Professional Documents
Culture Documents
DE
S AN N ICOLÁS DE H IDALGO
F acultad de C ontaduría y
C iencias A dministrativas
Academia de Matemáticas
Elaboró:
M.A. José Rafael Aguilera Aguilera
Asesor en Estrategias de Inversión
(Certificación reconocida por la Bolsa Mexicana de Valores)
ÍNDICE
1 de 110
2 de 110
BIBLIOGRAFÍA........................................................ 110
3 de 110
A la estadística inferencial la podemos definir a través de cuatro puntos muy importantes los
cuales son los siguientes.
- licenciado en contaduría
- licenciado en administración
- licenciado en informática administrativa
2. Tomar decisiones:
4 de 110
3. Probabilidad:
Interviene el No interviene
hombre el hombre
Tiene que ver con resultados que puedan ocurrir y que antes de que ocurran no sabemos cual
va a ocurrir.
En esta ocasión utilizaremos tres tipos de técnicas para contar las cuales son:
5 de 110
Ejemplo:
2
a,a b,a c,a d,a
a b ------ a,b b,b c,b d,b = 16 resultados
c d ------ a,c b,c, c,c, d,c,
a,d b,d c,d d,d
Para el caso anterior de la población de Morelia tendríamos que hacer lo mismo pero seria muy
difícil con esa cantidad.
nORr = 16 nORr =
- Si me importa el orden n Or = n!
- No se pueden repetir (n-r)!
6 de 110
Ejemplo:
2
nOr = 24 ! nOr = 1
2
- No hay orden
- No se pueden repetir nCr = n!
r ! (n – r) !
nCr = 4! nCr = 24
2! (4 – 2) ! 4
7 de 110
Ejemplo 2: realizar el siguiente ejercicio por los tres casos en el que n sea 5 y r 3.
3
abc ------
de ------
Caso1:
FORMULA: SUSTITUCION:
nORr = 125
Caso 2:
FORMULA: SUSTITUCION:
Caso3:
FORMULA: SUSTITUCION:
nCr = 10
8 de 110
EXPERIMENTOS:
(Influyen personas)
FENÓMENOS:
(No influyen personas)
Para estudiarlos se
Construyen.
Modelo probabilística
Que representa el compor- MODELOS
DEVIDO tamiento de un fenómeno (Distribuciones)
o experimento aleatorio.
Existen en el universo millones
de experimentos y fenomenos
aleatorios.
Poisson 1 4
2 3
9 de 110
La distribución Binomial:
p(X) = NCXpxqN-X = N!
X! (N – X) ! X N – X
p q
Media M = Np
Varianza σ 2 = Npq
Coeficiente de sesgo q- p
α3 =
Npq
10 de 110
EJEMPLOS:
1. Hallar la probabilidad de que lanzando una moneda 6 veces aparezcan (a) 0, (b) 1,
(c) 2, (d) 3, (e) 4, (f) 5, (g) 6 caras.
NOTA: Como son muchos resultados mejor usamos la formula que es:
R= nORr = nr
nORr = 26
nORr = 64
R= X = numero de caras
R= Sx = { 0,1,2,3,4,5,6 }
11 de 110
R= Modelo binomial por que tiene dos resultados ya sea fracaso o éxito.
FORMULA: P(x) = N!
X! (N-X) ! (PX) (q n-x)
SOLUCION:
(A) P (0) = 6!
0! (6-0) ! [(1/2)0] [(1/2) 6-0]
P (0) = 720
1 (6) ! (1/1) [(1/2) 6]
P (0) = 720
1 (720) (1/1) [(1/64)]
P (0) = 720
720 (1/1) [(1/64)]
P (0) = 1/64
12 de 110
(B) P (1) = 6!
1! (6-1) ! [(1/2)1] [(1/2) 6-1]
P (1) = 720
1 (5)! (1/2) [(1/2) 5]
P (1) = 720
1 (120) (1/2) (1/32)
P (1) = 720
120 (1/2) (1/32)
P (1) = 6/64
(C) P (2) = 6!
2! (6-2) ! [(1/2)2] [(1/2) 6-2]
P (2) = 720
2 (4) ! (1/4) [(1/2) 4]
P (2) = 720
2 (24) (1/4) [(1/2) 4]
P (2) = 720
48 (1/4) (1/16)
P (2) = 15/64
13 de 110
(D) P (3) = 6!
3! (6-3) ! [(1/2)3] [(1/2) 6-3]
P (3) = 720
6 (4) ! (1/8) [(1/2) 3]
P (3) = 720
(6) (6) (1/8) (1/8)
P (3) = 720
36 (1/8) (1/8)
P (3) = 20/64
(E) P (4) = 6!
4! (6-4) ! [(1/2)4] [(1/2) 6-4]
P (4) = 720
24 (2) ! (1/16) [(1/2) 2]
P (4) = 720
(24) (2) (1/16) (1/4)
P (4) = 720
48 (1/16) (1/4)
P (4) = 15/64
14 de 110
(F) P (5) = 6!
5! (6-5) ! [(1/2)5] [(1/2) 6-5]
P (5) = 720
120 (1) ! (1/32) [(1/2) 1]
P (5) = 720
(120) (1) (1/32) (1/2)
P (5) = 720
120 (1/32) (1/2)
P (5) = 6/64
(G) P (6) = 6!
6! (6-6) ! [(1/2)6] [(1/2) 6-6]
P (6) = 720
720 (0) ! (1/64) [(1/2) 0]
P (6) = 720
(120) (1) (1/64) (1/1)
P (6) = 720
720 (1/64) (1/1)
P (6) = 1/64
Caras X 0 1 2 3 4 5 6
P(x) 1/64 6/64 15/64 20/64 15/64 6/64 1/64
15 de 110
R= lanzar 4 monedas
NOTA: Como son muchos resultados mejor usamos la formula que es:
R= nORr = nr
nORr = 24
nORr = 16
16 de 110
R= X = numero de caras
R= Sx = { 0,1,2,3,4 } Caras
R= Modelo binomial por que tiene dos resultados ya sea fracaso o éxito.
P = Éxito (1/2)
q = fracaso (1/2)
N = Cuantas monedas “4”
FORMULA: P(x) = N!
X! (N-X) ! (PX) (q n-x)
SOLUCION:
(A) P (3) = 4!
3! (4-3) ! [(1/2)3] [(1/2) 4-3]
P (3) = 24
6 (1) ! (1/8) [(1/2) 1]
P (3) = 24
(6) (1) (1/8) (1/2)
P (3) = 24
6 (1/8) (1/2)
P (3) = 4/16 ÷ 4 = ¼
17 de 110
P (0) = 24
1 (4) ! (1/1) [(1/2) 4]
P (0) = 24
1 (24) (1/1) [(1/16) ]
P (0) = 24
24 (1/1) [(1/16) ]
P (0) = 1/16
2. - P (1) = 4!
1! (4-1) ! [(1/2)1] [(1/2) 4-1]
P (1) = 24
1 (3) ! (1/2) [(1/2) 3]
P (1) = 24
1 (6) (1/2) (1/8)
P (1) = 24
6 (1/2) (1/8)
P (1) = 4/16
18 de 110
(C) 3. - P (2) = 4!
2! (4-2) ! [(1/2)2] [(1/2) 4-2]
P (2) = 24
2 (2) ! (1/4) [(1/2) 2]
P (2) = 24
2 (2) (1/4) (1/4)
P (2) = 24
4 (1/4) (1/4)
P (2) = 4/16
Caras X 0 1 2 3 4
19 de 110
4. De un total de 800 familias con 5 hijos cada una, cuantas cabe esperar que tengan
(a) 3 niños (b) 5 niñas (c) 2 o 3 niños. Suponer iguales la probabilidad de niño o Nina
R= nORr = nr
nORr = 25
nORr = 32
R= Sx = { 0,1,2,3,4,5 } niños
P = Éxito (1/2/)
q = fracaso (1/2)
N = 5 niños requeridos
20 de 110
FORMULA: P(x) = N!
X! (N-X) ! (PX) (q n-x)
SOLUCION:
P (0) = 5!
0! (5-0) ! [(1/2)0] [(1/2) 5-0]
P (0) = 120
1 (5) ! (1/1) [(1/2) 5]
P (0) = 120
1 (120) (1/1) [(1/32)]
P (0) = 120
120 (1/1) [(1/32)]
P (1) = 5!
1! (5-1) ! [(1/2)1] [(1/2) 5-1]
P (1) = 120
1 (4) ! (1/2) [(1/2) 4]
P (1) = 120
1 (24) (1/2) (1/16)
P (1) = 120
24 (1/2) (1/16)
21 de 110
P (2) = 5!
2! (5-2) ! [(1/2)2] [(1/2) 5-2]
P (2) = 120
2 (3) ! (1/4) [(1/2) 3]
P (2) = 120
2 (6) (1/4) [(1/8)]
P (2) = 120
12 (1/4) (1/8)
(A) P (3) = 5!
3! (5-3) ! [(1/2)3] [(1/2) 5-3]
P (3) = 120
6 (2) ! (1/8) [(1/2) 2]
P (3) = 120
(6) (2) (1/8) (1/4)
P (3) = 120
12 (1/8) (1/4)
P (4) = 5!
4! (5-4) ! [(1/2)4] [(1/2) 5-4]
P (4) = 120
24 (1) ! (1/16) [(1/2) 1]
22 de 110
P (4) = 120
(24) (1) (1/16) (1/2)
P (4) = 120
24 (1/16) (1/2)
(B) P (5) = 5!
5! (5-5) ! [(1/2)5] [(1/2) 5-5]
P (5) = 120
120 (0) ! (1/32) [(1/2) 0]
P (5) = 120
(120) (1) (1/32) (1/1)
P (5) = 120
120 (1/32) (1/1)
Caras X 0 1 2 3 4 5
23 de 110
R= nORr = nr
nORr = 113
nORr = 1331
R= X = numero de caras
R= Sx = { 1,2,3,4,5,6,7,8,9, }
P = Éxito (1/2/)
q = fracaso (1/2)
N = 5 niños requeridos
24 de 110
FORMULA: P(x) = N!
X! (N-X) ! (PX) (q n-x)
SOLUCION:
P (9) = 9!
9! (9-9) ! [(1/2)9] [(1/2) 9-9]
P (9) = 362880
362880 (0) ! (1/1) [(1/2) 0]
P (9) = 362880
362880 (1) (1/512) (1)
P (9) = 362880
362880 (1/512) (1)
P (9) = 1/512
25 de 110
R= nORr = nr
nORr = 210
nORr = 1024
R= X = numero de caras
R= Modelo binomial por que tiene dos resultados ya sea verdadero y falso.
P = Éxito (1/2)
q = fracaso (1/2)
N = Cuantas monedas “10”
26 de 110
FORMULA: P(x) = N!
X! (N-X) ! (PX) (q n-x)
P (6) = 10!
6! (10-6) ! [(1/2)6] [(1/2) 10-6]
P (6) = 3628800
720 (4) ! (1/64) [(1/2) 4]
P (6) = 3628800
(720) (24) (1/64) (1/16)
P (6) = 3628800
17280 (1/64) (1/16)
P (7) = 10!
7! (10-7) ! [(1/2)7] [(1/2) 10-7]
P (7) = 3628800
5040 (3) ! (1/128) [(1/2) 3]
P (7) = 3628800
(5040) (6) (1/128) (1/8)
P (7) = 3628800
30240 (1/128) (1/8)
27 de 110
P (8) = 10!
8! (10-8) ! [(1/2)8] [(1/2) 10-8]
P (8) = 3628800
40320 (2) ! (1/256) [(1/2) 2]
P (8) = 3628800
(40320) (2) (1/256) (1/4)
P (8) = 3628800
80640 (1/256) (1/4)
P (8) = 45/1024
P (9) = 10!
9! (10-9) ! [(1/2)9] [(1/2) 10-9]
P (9) = 3628800
362880 (2) ! (1/256) [(1/2) 1]
P (9) = 3628800
(362880) (2) (1/256) (1/2)
P (9) = 3628800
725760 (1/256) (1/2)
P (9) = 5/512
28 de 110
P (10) = 10!
10! (10-9) ! [(1/2)10] [(1/2) 10-10]
P (10) = 3628800
3628800 (1) ! (1/1024) [(1/1) 0]
P (10) = 3628800
(362880) (1) (1/1024) (1/1)
P (10) = 3628800
3628800 (1/1024) (1/1)
P (10) = 1/1024
Caras X 6 7 8 9 10
6 4 PARAMETRO
2 3
UNIVERSO
29 de 110
NOTA: Como son muchos resultados mejor usamos la formula que es:
R= nORr = nr
nORr = 42
nORr = 16
30 de 110
Px(x) 1/16 2/16 3/16 2/16 3/16 2/16 2/16 1/16 16/16 = 1
2 (1/16) + 2.5 (2/16) + 3 (3/16) + 3.5 (2/16) + 4 (3/16) + 4.5 (2/16) + 5 (2/16) + 6
(1/16) =
2/16 + 5/16 + 9/16 + 7/16 + 12/16 + 9/16 + 10/16 + 6/16 = 60/16 = 3.75
Comprobación:
6 + 4 + 2 + 3 = 15/4 = 3.75
Media: Mx = M
Con Reemplazo:
Q
D. Estándar: Qx =
N
31 de 110
n
2
∑ (X – μ)
i=1
X μ X- μ (X- μ)
2 3.75 - 1.75 3.0625
3 3.75 0.75 0.5625
4 3.75 0.25 0.0625
6 3.75 2.25 5.0625
8.75
μ= 3.75 4
Q = 1.4790
= 2.1875
Q = 1.4790
Q 1.4790
Qx = Qx =
N 2
1.4790
Qx = Qx = 1.04581
1.414213
32 de 110
2 2
X μ X- μ (X- μ) Px(X) (Px(x))((x- μ) )
2 3.75 -1.75 3.0625 1/16 0.191406…
2.5 3.75 -1.25 1.5625 2/16 0.1953…
3 3.75 -0.75 0.5625 3/16 0.1054…
3.5 3.75 -0.75 0.0625 2/16 0.0078…
4 3.75 0.25 0.0625 3/16 0.0116…
4.5 3.75 0.75 0.5625 2/16 0.0703…
5 3.75 1.25 1.5625 2/16 0.1953…
6 3.75 2.25 5.0625 1/16 0.3169…
2
Q = 1.0939
Q = 1.0939
Q = 1.0458
CONTINUAS
SON NORMALES SIMETRICAMENTE
VALOR MAS COMUN-MEDIA
DISTRIBUCIÓN
NORMAL. NO SON NORMALES
PERO SE COMPORTAN
DE MANERANORMAL
1
σ2
Y= e -1/2 (x – μ) 2/
σ 2π
μ = Media
σ = Desviación estándar o desviación típica
33 de 110
TRANSFORMAR
μ=0 Z X
σ=1
X- μ
Z= σ
34 de 110
Media μ
Varianza σ2
Desviación Típica σ
Coeficiente de sesgo α3 = 0
Coeficiente de curtosis α4 = 3
Desviación Media
σ 2 / π = 0.7979 σ
EJEMPLOS:
X=μ+Zσ
FORMULAS: x- μ
Z= σ
35 de 110
X= μ + Zσ
PROCEDIMIENTO:
(A) Z= 93 – 78 (B) Z= 62 – 78
10 10
Z= 15 Z= -16
10 10
Z = 1.5 Z= -1.6
(X1) X1 = μ + Z σ (X2) X2 = μ + Z σ
X1 = 78 + (-0.6) (10) X2 = 78 + (1.2) (10)
X1 = 78 - 6 X2 = 78 - 12
X1 = 72 X2 = 92
DATOS: FORMULA:
X1 = 70
Z1 = -0.6 μ=X - Zσ
X2 = 88
Z2 = 1.4
SUSTITUCIÓN:
36 de 110
μ = X1 - Z1σ μ = X2 - Z2σ
μ = 70 + 0.6 (9) μ = 88 – 1.4 (9)
μ = 70 + 5.4 μ = 88 – 12.6
μ = 75.4 μ = 75.4
3. Hallar el área bajo la curva normal entre (a) z = -1.20 y z = 2.40, (b) z = 1.23 y z =
1.87, (c) z = -2.35 y z -0.50.
RESULTADOS:
(A)
μ x z1 = -1.20 Z= 0 z2 = 2.40
Z1 = - 1.20 Tabla = 0.3849
Z2 = 2.40 Tabla = 0.4918
R = 0.8767
NOTA: Los porcentajes se sacan de la tabla de áreas bajo la curva normal tipificada de 0 a Z.
(B)
μ Z= 0 z1 = z2 =
1. 23 1. 87
37 de 110
R = 0.0786
(C)
μ z1 = z2 = Z= 0
-2. 35 - 0.50
4. Hallar el área bajo la curva normal (a) a la izquierda de z = -1.78 (b) a la izquierda
de z = 0.56 (c) a la derecha de z = -1.45 (d) correspondiente a z > 2.16, (e)
correspondiente a – 0.80 < z < 1.53, (f) a la izquierda de z = -2.52 y a la derecha de
z = 1.83.
RESULTADOS:
μ z1 = -1.78 Z= 0
NOTA: Los porcentajes se sacan de la tabla de áreas bajo la curva normal tipificada de 0 a Z.
38 de 110
μ Z= 0 z1 = 0. 56
μ z1 = -1. 45 Z= 0
39 de 110
μ Z= 0 z1 = 2.16
μ z1 = - 0. 8 Z= 0 z2 = 1. 53
40 de 110
μ z1 = - 2. 52 Z= 0 z2 = 1. 83
41 de 110
50% 50%
μ=68. 0 72. 5 μ = 0 z = 1. 5
σ= 3.0
FORMULA: X- μ
Z= σ
42 de 110
SUSTITUCION:
FORMULA: X- μ
Z= σ
SUSTITUCION:
43 de 110
FORMULA: X- μ
Z= σ
SUSTITUCION:
= 227 %
44 de 110
FORMULA: X- μ
Z= σ
SUSTITUCION:
45 de 110
FORMULA: X- μ
Z= σ
SUSTITUCION:
46 de 110
0.6175
μ= 0. 6140 μ=0
σ= 3.0 X = 1.4
FORMULA: X- μ
Z= σ
SUSTITUCION:
Z = 1.4
47 de 110
FORMULA: X- μ
Z= σ
SUSTITUCION:
Z = -2.6 = 0.4953
48 de 110
FORMULA: X- μ
Z= σ
SUSTITUCION:
49 de 110
DATOS: FORMULA:
M= 72
Q= 9 X = Z1 Q + M
Z1= 1.28 Tabla
%= ?
SUSTITUCION:
X = 1.28 (9) + 72
X = 11.52 + 72
X = 83.52
10%
0.3997 X = 84
μ= 72 X= 84 μ=0 z = 1.28
FORMULA: X- μ
Z= σ
SUSTITUCION:
Z= 83.52 – 72 0.5000
9 0.3997
Z = 1.28 = 0.3997
50 de 110
Teoría De Muestreo
La teoría de muestreo es un estudio de las relaciones existentes entre una
población y muestras extraídas de la misma. Tiene gran interés en muchos
aspectos de la estadística. Por ejemplo, permite estimar cantidades
desconocidas de la población (tales como la media poblacional, la
varianza, etc.), frecuentemente llamadas parámetros poblacionales o
brevemente parámetros, a partir del conocimiento de las correspondientes
cantidades muéstrales (tales como la media muestral, la varianza, etc.), a
menudo llamadas estadísticos muéstrales o brevemente estadísticos.
51 de 110
52 de 110
Las poblaciones pueden ser finitas o infinitas. Si, por ejemplo, se extraen
sucesivamente 10 bolas sin remplazamiento de una urna que contiene
100, se esta tomando una muestra de una población finita, mientras que si
se lanza al aire una moneda 50 veces, anotándose el numero de caras, se
esta muestreando en una población infinita.
53 de 110
54 de 110
Σ Np - N
Μ x = μ y σx =
N Np - 1
55 de 110
56 de 110
Pq p(1 – p)
Μ x = μ y σx = N = N
Las ecuaciones (3) son igualmente validas para una población finita en la
que el muestreo se hace con remplazamiento.
57 de 110
Con tal de que las muestras no dependan de ninguna forma una de otra,
es decir, las muestras sean independientes.
58 de 110
59 de 110
60 de 110
6 4 PARAMETRO
2 3
UNIVERSO
NOTA: Como son muchos resultados mejor usamos la formula que es:
R= nORr = nr
nORr = 42
nORr = 16
61 de 110
Px(x) 1/16 2/16 3/16 2/16 3/16 2/16 2/16 1/16 16/16 =
1
2 (1/16) + 2.5 (2/16) + 3 (3/16) + 3.5 (2/16) + 4 (3/16) + 4.5 (2/16) + 5 (2/16) + 6
(1/16) =
2/16 + 5/16 + 9/16 + 7/16 + 12/16 + 9/16 + 10/16 + 6/16 = 60/16 = 3.75
Comprobación:
6 + 4 + 2 + 3 = 15/4 = 3.75
62 de 110
Media: Mx = M
Con Reemplazo:
Q
D. Estándar: Qx =
N
n
2
∑ (X – μ)
i=1
X μ X- μ (X- μ)
2 3.75 - 1.75 3.0625
3 3.75 0.75 0.5625
4 3.75 0.25 0.0625
6 3.75 2.25 5.0625
63 de 110
8.75
μ= 3.75 4
Q = 1.4790
= 2.1875
Q = 1.4790
Q 1.4790
Qx = Qx =
N 2
1.4790
Qx = Qx = 1.04581
1.414213
2 2
X μ X- μ (X- μ) Px(X) (Px(x))((x- μ) )
2 3.75 -1.75 3.0625 1/16 0.191406…
2.5 3.75 -1.25 1.5625 2/16 0.1953…
3 3.75 -0.75 0.5625 3/16 0.1054…
3.5 3.75 -0.75 0.0625 2/16 0.0078…
4 3.75 0.25 0.0625 3/16 0.0116…
4.5 3.75 0.75 0.5625 2/16 0.0703…
5 3.75 1.25 1.5625 2/16 0.1953…
6 3.75 2.25 5.0625 1/16 0.3169…
Q2 = 1.0939
Q = 1.0939
Q = 1.0458
64 de 110
6 4
PARAMETRO
2 3
UNIVERSO
NOTA: Como son muchos resultados mejor usamos la formula que es:
nOr = 24/2
65 de 110
COMPROBACIÓN:
6 + 4 + 2 + 3 = 15/4 = 3.75
Media: Mx = M
Sin Reemplazo:
Q
D. Estándar: Qx = NP - N
N NP - 1
66 de 110
2 2
X μ X- μ (X- μ) Px(X) (Px(x))((x- μ) )
2.5 3.75 -1.25 1.5625 2/12 0.2604166
3 3.75 -0.75 0.5625 2/12 0.09375
3.5 3.75 -0.75 0.0625 2/12 0.0104166
4 3.75 0.25 0.0625 2/12 0.0104166
4.5 3.75 0.75 0.5625 2/12 0.09375
5 3.75 1.25 1.5625 2/12 0.2604166
Q2 = 0.7291664
Q = 0.7291664
Q = 0.8539
3) Una población esta formada por los cuatro números 3, 7, 11, 15. Considerar todas la
s posibles muestras de tamaño dos que pueden extraerse de esta población con
remplazamiento. Hallar (a) la media poblacional, (b) la desviación típica
poblacional, (c) la media de la distribución muestral de medias, (d) la desviación
típica de la distribución muestral de medias. Encontrar (c) y (d) directamente de (a)
y (b) mediante las formulas adecuadas.
3 7 PARAMETRO
11 15
UNIVERSO
67 de 110
NOTA: Como son muchos resultados mejor usamos la formula que es:
R= nORr = nr
nORr = 42
nORr = 16
X 3 5 7 9 11 13 15 SUMA
16/16
Px(x) 1/16 2/16 3/16 4/16 3/16 2/16 1/16
=1
68 de 110
COMPROBACIÓN:
3 + 7 + 11 + 15 = 36/4 = 9
X μ X- μ (X- μ)
3 9 -6 36
7 9 -2 4
11 9 2 4
15 9 6 36
36 + 4 + 4 + 36 = 80
Q = 80/4 M= 9
Q = 20 Q= 4.4721
Q= 4.472135955
69 de 110
2 2
X μ X- μ (X- μ) Px(X) (Px(x))((x- μ) )
2.5 3.75 -1.25 1.5625 2/12 0.2604166
3 3.75 -0.75 0.5625 2/12 0.09375
3.5 3.75 -0.75 0.0625 2/12 0.0104166
4 3.75 0.25 0.0625 2/12 0.0104166
4.5 3.75 0.75 0.5625 2/12 0.09375
5 3.75 1.25 1.5625 2/12 0.2604166
2
Q = 10
Q= 10
Q = 3.162
4) Los pesos de 1500 cojinetes de bolas se distribuyen normalmente con media de 22.40
onzas y desviación típica de 0.048 onzas. Si se extraen 300 muestras de tamaño 36 de
esta población, determinar la media esperada y la desviación típica de la
distribución muestral de medias, si el muestreo se hace (a) con remplazamiento, (b)
sin remplazamiento.
CON REMPLAZO:
M = 22.40 Mx = M
Muestra = 300 c.
Qx = Q Qx = 0.048/ 6
N Qx = 0.008
Qx = 0.048
36
70 de 110
SIN REMPLAZO:
Q
D. Estándar: Qx = NP - N
N NP - 1
0.048
Qx = 300-36
36 300 - 1
0.048
Qx = 264
6 299
Qx = 0.008 ( 0.882943144 )
Qx = 0.008 ( 0.939650543 )
Qx = 0.0075
Mx = M
Q = 0.048
22.40 = 22.40
Qx = Q Qx = 0.048/ 6
N Qx = 0.008
71 de 110
Qx = 0.048
36
Q Np – N
Qx =
Np – 1
N
0.048 76 – 36
Qx =
76 – 1
36
0.048 36
Qx =
75
6
Qx = 0.008 ( 0.507042254 )
Qx = 0.008 ( 0.712068995 )
Qx = 0.0075
72 de 110
73 de 110
ŝ2 = _N___ s2,
N-1
Se tiene que μs2 = σ2, de modo que s2 es una estima no sesgada de σ2. Sin
embargo s es una estima sesgada de σ.
74 de 110
75 de 110
Ejemplo: si se dice que una distancia viene dada por 5,28 pies, se esta
dando una estima de punto. Si, por otra parte, se dice que la distancia es
5,28 ± 0,03 pies, es decir, la distancia real se encuentra entre 5,25 y 5,31
pies, se esta dando una estima de intervalo.
76 de 110
Por esto se pueden llamar a estos intervalos los intervalos de confianza del
68.27%, 95.45% y 99.73% para la estima de μs. Los números extremos de
estos intervalos (S + σs, S + 2σs, S + 3σs) son llamados los limites de
confianza del 68.27%, 95.45% y 99.73% o, como otras veces se conocen,
limites fiduciales.
77 de 110
también nivel de confianza. Los números 1.96, 2.58, etc., de los limites de
confianza se llaman coeficientes de confianza o valores críticos y se
denotan por Zc. De los niveles de confianza se pueden obtener los
coeficientes de confianza, y recíprocamente.
Nivel de confianza 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
Zc 3.00 2.58 2.33 2.05 2.00 1.96 1.645 1.28 1.00 0.6745
Mas generalmente, los límites de confianza son dados por X ± zcσx, donde
zc depende del nivel de confianza que en cada caso se desee y pueda
78 de 110
Np - N
X ± zc σ
N Np – 1
79 de 110
P ± zc pq = P ± zc p(1 - p)
N N
Pq Np – N
P ± zc N Np – 1
80 de 110
S1 + S2 _+ zcσs1+s2 = S1 + S2 ± z c σ2s1+σ2s2
σ2 σ2
X1 – X2 ± zcσx1 – x2 = X1 – x2 ± zc 1 2
N1 N2
Donde X1, σ1, N1 y X2, σ2, N2 son las respectivas medias, desviaciones
típicas y tamaños de las dos muestras extraídas de las poblaciones.
81 de 110
P1 (1 – p1) P2 (1 – P2)
P1 – P2 ± zcσp1 – p2 = p1 – p2 ± zc N1 N2
σ .
s ± z c σs = s ± zc
2N
82 de 110
3.5.- Ejercicios
La media y la desviación típica de las cargas máximas soportadas por 60 cables son
dados por 11.09 ton. Y 0.73 ton., respectivamente. Hallar los límites de confianza del
(a) 95% y (b) 99% para la media de las cargas máximas de todos los cables
producidos por la compañía.
POBLACION INFINITA.
X = 11.09 ton.
Todas las
cargas
60 Q = 0.73 ton.
maximas de
todos los Cables.
cables.
A) 95%
Q
Me = X + Zc = Media Poblacional.
-
N
60
Me = 11.09 ton. ± 1.96 (0.73 ton. / )
Me = [10.90, 11.27]
83 de 110
B) 99%
Me = [10.90, 11.33]
C) 50%
Me = [10.90, 11.15]
84 de 110
M = 250
X = 0.72642
Q = 0.00058
A) 99%
Me = 0.72642ton. ± 0.000095
Me = [0.726325, 0.726615
B) 98%
Me = 0.72642ton. ± 0.000085
Me = [0.72, 0.72]
85 de 110
C) 95%
Me = 0.72642ton. ± 0.000072
Me = [0.73, 0.73]
D) 90%
Me = 0.72642ton. ± 0.000060
Me = [0.7263, 0.7264]
86 de 110
Una compañía tiene 500 cables. Un ensayo con 40 cables elegidos al azar dieron una
media de resistencia a la rotura de 2400 libras y una desviación típica de 150 libras.
(a) ¿Cuál son los limites de confianza del 95% y 99% para estimar la media de la
resistencia a la rotura de los 460 cables restantes? ¿con que grado de confianza cabe
decir que la media de resistencia a la rotura de los 460 cables restantes sea 2400 ±35
libras?
POBLACION FINITA
500 40
CABLES CABLES
M = 40
X = 2400 Libras
Q = 150 Libras
Q
Me = x ± a.C.
NP - N
N
NP - 1
A) 95% Y 99%
500 - 40
Me = 2400 Lib. ± 1.96 (150/ 40 ) ( )
500 – 1
460
Me = 2400 Lib. ± 1.96 (150/ 6.32455532 ) ( )
499
0.9218…
Me = 2400 Lib. ± 1.96 (23.71708245) ( )
Me = [2305.75, 2395.75]
87 de 110
A) 99%
500 - 40
Me = 2400 Lib. ± 2.58 (150/ 40 ) ( )
500 – 1
460
Me = 2400 Lib. ± 2.58 (150/ 6.32455532 ) ( )
499
0.9218…
Me = 2400 Lib. ± 2.58 (23.71708245) ( )
Me = 2400 Lib. ± 59
Me = [2341, 2459]
B) ? %
2400 ± 35
Q
35 = x ± Zc
NP - N
N
NP - 1
500 - 40
35 = Zc (150/ 40 ) ( )
500 – 1
460
35 = Zc (150/ 6.32455532 ) ( )
499
35 = Zc (23.71708245) ( 0.9218… )
88 de 110
35 = Zc (23.72) (0.96)
35 = Zc (22.77)
35 / 22.77 = Zc
1.54 = Zc
R = 87.64%
1. 59 1..54
2400 ± 20
460
20 = Zc (150/ 6.32455532 ) ( )
499
20 = Zc (23.72) (0.96)
20 = Zc (22.77)
20 / 22.77 = Zc
0.87 = Zc
R = 62.12%
1.59 1.54
89 de 110
Por ejemplo, se puede querer decidir a partir de los datos del muestreo, si
un suero nuevo es realmente efectivo para la cura de una enfermedad, si
un sistema educacional es mejor que otro, si una moneda determinada
esta o no cargada, etc.
90 de 110
91 de 110
variación propia del muestreo, se diría que las diferencias observadas son
significativas y se estaría en condiciones de rechazar la hipótesis (o al
menos no aceptarla de acuerdo con la evidencia obtenida). Por ejemplo, si
en 20 lanzamientos de una moneda se obtienen 16 caras, se estaría
inclinando a rechazar la hipótesis de que la moneda esta bien, aunque
seria posible que fuera un rechazamiento erróneo.
92 de 110
tan sencillo como puede parecer puesto que para un tamaño de muestra
dado, un intento de disminuir un tipo de error, va generalmente
acompañado por un incremento en el otro tipo de error.
93 de 110
Para aclarar las ideas anteriores, supónganse que con una hipótesis dada,
la distribución muestral de un estadístico S es una distribución normal con
media μs y desviación típica σs. Entonces la distribución de la variable
tipificada (representada por z) dada por z = (S - μs)/σs, es una normal
tipificada (media 0, varianza 1). Figura 10.1.
94 de 110
Fig. 10-1
Sin embargo, si al elegir una muestra al azar se encuentra que z para ese
estadístico se halla fuera del rango – 1.96 a 1.96, lo que quiere decir que
es un suceso con posibilidad de solamente 0.05 (área sombreada en la
figura) si la hipótesis fuera verdadera.
95 de 110
96 de 110
Tabla 10-1
Nivel de significación 0.10 0.05 0.01 0.005 0.002
Valores críticos de z para -1.28 o -1.645 o -2.33 o -2.58 o -2.88 o
ensayos de una cola 1.28 1.645 2.33 2.58 2.88
Valores críticos de z para -1.645 -1.96 -2.58 -2.81 -3.08
ensayos de dos colas y 1.645 y 1.96 y 2.58 y 2.81 y 3.08
97 de 110
98 de 110
P–p
Z=
pq/ N
X – Np
z =
Npq
99 de 110
4.- CARACTERISTICAS:
100 de 110
101 de 110
1486 1473 1501 1467 1496 1498 1477 1488 1460 1479 1492 1503 1477 1493 1473
1472 1485 1497 1499 1506 1478 1499 1486 1486 1465 1438 1497 1486 1502 1471
1488 1474 1491 1492 1480 1505 1500 1473 1482 1489 1467 1483 1492 1496 1485
1458 1453 1503 1500 1486 1476 1462 1496 1499 1468 1459 1476 1466 1457 1481
1485 1477 1469 1488 1490 1495 1506 1483 1471 1492 1486 1457 1459 1489 1502
1493 1498 1477 1468 1491 1477 1475 1457 1498 1499 1472 1498 1467 1505 1481
1467 1493 1507 1502 1475 1468 1457 1482 1492 1476 1476 1475 1489 1462 1492
1490 1468 1483 1499 1467 1470 1465 1483 1492 1472 1499 1455 1482 1496 1467
1466 1473 1478 1489 1468 1477 1469 1485 1484 1471 1481 1492 1490 1474 1492
1482 1467 1467 1503 1474 1457 1497 1489 1478 1488 1477 1496 1482 1490 1499
1466 1498 1488 1467 1492 1472 1491 1490 1499 1498 1478 1496 1492 1492 1468
1487 1479 1468 1493 1483 1499 1482 1494 1496 1485 1499 1497 1478 1456 1471
1482 1468 1495 1472 1492 1472 1495 1467 1457 1487 1478 1470 1472 1459 1492
1490 1506 1482 1500 1478 1482 1490 1506 1478 1481 1489 1492 1490 1476 1468
1477 1480 1478 1492 1467 1482 1467 1492 1490 1503 1478 1475 1492 1495 1472
1498 1499 1472 1485 1492 1482 1488 1468 1482 1472 1477 1495 1472 1474 1481
1478 1490 1500 1472 1469 1482 1486 1467 1457 1489
102 de 110
S = [∑Y2 – (∑Y)2/n]/(n-1)
_ __
c.- Estadísticas de prueba: zc = (Y - μ)/(S/ √ n )
___
z = (1,482 – 1,500)/(13.1283/√250) = - 21.67
103 de 110
_ _
Limite superior de confianza. LSC = Ү + Sү
c.- Conclusiones.
Con el 95% de confianza se estima que el consumo diario de lubricantes esta entre 1,480.4 y
1,483.6.
104 de 110
105 de 110
4.- CARACTERISTICAS:
106 de 110
0.023 0.024 0.022 0.021 0.026 0.028 0.022 0.028 0.026 0.025
0.002 0.028 0.023 0.024 0.021 0.025 0.026 0.026 0.028 0.027
0.027 0.023 0.029 0.025 0.024 0.023 0.026 0.025 0.025 0.023
0.028 0.025 0.027 0.026 0.024
M = 0.025
Y = 0.875 / 35 = 0.025
107 de 110
X - X = X - X = X - X =
R = 0.009
108 de 110
EJERCICIO ADICIONAL.
21,300 660 3,440 10,650 36,700 2,250 31,600 9,800 10,250 2,020
12,800 2,150 11,500 5,825 2,140 1,680 12,300 7,750 6,000 2,850
1,240 19,200 14,500 1,770 3,750 216 1,080 15,000 1,480 33,700
640 14,450 49,800 4,300 81,000
109 de 110
BIBLIOGRAFÍA.
110 de 110