X y Y variables aleatorias.
(5) E[aX + bY] = aE[X] + bE[Y], al ser a y b contantes; X y Y variables aleatorias.
Varianza y Desviación estándar
Así como las medidas de posición tienen su generalización mediante el valor esperado, la
variabilidad de los datos (muestra) también tiene su generalización mediante la varianza de la
variable.
La varianza es una medida del grado de concentración de los valores de la variable aleatoria
alrededor de su media , mientras más dispersos estén los valores respecto de la media,
mayor será la varianza. La cual se denota y define de la manera siguiente:
Sea X una variable aleatoria que asume valores x1, x2, x3, …, xn con probabilidades P[X = x1],
P[X = x2], P[X = x3], …,P[X = xn], la varianza de X se denota y define
[ ] [ ] [ ] [ ]
La raíz cuadrada de la varianza se llama desviación estándar y se denota .
Ejemplo 5. Vamos calcular la varianza para la variable X que corresponde al número de puntos
de la cara superior del dado (Ejemplo 3).
[ ] ( ) ( ) ( ) ( ) ( )
( )

La desviación estándares
Propiedades de la varianza
(1) La varianza no pude ser negativa.

(2) Si c es una constante, entonces V[c] = 0.
2 2
(3) V[X] = E[X ] – (E[X]) .
2
(4) V[cX] = c V[X], al ser c una constante y X una variable aleatoria.
(5) V[X + c] = V[X], al ser c una constante y X una variable aleatoria.
Ejemplo 6. Una variable aleatoria X tiene distribución de probabilidad como se indica:
X 0 1 2 3
P[X = x]
Calcule:
(a) E[X – 1]
2
(b) E[X ]
(c) E[3X]
2
(d) E[(X + 2) ]
(e) V[X]
(f) V[X+1]
(g) V[5X]

DISTRIBUCIONES DISCRETAS
 Distribución Binomial
La distribución binomial está ligada a un tipo de experimento llamado ensayo de Bernoulli, en

honor a Jacques Bernoulli (1654-1705).
Un ensayo de Bernoulli es un experimento aleatorio que sólo puede concluir de dos maneras
distintas mutuamente excluyentes e independientes. Uno de los resultados se llama éxito y el
otro fracaso. Los ensayos de Bernoulli dan origen a una variable aleatoria y toma sólo dos
valores, y cuyos valores de probabilidad (distribución) están dados por la siguiente fórmula:
[ ] {
En donde p corresponde a la probabilidad de que se dé o de que ocurra un éxito y q = 1 – p, la

probabilidad de que ocurra un fracaso.
De las definiciones de valor esperado y de varianza dadas anteriormente, se tiene que para
una variable con distribución de Bernoulli, su valor esperado es
[ ]
Y su varianza es, [ ] .
Se tiene que la desviación estándar está dada por, √
Un proceso de Bernoulli es una sucesión de ensayos con las características siguientes:
(1) En cada ensayo, el éxito tiene una probabilidad p y el fracaso una probabilidad q = 1 –
p de ocurrir.
(2) La probabilidad de éxito y de fracaso permanece constante durante el proceso.
(3) Los ensayos son independientes, es decir, el resultado de cualquier ensayo particular
no es afectado por el resultado de cualquier otro ensayo.
Suponga que se lleva a cabo un proceso de Bernoulli y sea la variable X = número de éxitos en
n ensayos de Bernoulli, tiene valores de probabilidad (distribución), como se indica en la
siguiente fórmula:
[ ] {
Siendo p = probabilidad de éxito; q = probabilidad de fracaso y
Cuando una variable aleatoria tiene valores de probabilidad dados por la fórmula anterior, se
dice que la variable tiene distribución binomial.
Ejemplo 1. Suponga que el 10% de las partes que produce una máquina automática sea
defectuoso. Si se toma al azar una muestra de 20 partes, defina la variable que le permita
determinar las probabilidades siguientes:
(a) Que en la muestra haya dos partes defectuosas.

(b) Que en la muestra haya máximo tres partes defectuosas.
(c) Que en la muestra haya 18 partes defectuosas como mínimo.
(d) Que en la muestra haya entre dos y cinco partes defectuosas.
(e) Que en la muestra haya mínimo tres partes defectuosas.

El problema que nos enfrentamos es el de precisar que se va a tomar como éxito. Para tal
propósito el éxito siempre se tomará como aquel aspecto en el cual centramos nuestra
atención ¨ partes defectuosas¨, por tanto, al definir la variable, X = número de partes
defectuosas, entonces p = 10% = 0.1 y q = 90% =0.9; con una muestra de n=20.
(a) [ ]
Hay una probabilidad del 28.5% de que en una muestra de 20 partes, 2 sean defectuosas.
 Distribución Hipergeométrica
La distribución binomial se basa en el supuesto de que la población es infinita y de que la

probabilidad de éxito permanece constante, lo cual se consigue en tales poblaciones o cuando
se toman muestras con repetición (reemplazo) en poblaciones finitas. Cuando la población es
finita y el muestreo se hace sin reemplazo, la probabilidad cambiará para cada nueva
observación. En tales circunstancias, se tendrá una distribución de probabilidad que se llama
distribución hipergeométrica.
Para aplicar la distribución hipergeométrica, ésta debe estar formada por dos grupos de
individuos u objetos. Un primer grupo constituido por aquellos individuos que poseen la
característica objeto de estudio, y su número de elementos lo denotaremos como N1 y el otro
estará conformado por los que no poseen la característica y el número de sus elementos lo
denotamos N2.
La variable con distribución hipergeométrica debe ser de la forma: X = número de éxitos en los
n ensayos, los valores de probabilidad asociados a esta variable con distribución
hipergeométrica están dados por
[ ]
{
Ejemplo 2. Suponga que una empresa produce 100 unidades de las cuales 90 son buenas y
10 son defectuosas. Se escogen 20 unidades sin reemplazo; halle la probabilidad de que
resulten cinco defectuosas.
X = Unidades defectuosas.
N1 = 10 y N2 =90.
[ ]
Hay una probabilidad del 2.15% de que en 100 unidades, cinco sean defectuosas.
 Distribución de Poisson
Otra familia de distribuciones de probabilidad, es la llamada distribución de Poisson, llamada

así por Simeon Dennis Poisson (1781-1840).
Esta distribución es aplicable a muchos procesos en los que ocurren determinados sucesos por
unidad de tiempo, espacio, volumen, área, etc.

Una variable con distribución de Poisson debe tener la estructura o responder los interrogantes
mediante el siguiente planteamiento:
X = número de veces que ocurre un suceso en la unidad de tiempo, espacio, volumen, área,
etc. Los valores de probabilidad de una variable con distribución de Poisson están dados por,
[ ] {
En donde promedio de ocurrencia del suceso en la unidad de tiempo, espacio, volumen,

etc. y
Ejemplo 3. Suponga que el número de llamadas que llegan a un conmutador es de 0.5 por
minuto en promedio, halle la probabilidad de que:
(a) En un minuto no lleguen llamadas.

(b) En un minuto lleguen más de tres llamadas.
(c) En tres minutos lleguen más de dos llamadas.
(d) ¿Cuántas llamadas se espera que lleguen en cinco minutos?
X = número de llamadas en un minuto.
(a) [ ]
Hay una probabilidad del 60.65% de que el conmutador no lleguen llamadas.

GUÍA DE CLASE Nº 2
1. Se lanza una moneda cuatro veces. Si de los resultados del lanzamiento de la moneda
nos interesa el número de ¨sellos¨ que se obtienen en cada lanzamiento, entonces
definimos la variable X: número de ¨sellos¨ en los cuatro lanzamientos. Hallar la
distribución de probabilidad de esta variable aleatoria.
Calcule:
a. E[X]
b. V[X]
2. Una variable aleatoria X tiene distribución de probabilidad como se indica:

X 0 1 2 3
[ ]
Calcule:
a. E[X + 1]
2
b. E[X ]
c. E[2X]
d. V[X]
e. V[X  1]
f. V[8X]
3. Suponga que cierta población, el 65% de los nacimientos registrados son niñas. Si
tomamos tres registros, defina la variable que permita calcular las probabilidades que a
continuación se piden.
a. Que tres registros corresponda a niñas.
b. Menos de dos sean niña.
4. Una caja tiene 15 baterías para radio, de las cuales cinco son defectuosas. De la caja se
escogen al azar seis baterías. Halle la probabilidad de que:
a. Cuatro sean defectuosas.
b. Ninguna sea defectuosa.
5. Se ha determinado que en una autopista se da en promedio 10 animales vagabundos

muertos por kilómetro. Halle la probabilidad de que en 100 metros,
a. Se encuentren dos o más animales muertos.
b. Menos de tres animales muertos.
6. Si el 5% de los conductores de transmilenio en Bogotá, son mujeres. Suponga que se

selecciona al azar 10 conductores para una encuesta acerca de las condiciones de trabajo.
¿Cuál es la probabilidad:
a. Que dos conductores sean mujeres?
b. Menos de dos sean mujeres?
7. Una caja tiene 20 bombillos, de las cuales cinco son defectuosos. De la caja se escogen al
azar diez bombillos. Halle la probabilidad de que:
a. Tres sean defectuosos.
b. Ninguna sea defectuoso.
8. El promedio de personas que llegan a la ventanilla de un banco por minuto durante las
horas hábiles es una. Halle la probabilidad de que en un minuto:
a. No aparezcan clientes.
b. Haya tres o más clientes.

9. Una institución universitaria establece nuevos métodos de aprendizaje y de evaluación, con
el resultado donde el 85% de sus estudiantes aprueban todas las asignaturas. Supongamos
que se seleccionan 8 estudiantes de dicho plantel, ¿cuál es la probabilidad:
a. Exactamente tres aprueben todas las asignaturas?
b. Por lo menos dos aprueben todas las asignaturas?
10. El número de clientes que llegan a una corporación de ahorro y vivienda los días sábados
es en promedio 40 por hora. ¿Cuál es la probabilidad de que lleguen por lo menos dos
clientes en media hora?
11. En la producción de cierto artículo, se sabe que por cada 50 producidos en 30 su

terminado es excelente. Si se toma una muestra de 20 artículos, ¿cuál es la probabilidad
de que diez sean clasificados excelentes?

DISTRIBUCIÓN CONTINUA
DISTRIBUCIÓN NORMAL
Una de las distribuciones continúas y tal vez la más importante es la distribución normal, la cual
ocupa un lugar destacado en la inferencia estadística. Su gráfica, que recibe el nombre de
curva normal, es la curva en forma de campana , la cual describe de forma aproximada muchos
fenómenos que suceden en la naturaleza, tales como la estaturas de los seres humanos, el
coeficiente intelectual de las personas, la industria y la investigación. Además, los errores en
las mediciones científicas se aproximan hasta límites extremadamente pequeños gracias a la
distribución normal. A las anteriores consideraciones podemos agregar otra que nos muestra el
porqué de la importancia de la distribución normal; se refiere al aspecto de inferencia
estadística y particularmente a lo que tiene que ver con el análisis de datos, puesto que las
distribuciones de muchas estadísticas muestrales tienden a la distribución normal, conforme
crece el tamaño de muestra.
Los valores de probabilidad de eventos definidos mediante una variable aleatoria continua se
mantiene mediante valores de integrales definidas de una función llamada función de densidad
continua (área bajo la curva). Al ser la normal una variable de tipo continuo, debe tener una
función de densidad que nos permita obtener valores de probabilidad relacionados con esta
variable.
La función de densidad de la variable aleatoria X, con media y varianza , es
(√ )
Cuando nos referimos a una variable aleatoria con distribución normal con media y varianza
, lo denotamos de la siguiente manera .
La dificultad que se encuentra al resolver las integrales de las funciones de densidad normal
hace necesaria una tabulación de las áreas de la curva normal para una referencia rápida. No
obstante sería una tarea de nunca acabar elaborar una tabla para cada valor posible de y de
. Afortunadamente, es posible transformar todas las observaciones de cualquier variable
aleatoria normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z,
con media cero y varianza 1. Esto puede realizarse por medio de la transformación: .
La distribución de una variable aleatoria con media cero y varianza 1, se llama distribución
normal estándar. Se denota Z .
Z
TRANSFORMACIÓN

Se ha reducido ahora el número requerido de tablas de las áreas de la curva normal a sólo
una, la distribución normal estándar (Tabla I), Página 51.
A continuación se ilustra gráficamente como obtener los valores de probabilidad, según las
siguientes situaciones.
(1) P[Z < z] = valor de probabilidad de tabla
Ejemplo 1. P[Z < 1.23] = 0.8907
(2) P[Z > z] = 1 – P[Z ≤ z]
Ejemplo 2. P[Z > 0.42] = 1 – P[Z ≤ 0.42]

= 1 – 0.6628
= 0.3372
(3) P[Z ≤ –z] = 1 – P[Z < z]
Ejemplo 3. P[Z ≤ –1.23] = 1 – P[Z < 1.23]

= 1 – 0.8907
= 0.1093
(4) P[Z > – z] = P[Z < z]
Ejemplo 4. P[Z > – 2.3] = P[Z < 2.3]

= 0.9893

(5) P[Z ≤ z] = 1 ; cuando z ≥ 3.60.
Ejemplo 5. P[Z ≤ 4.0] = 1
(6) P[z1 ≤ Z ≤ z2] = P[Z ≤ z2] – P[Z ≤ z1]
Ejemplo 6. P[1.3 ≤ Z ≤ 2.5] = P[Z ≤ 2.5] – P[Z ≤ 1.3]
= 0.9938 – 0.9032
= 0.0906
Ejemplo 7. P[–1.24 < Z < 2.3] =
En algunos casos lo que nos interesa es calcular el valor de zt (valor de z de tabla) que
satisfaga P[Z ≤ zt] = valor de probabilidad de tabla. En este caso el proceso es a la inversa.
Ejemplo 8. Encuentre el valor de zt, que tiene una probabilidad de 0.9732.
P[Z ≤ Zt] = 0.9732, teniendo en cuenta el valor de probabilidad, podemos ver (Tabla II) que el
valor de zt = 1.93.
Ejemplo 9. Encuentre el valor de zt, para P[Z ≤ zt] = 0.3707

Aplicaciones de la distribución normal
Ejemplo 1. Suponga que , encuentre la probabilidad de que asuma:
(a) Un valor menor que 66.

(b) Un valor entre 45 y 62.
(c) Un valor mayor que 71.
Solución:
Como la variable , por lo tanto , y .
(a) Para dar solución a la P[X ≤ 66], es necesario realizar la transformación llamada
estandarización, con la cual se obtiene el valor de z.
Calculando la probabilidad tenemos,

P[X ≤ 66] = P[Z ≤ 1.6] = 0.9452.
Ejemplo 2. Una fábrica de alimentos empaca productos cuyos pesos están normalmente
distribuidos con media de 450 gramos y desviación estándar de 20 gramos. Encuentre la
probabilidad de que un paquete escogido al azar pese entre 425 y 486 gramos.
Solución:
Para este problema tenemos que gramos y gramos, por lo tanto debemos
calcular P[425 ≤ X ≤ 486].
Estandarizando, tenemos:
P[425 ≤ X ≤ 486] = P[–1.25 ≤ Z ≤1.8]

= P[Z ≤ 1.8] – P[Z ≤ –1.25]
= P[Z ≤ 1.8] – (1 - P[Z ≤ 1.25])
= 0.9641 – (1 – 0.8944)
= 0.8585
Hay una probabilidad del 85.85% de que un paquete escogido al azar pese entre 425 y 486
gramos.

Ejemplo 3. En un examen la calificación promedio fue 3.5 y la desviación estándar 0.3. Las
calificaciones siguen una distribución normal. ¿Qué porcentaje de estudiantes tuvo notas por
debajo de 2.0?¿Qué porcentaje de estudiantes obtuvo notas por encima de 4.0?
Solución:
Para este problema tenemos que y , por lo tanto debemos calcular P[X < 2.0] y
P[X > 4.0], estandarizamos tenemos
,
Para las preguntas tenemos,
P[X < 2.0] = P[Z < –5] y P[X > 4.0] = P[Z > 1.67]
= 1 – P[Z ≤ 5] = 1– P[Z ≤ 1.67]
=1–1 = 1 – 0.9525
=0 = 0.0475
hay una probabilidad del 0% de que los estudiantes obtengan una nota menor de 2.0 y del
4.75% de que obtengan una nota mayor a 4.0.

GUÍA DE CLASE Nº 3
1. Dada una distribución normal, encuentre el área bajo la curva que cae:
a. A la izquierda de z = 1.52
b. A la derecha de z =  0.9
c. Entre 1.8 y 2.7
d. A la izquierda de z =  1.93
2. Encuentre el valor z si el área bajo la curva estándar:

a. A la derecha es 0.3510
b. Entre 0 y z, con z  0, es 0.4838
c. A la izquierda es 0.1234
d. Entre  z y z, con z  0, es 0.95
3. Sea X  N(100, 225). Halle las probabilidades siguientes:

a. P[X  92.5]
b. P[X  76 ]
c. P[77.5  X  100]
4. Para la variable definida en el problema 3, halle el valor x que satisface:

a. P[X  x] = 0.75
b. P[X  x] = 0.10
c. P[X  x] = 0.05
d. P[ x  X  x] = 0.90
5. Suponga un test normal de puntuación media de 75 y una desviación estándar de 6, tres

estudiantes A, B y C fueron notificados de tener puntuaciones Z normales estándares de
1.8, 0.5 y 0.8 respectivamente. Halle las notas obtenidas por A, B y C.
6. Una fábrica de harina empaqueta en sacos de tela. El saco de harina se acepta como de
distribución normal con media y desviación estándar iguales a 25 y 0.5 respectivamente. Si
se toma al azar un saco, ¿cuál es la probabilidad de que:
a. Pese cuando más 24.75?
b. Pese por lo menos 26.25?
7. Una máquina despachadora de refrescos está ajustada para servir en promedio 200
mililitros por vaso. Si la cantidad de refrescos es normalmente distribuidas con una
desviación estándar igual a 15 mililitros.
a. ¿Qué fracción de los vasos contendrá más de 224 mililitros?
b. ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 mililitros?
c. ¿Cuántos vasos probablemente se derramarán si se utilizan vasos de 230 mililitros en
los siguientes 1000 refrescos?
d. ¿Bajo qué valor se obtiene el 25% más pequeño de los refrescos?
media  = 38 meses y desviación estándar  = 2 meses. Si la compañía no desea

8. La vida útil de cierta marca de batería para automóvil se admite con distribución normal con
reemplazar más del 5% de las baterías vendidas, ¿qué tiempo de garantía debe ofrecer?
9. Los estudiantes de cierta escuela secundaria tiene un coeficiente intelectual promedio de

106 y varianza 256. Al suponer la distribución normal, halle la proporción de estudiantes con
coeficiente intelectual.
a. Igual o menor que 98.
b. Igual o menor que 130.
c. Igual o mayor que 127.
d. Entre 94 y 118.

MUESTREO
En estadística se conoce como muestreo a la técnica para la selección de una muestra a partir
de una población.
Al elegir una muestra se espera conseguir que sus propiedades sean extrapolables a
la población. Este proceso permite ahorrar recursos, y a la vez obtener resultados parecidos a
los que se alcanzarían si se realizase un estudio de toda la población.
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio adecuado
(que consienta no solo hacer estimaciones de la población sino estimar también los márgenes
de error correspondientes a dichas estimaciones), debe cumplir ciertos requisitos. Nunca
podremos estar enteramente seguros de que el resultado sea una muestra representativa, pero
sí podemos actuar de manera que esta condición se alcance con una probabilidad alta.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la población, se
puede extraer dos o más muestras de la misma población. Al conjunto de muestras que se
pueden obtener de la población se denomina espacio muestral. La variable que asocia a cada
muestra su probabilidad de extracción, sigue la llamada distribución muestral.
Técnicas de muestreo estadístico

Existen dos métodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de
juicio y el muestreo aleatorio (que incorpora el azar como recurso en el proceso de selección).
Cuando este último cumple con la condición de que todos los elementos de la población tienen
alguna oportunidad de ser escogidos en la muestra, si la probabilidad correspondiente a cada
sujeto de la población es conocida de antemano, recibe el nombre de muestreo probabilístico.
Una muestra seleccionada por muestreo de juicio puede basarse en la experiencia de alguien
con la población. Algunas veces una muestra de juicio se usa como guía o muestra tentativa
para decidir cómo tomar una muestra aleatoria más adelante.
 Muestreo probabilístico
Forman parte de este tipo de muestreo todos aquellos métodos para los que puede calcular la
probabilidad de extracción de cualquiera de las muestras posibles. Este conjunto de técnicas
de muestreo es el más aconsejable, aunque en ocasiones no es posible optar por él. En este
caso se habla de muestras probabilísticas, pues no es en rigor correcto hablar de muestras
representativas dado que, al no conocer las características de la población, no es posible tener
certeza de que tal característica se haya conseguido.
Sin reposición de los elementos: Cada elemento extraído se descarta para la subsiguiente
extracción. Por ejemplo, si se extrae una muestra de una "población" de bombillas para estimar
la vida media de las bombillas que la integran, no será posible medir más que una vez la
bombilla seleccionada.
Con reposición de los elementos: Las observaciones se realizan con remplazamiento de los
individuos, de forma que la población es idéntica en todas las extracciones. En poblaciones
muy grandes, la probabilidad de repetir una extracción es tan pequeña que el muestreo puede
considerarse con reposición aunque, realmente, no lo sea.
Con reposición múltiple: En poblaciones muy grandes, la probabilidad de repetir una
extracción es tan pequeña que el muestreo puede considerarse con reposición.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy útil la extracción
de números aleatorios mediante ordenadores, calculadoras o tablas construidas al efecto. Pero
no es exacto
 Muestreo aleatorio simple (MAS)
Es aquel en que cada elemento de la población tiene la misma probabilidad de ser

seleccionado para integrar la muestra. Cada uno de los elementos de la muestra, se
selecciona aleatoriamente uno por uno.
Existen dos formas de realizar el muestreo:

Muestreo con reemplazo: Es aquel en que un elemento puede ser seleccionado más de una
vez en la muestra para ello se extrae un elemento de población se observa y se devuelve a la
población, por lo que esta forma se pueden hacer infinitas extracciones de la población aun
siendo esta finita.
Muestreo sin reemplazo: No se devuelve los elementos extraídos a la población hasta que no
se hallan extraídos todos los elementos que conforman la muestra.
Hay diversos procedimientos para extraer los individuos de una muestra aleatoria:
Una de ellas consiste en realizar un sorteo aleatorio con papeles o bolas enumeradas y sacar
uno a uno tantos como lo indique el tamaño de la muestra. Otra forma, es utilizar la tabla de
números aleatorios pero solamente para poblaciones finitas, la utilización de estas tablas
puede realizarse de diferentes modos.
También se puede encontrar un intervalo constante ( ⁄ ), para escoger a cada individuo de la

muestra seleccionada; por ejemplo, en una institución educativa tienen 90 estudiantes en el
grado undécimo y se desea extraer una muestra de 30 estudiantes. En primer lugar se
numeran los estudiantes del 1 al 90, luego se calcula el intervalo constante entre cada individuo
, se sortea un número al azar del 1 al 3, supongamos que el 2, los siguientes
estudiantes se obtienen 3 hasta llegar los 30 estudiantes de la muestra, teniendo así los
estudiantes seleccionados son: 2, 5, 8, 11,…, 89.
 Muestreo sistemático
Se utiliza cuando el universo o población es de gran tamaño, o ha de extenderse en el tiempo.
Primero hay que identificar las unidades y relacionarlas con el calendario (cuando proceda).
Luego hay que calcular una constante, que se denomina coeficiente de elevación K= N/n;
donde N es el tamaño del universo y n el tamaño de la muestra. Determinar en qué fecha se
producirá la primera extracción, para ello hay que elegir al azar un número entre 1 y K; de ahí
en adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener
en cuenta la periodicidad del fenómeno.
Esto quiere decir que si tenemos un determinado número de personas que es la población (N)
y queremos escoger de esa población un número más pequeño el cual es la muestra (n),
dividimos el número de la población por el número de la muestra que queremos tomar y el
resultado de esta operación será el intervalo, entonces escogemos un número al azar desde
uno hasta el número del intervalo, y a partir de este número escogemos los demás siguiendo el
orden.
 Muestreo estratificado
Consiste en la división previa de la población de estudio en grupos o clases que se suponen
homogéneos con respecto a alguna característica de las que se van a estudiar. A cada uno de
estos estratos se le asignaría una cuota que determinaría el número de miembros del mismo
que compondrán la muestra. Dentro de cada estrato se suele usar la técnica de muestreo
sistemático, una de las técnicas de selección más usadas en la práctica.
Según la cantidad de elementos de la muestra que se han de elegir de cada uno de los
estratos, existen dos técnicas de muestreo estratificado:
Asignación proporcional: el tamaño de la muestra dentro de cada estrato es proporcional al

tamaño del estrato dentro de la población.
Asignación óptima: la muestra recogerá más individuos de aquellos estratos que tengan más
variabilidad. Para ello es necesario un conocimiento previo de la población.
Por ejemplo, para un estudio de opinión, puede resultar interesante estudiar por separado las
opiniones de hombres y mujeres pues se estima que, dentro de cada uno de estos grupos,
puede haber cierta homogeneidad. Así, si la población está compuesta de un 55% de mujeres

y un 45% de hombres, se tomaría una muestra que contenga también esos mismos
porcentajes de hombres y mujeres.
Para una descripción general del muestreo estratificado y los métodos de inferencia asociados
con este procedimiento, suponemos que la población está dividida en h subpoblaciones o
estratos de tamaños conocidos N1, N2,..., Nh tal que las unidades en cada estrato sean
homogéneas respecto a la característica en cuestión.
 Muestreo por estadios múltiples

Esta técnica es la única opción cuando no se dispone de lista completa de la población de
referencia o bien cuando por medio de la técnica de muestreo simple o estratificado se obtiene
una muestra con unidades distribuidas de tal forma que resultan de difícil acceso. En el
muestreo a estadios múltiples se subdivide la población en varios niveles ordenados que se
extraen sucesivamente por medio de un procedimiento de embudo. El muestreo se desarrolla
en varias fases o extracciones sucesivas para cada nivel.
Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un país
determinado, éstos pueden subdividirse en unidades primarias representadas por
circunscripciones didácticas y unidades secundarias que serían los propios profesores. En
primer lugar extraemos una muestra de las unidades primarias (para lo cual debemos tener la
lista completa de estas unidades) y en segundo lugar extraemos aleatoriamente una muestra
de unidades secundarias de cada una de las primarias seleccionadas en la primera extracción.
 Muestreo por conglomerados

Se utiliza cuando la población se encuentra dividida, de manera natural, en grupos que se
supone que contienen toda la variabilidad de la población, es decir, la representan fielmente
respecto a la característica a elegir, pueden seleccionarse sólo algunos de estos grupos
o conglomerados para la realización del estudio.
Dentro de los grupos seleccionados se ubicarán las unidades elementales, por ejemplo, las
personas a encuestar, y podría aplicársele el instrumento de medición a todas las unidades, es
decir, los miembros del grupo, o sólo se le podría aplicar a algunos de ellos, seleccionados al
azar. Este método tiene la ventaja de simplificar la recogida de información muestral.
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos para
integrar la muestra, el diseño se llama muestreo bietápico.
Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer método
funciona mejor cuanto más homogénea es la población respecto del estrato, aunque más
diferentes son éstos entre sí. En el segundo, ocurre lo contrario. Los conglomerados deben
presentar toda la variabilidad, aunque deben ser muy parecidos entre sí.
 Homogeneidad de las poblaciones o sus subgrupos

Homogéneo significa, en el contexto de la estratificación, que no hay mucha variabilidad. Los
estratos funcionan mejor cuanto más homogéneos son cada uno de ellos respecto a la
característica a medir. Por ejemplo, si se estudia la estatura de una población, es bueno
distinguir entre los estratos mujeres y hombres porque se espera que, dentro de ellos, haya
menos variabilidad, es decir, sean menos heterogéneos. Dicho de otro modo, no hay tantas
diferencias entre unas estaturas y otras dentro del estrato que en la población total.
Por el contrario, la heterogeneidad hace inútil la división en estratos. Si se dan las mismas
diferencias dentro del estrato que en toda la población, no hay por qué usar este método de
muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de la
población, lo que se construyen son conglomerados, que ahorran algo del trabajo que
supondría analizar toda la población. En resumen, los estratos y los conglomerados funcionan
bajo principios opuestos: los primeros son mejores cuanto más homogéneo es el grupo
respecto a la característica a estudiar y los conglomerados, si representan fielmente a la
población, esto es, contienen toda su variabilidad, o sea, son heterogéneos.

 Muestreo no probabilístico
Es aquél para el que no puede calcularse la probabilidad de extracción de una determinada
muestra. Se busca seleccionar a individuos que se juzga de antemano tienen un conocimiento
profundo del tema bajo estudio, por lo tanto, se considera que la información aportada por esas
personas es vital para la toma de decisiones.
 Muestreo por cuotas

Es la técnica más difundida sobre todo en estudios de mercado y sondeos de opinión. En
primer lugar es necesario dividir la población de referencia en varios estratos definidos por
algunas variables de distribución conocida (como el género o la edad). Posteriormente se
calcula el peso proporcional de cada estrato, es decir, la parte proporcional de población que
representan. Finalmente se multiplica cada peso por el tamaño de n de la muestra para
determinar la cuota precisa en cada estrato. Se diferencia del muestreo estratificado en que
una vez determinada la cuota, el investigador es libre de elegir a los sujetos de la muestra
dentro de cada estrato.
 Muestreo de bola de nieve

Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en
contacto entre sí. Consiste en identificar sujetos que se incluirán en la muestra a partir de los
propios entrevistados. Partiendo de una pequeña cantidad de individuos que cumplen los
requisitos necesarios estos sirven como localizadores de otros con características análogas.
 Muestreo subjetivo por decisión razonada

En este caso las unidades de la muestra se eligen en función de algunas de sus características
de manera racional y no casual. Una variante de esta técnica es el muestreo compensado o
equilibrado, en el que se seleccionan las unidades de tal forma que la media de la muestra
para determinadas variables se acerque a la media de la población. La cual funciona en base a
referencias o por recomendación.

TAMAÑO DE MUESTRA
El tamaño de la muestra que debemos escoger para hacer una estimación del parámetro con
las características especificadas (nivel de confianza y error de estimación) es un problema que
tarde o temprano tenemos que resolver. La determinación el tamaño de la muestra es de
importancia debido a que:
 Si se toma una muestra más grande de lo indicada para alcanzar los resultados
presupuestados, constituye un desperdicio de recursos (tiempo, dinero, etc.).
 Al tomar una muestra demasiado pequeña conduce a menudo a resultados poco confiables.
 Cuando elegimos una muestra de tamaño n sólo revisamos una fracción o parte de la
población y con base en ella tomamos decisiones que afectan a toda la población. Es
evidente que este procedimiento existe una posibilidad de que nos equivoquemos en
nuestras decisiones, pero esta posibilidad depende en gran medida del tamaño de muestra
de la población que se haya escogido y por tanto analizado.
El tamaño que debe tener la muestra cuando se estima la media o proporción depende del
nivel de confianza propuesto para el intervalo, así como el máximo error que estemos
dispuestos a admitir entre el valor estimado y el valor real del parámetro que corresponde al
error de estimación.
1. Tamaño de muestra con varianza poblacional conocida.
1.1 Población infinita o muestreo con repetición
Supongamos que hemos fijado en d el error de estimación (precisión) y el nivel de confianza de
⁄ para la estimación de la media de una población normal con varianza
desconocida, siendo así, tenemos la ecuación,
⁄
√
De la ecuación anterior, se tiene
Ejemplo 1. Un ingeniero trata de ajustar una máquina dispensadora de gaseosas de tal forma
que el promedio del líquido dispensado se encuentra dentro de cierto rango. Sabe que la
cantidad de líquido vertida por la máquina sigue una distribución normal con una desviación
estándar decilitros. También desea que el valor estimado que vaya a obtener de la
media comparado con el verdadero no sea superior a 0.02 decilitros con una confianza del
95%. ¿De qué tamaño debe escoger la muestra, o sea cuántas mediciones debe realizar para
que cumpla el plan propuesto?
Solución:
La información dada es:
, d=0.02 y un nivel de confianza del 95% por lo tanto, el nivel de significancia
y ⁄ .
Reemplazando tenemos,
mediciones.
El ingeniero tendría que escoger una muestra de 216 mediciones.
1.2. Población finita y muestreo sin repetición

El tamaño de muestra en una población finita está dada por la ecuación,

Ejemplo 2. Para efectos de una planeación económica en cierta zona del país, es necesario
estimar entre 10 000 establos lecheros, el número de vacas lecheras por establo con un error
de estimación de 4 y un nivel de confianza del 90%. Si se sabe que . ¿Cuántos
establos deben visitarse para satisfacer estos requerimientos?
Solución:
N=10 000, , d=4 y un nivel de confianza del 90% por lo tanto, el nivel de significancia
y .
establos.
Se debe visitar a 166 establos.
2. Tamaño de muestra proporcional a la población
2.1. Población infinita o muestreo con repetición

Cuando es el caso de tomar el tamaño de una muestra proporcional a una población infinita o
un muestreo con repetición, utilizaremos la fórmula,
̅ ̅
En donde ̅ corresponde a la proporción estimada, d el error de estimación. Cuando no se da

estimación alguna de ̅, el cálculo de la muestra se hace tomando a ̅ . Esto arroja por
lo general una muestra mucho mayor de la indicada, pero es el precio que debemos pagar por
no tener mayor información sobre el caso.
Ejemplo 3. Se está planeando una encuesta con el fin de determinar la proporción de familias
que carecen medios económicos para atender los problemas de salud. Existe la impresión de
que esta proporción está próxima a 0.35. Se desea determinar un intervalo de confianza del
99% con un error de estimación de 0.05. ¿De qué tamaño debe tomarse la muestra?
Solución:
̅ , d=0.05, un nivel de confianza del 99% por lo tanto, el nivel de significancia y
.
familias.
Se debe encuestar a 603 familias.
2.2 Población finita y muestreo sin repetición

Si el tamaño de la población debe ser tenido en cuenta el tamaño de muestra está dado por
̅ ̅
̅ ̅
Ejemplo 4. El decano de una facultad desea realizar una encuesta para determinar la
proporción de estudiantes que está a favor del cambio de sede. Ya que entrevistar a 2000
estudiantes es una tarea casi imposible, determine el tamaño de muestra necesario para
estimar la proporción de estudiantes que están a favor, con un error de estimación de 0.05 y
un nivel de confianza del 95%.

Solución:
N=2000, como se desconoce la proporción, entonces ̅ , d=0.05, un nivel de confianza del
95% por lo tanto, el nivel de significancia y .
estudiantes.
Por lo tanto, debe entrevistar a 322 estudiantes.
1. Suponga que las estaturas de los hombres tienen distribución normal con desviación
estándar de 2.5 pulgadas. ¿De qué tamaño se debe tomar la muestra si se desea
determinar un intervalo de confianza del 95% para una media con un error de estimación de
0.5?
2. Un químico ha preparado un producto diseñado para matar el 80% de un tipo particular de

insectos, ¿de qué tamaño se debe escoger la muestra para estimar la verdadera proporción
si se requiere un intervalo de confianza del 95% y un error de estimación del 2%?
3. Un técnico desea determinar el tiempo promedio que los operarios tardan en preparar sus
equipos. ¿Qué tamaño debe tener la muestra si se necesita una confianza del 95% de que
su media muestral estará dentro de 15 segundos del promedio real? Suponga que por
estudios anteriores se sabe que segundos.
4. Se desea estimar el peso promedio de un lote de 500 naranjas. Para ello se va escoger
aleatoriamente cierto número de naranjas. Se desea que el error de estimación sea máximo
de 2 onzas con un nivel de confianza del 90%. ¿Cuántas naranjas deben seleccionarse?
Suponga que .
5. Se desea estimar la proporción de estudiantes que están a favor de la legalización de las

drogas prohibidas. El error de estimación se requiere del 1% y un nivel de confianza del
99%. ¿Cuántos estudiantes deben incluirse en la muestra?
6. Se desea estimar la fuerza promedio para levantar a un niño de seis años. Como no se
tenía información sobre la varianza de esta población se procedió a tomar una muestra
piloto para estimarla; los resultados fueron los siguientes: 2.24, 2.26, 2.47, 1.56, 1.72, 1.48,
2.40, 2.03, 1,72, 2.10, 1.74, 1.55. Si se desea estimar un intervalo del 95% de confianza con
un error de estimación de 0.1. ¿De qué tamaño se debe escoger la muestra?
7. El jefe de personal de una empresa desea realizar una encuesta para determinar la
proporción de trabajadores que está a favor de un cambio del horario de trabajo. Como es
imposible consultar a los 500 trabajadores en un lapso razonable, procede a escoger
aleatoriamente cierto número de trabajadores para entrevistarlos; determine el número de
trabajadores que debe entrevistarse si se desea que la proporción estimada presente un
error máximo del 5% y un nivel de confianza del 95%.

PRUEBAS DE HIPÓTESIS
Dentro de la inferencia estadística, una prueba de hipótesis (también denominado test de
hipótesis o prueba de significación) es un procedimiento para juzgar si una propiedad que
se supone en una población estadística es compatible con lo observado en una muestra de
dicha población. Fue iniciada por Ronald Fisher y fundamentada posteriormente por Jerzy
Neyman y Karl Pearson.
Mediante esta teoría, se aborda el problema estadístico considerando una hipótesis nula
( ) y una hipótesis alternativa ( ), y se intenta averiguar cuál de las dos es la hipótesis
verdadera, tras aplicar el problema estadístico a un cierto número de experimentos.
Está fuertemente asociada a los considerados errores de tipo I y II en estadística, que definen
respectivamente, la posibilidad de tomar un suceso falso como verdadero, o uno verdadero
como falso.
Existen diversos métodos para desarrollar dicho test, minimizando los errores de tipo I y II, y
hallando por tanto con una determinada potencia, la hipótesis con mayor probabilidad de ser
correcta. Los tipos más importantes son los test centrados, de hipótesis y alternativa simple,
aleatorizados, etc. Dentro de los test no paramétricos, el más extendido es probablemente
el test de la U de Mann-Whitney.
Planteamiento clásico del contraste de hipótesis
Se denomina hipótesis nula a la hipótesis ( ) que se desea contrastar. El nombre de "nula"

significa “sin valor, efecto o consecuencia”, lo cual sugiere que ( ) debe identificarse con la
hipótesis de no cambio (a partir de la opinión actual); no diferencia, no mejora,
etc. ( ) representa la hipótesis que mantendremos a no ser que los datos indiquen su
falsedad, y puede entenderse, por tanto, en el sentido de “neutra”. La hipótesis ( ) nunca se
considera probada, aunque puede ser rechazada por los datos. Por ejemplo, la hipótesis de
que dos poblaciones tienen la misma media puede ser rechazada fácilmente cuando ambas
difieren mucho, analizando muestras suficientemente grandes de ambas poblaciones, pero no
puede ser "demostrada" mediante muestreo, puesto que siempre cabe la posibilidad de que las
medias difieran en una cantidad lo suficientemente pequeña para que no pueda ser
detectada, aunque la muestra sea muy grande.
A partir de una muestra de la población en estudio, se extrae un estadístico (esto es, una valor
que es función de la muestra) cuya distribución de probabilidad esté relacionada con la
hipótesis en estudio y sea conocida. Se toma entonces como región de rechazo al conjunto de
valores que es más improbable bajo la hipótesis, esto es, el conjunto de valores para el que
rechazaremos la hipótesis nula si el valor del estadístico observado entra dentro de él.
La probabilidad de que se obtenga un valor del estadístico que entre en la región de rechazo
aún siendo cierta la hipótesis puede calcularse. De esta manera, se puede escoger dicha
región de tal forma que la probabilidad de cometer este error sea suficientemente pequeña.
Siguiendo con el anterior ejemplo de la moneda trucada, la muestra de la población es el
conjunto de los treinta lanzamientos a realizar, el estadístico escogido es el número total de
caras obtenidas, y la región de rechazo está constituida por los números totales de caras
iguales o superiores a 25. La probabilidad de cometer el error de admitir que la moneda está
trucada a pesar de que no lo está es igual a la probabilidad binomial de tener 25 "éxitos" o más
en una serie de 30 ensayos de Bernoulli con probabilidad de "éxito" 0,5 en cada uno, entonces:
0,0002, pues existe la posibilidad, aunque poco probable, que la muestra nos dé más de 25
caras sin haber sido la moneda trucada.
Procedimientos de prueba
Un procedimiento de prueba es una regla con base en datos muestrales, para determinar si se
rechaza .
Ejemplo 1. El ingeniero de control de calidad de una fábrica de tornillos tiene la sospecha de
que el proceso de producción de tales tornillos no se está cumpliendo la especificación en
cuanto la longitud promedio que debe ser de 5 cm, y que ésta, por el contrario, es menor. Si

ello es así, será necesario detener la producción para hacer los ajustes del caso. Como
podemos apreciar en este caso, la decisión que se tome traerá sus consecuencias; por ello se
debe ser consciente al tomar la decisión. En la consideración anterior podemos apreciar dos
posibilidades la hipótesis estadística, constituidas por:
 La proposición o afirmación que el ingeniero espera aceptar, denominada , y denominada
hipótesis alterna. En nuestro caso esta hipótesis corresponde a la afirmación: “La longitud
media de los tornillos es menor de 5 cm”. Simbólicamente la denotaremos , siendo
longitud promedio de los tornillos.
 La proposición que el ingeniero espera rechazar, denotada , llamada hipótesis nula, que
en el presente caso corresponde a la afirmación: “La longitud promedio de los tornillos es de
5 cm”. Simbólicamente la denotaremos .
Las dos anteriores hipótesis se escriben conjuntamente de la manera siguiente:
La escritura nos indica que existe una confrontación de afirmaciones y sólo la evidencia de los
datos nos podrá indicar hacia dónde debemos inclinarnos, lo que no requiere decir que queda
demostrada, sino que no queda validada ante la evidencia de la muestra. Esto hay que tenerlo
en cuenta porque olvidarlo o desconocerlo da origen a las muchas conclusiones erradas que se
hacen y que motivan una crítica injustificada a las conclusiones con base en la inferencia
estadística.
Un procedimiento de prueba se especifica por lo siguiente:
1. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la
decisión de rechazar o no rechazar .
2. Una región de rechazo, el conjunto de todos los valores del estadístico de prueba para los
cuales será rechazada.
Entonces, la hipótesis nula será rechazada si y solo si el valor observado o calculado del
estadístico de prueba se ubica en la región de rechazo.
La región de aceptación es un conjunto de valores, determinado bajo ciertas reglas, tal que si el
valor de la estadística de prueba cae dentro, la hipótesis nula se declara no contraria al valor
de la estadística (esto no significa que sea verdadera sino que su falsedad no ha sido
probada). La región de rechazo, también llamada región crítica, es un conjunto de valores
distinto a los anteriores; si la estadística de prueba asume un valor que esté dentro, la hipótesis
nula se declara contraria a la evidencia de la muestra y por lo tanto debe ser rechazada.
El valor crítico es aquel número que separa la región de aceptación de la región de rechazo.
Así por ejemplo, si la regla de decisión es rechazar si ̅ , entonces 5 es un valor
crítico.
Rechazo Aceptación
5
Cuando la región de rechazo está localizada en un solo extremo de la curva de la distribución
de la estadística de prueba, la prueba se dice de una cola. Cuando la región de rechazo está
localizada en ambos extremos la prueba se dice de dos colas.
Si se trata de una prueba de una media para población normal, las distintas pruebas respecto
de las posibilidades para la hipótesis alterna son:
1. .
Zona de rechazo
( )
Prueba de una cola a la derecha.

2. .
Zona de rechazo
( )
Prueba de una cola a la izquierda
3. .
Zona de rechazo Zona de rechazo

( ⁄ ) ( ⁄ )
Prueba de dos colas

En los casos anteriores la hipótesis nula también puede formularse como , para el
caso 1, y para el caso 2. Sin embargo, en los cálculos siempre se tomará .
En el mejor de los casos podrían desarrollarse procedimientos de prueba para los cuales
ningún tipo de error es posible. Pero esto puede alcanzarse solo si una decisión se basa en un
examen de toda la población, lo que casi nunca es práctico. La dificultad al usar un
procedimiento basado en datos muestrales es que debido a la variabilidad en el muestreo
puede resultar una muestra no representativa.
Un buen procedimiento es aquel para el cual la probabilidad de cometer cualquier tipo de error
es pequeña. La elección de un valor particular de corte de la región de rechazo fija las
probabilidades de errores tipo I y II. Estas probabilidades de error son representadas por α y β,
respectivamente.
Errores en el contraste
Una vez realizado el contraste de hipótesis, se habrá optado por una de las dos
hipótesis, o , y la decisión escogida coincidirá o no con la que en realidad es cierta. Se
pueden dar los cuatro casos que se exponen en el siguiente cuadro:
Decisión
Estado de naturaleza
Aceptar Descartar
es cierta Acción correcta Error de tipo I
( ) ( )
es falsa Error d tipo II Acción correcta
( ) ( )
Si la probabilidad de cometer un error de tipo I está unívocamente determinada, su valor se

suele denotar por la letra griega α, y en las mismas condiciones, se denota por β la
probabilidad de cometer el error de tipo II, esto es:
En este caso, se denomina Potencia del contraste al valor 1-β, esto es, a la probabilidad de
escoger cuando ésta es cierta

Cuando es necesario diseñar un contraste de hipótesis, sería deseable hacerlo de tal manera
que las probabilidades de ambos tipos de error fueran tan pequeñas como fuera posible. Sin
embargo, con una muestra de tamaño prefijado, disminuir la probabilidad del error de tipo I, α,
conduce a incrementar la probabilidad del error de tipo II, β.
Ejemplo 2. En un procedimiento judicial, cuando se acusa a alguien de un asesinato, cuando
se llama a juicio se presume que el acusado es inocente, es decir, no culpable hasta que se
demuestra lo contrario. El error tipo I corresponde al caso de condenar a un inocente y el error
tipo II al dejar libre a un culpable.
Cuando tomamos decisiones con base en los datos muestrales, cualquier cosa puede ocurrir,
desde lo más grave (cometer el error tipo I) hasta lo más acertado (tomar una decisión
correcta), y aun lo menos grave que sería cometer el error tipo II. Ante la gravedad de cometer
el error tipo I y ante la imposibilidad de descartarlo, la única alternativa que nos queda es la
asignarle una probabilidad, obviamente pequeña, de que éste ocurra; llegamos de esta manera
al concepto de nivel de significancia.
El nivel de significancia de una prueba corresponde a la probabilidad de cometer el error tipo
I. Es decir, es la probabilidad de rechazar siendo verdadera. Esta probabilidad se denota
con la letra y corresponde al área de rechazo; de tal forma que se igualará al total del área
derecha o izquierda, si se trata de pruebas de una cola o se repartirá en partes iguales entre
las dos colas, si se trata de una prueba bilateral.
Usualmente, se diseñan los contrastes de tal manera que la probabilidad α sea el 5% (0,05),
aunque a veces se usan el 10% (0,1) o 1% (0,01) para adoptar condiciones más relajadas o
más estrictas. El recurso para aumentar la potencia del contraste, esto es, disminuir β,
probabilidad de error de tipo II, es aumentar el tamaño muestral, lo que en la práctica conlleva
un incremento de los costes del estudio que se quiere realizar.
Pasos en una prueba de hipótesis

Primer paso. Formular la hipótesis o asegurar que es verdadera. Esta formulación puede ser
literal, pero generalmente traducida en término de parámetros ( ).
Segundo paso. Establecer el tamaño de muestra (n) y el nivel de significancia ( ).
Tercer paso. Determinar una estadística de prueba o una regla que sea lógica en el contexto
del problema formulado por la hipótesis. La estadística de prueba proporciona un número a
partir de los datos muestrales.
Cuarto paso. Formular una regla de decisión. Esto es, definir la posición que se asumirá para
cada resultado posible del experimento. La regla de decisión debe especificar qué valores de la
estadística de prueba se toman para aceptar y cuales para rechazarla.
Quinto paso. Recolectar los datos mediante algún procedimiento de muestreo y calcular el
correspondiente valor de la estadística de prueba.
Sexto paso. Aplicar la regla de decisión. Si el valor de la estadística de prueba cae en la región
de rechazo, entonces rechazamos ; si el valor cae en la región de aceptación, entonces no
rechazamos o mejor dicho, no hay evidencia para rechazarla.
El rechazo o no rechazo de la hipótesis nula conduce a una decisión clínica, administrativa,
científica, etc.

PRUEBAS DE HIPÓTESIS RESPECTO DE LAS MEDIAS EN POBLACIONES
NORMALES
Es un procedimiento estadístico que nos permite decidir si los datos muestrales son
consistentes o no con algun valor que hemos fijado para la media de una población
normalmente distribuida. Existen dos casos relacionados: cuando la varianza de la población
es conocida y cuando ésta es desconocida.
1. Pruebas para una muestra
1.1. Varianza poblacional conocida.

En este caso la prueba estadística se desarrolla con base en la distribución normal:
√ ̅
Ejemplo 1. Los siguientes datos corresponden a la longitud medida en centímetros de 18

pedazos de cable sobrantes en cada rollo utilizado: 9.00, 3.41, 6.13, 1.99, 6.92, 3.12, 7.86,
2.01, 5.98, 4.15, 6.87, 1.97, 4.01, 3.56, 8.04, 3.24, 5.05, 7.37. Basados en estos datos,
¿podemos decir que la longitud media de los pedazos de cables es mayor de 4 cm? Suponga
población normal y tome el nivel de significancia .
Solución:
Aplicando los pasos de una prueba de hipótesis tenemos:
1. Hipótesis
Longitud promedio de los pedazos de cable.
2. n = 18, .
3. Estadística de prueba.
√ ̅
4. Regla de decisión.
Se rechaza H0, si .
5. Cálculos.
El valor de tabla ( ):

6. Decisión.
Como , entonces se rechaza H0 de que la longitud promedio es menor o igual a 4 cm.
1.2. Varianza poblacional desconocida y muestra pequeña.

En este caso se toma como estadística de prueba a la distribución t-student:
√ ̅
con (n – 1) grados de libertad.
Ejemplo 2. Un agrónomo mide el contenido promedio de humedad en cierta variedad de trigo

que fue secado especialmente en una muestra de 16 toneladas: 7.2, 6.8, 7.3, 7.0, 7.3, 7.3, 7.5,
7.3, 7.4, 7.2, 7.6, 7.1, 7.4, 6.7, 7.4, 6.9. Si el promedio de humedad excede de 7.1, el proceso
de secado debe continuar. ¿Deberá continuarse con el proceso de secado, de acuerdo con
esta evidencia? Tome .
Solución:
1. Hipótesis
contenido promedio de humedad de cada tonelada de trigo.
2. n = 16, .
√ ̅
Se rechaza H0, si .
5. Cálculos.
̅

6. Decisión.
Como , entonces se rechaza H0 de que el promedio de humedad de cada tonelada de

trigo es menor o igual a 7.1, ante esta evidencia el proceso de secado debe continuar.
2. Pruebas para dos muestras independientes
Cuando se trata de pruebas de dos medias relacionadas con poblaciones independientes, las
hipótesis a probar son:
Equivalente a:
. Prueba de una cola a la derecha.
Equivalente a:
. Prueba de una cola a la izquierda.
Equivalente a:
. Prueba de dos colas.
También se tienen en cuenta dos casos, cuando las varianzas de las poblaciones son
conocidas o cuando las varianzas son desconocidas.
Si las varianzas poblacionales son conocidas, se utiliza como estadística de prueba la variable
con distribución normal estándar:
̅ ̅
√ ⁄ ⁄
Cuando las varianzas poblacionales son desconocidas pero supuestas iguales con muestras
pequeñas, se utiliza como estadística de prueba a la distribución t-student:
̅ ̅
√ ⁄ ⁄
con (n1 + n2 – 2) grados de libertad y donde,
se llama varianza ponderada.
Ejemplo 3. Mediciones del diámetro transversal del corazón de los adultos del sexo masculino
y femenino dieron los resultados siguientes:
Grupo Tamaño de muestra ̅ en cm. S en cm.

Hombres 12 13.21 1.05
Mujeres 9 11.00 1.01
Suponga que las varianzas de las dos poblaciones son iguales. ¿Proporcionan estos datos
suficiente evidencia que indique que el diámetro transversal promedio del corazón de los
hombres es igual al de las mujeres? Tome .

Solución:
1. Hipótesis
diámetro transversal promedio de los hombres.
diámetro transversal promedio de las mujeres.
2. n1 = 12, n2 =9, .
̅ ̅
√ ⁄ ⁄
Se rechaza H0, si .
5. Cálculos.
√ ⁄ ⁄
6. Decisión.
Como , entonces se rechaza H0 de que el diámetro transversal promedio del corazón de

los hombres es igual al de las mujeres.
3. Pruebas sobre medias cuando las observaciones son pareadas

Esta prueba aparece cuando por ejemplo, comparamos los pesos de las personas antes y
después de un tratamiento para bajar peso. La aplicación de esta prueba requiere que las
unidades que formen la pareja tengan las mismas características, como sucede en los
siguientes casos:

 Los mismos individuos reciben el tratamiento antes y después.
 Las parejas son gemelos que reciben tratamientos distintos.
 Dos partes del mismo material son sometidos a tratamientos distintos.
El procedimiento estadístico para analizar el comportamiento de la variable de interés se basa
en la diferencia de las mediciones de las unidades que forman la pareja y es similar al que se
sigue para la prueba de una media al utilizar la distribución t-student, sólo que se toma como
estadística de prueba a la variable:
√ ̅
con (n – 1) grados de libertad.

̅ = diferencia promedio de los datos muestrales, Sd = desviación estándar de las diferencias.
Ejemplo 4. Diez personas fueron sometidas a un test antes y después de recibir cierta
instrucción. Los resultados fueron los siguientes:
Individuo 1 2 3 4 5 6 7 8 9 10
Antes 70 84 88 110 105 100 110 67 79 86
Después 115 148 176 191 158 178 179 140 161 157
¿Proporcionan estos datos evidencia suficiente para decir que la instrucción fue efectiva?
Tome .
Solución:
1. Hipótesis
diferencia promedio del test aplicado a diez individuos.
2. n = 10, .
√ ̅
Se rechaza H0, si .
5. Cálculos.
̅
√

6. Decisión.
Como , entonces se rechaza H0, los datos evidencian que la instrucción fue efectiva.

1. Una fábrica de pilas garantiza que su producto tiene una vida media de 1000 horas y una
desviación estándar de 50. Pruebe la hipótesis de que en contraposición de la
alterna horas, si una muestra aleatoria de 30 baterías tiene una duración promedio
de 950 horas. Utilice .
2. Una muestra aleatoria de 36 refrescos de una máquina despachadora tiene un contenido

promedio de 19.8 decilitros, con una desviación estándar de 1.3 decilitros. Pruebe la
hipótesis de decilitros en contraposición a la hipótesis alterna . Use el nivel de
significancia .
3. Los siguientes datos representan el contenido de grasa en los cuerpos de 10 hombres: 4.22,
3.99, 5.41, 4.23, 4.29, 4.62, 4.55, 4.13, 4.23, 4.48. ¿Evidencian estos datos que el contenido
promedio de grasa en los hombres es menor de 4.464? Considere y tome .
4. Se espera que dos operarios produzcan en promedio el mismo número de unidades

terminadas en el mismo tiempo. Los siguientes datos dan los números de las unidades
terminadas para ambos trabajadores en una semana de trabajo.
Operario 1 Operario 2
10 12
9 16
16 16
14 15
11 14
Si supone que el número de unidades terminadas diariamente por los trabajadores son
variables aleatorias independientes distribuidas normalmente con varianzas iguales, ¿puede
concluirse alguna diferencia entre las medias? Tome .
5. Las siguientes son las distancias en metros que cierto animal se aleja de su morada: 194,
202, 335, 515, 184, 369, 142, 552, 200, 344, 421, 590, 301, 439. ¿Podemos concluir que la
distancia promedio en que se aleja es mayor de 338 m? Suponga y tome .
6. Pruebe la hipótesis según la cual el contenido promedio de un aceite comestible es de 5

litros. Si los contenidos de una muestra aleatoria de 10 recipientes son: 5.2, 4.7, 5.1, 5.3,
5.1, 4.8, 4.9, 5.4, 5.3, 4.8. Utilice un nivel de significancia de y suponga que la
distribución de los contenidos es normal.
7. Se desea comparar dos métodos para enseñar estadística. Para ello se tomaron 10 pares
de estudiantes del mismo nivel de aprovechamiento en estadística. De cada par, a uno se le
asigna al azar el método A y al otro al método B. Después de un periodo de cuatro
semanas, cada estudiante se sometió a un examen, con las puntuaciones siguientes:
Par 1 2 3 4 5 6 7 8 9 10
Método A 36 37 41 42 36 35 42 33 40 38
Método B 35 35 42 41 36 34 40 31 39 37
¿Proporcionan estos datos suficiente evidencia como para indicar que los niveles medios de
aprovechamiento de los métodos son distintos? Sea .
8. Los siguientes datos son los tiempos que tardan dos grupos de estudiantes para resolver un
examen de estadística.
Grupo Tiempo mínimo

1 100 84 96 107 89
2 79 163 95 132 91 85

Considere que se trata de poblaciones normales de igual varianza y pruebe que el tiempo
de duración promedio para responder el examen del grupo 1 es mayor que el promedio del
grupo 2. Tome .
9. Los siguientes datos corresponden a los diámetros de dos muestras de arandelas

producidas por dos máquinas distintas.
Muestra 1 0.91 1.82 1.46 1.95 1.57 1.61 1.32

Muestra 2 1.03 1.99 1.65 2.07 1.66 1.76 1.28 2.01
Considere que los diámetros se distribuyen normalmente y que las varianzas respectivas
son . ¿Evidencian estos datos que los diámetros promedios de las
arandelas producidas por las dos máquinas son iguales? Tome .
10. Cinco personas con exceso de peso se pusieron a dieta durante tres meses. Fueron
observados sus pesos al comienzo y al final de la dieta. Estos datos se muestran en la
tabla que sigue:
Individuo 1 2 3 4 5
Peso inicial 295 305 323 299 310
Peso final 251 259 267 265 263
¿Se puede concluir según estos datos que la dieta es efectiva? Tome .
11. Suponga que tienen dos poblaciones X y Y independientes, distribuidas normalmente y de

igual varianza. De cada una de estas poblaciones se extrae una muestra. En la tabla que
sigue se dan los resultados:
Población Media Desviación estándar Tamaño de muestra

X 4.52 1.40 5
Y 5.31 1.95 23
¿Se puede concluir a partir de estos datos, que es mayor de 1?

Tome .
12. Suponga que la varianza de los cocientes intelectuales de los estudiantes de enseñanza
secundaria media en una ciudad es de 225. Una muestra aleatoria de 25 estudiantes
arroja un coeficiente intelectual de 106. ¿Se puede concluir a partir de estos datos que el
coeficiente intelectual medio de los estudiantes es superior a 100? Tome .
13. Una muestra aleatoria de tamaño n1 = 25, tomada de una población normal con desviación
estándar de , tiene una media ̅ . Una segunda muestra aleatoria de tamaño
n2 = 36, tomada de una población normal diferente con desviación estándar , tiene
media ̅ . Pruebe la hipótesis de , en contraposición a la alterna .
Tome .
14. Se conduce una prueba sobre la potencia de fricción producida por ciertas máquinas
lubricadas con dos aceites comerciales. Los resultados fueron:
Marca 1 Marca2
̅ ̅
Considere que se trata de poblaciones normales con igual varianza. ¿Evidencian estos
datos que las potencias promedios son iguales? Tome .

PRUEBAS DE HIPÓTESIS RESPECCTO DE LAS VARIANZAS EN
POBLACIONES NORMALES
Las pruebas referentes a varianzas pueden ser para una o dos varianzas. Si se trata de una
sola varianza utilizamos como estadístico de prueba la variable con distribución Ji cuadrado:
y con un valor de tabla ( ): , en donde k = (n – 1) grados de libertad y q la medida de

la cola derecha.
Ejemplo 1. Se tomó una muestra aleatoria de tamaño n= 25 se obtuvo un valor S=150, con
estos datos. Pruebe la hipótesis vs. .
Solución
1. Hipótesis
vs.
2. n = 25
Se rechaza H0, si .
5. Cálculos.
6. Decisión.
36.415 54
Como, entonces rechaza H0.
Cuando se trata de comparar varianzas se utiliza la variable con distribución F:

En donde y son las varianzas muestrales de las dos poblaciones y con un valor de tabla
(Fα): ( ) , con q la medida de la cola derecha, n 1 grados de libertad del numerador y
n2 grados de libertad del denominador.
Se recomienda colocar siempre en el numerador la varianza muestral asociada a la varianza

poblacional mayor. Esto es,
i) Si , entonces el estadístico de prueba se toma como
ii) Si , entonces el estadístico de prueba se toma como .

iii) Si , entonces el estadístico de prueba se toma de tal manera que la mayor de
las variables aparezca en el numerador.
Ejemplo 2. Se comparó la eficiencia de dos tipos de aceites para evitar el desgaste en ciertas
piezas sometidas a intenso trabajo. En trece piezas se utilizó el aceite 1 y en otras trece el
aceite 2. Las varianzas muestrales fueron . Pruebe la hipótesis nula según la
cual las varianzas de las dos poblaciones son iguales. Tome .
Solución
1. Hipótesis
2. n1 = 13, n2 = 13, .
1/Fα Fα
Se rechaza H0, si .
5. Cálculos.
( ⁄ ) ⁄ y
( ⁄ ) ⁄
6. Decisión.
0.305 3.28 4
Como , entonces rechaza H0, de que las varianzas de las dos poblaciones son iguales.

1. Se afirma que un dispensador de gaseosas está fuera de control si la varianza de los

contenidos excede de 1.0 decilitros. Si una muestra aleatoria de 16 vasos despachados por
este dispensador dio una varianza muestral de 1.9 decilitros, ¿qué puede decirse del mismo
acerca de si está bajo control? Tome .
2. Se sabe que el contenido de nicotina de una marca de cigarrillos tiene distribución normal
con varianza de 1.3 miligramos. Pruebe la hipótesis de que , si una muestra
aleatoria de 8 de estos cigarrillos tiene una desviación estándar . use .
3. Se conduce una prueba sobre la potencia de fricción producida por ciertas máquinas
lubricadas con dos aceites comerciales. Los resultados fueron:
Marca 1 Marca2
̅ ̅
¿Proporcionan estos datos una evidencia de que ? Tome .
4. Se compara el nivel de colesterol en la sangre de los pacientes seleccionados al azar y

sometidos a dos dietas distintas; una baja en grasa y la otra normal. Las varianzas y
tamaños de muestra se dan a continuación:
Baja en grasas
Normal
¿Proporcionan estos datos suficiente evidencia que indique una diferencia en la variabilidad
de las dos poblaciones de donde se obtuvieron las muestras? Tome .
5. Una firma fabricante de detergentes elabora dos marcas. Si se encuentra que 56 amas de
casa de 200 consultadas prefieren la marca A; y que 29 de 150 la marca B. ¿Es esto
evidencia suficiente para sostener que la marca A es preferida a la B? Tome .
6. Se realizo una encuesta para determinar la diferencia que pueda existir entre las fracciones
de casados y solteros entre 20 y 30 años que fuman. Se entrevistaron 200 personas de
cada grupo y se encontraron 64 casados y 80 solteros que fuman. ¿Contienen los datos
suficiente evidencia que indique que existe una diferencia entre las dos fracciones de
fumadores para las dos poblaciones? Tome .
7. Dos maquinas diferentes A y B se utilizan para producir pernos idénticos que se suponen de
2 pulgadas de longitud. Se toman dos muestras aleatorias de 25 pernos cada una de la
producción de ambas máquinas Y arrojan dos varianzas pulgadas para la
máquina A, y pulgadas para la máquina B. ¿Evidencian estos datos que las
varianzas son iguales? Tome .
8. La desviación estándar de cierto proceso de producción es de 4 pulgadas. Se sospecha que

la varianza se ha hecho demasiado grande. Se toma una muestra de 9 partes producidas en
dicho proceso y sus medidas son: 5, 7, 2, 4, 8, 9, 8, 6 y 5 pulgadas. Pruebe la hipótesis de
que el proceso conserva aún la varianza . Tome .

MÉTODOS NO PARAMÉTRICOS
Hemos visto en casi todas las pruebas hasta ahora estudiadas permitían que se estimaran
algunos valores desconocidos de los parámetros a partir de valores calculados gracias a
muestras elegidas al azar en una población dada.
Las hipótesis se enunciaban en función del valor o valores especificados de los parámetros de
la población.
Como se presentan muchas situaciones en las que no cumplen los supuestos, se han
desarrollado recientemente numerosas pruebas estadísticas que no exigen supuestos
rigurosos acerca de la distribución de la población y que no requieren enunciar las hipótesis en
términos de valores especificados de los parámetros, son por consiguiente, pruebas que se
pueden llamar de distribución libre o no paramétricos. El término de distribución libre describe
un método de probar hipótesis o de definir un intervalo de confianza que no depende de la
naturaleza de la distribución de la población que se esté considerando; el término no
paramétrico se utiliza para indicar que no hay hipótesis enunciada en términos de valores
especificados de parámetros.
No obstante, los métodos no paramétricos tienen sus ventajas por ser fáciles de aplicar. Son
relativamente sencillos, claros de exponer y de comprender en comparación con los métodos
paramétricos. De ahí que a veces se les llame métodos “abreviados” y que se les emplee a
menudo, al aumentar el tamaño de la muestra, incluso en situaciones en que se cumplen en
realidad supuestos paramétricos.
En esta guía nos ocuparemos al estudio de algunos métodos más frecuentemente empleados.
 Prueba de rangos signados

La prueba de signos deja completamente de lado la magnitud de la diferencia entre cada par
de valores. Frank Wilcoxon, en 1945, sugirió un método para mejorar la prueba de signos. Ésta
mejora, llamada prueba de rangos signados de Wilcoxon, toma en consideración la magnitud
de las diferencias. Para llevarla a cabo, el primer paso consiste en ordenar todos los valores
absolutos de las diferencias entre observaciones pareadas, del menor al mayor. El rango de la
diferencia más pequeña es entonces 1, el que sigue es 2 y así sucesivamente. Como se asigna
rangos a las diferencias independientemente del signo, por ejemplo a las diferencias -1 y +1 se
les da el mismo rango, es decir, cada diferencia le corresponde un rango y como se omite el
signo entonces ocuparía el mismo rango, entonces se promedia los rangos que le corresponde
y ese seria el rango para cada uno de ellos. Una vez ordenadas por rangos las diferencias, se
da a cada rango el signo de la diferencia. Se calculan entonces por aparte la suma de de
rangos positivos y la suma de los rangos negativos y la suma menor omitido el signo, es la
estadística de prueba que se suele designar por T.
Si la hipótesis nula según la cual las dos poblaciones tienen idéntica distribución (relativa) es
cierta, podría esperarse que las dos sumas sean aproximadamente iguales, y si las dos sumas
son muy diferentes entre y sí, habría que concluir que las dos poblaciones no son idénticas; es
decir, habría que descartar la hipótesis nula.
La estadística de prueba T se puede emplear para pruebas de una o dos colas. Para de una
cola es necesario anticipar el signo de la suma de los rangos menor, en caso de ser falsa la
hipótesis nula. Si la suma más pequeña tiene signo distinto del que se anticipó, no se rechaza
la hipótesis nula.
Ejemplo 1. Suponga que se desea averiguar si un periodo de vacaciones aumentaría la

productividad de los trabajadores. Suponga además que para este fin se recolectan datos
sobre las producciones semanales de 22 trabajadores de una fábrica en la semana anterior y
posterior a las vacaciones. Sean X y Y las producciones semanales antes y después de las
vacaciones.
Como se trata de una prueba de una cola y la hipótesis alterna es la de que un periodo de
vacaciones aumentaría la productividad de los trabajadores, se anticipa que la suma menor
tiene signo negativo.

Trabajadores X Y Diferencias Rango Rango signado
Y–X Negativo Positivo
A 83 79 -4 12 -12
B 85 87 +2 4 +4
C 75 70 -5 15 -15
D 91 93 +2 4 +4
E 80 85 +5 15 +15
F 75 75 0 -
G 90 80 -10 19 -19
H 65 71 +6 17 +17
I 78 80 +2 4 +4
J 85 88 +3 8 +8
K 83 82 -1 1.5 -1.5
L 75 71 -4 12 -12
M 78 75 -3 8 -8
N 80 85 +5 15 +15
O 82 86 +4 12 +12
P 88 85 -3 8 -8
Q 85 82 -3 8 -8
R 80 87 +7 18 +18
S 78 78 0 -
T 81 84 +3 8 +8
U 70 85 +15 20 +20
V 80 81 +1 1.5 +1.5
T= -83.5 126.5
La menor suma es la negativa -83.5 y por consiguiente la estadística de prueba es 83.5, al

omitir el signo. El valor T se refiere entonces a la tabla de T construida por Wilcoxon para
compararlo con el valor crítico para un valor de significancia dado. En la tabla I se da una
porción de la tabla T. La tabla da los valores críticos de T a valores especificados de α de
0.005, 0.01 y 0.025 para una cola y 0.01, 0.02 y 0.05 para dos colas. Para una cola con n = 20,
el valor crítico de T a α = 0.01 es 43, el cual o debajo del cual se encuentra la región crítica.
Como el valor observado es 83.5, no se rechaza la hipótesis nula o sea que un periodo de
vacaciones no obtiene efecto favorable de alguna significancia en la productividad de los
trabajadores.
Tabla I. Valores críticos de T para la prueba de rangos signados de Wilcoxon.

Nivel de significancia α
Pares Prueba de una cola: 0.005 0.01 0.025
n Prueba de dos colas: 0.01 0.02 0.05
6 - - 0
7 - 0 2
8 0 2 4
9 2 3 6
10 3 5 8
11 5 7 11
12 7 10 14
13 10 13 17
14 13 16 21
15 16 20 25
16 20 24 30
17 23 28 35
18 28 33 40
19 32 38 46
20 38 43 52
21 43 49 59
22 49 56 66
23 55 62 73
24 61 69 81
25 68 77 89
Fuente: Adaptado de Frank Wilcoxon, “Some Rapid Approximate Statistical Procedures”
American Cyanamid Company, Nueva York, 1949, con autorización del autor y del editor.

Observe que si se desea llevar a cabo una prueba de dos colas el valor crítico 43 viene
asociado a un nivel de significancia de 0.02 para n = 20.
En pares mayores de 25 la tabla de valores T ya no puede emplearse. Afortunadamente, para

n grande la distribución de T es aproximadamente normal y lo usual es emplear el método de
aproximación normal. En efecto, T es aproximadamente N[ ] con n no inferior de 8.
Damos en seguida las fórmulas para calcular la media y la desviación estándar de la
distribución T:
y √
El valor Z se calcula como sigue:
En el ejemplo anterior se tiene
Que es mayor que el valor crítico -1.645 con . Por consiguiente, no se rechaza la
hipótesis nula de que el periodo de vacaciones no da por resultado aumento de la
productividad. Este resultado es el mismo obtenido por la prueba de signos estudiada antes.
 Prueba de independencia
Entre todas las aplicaciones que se ofrecen de la distribución Ji cuadrado, es tal vez la prueba
de independencia la que mayor empleo tiene. Este procedimiento consiste en probar la
hipótesis nula según la cual dos criterios de clasificación cuando se aplican a dos conjuntos de
entidades, son independientes. Por ejemplo, probar que el hábito de fumar es independiente
del sexo o probar que los retrasos en la llegada al trabajo de las personas que laboran en una
empresa es independiente del tiempo de vinculación del trabajador.
La clasificación de un conjunto de entidades, de acuerdo con dos criterios, puede presentarse
mediante una tabla en la que los renglones (filas) representan los diversos niveles de uno de
los criterios de clasificación y las columnas representan los diversos niveles del segundo
criterio. Una tabla construida de esta forma se denomina, como una tabla de contingencia. La
intersección de un renglón con una columna se denomina celda.
La hipótesis nula (H0) corresponde a la proposición: “Los dos criterios de clasificación son
independientes”. Si se llega rechazar H0, se concluirá que los dos criterios de clasificación no
son independientes en esta población.
El procedimiento para realizar la prueba incluye los siguientes pasos básicos:
1. Se especifica cada criterio con sus distintos niveles. Esto determinará los renglones y las
columnas.
2. Se registra en cada celda el número de individuos o entidades que satisfacen el nivel dado
por el renglón y la columna simultáneamente.
3. Se calculan las frecuencias esperadas, las cuales se colocan en la parte inferior derecha de
la celda o al lado de la frecuencia observada, entre paréntesis.
4. Se calcula la suma, valor de la estadística de prueba,
en donde,
= Número de entidades o individuos clasificados en las celdas .
= Frecuencia esperada para la celda .
k = Número de celdas.
5. Se busca en la tabla de Ji cuadrado el valor [ ] , r = número de renglones y c =
número de columnas.

Si el valor , entonces se rechaza H0 al nivel de significancia .
Ejemplo 2. Suponga que se desea averiguar si existe alguna relación entre el nivel de
formación académica y el rendimiento laboral para un grupo de 200 empleados. El nivel de
formación académica se clasifica en tres clases: escuela media o primaria, escuela superior y
escuela de especialización, en tanto que el rendimiento en el trabajo se clasifican como
“excelente”, “bueno” o “regular”. La distribución de frecuencia conjunta de las 200
observaciones está representada en la siguiente tabla.
Formación académica
Rendimiento Media o primaria Superior Especialización Total
Excelente 10 (15) 40 (30) 10 (15) 60
Bueno 30 (20) 30 (40) 20 (20) 80
Regular 10 (15) 30 (30) 20 (15) 60
Total 50 100 50 200
La frecuencia esperada (número que aparece entre el paréntesis) se obtiene al multiplicar el

total de la columna por el total del respectivo renglón y dividir por el total de observaciones.
Ejemplo de las primeras frecuencias esperadas:
, , ,
A partir de la tabla anterior se obtiene ฀฀ como sigue:
Este valor calculado se confronta con el valor de tabla Ji cuadrado ( ),

con tenemos,
[ ] [ ] [ ]
y con ,
[ ] .
El valor calculado es considerablemente superior a estos valores. Así que aunque se fijara el
nivel de significancia al 1%, se podría rechazar la hipótesis nula de que no hay relación
significativa entre la formación académica de los empleados y su rendimiento en el trabajo.
Un caso especial en la prueba de independencia es aquel que emplea una tabla de

contingencia de 2x2. Si se utiliza tal tabla pude aplicarse una fórmula simplificada para calcular
.
Suponga que las frecuencias observadas en una tabla de contingencia 2x2, sean a, b, c y d
como sigue:
Individuos o entidades A B Total

X a b a+b
Y c d c+d
Total a+c b+d n
El valor ฀฀ puede calcularse entonces por la fórmula siguiente:
(1)
con (2 – 1)(2 – 1) =1 grado de libertad.
Con frecuencia se aplica la correlación por continuidad de Yates, análoga a la corrección de

continuidad de la aproximación normal a la binomial, para mejorar la aproximación a la
probabilidad multinominal exacta. El valor corregido se calcula así:
| | ⁄
(2)

Ejemplo 3. En un estudio para determinar si existía relación entre el sexo y el propósito de
elegir una carrera técnica se entrevistaron 120 aspirantes a la universidad. Los resultados
fueron los siguientes:
Aspira a carrera técnica

Sexo Si No Total
Hombre 40 30 70
Mujer 10 40 50
Total 50 70 120
Aplicando la fórmula (1) tenemos,
De la tabla III tenemos que para un grado de libertad el valor crítico que separa 0.1%
superior es 10.828. Por lo tanto, la hipótesis según la cual existe independencia entre el sexo y
el propósito de elegir una carrera técnica debe ser rechazada.
Si se tiene en cuenta la corrección por continuidad de Yates (2) obtenemos:
| |
que es ligeramente menor que el valor antes obtenido, pero aun así la hipótesis de
independencia debe ser rechazada.

1. Se desea determinar la eficacia de cierta dieta para adelgazamiento. Se sometieron a la

dieta 17 personas y se les tomaron sus pesos antes y después de la dieta. Los resultados
se dan a continuación:
Personas A B C D E F G H I J K L M N O P Q
Pesos antes 210 197 203 175 234 178 252 230 190 195 154 179 243 195 198 169 217
Pesos después 208 196 195 175 229 170 242 221 213 180 150 173 235 204 193 169 210
Aplique la prueba T de Wilcoxon para determinar si la dieta ha reducido significativamente

los pesos de las personas del experimento a un nivel del 1%.
2. Los datos que siguen se reunieron con el propósito de determinar si las edades de los
esposos se pueden considerar superiores a las de las esposas.
Esposos 58 46 30 35 53 20 45 35 38 43 25 22 37 61 78
Esposas 47 35 25 38 49 21 42 40 38 38 26 24 39 60 68
¿Qué puede decir, de acuerdo con estos datos? Empleando la prueba T de Wilcoxon.
Emplee el nivel de significancia .
3. Se desea determinar si un alza en los salarios incrementaría la producción por hora de los
trabajadores. Sea X esta producción por hora antes de alza de salarios y sea Y la misma
producción después del alza. Una muestra de 20 trabajadores arroja los siguientes datos:
Trabajadores A B C D E F G H I J K L M N O P Q R S T
X 91 83 70 64 85 86 91 66 72 60 75 84 71 80 70 85 65 75 75 65
Y 88 87 67 69 83 81 94 67 76 55 74 86 72 90 75 83 75 82 65 67
Utilice la estadística de prueba T para probar la hipótesis nula de que el alza de salarios no
tiene efecto sobre la producción horaria de los trabajadores, con la hipótesis alterna de que:
a. La producción por hora tras el alza es superior a la de antes del alza a un nivel de
significancia del .
b. La producción por hora tras el alza difiere de la producción anterior al alza a un nivel de
significancia del .
4. Suponga que la siguiente es una muestra aleatoria de 1 000 electores clasificados por
afiliación a partidos y preferencias de voto sobre determinada cuestión:
Preferencia Izquierdista Derechista

Pro 400 150
Contra 250 200
Pruebe la hipótesis según la cual la afiliación al partido no tiene nada que ver con la
preferencia del voto. Tome .
5. Cierta compañía desea determinar si el ausentismo se relaciona con la edad. Se toma una
muestra de 200 empleados al azar y se clasifican según edad y causa de ausentismo así:
Edad
Causa
Menos de 30 30 – 50 Más de 50
Enfermedad 40 28 52
Otras 20 36 24
¿Se encuentra la edad relacionada con el ausentismo? Tome .

6. Una fábrica de automóviles quieren averiguar si el sexo de sus posibles clientes no tienen
relación con la preferencia del modelo. Se toma una muestra aleatoria de 2 000 posibles
clientes y se clasifican así:
Modelo
Sexo
I II III
Varón 350 270 380
Mujer 340 400 260
Pruebe la hipótesis según la cual el sexo no tiene relación con la preferencia del modelo.
Tome .
7. La administración de cierta firma elaboró una encuesta para determinar si el tipo de empleo
se relaciona con preferencias por una póliza de seguros. Una muestra de 300 empleados a
los que se entrevistó arrojó los datos siguientes:
Póliza de seguro
Tipo de empleados
I II III
Inspectores 18 6 12
Empleados de oficina 42 24 30
Obreros 36 72 60
Pruebe la hipótesis según la cual el tiempo de empleo es independiente de la preferencia

por la póliza de seguros. Tome .

Tabla I. Distribución normal estándar

TABLA II. DISTRIBUCION TSTUDENT
c  t1, r
La tabla da áreas 1   y valores , donde, P[T  c]  1   , y donde T tiene
distribución t-Student con r grados de libertad.
r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995

1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707

7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106

12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921

17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831

22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779

27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704

60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660

120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576

TABLA III. DISTRIBUCION
Grados libertad 0,1 0,05 0,025 0,01 0,005

1 2,71 3,84 5,02 6,63 7,88
2 4,61 5,99 7,38 9,21 10,60
3 6,25 7,81 9,35 11,34 12,84
4 7,78 9,49 11,14 13,28 14,86
.
5 9,24 11,07 12,83 15,09 16,75
6 10,64 12,59 14,45 16,81 18,55
7 12,02 14,07 16,01 18,48 20,28
8 13,36 15,51 17,53 20,09 21,95
9 14,68 16,92 19,02 21,67 23,59
10 15,99 18,31 20,48 23,21 25,19

11 17,28 19,68 21,92 24,73 26,76
12 18,55 21,03 23,34 26,22 28,30
13 19,81 22,36 24,74 27,69 29,82
14 21,06 23,68 26,12 29,14 31,32
.
15 22,31 25,00 27,49 30,58 32,80
16 23,54 26,30 28,85 32,00 34,27
17 24,77 27,59 30,19 33,41 35,72
18 25,99 28,87 31,53 34,81 37,16
19 27,20 30,14 32,85 36,19 38,58
.
20 28,41 31,41 34,17 37,57 40,00
21 29,62 32,67 35,48 38,93 41,40
22 30,81 33,92 36,78 40,29 42,80
23 32,01 35,17 38,08 41,64 44,18
24 33,20 36,42 39,36 42,98 45,56
.
25 34,38 37,65 40,65 44,31 46,93
26 35,56 38,89 41,92 45,64 48,29
27 36,74 40,11 43,19 46,96 49,65
28 37,92 41,34 44,46 48,28 50,99
29 39,09 42,56 45,72 49,59 52,34
.
30 40,26 43,77 46,98 50,89 53,67
40 51,81 55,76 59,34 63,69 66,77
50 63,17 67,50 71,42 76,15 79,49
60 74,40 79,08 83,30 88,38 91,95
70 85,53 90,53 95,02 100,43 104,21

80 96,58 101,88 106,63 112,33 116,32
90 107,57 113,15 118,14 124,12 128,30
100 118,50 124,34 129,56 135,81 140,17

TABLA VI. DISTRIBUCION F
0.10 superior
⁄ 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 39.8634 49.5000 53.5932 55.8329 57.24 58.2044 58.9059 59.4389 59.8575 60.1949 60.7052 61.2203 61.7402 62.002 62.2649 62.529 62.7942 63.0606 63.3281
2 8.52632 9.00000 9.16179 9.24342 9.29263 9.32553 9.34908 9.36677 9.38054 9.39157 9.40813 9.42471 9.44131 9.44962 9.45793 9.46624 9.47456 9.48289 9.49122
3 5.53832 5.46238 5.39077 5.34264 5.30916 5.28473 5.26619 5.25167 5.24 5.23041 5.21562 5.20031 5.18448 5.17636 5.16811 5.15972 5.15119 5.14251 5.1337
4 4.54477 4.32456 4.19086 4.10725 4.05058 4.00975 3.97897 3.95494 3.93567 3.91988 3.89553 3.87036 3.84434 3.83099 3.81742 3.80361 3.78957 3.77527 3.76073
5 4.06042 3.77972 3.61948 3.5202 3.45298 3.40451 3.3679 3.33928 3.31628 3.2974 3.26824 3.23801 3.20665 3.19052 3.17408 3.15732 3.14023 3.12279 3.105
6 3.77595 3.4633 3.28876 3.18076 3.10751 3.05455 3.01446 2.98304 2.95774 2.93693 2.90472 2.87122 2.83634 2.81834 2.79996 2.78117 2.76195 2.74229 2.72216
7 3.58943 3.25744 3.07407 2.96053 2.88334 2.82739 2.78493 2.75158 2.72468 2.70251 2.66811 2.63223 2.59473 2.57533 2.55546 2.5351 2.51422 2.49279 2.47079
8 3.45792 3.11312 2.9238 2.80643 2.72645 2.66833 2.62413 2.58935 2.56124 2.53804 2.50196 2.46422 2.42464 2.4041 2.38302 2.36136 2.3391 2.31618 2.29257
9 3.3603 3.00645 2.81286 2.69268 2.61061 2.55086 2.50531 2.46941 2.44034 2.41632 2.37888 2.33962 2.29832 2.27683 2.25472 2.23196 2.20849 2.18427 2.15923
10 3.28502 2.92447 2.72767 2.60534 2.52164 2.46058 2.41397 2.37715 2.34731 2.3226 2.28405 2.24351 2.20074 2.17843 2.15543 2.13169 2.10716 2.08176 2.05542
11 3.2252 2.85951 2.66023 2.53619 2.45118 2.38907 2.34157 2.304 2.2735 2.24823 2.20873 2.16709 2.12305 2.10001 2.07621 2.05161 2.02612 1.99965 1.97211
12 3.17655 2.8068 2.60552 2.4801 2.39402 2.33102 2.28278 2.24457 2.21352 2.18776 2.14744 2.10485 2.05968 2.03599 2.01149 1.9861 1.95973 1.93228 1.90361
13 3.13621 2.76317 2.56027 2.43371 2.34672 2.28298 2.2341 2.19535 2.16382 2.13763 2.09659 2.05316 2.00698 1.98272 1.95757 1.93147 1.90429 1.87591 1.8462
14 3.10221 2.72647 2.52222 2.39469 2.30694 2.24256 2.19313 2.1539 2.12195 2.0954 2.05371 2.00953 1.96245 1.93766 1.91193 1.88516 1.85723 1.828 1.79728
15 3.07319 2.69517 2.48979 2.36143 2.27302 2.20808 2.15818 2.11853 2.08621 2.05932 2.01707 1.97222 1.92431 1.89904 1.87277 1.84539 1.81676 1.78672 1.75505
16 3.04811 2.66817 2.46181 2.33274 2.24376 2.17833 2.128 2.08798 2.05533 2.02815 1.98539 1.93992 1.89127 1.86556 1.83879 1.81084 1.78156 1.75075 1.71817
17 3.02623 2.64464 2.43743 2.30775 2.21825 2.15239 2.10169 2.06134 2.02839 2.00094 1.95772 1.91169 1.86236 1.83624 1.80901 1.78053 1.75063 1.71909 1.68564
18 3.00698 2.62395 2.41601 2.28577 2.19583 2.12958 2.07854 2.03789 2.00467 1.97698 1.93334 1.88681 1.83685 1.81035 1.78269 1.75371 1.72322 1.69099 1.65671
19 2.9899 2.60561 2.39702 2.2663 2.17596 2.10936 2.05802 2.0171 1.98364 1.95573 1.9117 1.86471 1.81416 1.78731 1.75924 1.72979 1.69876 1.66587 1.63077
20 2.97465 2.58925 2.38009 2.24893 2.15823 2.09132 2.0397 1.99853 1.96485 1.93674 1.89236 1.84494 1.79384 1.76667 1.73822 1.70833 1.67678 1.64326 1.60738

21 2.96096 2.57457 2.36489 2.23334 2.14231 2.07512 2.02325 1.98186 1.94797 1.91967 1.87497 1.82715 1.77555 1.74807 1.71927 1.68896 1.65691 1.62278 1.58615
22 2.94858 2.56131 2.35117 2.21927 2.12794 2.0605 2.0084 1.9668 1.93273 1.90425 1.85925 1.81106 1.75899 1.73122 1.70208 1.67138 1.63885 1.60415 1.56678
23 2.93736 2.54929 2.33873 2.20651 2.11491 2.04723 1.99492 1.95312 1.91888 1.89025 1.84497 1.79643 1.74392 1.71588 1.68643 1.65535 1.62237 1.58711 1.54903
24 2.92712 2.53833 2.32739 2.19488 2.10303 2.03513 1.98263 1.94066 1.90625 1.87748 1.83194 1.78308 1.73015 1.70185 1.6721 1.64067 1.60726 1.57146 1.5327
25 2.91774 2.52831 2.31702 2.18424 2.09216 2.02406 1.97138 1.92925 1.89469 1.86578 1.82 1.77083 1.71752 1.68898 1.65895 1.62718 1.59335 1.55703 1.5176
26 2.90913 2.5191 2.30749 2.17447 2.08218 2.01389 1.96104 1.91876 1.88407 1.85503 1.80902 1.75957 1.70589 1.67712 1.64682 1.61472 1.5805 1.54368 1.5036
27 2.90119 2.51061 2.29871 2.16546 2.07298 2.00452 1.95151 1.90909 1.87427 1.84511 1.79889 1.74917 1.69514 1.66616 1.6356 1.6032 1.56859 1.53129 1.49057
28 2.89385 2.50276 2.2906 2.15714 2.06447 1.99585 1.9427 1.90014 1.8652 1.83593 1.78951 1.73954 1.68519 1.656 1.62519 1.5925 1.55753 1.51976 1.47841
29 2.88703 2.49548 2.28307 2.14941 2.05658 1.98781 1.93452 1.89184 1.85679 1.82741 1.78081 1.7306 1.67593 1.64655 1.61551 1.58253 1.54721 1.50899 1.46704
30 2.88069 2.48872 2.27607 2.14223 2.04925 1.98033 1.92692 1.88412 1.84896 1.81949 1.7727 1.72227 1.66731 1.63774 1.60648 1.57323 1.53757 1.49891 1.45636
40 2.83535 2.44037 2.22609 2.09095 1.99682 1.92688 1.87252 1.82886 1.7929 1.76269 1.71456 1.66241 1.60515 1.57411 1.54108 1.50562 1.46716 1.42476 1.37691
60 2.79107 2.39325 2.17741 2.04099 1.94571 1.87472 1.81939 1.77483 1.73802 1.70701 1.65743 1.60337 1.54349 1.51072 1.47554 1.43734 1.3952 1.34757 1.29146
120 2.74781 2.34734 2.12999 1.9923 1.89587 1.82381 1.76748 1.72196 1.68425 1.65238 1.6012 1.545 1.48207 1.44723 1.40938 1.3676 1.32034 1.26457 1.19256
∞ 2.70554 2.30259 2.0838 1.94486 1.84727 1.77411 1.71672 1.6702 1.63152 1.59872 1.54578 1.48714 1.4206 1.38318 1.34187 1.29513 1.23995 1.1686 1

TABLA VI. DISTRIBUCION F (Continuación)
0.05 superior
⁄ 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
df2=1 161.447 199.5 215.707 224.583 230.161 233.986 236.768 238.882 240.543 241.881 243.906 245.949 248.013 249.051 250.095 251.143 252.195 253.252 254.314
2 18.5128 19 19.1643 19.2468 19.2964 19.3295 19.3532 19.371 19.3848 19.3959 19.4125 19.4291 19.4458 19.4541 19.4624 19.4707 19.4791 19.4874 19.4957
3 10.128 9.5521 9.2766 9.1172 9.0135 8.9406 8.8867 8.8452 8.8123 8.7855 8.7446 8.7029 8.6602 8.6385 8.6166 8.5944 8.572 8.5494 8.5264
4 7.7086 6.9443 6.5914 6.3882 6.2561 6.1631 6.0942 6.041 5.9988 5.9644 5.9117 5.8578 5.8025 5.7744 5.7459 5.717 5.6877 5.6581 5.6281
5 6.6079 5.7861 5.4095 5.1922 5.0503 4.9503 4.8759 4.8183 4.7725 4.7351 4.6777 4.6188 4.5581 4.5272 4.4957 4.4638 4.4314 4.3985 4.365
6 5.9874 5.1433 4.7571 4.5337 4.3874 4.2839 4.2067 4.1468 4.099 4.06 3.9999 3.9381 3.8742 3.8415 3.8082 3.7743 3.7398 3.7047 3.6689
7 5.5914 4.7374 4.3468 4.1203 3.9715 3.866 3.787 3.7257 3.6767 3.6365 3.5747 3.5107 3.4445 3.4105 3.3758 3.3404 3.3043 3.2674 3.2298
8 5.3177 4.459 4.0662 3.8379 3.6875 3.5806 3.5005 3.4381 3.3881 3.3472 3.2839 3.2184 3.1503 3.1152 3.0794 3.0428 3.0053 2.9669 2.9276
9 5.1174 4.2565 3.8625 3.6331 3.4817 3.3738 3.2927 3.2296 3.1789 3.1373 3.0729 3.0061 2.9365 2.9005 2.8637 2.8259 2.7872 2.7475 2.7067
10 4.9646 4.1028 3.7083 3.478 3.3258 3.2172 3.1355 3.0717 3.0204 2.9782 2.913 2.845 2.774 2.7372 2.6996 2.6609 2.6211 2.5801 2.5379
11 4.8443 3.9823 3.5874 3.3567 3.2039 3.0946 3.0123 2.948 2.8962 2.8536 2.7876 2.7186 2.6464 2.609 2.5705 2.5309 2.4901 2.448 2.4045
12 4.7472 3.8853 3.4903 3.2592 3.1059 2.9961 2.9134 2.8486 2.7964 2.7534 2.6866 2.6169 2.5436 2.5055 2.4663 2.4259 2.3842 2.341 2.2962
13 4.6672 3.8056 3.4105 3.1791 3.0254 2.9153 2.8321 2.7669 2.7144 2.671 2.6037 2.5331 2.4589 2.4202 2.3803 2.3392 2.2966 2.2524 2.2064
14 4.6001 3.7389 3.3439 3.1122 2.9582 2.8477 2.7642 2.6987 2.6458 2.6022 2.5342 2.463 2.3879 2.3487 2.3082 2.2664 2.2229 2.1778 2.1307
15 4.5431 3.6823 3.2874 3.0556 2.9013 2.7905 2.7066 2.6408 2.5876 2.5437 2.4753 2.4034 2.3275 2.2878 2.2468 2.2043 2.1601 2.1141 2.0658
16 4.494 3.6337 3.2389 3.0069 2.8524 2.7413 2.6572 2.5911 2.5377 2.4935 2.4247 2.3522 2.2756 2.2354 2.1938 2.1507 2.1058 2.0589 2.0096
17 4.4513 3.5915 3.1968 2.9647 2.81 2.6987 2.6143 2.548 2.4943 2.4499 2.3807 2.3077 2.2304 2.1898 2.1477 2.104 2.0584 2.0107 1.9604
18 4.4139 3.5546 3.1599 2.9277 2.7729 2.6613 2.5767 2.5102 2.4563 2.4117 2.3421 2.2686 2.1906 2.1497 2.1071 2.0629 2.0166 1.9681 1.9168
19 4.3807 3.5219 3.1274 2.8951 2.7401 2.6283 2.5435 2.4768 2.4227 2.3779 2.308 2.2341 2.1555 2.1141 2.0712 2.0264 1.9795 1.9302 1.878
20 4.3512 3.4928 3.0984 2.8661 2.7109 2.599 2.514 2.4471 2.3928 2.3479 2.2776 2.2033 2.1242 2.0825 2.0391 1.9938 1.9464 1.8963 1.8432

21 4.3248 3.4668 3.0725 2.8401 2.6848 2.5727 2.4876 2.4205 2.366 2.321 2.2504 2.1757 2.096 2.054 2.0102 1.9645 1.9165 1.8657 1.8117
22 4.3009 3.4434 3.0491 2.8167 2.6613 2.5491 2.4638 2.3965 2.3419 2.2967 2.2258 2.1508 2.0707 2.0283 1.9842 1.938 1.8894 1.838 1.7831
23 4.2793 3.4221 3.028 2.7955 2.64 2.5277 2.4422 2.3748 2.3201 2.2747 2.2036 2.1282 2.0476 2.005 1.9605 1.9139 1.8648 1.8128 1.757
24 4.2597 3.4028 3.0088 2.7763 2.6207 2.5082 2.4226 2.3551 2.3002 2.2547 2.1834 2.1077 2.0267 1.9838 1.939 1.892 1.8424 1.7896 1.733
25 4.2417 3.3852 2.9912 2.7587 2.603 2.4904 2.4047 2.3371 2.2821 2.2365 2.1649 2.0889 2.0075 1.9643 1.9192 1.8718 1.8217 1.7684 1.711
26 4.2252 3.369 2.9752 2.7426 2.5868 2.4741 2.3883 2.3205 2.2655 2.2197 2.1479 2.0716 1.9898 1.9464 1.901 1.8533 1.8027 1.7488 1.6906
27 4.21 3.3541 2.9604 2.7278 2.5719 2.4591 2.3732 2.3053 2.2501 2.2043 2.1323 2.0558 1.9736 1.9299 1.8842 1.8361 1.7851 1.7306 1.6717
28 4.196 3.3404 2.9467 2.7141 2.5581 2.4453 2.3593 2.2913 2.236 2.19 2.1179 2.0411 1.9586 1.9147 1.8687 1.8203 1.7689 1.7138 1.6541
29 4.183 3.3277 2.934 2.7014 2.5454 2.4324 2.3463 2.2783 2.2229 2.1768 2.1045 2.0275 1.9446 1.9005 1.8543 1.8055 1.7537 1.6981 1.6376
30 4.1709 3.3158 2.9223 2.6896 2.5336 2.4205 2.3343 2.2662 2.2107 2.1646 2.0921 2.0148 1.9317 1.8874 1.8409 1.7918 1.7396 1.6835 1.6223
40 4.0847 3.2317 2.8387 2.606 2.4495 2.3359 2.249 2.1802 2.124 2.0772 2.0035 1.9245 1.8389 1.7929 1.7444 1.6928 1.6373 1.5766 1.5089
60 4.0012 3.1504 2.7581 2.5252 2.3683 2.2541 2.1665 2.097 2.0401 1.9926 1.9174 1.8364 1.748 1.7001 1.6491 1.5943 1.5343 1.4673 1.3893
120 3.9201 3.0718 2.6802 2.4472 2.2899 2.175 2.0868 2.0164 1.9588 1.9105 1.8337 1.7505 1.6587 1.6084 1.5543 1.4952 1.429 1.3519 1.2539
∞ 3.8415 2.9957 2.6049 2.3719 2.2141 2.0986 2.0096 1.9384 1.8799 1.8307 1.7522 1.6664 1.5705 1.5173 1.4591 1.394 1.318 1.2214 1

0.025 superior
⁄ 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 647.789 799.5 864.163 899.583 921.847 937.111 948.216 956.656 963.284 968.627 976.707 984.866 993.102 997.249 1001.41 1005.59 1009.8 1014.02 1018.258
2 38.5063 39 39.1655 39.2484 39.2982 39.3315 39.3552 39.373 39.3869 39.398 39.4146 39.4313 39.4479 39.4562 39.465 39.473 39.481 39.49 39.498
3 17.4434 16.0441 15.4392 15.101 14.8848 14.7347 14.6244 14.5399 14.4731 14.4189 14.3366 14.2527 14.1674 14.1241 14.081 14.037 13.992 13.947 13.902
4 12.2179 10.6491 9.9792 9.6045 9.3645 9.1973 9.0741 8.9796 8.9047 8.8439 8.7512 8.6565 8.5599 8.5109 8.461 8.411 8.36 8.309 8.257
5 10.007 8.4336 7.7636 7.3879 7.1464 6.9777 6.8531 6.7572 6.6811 6.6192 6.5245 6.4277 6.3286 6.278 6.227 6.175 6.123 6.069 6.015
6 8.8131 7.2599 6.5988 6.2272 5.9876 5.8198 5.6955 5.5996 5.5234 5.4613 5.3662 5.2687 5.1684 5.1172 5.065 5.012 4.959 4.904 4.849
7 8.0727 6.5415 5.8898 5.5226 5.2852 5.1186 4.9949 4.8993 4.8232 4.7611 4.6658 4.5678 4.4667 4.415 4.362 4.309 4.254 4.199 4.142
8 7.5709 6.0595 5.416 5.0526 4.8173 4.6517 4.5286 4.4333 4.3572 4.2951 4.1997 4.1012 3.9995 3.9472 3.894 3.84 3.784 3.728 3.67
9 7.2093 5.7147 5.0781 4.7181 4.4844 4.3197 4.197 4.102 4.026 3.9639 3.8682 3.7694 3.6669 3.6142 3.56 3.505 3.449 3.392 3.333
10 6.9367 5.4564 4.8256 4.4683 4.2361 4.0721 3.9498 3.8549 3.779 3.7168 3.6209 3.5217 3.4185 3.3654 3.311 3.255 3.198 3.14 3.08
11 6.7241 5.2559 4.63 4.2751 4.044 3.8807 3.7586 3.6638 3.5879 3.5257 3.4296 3.3299 3.2261 3.1725 3.118 3.061 3.004 2.944 2.883
12 6.5538 5.0959 4.4742 4.1212 3.8911 3.7283 3.6065 3.5118 3.4358 3.3736 3.2773 3.1772 3.0728 3.0187 2.963 2.906 2.848 2.787 2.725
13 6.4143 4.9653 4.3472 3.9959 3.7667 3.6043 3.4827 3.388 3.312 3.2497 3.1532 3.0527 2.9477 2.8932 2.837 2.78 2.72 2.659 2.595
14 6.2979 4.8567 4.2417 3.8919 3.6634 3.5014 3.3799 3.2853 3.2093 3.1469 3.0502 2.9493 2.8437 2.7888 2.732 2.674 2.614 2.552 2.487
15 6.1995 4.765 4.1528 3.8043 3.5764 3.4147 3.2934 3.1987 3.1227 3.0602 2.9633 2.8621 2.7559 2.7006 2.644 2.585 2.524 2.461 2.395
16 6.1151 4.6867 4.0768 3.7294 3.5021 3.3406 3.2194 3.1248 3.0488 2.9862 2.889 2.7875 2.6808 2.6252 2.568 2.509 2.447 2.383 2.316
17 6.042 4.6189 4.0112 3.6648 3.4379 3.2767 3.1556 3.061 2.9849 2.9222 2.8249 2.723 2.6158 2.5598 2.502 2.442 2.38 2.315 2.247
18 5.9781 4.5597 3.9539 3.6083 3.382 3.2209 3.0999 3.0053 2.9291 2.8664 2.7689 2.6667 2.559 2.5027 2.445 2.384 2.321 2.256 2.187
19 5.9216 4.5075 3.9034 3.5587 3.3327 3.1718 3.0509 2.9563 2.8801 2.8172 2.7196 2.6171 2.5089 2.4523 2.394 2.333 2.27 2.203 2.133
20 5.8715 4.4613 3.8587 3.5147 3.2891 3.1283 3.0074 2.9128 2.8365 2.7737 2.6758 2.5731 2.4645 2.4076 2.349 2.287 2.223 2.156 2.085

21 5.8266 4.4199 3.8188 3.4754 3.2501 3.0895 2.9686 2.874 2.7977 2.7348 2.6368 2.5338 2.4247 2.3675 2.308 2.246 2.182 2.114 2.042
22 5.7863 4.3828 3.7829 3.4401 3.2151 3.0546 2.9338 2.8392 2.7628 2.6998 2.6017 2.4984 2.389 2.3315 2.272 2.21 2.145 2.076 2.003
23 5.7498 4.3492 3.7505 3.4083 3.1835 3.0232 2.9023 2.8077 2.7313 2.6682 2.5699 2.4665 2.3567 2.2989 2.239 2.176 2.111 2.041 1.968
24 5.7166 4.3187 3.7211 3.3794 3.1548 2.9946 2.8738 2.7791 2.7027 2.6396 2.5411 2.4374 2.3273 2.2693 2.209 2.146 2.08 2.01 1.935
25 5.6864 4.2909 3.6943 3.353 3.1287 2.9685 2.8478 2.7531 2.6766 2.6135 2.5149 2.411 2.3005 2.2422 2.182 2.118 2.052 1.981 1.906
26 5.6586 4.2655 3.6697 3.3289 3.1048 2.9447 2.824 2.7293 2.6528 2.5896 2.4908 2.3867 2.2759 2.2174 2.157 2.093 2.026 1.954 1.878
27 5.6331 4.2421 3.6472 3.3067 3.0828 2.9228 2.8021 2.7074 2.6309 2.5676 2.4688 2.3644 2.2533 2.1946 2.133 2.069 2.002 1.93 1.853
28 5.6096 4.2205 3.6264 3.2863 3.0626 2.9027 2.782 2.6872 2.6106 2.5473 2.4484 2.3438 2.2324 2.1735 2.112 2.048 1.98 1.907 1.829
29 5.5878 4.2006 3.6072 3.2674 3.0438 2.884 2.7633 2.6686 2.5919 2.5286 2.4295 2.3248 2.2131 2.154 2.092 2.028 1.959 1.886 1.807
30 5.5675 4.1821 3.5894 3.2499 3.0265 2.8667 2.746 2.6513 2.5746 2.5112 2.412 2.3072 2.1952 2.1359 2.074 2.009 1.94 1.866 1.787
40 5.4239 4.051 3.4633 3.1261 2.9037 2.7444 2.6238 2.5289 2.4519 2.3882 2.2882 2.1819 2.0677 2.0069 1.943 1.875 1.803 1.724 1.637
60 5.2856 3.9253 3.3425 3.0077 2.7863 2.6274 2.5068 2.4117 2.3344 2.2702 2.1692 2.0613 1.9445 1.8817 1.815 1.744 1.667 1.581 1.482
120 5.1523 3.8046 3.2269 2.8943 2.674 2.5154 2.3948 2.2994 2.2217 2.157 2.0548 1.945 1.8249 1.7597 1.69 1.614 1.53 1.433 1.31
∞ 5.0239 3.6889 3.1161 2.7858 2.5665 2.4082 2.2875 2.1918 2.1136 2.0483 1.9447 1.8326 1.7085 1.6402 1.566 1.484 1.388 1.268 1

0.01 superior
⁄ 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 4052.18 4999.5 5403.35 5624.58 5763.65 5858.98 5928.35 5981.07 6022.47 6055.84 6106.32 6157.28 6208.73 6234.63 6260.64 6286.78 6313.03 6339.39 6365.86
2 98.503 99 99.166 99.249 99.299 99.333 99.356 99.374 99.388 99.399 99.416 99.433 99.449 99.458 99.466 99.474 99.482 99.491 99.499
3 34.116 30.817 29.457 28.71 28.237 27.911 27.672 27.489 27.345 27.229 27.052 26.872 26.69 26.598 26.505 26.411 26.316 26.221 26.125
4 21.198 18 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.374 14.198 14.02 13.929 13.838 13.745 13.652 13.558 13.463
5 16.258 13.274 12.06 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.888 9.722 9.553 9.466 9.379 9.291 9.202 9.112 9.02
6 13.745 10.925 9.78 9.148 8.746 8.466 8.26 8.102 7.976 7.874 7.718 7.559 7.396 7.313 7.229 7.143 7.057 6.969 6.88
7 12.246 9.547 8.451 7.847 7.46 7.191 6.993 6.84 6.719 6.62 6.469 6.314 6.155 6.074 5.992 5.908 5.824 5.737 5.65
8 11.259 8.649 7.591 7.006 6.632 6.371 6.178 6.029 5.911 5.814 5.667 5.515 5.359 5.279 5.198 5.116 5.032 4.946 4.859
9 10.561 8.022 6.992 6.422 6.057 5.802 5.613 5.467 5.351 5.257 5.111 4.962 4.808 4.729 4.649 4.567 4.483 4.398 4.311
10 10.044 7.559 6.552 5.994 5.636 5.386 5.2 5.057 4.942 4.849 4.706 4.558 4.405 4.327 4.247 4.165 4.082 3.996 3.909
11 9.646 7.206 6.217 5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.397 4.251 4.099 4.021 3.941 3.86 3.776 3.69 3.602
12 9.33 6.927 5.953 5.412 5.064 4.821 4.64 4.499 4.388 4.296 4.155 4.01 3.858 3.78 3.701 3.619 3.535 3.449 3.361
13 9.074 6.701 5.739 5.205 4.862 4.62 4.441 4.302 4.191 4.1 3.96 3.815 3.665 3.587 3.507 3.425 3.341 3.255 3.165
14 8.862 6.515 5.564 5.035 4.695 4.456 4.278 4.14 4.03 3.939 3.8 3.656 3.505 3.427 3.348 3.266 3.181 3.094 3.004
15 8.683 6.359 5.417 4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.666 3.522 3.372 3.294 3.214 3.132 3.047 2.959 2.868
16 8.531 6.226 5.292 4.773 4.437 4.202 4.026 3.89 3.78 3.691 3.553 3.409 3.259 3.181 3.101 3.018 2.933 2.845 2.753
17 8.4 6.112 5.185 4.669 4.336 4.102 3.927 3.791 3.682 3.593 3.455 3.312 3.162 3.084 3.003 2.92 2.835 2.746 2.653
18 8.285 6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.371 3.227 3.077 2.999 2.919 2.835 2.749 2.66 2.566
19 8.185 5.926 5.01 4.5 4.171 3.939 3.765 3.631 3.523 3.434 3.297 3.153 3.003 2.925 2.844 2.761 2.674 2.584 2.489
20 8.096 5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.231 3.088 2.938 2.859 2.778 2.695 2.608 2.517 2.421

21 8.017 5.78 4.874 4.369 4.042 3.812 3.64 3.506 3.398 3.31 3.173 3.03 2.88 2.801 2.72 2.636 2.548 2.457 2.36
22 7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.121 2.978 2.827 2.749 2.667 2.583 2.495 2.403 2.305
23 7.881 5.664 4.765 4.264 3.939 3.71 3.539 3.406 3.299 3.211 3.074 2.931 2.781 2.702 2.62 2.535 2.447 2.354 2.256
24 7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.032 2.889 2.738 2.659 2.577 2.492 2.403 2.31 2.211
25 7.77 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 2.993 2.85 2.699 2.62 2.538 2.453 2.364 2.27 2.169
26 7.721 5.526 4.637 4.14 3.818 3.591 3.421 3.288 3.182 3.094 2.958 2.815 2.664 2.585 2.503 2.417 2.327 2.233 2.131
27 7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.926 2.783 2.632 2.552 2.47 2.384 2.294 2.198 2.097
28 7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.12 3.032 2.896 2.753 2.602 2.522 2.44 2.354 2.263 2.167 2.064
29 7.598 5.42 4.538 4.045 3.725 3.499 3.33 3.198 3.092 3.005 2.868 2.726 2.574 2.495 2.412 2.325 2.234 2.138 2.034
30 7.562 5.39 4.51 4.018 3.699 3.473 3.304 3.173 3.067 2.979 2.843 2.7 2.549 2.469 2.386 2.299 2.208 2.111 2.006
40 7.314 5.179 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.665 2.522 2.369 2.288 2.203 2.114 2.019 1.917 1.805
60 7.077 4.977 4.126 3.649 3.339 3.119 2.953 2.823 2.718 2.632 2.496 2.352 2.198 2.115 2.028 1.936 1.836 1.726 1.601
120 6.851 4.787 3.949 3.48 3.174 2.956 2.792 2.663 2.559 2.472 2.336 2.192 2.035 1.95 1.86 1.763 1.656 1.533 1.381
∞ 6.635 4.605 3.782 3.319 3.017 2.802 2.639 2.511 2.407 2.321 2.185 2.039 1.878 1.791 1.696 1.592 1.473 1.325 1

FUENTES DE INFORMACION
 TEXTO BÁSICO
Estadística para las ciencias Administrativas, Lincoln, L. Chao. Editorial MC GRAWH HILL.
Tercera edición.
 FUENTES DE INTERNET
http://es.wikipedia.org/wiki/Probabilidad
http://www.slideshare.net/milit/muestreo-aleatorio-simple
http://es.wikipedia.org/wiki/Muestreo_en_estad%C3%ADstica
http://es.wikipedia.org/wiki/Contraste_de_hip%C3%B3tesis


Estadistica Inferencial

Cargado por

Información del documento

Descripción original:

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 Inferencial

Cargado por

Copyright:

Formatos disponibles

PROBABILIDADES

ESPACIO MUESTRAL Y EVENTOS

El conjunto S de todos los resultados posibles de un experimento aleatorio dado se llama

(1) es el evento que ocurre siempre y cuando ocurra o o (o ambos).

Dos eventos y se llaman mutuamente excluyentes si son disyuntos, o sea, . En

Se da el nombre de probabilidad clásica cuando ésta se toma objetivamente (en sentido

Estadística Inferencial Página 1

PROPIEDADES ELEMENTALES DE LA PROBABILIDAD

Axioma 1. Si A es un evento del espacio muestral S, entonces P(A) representa un número

Axioma 2. Si S es el espacio muestral asociado a un experimento aleatorio, entonces P(S) es

Axioma 3. Si A y B son eventos mutuamente excluyentes, entonces la probabilidad de A o B,

Teorema 1. Si A es el evento vacío entonces su probabilidad es cero. Es decir,

Teorema 3. Si A y B son dos eventos del espacio muestral S, entonces

Estadística Inferencial Página 2

Sean A y B dos eventos, la probabilidad condicional de A dado B se denota y se define de la

Igualmente se tiene que

como la probabilidad de B dado A.

Dos o menos 700 100 800

Más de dos 800 400 1200

Total 1 500 500 2 000

Estadística Inferencial Página 3

Supongamos que } es una partición de un espacio muestral S. Si A es un evento de S.

Ejemplo 6. En una fábrica de tornillos, las máquinas A, B y C fabrican 20, 30 y 50% de la

Sean los eventos,

De lo anterior se tiene que,

Aplicando el teorema o regla de la probabilidad total,

Sea } es una partición de un espacio muestral S con [ ] y A un evento de S.

En este caso debemos calcular la probabilidad [ ⁄ ], por el teorema de Bayes nos da

Estadística Inferencial Página 4

Cuando la ocurrencia de un evento A no está influenciada ni influye sobre la ocurrencia de otro,

Dados dos eventos A y B, se dicen independientes si cumplen que

Estadística Inferencial Página 5

1. Explique el significado de los siguientes términos:

a. Exprese explícitamente los siguientes eventos:

4. Determine la probabilidad de cada evento:

5. En un curso de 20 hombres y 30 mujeres, un quinto de los hombres y un quinto de las

6. En la tabla que sigue se da el cargo y sexo de los empleados de una empresa.

7. Se lanza un dado no cargado. Considere los eventos:

Estadística Inferencial Página 6

9. Supongamos que lanzamos tres monedas una vez. Y sea:

Estadística Inferencial Página 7

En el siguiente ejemplo se ilustra cómo se asocia una variable aleatoria a un experimento.

S = {ccc, ccs, csc, scc, ssc, scs, css, sss}.

X = 0, que indica que no se obtienen caras, o sea, {sss}.

Observemos que la suma de las probabilidades,

Estadística Inferencial Página 8

VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA

La distribución de probabilidad de una variable aleatoria proporciona un modelo para

El valor esperado o esperanza matemática de una variable aleatoria X, desempeña o

Ejemplo 3. Consideremos la variable aleatoria X: número de puntos que muestra la cara

El valor esperado o esperanza matemática,

Ejemplo 4. Supongamos que dos jugadores A y B, se enfrentan en un juego que consiste en el

Estadística Inferencial Página 9

P[X = x] 0.5 0.5

Y la ganancia esperada (por jugada) para a sería E[X] = , lo que quiere

Propiedades del valor esperado

(1) E[c] = c, al ser c una constante (un número).

Varianza y Desviación estándar

La raíz cuadrada de la varianza se llama desviación estándar y se denota .

Estadística Inferencial Página 10

(1) La varianza no pude ser negativa.

Ejemplo 6. Una variable aleatoria X tiene distribución de probabilidad como se indica: