TEMA 3.

Inferencia Estadstica
Nota para el profesor: se sugiere que los temas contengan: (Contenido, objetos y materiales
multimedia, actividades y por ltimo, algn examen o quiz)

Introduccin al tema

CONTENIDO:
Al conjunto de procedimientos estadsticos en los que interviene la aplicacin de modelos de probabilidad
y mediante los cuales se realiza alguna afirmacin sobre poblaciones con base en la informacin producida
por muestras se le llama Inferencia Estadstica o Estadstica Inferencial.

No
usa

Us
a

Fecha de entrega:

Nota para el profesor: llenar el recuadro con la Introduccin al tema.

3.1 Objetivos de la inferencia estadstica

CONTENIDO:
Los objetivos de la inferencia estadstica son dos:
1) Hacer inferencias (predecir, decir) sobre algunas caractersticas de la
poblacin con base en la informacin contenida en una muestra.
2) Determinar la confiabilidad de la inferencia de que los fenmenos
observados en la muestra ocurrirn tambin en la poblacin de donde se
seleccion la muestra.
Necesidades de la estadstica inferencial
Dominio de la estadstica descriptiva.
Tcnica de muestreo.
Seleccin del estadstico de prueba.
Diferenciar entre las tcnicas que son vlidas para el anlisis de los datos
cualitativos y de los datos cuantitativos.
En la estadstica inferencial el investigador se encuentra con dos tipos de tcnicas,

las Paramtricas y las No Paramtricas.

Las paramtricas: suponen una serie de supuestos acerca de la naturaleza
de la poblacin de la que se extrajo la muestra de estudio.
Las no paramtricas: no requieren supuestos sobre las caractersticas de
la poblacin y facilitan ms el anlisis de datos nominales y ordinales.

Observaciones:

3.2 Mtodos estadsticos

CONTENIDO:
Para entender los mtodos estadsticos de la estadstica inferencial es necesario
comenzar con algunos conceptos:
Variable aleatoria:
Tambin variable estocstica es una variable estadstica cuyos valores se obtienen
de mediciones en algn tipo de experimento aleatorio. Una variable aleatoria es
una funcin que asigna eventos. Por ejemplo: los posibles resultados de tirar un
dado dos veces (1,1), (1,2), etc. es una funcin que asigna nmeros reales es
decir, asigna una probabilidad.
Distribucin de probabilidad:
Una distribucin de probabilidad indica toda la gama de valores que pueden
representarse como resultado de un experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que se puede
disear un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenmenos naturales.
Toda distribucin de probabilidad es generada por una variable (porque puede
tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al
azar), y puede ser de dos tipos:
De acuerdo con el tipo de variable ya sea discreta o continua se pueden definir dos
tipos de variables :

Funcin de distribucin de una variable aleatoria discreta:

Sea X una variable aleatoria discreta que toma valores diferentes x1, x2, . . . xn.
Entonces, la funcin
f (x) = P(X= xi ) para i= 1, 2, . . . , n, . . .

= 0 para x xi
se denomina funcin de distribucin de probabilidad discreta (FDP) de X, donde P(X
=xi) significa la probabilidad de que la va discreta X tome el valor de x i.
Por ejemplo: Tenemos una moneda que al lanzarla puede dar slo dos resultados: o
cara (50%), o cruz (50%). Entonces la variable puesto que es una funcin- asigna
al resultado sol una probabilidad de 0.5 y al resultado guila una probabilidad de
0.5.
Otro ejemplo de una funcin de distribucin de variable aleatoria discreta
En un lanzamiento de dos dados la variable aleatoria X, la suma de los nmeros
que aparecen
en dos dados, puede tomar uno de los 11 valores mostrados.

Estas probabilidades se verifi can fcilmente. En total, hay 36 resultados posibles,

de los cuales uno es favorable al nmero 2, dos son favorables al nmero 3 (pues
la suma de 3 se presenta como 1 en el primer dado y 2 en el segundo dado, o 2 en
el primer dado y 1 en el segundodado), y as sucesivamente.
Observa que la funcin f(x) designa una probabilidad a la ocurrencia del evento. La
grfica correspondiente es:

Funcin de distribucin de una variable aleatoria continua:

Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito
de ellos dentro de un mismo intervalo.
Sea X una variable aletoria continua. Entonces, se dice que f (x) es la FDP de X si
se satisfacen las siguientes condiciones:

f ( x) 0

f ( x)dx 1

f ( x) dx P (a x b)

donde f (x)dx se conoce como el elemento probabilstico (la probabilidad asociada a un

P ( a x b)

pequeo intervalo de una variable continua) y donde

de que X se encuentre en el intervalo a a b.

significa la probabilidad

Para una variable aleatoria continua, en contraste con una va discreta, la probabilidad de
que X tome un valor especfico es cero; la probabilidad para tal variable slo se mide sobre
un rango o intervalo dado, como (a, b) que aparece en la grfica siguiente:

Por ejemplo: x es la variable que nos define la probabilidad de que un individuo

haya gastado entre 1000 y 1500 dlares de su ingreso en un viaje turstico. La
probabilidad puede ser de un 35% y debera estar en el rea bajo la curva entre los
intervalos a y b.
Una distribucin de probabilidades a menudo se resume en trminos de algunas de
sus caractersticas, conocidas como momentos de la distribucin. Dos de los
momentos ms comunes son la media, o valor esperado, y la varianza.

Esperanza matemtica o valor esperado:

La esperanza matemtica o valor esperado de una variable aleatoria tiene sus
orgenes en los juegos de azar, debido a que los apostadores deseaban saber cul
era su esperanza de ganar repetidamente un juego, por lo tanto, el valor esperado
representa la cantidad de dinero promedio que el jugador est dispuesto a ganar o
perder despus de un nmero grande de apuestas.

E ( X ) x f ( x)
x

Ejemplo:
Considere la distribucin de probabilidades de la suma de dos nmeros en el
lanzamiento de dos dados. Al multiplicar los diversos valores de X, dados all por
sus correspondientes probabilidades, y sumar sobre todas las observaciones,
obtenemos:

1
2
3
1
E ( x) 2
3
4
... 12
7
36
26
36
36
que es el valor promedio de la suma de los nmeros observada en un lanzamiento

de dos dados.
En el caso de una variable aleatoria continua el valor esperado se define como:

E ( X ) x f ( x)dx

Ejemplo:

f ( x)
Determinemos el valor esperado de la FDP continua de
a 3. Se multiplica por x y se realiza la integral:

1 2
x
9

en el rango de 0

2
3 x
dx
E ( X ) x
0
9

1

9

x4

9
2.25
4

Varianza:
Sea X una variable aleatoria y sea E(X)=. La distribucin o dispersin de los
valores de X alrededor del valor esperado se mide por la varianza, la cual se defi ne
como

var( X ) x2 E ( x ) 2
La varianza defi nida anteriormente se calcula de la siguiente forma:

var( X ) X f ( x)
2

si X es una variable aleatoria discreta.

var( X ) ( X ) 2 f ( x)dx

si X es una variable aleatorio continua.

Por conveniencia de clculo, la frmula de la varianza anterior se expresa tambin como

var( X ) E ( X 2 ) 2

 E ( X 2 ) E ( X )

La varianza del ejemplo para una variable aleatoria discreta definida anteriormente se
calcula de la siguiente forma:

1
2
3
1
E ( x 2 ) 4
9
16
... 144
54.83
36
26
36
36
E( X ) 7
Puesto que:

var( X ) 54.83 (7) 2 54.83 49 5.83

La varianza del ejemplo para una variable aletoria continua defi nida anteriormente se
calcula de la siguiente forma:

var(X) E(X 2 ) E(X)

E(X2 )

3
0

x2
dx
9

x2

3
0

x4
dx
9

1 x5

9 5

243 / 45
27 / 5
E(X)

Puesto que

9
4

, tenemos al final:
var( X )

243 9

45 4

243 / 720 0.34

Covarianza:

La covarianza de una variable bidimensional es la media aritmtica de los

productos de las desviaciones de cada una de las variables respecto a sus medias
respectivas. La covarianza se representa por sxy o xy si es muestral o poblacional
respectivamente. La covarianza indica el sentido de la correlacin entre las
variables.
Si xy > 0 la correlacin es directa.
Si xy < 0 la correlacin es inversa.

xy

f x
i

x yi y
N

Este tema es presencial y se vincula con el coeficiente de correlacin.

Observaciones:

3.1 Actividad

CONTENIDO:
Ejercicio 1:
Estime E(X) y E(Y) para la siguiente informacin.

x
f(x)

-2
0.27

0
0.12

y
f(y)

3
0.51

6
0.49

2
0.26

3
0.35

Ejercicio 2:
Considerando la siguiente FDP, estime la esperanza matemtica y la varianza.

x
f(x)

-2
5/8

1
1/8

2
2/8

Tipo de
actividad:

Individual

Grupal

Herramienta
de Bb:

Actividad
o
SafeAssig
ment

Comunicacin (blog, foro,

wiki, diario, chat, aula
virtual, grupos de trabajo)

Qu debo hacer? Debes calcular la esperanzas matemticas o valor esperado de

ambos cuadros de datos.
Recomendaciones: Utiliza las frmulas planteadas en los ejemplos anteriores.
Cmo lo entrego? Realzalo en una hoja, escanala y envala
Cundo lo entrego?
Archivo adjunto (opcional)

Nombre de archivo:

Nota para el profesor: llenar el recuadro por cada actividad planeada para el tema. Es
importante cuestionarse sobre la funcin pedaggica de cada herramienta, sus lineamientos,
retroalimentacin y calificacin

Observaciones:

3.2 Mtodos estadsticos

CONTENIDO:
Principales distribuciones de probabilidad:
La distribucin Binomial es un caso particular de probabilidad de variable aleatoria
9

discreta, y por sus aplicaciones, es posiblemente la ms importante.

Esta distribucin corresponde a la realizacin de un experimento aleatorio que
cumple con las siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A,
llamado xito, y el suceso B , llamado fracaso.
* Al repetir el experimento, el resultado obtenido es independiente de los
resultados obtenidos anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba
del experimento a otra.
* En cada experimento se realizan n pruebas idnticas.
Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la
distribucin Binomial o distribucin de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de
fracaso q, entonces la distribucin de probabilidad que la modela es la distribucin
de probabilidad binomial y su regla de correspondencia es:

Donde:
P(X)= es la probabilidad de ocurrencia del evento.
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como
q=1p)
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
Ejemplo:
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma
moneda 6 veces ?
Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6
Al sustituir los valores en la frmula obtenemos:

10

La posibilidad de obtener dos caras al lanzar una moneda 6 veces es de 0.234375

Como el clculo de estas probabilidades puede resultar algo tedioso se han
construido tablas para algunos valores de n y p que nos facilitan el trabajo (Ver
las tablas de la funcin de probabilidad Binomial). Tenemos p = 0.50, n = 6 y r = 2
obteniendo resultado directo de tablas por lo tanto la P(2 caras) = 0.2344.

La distribucin de Poisson es tambin un caso particular de probabilidad de

variable aleatoria discreta, el cual debe su nombre a Simon Denis Poisson (17811840), un francs que la desarroll a partir de los estudios que realiz durante la
ltima etapa de su vida. Es til cuando tratamos con cantidades de ocurrencia de
un evento a lo largo de un intervalo de tiempo o espacio especificado. Esta
distribucin se utiliza para describir ciertos procesos.
En este tipo de experimentos, los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc. por ejemplo: # de aviones que aterrizan en un aeropuerto
por da, hora, minuto, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:

Donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto.
e = 2.718 (base de logaritmo neperiano o natural).
X = variable que nos denota el nmero de xitos que se desea que ocurra.
Hay que hacer notar que en esta distribucin, el nmero de xitos que ocurren por

11

unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de

tiempo es independiente de otro intervalo dado, as como cada rea es
independiente de otra rea dada y cada producto es independiente de otro
producto dado.
Ejemplo:
Si un hotel recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba: a) cuatro cheques sin fondo en un da dado? (e=
2.718281828)
Resolviendo para x=4 y =6.

Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un
da dado es de 0.133853 (13.39%)
La distribucin normal es tambin un caso particular de probabilidad de variable
aleatoria contnua, fue reconocida por primera vez por el francs Abraham de
Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor
desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se
le conozca, ms comnmente, como la "campana de Gauss".
La distribucin de una variable normal est completamente determinada por dos
parmetros, su media () y su desviacin estndar ().
Con esta notacin, la densidad de la normal viene dada por la ecuacin:

Esta notacin fue estimada por los matemticos misma que es importante
conocerla.
Existen razones bsicas por las cuales la distribucin normal ocupa un lugar tan

12

prominente en la estadstica:

Tiene algunas propiedades que la hacen aplicable a un gran nmero de

situaciones en la que es necesario hacer inferencias mediante la toma de
muestras.

La distribucin normal casi se ajusta a las distribuciones de frecuencias

reales observadas en muchos fenmenos, incluyendo caractersticas
humanas, resultados de procesos fsicos y muchas otras medidas de inters
para los administradores tursticos, tanto en el sector pblico como en el
privado.

Es simtrica alrededor de su valor medio.

Aproximadamente el 68% de todos los valores de una poblacin normalmente

distribuida se encuentra dentro de 1 desviacin estndar de la media.
Aproximadamente el 95.5% de todos los valores de una poblacin normalmente
distribuida se encuentra dentro de 2 desviaciones estndar de la media.
Aproximadamente el 99.7% de todos los valores de una poblacin normalmente
distribuida se encuentra dentro de 3 desviaciones estndar de la media.

Afortunadamente tambin podemos utilizar una distribucin de probabilidad

normal estndar para encontrar reas bajo cualquier curva normal. Con la tabla de
la distribucin normal que se encuentra al final de cualquier libro de texto de
estadstica, podemos determinar el rea o la probabilidad de que la variable
aleatoria distribuida normalmente est dentro de ciertas distancias a partir de la
media. Estas distancias estn definidas en trminos de desviaciones estndar.
Para ello es necesario llevar a cabo una normalizacin llamada Z:

13

Donde:
X = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
= desviacin estndar de la distribucin.
Z = nmero de desviaciones estndar que hay desde X a la media de la
distribucin. El uso de Z es solamente un cambio de escala de medicin del
eje horizontal).
Por convencin, denotamos una variable distribuida normalmente como
X N(, 2)
Donde:
signifi ca distribuido como,
N significa distribucin normal y
las cantidades en los parntesis son los dos parmetros de la distribucin normal, a
saber: la media y la varianza.
Segn esta convencin,

X N(0, 1)
significa que X es una variable normalmente distribuida con media cero y varianza unitaria.
En otras palabras, es una variable Z normal estandarizada.

Ejemplo 1: Veamos la normalizacin de una variable aleatorio discreta cuya=50 y

su desviacin estndar es de =25. Obsrvese en el siguiente grfico cmo se
realiza el cambio de escala.

Ejemplo 2:

14

Partiendo de que = 500 y = 100. Cul es la probabilidad de que un mesero

elegido al azar se tome entre 500 y 650 horas en completar el programa de
capacitacin?

X 650 500

1.5

100

Desviaciones estndar

Ahora bien, si buscamos Z=1.5 en la tabla de distribucin normal, encontramos

una probabilidad de 0.4332. Por lo tanto para que la probabilidad de que un
candidato escogido al azar requiera entre 500 y 650 horas para terminar el
programa de entrenamiento es de 0.4332

Ejemplo 3:
Suponga que X N(8, 4). Cul es la probabilidad de que X tome un valor entre
X1=4 y X2=12? Para calcular la probabilidad requerida, obtenemos los valores Z
como:

X1 4 8

X 2 12 8

Ahora, de la tabla de distribucin normal observamos que Pr (0 Z 2) = 0.4772. Entonces, por

simetra, tenemos
Pr (2 Z 0) = 0.4772. Por consiguiente, la probabilidad requerida es 0.4772 + 0.4772 = 0.9544.

Cul es la probabilidad de que, en el ejemplo anterior, X exceda 12? Esta

probabilidad es la misma de que Z exceda 2. De la tabla de distribucin normal, es

15

obvio que esta probabilidad es (0.5 - 0.4772) o 0.0228.

La distribucin t-Student es una distribucin de probabilidad que surge del
problema de estimar la media de una poblacin normalmente distribuida cuando el
tamao de la muestra es pequeo (por lo general se considera una muestra menor
a 30 elementos). A la teora de pequeas muestras tambin se le llama teora
exacta del muestreo, ya que tambin la podemos utilizar con muestras aleatorias
de tamao grande.
Una variable aleatoria se distribuye segn el modelo de probabilidad t-Student con
k grados de libertad que equivale al tamao de la muestra menos uno.

x
s/ n

Veremos un nuevo concepto necesario para poder entender la distribucin t

-Student. Este concepto es grados de libertad.
Para definir grados de libertad se har referencia a la varianza maestral:
Esta frmula est basada en n-1 grados de libertad. Esta terminologa resulta del

x
hecho de que si bien s2 est basada en n

cantidades (x1

x
), (x2

), .(xn

x
), stas suman cero, as que especificar los valores de cualquier n-1 de las
cantidades determina el valor restante.

x
Por ejemplo, si n=4 y (x1

x
= 8), (x2

x
= -6),

y (x3

= -4); , entonces

x
automticamente tenemos (x3

= 2); , as que slo tres de las cuatro medidas

x
de (xi ); estn libremente determinadas, la otra debe tomar el valor que haga
esta suma cero, es por esto que solo tenemos 3 grados de libertad. Grados de
libertad = nmero de mediciones - 1
Las propiedades de la distribucin t de Student son las siguientes:
1. Como indica la fi gura A.6, la distribucin t, lo mismo que la distribucin
normal, es simtrica, pero es ms plana que la normal. Sin embargo, a
medida que aumentan los grados de libertad (gl), la distribucin t se
aproxima a la distribucin normal.
2. La media de la distribucin t es cero y su varianza es k/(k 2).
Ejemplo:
Cual es la probabilidad acumulada de una Distribucin t de Student de 9 grados de

16

P(t 9 0.25)
libertad, de que x < 0.25 esto es:
del 9 y la fila de 0.25 tenemos que:

buscando en la tabla en la columna

P(t 9 0.25) 0.596

)
Observaciones:

3.1 Actividad
CONTENIDO:
Resuelve los siguientes ejercicios de cada una de las funciones de distribucin
citadas anteriormente:
Distribucin Binomial:
Si la probabilidad de que cualquier elector registrado (seleccionado al azar de las
listas oficiales) vote en una eleccin para representante de Pueblos Mgicos es
0.70, cul es la probabilidad de que dos de cinco electores voten en la eleccin?
Distribucin Poisson:
Los registros demuestran que la probabilidad de que un automvil donde viajan
turistas, tenga una ponchadura de llanta mientras pasa por un tnel es 0.00006.

17

Use la aproximacin de Poisson para la distribucin binomial para obtener la

probabilidad de que como mnimo 2 de 10,000 automviles que pasen por el tnel
tengan una ponchadura.
Distribucin Poisson:
Si se pueden esperar =5.6 imperfecciones por rollo de cierta clase de tela, cul
es la probabilidad de que un rollo tenga tresimperfecciones?
Distribucin Normal:
Si la cantidad de radiacin csmica a la que una persona est expuesta mientras
vuela en avin por Estados Unidos es una variable aleatoria que tiene una
distribucin normal con m=4.35 mrem y s=0.59 mrem, encuentre las
probabilidades de que una persona de dicho vuelo est expuesta a:
1) ms de 5.00 mrem de radiacin csmica.
2) Cualquier cantidad de 3.00 a 4.00 mrem de radicin csmica.
Encuentre el rea de curva normal estndar

a)
b)
c)
d)

a
a
a
a

la
la
la
la

izquierda de z=0.94
derecha de z=-0.65
derecha de z=1.76
izquierda de z=-0.85

Distribucin t-Student
Un fabricante de focos afirma que un producto durar un promedio de 500 horas
de trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes.
Si el valor y calculado cae entre t 0.05 y t 0.05, l se encuentra satisfecho con
esta afirmacin. Qu conclusin deber l sacar de una muestra de 25 focos cuya
duracin fue:

Tipo de
actividad:

Individual

Grupal

Herramienta
de Bb:

Actividad
o
SafeAssig
ment

Comunicacin (blog, foro,

wiki, diario, chat, aula
virtual, grupos de trabajo)

18

Qu debo hacer? Resolver los ejercicios utilizando tanto las frmulas planteadas
como los datos proporcionados en tablas.
Recomendaciones: Utiliza las tablas para obtener los valores de Z y t-Student.
Cmo lo entrego? Puedes enviarlo en un archivo pdf a correo electrnico.
Cundo lo entrego?
Archivo adjunto (opcional)

Nombre de archivo:

3.3 Planteamiento y comprobacin de hiptesis

CONTENIDO:
En el proceso de la estadstica inferencial, hay dos tipos de hiptesis claves:
La hiptesis nula (H0), se construye artificialmente para que el investigador
evale su hiptesis de investigacin. Plantea que no existe relacin entre los
dos fenmenos.
La hiptesis alternativa (H1), que simplemente seala la existencia de un
hecho o de un evento, o la relacin entre dos o ms fenmenos.
Pasos para construir una hiptesis
1 Planteamiento.
2 Anticipar los eventos que pueden resultar a partir de la observacin o
experimentacin.
3 Especificar las condiciones bajo las cuales la hiptesis se puede rechazar
o aceptar.
4 Realizar el experimento y la observacin y que se analice el evento o
resultado.
5 Toma de decisin de rechazar o aceptar la hiptesis.
Pasos para verificar la hiptesis
1 Aclarar la hiptesis de investigacin H1 y crear la hiptesis nula H0.
2 Obtener la distribucin del muestreo.
3 Seleccionar un nivel de significancia y una regin de rechazo.
4 Hacer la prueba estadstica.
5 Comparar y concluir.

19

Posibilidades de la Prueba de Hiptesis

Error Tipo I: Es la probabilidad de rechazar la hiptesis nula H 0, cuando es cierta y

debera ser aceptada. Esta probabilidad es comnmente denotada por la letra ,
conocido tambin como el nivel de significancia.
Error Tipo II: Es la probabilidad de no rechazar la hiptesis nula H 0, cuando H1 es
cierta. Esta probabilidad es comnmente denotada por la letra .
El poder de la prueba es definido como:
1-=1- probabilidad de error tipo II Pr (rechazar H 0 | H1 cierta)
Ejemplo:
Una pastelera usa una mquina para llenar cajas con galletas, con un promedio de
454 gramos (aproximadamente una libra) de galletas por caja.
a) Si al gerente de la pastelera le interesa la posibilidad de
real sea diferente que 454 gramos, qu hiptesis nula
alternativa deberan usar para someter esto a prueba?
b) Si al gerente de la pastelera le interesa la posibilidad de
real sea menor que 454 gramos, qu hiptesis nula
alternativa deberan usar para someter esto a prueba?
Solucin

que el promedio
y qu hiptesis
que el promedio
y qu hiptesis

454
a) Las palabras diferente que sugieren que la hiptesis

es necesaria

454

junto con la otra posibilidad nica, especficamente, la hiptesis

gramos. Ya que la segunda de estas hiptesis es una hiptesis simple y su
rechazo (y la aceptacin de la otra hiptesis) confirma el inters de la
gerencia, continuamos las dos reglas anteriores expresando que

20

H 0 : 454
H 1 : 454

gramos
gramos

454
b) Las palabras menor que sugieren que necesitamos la hiptesis
gramos, pero para la otra hiptesis hay muchas posibilidades, incluyendo

454

454

456

gramos,
gramos y, digamos,
gramos. Dos de stas (y
muchas otras) son hiptesis simples, pero dado que para la pastelera sera
una desventaja poner muchas galletas en las cajas, la alternativa razonable
sera:

H 0 : 454

gramos

H 1 : 454
gramos
Ntese que la hiptesis nula es una hiptesis simple y que su rechazo (y la
aceptacin de la alternativa) confirma la sospecha de la gerencia.
Ejemplo 1:
El administrador de un hotel estima que el nmero promedio diario de huspedes
es de 780, con una desviacin estndar de 80 huspedes. Para aceptar lo anterior
se tom una muestra de 60 das y se encontr que el promedio de huspedes
diario fue de 765. Existir diferencia significativa entre lo estimado por el
administrador del hotel y el resultado del muestreo simple a un coeficiente de
confianza del 90%?
Solucin
Al aplicar el procedimiento descrito se tiene:
Primero. Formulacin de la hiptesis nula y alternativa.
Si se considera que cualquier valor mayor o menor a 780 rechazara la estimacin
del administrador del hotel, la hiptesis nula ser una igualdad, esto es:

H0 : X

21

por consiguiente se tendr que la hiptesis alternativa ser una desigualdad,

H1 : X
Segundo. Dado que la hiptesis nula es una igualdad, se aplicar una prueba de
dos extremos.
Tercero. Puesto que se conoce la desviacin estndar de la poblacin (valor
estimado por el administrador del hotel) el mtodo a aplicar es el de la distribucin
normal o z.
Cuarto. Se pide una confiabilidad del 90%, por tanto el valor estndar de
normalizacin ser: para 2 colas= 0.9/2= 0.45, entonces z= 1.645 de la tabla 2,
del anexo, de reas bajo la curva normal. Por tanto, al ser prueba de dos extremos,
el intervalo de confianza ser:

z x 780 1.645

80
780 17
60

Esto es de 763 a 797 huspedes promedio diario en el hotel.

Quinto. Al conocer

z1

, entonces el valor estndar calculado ser:

X 765 780 15

1.45

80
10.33
n
60

valor redondeado a dos decimales.

Sexto. Al comparar los valores estndar de normalizacin, tabulado y calculado,
esto es z=-1.645 ( ya que el valor calculado fue negativo) y z 1=-1.45 se establece
que la media de la muestra cae dentro del intervalo de confianza, como se muestra
en el siguiente esquema:

22

Sptimo. Bajo estas condiciones la decisin ser:

Aceptar la hiptesis nula H0
Rechazar la hiptesis alternativa H1
Octavo. La conclusin a la que se llega es:
No existe diferencia significativa entre lo estimado por el administrador del
hotel y los resultados arrojados por el muestreo simple.
Ejemplo 2:
El gerente de un restaurante estima que el nmero de piezas de cristalera rotas en
promedio mensual asciende a 140. Para verificar lo anterior el administrador tom
una muestra de los ltimos 26 das y detect una media de 135 piezas rotas, con
una desviacin estndar de 20. Una segunda muestra de 12 das arroj una media
de 142 piezas rotas, con una desviacin estndar de 23. Existir diferencia
significativa a un nivel de significacin del 10% entre:

a) Los resultados de la primera muestra y lo estimado por el gerente.

A qu conclusin general se puede llegar.
Solucin

23

Al aplicar el procedimiento expuesto anteriormente:

H 0 : X 1;
Primero

H1 : X 1

Segundo. La hiptesis nula es una igualdad, entonces se realizar

1 , n1 26(n 30)
una prueba de extremos.
Tercero. Como se desconoce
, se usar el mtodo de
la distribucin t-student.
D1 26 1 25
10%
Cuarto. Para pruebas de dos extremos
y
, se
tiene por la tabla 3 que:
t= 1.708 t 140 1.708 20 140 7
sX
y el intervalo de confianza
ser:
26 1

esto es de 133 a 147 piezas de cristalera rotas, promedio mensual.

X 135 140 5
t1

1.25
s1
20
4 ser:
Quinto. El valor estndar
t-student
n1 1
26 1

Sexto. Al comparar los valores estndar, tabulado y calculado, se establece que la

media de la muestra cae dentro del intervalo de confianza, como se muestra en el
esquema siguiente:

24

Sptimo. Se decide aceptar la hiptesis nula y rechazar la hiptesis alternativa.

Octavo. No existe diferencia significativa entre lo estimado por el gerente y la
muestra uno.
)
Observaciones:
Te envo el archivo en donde aparecen correctamente las formulas que no se ven Dale doble
click y vers las

3.1 Actividad
CONTENIDO:
Lea el archivo sobre pruebas de significancia, llamado Lectura Tema 3.pdf.
Resuelve el siguiente ejercicio sobre prueba de hiptesis.
Se quiere investigar la hiptesis de que las mujeres de bajo ingreso, tienen nios
con un peso menor al normal. Para esto se adquiri una muestra de 100 nios
nacidos en hospitales localizados en reas de bajo ingreso. La media del peso de
los nios fue 115 oz, con una desviacin estndar de 24 oz. La media nacional para
el peso de los recin nacidos es de 120 oz.

25

Tipo de
actividad:

Individual

Grupal

Herramienta
de Bb:

Actividad
o
SafeAssig
ment

Comunicacin (blog, foro,

wiki, diario, chat, aula
virtual, grupos de trabajo)

Qu debo hacer? Desarrolla los pasos para probar una hiptesis.

Recomendaciones: Utiliza las tablas para obtener los valores t-Student.
Cmo lo entrego? Puedes enviarlo en un archivo pdf a correo electrnico.
Cundo lo entrego?
Archivo adjunto (opcional)

Nombre de archivo:

Conclusin del tema

CONTENIDO:
La inferencia estadstica requiere de distribuciones de probabilidad para hacer
pruebas de hiptesis. Las pruebas de hiptesis permiten probar que los
estadsticos estn aproximados a los parmetros poblacionales.

Observaciones:

Bibliografa recomendada para el tema

26

CONTENIDO:
Ibarra, Mario. (1998). Estadstica para la Administracin Turstica. Mxico: Editorial
Diana.
Freunn, John y Simon, Gary. (1994). Estadstica Elemental. Mxico: Prentice Hall
Hispanoamaericana, S.A.
Pliego, Javier. (2004). Estadstica Econmica y Empresarial. Madrid: International
Thomson Editores Spain, S.A.
Spiegel, Murray. (1991). Estadstica. Espaa: McGraw-Hill, Inc.
Anderson, David, Sweeney, Dennis y Williams, Thomas. (2003). Essentials of
Statistics for Business and Economics. United States of America: Thomson.

Observaciones:

27