MDULO II

ESTADSTICA INFERENCIAL








Preparado por:
RUBN DARO MEDINA RIVERA


















VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

Concepto de variable aleatoria.
Los resultados de los experimentos que se llevan a cabo estn sujetos a la casualidad. La
prueba de un nmero de componentes electrnicos es un ejemplo de un experimento
estadstico, trmino que se utiliza para describir cualquier proceso mediante el cul se
generan varias observaciones al azar. Con frecuencia es muy importante asignarle al
resultado una descripcin numrica. Por ejemplo, el espacio muestral en el que se
consideran cada uno de los posibles resultados cuando se verifican tres componentes
electrnicos, puede escribirse:
S= {NNN. NND, NDN, DNN, NDD, DND, DDN, DDD}

Donde N significa no defectuoso y D defectuoso. Naturalmente el inters est en el
nmero de componentes defectuosos que ocurren. Entonces, a cada punto en el espacio
muestral se le asigna un valor numrico de 0, 1, 2, o 3. Estos valores son, cantidades
aleatorias determinadas por el resultado del experimento. Estos pueden considerarse como
los valores que asume la variable aleatoria X, el nmero de artculos defectuosos cuando se
prueban los tres componentes electrnicos.

Una variable aleatoria es una funcin que asocia un nmero real a cada elemento del
espacio muestral.
La letra mayscula designa la variable aleatoria y su correspondiente letra minscula, para
uno de sus valores (X =x.)

Ejemplo: El experimento consiste en lanzar al aire tres monedas para observar el nmero de
caras y cruces.

E {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
La variable aleatoria se define como X = nmero de caras, as:

Espacio muestral X
CCC
CCS, CSC, SCC
SSC, SCS, CSS
SSS
3
2
1
0

Obsrvese que X no es una variable, sino una funcin (porque asocia un resultado a un
nmero) y no es aleatoria por el hecho de que atribuya de modo imprevisible un valor
cualquiera a un elemento, ya que este valor esta definido de forma precisa (determinista).
Lo que es aleatorio en realidad es que, al hacer el experimento, no sabemos que elemento
de E puede ocurrir.

En funcin de los valores que tome la variable, esta puede ser clasificada como discreta o
continua

Si un espacio muestral contiene un nmero finito de posibilidades o una secuencia
interminable con tantos elementos como nmeros naturales existen, se le llama espacio
muestral discreto.

Si un espacio muestral contiene un nmero infinito de posibilidades igual al nmero de
puntos en un segmento de lnea, se le llama espacio muestral continuo.
Una variable aleatoria se llama variable aleatoria discreta si se puede contar su conjunto
de resultados posibles. Cuando una variable aleatoria puede tomar valores en una escala
continua, se le llama variable aleatoria continua.

VARIABLES ALEATORIAS DISCRETAS
Una variable aleatoria discreta asume cada uno de sus valores con una cierta probabilidad.
Por ejemplo, los valores posibles de x de X y sus probabilidades para el ejemplo del
lanzamiento de las tres monedas es:

X 0 1 2 3
P(X = x) 1/8 3/8 3/8 1/8

Con mucha frecuencia es necesario representar con una frmula todas las probabilidades
de una variable aleatoria X. Dicha frmula debe ser una funcin de valores numricos x, y
se expresa por f(x), g(x),... etc. Por lo tanto se escribe:

F(x) = P(X=x), es decir, f(3) = P(x=3)

Definicin: El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad, funcin
masa de probabilidad o distribucin de probabilidad de la variable aleatoria discreta X si,
para cada resultado posible x
i


) ( ) ( . 3
1 ) ( . 2
0 ) ( . 1
x f x X P
x f
x f
x
= =
=

Ejemplo.
Consideremos el problema de determinar cuanto tiempo tendra que exhibirse un artculo en
la vitrina de un almacn antes de ser vendido. Para un artculo de demanda relativamente
baja, se estima que la probabilidad de que sea vendido en cualquier da dado es de 50%.

La distribucin acumulada F(x) de una variable aleatoria discreta X, cuya distribucin de
probabilidad es f(x) es:

< < = =

x para t f x X P x F
x t
) ( ) ( ) (


Volvamos al ejemplo de las tres monedas:

[ ]
[ ]
[ ]
[ ] 1 8 / 8 8 / 1 8 / 3 8 / 3 8 / 1 ) 3 ( ) 2 ( ) 1 ( ) 0 ( 3 ) 3 (
8 / 7 8 / 3 8 / 3 8 / 1 ) 2 ( ) 1 ( ) 0 ( 2 ) 2 (
8 / 4 8 / 3 8 / 1 ) 1 ( ) 0 ( 1 ) 1 (
8 / 1 ) 0 ( ) 0 ( 0 ) 0 (
= = + + + = + + + = =
= + + = + + = =
= + = + = =
= = = = =
f f f f X P F
f f f X P F
f f X P F
f X P X P F

<
<
<
<
=
3 1
3 2 8 / 7
2 1 8 / 4
1 0 8 / 1
0 0
) (
x para
x para
x para
x para
x para
x F


ESPERANZA MATEMTICA

De forma anloga a lo que se hizo en los captulos sobre estadstica descriptiva podemos
definir medidas de centralizacin, dispersin, simetra y forma para variables aleatorias.
Por ser las ms interesantes y ms usuales, nos vamos a centrar en dos medidas sobre
variable aleatoria: la esperanza matemtica, que desempea un papel equivalente al de la
media y la varianza. As, el valor esperado puede entenderse como el valor promedio que
tomara una variable aleatoria sobre un nmero grande de repeticiones.

Sea X una variable aleatoria con distribucin de probabilidad f(x). La media o valor
esperado de X y su varianza es:

Para X es discreta

= =
x
x f x X E ) ( . ) (
[ ]
[ ]

= =
= =
x
x
x f X X E
tambin o x f X X E
2 2 2 2 2
2 2 2
) ) (
) ( ) ( ) (




Ejemplo 1. Se tiran dos monedas al aire 16 veces y X representa el nmero de caras que
ocurre por lanzamiento, entonces los valores de x pueden ser 0, 1, 2.
Supongamos: X 0 1 2
Nmero de veces 4 7 5
El promedio de caras por lanzamiento de las dos monedas ser entonces:
E[X] = 0(4/16) + 1(7/16) + 2(5/16) = 1.06

As, el nmero medio de caras por lanzamiento sera 1.06, sin importar que el nmero total
de lanzamientos sea de 16, 1000 o aun de 10.000.

Ejemplo 2.
Encuentre el nmero esperado de qumicos que formen parte de un comit de 3 miembros
que se seleccionan al azar de un grupo de 4 qumicos y 3 bilogos.

Solucin. Sea que X represente el nmero de qumicos en el comit. La distribucin de
probabilidad de X es:
. 3 , 2 , 1 , 0 ,
3
7
3
3 4
) ( =
|
|

\
|
|
|

\
|

|
|

\
|
= x
x x
x f
Si se realizan los clculos correspondientes se tiene que f(0) = 1/35, f(1) = 12/35, f(2) =
18/35 y f(3) = 4/35. Por lo tanto,

7 . 1 7 / 12 ) 35 / 4 )( 3 ( ) 35 / 18 )( 2 ( ) 35 / 12 )( 1 ( ) 35 / 1 )( 0 ( ) ( = = + + + = = X E

Entonces, si un comit de tres miembros se selecciona aleatoriamente, una y otra vez, de
un grupo de 4 qumicos y 3 bilogos, se tendran, en promedio, 1.7 qumicos.

Ejercicio.
En un juego de azar una persona podr ganar $5 si cuando lance tres monedas ocurren tres
caras o tres cruces, o perder $3 si ocurren una o dos caras. Cunto espera ganar esta
persona?


PROPIEDADES DE LA ESPERANZA

1. E[k] = k El valor esperado de una constante, es la misma constante.
2. V[k] = 0 La varianza de una constante es cero.
3. E[kX] = kE[X] El valor esperado del producto de una constante por una
Variable, es igual al producto de la constante por el valor
esperado de la variable.
4. V[kX] = k2V[X] La varianza del producto de una constante por una variable es
igual al producto del cuadrado de la constante por la varianza
de la variable.
5. E[a bX] = a bE[X] El valor esperado de (a bx) es igual a mas o menos b por la
esperanza de X
6. V[a bX] = b2V[X] La varianza de (a bx) es igual a b
2
por la varianza de X.


Ejemplo 3.
Supngase que se jugar a la vez dos monedas y un dado no cargado. Sea X el nmero de
caras obtenidas, sea Y el nmero de puntos que muestra el dado. Supngase adems que
se recibe como paga el doble del nmero de caras obtenidas y tres veces el nmero de
puntos del dado. Cul es el pago esperado por cada jugada?

Solucin.
El pago es una funcin de X y Y, esto es: Pago = 2X + 3Y, por la propiedad 5, se tiene

E[Pago] = 2 E[X] + 3 E[Y]

X = 0, 1, 2 con probabilidad 1/4, 2/4, 1/4
Y = 1, 2, 3, 4, 5 ,6 con probabilidad 1/6 cada uno

E[Pago] = 2[0(1/4) + 1(2/4) + 2(1/4)]+ 3[1(1/6)+2(1/6)+3(1/6)+4(1/6)+5(1/6)+6(1/6)]
E[Pago] = 12.5 dlares.

Ejercicio.
Un contratista esta interesado en conocer el coste total de un proyecto sobre el que intenta
hacer una oferta. Estima que los materiales costarn 25.000 dlares y su trabajo 900
dlares diarios. Si se necesitan X das para terminar el proyecto, el coste total del trabajo
ser 900X dlares y el coste total del proyecto en dlares ser
C = 25.000 + 900X El contratista construye unas probabilidades subjetivas sobre la
duracin del proyecto as:
Duracin X (das) 10 11 12 13 14
f(X) 0.1 0.3 0.3 0.2 0.1
Encontrar la media y la varianza del coste total.


DISTRIBUCIONES DE PROBABILIDAD DISCRETA

Distribucin de Bernoulli.
Consiste en realizar un experimento aleatorio una sola vez y observar si un cierto suceso
ocurre o no, siendo P la probabilidad de que ocurra (xito) y q =1-P la probabilidad de
que no ocurra (fracaso)
Este experimento puede ser descrito mediante una variable aleatoria discreta X que toma
los valores X = 0 si el suceso no ocurre, y X =1 en caso contrario.
La media y la varianza de una variable aleatoria Bernoulli es:

[ ]
[ ]

= + = = =
= + = = =
x
x x x
x
x
P P P P P P x P x x E
P P P x P X X E
) 1 ( ) ( ) 1 ( ) 1 ( ) 0 ( ) ( ) ( ) (
) )( 1 ( ) 1 )( 0 ( ) ( .
2 2 2 2 2

Ejemplo.
Un agente de seguros piensa que en un contacto concreto, la probabilidad de conseguir una
venta es 0,4. Si definimos la variable aleatoria X que toma el valor 1 si consigue la venta y 0
si no, entonces, X tiene distribucin Bernoulli con probabilidad de xito P igual a 0,4, es
decir, la funcin de probabilidad de X es:
P
x
(o) = 0,6 P
x
(1) =0,4
La media de esta distribucin es P = 0,4, y la varianza
2
x
=P(1-P) = (0.4)(0.6) = 0.24.

Una generalizacin importante de la distribucin Bernoulli consiste en considerar el caso en
el que un experimento aleatorio, con dos resultados posibles, se repite varias veces.

Supongamos que un experimento aleatorio tiene slo dos resultados posibles mutuamente
excluyentes y conjuntamente exhaustivos xito y fracaso y que P es la probabilidad de
obtener xito en cada repeticin. Si se realizan n repeticiones independientes, la distribucin
del nmero de xitos, X, resultante se denomina distribucin Binomial. Su funcin de
probabilidad es:
)! ( !
!
2 , 1 , 0 ) 1 ( ) (
x n x
n
x
n
donde
n x para p p
x
n
x P
x n x
x

=
|
|

\
|
=
|
|

\
|
=

L


Supongamos ahora que el agente de seguros del ejemplo anterior tiene cinco contactos, y
piensa que para cada uno la probabilidad de conseguir una venta es 0.4. La distribucin del
nmero de ventas X es entonces, una binomial, con n =5 y P =0.4, es decir,
5 2 , 1 , 0 ) 6 . 0 ( ) 4 . 0 (
5
) (
5
L =
|
|

\
|
=

x para
x
x P
x x
x

Las probabilidades para el nmero de xitos (ventas logradas) son:

P
x
(0) = 0.078 P
x
(1) = 0.259 P
x
(2) = 0.346 P
x
(3) = 0.230
P
x
(4) = 0.077 P
x
(5) = 0.010

Funcin de probabilidad binomial (n=5, p=0.4)
0
0,1
0,2
0,3
0,4
1 2 3 4 5 6
X
P
(
x
)


Media y varianza de la distribucin Binomial
[ ] ) 1 ( ) (
) (
2 2
p np x E
np x E
x x
x
= =
= =

Ejercicio. Se estima que el 55% de los estudiantes de primer curso de cierta universidad
se graduar en cuatro aos. a) Para una muestra aleatoria de cinco estudiantes de primer
curso, cul es la probabilidad de que exactamente tres se graden en cuatro aos.
b) Para una muestra aleatoria de cinco estudiantes de primer curso, cul es la probabilidad
de que la mayora se grade en cuatro aos. C) Se eligen 80 estudiantes de primer curso
aleatoriamente. Hallar la media y la desviacin tpica de la proporcin de ellos que se
graduar en cuatro aos.

La distribucin hipergeomtrica
En los casos en los que el nmero de elementos de la muestra no es una proporcin muy
pequea del nmero total de artculos en la poblacin, la distribucin Binomial es
inapropiada. Esto debido a que en estas situaciones no hay independencia entre el
resultado de un elemento particular de la muestra y los restantes, mientras que si el nmero
total de elementos en la poblacin es muy grande en relacin al tamao de la muestra, la
influencia de la dependencia es tan pequea que puede ser ignorada y en este caso podr
usarse la distribucin Binomial. No obstante, cuando se presenta la primera situacin
mencionada, es posible utilizar la siguiente distribucin

Supongamos que se elige una muestra aleatoria de tamao n de un conjunto de N
elementos, S de los cuales son xitos. La distribucin del nmero de xitos, X , en la
muestra se denomina distribucin hipergeomtrica. Su funcin de probabilidad es:
)! ( !
!
)! ( )! (
)! (
)! ( !
!
) (
n N n
N
x n S N x n
S N
x S x
S
n
N
x n
S N
x
S
C
C C
x P
n N
x n S N x S
x

=
|
|

\
|
|
|

\
|

|
|

\
|
= =


Donde x puede tomar valores enteros entre el mximo de 0 y [n-(N-S)] y el mnimo de n y S.
La media y la varianza de esta distribucin son
[ ] ) 1 (
1
) ( ) (
2 2
p np
N
n N
x E y np X E
x x x
|

\
|

= = = =
Donde p = S/N es la proporcin de xitos en la poblacin.

Ejemplo. Una compaa recibe un pedido de 20 artculos. Dado que la inspeccin de cada
artculo es cara, se sigue la poltica de analizar una muestra aleatoria de seis artculos de
cada envo, aceptando la remesa si no hay ms de un artculo defectuoso en la muestra.
Cul es la probabilidad de que sea aceptado un pedido con cinco artculos defectuosos?

Solucin. Si identificamos defectuoso con xito en este ejemplo, el pedido contiene N =
20 elementos, S = 5 de los cuales son xitos. Se selecciona una muestra de n = 6
elementos. El nmero de xitos X en la muestra tiene una distribucin hipergeomtrica con
funcin de probabilidad
! 14 ! 6
! 20
)! 9 ( )! 6 (
! 15
)! 5 ( !
! 5
6
20
6
15 5
) (
6 20
6 15 5
x x x x
x x
C
C C
x P
x x
x
+
=
|
|

\
|
|
|

\
|

|
|

\
|
= =

Se acepta el envo si la muestra contiene cero o un xito (defectuoso), luego la probabilidad
de aceptarlo es P(aceptar el envo) = P
x
(0) + P
x
(1) remplazando en la funcin se tiene
P(aceptar el envo) = P
x
(0) + P
x
(1) = 0,129 + 0,387 =0,516

Ejercicio.
Un embarque de 8 microcomputadoras similares que se envan a un distribuidor contiene 3
aparatos defectuosos. Si una escuela realiza una compra aleatoria de 2 de estas
computadoras, encuentre la distribucin de probabilidad para el nmero de
microcomputadoras defectuosas. Adems calcular la probabilidad de que en la compra se
encuentre una computadora defectuosa.

La distribucin de Poisson
Consideremos las siguientes variables aleatorias:
El nmero de accidentes de trfico mortales en una ciudad durante una semana
concreta
El nmero de llamadas telefnicas que se reciben en un da en la central de una
empresa durante las 11:15 y 12:00 PM
El nmero de veces que falla un pieza de un equipo durante un periodo de tres meses
Cada una de estas cinco variables aleatorias se caracteriza por ser el nmero de
ocurrencias de cierto suceso durante un periodo de tiempo. La experiencia indica que para
una amplia gama de problemas de este tipo, la distribucin de probabilidad Poisson
representa adecuadamente la estructura de probabilidad de la variable aleatoria.

Se dice que la variable aleatoria X sigue una distribucin de Poisson si tiene una funcin
de probabilidad
K 2 , 1 , 0
!
) ( = =

x para
x
e
x P
x
x

Donde Lamda es cualquier nmero > 0

La media y varianza de esta distribucin esta dada por:
[ ]

= =
= =
2 2
) (
) (
x x
x
x E
X E


Ejemplo. Un estudio indica que el nmero de huelgas anuales en una fbrica con 2000
empleados, se puede representar por una distribucin Poisson con media de 0.4. La
funcin de probabilidad del nmero de huelgas anuales X es, entonces,

K 2 , 1 , 0
!
) 4 . 0 (
) (
4 . 0
= =

x para
x
e
x P
x
x


A partir de lo anterior, podemos calcular ahora probabilidades para nmeros concretos de
huelgas anuales, por ejemplo, la probabilidad de que no haya huelgas o la probabilidad de
que haya ms de una huelga en un ao.

Ejercicio. Una fbrica tiene dos cadenas de montaje, cada una de las cuales se para un
promedio de 2,4 veces semanales, de acuerdo a una distribucin Poisson. Asumir que el
comportamiento de una cadena es independiente del de la otra. Cul es la probabilidad de
que una cadena se para al menos una vez durante una semana concreta?

VARIABLES ALEATORIAS CONTINUAS

Una variable aleatoria continua tiene una probabilidad cero de asumir cualquiera de sus
valores exactamente. Consecuentemente su distribucin de probabilidad no puede darse
en forma tabular. Para este caso, por ejemplo, no se habla de seleccionar a una persona
que tenga una altura exactamente de 168 centmetros, sino mas bien de la probabilidad de
seleccionar una persona que al menos mida 168 centmetros pero no mas de 170. Ahora
se esta tratando de un intervalo ms que de un valor puntual de la variable aleatoria.

Ntese que cuando X es continua,

) (
) ( ) ( ) (
b X a P
b X P b X a P b X a P
< < =
= + < < = <


Esto es, no importa que se incluya o no un punto final del intervalo. Si embargo, esto no es
verdad cuando X es discreta.

A pesar de que la distribucin de probabilidad de una variable aleatoria continua no puede
presentarse en forma tabular, si puede tener una frmula; sta, necesariamente debe ser
una funcin de los valores numricos de la variable continua X y como tal, ser expresada
por la notacin funcional f(x). A esta funcin se le conoce como funcin de densidad de
probabilidad, o simplemente funcin de densidad de X.

Una funcin de densidad de probabilidad se construye de tal manera que el rea
comprendida bajo su curva es igual a 1, cuando se calcula para el rango de X para el cul
se define f(x). En la siguiente figura, la probabilidad de que X asuma un valor entre a y b es
igual al rea sombreada bajo la funcin de densidad, entre las ordenadas x=a y x=b, y
utilizando el clculo integral, esa rea esta dada por:

dx x f b X a P
b
a

= < < ) ( ) (

f(x)











a b
P(a<x<b)


La funcin f(x) es una funcin de densidad de probabilidad para la variable aleatoria
continua X, definida en el conjunto de los nmeros reales, si

1. R x toda para x f 0 ) (
2. 1 ) ( =

dx x f
3.

= < <
b
a
dx x f b X a P ) ( ) (

Ejercicio.
Suponga que el error en la temperatura de reaccin, en C, para un experimento controlado
de laboratorio es una variable aleatoria continua X, que tiene la funcin de densidad de
probabilidad:

< <
=
. , 0
2 1 ,
3
) (
2
caso otro cualquier en
X
x
x f

a) verifique la condicin 2 de la definicin de funcin de densidad de probabilidad
b) Encuentre ) 1 0 ( < X P


La distribucin acumulada F(x) de una variable aleatoria contina X con una funcin de
densidad f(x) es:
< < = =

x para dt t f x X P x F ) ( ) ( ) (

Ejercicio
Para la funcin de densidad del ejemplo de la temperatura, encuentre F(x) y utilcela para
evaluar P(0<X<1)



Esperanza de variables aleatorias continuas
Recordemos que cuando se trabajo con variables aleatorias discretas, mencionamos el
concepto de esperanza para una variable aleatoria X y la esperanza de una funcin de
dicha variable aleatoria. Estos conceptos pueden extenderse a variables aleatorias
continuas. As:
El valor esperado de X ser

= = dx x f x X E ) ( . ) (
y el valor esperado de la funcin g(x) es:
[ ]

= dx x f x g X g E ) ( ). ( ) (
Ntese, que en este caso la integral juega el mismo papel que el operador sumatoria en el
caso discreto.

DISTRIBUCIONES DE PROBABILIDAD CONTINUA
Distribucin normal
Funcin de densidad de una distribucin normal.
Si la variable aleatoria X tiene densidad
< < =

x para e X f
x
x
2 2
2 / ) (
2
2
1
) (

Donde y
2
son nmeros tales que < < < <
2
0 y donde e y son las
constantes, entonces se dice que X sigue una distribucin normal.

Propiedades de la distribucin normal.

Supongamos que la variable aleatoria X sigue una distribucin normal con parmetros y

2
. Se cumplen las siguientes propiedades,

(i) La media de la variable aleatoria es , es decir, [ ] = X E
(ii) La varianza de la variable aleatoria es
2
, es decir, [ ] [ ]
2 2
) ( = = X E X V
(iii) La forma de la funcin de densidad es una curva simtrica con forma de campana
centrada en la media .

La distribucin normal estndar.
Sea Z una variable aleatoria normal con media 0 y varianza 1; es decir, Z~N(0,1) entonces,
se dice que Z sigue una distribucin normal estndar

=
X
Z
Ejercicios.
1. Hallar las reas bajo la curva normal de Z
a) P(Z<1,20) b) P(Z>1,33) c) P(Z< -1,70) d) P(Z> -1,0)
e) P(1,20 < Z < 1,33) f) P(-1,70 < Z < 1,20)
2. a) Hallar el nmero Z tal que Z es menor que Z con probabilidad 0,7
b) Hallar el nmero Z tal que Z es mayor que con probabilidad 0,6.
3. La demanda anticipada de un producto en el prximo mes puede representarse
mediante una variable aleatoria normal con media 1200 unidades y desviacin tpica
100 unidades.
a) Cul es la probabilidad de que las ventas superen las mil unidades?
b) Cul es la probabilidad de que las ventas estn entre 1000 y 1300 unidades?
c) Cuntas unidades deben venderse como mnimo para estar en el 10% ms alto?.
ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES.

I. DISTRIBUCIONES MUESTRALES.

Es necesario destacar la importancia de un entendimiento claro de estas
distribuciones, ya que este concepto es la clave para comprender la inferencia
estadstica.

Definicin: La distribucin de todos los valores posibles que puede asumir una
estadstica, calculados a partir de muestras del mismo tamao, extradas
aleatoriamente de la misma poblacin, se llama distribucin muestral de esa
estadstica.

Las distribuciones muestrales pueden construirse empricamente a partir de
poblaciones finitas y discretas. Para ello, se procede como sigue:

1. De una poblacin finita de tamao N, se extraen de manera aleatoria todas las
muestras posibles de tamao n.
2. Se calcula la estadstica de inters para cada muestra.
3. Listar en una columna los distintos valores observados de la estadstica, y en otra
columna las frecuencias correspondientes de cada valor observado.

Normalmente, para una distribucin muestral, se tiene inters en conocer tres cosas:
media, variancia y forma funcional (apariencia grfica).

DISTRIBUCIONES DE LA MEDIA DE LA MUESTRA

Sea una poblacin de tamao N =5, la cual se compone de las edades de cinco
nios que son pacientes externos de una clnica de salud mental. Las edades son
las siguientes: x
1
=6, x
2
=8, x
3
=10, x
4
=12, x
5
=14.

La media para esta poblacin es igual a x
i
/N = 10 y la variancia es:

2
= (x
i
- )
2
/ = 40/5 = 8

Se extraen todas las muestras posibles de tamao n = 2 a partir de esta poblacin
utilizando un muestreo con reemplazo.

Cuando el muestreo se efecta con reemplazos, hay 25 muestras posibles. En
general, cuando el muestreo se lleva a cabo con reemplazos, el nmero de
muestras posibles es igual a N
n
.

Para elaborar una distribucin muestral para x se listan los diferentes valores de x
en una columna y sus frecuencias de ocurrencia en otra,
Tabla 1. Distribucin muestral de x calculada a partir de las 25
posibles muestras aleatorias de tamao 2.
x Frecuencia Frecuencia relativa
6 1 1/25
7 2 2/25
8 3 3/25
9 4 4/25
10 5 5/25
11 4 4/25
12 3 3/25
13 2 2/25
14 1 1/25
Total 25 25/25

En un prrafo anterior se estableci que para una distribucin muestral se tiene
inters en la forma funcional de la distribucin, su media y su variancia.
En la figura 1, se muestra el histograma de x junto con la distribucin de la
poblacin. Es notable la diferencia entre la apariencia del histograma de la
poblacin y la del histograma de la distribucin muestral de x. Mientras que el
primero esta distribuido uniformemente, el segundo crece gradualmente hasta un
punto mximo y despus decrece formando una figura simtrica.

Distribucin de los datos de la poblacin
0
1
2
6 8 10 12 14
Edades


Distribucin muestral de medias
0
1
2
3
4
5
6
6 7 8 9 10 11 12 13 14
Medias muestrales

Figura 1. Distribucin de los datos de la poblacin y de las medias muestrales

El siguiente paso es obtener la media, representada por
x
de la distribucin
muestral. Para hacerlo, se suman las 25 medias de la muestra y se dividen entre
25. As :

x
= x
i
/ N
n
= (6+7+7+8+ +14)/25 = 250/25 = 10

Es interesante notar que la media de la distribucin muestral para x tiene los mismos
valores que la media de la poblacin original. Finalmente, el clculo de la variancia
de x, representada por
2
x
, se calcula como sigue :

x
2
= (x
i
- )
2
/ N
n

x
2
= (6-10)
2
+ (7-10)
2
+ (7-10)
2
+ + (14-10)
2
/ 25

x
2
= 100/25 = 4

Tambin se puede advertir que la variancia de la distribucin muestral no es igual a
la variancia de la poblacin. Sin embargo, es interesante observar que la variancia
de la distribucin muestal es igual a la variancia de la poblacin dividida entre el
tamao de la muestra dividida entre el tamao dela muestra utilizada para obtener la
distribucin muestral. Esto es :

x
2
=
2
/n = 8/2 = 4

Los resultados anteriores, son ejemplos de las caractersticas de las distribuciones
muestrales en general cuando el muestreo es con reemplazo o cuando se efecta a
partir de una poblacin infinita.

Caractersticas de la distribucin de la media de la muestra cuando el muestreo
se realiza a partir de una poblacin que sigue una distribucin normal.

1. la distribucin de X ser normal.
2. La media, de la distribucin de X ser igual a la media de la poblacin de la
cual se extrajo.
3. La variancia, S
2
x
de la distribucin de X ser igual a la variancia de la poblacin,
dividida entre el tamao de la muestra.

Cuando el muestreo se efecta a partir de una poblacin que no sigue una
distribucin normal, se utiliza el teorema del lmite central. La importancia de este
teorema en la inferencia estadstica se resume en el siguiente prrafo :

Dada una poblacin de cualquier forma funcional no normal con una media , y
variancia finita
2
, la distribucin muestral de x, calculada a partir de muestras
de tamao n de dicha poblacin, ser casi normal con media y variancia
2
/n,
cuando la muestra es muy grande.

Todo lo anterior se ha dado bajo la premisa de que el muestreo es con reemplazos
o que la muestra fue extrada de una poblacin infinita.

Ejercicio. Aplicar un muestreo sin reemplazo con muestras de tamao 2, al ejercicio
de los cinco nios que son pacientes externos de una clnica de salud mental.

NOTA: Cuando el muestro es sin reemplazos a partir de una poblacin finita, la
distribucin muestral de x tendr una media y variancia

2
/n * (N-n) / (N-1)

El factor (N-n)/(N-1) se llama correccin por poblacin finita y se puede omitir
cuando el tamao de la muestra es pequeo en comparacin con el tamao de la
poblacin. Es decir la correccin para poblacin finita generalmente se ignora
cuando n / N <= 0.05.
Las caractersticas de la distribucin muestral de x se resume en las siguientes
condiciones:

1. Cuando el muestreo se realiza a partir de una poblacin distribuida normalmente
con una variancia de poblacin conocida :
a)
x
=
b)
x
= //n
c) La distribucin muestral de x es normal.

2. El muestreo se efecta a partir de una poblacin que sigue una distribucin no
normal, con una variancia de una poblacin conocida :
a)
x
=
b)
x
= //n* / (N-n)/(N-1), si n/N es <= 0.05

x
= //n, cuando la poblacin es infinita o el muestreo se hace con
reposicin.
c) La distribucin muestral de x es aproximadamente normal.

APLICACIONES

Ejercicio 1. Supngase que en una poblacin grande de seres humanos, la
dimensin del radio craneal sigue una distribucin aproximadamente normal, con
una media de 185.6 mm y una desviacin estndar de 12.7 mm. Cual es la
probabilidad de que una muestra aleatoria de tamao 10 de esta poblacin tenga
una media mayor que 190?

Ejercicio 2. El consumo de combustible, en kilmetros por litro, de todos los coches
de cierto modelo tiene media diez y desviacin tpica dos. Puede asumirse que la
distribucin poblacional es normal. Se toma una muestra aleatoria de stos coches.
a) Hallar la probabilidad de que la media muestral del consumo de combustible
sea menor que diez kilmetros por litro si
i) se ha tomado una muestra de dos observaciones
ii) se ha tomado una muestra de cuatro observaciones
iii) se ha tomado una muestra de diecisis observaciones
b) Explicar por qu las tres respuestas de (a) difieren de este modo. Hacer un
grfico para ilustrar el razonamiento.

Ejercicio 3. Suponer que los salarios por hora de cierto tipo de empleados de un
hospital tienen distribucin aproximadamente normal, con una media y desviacin
estndar de $4.50 y $0.50, respectivamente. Si se obtiene una muestra aleatoria de
tamao 16 a partir de esa poblacin, calcular la probabilidad de que la media del
salario por hora para dicha muestra sea:
a) Mayor que $4.25.
b) Entre $4.25 y $4.75.
c) Menor que $4.20.

Considrese la distribucin muestral de la media de la muestra para n =16.
d) Suponer para este problema que NCn = 100.000. Cuantas medias muestrales
son mayores que 4.30?
Ejercicio 4. Una compaa produce cereales para el desayuno. La media del peso
que contienen las cajas de estos cereales es de 200 gramos y su desviacin tpica
de seis gramos. La distribucin de los pesos en la poblacin es normal. Se eligen
cuatro cajas, que pueden ser consideradas como una muestra aleatoria del total de
la produccin.
a) Cul es el error estndar de la media muestral del peso de estas cuatro cajas?
b) Cul es la probabilidad de que, como media, el peso de estas cuatro cajas sea
menor que 197 gramos?
c) Cul es la probabilidad de que, como media, el peso de estas cuatro cajas est
entre 195 y 205 gramos?
d) Se eligen al azar dos cajas, Cul es la probabilidad de que, como media, el
contenido de estas dos cajas pese entre 195 y 205 gramos?
DISTRIBUCIN DE LA DIFERENCIA ENTRE LAS MEDIAS DE DOS MUESTRAS

Con frecuencia, el inters en una investigacin se enfoca hacia dos poblaciones.
Especficamente, puede ser que un investigador desee saber algo acerca de la
diferencia entre las medias de dos poblaciones. Por ejemplo, un equipo de
investigacin mdica, requerir saber si el nivel medio de colesterol en el suero es
mayor en un grupo de oficinistas que en un grupo de obreros. Si los investigadores
concluyen que las medias de la poblacin son diferentes, es posible que deseen
saber qu tanto difieren. El conocimiento acerca de la distribucin muestral de la
diferencia entre dos medias es muy til en investigaciones de este tipo.

Dadas las poblaciones con una distribucin normal, con medias
1
y
2
,
respectivamente, y variancias
1
y
2
, respectivamente, la distribucin muestral de la
diferencia de x
1
x
2
, entre las medias de muestras independientes de tamao n
1
y
n
2
extradas de esas poblaciones siguen una distribucin muestral con media y
desviacin estndar:

2 1
2 1
=
x x
y
2
2
2
1
2
1
2 1
n n
x x

+ =

para transformar en una distribucin normal estndar se utiliza la siguiente formula:

2
2
2
1
2
1
2 1 2 1
) ( ) (
n n
x x
Z


+

=



Ejemplo. Supngase que se tienen dos poblaciones de individuos. Una de ellas (la
poblacin 1) ha experimentado alguna condicin que se considera esta asociada al
retardo mental, y la otra (la poblacin 2) no ha experimentado tal condicin. Se cree
que la distribucin de puntajes de inteligencia de cada una de las poblaciones
presenta una distribucin aproximadamente normal con una desviacin estndar de
20.
Supngase tambin que se toma una muestra de 15 individuos de cada poblacin y
se calcula en cada muestra la media de los puntajes de inteligencia, con los
siguientes resultados: x
1
=92 y x
2
= 105. Si no hay diferencia entre las dos
poblaciones con respecto a la media real de los puntajes de inteligencia, Cul es la
probabilidad de observar una diferencia de esta magnitud (x
1
x
2
) o mayor entre las
medias de las muestras?


Solucin. Es importante notar que se busca la probabilidad asociada a la diferencia
entre las medias de dos muestras en lugar de la de una sola media.
Para el presente ejemplo habra una distribucin normal con una media igual a 0 (si
no hay diferencia entre las medias reales de la poblacin) y una variancia de
[(20)
2
/15]+[(20)
2
]= 53,33. La grfica de la distribucin muestral de x
1
-x
2
cuando no
existe diferencia entre las medias de las poblaciones es la siguiente:





33 , 53
2
2
2
1
2
1 2
2 1
= + =
n n
x x





0
2 1
2 1
= =

x x

2 1
x x


El rea bajo la curva de
2 1
x x que corresponde a la probabilidad buscada es el
rea a la izquierda de 13 105 92
2 1
= = x x . El valor de Z corresponde a 13,
suponiendo que no hay diferencia entre las dos poblaciones, es


78 . 1
3 . 7
13
3 . 53
13
15
20
15
20
0 13
2 2
=

=
+

= Z



Al consultar la tabla de distribucin normal, se encuentra que el rea bajo la curva
normal unitaria a la izquierda de 1.78 es igual a 0.0375. Para responder a la
pregunta original, se puede decir que, si no hay diferencia entre las medias
poblacionales, la probabilidad de obtener una diferencia mayor o igual que 13 entre
las medias de las muestras es de 0.0375.

El procedimiento anterior es vlido incluso cuando el tamao de las muestras n
1
y n
2

son diferentes y cuando las variancias
1
2
y
1
2
tienen valores diferentes.


MUESTREO DE POBLACIONES NO NORMALES.

Cuando la forma funcional de una distribucin poblacional se desconoce o es no
normal; una solucin consiste en tomar muestras grandes, dado que, cuando el
tamao de las muestras es grande, el teorema del lmite central es aplicable y la
diferencia entre las dos medias de las muestras sigue una distribucin
aproximadamente normal.

Ejemplo. Supngase que se ha establecido que para cierto tipo de pacientes el
tiempo promedio de visita domiciliaria hecha por una enfermera es de 45 minutos
con una desviacin estndar de 15 minutos y para un segundo tipo de paciente, el
promedio de visita domiciliaria es de 30 minutos con una desviacin estndar de 20
minutos. Si la enfermera visita al azar a 35 clientes del primer tipo y 40 del segundo
tipo, cul es la probabilidad de que el tiempo promedio de visita domiciliaria difiera
entre los dos grupos por 20 minutos o ms?

Solucin. No se menciona nada respecto a la forma funcional de las poblaciones,
por lo que se supone que esta caracterstica se desconoce, o que las poblaciones
no presentan una distribucin normal. Puesto que las muestras son grandes
(mayores que 30) en ambos casos, se hace uso de los resultados del teorema del
lmite central.

La media y la variancia son las siguientes:

15 30 45
2 1
2 1
= = =

x x

4286 . 16
40
) 20 (
35
) 15 (
2 2
2
2
2
1
2
1 2
2 1
= + = + =
n n
x x



El rea bajo la curva de
2 1
x x que se busca se encuentra a la derecha de 20. El
valor correspondiente de Z en la distribucin normal unitaria es:

23 . 1
05 . 4
5
4286 . 16
15 20 ) ( ) (
2
2
2
1
2
1
2 1 2 1
= =

=
+

=
n n
x x
Z




El rea a la derecha de Z=1.23 es 1 0.8907=0.1093. Por lo tanto se puede decir
que la probabilidad de que las visitas al azar de la enfermera difieren entre las dos
medias con 20 o ms minutos es de 0.1093. La curva de
2 1
x x es como sigue:









15
2 1
=
x x


20
0.1093
EJERCICIOS.

1. Un investigador se siente inclinado a creer que los niveles de vitamina A en el
hgado de dos poblaciones de seres humanos tiene, cada una, distribucin
normal. Se supone que las variancias de las dos poblaciones son las
siguientes:
Poblacin 1: 19.600
Poblacin 2: 8100

Cul es la probabilidad de que una muestra aleatoria de tamao 15 de la
primera poblacin y otra de tamao 10 de la segunda poblacin proporcionen
un valor de
2 1
x x mayor o igual a 50, si no hay diferencia entre las dos
medias de la poblacin?

2. Dadas dos poblaciones con distribucin normal y con medias iguales y
variancias de
2
1
=100 y
2
2
=80, cul es la probabilidad de que dos muestras
de tamao n
1
=25 y n
2
=16, respectivamente, proporcionen un valor de
2 1
x x mayor o igual que 8?.

3. Dadas dos poblaciones con distribucin normal y con medias iguales y
variancias de
2
1
=240 y
2
2
=350, cul es la probabilidad de que dos muestras
de tamao n
1
=40 y n
2
=35, respectivamente, proporcionen un valor de
2 1
x x mayor o igual que 12?.
ESTADSTICA INFERENCIAL

Antes se hizo mencin acerca de la inferencia estadstica, la cual toma como
base las relaciones existentes entre las muestras y la poblacin para inferir
acerca de sta a partir de las muestras, es decir, hace generalizaciones a partir
de las muestras.

La Estadstica Inferencial pretende resolver dos problemas fundamentales: la
estimacin de parmetros poblacionales a partir de estadgrafos muestrales
conocidos, y la toma de decisiones estadsticas acerca de hiptesis establecidas
sobre la poblacin, tambin con base al conocimiento de sus muestras.

ESTIMACIN
Puede ser a travs de un nmero simple, generalmente el estadgrafo
correspondiente llamado estimacin puntual o por medio de dos valores
numricos que definen un intervalo, el cual contiene el parmetro estimado con
cierto grado de confiabilidad llamado intervalo de confianza.


CARACTERSTICAS DE UN BUEN ESTIMADOR PUNTUAL

Antes de emplear algn estadstico de muestra como estimador puntual, se debe
comprobar si tiene ciertas propiedades asociadas con los buenos estimadores
puntuales. En vista que se pueden obtener diversos estadsticos de muestra
como estimadores puntuales de distintos parmetros poblacionales, usaremos la
siguiente notacin:

= el parmetro poblacional de inters
^ = el estadstico de muestra o estimador puntual de

En general, representa cualquier parmetro de poblacin, como la media
poblacional, desviacin estndar poblacional, proporcin poblacional, etc.; ^ el
estadstico de muestra correspondiente, como la media de la muestra, la
desviacin estndar de muestra y la proporcin muestral.

Son cuatro las caractersticas que debe tener un buen estimador puntual.

a) Insesgabilidad o imparcialidad: Un estimador puntual es insesgado si, en
promedio, tiende a tomar valores que estn por encima del parmetro de la
poblacin que se esta estimando con la misma frecuencia y la misma extensin
con la que tiende a asumir valores por debajo del parmetro de poblacin que se
esta estimando.

Por consiguiente, el valor esperado o media, de todos los valores posibles de un
estadstico de muestra insesgado es igual al parmetro de poblacin que se
estima.

Distribucin muestral de








E()




En la ilustracin del estimador insesgado, la media de la distribucin muestral es
igual al valor del parmetro poblacional. En el caso de un estimador sesgado, la
media de la distribucin muestral es menor que, o mayor que el parmetro
poblacional. En la figura (b), el estadstico de muestra tiene una gran
probabilidad de sobrestimar el valor del parmetro poblacional.

b) Consistencia o coherencia: Estimador que produce valores que se acercan
mas al parmetro de la poblacin conforme aumenta el tamao de muestra.
Generalmente, un estimador no es idntico al parmetro que se estima, debido a
error de muestreo, que es la diferencia l - l ; pero, si aumentamos el tamao
de la muestra suficientemente, la probabilidad de que esta diferencia l - l sea
mayor que un nmero fijo > tender a cero. Esto es :
P[I - l > ]--- 0
Claramente, x es un estimador consistente de , as como S
2
y S
2
n
lo son de
2
.

c) Eficiencia : Se dice que un estimador
1
es mas eficiente que otro
estimador
2
de si la variancia del primero es menor que la del segundo ; esto
es :
2
n
<
2
n
, entonces
1
es mas eficiente que
2
.

d) Suficiencia : Intuitivamente, decimos que un estimador es suficiente, si
transmite tanta informacin de la muestra como es posible acerca del parmetro,
de modo que no ser proporcionada mayor informacin por cualquier otro
estimador calculado de la misma muestra; y si se obtiene el valor de un
estadgrafo suficiente, los valores de muestra mismos no proporcionan mas
informacin sobre el parmetro. Por ejemplo, tanto la Media ( X ) como la
Mediana (Me), como el centro de amplitud (C.A.) pueden ser usados como
estimadores de ; sin embargo, solo la media X toma en cuenta cada valor o
toda la informacin de la muestra, mientras que el centro de amplitud solo toma
en cuenta el primer y ltimo valor, y la mediana es una medida de tendencia
central de posicin. As pues, la media X es un estimador suficiente para .


El parmetro est ubicado en la media
de la distribucin muestral; E() =
(a) Estimador insesgado

El parmetro no est ubicado en la media
de la distribucin muestral; E()
(b) Estimador sesgado
Sesgo
ESTIMACIONES PUNTUALES Y DE INTERVALO DE CONFIANZA

Estimacin puntual. Es un slo nmero que se utiliza para estimar un
parmetro de poblacin desconocido.

Estimaciones de intervalo. Describe un intervalo de valores dentro del cual es
posible que este un parmetro de poblacin.

Ejemplo. Si decimos que una distancia se ha medido como 5.28 metros,
estamos dando una estimacin de punto. Por otra parte, si decimos que la
distancia es 5.28+0.03 m (o sea, que esta entre 5.25 y 5.31 m), estamos dando
una estimacin de intervalo. El margen de error (o la precisin) de una
estimacin nos informa de su fiabilidad.

Nivel de confiabilidad. La probabilidad que asociamos con una estimacin de
intervalo se conoce como el nivel de confiabilidad. Esta probabilidad indica qu
tanta confianza tenemos de que la estimacin de intervalo incluya al parmetro
de la poblacin.

Intervalo de confianza. Es el alcance de la estimacin que estamos haciendo.
Por ejemplo, si informamos que tenemos 90% de confianza de que la media de
la poblacin del ingreso de las personas que viven en una cierta comunidad
estar entre $8.000 y $24.000, entonces el intervalo ($8.000 - $24.000) ser
nuestro intervalo.


RELACIN ENTRE EL NIVEL DE CONFIABILIDAD E INTERVALO DE
CONFIANZA.
Podra pensarse que deberamos utilizar un alto nivel de confianza, como 99%,
en todos los problemas sobre estimaciones. Despus de todo, parece ser que
un alto nivel de confianza significa un alto grado de precisin en lo que a la
estimacin concierne. En la prctica, sin embargo, altos niveles de confianza
producen intervalos de confianza grandes, y estos no son precisos.


CALCULO DE ESTIMACIONES DE INTERVALO DE LA MEDIA A PARTIR DE
MUESTRAS GRANDES:

*Cuando se conoce la desviacin poblacional:

x
z x
, Donde:
n
x

=


Error estndar de la
media para una
poblacin infinita.
*Cuando no se conoce la desviacin estndar de la poblacin:

x
z x

, Donde:
n
x

=
y
1
) (

= =
n
x x
s
i

CALCULO DE ESTIMACIONES DE INTERVALO DE LA PROPORCIN A PARTIR
DE MUESTRAS GRANDES:

*Cuando se conoce la proporcin poblacional:

p
z P
, Donde:
n
q p
p
*
=


*Cuando no se conoce la proporcin poblacional:

p
z P

, Donde:
n
q p
p
*

=



ESTIMACIN DE INTERVALOS MEDIANTE LA DISTRIBUCIN t.

El uso de la distribucin t para hacer estimaciones se requiere siempre que el
tamao de la muestra sea menor o igual a 30 y la desviacin estndar de la
poblacin no se conoce. Adems, al utilizar la distribucin t, suponemos que la
poblacin es normal o aproximadamente normal.

CARACTERSTICAS DE LA DISTRIBUCIN t
Sin derivar la distribucin t de manera matemtica, podemos obtener un
entendimiento intuitivo de la relacin de la relacin que existe entre la
distribucin t y la distribucin normal. Ambas son simtricas. En general, la
distribucin t es ms plana que la distribucin normal y hay una distribucin t
diferente para cada tamao posible de muestra. Incluso con esto, conforme el
tamao de muestra se hace mas grande, la forma de la distribucin t pierde su
horizontalidad y se vuelve aproximadamente igual a la distribucin normal.

GRADOS DE LIBERTAD
Anteriormente, afirmamos que existe una distribucin t diferente para cada
tamao de muestra. En un lenguaje estadstico apropiado, diramos: Existe una
distribucin t distinta para cada uno de los posibles grados de libertad. Que
son los grados de libertad? Podemos definirlos como el nmero de valores
que podemos escoger libremente.
Suponga que estamos tratando con dos valores de muestra, a y b, y sabemos
que tienen una media de 18. Simblicamente, la situacin es:
Error estndar
estimado de la
proporcin.
(a + b)/2 = 18
Cmo podemos encontrar los valores que a y b pueden tomar en la situacin?
La respuesta es que a y b pueden ser cualesquiera dos valores cuya suma sea
36, ya que 36 entre 2 es 18.
Suponga que sabemos que a tiene un valor de 10. Ahora b ya no es libre de
tomar cualquier valor, sino que debe tomar el valor de 26.
Este ejemplo nos muestra que cuando existen dos elementos de una muestra y
solo conocemos la media de la muestra de esos dos elementos, entonces somos
libres de especificar solamente uno de tales elementos, pues el otro estar
determinado por el hecho de que los dos elementos suman el doble de la media
de la muestra. En un lenguaje estadstico decimos: tenemos un grado de
libertad.

RESUMEN DE LAS FORMULAS PARA LMITES DE CONFIANZA EN LA
ESTIMACIN DE LA MEDIA Y LA PROPORCIN.



Cuando la poblacin es
finita (n/N > 0.05)
Cuando la poblacin
es infinita (n/N < 0.05)
*Estimacin de la media de la
poblacin ():
Cuando la desviacin estndar de
la poblacin se conoce.
1
*

N
n N
n
z x

n
z x

*Cuando la desviacin estndar
de la poblacin no se conoce ( =
s).
Cuando n>30
1
*

N
n N
n
z x

n
z x

*Cuando n<=30 y la poblacin es
normal o aproximadamente
normal y no se conoce la
desviacin estndar de la
poblacin.
Este caso esta mas all
del objetivo del curso;
consulte a un
especialista en
estadstica.
n
t x
n

) ; 1 (

*Estimacin de proporcin de la
poblacin (P):
Cuando n>30.
n
q p
p
*

=

Este caso esta mas all
del objetivo del curso;
consulte a un
especialista en
estadstica.
p
z p

INTERVALO DE CONFIANZA PARA LA VARIANZA DE UNA POBLACIN
NORMAL

Supongamos que tenemos una muestra de n observaciones procedentes de una
poblacin normal con varianza
2
y representemos por S
2
la varianza muestral.

Es posible demostrar que la relacin existente entre la varianza muestral y la
varianza de la poblacin presenta una distribucin Chi-Cuadrado con N-1 libertad

As,
2
2
2
1
) 1 (

S n
n

Sigue una distribucin Chi-cuadrado con (n-1) grados de libertad.

Para derivar la frmula que nos permite el clculo de intervalos de confianza para la
varianza, se requiere ampliar la notacin

= > ) (
2
,
2
v v
P donde
2
v
es la variable
aleatoria que tiene una distribucin Chi-cuadrado con v grados de libertad.
2
,

v
Ser el valor para el cul

= > ) (
2
,
2
v v
P



Para una probabilidad dada necesitaremos el correspondiente valor
2
,

v
, el cul
se puede encontrar entre los valores de la funcin de distribucin acumulada de la
variable aleatoria Chi-Cuadrado recogidos en la tabla.

Ejemplo. Supongamos que queremos hallar un nmero para el cul la probabilidad
de que una variable aleatoria Chi-cuadrado con 6 grados de libertad sea mayor que
dicho nmero es igual a 0.05
05 . 0 ) (
2
05 . 0 , 6
2
6
= > P
de la tabla se tiene que
59 . 12 ) (
2
05 . 0 , 6
= P


2
,

v
1-

f(
2
v
)
2
v

Utilizando la notacin que se acaba de definir tenemos que

2 / ) (
2
2 / ,
2

= >
v v
P
De manera similar, se define
2
2 / 1 ,

v
como el valor que verifica
2 / 1 ) (
2
2 / 1 ,
2

= >
v v
P
y, por tanto,
2 / ) (
2
2 / ,
2

= <
v v
P
Finalmente,


= = < <

1 2 / 2 / 1 ) (
2
2 / ,
2 2
2 / 1 , v v v
P


Para calcular intervalos de confianza para la varianza poblacional, tenemos que
para la distribucin Chi-cuadrado con (n-1) grados de libertad
(
(

< <

=
(

<

< =
< < =



2
2 / 1 , 1
2
2
2
2 / , 1
2
2
2 / , 1
2
2
2
2 / 1 , 1
2
2 / , 1
2 2
2 / 1 , 1
) 1 ( ) 1 (
) 1 (
) ( 1

n n
n n
n v n
S n S n
P
S n
P
P


Por tanto, si S
2
es el valor observado de la varianza muestral, un intervalo de
confianza del 100(1- )% vendr dado por:

2
2 / 1 , 1
2
2
2
2 / , 1
2
) 1 ( ) 1 (

< <

n n
S n S n


NOTA. Se puede advertir sobre el peligro de seguir este procedimiento cuando la
distribucin de la poblacin no es normal. La validez del estimador por intervalos
para la varianza depende en mayor medida de la hiptesis de normalidad.
2
2 / ,

v
1- /2
f(
2
v
)
2
v

/2
2
2 / 1 ,

v
DETERMINACIN DEL TAMAO DE LA MUESTRA PARA LA ESTIMACIN DE
MEDIAS.

La pregunta de qu tan grande debe ser una muestra surge inmediatamente al inicio
del planteamiento de cualquier encuesta o experimento. Esta es una pregunta
importante y no se debe tratar a la ligera. Tomar una muestra mas grande de lo
necesario para obtener los resultados deseados es un desperdicio de recursos,
mientras que, por otro lado, las muestras demasiado pequeas con frecuencia dan
resultados que carecen de uso prctico.

El objetivo de la estimacin por intervalos es el de obtener intervalos estrechos con
alta confiabilidad. Si se observan los componentes de un intervalo de confianza, se
ve que su dimensin esta determinada por la magnitud de la cantidad:
(Coeficiente de confiabilidad) x (error estndar)
ya que la magnitud total del intervalo es el doble de esta cantidad. Para un
determinado error estndar, el aumento de confiabilidad implica un coeficiente de
confiabilidad mayor. Sin embargo, un coeficiente de confiabilidad mayor, para un
error estndar fijo, produce un intervalo de mayor dimensin.

Por otra parte, si se fija el coeficiente de confiabilidad, la nica forma de reducir la
dimensin del intervalo es la reduccin del error estndar. Dado que el error
estndar es igual a //n y como es una constante, la nica forma de obtener un
error estndar menor es tomar una muestra grande. Qu tan grande debe ser la
muestra? Esto depende del tamao de la desviacin poblacional, as como el grado
de confianza y dimensin del intervalo deseado.

TAMAO DE MUESTRA EL ESTIMAR LA MEDIA DE LA POBLACIN

2
2 2

z
n =
,




TAMAO DE MUESTRA EL ESTIMAR LA PROPORCIN DE LA POBLACIN

2
2
) 1 ( *

p p z
n

=
,


MUESTREO CUANDO LA POBLACIN ES FINITA
Para estimar Para estimar P
2 2 2
2 2
) 1 (

z N
Nz
n
+
=

) 1 ( ) 1 (
) 1 (
2 2
2
p p z N
p p Nz
n
+

n--- Tamao necesario de la muestra.
z--- Nmero de unidades de desviacin estndar de la distribucin
Normal que producir el nivel deseado de confianza.
--- Error o diferencia mxima entre la media muestral y la media de
la poblacin.
--- Desviacin estndar de la poblacin
P--- Es la proporcin de poblacin que posee la caracterstica
de inters. Si no se puede estimar la proporcin P, se puede
igualar P a 0.5 y resolver para n.

PRUEBAS DE HIPTESIS

Al intentar alcanzar una decisin, es til hacer hiptesis (o conjeturas) sobre la
poblacin implicada. Tales hiptesis, que pueden ser o no ciertas, se llaman
hiptesis estadsticas. Son en general, enunciados acerca de las distribuciones de
probabilidad de las poblaciones.

*Hiptesis nula (H
0
)
En muchos casos formulamos una hiptesis estadstica con el nico propsito de
rechazarla o invalidarla. As, si deseamos decidir si un procedimiento es mejor que
otro, formulamos la hiptesis de que no hay diferencia entre ellos (o sea, que
cualquier diferencia observada se debe simplemente a fluctuaciones en el muestreo
de la misma poblacin.

*Hiptesis Alternativa (H
1
)
Toda hiptesis que difiera de una dada. Por ejemplo:

Si una hiptesis es H
0
: = 200 (la media de la poblacin es igual a 200)
Consideramos tres hiptesis alternativas posibles:
H
1
: = 200 La media de la poblacin no es igual a 200
H
1
: > 200 La media de la poblacin es mayor a 200
H
1
: < 200 La media de la poblacin es menor a 200


CONTRASTES DE HIPTESIS Y SIGNIFICACIN, O REGLAS DE DECISIN
Son los procedimientos que nos capacitan para determinar si las muestras
observadas difieren significativamente de los resultados esperados, y por tanto nos
ayudan a decidir si aceptamos o rechazamos hiptesis. Por ejemplo, si lanzramos
una moneda 20 veces, y salieran 16 caras, estaramos inclinados a rechazar la
hiptesis de que la moneda es buena.


ERRORES DE TIPO DE I Y DE TIPO II

ERROR TIPO I: Es el rechazo de una hiptesis nula cuando es cierta, y su
probabilidad es el nivel de significacin de la prueba ()

ERROR DE TIPO II: Es aceptar una hiptesis nula cuando es falsa y su
probabilidad se simboliza ()

INTERPRETACIN DEL NIVEL DE SIGNIFICACIN.
En la prctica, es frecuente un nivel de significacin de 0.05 0.01. Si por ejemplo,
se escoge el nivel de significacin 0.05(5%), entonces hay unas cinco oportunidades
entre 100 de rechazar la hiptesis cuando debiera haberse aceptado; es decir,
tenemos un 95% de confianza de que hemos adoptado la decisin correcta. En tal
caso la hiptesis tiene una probabilidad 0.05 de ser falsa.
a) Nivel de significancia de 0.01











b) Nivel de significancia de 0.10











c) Nivel de significancia de 0.50











*Preferencia por el error tipo I. Cometer el error tipo I, implica el tiempo y los
problemas de volver a trabajar un lote de compuestos qumicos que debieran
haber sido aceptados. Cometer un error tipo II significa arriesgarse a que todo
un grupo de consumidores de este compuesto qumico se envenenen. Esta
compaa preferir el error de tipo I sobre el de tipo II, estableciendo niveles de
significancia muy altos en sus pruebas para obtener () bajas.

*Preferencia por el error tipo II. Cometer un error tipo I implica desarmar un
motor, pero cometer un error tipo II implica realizar reparaciones de garanta
relativamente baratas por parte del comerciante. (Se establecen menores
niveles de significancia).

H0

0.99 del rea
0.005
del rea
0.005
del rea

H0

0.90 del rea
0.05 del
rea
0.05 del
rea

H0

0.50 del rea
0.25 del
rea
0.25 del
rea
x
HIPTESIS

Decisin sobre el tipo de distribucin a utilizar en la prueba de hiptesis:
Despus de decidir el nivel de significancia a utilizar, se debe determinar la
distribucin de probabilidad adecuada (Z o t). Se utiliza t cuando no se conoce la
desviacin estndar de la poblacin y/o el tamao de muestra es menor o igual a 30.
Adems se debe recordar utilizar el multiplicador para poblacin finita.

PRUEBAS DE HIPTESIS DE DOS EXTREMOS Y DE UN EXTREMO.
Contrastes de dos colas o bilaterales: Cuando la regin critica se divide en
dos partes, generalmente con iguales probabilidades en cada cola de la
distribucin del estadstico de prueba.
H
0
: =
0
,
H
1
:
0

Contrastes unilaterales o de una cola: Cuando estamos interesados en
valores extremos a un lado de la media, tal como sucede cuando se contrasta
la hiptesis de que un proceso es mejor que otro.
H
0
: =
0
H
0
: =
0
H
1
: <
0
H
1
: >
0

Algunas lneas guas son deseables para determinar cul hiptesis deber ser
establecida como H
0
y cual como H
1
. Primero, debe leerse el problema
cuidadosamente para determinar la afirmacin que desea probarse. La afirmacin
debe sugerir una sola direccin como, por ejemplo, ms que, menos que, superior a,
inferior a, etc., entonces H
1
se establecer utilizando el smbolo de desigualdad
(< >) correspondiente a la direccin sugerida. Si, por ejemplo, al probar un nuevo
medicamento se desea presentar fuerte evidencia de que se ayudar a mas del
30% de la gente, de inmediato se escribe H
1
: p > 0.3 y entonces la hiptesis nula se
escribe H
0
: p = 0.3. Si la afirmacin sugiere una direccin compuesta (igualdad y
direccin) como, por ejemplo, al menos, igual que o mayor que, no mayor que, etc.,
entonces, esta direccin compuesta completa ( o ) se expresa como H
0
, pero
utilizando nicamente el signo igual, y H
1
se da en la direccin opuesta. Por fin, si
no se sugiere direccin alguna en la afirmacin, entonces H
1
se establece utilizando
el signo diferente que ().

Ejemplo 1:
El fabricante de una marca de cigarrillos afirma que el contenido de nicotina
promedio no excede de 2.5 miligramos. Plantee la hiptesis nula y alternativa a ser
utilizadas para probar esta afirmacin y determine donde se localiza la regin crtica.

Solucin. La afirmacin del fabricante deber rechazarse solo si es mayor que 2.5
miligramos y deber aceptarse si es menor que o igual que 2.5 miligramos. Dado
que la hiptesis nula siempre especifica un solo valor del parmetro. Se prueba:
H
0
: = 2.5,
H
1
: > 2.5.

No obstante que se ha establecido la hiptesis nula con el signo igual, se entiende
que se incluye cualquier valor no especificado por la hiptesis alternativa. En
consecuencia, la aceptacin de H
0
no implica que sea exactamente igual a 2.5
miligramos, sino que no se tiene evidencia suficiente para estar a favor de H
1
. Ya
que se tiene una prueba de una cola, el smbolo mayor que indica que la regin
crtica cae por completo en la cola derecha de la distribucin del estadstico de
prueba X.

Ejemplo 2:
Un agente de bienes races afirma que el 60% de todas las residencias privadas que
se construyen hoy en da son casas de tres recamaras. Para probar esta
afirmacin, se inspecciona una muestra grande de nuevas residencias; se registra la
proporcin de los hogares con tres recamaras y se utiliza como el estadstico de
prueba. Plantee la hiptesis nula y alternativa a ser utilizadas en esta prueba y
determine la localizacin de la regin crtica.

Solucin. Si el estadstico de prueba es mucho ms grande o ms pequeo que
p=0.6, se rechaza la afirmacin del agente. De aqu que debe realizarse la prueba:
H
0
: p = 0.6,
H
1
: p 0.6.

La hiptesis alternativa implica una prueba de dos colas con la regin critica dividida
por igual en ambas colas de la distribucin de P, el estadstico de prueba.

Se considera apropiado en este momento resumir los procedimientos para la prueba
de hiptesis. Para este resumen, supngase que la hiptesis es H
0
: =
0
.

1. Establecer la hiptesis nula H
0
de que =
0
.
2. Seleccionar una hiptesis alternativa apropiada H
1
de una de las alternativas
<
0
, >
0

0.

3. Seleccionar un nivel de significancia de tamao .
4. Seleccionar el estadstico de prueba apropiado y establecer la regin crtica.
(Si la decisin se va a basar en un valor P no es necesario establecer la
regin crtica.)
5. Calcular el valor del estadstico de prueba de los datos muestrales.
6. Decidir: rechazar H
0
si el estadstico de prueba tiene un valor en la regin
crtica (o si el valor calculado de P es menor igual que el nivel de significancia
deseado ); de otra forma, no rechazar H
0
.

CONTRASTES ESPECIALES

1. Medias: x
~
Media muestral
x
~
= Media de la poblacin
n
x

=
~

Desviacin.
El valor Z viene dado por:
n
x
Z
/
~

=
Cuando sea necesario, se utilizar la desviacin muestral S
como estimacin de .

2. Proporciones: P Proporcin de xitos en una muestra
p
p
= , donde p es la proporcin de xitos de la poblacin.

n
pq
n
p p
p
=

=
) 1 (


El valor de Z viene dado por:
n pq
p P
Z
/

=
En el caso P = x/n, donde x es el numero real de xitos en una
muestra , Z es
npq
N x
Z

=

Esto es,
npq
np
x
x
= =
= =


~
~


Ejemplos:
1. Una muestra aleatoria de 100 muertes registradas en los Estados Unidos
durante el ao pasado mostr una vida promedio de 71.8 aos. Suponiendo
una desviacin estandar poblacional de 8.9 aos, parecera esto indicar que
la vida promedio hoy en da es mayor que 70 aos? Utilice un nivel de
significancia del 0.05.

Solucin. Siguiendo el procedimiento de los seis pasos, se tiene:

1. H
0
: = 70 aos.
2. H
1
: > 70 aos.
3. = 0.05.
4. Regin crtica: Z > 1.645, donde:
n
x
Z
/
~
0

=
5. Clculos: 8 . 71
~
= x aos, 9 . 8 = aos, y 02 . 2
100 / 9 . 8
70 8 . 71
=

= Z
6. Decisin: se rechaza H
0
y se concluye que la vida promedio hoy en da es
mayor que 70 aos.







P
Z


El valor P correspondiente a Z = 2.02 est dada por el rea de la regin sombreada.
Al utilizar la tabla de distribucin normal, se tiene:

P = P(Z>2.02) = 0.0217.

Como resultado, la evidencia a favor de H
1
es incluso mas fuerte que la sugerida por
un nivel de significancia del 0.05.


PRUEBAS SOBRE UNA SOLA MEDIA (VARIANCIA DESCONOCIDA)

La estructura de la prueba es idntica que para el caso de conocida con la
excepcin de que el valor en el caso estadstico de prueba se reemplaza por la
estimacin calculada S y la distribucin normal estndar se reemplaza por un
distribucin t . Como resultado, para la hiptesis bilateral:

H
0
: =
0

H
1
:
0

El rechazo de Ho en un nivel de significacin resulta cuando una estadstica t
calculada:
n
s
x
t
0

=

Excede a t/2,n-1 o es menor que - t/2 ,n-1.

De esta manera, esta regin critica de doble cola se aplica en un estilo similar al del
caso de conocida. Para la hiptesis bilateral en un nivel de significancia , se
aplican las regiones criticas de doble cola. Para H
1
: >
0 el rechazo resulta cuando
t
> t , n-1.
Para H
1
: <
0 , la regin critica esta dada por
t < t ,n-1.

0 2.02
Ejemplo: El Edison Electric Institute ha publicado cifras acerca de la cantidad anual
de kilowatts hora consumida por varios aparatos para el hogar. Se afirma que la
aspiradora consume un promedio de 46 kilovatios hora al ao. Si una muestra
aleatoria de 12 hogares incluidos en un estudio planeado indica que las aspiradoras
consumen un promedio de 42 kilovatios hora al ao con una desviacin estandar de
11.9 kilovatios hora. Sugiere esto con un nivel de significancia de 0.05 que las
aspiradoras consumen, en promedio, menos de 46 kilovatios hora al ao?.
Suponga que la poblacin de kilovatios hora es normal.

SOLUCION:

1. H
0
: =46 kilowatts hora
.
2. H
1
: < 46 kilowatts hora

3. = 0.05.
4. Regin crtica: t < -1.796, donde:
n s
x
t
/
~
0

=
Con v = 11 grados de libertad.

5. Clculos: 42
~
= x kilovatios hora, 9 . 11 = s kilovatios hora y n=12. De aqu que:
16 . 1
12 / 9 . 11
46 42
=

= t

P = P(t<-1.16) = 0.135.

6. Decisin: Se acepta Ho y se concluye que la cantidad promedio de kilovatios
consumidos anualmente por aspiradoras para el hogar no es significativamente
menor que 46.
DISTRIBUCIN CHI-CUADRADA

La Distribucin Normal se utiliza en todos aquellos casos que ofrecen dos resultados
posibles; cuando se presentan mas de dos resultados posibles debe aplicarse la
prueba Chi-Cuadrado.
Esta prueba es realizada en todos aquellos casos en los cuales el anlisis de los
datos estn basados en el conteo, es decir, provienen de una caracterstica
cualitativa (atributos) por no ser medidas tal como ocurre con la variable.

TABLAS DE CONTINGENCIA. Un cuadro de contingencia, es un arreglo en el cual
un conjunto de observaciones se dispone conforme a dos criterios de clasificacin,
uno de los cuales se expresa en las columnas y el otro en los renglones.

Primer nivel del criterio
de clasificacin
Segundo
nivel de
criterio de
clasificacin
1 2 3 ... c Total
1 n
11
n
12
n
13
n
1c
n
1.
2 n
21
n
22
n
23
n
2c
n
2.

3 n
31
n
32
n
33
n
3c
n
3.

:
r n
r1
n
r2
n
r3
n
rc
n
r.

Total n
.1
n
.2
n
.3
n
.c
n

Esta tabla se denominar tabla de rxc. (Renglones xColumnas)
A los totales de renglones y columnas se les denomina frecuencias
marginales.

PRUEBA DE INDEPENDENCIA. Para esta prueba nos interesa saber si un atributo
o clasificacin es independiente del otro y generalmente corresponde a resultados
obtenidos a traves de una muestra de una poblacin. Se prueba la hiptesis nula de
que dos criterios de clasificacin son independientes.

Ejemplo.
Un grupo de investigadores, al estudiar la relacin entre el tipo sanguneo y la
severidad de una afeccin en la poblacin, reuni los datos de 1500 personas, los
cuales se presentan en la tabla de contingencia. Los investigadores desean saber si
estos datos son compatibles con la hiptesis de que el grado de la afeccin y el tipo
sanguneo son independientes.

Tipo de sangre Severidad
de la
condicin.
A B AB O Total
Ausente 543

211 90 476 1320

Moderada 44 22 8 31 105
Severa 28 9 7 31 75
Total 615 242 105 538 1500
Solucin
1. Hiptesis.
H
0
: El tipo sanguneo y la severidad de la afeccin son independientes
H
1
: Las dos variables no son independientes.
Sea = 0.05
2. Estadstica de prueba:
( )
(

=
i
i
E
E O
2
1 2

3. Punto Crtico:
2

, con v=(r-1)(c-1) grados de libertad.

Si
2
>
2

, se rechaza la hiptesis nula de independencia.

Para calcular el estadstico de prueba es necesario encontrar las frecuencias
esperadas (E
i
) para cada celda:

GranTotal
nglon Total na TotalColum
esperada Frecuencia
) Re ( * ) (
=

A partir de las frecuencias esperadas y observadas es posible calcular:

( )
90 . 26
) 90 . 26 31 (
...
96 . 212
) 96 . 212 211 (
2 . 541
) 2 . 541 543 (
2 2 2
2
1 2

+ +

=
(

i
i
E
E O

= 0.0058987 + 0.018039 + ... + 0.624907
= 5.12

4. Decisin estadstica. No se rechaza H
o
porque 5.12 no es mayor que 12.592.
5. Conclusin. No se rechaza H
0
. Estos datos son compatibles con la hiptesis
de que el grado de la afeccin y el tipo sanguneo son independientes.

TABLA DE CONTINGENCIA DE 2X2.

A veces, cada uno de los dos criterios de clasificacin puede dividirse en slo dos
categoras o niveles. Cuando los datos se clasifican cruzados de esta manera, el
resultado es una tabla de contingencia que consta de dos renglones y dos
columnas. Esta tabla se conoce como tabla de 2x2.

Ejemplo.

Una muestra de 500 nios de una escuela primaria se clasific en forma cruzada
respecto a su estado de nutricin y desempeo acadmico. Los resultados se
muestran en la siguiente tabla:

Estado de nutricin Desempeo
acadmico. Malo Bueno Total
Ausente 105

15 120
Moderada 80 300 380
Total 185 315 500

Los investigadores desean saber si es posible concluir que existe una relacin entre
el estado de nutricin y el desempeo acadmico.

Solucin.

1. Hiptesis.
H
o
: El estado nutricional y el desempeo acadmico son independientes
H
1
: Las dos variables no son independientes.
Sea = 0.05.

2. Estadstico de prueba: Se obtiene como se mostr en el ejemplo anterior.
Sin embargo, en el caso de la tabla de contingencia de 2x2, Chi-Cuadrado
puede obtenerse de la siguiente manera:

) )( )( )( (
) (
2
2
d c b a d b c a
cb ad n
+ + + +

=

3. Punto crtico.
2

, con v=(r-1)(c-1)=1 grado de libertad.

4. Regla de decisin: Rechazar H
0
si
2
>
2
,v


Estadstico de prueba:
( )( ) ( )( ) [ ]
746 , 172
380 * 120 * 315 * 185
80 15 300 105 500
2
=

=

5. Conclusin. Los investigadores pueden concluir que existe una relacin entre
las caractersticas de estudio.
PRUEBAS DE HOMOGENEIDAD

Se utiliza para determinar si dos o ms muestras aleatorias provienen de la misma
poblacin o de poblaciones diferentes. Cuando se dice que las clasificaciones son
homogneas, se quiere dar a entender que tienen algo de comn.

Suponer, por ejemplo, que se decide seleccionar a 200 demcratas, 150
republicanos y 150 independientes de los votantes de un estado y se registra si
estn a favor de una ley de aborto propuesta, en contra de ella o indecisos.

Afiliacin poltica Ley de
aborto. Demcrata Republicano Independiente Total
A favor 82

70 62 214
En contra 93 62 67 222
Indecisos 25 18 21 64
Total 200 150 150 500

Ahora bien, mas que probar la independencia, se prueba la hiptesis de que las
proporciones de la poblacin en cada rengln son iguales, esto es, se prueba la
hiptesis de que las proporciones de Demcratas, Republicanos e Independientes a
favor de la ley de aborto son iguales; y las proporciones de los que en cada afiliacin
poltica estn indecisos son las mismas.

Suponiendo homogeneidad, se encuentra de nuevo las frecuencias esperadas de
celdas multiplicando los totales correspondientes de rengln y de columna y luego
dividiendo entre el gran total. El anlisis contina entonces utilizando el mismo
estadstico Chi-Cuadrado de antes.

Ejercicio. Con referencia a los datos de la tabla, probar la hiptesis de que las
opiniones relacionadas con la ley de aborto propuesta son las mismas en cada
afiliacin poltica. Utilizar un nivel de significacin de 0.05.

Solucin

1. Hiptesis:
H
0
: Para cada opinin, las proporciones de Demcratas, Republicanos e
Independientes son las mismas.
H
1
: Para al menos una opinin, las proporciones de Demcratas,
Republicanos e Independientes no son las mismas.
= 0.05
2. Estadstico de prueba: Primero se realiza el clculo de los valores esperados
en cada celda utilizando la frmula vista anteriormente.

GranTotal
nglon Total na TotalColum
esperada Frecuencia
) Re ( * ) (
=
Ahora bien,
( )
2 . 19
) 2 . 19 24 (
...
2 . 64
) 2 . 64 59 (
2 . 64
) 2 . 64 70 (
6 . 85
) 6 . 85 82 (
2 2 2 2
2
1 2

+ +

=
(

i
i
E
E O

= 2,90

3. Punto crtico:
2

, Con v=(r-1)(c-1)=4 grados de libertad.

488 , 9
2
=

Decisin: No se rechaza H
0
, y se concluye que las proporciones de Demcratas,
Republicanos e Independientes son las mismas para cada opinin establecida. Esto
es, las tres afiliaciones polticas son homogneas con respecto a la opinin
expresada por los votantes.

Ejercicio 1.
En un consultorio se trat a un grupo de personas que se quejaban de insomnio,
dndole a unos pastillas para dormir y a otros pastillas de azcar (que hacan creer
que eran para dormir). Despus de someterlos a observacin se obtuvo el siguiente
resultado:


Durmieron
No
durmieron
Total
Pastillas para
dormir
35

5 40
Pastillas de
azcar
45 15 60
Total 80 20 100

Pruebe a un nivel del 5% que no existe diferencia.
Ejercicio 2.

Varios estudios proporcionan la evidencia suficiente para apoyar la hiptesis de que
el manejo o amansamiento de las ratas durante las primeras etapas de su vida
produce resultados benficos. Suponer que en un estudio se compara una muestra
de ratas manipuladas y una muestra de ratas no manipuladas, comparadas con
respecto al estado general de salud. Los resultados son los siguientes:

Grupo Estado de
salud Manejadas No manejadas Total
Alto 37

23 60
Bajo 13 27 40
Total 50 50 100

Apoyan estos datos la hiptesis? Sea = 0.05.
BIBLIOGRAFA



BERENSON, M L., LEVINE, D.M. Estadstica para Administracin y Economa.

CANAVOS, G.C. Probabilidad y Estadstica. Aplicaciones y mtodos.
McGraw-Hill, 1993

CHOW, Y.L.; Anlisis estadstico.1977.

MENDENHALL, WILLIAM, Estadstica matemtica con aplicaciones, Grupo editorial
ibero Amrica.

NEWBOLD, PAUL. Estadstica para los negocios y la economa, editorial Prentice
Hall. Cuarta edicin.

WALPOLE, R.E, MYERS, R. Probabilidad y Estadstica para Ingenieros.
Prentice Hall

WAYNE W. D., Bioestadstica: base para el anlisis de las ciencias de la salud.
Mxico: Editorial Limusa Wiley.2002