Guía Aprendizaje 13

GUÍA DE APRENDIZAJE
SEMANA N° 13
CURSO: ESTADÍSTICA Y PROBABILIDADES

DOCENTE: Lic. LARIOS RAMIREZ OSCAR SANTIAGO
Jaén – Perú, agosto 2020

Escuela Profesional de Ingeniería Civil
Carrera Profesional de Ingeniería Civil
ÍNDICE
Pág.
1. INTRODUCCIÓN ............................................................................................................................... 4
2. CONTENIDO TEMÁTICO ................................................................................................................. 5
3. DESARROLLO ................................................................................................................................... 5
3.1. Distribuciones muestrales ............................................................................................................. 5
3.1.1. Distribución para la media ................................................................................................ 8
3.1.2. Distribución de una proporción ........................................................................................10
3.1.3. Distribuciones muestrales de la diferencia de dos medias, muestras independientes ..........13
3.1.4. Distribuciones muestrales de la diferencia de dos proporciones ........................................13
3.2. Otras distribuciones de probabilidad ............................................................................................13
3.2.1. Distribución Chi-cuadrado ...............................................................................................13
3.2.2. Distribución t ...................................................................................................................17
3.2.3. Distribución F ..................................................................................................................20
4. estimación...........................................................................................................................................25
4.1. Estimación de intervalos de confianza..........................................................................................26
4.1.1. Estimación Interválica para Media Poblacional (µ) ..........................................................26
4.1.2. Estimación Interválica para la Proporción (P)...................................................................27
4.1.3. Para la Diferencia de Medias ( Varianzas conocidas)........................................................28
4.1.4. Para la Diferencia de Medias ( Varianzas desconocidas) ..................................................29
4.1.5. Para la Diferencia de Medias (Varianzas desconocidas) ...................................................30
4.1.6. Proporciones Poblacionales .............................................................................................32
5. Intervalos de confianza para la varianza ..............................................................................................33
5.1. Intervalo de confianza para varianza σ2 desconocida ....................................................................34
5.2. Intervalo de confianza para la razón de dos varianzas ..................................................................35
6. ACTIVIDADES Y EVALUACIÓN ....................................................................................................37
Actividad 1. Resolver ..............................................................................................................................37
7. GLOSARIO ........................................................................................................................................40
8. Referencias .........................................................................................................................................41
SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 2


1. INTRODUCCIÓN
“La estadística esta considera como la teoría de la información, no solo como función descriptiva si no con el
objeto básico de hacer estimaciones acerca de los valores estadísticos de la población o en la comprobación de
hipótesis de aquellas características que han sido investigadas”. (Martínez Bencardino, 2012).
“La inferencia estadística se desarrolla mediante investigaciones por muestreo, donde se logra obtener
resultados considerados como estimadores de los valores estadísticos, correspondiente a las características de
las unidades que conforman la población”. (Martínez Bencardino, 2012)
En esta guía nos enfocamos en el muestreo de distribuciones o poblaciones, y estudiamos cantidades tan
importantes como la media de la muestra y la varianza de la muestra, que serán de importancia fundamental.
Además, intenta introducir al estudiante al papel que desempeñarán la media y la varianza de la muestra en la
inferencia estadística.
La inferencia estadística consiste en extraer una muestra de una población y analizar sus datos con el propósito
de aprender acerca de ello. Muchas veces se tiene un conocimiento superficial de la función de masa de
probabilidad o de la función de densidad de probabilidad de la población. En estos casos la función de densidad
de probabilidad se aproxima mediante una de muchas familias comunes de curvas o funciones. En esta guía se
describen algunas de estas distribuciones comunes y las condiciones en que es apropiado utilizar cada una.
(Willian Navidi, 2006, pág. 192)

2. CONTENIDO TEMÁTICO
- Distribuciones muestrales
- Intervalos de confianza
3. DESARROLLO
3.1. Distribuciones muestrales
El procedimiento es tomar una muestra aleatoria X1, X2, X3, …, Xn de tamaño n de la población y buscar alguna
función de esta muestra que estime el parámetro desconocido.
Corolario 3.1.1.
𝜎2
De una población infinita 𝐸(𝑋̅) = 𝜇 = 𝜇𝑋̅ y 𝑉𝑎𝑟(𝑋̅) = 𝑛
𝜎 2 𝑁−𝑛 𝑁−𝑛
Si la población en finita entonces 𝐸 (𝑋̅ ) = 𝜇 y 𝑉𝑎𝑟(𝑋̅) = 𝑛
(𝑁−1 ) donde (𝑁−1 ) se llama factor de
corrección para la población finita.
Ejemplo 01. Tomemos una población de 5 elementos cuyos valores son (1, 2, 3, 4, 5), de esta población
a) calculamos el promedio, varianza y desviación estándar (poblacionales)
𝜇 = 3 𝜎 2 = 2 σ = 1,414
b) Realizamos la gráfica de distribución de la población X
1,2
Xi fi =ni 1
1 1 0,8
2 1
0,6
fi
3 1
4 1 0,4
5 1 0,2
Promedio 3
0
Var 2,000 1 2 3 4 5
D. stand 1,414 observaciones
Figura 3.1.1. Distribución de probabilidad
c) extraemos una muestra de tamaño 2 sin reposición

para obtener las muestras de tamaño dos tendremos 20 muestras posibles, de las muestras obtenemos el
promedio.
Tabla 1.
5
Muestras posibles sin reemplazo y su promedio
SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES

X1 X2 ̅
𝑿
1 2 1,5 𝜇𝑋̅ = 3
1 3 2 𝜎𝑋2̅ = 0,75
1 4 2,5 𝜎𝑋̅ 0,87
1 5 3
2 1 1,5 Se verifica que
2 3 2,5 𝜇𝑋̅ = 𝜇 = 3
2 4 3
𝜎 𝑁−𝑛 1.41 5−2
2 5 3,5 𝜎𝑋̅ = 0,87 entonces se verifica que 𝜎𝑋̅ = √ = √ = 0,866
√𝑛 𝑁−1 √2 5−1
3 1 2
3 2 2,5
3 4 3,5
3 5 4
4 1 2,5
4 2 3
4 3 3,5
4 5 4,5
5 1 3
5 2 3,5
5 3 4
5 4 4,5
Tabla 2.
Distribución de las medias muestrales de tamaños sin reposición
̅𝒊
𝑿 fi ̅ 𝒊 *fi
𝑿 ̅ 𝒊)2*fi
(xi - 𝑿 p(x)
1,5 2 3 4,5 0,1
2 2 4 2 0,1
2,5 4 10 1 0,2
3 4 12 0 0,2
3,5 4 14 1 0,2
4 2 8 2 0,1
4,5 2 9 4,5 0,1
Total 20 60 15
Fuente: tabla 1. Elaboración: Propia
0,25
0,2
0,15
0,1
0,05
0
1,5 2 2,5 3 3,5 4 4,5
Figura 3.1.2. Grafica de distribución de probabilidad de 𝑋̅

Fuente: tabla 2 Elaboración: Propia
d) extraemos una muestra de tamaño 2 con reposición

para obtener las muestras de tamaño dos tendremos 25 muestras posibles, de las muestras obtenemos el
promedio
Tabla 3.
Muestras posibles con reemplazo y su promedio
X1 X2 ̅
𝑿
1 1 1
1 2 1,5
1 3 2
1 4 2,5 𝜇𝑋̅ = 3
1 5 3
𝜎𝑋2̅ = 1
2 1 1,5
2 2 2 𝜎𝑋̅ 1
2 3 2,5
2 4 3
2 5 3,5 Se verifica que
3 1 2
𝜇𝑋̅ = 𝜇 = 3
3 2 2,5
3 3 3 √2
𝜎𝑋̅ = 1 entonces se verifica que 𝜎𝑋̅ = =1
3 4 3,5 √2
3 5 4
4 1 2,5
4 2 3
4 3 3,5
4 4 4
4 5 4,5
5 1 3
5 2 3,5
5 3 4
5 4 4,5
5 5 5
Tabla 4.
Distribución de las medias muestrales de tamaños sin reposición
̅𝒊
𝑿 fi ̅ 𝒊 *fi
𝑿 ̅ 𝒊)2*fi
(xi - 𝑿 p(x)
1 1 1 4 0,04
1,5 2 3 4,5 0,08
2 3 6 3 0,12
2,5 4 10 1 0,16
3 5 15 0 0,2
3,5 4 14 1 0,16
4 3 12 3 0,12
4,5 2 9 4,5 0,08
5 1 5 4 0,04
Total 25 75 25

0,25
0,2
0,15
p(x)
0,1
0,05
0
1 1,5 2 2,5 3 3,5 4 4,5 5
promedios
Figura 3.1.3. Grafica de la distribución de probabilidad de una muestra

tamaño 2, con reemplazo
La grafica X es uniforme, de 𝑋̅ es un triángulo isósceles. O forma una campana de distribución normal.
Teorema del límite central:

Si 𝑋̅ es la media de una muestra aleatoria de tamaño n, tomada de una población con media μ y varianza finita
σ2 , entonces la forma límite de la distribución de.
𝑋̅ − 𝜇
𝑍= 𝜎
√𝑛
A medida que 𝑛 → ∞, es la distribución normal estándar n(z; 0,1)
La aproximación normal para 𝑋̅ por lo general será buena si n ≥ 30, siempre y cuando la distribución de la
población no sea muy asimétrica. Si n < 30, la aproximación será buena sólo si la población no es muy diferente
de una distribución normal y, como antes se estableció, si se sabe que la población es normal, la distribución
muestral de 𝑋̅ seguirá siendo una distribución normal exacta, sin importar qué tan pequeño sea el tamaño de
las muestras. (Walpole, et alt., 2012, pág. 234).
El teorema del limite central establece que para muestras aleatorias grandes, la distribucion de probabilidad
para medias muestrales, se acerca a una distribucion del tipo normal. La aproximacion es mas exacta en la
medidad que la muesta es mas grande.
3.1.1. Distribución para la media
Sea X una población con distribución de probabilidad f(x), con media µ y varianza σ2. Sea X1, X2, X3, … una
1
muestra aleatoria de tamaño n de X. la media 𝑋̅ = 𝑛 ∑𝑛𝑖=1 𝑥𝑖

𝜎2
1) 𝜇𝑋̅ = 𝜇 y 𝜎𝑋2̅ = 𝑛
corolario 3.1.1
2) Para n suficientemente grande, por el teorema central del límite, la variable aleatoria 𝑋̅ se distribuye
𝜎2
aproximadamente por una normal con media 𝜇 y varianza 𝑛
en símbolos
𝜎 2
𝑋̅~𝑁(𝜇, 𝑛 )
𝑋̅ −𝜇 (𝑋̅ −𝜇)√𝑛
Por lo tanto la variable aleatoria 𝑍 = = (Rufino Moya & Gregorio Saravia, 2016)
𝜎/√𝑛 𝜎
Ejemplo 02. Sea 1,1,1,3,4,5,6,6,6,7. Una población. Se extrae una muestra de tamaño 36 con reemplazo de
esta población.
a) calcular la media y la desviación estándar de la población
b) calcular la media y desviación estándar de la muestra
c) P [3,6 ≤ X ≤ 4,4]
Solución.
a) calcular la media y la desviación estándar de la población+
µ=4 σ = 2,236
b) calcular la media y desviación estándar de la muestra
del corolario 1
𝜎2 (2,236) 2
4 = 𝜇𝑋̅ y 𝑉𝑎𝑟(𝑋̅ ) = 𝜎𝑋2̅ = → 𝜎𝑋2̅ = = 0,1389 → 𝜎𝑋̅ = 0,373
𝑛 36
c) P [3,6 ≤ X ≤ 4,4]
𝑋̅−𝜇 4,4−4 3,6−4

𝑍= 𝜎  P[3,6 ≤ Z ≤ 4,4] = 𝑃 [( 2,236 )−( 2,236 )] = 𝜑(1,07) − 𝜑(−1,07)
√𝑛 √36 √36
= 0,8577 − 0,1423
0,7154
Ejemplo 03. Sea 𝑋̅36 la media de una muestra aleatoria de tamaño 36 de la variable aleatoria cuya
3
(2) 𝑥 2 , −1 < 𝑥 < 1
función de densidad es 𝑓 (𝑥 ) = {
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
Calcular la probabilidad 𝑃[0,03 ≤ 𝑋̅36 ≤ 0,15]
Solución
a)
1
3 𝑥4 1
𝜇 = 𝐸 (𝑋) = ∫ ( ) 𝑥 3 𝑑𝑥 = 3/2[ ] | =0
−1 2 4 −1
1
3 𝑥5 1 3
𝜎 2 = 𝐸 (𝑋 2 ) = ∫ ( ) 𝑥 4 𝑑𝑥 = 3/2[ ] | =
−1 2 5 −1 5
b) n=36 >30, por el corolario 1 𝑋̅36 tiene aproximadamente una distribución normal con 𝜇𝑋̅ = 𝜇 =
𝜎2 3/5
0, 𝑦 𝜎𝑋2̅ = = = 0,0167
𝑛 36

0,15−0 0,03−0
c) 𝑃[0,03 ≤ 𝑋̅36 ≤ 0,15] = 𝑃 ≤𝑍≤ = 𝜑(1,16) − 𝜑(0,23)
3 3
√5 √5
[ 36 36 ]
= 0,8770 − 0,5910 = 0,286
3.1.2. Distribución de una proporción
Hemos visto que una variable aleatoria binomial está definida por, X= número de éxito ocurridos en n ensayos
de Bernoulli. P(E) = p (probabilidad de éxito) q = 1-p (probabilidad de fracaso)
La media y la varianza de la proporción:
𝑋 1 1
𝜇𝑝̅ = 𝐸 ( ) = 𝐸 (𝑋) = (𝑛𝑝 ) = 𝑝
𝑛 𝑛 𝑛
𝑋 1 1 𝑝𝑞
𝜎𝑝̅2 = 𝑉𝑎𝑟 ( ) = 2 𝑉𝑎𝑟 (𝑋) = (𝑛𝑝𝑞) =
𝑛 𝑛 𝑛 𝑛
𝑋
Para n suficientemente grande, por el teorema central del límite, la variable aleatoria 𝑃̅ = 𝑛 se distribuye
𝒑𝒒
aproximadamente por una normal con media p y varianza 𝒏
𝑋 𝑝𝑞
𝑃̅ = 𝑛 ~𝑁(𝑝, 𝑛 )
𝑝𝑜 −𝑝
Tiene aproximadamente una distribución N(0,1) por lo tanto 𝑃[𝑃̅ ≤ 𝑝𝑜 ] = 𝑃[𝑍 ≤ 𝜎𝑝̅
]
La desviación estándar debe ser ajustado por el factor de corrección de población finita, y en este caso estará
𝑝𝑞 𝑁−𝑛
dado por 𝜎𝑃̅ = √ √ , si n es grande, por el teorema central de limite, la variable aleatoria
𝑛 𝑁−1
𝑋
𝑍= 𝑛−𝑝 ~ 𝑁(0,1)
𝑝𝑞 𝑁 − 𝑛
√ √
𝑛 𝑁−1
Cuando n es muy pequeña, puede obtenerse aproximadamente normales introduciendo el factor de corrección
de continuidad de 1/2n (se emplea 1/2n en lugar de ½, porque en este caso la proporción de éxitos es el número
de éxitos dividido por n) entonces
1
𝑝𝑜 + 2𝑛 − 𝑝
̅
𝑃[𝑃 < 𝑝𝑜 ] = 𝜑[ ]
𝜎𝑃̅
Nota:
El factor de corrección de continuidad es una serie de instrucciones que te indican si debes añadir 0,5 o restar
0,5 al número en tu muestra. Si P(X=n) usa P (n – 0,5 < X < n + 0,5)
Si P (X>n) usa P (X > n + 05)
Si P (X≤ n) usa P (X < n + 0,5)
Si P (X<n) usa P (X < n – 0,5)
Si P (X ≥ n) usa P (X > n – 0,5)

Ejemplo 04. Una radio realiza encuestas por correo, sabe por experiencia que de los envios, que el 10% tendran
respuesta. Suponga que envia 20 encuestas, como prueba de mercado en una nueva provincia. Suponiendo que
puede aplicar la tasa de respuestas del 10% en la nueva provincia. Calcular la probabilidad que menos del 20%
de la gente responda. Calcular la probabilidad que menos del 20% y el 30% de la gente.
Solucion
X: numero de encuestas que contestan de las 20 enviadas
n=20 p = 0,10
1 1
𝑝𝑜+ −𝑝 0,20− − 0,10 0,075
a) 𝑃[𝑃̅ < 0,20] = 𝑃 [ 2𝑛
𝑝𝑞
≤ 40
0,1∗0,9
] = 𝑃 [𝑍 ≤
0,067
] = 𝜑(1,12) = 0,8686
√𝑛 √
20
𝑋 𝑋 𝑋
b) 𝑃 [0,20 < 𝑛 < 0,30] = 𝑃 [𝑛 < 0,3] − 𝑃 [𝑛 ≤ 0,20]
1 1
0,30 − 40 − 0.1 0,20 + 40 − 0,1
=𝑃 𝑍< − 𝑃[𝑍 ≤
( ) √0,1 ∗ 0,9
√ 0,1 ∗ 0,9
[ 20 ] [ 20 ]
0,175 0,125
= 𝑃 [𝑍 < ] − 𝑃 [𝑍 ≤ ]
0,067 0,067
= 𝜑(2,62) − 𝜑(1,87) 0,9956-0,9693 = 0,0263
Ejemplo 05. Históricamente, el 10% de un embarque grande de piezas para cierto tipo de maquinaria es
defectuosa. Suponga que el embarque consta de 5000 piezas de máquina. Se seleccionan muestras sin
reemplazo de 400 piezas, ¿Qué proporción de las muestras tendrá
a) entre 9% y 10% de piezas defectuosas?
b) menos del 8% de piezas defectuosas?
c) ¿por arriba de qué valor en porcentaje caerá el 95% de los porcentajes de la muestra?
Solución.
Se tiene una población finita N = 5000 y p = 0,10 q = 0,90 n= 400
Entonces tiene una aproximación a la normal
𝑝𝑞 𝑁−𝑛 0,10∗0,90 5000−400
𝜎𝑃̅ = √ 𝑛 √ 𝑁−1 = √ 400
√
5000−1
= 0,015 ∗ 0,959 = 0,0144
a) entre 9% y 10% de piezas defectuosas?

𝑝𝑜 − 𝑝
𝑃[𝑃̅ ≤ 𝑝𝑜 ] = 𝑃[𝑍 ≤ ]
𝜎𝑃̅
Del problema
0,1 − 0,1 0,09 − 0,10
𝑃[0,09 < 𝑃̅ < 0,1] = 𝑃 [𝑍 < ] − 𝑃 [𝑍 < ]
0,0144 0,0144
= 𝜑(0) − 𝜑(−0,69) = 0,5 − 0,2451 = 0,255

b) menos del 8% de piezas defectuosas?
0,08 − 0,1
𝑃[𝑃̅ < 0,08] = 𝑃 [𝑍 ≤ ] = 𝜑(−1,39) = 0,0823
0,0144
c) ¿por arriba de qué valor en porcentaje caerá el 95% de los porcentajes de la muestra?
𝑃[𝑃̅ > 𝑎] = 0,95
𝑎 − 0,10
𝑃[𝑃̅ > 𝑎] = 𝑃 [𝑍 > ] = 0,95
0,0144
𝑎 − 0,10
0,95 = 1 − 𝑃 [𝑍 ≤ ]
0,0144
𝑎−0,10
0,05 = 𝑃 [𝑍 ≤ ] se busca el valor 0,05 en la tabla de distribución normal
0,0144
𝑎 − 0,10
= −1,65 → 𝑎 = 0,0762 = 7,62%
0,0144
Ejemplo 06. Sea X el número de imperfecciones en una pulgada de un alambre de cobre. La función de
masa de probabilidad de X se muestra en la siguiente tabla.
X P(X=x)
0 0,48
1 0,39
2 0,12
3 0,01
Se toma una muestra de 100 alambres de esta población. ¿Cuál es la probabilidad de que el número promedio
de imperfecciones por alambre en esta muestra sea menor a 0.5?
Solución.
Calculamos los estimadores poblacionales
µ = 0,66 σ2 = 0,524 n= 100, dado que es una muestra grande. Por el teorema del límite central se tiene que
0,724
𝜎𝑋̅ = = 0,0724
√100
0,5−0,66
𝑃[𝑋 < 0,5] = 𝑃 [𝑍 < 0,0724
] = 𝑃[𝑍 < −2,21] (ver en tabla)
𝜑 (−2,21) = 0,0136 Sólo 1.36% de las muestras de tamaño 100 tendrá menos de 0.5 imperfecciones
por alambre
Ejemplo 07. En una universidad grande, la media de la edad de los estudiantes es 22.3 años y la desviación
estándar es de cuatro años. Se toma una muestra aleatoria de 64 estudiantes. ¿Cuál es la probabilidad de que
la edad promedio de estos estudiantes sea mayor a 23 años?
Solución
µ = 22,3 (años) σ = 4 (años) n= 64, dado que es una muestra grande. Por el teorema del límite central se
tiene que

4
𝜎𝑋̅ = = 0,5
√64
23 − 22,3
𝑃[𝑋 > 23] = 1 − 𝑃 [𝑍 < ] = 1 − 𝑃[𝑍 < 1,4] = 1 − 𝜑(1,4) = 1 − 0,9192 = 0,081
0,5
3.1.3. Distribuciones muestrales de la diferencia de dos medias, muestras independientes
Hay casos en que se está interesado en comparar lo parámetros de dos poblaciones. Y dicha comparación puede
hacerse sobre la base de dos muestras aleatorias independientes. Entonces se tendrá dos poblaciones que
llamaremos X y Y, dichas poblaciones tienen su media y su varianza 𝜇𝑋 , 𝜇𝑌 y 𝜎𝑋2 , 𝜎𝑌2 . De estas poblaciones se
selecciona muestras de tamaño n y m y se calcula sus medias 𝑥̅ , 𝑦̅.
Cuando queremos hallar la diferencia de 𝑥̅ − 𝑦̅, se llama diferencia de la distribución muestral de la diferencia
de dos medias.
(𝑋̅ − 𝑌̅) − (𝜇𝑋 − 𝜇𝑌 )
𝑍=
2 2
√𝜎𝑋 + 𝜎𝑌
𝑛 𝑚
3.1.4. Distribuciones muestrales de la diferencia de dos proporciones
Sabemos que una variable aleatoria binomial está definida por,

X= número de éxitos en n ensayos de Bernoulli.
R(x) = {0,1,2, …, n} p= P(E), se dice que tiene una distribución binomial, con parámetros n y p, entonces
𝑋 𝑋 𝑋
la proporción de éxitos, , es una variable aleatoria que se denota por 𝑃̅ = , >0
𝑛 𝑛 𝑛
Supongamos que se extraen dos muestras independientes de tamaño n1 y n2 de dos poblaciones binomiales.
𝑋1 𝑋2
Sean p1 y p2 las probabilidades de éxito. Se tiene 𝑃̅ 1 = 𝑛1
y 𝑃̅ 2 = 𝑛 , 𝜇𝑝̅1 = 𝑝1 𝜇𝑝̅2 = 𝑝2
2
𝑝1 (1 − 𝑝1 )
𝜎𝑃2̅1 =
𝑛1
𝑝2 (1 − 𝑝2 )
𝜎𝑃2̅2 =
𝑛2
𝑋1 𝑋2
( − )−(𝑝1 −𝑝2)
𝑛1 𝑛2
Entonces la diferencia de proporciones 𝑍 = 𝑝 (1−𝑝 ) 𝑝 (1−𝑝 )
√ 1𝑛 1+ 2𝑛 2
1 2
3.2. Otras distribuciones de probabilidad
3.2.1. Distribución Chi-cuadrado
Moya & Saravia, (2016, pág. 607) sefine la funcion como: Z1, Z2, …, Zn variables aleatorias independientes
distribuidas normalmente, cada una con media 0 y varianza 1. La variable aleatoria 𝑋 2 = 𝑍12 + 𝑍22 + 𝑍12 +
𝑍12 + ⋯ + 𝑍𝑟2 se dice que es una variable aleatoria Chi - Cuadrado con n grados de libertad si su función de
densidad está dada por

1 𝑛
−1
𝑥
𝑛 𝑥2 𝑒 −2 0<𝑥<∞
𝑓𝑥 2 (𝑥) = {2 2 𝛤 ( 𝑛 )
2
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
2)
𝜇 = 𝐸(𝑋 =𝑛
𝜎 2 = 𝑉𝑎𝑟(𝑋 2 ) = 2𝑛
Además 𝑍12 ≥ 0; solo se tendrá probabilidades positivas P[ X ≥ x]
La función de distribución F(x) están dadas en tablas

𝑃[𝑋 < 𝑥𝛼2 ] = 𝛼, 0<𝛼<1
2 2 𝑛 𝑛
𝑥𝛼 𝑥𝛼 1 −1 −
Es decir 𝑃[𝑋 < 𝑥𝛼2 ] = ∫0 𝑓 (𝑥)𝑑𝑥 = ∫0 𝑟
𝑟
𝑥 2 𝑒 2 𝑑𝑥 = 𝛼
22𝛤( )
2
Figura 3.2.1.4. Grafica de la distribución chi-cuadrado

Gráfica de distribución
Chi-cuadrada; df=30
0,06
0,05 𝑃[𝑋 > 𝑥𝛼2 ] = 1 − 𝛼

0,04
La función, cuando n ≥ 30
Densidad
0,03
grande se aproxima a la
0,02
0,01
1-α normal.
0,00
α
𝒙𝟐𝜶
Figura 3.2.1.5. Grafica de la distribución chi-cuadrado n ≥ 30
Uso de tablas Chi – cuadrado.

La columna de la tabla hace referencia a los grados de libertad, cada fila en la tabla contiene información sobre
la distribución correspondiente a los grados de libertad.
Ejemplo 08 : si r =5, 𝑿𝟐𝟎,𝟏𝟎 el valor será 1,61
𝑷[𝑿 ≤ 𝑿𝟐𝟎,𝟏 ] = 𝑷[𝑿 ≤ 𝟏, 𝟔𝟏] = 𝟎, 𝟏

Figura 3.2.1.6
Ejemplo 09: Si: 𝑿𝟐𝟏𝟕 hallar : a) P[X < 7,564] b) P[X > 27,59] c) P[6,408 < X ≤ 27,59]
Solución
En la tabla muestra la sección con 17 grados de libertad (nota la tabla es de cola izquierda)
2
a) P[X < 7,564] = P[ X ≤ 𝑥0,025 ] = 0,025
Figura 3.2.1.7
b) P [X > 27,59] = 1 – P [X≤ 27,59] = 1- 0,95 = 0.05
b) P [6,408 < X ≤ 27,59] = P [X≤ 27,59] - P [ X < 6,408] = 0,95 – 0,01 = 0,94
usando Excel (calcula valores superiores a cero)

Figura 3.2.1.8 Figura 3.2.1.9
Ejemplo 10: Para una distribución chi - cuadrada calcule

2
𝑥0.025 cuando v = 15;
2
𝑥0.01 cuando v = 7;
2
𝑥0.05 cuando v = 24.
Solución
2
𝑥0.025 = 6,262
2
𝑥0.01 = 1,239
2
𝑥0.05 = 13,848
Figura 3.2.1.10

Usando excel
Figura 3.2.1.11
3.2.2. Distribución t
(Walpole, et alt 2012, pág. 247) menciona que la distribucion t – student giran en torno a las inferencias sobre
una media de la población o a la diferencia entre dos medias de población. En muchos escenarios
experimentales el conocimiento de σ no es ciertamente más razonable que el conocimiento de la media de la
población μ. A menudo, de hecho, una estimación de σ debe ser proporcionada por la misma información
muestral que produce el promedio muestral 𝑥̅ . Como resultado, un estadístico natural a considerar para tratar
con las inferencias sobre μ es:
̅ −𝝁)
(𝑿
𝑻=
𝑺/√𝒏
Si el tamaño de la muestra es suficientemente grande, digamos n ≥ 30, la distribución de T no difiere mucho

de la normal estándar. Sin embargo, para n < 30 es útil tratar con la distribución exacta de T. Para desarrollar
la distribución muestral de T, supondremos que nuestra muestra aleatoria se seleccionó de una población
normal. Podemos escribir, entonces
̅ − 𝝁)/( 𝝈 )
(𝑿
√𝒏 = 𝒁
𝑻=
√𝑺𝟐 /𝝈𝟐 √𝑽/(𝒏 − 𝟏)
̅ −𝝁
𝑿
Donde 𝒁 =
𝝈/√𝒏
(𝒏−𝟏)𝑺𝟐
Tiene una distribución normal estándar y 𝑽 = 𝝈𝟐
tiene una distribución Chi cuadrada con v = n – 1

Figura 3.2.2.12 curvas de la distribución t para v =2,5 Figura 3.2.2.13 Propiedad de simetría (alrededor de 0)
y∞
de la distribución.
La media y la varianza de la distribución t con v grados de libertad

µ = E(T) = 0, v>1
𝑣
𝜎 2 = 𝑉𝑎𝑟 (𝑇) = , 𝑣>2
𝑣−2
Ejemplo 11. Si v = 5
𝑷[𝑻 ≤ 𝒕𝟎,𝟗𝟎 ] = 𝑷[𝑻 ≤ 𝟏, 𝟒𝟕𝟔] = 𝟎, 𝟗𝟎
Figura 3.2.2.14
𝑷[𝑻 ≤ 𝒕𝟎,𝟏𝟎 ] = 𝑷[𝑻 ≤ −𝒕𝟎,𝟗 ] = 𝑷[𝑻 ≤ −𝟏, 𝟒𝟕𝟔] = 𝟎, 𝟏𝟎

Ya que 𝒕𝜶 = −𝒕𝟏−𝜶 𝒑𝒐𝒓 𝒍𝒂 𝒔𝒊𝒎𝒆𝒕𝒓𝒊𝒂 (ver figura 3.2.2.11)
5
Ejemplo 12. Sea T una variable aleatoria que tiene una distribución t con varianza 𝜎 2 = 4 calcular,
P [-1,812 ≤ T ≤ 2,228]
𝑣 5 𝑣
Solución. Se sabe que 𝜎 2 = 𝑣−2 entonces 4 = 𝑣−2 donde v = 10

P [-1,812 ≤ T ≤ 2,228] = P [T ≤ 2,228] - P [T ≤ -1,812] = P [T ≤ 2,228] – [ 1- P [T ≤ -1,812]], buscamos los

valores en la tabla T
0,975 + 0.95 -1 = 0,925
Figura 3.2.2.15
Usando Excel para hallar los valores de la tabla
Figura 3.2.2.16 Figura 3.2.2.17
Ejemplo 13.
Un ingeniero químico afirma que el rendimiento medio de la población de un cierto proceso de lotes es 500
gramos por mililitro de materia prima. Para verificar dicha afirmación muestrea 25 lotes cada mes. Si el valor
t calculado cae entre –t 0.05 y t 0.05, queda satisfecho con su afirmación. ¿Qué conclusión debería sacar de una
muestra que tiene una media 𝑥̅ = 518 gramos por mililitro y una desviación estándar muestral s = 40 gramos?
Suponga que la distribución de rendimientos es aproximadamente normal.
Solución:

Buscamos el valor en la tabla con (n-1) G.L para usar la tabla realizamos (por simetría) 1-α = 1- 0,05 = 0,95
para 24 grados de libertad el valor es 1,711. Por lo tanto, el ingeniero quedará satisfecho con esta afirmación
si una muestra de 25 lotes rinde un valor t entre –1.711 y 1.711. Si μ = 500. El estadístico de prueba es
̅ −𝝁)
(𝑿 (𝟓𝟏𝟖−𝟓𝟎𝟎) 𝟏𝟖
𝒕= = = = 2,25 este es un valor muy superior a 1,711
𝑺/√𝒏 𝟒𝟎/√𝟐𝟓 𝟖
3.2.3. Distribución F
¿Para qué se utiliza la distribución F?

Al inicio de esta sección contestamos esta pregunta parcialmente. La distribución F se usa en situaciones de
dos muestras para hacer inferencias acerca de las varianzas de población, Sin embargo, la distribución F
también se puede aplicar a muchos otros tipos de problemas que involucren varianzas muestrales. De hecho,
la distribución F se llama distribución de razón de varianzas.
En situaciones se está interesado en comparar las varianzas de dos variables aleatorias independientes
distribuidas normalmente, en este caso recurrimos a la distribución F de Fisher. Sir Ronald Aylmer Fisher
(Londres, Reino Unido, 17 de febrero de 1890 - Adelaida, Australia, 29 de julio de 1962) fue un estadístico, y
biólogo, quién usó la matemática para combinar las leyes de Mendel con la selección natural, ayudando así a
crear un nuevo, síntesiso del Darwinismo conocido como la síntesis evolutiva moderna, y también un
prominente eugenista en la parte temprana de su vida.
Se define por:
(𝑋 2 1 + 𝑋 2 2 + ⋯ 𝑋 2 𝛿 )/𝛿1
𝐹=
(𝑌 2 1 + 𝑌 2 2 + ⋯ 𝑌 2 𝛿 )/𝛿2
Además 𝑋𝑖 es una variable normal con distribución estándar como sigue:
𝑋𝑖 ~𝑁(0,1) Donde 0 es , y 1 es 2
𝑈/𝜐1
𝐹=
𝑉/𝜐2
Tiene una distribución F con 𝜐1 y 𝜐2 grados de libertad. Su función de densidad está dada por
𝜐 + 𝜐 𝜐 /2 𝜐 /2 𝜐1
𝛤( 1 2 2 )𝜐1 1 𝜐2 2 𝑧 2 −1
𝑓𝐹 (𝑍) = { 𝜐 𝜐 (𝜐1 +𝜐2 )
, 0<𝑍∞
𝛤( 21 )𝛤( 22 ) (𝜐1 + 𝜐2 ) 2
La media y la varianza de distribución

𝜐2
𝜇𝐹 = 𝐸 (𝐹 ) = , 𝜐2 > 2
𝜐2 − 2
2𝜐22 (𝜐1 + 𝜐2 − 2)
𝜎𝐹2 = 𝑉𝑎𝑟(𝐹 ) = , 𝜐2 > 4
𝜐1 (𝜐2 − 2)2 (𝜐2 − 4)
𝑈/𝜐1 𝑉/𝜐2 1 𝑉/𝜐2 1

𝑃[ < 𝑓𝛼,𝜐1,𝜐2 ] = 𝑃[ > ] = 1 − 𝑃[ ≤
𝑉/𝜐2 𝑈/𝜐1 𝑓𝛼,𝜐1,𝜐2 𝑈/𝜐1 𝑓𝛼,𝜐1,𝜐2

𝑉/𝜐2 1
𝑃[ ≤ = 1−𝛼
𝑈/𝜐1 𝑓𝛼,𝜐1 ,𝜐2
𝑉/𝜐
Pero 𝑈/𝜐2 también tiene una distribución F con 𝜐2 𝑦 𝜐1 grados de libertad, es decir
1
𝑉/𝜐2 1
𝑃[ ≤ = 1−𝛼
𝑈/𝜐1 𝑓1−𝛼,𝜐2,𝜐1
1 1
Entonces 𝑓1−𝛼,𝜐2,𝜐1 = 𝑓 o 𝑓𝛼,𝜐1,𝜐2 = 𝑓
𝛼,𝜐1 ,𝜐2 1−𝛼,𝜐2 ,𝜐1
(𝑛1 −1)𝑆12 (𝑛2 −1)𝑆22

Sean 𝑥12 = 𝜎12
y 𝑥22 = 𝜎22
Variables aleatorias con distribución Chi-cuadrado con n1-1 y n2 – 1 grados, respectivamente, entonces
𝑋2 𝑆2
1
1
𝑛1 −1 𝜎2
1 𝑆12 𝜎22
𝑋2
= 𝑆2
= ~𝐹(𝑛1 − 1, 𝑛2 − 1)
2 2 𝑆22 𝜎12
𝑛2 −1 𝜎2
2
Ejemplo 14. El punto porcentual para α =0,05, si 𝜐1 = 6, 𝜐2 = 8

1 1
𝑓0,05, 6, 8 = = = 0,2411 = 24,11%
𝑓0.95 ,8 ,6 4,1468
Tabla F
Figura 3.2.3.18
Sea F una variable aleatoria que tiene una distribución F con 𝜐1 , 𝜐2 grados de libertad. Hallar
a) P [F ≤ 14,66] con 𝜐1 = 9, 𝜐2 = 4
b) P [F ≥ 9,01] con 𝜐1 = 5, 𝜐2 = 3
c) P [F ≤ 0,244] con 𝜐1 = 6, 𝜐2 = 9
d) hallar los valores a y b tales que P [a ≤ F ≤ b] = 0,90 con 𝜐1 = 8, 𝜐2 = 6
Solución
con 𝜐1 = 9, 𝜐2 = 4

a) P [F ≤ 14,66] = 0,99
TABLA F
Figura 3.2.3.19
F; df1=9; df2=4
0,5
0,4
0,3
Densidad
0,2
0,1
0,9900
0,0
0 14,66
X
Figura 3.2.3.20
con 𝜐1 = 5, 𝜐2 = 3
b) P [F ≥ 9,01] = 1- 0,95 = 0,05

Figura 3.2.3.21
F; df1=5; df2=3
0,4
0,3
Densidad
0,2
0,1
0,05003
0,0
0 9,01
X
Figura 3.2.3.22
con 𝜐1 = 6, 𝜐2 = 9
c) P [F ≤ 0,244] =0,05
si se trabajase con otra tabla que no tiene el valor
1 1 1
P [F ≤ 0,244] =0,05 = 𝑃 [𝐹 ≥ 0,244] = 1 − 𝑃 [𝐹 ≤ 4,10] = 1 − 0,95 = 0,05

Figura 3.2.3.23
Figura 3.2.3.24
F; df1=6; df2=9
0,7
0,6
0,5
Densidad
0,4 0,05
0,3
0,2
0,1
0,0
00,2440
X
Figura 3.2.3.25

Utilizando Excel para hallar los valores de la tabla
Figura 3.2.3.26 Figura 3.2.3.27
4. ESTIMACIÓN
(Daza Portocarrero, s.f) “En el problema de estimación se trata de estimar el valor de un parámetro desconocido
de la población. La estimación puntual consiste en utilizar el valor de una estadística o un valor estadístico
para calcular el parámetro de una población. Por ejemplo, cuando usamos la media muestral 𝑋̅ para estimar la
media de una población µ, o la proporción de una muestra 𝑝̅ para estimar el parámetro de una población con
distribución binomial P”.
Una “estimación puntual” de algún parámetro de una población 𝜃 es un solo valor 𝜃̂ obtenido a partir de un
estadístico.
Los estimadores son variables aleatorias, y por lo tanto tienen una función de densidad, correspondiente a las
distribuciones muestrales.
Propiedades de un estimador
Insesgado: Un estimador es insesgado del parámetro 𝜽 si y solo si E(𝜽) = 𝜽. En caso contrario decimos que
el estimador es sesgado
̅ es un estimador insesgado de la media poblacional µ ya que E(𝑿
Ejemplo. La media muestral 𝑿 ̅) = µ
𝒏 𝒏
∑𝒏 𝒙 𝟏 𝟏
̅ ) = 𝑬[ 𝒊=𝟏 𝒊 ] = 𝑬[∑(𝒙𝒊 )] = ∑ 𝑬(𝒙𝒊 )
𝑬(𝑿
𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏
Y desde que 𝐸 (𝑋𝑖 ) = 𝜇, para todo i = 1, 2, 3 ,…,n, se tiene

𝒏
𝟏
̅) = ∑ 𝝁 = 𝝁
𝑬(𝑿
𝒏
𝒊=𝟏
Consistencia: decimos que 𝜃̂ es un estimador consistente con el parámetro 𝜽

Suficiencia: Si T1 y T2 son dos estimadores insegados con varianzas V(T 1) y V(T2), respectivamente, y V(T1)
< V(T2), se dice T1 es más eficiente con T 2.

4.1. Estimación de intervalos de confianza
4.1.1. Estimación Interválica para Media Poblacional (µ)
CASO A: Cuando s es conocido
   
   x  z1 / 2 * , x  z1 / 2 *
 n n 
CASO B: Cuando s es desconocido
 s s 
   x  t( n1,1 / 2) * , x  t( n 1,1 / 2) *
 n n 
Ejemplo 15. Para tratar de estimar el consumo promedio por cliente, en un gran restaurante, se reunieron datos
de una muestra de 49 clientes. Si el consumo promedio de la muestra es de 24.80 soles y la desviación estándar
poblacional es de 5 soles. Cuál es el intervalo de confianza de 95% para el consumo promedio de los clientes?
Solución
Tenemos: n = 49
𝑋̅ = 24.80 soles
s = 5 soles
N.C. = 95%, z1-a/2 = 1.96
CASO A
 5 5 
  24.80  1.96 * ;24.80  1.96 *
 49 49 
  23.40;26.20
El consumo promedio de los clientes del restaurant está entre 23.40 soles y 26.20 soles, con un nivel de
confianza del 95%.
Ejemplo 16.
En un programa de adiestramiento en SENATI, el director de manufactura desea contar con un programa
asistido por computadora que se pueda usar para adiestrar a los empleados de mantenimiento en las operaciones
de reparación de máquinas. Se espera que con el método de cómputo se reduzca el tiempo necesario para el
adiestramiento. Para evaluarlo el director de manufactura pide una estimación interválica del tiempo promedio
de adiestramiento necesario con el programa asistido por computadora con un 95% de confianza. Suponga que
la gerencia aceptó adiestrar a 15 empleados con el programa asistido por computadora. En la tabla veremos
los datos de días necesarios de adiestramiento por cada empleado en la muestra.

Tabla 02:
Tiempo de Adiestramiento en días para el Programa Asistido por Computadora en Senati
Empleado Tiempo Empleado Tiempo Empleado Tiempo
1 52 6 59 11 54
2 44 7 50 12 58
3 55 8 54 13 60
4 44 9 62 14 62
5 45 10 46 15 63
Solución
Tenemos: n = 15
𝑋̅ = 53.87 días
s = 6.82 días
N.C. = 95%
t( n 1,1 / 2) t (151,10.05 / 2 )  t(14, 0.975)  2.145
CASO B
 6.82 6.82 
  53.87  2.145 * ;53.87  2.145 *
 15 15 
El tiempo promedio de adiestramiento necesario para los empleados con el programa asistido por
computadora se encuentra entre 50 días y 58 días con una confianza del 95%.
4.1.2. Estimación Interválica para la Proporción (P)
Si p = a/n es la proporción de éxitos en una muestra de tamaño n, el intervalo de confianza (1 - a) % para P

estará dado por:
 p*q p*q 
P   p  z1 / 2 * , p  z1 / 2 * 
 n n 
Ejemplo 17. En una encuesta de opinión empresarial, 320 de un total de 400 trabajadores entrevistados, se
pronunciaron a favor de una supervisión por áreas de parte del ingeniero de planta.
Se desea establecer un intervalo del 95% para la proporción de trabajadores que están a favor del
pronunciamiento.
Solución
Tenemos: p = 320 /400 = 0.80
N.C. = 95%
z = 1.96
 0.80 * 0.20 0.80 * 0.20 

P  0.80  1.96 * ;0.80  1.96 * 
 400 400 

P  0.7608;0.8392
La proporción de empleados que están a favor de la supervisión está entre el 76.08% y el 83.92%, con una
confianza del 95%.
4.1.3. Para la Diferencia de Medias ( Varianzas conocidas)
Se desea estimar la diferencia de dos medias poblacionales con una confianza del 100(1-α) % para muestras
de tamaño n1 y n2 (muestras grandes). Las poblaciones donde provienen las variables pueden presentar o no
una distribución normal, pero sus varianzas poblacionales son conocidas. En este caso se emplea la distribución
Z, concluyéndose que:
 12  22  12  22
1  2  ( x1  x2 )  z1 2  ; ( x1  x2 )  z1 2 
n1 n2 n1 n2
Ejemplo 18.
En los resultados de un Test Vocacional entre empresarios y el sindicato de los empleados que tienen una
distribución normal, se llego a un impase ya que ambos grupos afirmar tener más vocación que el otro. Los
empresarios tuvieron como resultado 7.6 puntos, y los empleados obtuvieron 6.5 puntos. Para eliminar dudas,
se resolvió seleccionar muestras independientes nuevamente. En los empresarios con una muestra de 90
empleados, observaron un resultado medio de 7.0 puntos, con una desviación estándar de 2.9 puntos. El
sindicato, con 60 empleados obtuvo una media de 7.1 puntos y una desviación estándar de 2.4 puntos. En base
a un intervalo de confianza del 95% para las diferencias de los puntajes medios de los empresarios con el
puntaje medio del sindicato, responda a la siguiente pregunta ¿Las muestras obtenidas justifican los respectivos
resultados de los dos grupos?
Solución:
Se tienen los siguientes datos:
Empresario Sindicato
n1 = 90 n2 = 60
1 = 2.9 SM 2 = 2.4 SM
𝑥̅1 = 7 𝑥̅ 2 = 7,1
o Nivel de confianza al 95%: Z 1- α /2 = 1.96

o Como las muestras son grandes, se tiene: el intervalo de confianza queda definido por:
 12  22  12  22
1  2  ( x1  x2 )  z1 2  ; ( x1  x2 )  z1 2 
n1 n2 n1 n2
Al reemplazar los valores se obtiene:

2.9 2 2.4 2 2.9 2 2.4 2

1  2  (7  7.1)  1.96  ; (7  7.1)  1.96 
90 60 90 60
Luego, el intervalo de confianza es:

1  2  (-0,953; 0,753)
Interpretación:
Como el intervalo incluye a cero, se concluye que los datos muéstrales indican que los puntajes promedios en
el test vocacional obtenidos por ambos grupos son igual, con un nivel de confianza del 95%.
4.1.4. Para la Diferencia de Medias ( Varianzas desconocidas)
1. Muestras Independientes y varianzas poblacionales homogéneas: con una confianza del 100(1-α)% .
Usando la distribución t – student con n1 + n2 – 2 grados de libertad, se concluye que:
1  1 
1  2  ( x1  x2 )  t(1 2 ), n1  n2  2 S p2 
1
 ; ( x1  x2 )  t(1 2 ), n1  n2  2 S p2 
1

 n1 n2   n1 n2 
S 2

 n1  1 S12   n2  1 S22
n1  n2  2
p
Ejemplo 19.
Un psicoanalista desea comparar los riesgos asociados a los géneros sus pacientes, Femenino y Masculino. El
riesgo que sufren de acuerdo a su género se mide por la variación en los cambios diarios de sentido del humor.
El psicoanalista piensa que el riesgo promedio asociado con las mujeres es mayor que el los varones. se
obtienen muestras aleatorias de 15 test de estados de humor realizados a ambos géneros. Se obtienen los
siguientes resultados:
Masculino Femenino
nA = 15 nB = 15
SA = 0.25 SB = 0.45
𝑥̅𝐴 = 0,3 𝑥̅ 𝐵 = 0,4
¿Estos datos apoyan la creencia del psicoanalista? Suponga que las varianzas poblacionales se desconocen y
son iguales, con un nivel de confianza del 98%
Solución:
t(1 2),n A  nB  2  t(10.02 / 2),1515 2  t0.99, 28  2.4671
Nivel de confianza al 98%,

Figura 4.1.4.28
Como las muestras son pequeñas y con varianzas poblacionales desconocidas e iguales, se tiene: el intervalo
de confianza queda definido por:
 1 1   1 1 
 A   B  ( xA  xB )  t(1 2),n A  nB 2 S p2   ; ( xA  xB )  t(1 2),n A  nB 2 S p2  
 nA nB   nA nB 
S p2 
n A  1S A2  nB  1S B2
n A  nB  2
1 1 1 1
 A   B   (0,3  0,4)  (2,4671) * 0,0176   ; (0,3  0,4)  (2,4671) * 0,0176  
 15 15   15 15 
S p2 
15  10,252  15  10,452  0,1325
15  15  2
 A   B   0,2195;0,0195
Interpretación:
Como el intervalo incluye al cero, entonces puntajes promedios para cada género son iguales. En consecuencia,
con un nivel de confianza del 98% no es posible afirmar que los datos apoyan la creencia del psicoanalista, es
decir; que el riesgo promedio asociado con las mujeres no es mayor que el de los varones.
4.1.5. Para la Diferencia de Medias (Varianzas desconocidas)
Muestras Independientes y varianzas poblacionales heterogéneas: con una confianza del 100(1-α) % .
Usando la distribución t – student con v grados de libertad, se concluye que:
 S12 S 22   S12 S 22 
1  2   ( x1  x2 )  t(1 2 ), v

 n  n   ; ( x1  x2 )  t(1 2 ),v

 n  n  
 1 2   1 2 

2
 S12 S22 
  
   12 2  2
n n
 S12   S22 
   
 n1    n2 
n1  1 n2  1
Ejemplo 20.
Un analista está investigando la evolución del conocimiento artístico y científico, contando con la siguiente
información semanal, (datos en puntajes) del año 2015.
12 12 12 12
X
i 1
i  1540,1 Y
i 1
i  511,7 X
i 1
i
2
 204754,47 Y
i 1
i
2
 22319,43
Donde X es el índice de conocimiento artístico e Y el índice de conocimiento científico.

El analista piensa que el índice promedio de conocimiento artístico del año 2015 es mayor índice promedio de
conocimiento científico. ¿Los datos apoyan la postura del analista? Con un nivel de confianza del 95% y
supóngase que las varianzas poblacionales son desconocidas y diferentes.
Solución:
Como las muestras son pequeñas y con varianzas poblacionales desconocidas y diferentes, se tiene:
El intervalo de confianza queda definido por:
 S12 S 22   S12 S 22 
1  2   ( x1  x2 )  t(1 2 ),v

 n  n   ; ( x1  x2 )  t(1 2 ),v

 n  n  
 1 2   1 2 
2
 S12 S22 
  
   12 2  2
n n
 S12   S22 
   
 n1    n2 
n1  1 n2  1
Haciendo los cálculos se tiene:
12
X
 
i
1540,1 1
X1  i 1
  128,34167 S12  204,754.47  12(128,341.67) 2  644,99899
12 12 11
12
Y
 
i
511,7 1
X2  i 1
  42,64167 S 22  22,319,43  12(42,641.67) 2  45,42598
12 12 11

2
 644,99899 45,42598 
  
v  12 12   12,54  13
2 2
 644,99899   45,42598 
   
 12   12 
12  1 12  1
Nivel de confianza al 98%, t (1 2 ),v  t (10.02 / 2),13  t 0.975, 25  2,1604
Luego, el intervalo de confianza es:
 644.99899 45.42598 
1  2  (128.34167  42.64167)  (2.1604) *   
 12 12 
1  2  69,316;102,084
Interpretación:
Con un nivel de confianza del 95%, se tiene que la estimación de estos límites sugiere que, en promedio, el
índice de conocimiento artístico es mayor que el índice de conocimiento científico; en consecuencia, los datos
apoyaran a la postura del analista.
4.1.6. Proporciones Poblacionales
Sean X1, X2, … Xn1 una muestra aleatoria extraída de una población Bernoulli B(1, p 1) y sean Y1, Y2, …, Yn2
una muestra extraída de una población Binomial B(1, p2). Supongamos que ambas poblaciones son
independientes.
Los estimadores de los parámetros p1 y p2, son respectivamente:
∑𝑛𝑖=1
1
𝑋𝑖 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 1
𝑝1 = 𝑋̅1 = =
𝑛1 𝑛1
∑𝑛𝑖=1
2
𝑌𝑖 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 2
𝑝2 = 𝑌̅1 = =
𝑛2 𝑛2
I.C. PARA LA DIFERENCIA DE PROPORCIONES
Si se desea estimar la diferencia de proporciones poblacionales 1 - 2 con una confianza del 100(1-α)% para
muestras de tamaño n1 > 30 y n2 > 30, es decir si las muestras son grandes, se puede usar la distribución Z,
concluyéndose que:
p1 1  p1  p2 1  p2  p1 1  p1  p2 1  p2 
 1   2   p1  p2   z1 2  ;  p1  p2   z1 2 
n1 n2 n1 n2
NOTA: Si el intervalo contiene al valor cero, se concluye que las proporciones poblacionales podrían ser
iguales.

Ejemplo 21.
Una empresa otorga 2 tipos de incentivos a los buenos trabajadores. En una reciente encuesta se encontró que
60 de 120 prefieren el incentivo A y 50 de 80 prefieren el incentivo B. obtenga un intervalo de confianza para
la diferencia de las proporciones poblacionales, con una confianza del 99%, para determinar si ambos
incentivos tienen la misma preferencia.
Solución:
Se tiene los siguientes datos:
nA = 120
nB = 80
pA = 60/120 = 0.5
pB = 50/80 = 0.625
Nivel de confianza al 99%, Z 1- α /2 = 2.58
El intervalo de confianza queda definido por:
pA 1  pA  pB 1  pB  p A 1  p A  pB 1  pB 
 A   B    pA  pB   z1 2  ;  p A  pB   z1 2 
nA nB nA nB
0,5 0,5  0,625 0,375  0,5 0,5  0,625 0,375 

 A   B   0,5  0,625   2,58  ; 0,5  0,625  2,58 
120 80 120 80
-0,308; 0,058
1  2   0,308;0,058
Interpretación:
Como el intervalo incluye al cero, entonces ambos incentivos son iguales. En consecuencia, con un nivel de
confianza del 99% no es posible afirmar que los datos apoyan que exista diferencia en los incentivos.
5. INTERVALOS DE CONFIANZA PARA LA VARIANZA
Sea X una variable aleatoria distribuida normalmente con media µ y varianza σ2 desconocidas. Consideremos
una muestra aleatoria X1, X2, X3, …, Xn, de tamaño n de X. Sea 𝑋̅ la media muestral y S2 la varianza muestral.
(𝑛 − 1)𝑆 2 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑋2 = =
𝜎2 𝜎2
Tiene una distribución Chi-cuadrado con n-1 grados de libertad. Observe que si bien la variable aleatoria 𝑋 2
depende de σ2, su distribución no; por lo tanto, elegido un 𝛾, se puede encontrar a y b de la tabla.
𝑃[𝑎 ≤ 𝑋 2 ≤ 𝑏] = 𝛾 𝑃[𝑋 2 ≤ 𝑏] − 𝑃[𝑋 2 < 𝑎] = 𝛾 (1)
𝑃[𝑋 2 < 𝑎] = 𝛼/2 (2)
𝑃[𝑋 2 ≤ 𝑏] = 1 − 𝛼/2 (3)
2 2
Donde 𝛼 = 1 − 𝛾. 𝑎 = 𝑋𝛼/2 𝑏 = 𝑋1−𝛼/2

Chi-cuadrada; df=10
𝜶/𝟐 𝜶/𝟐
0 2 2
𝑋𝛼/2 𝑋1−𝛼/2
Figura 5. 29
𝑃 [𝑋𝛼2 ≤ 𝑥 2 ≤ 𝑋1−
2
𝛼] = 𝛾
2 2
5.1. Intervalo de confianza para varianza σ2 desconocida
El intervalo de confianza para 𝜎 2 . Si S2 es la varianza muestral, de una muestra de tamaño n, tomada de una
población normal con media µ varianza σ2 desconocida
(𝑛 − 1)𝑆 2 (𝑛 − 1)𝑆 2
𝐼𝐶: [ , ] ~𝑐𝑜𝑛 (𝑛 − 1) 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝑋2 𝛼 𝑋𝛼2
1−
2 2
Ejemplo 22. A un laboratorio de ensayo de materiales se lleva una muestra de 10 cables para obtener sus
cargas de rotura a la tracción. Los resultados obtenidos (en kg/cm2) fueron 280, 295, 308, 320, 265,350, 300,
310, 285, 310. Considerando que estas cargas poseen distribución de probabilidad normal, determinar el
intervalo de confianza del 90% para la desviación típica de la población.
Solución
a) 1 − 𝛼 = 90% → 𝛼 = 0,1
n = 10
2 𝛼 0,10
b) 𝑃[𝑋 2 < 𝑥𝛼/2 ]= =
2 2
= 0,05
2 𝛼 0.1
𝑃[𝑋 2 ≤ 𝑥1−𝛼/2 ] = 1− = 1−
2 2
= 0,95
Buscamos el valor en la tabla Chi-cuadrado

2 2
𝜒0,05 = 3,325 𝜒0,95 = 16,92
c) S2 = 554,011 luego (n-1)S2 = 9*554,01= 4.986,099
(𝑛−1)𝑆 2 (𝑛−1)𝑆 2 4.986,099 4.986,009

d) 𝐼𝐶: [ 𝑋2 𝛼
, 𝑋𝛼2
]=[
16,92
, 3,325
] = [294,686; 1.499,552]
1−
2 2

Interpretación: El intervalo de confianza para la varianza poblacional de las cargas de la rotura a la tracción
es [294,686; 1.499,552] kg/cm2
Figura 5.1. 30
Figura 5.1. 31
5.2. Intervalo de confianza para la razón de dos varianzas 𝝈𝟐𝟏 y 𝝈𝟐𝟐
Sea X una variable aleatoria distribuida normalmente con 𝜇𝑋 y varianza 𝜎𝑋2 , y sea Y una variable aleatoria
distribuida normalmente con 𝜇𝑌 y varianza 𝜎𝑌2 . Sea 𝑆𝑋2 y 𝑆𝑌2 las varianzas muestrales
𝑆𝑋2
⁄ 2
𝜎 𝜎𝑌2 𝑆𝑋2
𝐹 = 2 𝑋 = 2 2 ~ 𝑐𝑜𝑛 (𝑛 − 1)𝑦 (𝑚 − 1)𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑
𝑆𝑌 𝜎𝑋 𝑆𝑌
⁄ 2
𝜎𝑌

𝜎𝑋2
Intervalo de confianza para ⁄ 2. Si 𝑆𝑋2 y 𝑆𝑌2 son varianzas independientes de tamaños n y m de dos
𝜎𝑌
poblaciones X e Y distribuidas normalmente, el intervalo de confianza para la varianza está dado por,
𝑆𝑋2 1 𝑆𝑋2 1
𝐼𝐶: [ 2𝑓 𝛼 , 2𝑓 𝛼 ]
𝑆𝑌 1− ,𝑛−1,𝑚−1 𝑆𝑌 1− ,𝑚−1,𝑛−1
2 2
el intervalo de confianza para la desviación típica está dado por,
𝑆𝑋 1 𝑆𝑋 1
𝐼𝐶: [ √𝑓 𝛼 , √𝑓 𝛼 ]
𝑆𝑌 1− ,𝑛−1,𝑚−1
𝑆𝑌 1− ,𝑚−1,𝑛−1
2 2
Ejemplo 23.
Se preparan dos diferentes tandas de cemento, y de cada una se fabrica gran número de tabiques. Se toma una
muestra de seis tabiques de cada tanda, y la fuerza de tensión en lb/pulg 2, se mide para cada tabique de las dos
muestras. Suponiendo que en la tanda i la fuerza de tensión está normalmente distribuida con varianza 𝜎𝑖2 , 𝑖 =
1,2. Obtenga un intervalo de confianza de 95% para la razón de las desviaciones típicas.
Tanda1: 536, 492, 528, 572, 582, 506
Tanda2: 555, 567, 550, 550, 535, 540
Solución
a) 𝛼 = 1 − 95% → 𝛼 = 0.05
𝛼
1 − = 0.975
2
n=m=6
b) 𝑆12 = 1.262,4 → 𝑆1 = 35,530 𝑆22 = 127,5 → 𝑆2 = 11,203
𝑆 1 𝑆1 1
c) 𝐼𝐶: [𝑆1 √𝑓 , 𝑆2 √𝑓 ]
2 𝛼 𝛼
1− ,𝑛−1,𝑚−1 1− ,𝑚−1,𝑛−1
2 2
𝑓1−𝛼,𝑛−1,𝑚−1 =
2
35,530 1 𝑆1 1
𝐼𝐶: [ √𝑓 , √𝑓 𝛼 ]
11,203 𝛼
1− ,𝑛−1,𝑚−1
𝑆2 1− ,𝑚−1,𝑛−1
2 2

6. ACTIVIDADES Y EVALUACIÓN
Actividad 1. Resolver
Ejercicio 01. Sea X una variable aleatoria con función de densidad

𝑥3
𝑓 (𝑥 ) = { ,0 < 𝑥 < 2
4
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑙𝑢𝑔𝑎𝑟
De la cual se toma una muestra aleatoria de tamaño 32. Hallar:
a) 𝑃[𝑋̅ < 1,6]
b) 𝑃[1,5 ≤ 𝑋̅ ≤ 1,6 / 𝑋̅ < 1,6]
Ejercicio 02. Un proveedor a nivel nacional, vende una marca muy conocida de Laptop. Para poder lograr el
máximo descuento por volumen de compra, todas las tiendas deben hacer un nuevo pedido de laptops al mismo
tiempo. La decisión para el nuevo pedido, es hacer el pedido cuando el inventario promedio en una muestra de
tienda es menor de 25 laptops. Con base en datos anteriores, se supone que la desviación estándar es de 10
laptops. Si se selecciona una muestra de 25 tiendas, ¿Cuál es la probabilidad que se vuelva a ordenar el pedido,
a) cuando el inventario promedio real de todas las tiendas es de 20 laptops?
b) cuando el inventario promedio real de todas las tiendas es de 30 laptops?
c) ¿Cuál sería su respuesta si en (a) y (b) la muestra es 36?
Ejercicio 03. Si X~ X(v), hallar

a) a que tal que P [X ≤ a] = 0,995, si v = 30
b) a y b tal que P [a ≤ X≤ b] = 0,95, P [X > b] = 0,025, si v=13
c) tal que P [X ≤ a] =0,015, si r = 8
Ejercicio 04. Si X tiene distribución t- student con 18 grados de libertad, hallar:

a) P (X ≤ 2,101) b) P (X > 1,734) c) P(X ≤ -2,878) d) P(-1,330 ≤ X ≤ 2,552)
e) P (X≤ 2)
Ejercicio 05. Si X~ F(4,5) hallar:
a) P (X ≤ 7,39) b) P(X > 11,4) c) P(X ≤ 8) d) P(X ≤ 0,0645)
Ejercicio 06. Suponga que el tiempo X, en minutos, que demora una tarea tiene una distribución uniforme en
[1;5]. Si el costo C para terminar la tarea es función del tiempo y es dada por la expresión:
𝐶 = 10 + 𝑋 + 3𝑋 2
Calcular el valor esperado del costo.
Ejercicio 07. En una población, con media 72,1 y desviación estándar 3,1 encuentre la probabilidad de que
una muestra de 90 observaciones, la media sea menor que 71,7
Ejercicio 08. En cierta región los salarios de los mineros están distribuidos normalmente con una media de S/.
864.500 y una desviación estándar de S/. 15.00 soles. ¿Cuál es la probabilidad de que una muestra de 25
mineros, tengan un promedio diario inferior a S/. 857.500?
Ejercicio 09. La universidad en formación tiene 100 profesores, 60 de ellos tienen doctorado. Dos muestras,
con n1=n2=30, son extraídos independientemente, con reposición, y se anotan los números de los que tienen
el doctorado, ¿Cuál es la probabilidad que las dos muestras difieran de 8 o más en el número con doctorado?

Ejercicio 10. Dos compañías Ay B producen pilas. La compañía A crece que el 10% de su producción son
defectuosos y B, el 5%. Se toma una muestra al azar de 300 unidades de la línea de producción de la compañía
A y se encuentran que 24 de ellos son defectuosos. Se toma una muestra al azar de 400 unidades de la línea de
producción de la compañía B y se encuentran que 20 son defectuosas. ¿Cuál es la probabilidad de obtener esta
diferencia o una menor en proporción si la creencia acerca de los parámetros de la población es correcta?
Ejercicio 11. Un ingeniero mecánico cree haber perfeccionado un programa de adiestramiento que puede
reducir considerablemente el tiempo de montaje de ciertos mecanismos empleado por los trabajadores. Para
comprobar escoge 10 trabajadores al azar y realiza estudios de tiempo antes y después del adiestramiento,
obteniendo como resultado las siguientes reducciones de tiempo en minutos.
Trabajador 1 2 3 4 5 6 7 8 9 10
Reducción de tiempo 3 5 -1 0 7 4 8 3 -1 2
a) Halle un intervalo de confianza del 95% para la media de la reducción de tiempo de los primeros 5
trabajadores.
b) Halle el intervalo de confianza del 95% para la media de reducción de tiempo para los 10 trabajadores
Ejercicio 12. Las siguientes son 16 determinaciones independientes del punto de fusión de un compuesto, 8
hechas por un analista A y 8 hechas por un analista B. Los datos se dan grados centígrados.
Analista A 164,4 169,7 169,2 169,5 161,8 168,7 169,5 163,9
Analista B 163,5 162,8 163 163,2 160,7 161,5 160,9 162,1
Hallar el intervalo de confianza del 90% para la diferencia media entre analistas, suponiendo varianzas iguales
pero desconocidas.
Ejercicio 13. Las ventas mensuales de la tienda “El Peje” tiene una distribución normal con varianza igual a
100, y las ventas mensuales de la tienda “doña julia”, tiene distribución normal con varianza igual a 150, se
selecciona 12 ventas mensuales de la tienda “el peje” y 15 de la tienda “Doña Julia”
a) ¿Cuál es la probabilidad de que la varianza muestral de la tienda el “El Peje” sea menor que la varianza
muestral de la tienda de “Doña Julia”?
b) ¿Cuál es la probabilidad de que la varianza muestral de la tienda “Doña Julia” sea al menos 50% más que
la varianza de la tienda “El Peje”.
Ejercicio 14. Se toma una muestra de 30 medianas empresas y se recopiló información acerca de sus utilidades
en miles, durante el año 2019. La información se muestra a continuación.
60 16 20 9 198 1 271 104 114 27
35 30 20 24 9 160 129 215 318 19
15 45 74 45 91 19 195 19 14 17
Estime mediante un intervalo del 95% de confianza la verdadera utilidad promedio obtenida por mediana
empresa durante el 2019.
Estime mediante un intervalo del 90% de confianza para la varianza poblacional de las utilidades de la empresa
durante el 2019.

RÚBRICA
CURSO: ……………………………………………………………………
ESCUELA PROFESIONAL: ………………………………………………
INTEGRANTES:
1. ………………………………………………………………………………………………
2. ………………………………………………………………………………………………
3. ………………………………………………………………………………………………
4. ………………………………………………………………………………………………
5. ………………………………………………………………………………………………
6. ………………………………………………………………………………………………
Categoría 4 Muy Bueno 3 Bueno 2 Regular 1 Malo Total

Muestra una
Muestra completa Muestra cierta comprensión muy No utiliza los
comprensión de los comprensión de los limitada de los conceptos básicos
Conceptos conceptos utilizados conceptos necesarios conceptos básicos utilizados para
para resolver la para resolver la utilizados para resolver la práctica o
práctica (4p) práctica. (2p) resolver la práctica. no está escrito. (0p)
(1p)
El trabajo muestra
El trabajo es El trabajo muestra El trabajo no
cierto orden, pero no
ordenado y de fácil cierto orden, cumple presenta orden, no
Estrategia / cumple con los
lectura, presenta los con algunos formatos cumple con los
Procedimientos formatos de
formatos para las en las tablas y gráficos formatos de tablas y
presentación de
tablas y gráficos.(3p) (1,5p) gráficos. (0p)
tablas y gráficos. (1p)
Todos menos una de Todos menos dos de Varios de las
Toda la práctica se ha
Terminación las preguntas se ha las preguntas se han preguntas no se han
completado.(3p)
completado. (1,5p) completado. (1p) completado. (0p)
100% de los 80% de los 50% de los Todos los
Errores procedimientos y procedimientos y procedimientos y procedimientos y
Matemáticos soluciones no tienen soluciones no tienen soluciones tienen soluciones tienen
errores. (4p) errores. (2p) errores. (1p) errores. (0p)
Muestran 100 Muestran 80% de Muestra 30% % de No muestran
evidencia del evidencia del evidencia del evidencia del
Evidencias
desarrollo de la desarrollo de la desarrollo de la desarrollo de la
practica(3p) practica (2p) practica (1p) practica (0p)
Los estudiantes los estudiantes fueron
fueron socios socios Los estudiantes Los estudiantes no
Trabajo en comprometido, comprometidos, pero cooperaron entre sí, y han funcionado
grupo escuchando las tuvieron problemas escucharon las eficazmente como
sugerencias de los para escuchar a las sugerencias. (1p) grupo. (0p)
demás. (3p) sugerencias. (1,5p)
Puntuación final

7. GLOSARIO
Azar: el azar es una causalidad presente en diversos fenómenos que se caracterizan por causas complejas y no
lineales. Fuente: Wikipedia.
Espacio muestral: consiste en el conjunto de todos los posibles resultados individuales de un experimento
aleatorio. Fuente: Wikipedia.
Experimento aleatorio: es aquel que, bajo el mismo conjunto aparente de condiciones iniciales, puede
presentar resultados diferentes, es decir, no se puede predecir o reproducir el resultado exacto de cada
experiencia particular. Fuente: Wikipedia
Frecuencia: repetición mayor o menor de un acto o de un suceso. Fuente: Real Academia Española.
Gráfico: representación de datos numéricos por medio de una o varias líneas que hacen visible la relación que
esos datos guardan entre sí. Fuente: Real Academia Española.
Probabilidad: en un proceso aleatorio, razón entre el número de casos favorables y el número de casos
posibles. Fuente: Real Academia Española.
Sucesos: un conjunto de posibles resultados que se pueden dar en un experimento aleatorio. Fuente: Wikipedia
Censo. - Estudio de una zona determinada que da como resultado la enumeración de toda la población y la
recopilación de la información demográfica, social y económica concerniente a dicha población en un
momento dado. Véase también encuesta.
Control De La Natalidad. - Prácticas empleadas por las parejas que permiten el coito con una menor
probabilidad de concepción. Con frecuencia el término control de la natalidad se utiliza como sinónimo de
términos tales como anticoncepción, control de la fecundidad y planificación familiar.
Crecimiento Cero De La Población. - Una población en equilibrio, con una tasa de crecimiento cero, lograda
cuando los nacimientos más la inmigración equivalen a las defunciones más la emigración.
Crecimiento Exponencial. - Una tasa constante de crecimiento aplicada durante un período que continúa
creciendo, por ejemplo, una cuenta corriente que aumenta a interés compuesto; una bola de nieve que adquiere
masa; una población que crece a un 3% anual.
Crecimiento Natural. - El excedente (o déficit) de nacimientos sobre las defunciones en una población,
durante un período determinado.
Crecimiento Negativo De La Población. - Una disminución neta en el tamaño de la población.

8. REFERENCIAS
Daza Portocarrero, J. F. (s.f.). Estadistica Aplicada.

E. Walpole, R., H. Myers, R., L. Myers, S., & Keying Ye. (2012). Probabilidad y Estadística para Ingeniería
y Ciencias. [versión PDF]. Pearson. Obtenido de
https://vereniciafunez94hotmail.files.wordpress.com/2014/08/8va-probabilidad-y-estadistica-para-
ingenier-walpole_8.pdf
Martínez Bencardino, C. (2012). Estadística y Muestreo. Bogotá: ECOE ediciones Ltda.
Rufino Moya, C., & Gregorio Saravia, A. (2016). 11º Probabilidad y Inferencia Estadística. Lima, Perú: San
Marcos.
Willian Navidi. (2006). Estadística Para Ingenieros. Mexico: McGRAW-HILL/INTERAMERICANA
EDITORES, S.A. DE C.V.

Guía Aprendizaje 13

Cargado por

Copyright:

Formatos disponibles

Guía Aprendizaje 13

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

Guía Aprendizaje 13

Cargado por

Copyright:

Formatos disponibles

GUÍA DE APRENDIZAJE

CURSO: ESTADÍSTICA Y PROBABILIDADES

Jaén – Perú, agosto 2020

2. CONTENIDO TEMÁTICO ................................................................................................................. 5

3.1. Distribuciones muestrales ............................................................................................................. 5

3.1.1. Distribución para la media ................................................................................................ 8

3.1.2. Distribución de una proporción ........................................................................................10

3.1.3. Distribuciones muestrales de la diferencia de dos medias, muestras independientes ..........13

3.1.4. Distribuciones muestrales de la diferencia de dos proporciones ........................................13

3.2. Otras distribuciones de probabilidad ............................................................................................13

3.2.1. Distribución Chi-cuadrado ...............................................................................................13

3.2.2. Distribución t ...................................................................................................................17

3.2.3. Distribución F ..................................................................................................................20

4.1. Estimación de intervalos de confianza..........................................................................................26

4.1.1. Estimación Interválica para Media Poblacional (µ) ..........................................................26

4.1.2. Estimación Interválica para la Proporción (P)...................................................................27

4.1.3. Para la Diferencia de Medias ( Varianzas conocidas)........................................................28

4.1.4. Para la Diferencia de Medias ( Varianzas desconocidas) ..................................................29

4.1.5. Para la Diferencia de Medias (Varianzas desconocidas) ...................................................30

4.1.6. Proporciones Poblacionales .............................................................................................32

5. Intervalos de confianza para la varianza ..............................................................................................33

5.1. Intervalo de confianza para varianza σ2 desconocida ....................................................................34

5.2. Intervalo de confianza para la razón de dos varianzas ..................................................................35

6. ACTIVIDADES Y EVALUACIÓN ....................................................................................................37

Actividad 1. Resolver ..............................................................................................................................37

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 2

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 3

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 4

3.1. Distribuciones muestrales

corrección para la población finita.

Figura 3.1.1. Distribución de probabilidad

c) extraemos una muestra de tamaño 2 sin reposición

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES

Figura 3.1.2. Grafica de distribución de probabilidad de 𝑋̅

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 6

Fuente: tabla 2 Elaboración: Propia

d) extraemos una muestra de tamaño 2 con reposición

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 7

Figura 3.1.3. Grafica de la distribución de probabilidad de una muestra

Fuente: tabla 4 Elaboración: Propia

La grafica X es uniforme, de 𝑋̅ es un triángulo isósceles. O forma una campana de distribución normal.

Teorema del límite central:

3.1.1. Distribución para la media

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 8

𝑋̅−𝜇 4,4−4 3,6−4

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 9

3.1.2. Distribución de una proporción

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 10

a) entre 9% y 10% de piezas defectuosas?

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 11

b) menos del 8% de piezas defectuosas?

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 12

3.1.3. Distribuciones muestrales de la diferencia de dos medias, muestras independientes

3.1.4. Distribuciones muestrales de la diferencia de dos proporciones

Sabemos que una variable aleatoria binomial está definida por,

3.2. Otras distribuciones de probabilidad

3.2.1. Distribución Chi-cuadrado

SEMANA N° 13 – ESTADÍSTICA Y PROBABILIDADES 13