Sie sind auf Seite 1von 488

Estadstica Bsica

Aplicaciones

Carmen Rosa Barreto


Rodrguez

Estadstica Bsica
Aplicaciones

Catalogacin de la Fuente
Barreto Rodrguez, Carmen Rosa
Estadstica Bsica: Aplicaciones.- Chimbte: ULADECH, 2007 290 p.; il.; 21 cm. (Serie
Universidad en marcha N 5) D. Lea. N 2008 - 08727 ISBN: 978-603-45269-3-8
1.

Estadstica Bsica 1.- Estadstica Descriptiva 3.- Probabilidades D. 519.5/b25

ESTADSTICA BSICA 1 Serie: Universidad en marcha N 5 Primera edicin: Enero 2007


Primera reimpresin: Julio 2008 Tiraje: 1 millar
Carmen Rosa Barreto Rodrguez
De esta edicin Universidad Los ngeles de Chimbte Jr. Leoncio Prado N 443 Chimbte Ancash - Per telf.: (043) 342698 www.uladeeh.edu.pe
Manuel Cardoza Sernaqu - Editor
Hecho el depsito legal en la Biblioteca Nacional del Per Reg. N 201209837 ISBN: 978-60345269-3-8
Impreso en Per en Imprenta Editora Grfica Real S.A.C.
Jr. Independencia 953, Trujillo - Per T. (51-44)253324 www.graficarealtrujillo.com
Prohibida la reproduccin total o parcial de esta obra sin previa autorizacin escrita de los titulares de copyright

Impreso en Per / Printed in Per


ISBN: 978-603-45269-4-5

9 786034

526945

A mis padres Alejandrina y Raymundo, a mi hijo Ayrton Benjamn a quien con inmenso
amor dejo abierto el camino de la superacin, y a mi maestro Julio Domnguez
Granda.

Nota preliminar

Las tcnicas y mtodos fundamentales de la estadstica descriptiva e inferencial regularmente


incluidos en un curso de estadstica bsica, la explicacin sencilla de estos mtodos que
contribuyen a la formacin bsica de los estudiantes de diversas especialidades, son analizadas en
este iibro surgido de la experiencia docente en las aulas de la Universidad Los ngeles de
Chimbte, que busca de esta forma subsanar la escasez de bibliografa adecuada a que debe tener
acceso el estudiante.
Estadstica Bsica /Aplicaciones consta de siete captulos: Estadstica Descriptiva, Medidas de
Resumen, Distribuciones Bidimensionales de Frecuencias. Nociones de Probabilidad,
Distribuciones de Probabilidad Importantes, Introduccin a la Inferencia Estadstica e
Introduccin a las Tcnicas de Muestreo: teora complementada con ejemplos resueltos y
problemas propuestos a los cuales se ha anexado como apndice las principales tablas
estadsticas.
Este libro es un aporte del docente al estudiante, al sistema y a la vida universitaria que demanda
un cambio urgente en el desempeo de sus actores; es una herramienta de utilidad innegable que
dejamos en manos del educando y el maestro acucioso, como testimonio de un trabajo y una fe
en la educacin peruana que da a da se multiplica en las miradas de los hombres y mujeres que
protagonizan el trabajo educativo peruano.

El Editor

NDICE
Pg.
1. ESTADSTICA DESCRIPTIVA
15
1.1. QU ES LA ESTADSTICA?
15
1.2. DIVISIN DE LA ESTADSTICA.
15
1.3. RESEA HISTRICA DE LA ESTADSTICA.
16
1.4. IMPORTANCIA DE LA ESTADSTICA.
17
1.5.LA ESTADSTICA EN EL DESARROLLO DE LA19 INVESTIGACIN.
1.6.VARIABLES.
20
1.7.ESCALAS DE MEDICIN.
21
1.8. TRMINOS DE ESTADSTICA.
22
1.9. RECOLECCIN DE DATOS.
23
1.9.1.
Fuentes de Informacin.
23
1.9.2.
Sistemas de Recoleccin.
24
1.9.3.
Tcnicas de Recoleccin.
24
1.10.
ORGANIZACIN Y CLASIFICACIN DE DATOS.25
1.10.1.
Revisin y Correccin de Datos.
25
1.10.2.
Con
struccin de Tablas de Distribuciones de
25
Frecuencias.
1.10.2.1.
Di
stribuciones de Frecuencias para
26
Variables Cuantitativas.
1.10.2.2.
Di
stribucin de Frecuencias para
35
Variables Cualitativas.
1.10.3.
Representacin Tabular y Grfica.
36
1.10.3.1.
Cuadr
os Estadsticos
36
1.10.3.2.
Repre
sentacin Grfica
37
2. MEDIDAS DE RESUMEN
53
2.1. MEDIDAS DE TENDENCIA CENTRAL.
53
2.1.1.
La Media Aritmtica.
53
2.1.2.
La Mediana.
58
2.1.3.
La Moda.
63
2.2. MEDIDAS DE POSICIN O CUANTILAS
67
2.2.1.
Cuartiles.
67
2.2.2.
D
eciles.
71 2 2 3 Percentiles
74
2.3.MEDIDAS DE DISPERSIN O VARIABILIDAD.
77
2.3.1.
Rango o Recorrido de una Variable.
78
2.3.2.
Rango Intercuartil.
78
2.3.3.
Rango Semi Intercuartil.
79
2.3.4.
Varianza.
80
2.3.5.
Desviacin Estndar o Tpica.
82
2.3.6.
Coeficiente de Variacin.
83
2.4.MEDIDAS DEASIMETRA.
84

2.4.1.
2.4.2.

El Coeficiente de Asimetra de Pearson.


84
La Media Asimtrica.
85
2.5.MEDIDAS DE KRTOSIS.
87
2.6.DIAGRAMA DE CAJA.
89
3. DISTRIBUCIONES BIDIMENSIONALES DE FRECUENCIAS.
95
3.1. TIPOS DE VARIABLE ESTADSTICA BIDIMENSIONAL.
95
3.2.REPRESENTACIN DE LA INFORMACIN MEDIANTE TABLAS
95 BIDIMENSIONALES.
3.3. DISTRIBUCIONES MARGINALES.
97
3.4. FRECUENCIAS RELATIVAS BIDIMENSIONALES.
98
3.5. PROPIEDADES DE LAS FRECUENCIAS BIDIMENSIONALES.100
3.6.MEDIDAS ESTADSTICAS EN UNA DISTRIBUCIN
101
BIDIMENSIONAL DE FRECUENCIAS.
3.6.1.Medias y Varianzas Marginales para las Variables X e Y.
101
3.6.2.
Covarianza.
103
4. NOCIONES DE PROBABILIDAD.
107
4.1. EXPERIMENTO.
107
4.1.1.
Experimento Determinstco.
107
4.1.2.
Experimento Aleatorio.
108
4.1.3.
Caractersticas de un Experimento Aleatorio.
108
4.2. ESPACIO MUESTRAL.
108
4.2.1.
Espacio Muestral Discreto.
109
4.2.2.
Espacio Muestral Continuo.
109
4.3. EVENTOS.
109
4.3.1.
Tipos de Eventos.
109
4.3.2.
Operaciones con Eventos.
110
4.3.3.Eventos Mutuamente Excluyentes y Colectivamente 112
Exhaustivos.
4.3.4.
Propiedades de las Operaciones con Eventos.
113
4.4. PROBABILIDAD.
115
4.5. TIPOS DE PROBABILIDAD.
115
4.5.1.
Probabilidad Clsica.
115
4.5.2.
Probabilidad de Frecuencia Relativa.
116
4.5.3.
Probabilidad Subjetiva.
118
4.6. AXIOMAS DE PROBABILIDAD.
118
4.7. TEOREMAS DE LOS AXIOMAS DE PROBABILIDAD.
119
4.8. PROBABILIDAD CONDICIONAL.
119
4.9. REGLAS DE PROBABILIDAD.
120
4.9.1.
Probabilidad del Producto.
120
4.9.2.
Probabilidad de la Suma.
122
4.10. TABLAS DE CONTINGENCIA Y TABLAS DE PROBABILIDAD.
125
4.10.1.
Tablas de Contingencia.
125
4.10.2.
Tablas de Probabilidad.
125
4.11.
TEOREMA DE BAYES.
128
4.11.1.
Particin de un Espacio Muestral.
128
4.11.2.
Probabilidad Total.
128
4.11.3.
Teorema de Bayes.
129
5. DISTRIBUCIONES DE PROBABILIDAD IMPORTANTES
141

5.1.DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO.


141
5.1.1.
Distribucin de Bernoulli.
141
5.1.2.
Distribucin Binomial.
142
5.1.2.1.Uso de la Tabla de la Distribucin Binomial.
144
5.1.3.
Distribucin
de Poisson.
145
5.1.3.1.
Distri
bucin de Poisson como Aproximacin de la
147
Binomial.
5.1.3.2.
Uso de la Tabla de la
Distribucin de Poisson.
147
5.2.DISTRIBUCIONES DE PROBABILIDAD DETIPO CONTINUO. 148
5.2.1.
Distribucin Normal.
148
5.2.1.1.Propiedades de la Distribucin Normal. 149
5.2.1.2.
La Distribucin Normal Estndar. 150
5.2.1.3.Uso de Tablas de la Distribucin Normal Estndar.
150
5.2.1.4.Propiedades para el Clculo de Otras Areas en la
Distribucin Normal Estndar.
154
5.2.1.5.Aplicaciones de la Distribucin Normal Estndar.
157
5.2.2.
Distribucin t de Student.
161
5.2.2.1.UsodeTablas de la Distribucin t de Student. 162
5.2.3.
Distribucin Chi Cuadrado.
165
5.2.3.1.Uso de la Tabla de la Distribucin Chi Cuadrado.
166
6. INTRODUCCIN A LA INFERENCIA ESTADSTICA.
173
6.1.ESTIMACIN DE PARMETROS.
173
6.1.1.
Estimacin Puntual.
173
6.1.2.
Estimacin por Intervalos.
173
6.1.2.1.Intervalo de Confianza para la Media Poblacional.
174
6.1.2.2.
Intervalos de Confianza para la Proporcin
Poblacional. 180
6.1.2.3.
Interv
alos de Confianza para la Diferencia de Medias
183
Poblacionales.
6.1.2.4.
Interv
alos de Confianza para la Diferencia de Medias
191
Poblacionales con Observaciones Pareadas.
6.1.2.5.
Interv
alo de Confianza para la Diferencia de
194
Proporciones Poblacionales.
6.2.PRUEBADEHIPTESIS.
195
6.2.1.
Prueba de Hiptesis para la Media Poblacional.
199
6.2.2.
Prueba de Hiptesis para la Proporcin Poblacional.
208
6.2.3.
Prueb
a de Hiptesis para la Diferencia de Medias
214
Poblacionales.

6.2.4.
a de Hiptesis para la Diferencia de Medias
Poblacionales con Observaciones Pareadas.
6.2.5.
a de Hiptesis para la Diferencia de Proporciones
Poblacionales.
6.3.ANLISIS DE REGRESIN LINEALSIMPLE.
6.3.1.
Eleccin de una Relacin Funcional.
6.3.2.
El Mtodo de los Mnimos Cuadrados Ordinarios.
6.4.ANLISIS DE CORRELACIN LINEALSIMPLE.
6.5.PRUEBADE INDEPENDENCIA.
7. INTRODUCINA LAS TCNICAS DE MUESTREO.
7.1.TIPOS DE MUESTREO.
7.1.1.
Mtodos de Muestreo Probabilstico.
7.1.2.
Mtodos de Muestreo no Probabilstico.
7.2.CALCULO DELTAMAO MUESTRAL.
7.2.1.
Para el Muestreo Aleatorio Simple.
7.2.2.
Para el Muestreo Aleatorio Sistemtico.
7.2.3.
Para el MuestreoAleatorio Estratificado.
7.2.4.
el MuestreoAleatorio por Conglomerado.
APNDICE.
BIBLIOGRAFA.

Prueb
223
Prueb
227
230
231
232
241
245
269
269
269
270
271
271
274
274
Para
276
279
289

Carmen Rosa Barreto Rodrguez

10

CAPITULO 1
ESTADSTICA DESCRIPTIVA 1.1 .QU ES LA
ESTADSTICA?
El origen etimolgico de la palabra "estadstica no est bien
determinado, puesto que existen distintas opiniones y referencias. Para
algunos viene de la voz griega STATERA que significa balanza, otros
sostienen que deriva del latn STATUS que significa situacin,
mientras que algunos autores afirman que procede del alemn STAAT
que significa Estado.
En el caso concreto de suponer que viene del vocablo "Estado, es por
el hecho de que una de las funciones tradicionales del gobierno central
y del Estado es llevar registros sobre la situacin de la poblacin,
nacimientos, defunciones, produccin, impuestos y otros hechos
contables y de control.
La evolucin y desarrollo de la estadstica en el mundo actual es tal
que sera difcil dar una definicin precisa de este concepto, pero
particularmente daremos la siguiente definicin: La estadstica es una
ciencia que proporciona un conjunto de mtodos y tcnicas que se
utilizan para recolectar, organizar, presentar, analizar e interpretar el
comportamiento de los datos con respecto a una caracterstica materia
de estudio e investigacin con la finalidad de obtener conclusiones
vlidas y tomar decisiones razonables de acuerdo a tales anlisis.
1.2.
DIVISIN DE LA ESTADSTICA
La Estadstica se divide en dos grandes reas: Estadstica Descriptiva y
Estadstica Inferencial.
a) Estadstica Descriptiva: Parte de la estadstica que analiza y
describe un conjunto de datos de una muestra o de una
poblacin sin sacar conclusiones de tipo general.
Cuadro
s

>

Anlisis
Descriptivo

b) Estadstica Inferencal: Parte de la Estadstica que infiere o induce


leyes de comportamiento para una poblacin a travs de una muestra aleatoria
seleccionada de dicha poblacin.
1.3.

Estadstica Inferencial

E
SEA HISTRICA DE LA ESTADSTICA
El desarrollo de la Estadstica atraviesa portres etapas:
a) Etapa Inicial:
Se extiende desde la antigedad hasta mediados del siglo XVIII. Se
caracteriza porque la Estadstica est asociada a los censos poblaciones y
registro de bienes y servicios de un Estado o pueblo
Desde los comienzos de la civilizacin han existido formas sencillas de
estadstica, pues ya se utilizaban representaciones grficas y otros
smbolos en pieles, rocas, palos de madera y paredes de cuevas para
contar el nmero de personas, animales o ciertas cosas. Hacia el ao
3000 A.C. los babilonios ya usaban pequeas tablillas de arcilla para
recopilar datos en tablas sobre la produccin agrcola y de los gneros
vendidos o cambiados mediante el trueque. Los egipcios analizaban los
datos de la poblacin y la renta del pas mucho antes de construir las
pirmides en el siglo XXXI A.C.
Los libros bblicos de nmeros y crnicas incluyen en algunas partes
trabajos de estadstica. El primero contiene dos censos de la poblacin de
Israel y el segundo describe el bienestar natural de las diversas tribus
judas. En China existan registros numricos similares con anterioridad al
ao 2000 A.C. Los griegos clsicos realizaban censos cuya informacin se
utilizaba hacia el ao 594 A.C. para cobrar impuestos. El Imperio Romano
fue el primer gobierno que recopil una gran cantidad de datos sobre la
poblacin, superficie y renta de los territorios bajo su control. Durante la
Edad Media slo se realizaron algunos censos exhaustivos en Europa. Los
reyes carolingios, Pipino El Breve y Cario Magno, ordenaron hacer estudios
minuciosos de las propiedades de la Iglesia en los aos 758 y 762,
respectivamente.

Despus de la conquista normanda de Inglaterra en 1066. el Rey


Guillermo I de Inglaterra encarg un censo. La informacin obtenida con
este censo, llevadoa cabo en 1086, se recoge en el Domesday Betk. El
registro de nacimientos y defunciones comenz en Inglaterra a principios
del siglo XVI, y en 1662 apareci el primer estudio estadstico notable de
poblacin, titulado Observations in the London Bills of Mortality
(Comentarios sobre las partidas de defuncin en Londres).
Un estudio similar sobre la tasa de mortalidad fue utilizado por el
astrnomo ingls Edmund Halley como base para la primera tabla de
mortalidad. En nuestro pas, en el Imperio Incaico los registros de
poblacin y censo se llevaron a cabo mediante los quipus.
b) Etapa de la Sistematizacin:
Se caracteriza por la aparicin de tres escuelas que sistematizan la
estadstica:
b.1) Escuela Alemana: Cre la primera ctedra en estadstica, en las
universidades alemanas se enseaba la tcnica de los censos. Se
considera esta disciplina como la descripcin de los fenmenos
concernientes al Estado
1 administracin.
b.2) Escuela Inglesa: Cuantificaron las leyes que rigen los fenmenos
sociales y como consecuencia arimetizar la estadstica. Se le conoce a
esta disciplina como Estadstica Investigadora.
b.3) Escuela Francesa: Introduce la teora de las probabilidades como
fundamento matemtico de la Estadstica. La teora de las probabilidades
se incorpora rpidamente como un instrumento poderoso para el estudio
de los fenmenos econmicos y sociales y en general para el estudio de
fenmenos cuyas causas son demasiado complejas para conocerlos
totalmente y hacer posible su anlisis.
c) Etapa Actual:
Comprendida entre principios del siglo XIX hasta nuestros das. En esta
etapa la matemtica se plasma como columna vertebral de la estadstica
y se caracteriza por el gran desarrollo alcanzado como ciencia y como una
metodologa de la investigacin cientfica aplicada a todas las ramas del
saber humano: Ingeniera, Biologa, Economa, Medicina, Agronoma,
Educacin, Comercio, Derecho, etc.
2

.IMPORTANCIA DE LA ESTADSTICA
La estadstica es importante, desde el punto de vista cultural, en la
formacin general del ciudadano, quien precisa tener cierta cultura
estadstica para leer e interpretar cuadros y grficos que con frecuencia
aparecen en los medios informativos; por su utilidad en las diferentes
disciplinas como herramienta bsica para la investigacin en el estudio de

fenmenos complejos en los que hay comenzar por definir el objeto de


estudio y las variables relevantes, tomardatos de los mismos,
interpretaciones y analizarlos; por su aporte en el desarrollo personal
fomentando un razonamiento critico basado en la valoracin de la
evidencia objetiva, es decir hemos de ser capaces de usar los datos
cuantitativos para controlar nuestros juicios e interpretar el de los dems:
es importante para adquirir un sentido crtico de los mtodos y
razonamientos que permitan resolver problemas de decisin y efectuar
predicciones, porque ayuda a comprender otros temas del currculo, tanto
de la educacin obligatoria como universitaria, donde con frecuencia
aparecen grficos, resmenes, trminos o conceptos estadsticos, adems
de ser un buen vehculo para alcanzar las capacidades de comunicacin,
tratamiento de informacin, resolucin de problemas, uso de ordenadores
y trabajo cooperativo y en grupo a los que se da bastante importancia en
los nuevos currculos.
La estadstica es importante, desde una perspectiva econmica y
financiera, por ser ella una herramienta vlida para quien formula las
polticas econmicas, para quien asesora al presidente y a otros
funcionarios pblicos, por su ayuda inteligente en la toma de decisiones
sobre tasas tributarias, programas sociales y otros asuntos que se
manejan en el rea gubernamental y empresarial, as como en el mundo
de los negocios en cuestiones de rentabilidad. Expresa tambin que para
los que trabajan en el rea de investigacin de mercados, la estadstica es
de gran ayuda para determinar la reaccin de los consumidores frente a
los actuales productos de una empresa y en el lanzamiento de los nuevos,
como tambin para evaluar las oportunidades de inversin por parte de
los asesores financieros.
Desde una perspectiva industrial, la estadstica es importante ya que
juega un papel importante en el proceso de transformacin necesario para
la sobrevivencia de la industria nacional en concierto con la industria
mundial. En este nuevo escenario, empresas que sobrevivan a la fuerte
competencia y a los cambios permanentes de la expectativa de los
clientes sern aqullas que demuestran flexibilidad, orientando sus
procesos y productos a los consumidores, con calidad superior, rapidez,
bajo precio y utilizando nuevos recursos para cualquier otro competidor.
Para lograrlo existe una necesidad crtica de los mtodos y pensamientos
estadsticos para tomar decisiones no slo a nivel operacional. sino
tambin en los niveles de alta direccin.
En la actualidad la estadstica es considerada como una de las ciencias
metodolgicas fundamentales y base del mtodo cientfico experimental,
es por eso que como especialista en la materia considero que la

estadstica es muy importante por ser una ciencia de carcter


instrumental para otras disciplinas, tales como medicina, ingeniera,
contabilidad, administracin, educacin, etc., y que contribuye a tomar
decisiones inteligentes y significativas en ambientes de incertidumbre de
acuerdo a la naturaleza del problema por resolver.
2.5.
LA ESTADSTICA EN EL DESARROLLO DE LA INVESTIGACIN
La investigacin cientfica consiste en la bsqueda de la verdad, de una
verdad que ya existe pero que tenemos que descubrir.
El proceso de investigacin cientfica comienza con un problema, que
constituye el punto de partida. Del anlisis lgico del problema surge una
hiptesis, que viene a ser una respuesta preliminar al problema. Para
comprobar la hiptesis, se recolectan pruebas, hechos, datos,
observaciones. etc., los mismos que clasificados, analizados o
interpretados permiten la demostracin de la hiptesis, llegndose a la
generalizacin, es decir, a establecer los principios o leves.
El proceso utilizado es la investigacin cientfica, el principio o ley que se
ha obtenido es la ciencia. La estadstica est relacionada directamente
con el mtodo cientfico por lo siguiente:
En el proceso de observacin y los hechos a observar. Adems, la
estadstica ayuda a que las observaciones sean exactas.
En el proceso de formulacin de hiptesis la estadstica permite
descubrir algunas relaciones que conducen a la formulacin de hiptesis.
En el proceso de verificacin de hiptesis la estadstica permite, a
travs de sus tcnicas, la presentacin adecuada de los resultados y el
uso correspondiente de las pruebas de significacin en el anlisis
inferencial.

Esquemticamente podemos observar esta relacin:


RELACIN DE LA ESTADSTICA CON EL MTODO CIENTFICO

MTODO CIENTFICO

ESTADISTICA

Observaciones Formulacin de
hiptesis Verificacin de
hiptesis

Datos
Datos relacionados Tcnicas
adecuadas

2.5.1.
Etapas del Mtodo Estadstico: De acuerdo con
el orden de aplicaciones de la estadstica, el mtodo
estadstico se lleva a cabo en cuatro etapas:
a) Etapa de Planificacin: Esta etapa define claramente la
naturaleza y objetivos de la investigacin, as como los detalles
concernientes a la recoleccin, clasificacin y anlisis de la
informacin, en base a lo cual se describen las caractersticas de
una determinada poblacin o se confirma o niega una determinada
hiptesis de trabajo.
b) Etapa de Recoleccin: Esta etapa consiste en determinar los
mtodos de recoleccin adecuados para preparar los instrumentos
de recoleccin, probar del mtodo y los instrumentos de
recoleccin seleccionados y realizar la recoleccin de datos.
c) Organizacin y Presentacin de Datos: En esta etapa se debe
tratar de asegurar la validez y confiabilidad de los datos
recopilados. Luego se debe clasificar y tabular los datos y
finalmente presentarlos en cuadros estadsticos y grficos.
d) Anlisis e Interpretacin de Resultados: En esta etapa se
calculan indicadores y medidas de resumen que describen el
conjunto de datos.
2.6. VARIABLES
Es una caracterstica de la poblacin que se va a investigar y puede tomar
diferentes valores.
Las variables se clasifican en: cuantitativas y cualitativas:
a) Variables Cuantitativas: Cuando el valor de la variable es de
carcter numrico.
Las variables cuantitativas pueden ser discretas y continuas.
a. 1) Variable Cuantitativa Discreta: Cuando el valor de la
variable est representado slo por nmeros enteros (positivos).
Ejemplo 1:
X: nmero de hijos
a. 2) Variable Cuantitativa Continua: Cuando el valor de la
variable puede tomar cualquier valor dentro de un rango dado, por
tanto se expresa por cualquier nmero real.

Ejemplo 2:
X: precio en soles b) Variabie Cualitativa: Cuando expresa una cualidad
o atributo tiene carcter cualitativo, Sus datos se expresan mediante una
palabra. Es no numrico.
La variable cualitativa puede ser: nominal u ordinal.
b.1) Variable Cualitativa Nominal: Es aqulla que establece la
distincin de los elementos en las categoras sin implicar orden entre
ellas.
Ejemplo 3:
X: sexo: masculino, femenino.
b. 2) Variable Cualitativa Ordinal: Es aqulla que agrupa a los
objetos, individuos, en categoras ordenadas para establecer
relaciones comparativas. Ejemplo 4:
Y: nivel de pobreza: o pobre, pobre, muy pobre, extremadamente pobre.
2.7.
ESCALAS DE MEDICIN
Las variables no slo se clasifican, sino tambin se miden. La medicin se
hace con el fin de diferenciar, por comparacin, un elemento de otro en
las caractersticas de la variable. Esto se hace a travs de niveles o
escalas, entre las cuales tenemos:
a) Escala Nominal: Es el nivel ms simple de medicin donde las
variables establecen categoras sin orden. En este nivel las
categoras slo se nombran o se enumeran, pero no se comparan.
Ejemplo 5:
X: sexo: masculino y femenino
b) Escala Ordinal: Es el segundo nivel de medicin donde la
variable establece categoras jerarquizadas. Este nivel de medicin
no mide las magnitudes de diferencias, pero si permite apreciar
qu valores asignados a los individuos caen ms altos o ms bajo
que otros.
Ejemplo 6:
X: grado de instruccin: primaria, secundaria, superior
c) Escala de Intervalo: Es el tercer nivel de medicin, entre cuyos
diversos valores que toma la variable existen, a la vez,
clasificacin, orden y grados de distancias iguales entre las
diferentes categoras, es decir, los intervalos son considerados
como equivalentes y con un origen convencional (la unidad de
medida no necesariamente empieza de cero; slo sirve como
punto o valor de comparacin).
Ejemplo 7:
X: coeficiente de inteligencia

d) Escala de Razn o Proporcin: Es el nivel ms alto de medicin y


donde la variable supone o comprende a la vez todos los casos anteriores:
clasificacin, orden, distancia y origen nico natural (la unidad de medida
necesariamente tiene que empezar de cero).
Ejemplo 8:
X: edad en aos
2.8.
TRMINOS DE ESTADSTICA
Considerando que existe un conjunto de trminos que se usan
frecuentemente en estadstica, conviene precisar el significado de algunos
de ellos.
a) Poblacin(N): Es el conjunto de todos los individuos, objetos u
observaciones que poseen alguna caracterstica observable comn.
Ejemplo 9:
La poblacin de estudiantes de la Universidad Los ngeles de Chimbte.
Una poblacin puede clasificarse como finita o infinita.
a. 1) Poblacin Finita: Es aqulla que tiene un nmero limitado de
elementos.
Ejemplo 10:
Las edades de todos los estudiantes de la Universidad Los ngeles de
Chimbte.
a. 2) Poblacin Infinita: Es aqulla que tiene un nmero ilimitado de
elementos.
Ejemplo 11:
El nmero de unidades elaboradas en un proceso de produccin continuo.
b) Muestra (n): Es una parte o un subconjunto representativo de la
poblacin y al proceso de obtener la muestra se llama muestreo. La
seleccin y el estudio de la muestra tiene por objeto la extraccin de
conclusiones que sean vlidas para la poblacin de la cual se obtuvo dicha
muestra.
Ejemplo 12:
Estudio de una muestra aleatoria de 200 estudiantes de la ULADECH
segn su nivel socio econmico.
c) Unidad Estadstica: Tambin se le conoce como unidad de observacin o
unidad de anlisis. Es el elemento u objeto indivisible de la poblacin que
ser analizado y sobre los cuales se obtendrn los datos.
Ejemplo 13:
Si se quiere estudiar el rendimiento acadmico de los alumnos de la
Universidad Los ngeles de Chimbte, la unidad estadstica sern los
alumnos.

d) Datos: Tambin se les conoce como observaciones. Son los


valores recopilados como resultado de las observaciones de una
variable.
e) Parmetro: Es un valor obtenido para describir en forma
resumida las caractersticas pertinentes o ms importantes de una
poblacin.
Ejemplo 14:
El sueldo promedio de todos los trabajadores de la Empresa Sider Per de
Chimbte.
f) Estadgrafo: Tambin se le conoce como estadstico(a). Es una
medida descriptiva de una muestra. El estadgrafo sirve como
estimacin del parmetro.
Ejemplo 15:
El sueldo promedio del 25% de los trabajadores de la Empresa SiderPer
de Chimbte.
g) Indicadores: Son elementos caractersticos que describen una
situacin permitiendo su anlisis. Son referentes empricos que
permiten una medicin, descripcin, ordenamiento de los datos
caractersticos en forma vlida y confiable. Los indicadores no
determinan la realidad, la realidad la determina el valor del
indicador. La validez y confiabilidad del indicador depende de la
validez de los datos utilizados y de la lgica de su relacin o
construccin. Son indicadores los llamados ndices, tasas,
estadgrafos, medidas de resumen, etc.
2.9.
RECOLECCIN DE DATOS
La recoleccin o recopilacin de datos es el momento en el cual el
investigador se pone en contacto con los sujetos, objetos o elementos
sometidos a estudio con el propsito de obtener los datos o respuestas de
las variables consideradas; a partir de estos datos se prepara la
informacin estadstica y se calcula las medidas de resumen e indicadores
para el anlisis estadstico.
Para recogerla informacin se toma en cuenta las siguientes modalidades:
las fuentes de informacin, los sistemas de recoleccin y las tcnicas de
recoleccin.
2.9.1.
Fuentes de Informacin
Es el lugar, la institucin o persona donde estn los datos que se
necesitan para cada una de las variables o aspectos de la investigacin.
Las fuentes de informacin pueden ser:

a) Fuentes Primarias: Cuando los datos se obtienen directamente


de la misma persona o entidad utilizando ciertas tcnicas.
Ejemplo 16:
Llevar a cabo una encuesta para conocer el grado de satisfaccin laboral
en los trabajadores de una empresa x".
b) Fuentes Secundarias: Cuando los datos ya han sido elaborados
y procesados por otras personas o instituciones.
Ejemplo 17:
La informacin estadstica que publica el INEI de los diferentes ministerios
del Per.
2.9.2.
Sistemas de Recoleccin
Son procedimientos que se utilizan para recoger informacin.
Pueden ser:
a) Los Registros: Son libros, padrones en donde se anotan en forma
regular permanente y obligatoria los hechos ocurridos.
Ejemplo 18:
Registros Civiles, RENIEC, Registros Pblicos, etc.
b) Las Encuestas: Son procedimientos de obtencin de informacin
estructurada segn criterios previos de sistematizacin que se
efecta con un propsito especfico en la poblacin o en un sector
de ella. Pueden ser:
b. 1) Encuesta Censal: Cuando abarca toda la poblacin en estudio.
Ejemplo 19:
Censos de poblacin y vivienda de una localidad o pas.
b. 2) Encuesta Muestral: Cuando abarca una parte de la poblacin
en estudio.
Ejemplo 20:
Llevar a cabo una encuesta de preferencia electoral.
2.9.3. Tcnicas de Recoleccin
Son procedimientos que se utilizan para recolectar informacin segn la
naturaleza del trabajo de investigacin. Pueden ser:
El cuestionario, la entrevista, el anlisis de contenido, etc.
a) La observacin: Es la accin de mirar con rigor, en forma
sistemtica y profunda, con el inters de descubrir la importancia
de aquello que se observa.
b) El cuestionario: Es un instrumento constituido por un conjunto de
preguntas sistemticamente elaboradas que se formulan al

encuestado o entrevistado con el propsito de obtener datos de las


variables consideradas en estudio.
c) La entrevista: Es un dilogo entre personas, es una tcnica
donde una persona llamada entrevistador, encuestador o
empadronador solicita al entrevistado le proporcione algunos datos
e informacin.
d) Anlisis de contenidos: Es la tcnica ms elaborada y que goza
de mayor prestigio en el campo de la observacin documental. El
fin o propsito del anlisis del contenido consiste en determinar los
puntos ms importantes de un documento para observar y
reconocer el significado de los mismos en sus elementos, como
palabras, frases, etc., y en clasificarlos adecuadamente para su
anlisis y explicacin.
Puede aplicarse a cualquier forma de comunicacin: programas
televisivos, programas radiofnicos, artculos de prensa, libros, poemas,
conversaciones, pinturas, discursos, cartas, melodas, etc.
2.10.
ORGANIZACIN Y CLASIFICACIN DE DATOS
Una vez que usted ha llevado a cabo la recoleccin de datos es necesario
organizados y presentarlos adecuadamente de tal manera que facilite su
comprensin, descripcin y anlisis del fenmeno en estudio y obtener
conclusiones vlidas para la toma de decisiones. Se consideran las
siguientes actividades: revisin y correccin de los datos, construccin de
tablas de distribucin de frecuencias y representacin tabular y grfica.
2.10.1.
Revisin y Correccin de los Datos
Todo anlisis estadstico, por acabado y seguro que sea, es capaz de
suministrar respuestas inadecuadas si ste se basa en una informacin
incorrecta, es por eso que es necesario inspeccionar la validez y
confiabilidad de los datos para corregir los errores y omisiones de acuerdo
a ciertas reglas.
2.10.2.
Construccin de Tablas de Distribucin de Frecuencias
Despus de la revisin y correccin de los datos recopilados,
seguidamente se deben ordenar y clasificar segn su magnitud y
agruparlos de acuerdo a sus caractersticas en grupos ms condensados
en una tabla de frecuencias. En ella se observa la frecuencia o repeticin
de cada uno de os valores de la variable despus de realizar la operacin
de tabulacin.

2.10.2.1. Distribucin de Frecuencias para Variables Cuantitativas:


Son tablas de trabajo estadstico que presentan la distribucin de un
conjunto de datos cuando la variable es cuantitativa ya sea discreta o
continua.
Cuando la variable es discreta se llama distribucin de frecuencias en
puntos aislados. Cuando la variable es continua se llama distribucin de
frecuencias en intervalos de clase. Para construir este tipo de tablas se
deben tomar en cuenta los siguientes elementos:
%

a) Valor de la variable o Intervalo de clase: Tambin se le conoce


como clase, resulta de la clasificacin o categorizacin de la
variable y se representa por Y alos puntos y por Ll - LS a los
intervalos.
b) Frecuencia Absoluta: Es el nmero de veces que se repite un
determinado valor de la variable; en el caso de intervalos, es el
nmero de observaciones comprendidas en dicho intervalo. Se
representa por con (=1,2... m); donde m representa el nmero
de valores distintos que toma la variable Y, o el nmero de
intervalos considerados (m<n). Asimismo, la suma de las
frecuencias absolutas simples es igual al nmero total de
observaciones y se expresa del siguiente modo:

m
f\ + fl + .....+ fm =Yjf
1=1

c) Frecuencia Relativa: Es el cociente de la frecuencia absoluta de


cada clase entre el nmero total de observaciones. Esta frecuencia
se denota por h, con (i=1,2,...m). Entonces:

^ _ frecuencia absoluta de cada clase _ f nmero


total de observaciones n
La frecuencia relativa simple toma valores comprendidos entre 0 y 1, es
decir:

O < h, < 1
Asimismo, la suma de las frecuencias relativas simples es igual a 1, es
decir:
ni

,7

+/l

2 +-

+h

X f'

=1

/=!
d) Frecuencia Relativa Porcentual: Es la frecuencia relativa
multiplicada por 100. Se representa por h/0 y se considera como el
porcentaje de observaciones correspondientes a cada clase. La
frecuencia porcentual est comprendida entre 0 y 100. Donde:

h% = h

x 100

e) Frecuencia Absoluta Acumulada: Resulta de acumular o sumar


sucesivamente las frecuencias absolutas. Se representa por F ,
donde:

F, = f,
F2=f, + f2
F3=f, + f2+f3
Fm = f, + f2+...fm=n
f) Frecuencia Relativa Acumulada: Resulta de acumular o sumar
sucesivamente las frecuencias relativas. Se representa por H,
donde:

H,=h,

H2=h, + h2
H3=h, + h2 +
h3
Hm = ht+h2 + h3+...hm = 1
La frecuencia relativa acumulada toma valores comprendidos entre 0 y 1,
es decir:

0 <H <1
(

g) Frecuencia Relativa Acumulada Porcentual: Es la frecuencia


relativa acumulada multiplicada por 100%. Se representa por Ht% y
se considera como el porcentaje de observaciones acumuladas
hasta cierta clase, donde:
H:

%=

x100

A. Distribucin de Frecuencias en Puntos Aislados: Cuando la


variable es discreta generalmente los valores de la variable son

pocos, por lo que puede considerarse cada uno de ellos como una
clase.
La distribucin de frecuencias absolutas toma la siguiente forma:
TABLA N 1 Distribucin de frecuencias absolutas en puntos
aislados
Valores de la variables

Frecuencias absolutas

y,

f,

Y.
Y,

f,
f,

Total

Ejemplo 21:
Los siguientes datos hipotticos corresponden a una muestra de pequeas
empresas, segn su nmero de trabajadores afiliados al Sistema Privado
de Pensiones (SPP).
0
2
2

1
3
2

4
3
3

3
3
4

0
2
3

2
4
3

2
2
3

2
4
2

1
1
2

2
2
1

a) Construya una distribucin de frecuencias absolutas.


Solucin:
Para la construccin de una distribucin de frecuencias, tal como se indic
anteriormente primero se clasifican o determinan los distintos valores de
la variable y luego se tabula, tal como se muestra en la siguiente tabla:
TABLA N 2 Distribucin de pequeas empresas segn su nmero
de trabajadores afiliados al SPP
N de trabajadores

CONTEO

Y,

N de empresas
f,

II

1
2
3
4

lili
IHJ fHJ II
INI III
lili

4
12
8
4

______

30

Total

Fuente: Datos hipotticos

A continuacin le mostraremos una distribucin de frecuencias ampliada


para las diferentes frecuencias descritas en las pginas 26 y 27.

TABLA N 3 Distribucin de frecuencias ampliada

y,

f,

/,

n,

V,

f,

F,

h,

H,

h,%

H,%

Y?

f*
f,

F2
F3

h2
h3

H2

Y3

H3

h2%
h3%

H2%
H3%

Ym

Fm

hm

Hm

hm%

Hm%

Total

1.00

100

H,

Ejemplo 22:
a) Construir una distribucin de frecuencias ampliada para las
diferentes frecuencias dadas.
b) Interpretar f3, F3, h3% y H3%.
Solucin:
TABLA N 4
Distribucin de pequeas empresas segn su nmero de trabajadores
afiliados al SPP
Nde
Frec.
N' de
trabaj empresas acumulada
adore
s
f,
F,

Frec.
relativa

1
2

4
dD

3
4
Total

Frec.
Frec.
Frec.
relativa porcentual porcentual
acumulada
acumulada
H,

h, %

H, %

0.07

0.07

0.13
0.40

0.20
0.60

13

20

8
4

26
30

0.27
0.13

0.87
1.00

27
13

87
100

30

1.00

100

Fuente: Datos Hipotticos.

dD

b) Interpretacin:
f3 Hay 12 pequeas empresas que tienen 2 trabajadores afiliados SPP.
F3 : Hay 18 pequeas empresas que tienen 2 trabajadores o menos
afiliados al SPP.
h3%: El 40% de pequeas empresas tienen 2 trabajadores afiliados al SPP.
H3%: El 60% de pequeas empresas tienen 2 trabajadores o menos
afiliados al SPP.
B. Distribucin de Frecuencias en Intervalos de Clase: Se utiliza
generalmente cuando la variable es cuantitativa continua, aqu los
valores de las variables son nmerosos por lo que no puede
considerarse cada uno de ellos como una clase, lo cual es
necesario agruparlos en intervalo de clase. Se siguen los
siguientes pasos para su construccin:
a) Determinar el Rango (R): Se obtiene restando el valor mximo
y el valor mnimo. As:
R = Valor Max. - Valor Min.

b) Determinar el Nmero de Intervalos (m): El criterio a seguir


para determinar el nmero de intervalos generalmente del mismo
tamao es que el mismo sea suficientemente pequeo para lograr
la simplificacin deseada, pero lo suficientemente grande para
minimizar los posibles errores declasificacin. Naturalmente, no es
conveniente utilizar muchos intervalos de pequea amplitud ya
que en un caso extremo, equivaldra a trabajar con los datos
originales. Por otra parte, un nmero muy reducido de intervalos
significa cierta concentracin y la prdida de informacin
consiguientemente, como ocurrira en otro caso si se considerase
un solo intervalo. Se recomienda:
b. 1) Considerare! nmero de intervalos entre 5 y 20.
5 < m < 20
b. 2) Utilizar la regla de Sturges para determinar el nmero de
intervalos:
m= 1 +3.33logn
Donde: n es el nmero de observaciones de la muestra.
c) Determinar la Amplitud Intervlica (C): Tambin se le conoce
como ancho del intervalo y se obtiene dividiendo el rango entre el
nmero de intervalos.

d) Determinar los Lmites de Clase, de manera que cada observacin


se clasifique sin ambigedades en una sola clase.

e) Determinar las Marcas de Clases: La marca de clase o punto


medio de cada intervalo se hala mediante la semisuma del lmite
inferior y del lmite superior. As:

Los cuales presentamos a continuacin:


Intervalos
Ll, - LS

Marca de Clase
y,

[yo - y )
[y-, - y2)

yY;

[ym. - y',,)

y~

f) Finalmente, se halla la frecuencia absoluta de cada clase. As:

TABLA N 5 Distribucin de frecuencias absolutas en intervalos


de clase
Intervalos

Marca de clase

U U) ~LS n

y,

Frecuencia absoluta
simple

[yo - y'-)

y,

f,
f,

(y - - y,)

y?

f,

[yV-, - y',)

y*

Total

Ejemplo 23:
Los siguientes datos corresponden a una muestra aleatoria de los
gastos semanales en dlares de 20 turistas que se alojarn en el hotel
"Los Delfines' de la ciudad de Lima en febrero de 2004:
400 500 550 600 680 750 780 850 1000 850 630 640 650 700 740 750
800 750 890 950
La informacin fue obtenida de los Registros de Consumo de Clientes de
dicho hotel.
a) Construir una distribucin de frecuencias absolutas utilizando la
regla de Sturges.

b) Construir una distribucin de frecuencias ampliadas para las


diferentes frecuencias dadas.
c) Interpretarf2, F2, h2% y H2%.
Solucin:
Siguiendo los pasos establecidos:
Hallando el rango (R):
R = Valor Mx-ValorMn.
R = 1000-400 = 600
Hallando el nmero de intervalos (m): m= 1 + 3.33 log n n = 20
Iog20 = 1.30 m = 1 +3.33x1.30 = 5.33 m = 5 intervalos.
Hallando la amplitud intervlica (C):
C= R = 600 =120 m 5
Determinando los lmites de clases y sus respectivas marcas de clase.
Gastos semanales en
dlares

Marca de clase

y,

LI ( i) ~ LS U)
[400 - 520)

460

[520 - 640)
[640 - 760)
[760 - 880)
[880 - 1000]

580
700
820
940

a) Determinando la distribucin de frecuencias absolutas:


TABLA N 6
Distribucin de turistas segn sus gastos semanales en dlares
Gastos semanales en
dlares
^ id

ls

,,,

Marca de
Clase
y,

Conteo

N de
turistas
./;

[400 - 520)

460

II

[520 - 640)
[640 - 760)
[760 - 880)
[880 - 1000]

580
700
820
940

III
n+J-lll
lili
III

3
8
4
3

Total

20

Fuente: Registro de consumo de cliente Hotel Los


Delfines"

b) A continuacin le mostramos la distribucin de frecuencias ampliada


para las diferentes frecuencias dadas:
TABLA N 7
Distribucin de turistas segn sus gastos semanales en dlares
Hotel Los Delfines - Lima Febrero - 2004

[400 - 520)

460

N de
turista
s
/,
2

[520 - 640)
[640 - 760)
[760 - 880)
[880 - 1000]

580
700
820
940

3
8
4
3

20

Gastos semanales en
dlares
Uu) - LSU)

Total

Marca
de
clase
y,

F,

/?,
%

11, %

0.10

0.10

10

10

5
13
17
20

0 15
0.40
0.20
0.15

0.25
0.65
0.85
1.00

15
40
20
15

25
65
85
100

1.00

100

Fuente: Registros de consumo de clientes. Hotel Los Delfines".


c) Interpretando:
f2 3 turistas tuvieron gastos semanales de $520 o ms pero menos de
S640.
F2 : 5 turistas tuvieron gastos semanales de $400 o ms pero menos de
$640.
h2%: El 15% de los turistas tuvieron gastos semanales de $520 o ms pero
menos de $640.
H2%: El 25% de los turistas tuvieron gastos semanales de $400 o ms pero
menos de $640.
2.10.2.2.
Distribucin de Frecuencias para
Variables Cualitativas: Este tipo de distribucin se
utiliza para clasificar los datos de una variable
cualitativa nominal u ordinal; tambin toma el
nombre de distribucin d' frecuencias por atributos.
TABLA N 8
Distribucin de frecuencias para variables cualitativas
Variable

Xt
x,
x2

Frecuencia
absoluta
/,

Frecuencia
relativa

f,
f*

h,
h2

Frecuencia
relativa
porcentu
al h%
h,%
h2%

h%

Total

1.00

100%

Ejemplo 24:
Los siguientes datos corresponden a una muestra aleatoria de 30
docentes de la Universidad Los ngeles de Chimbte, segn su estado
civil, del semstre 2004-II:
s

C
V

C
C
C

C
C
S

D
D

C
C
V

D
C
C

S
S
C

s
s

C
C
C

C
C
C

Donde:
S: Soltero; C: Casado"; V: Viudo y D: Divorciado La
informacin fue obtenida de la Oficina de Personal de dicha
universidad
a) Construir una distribucin de frecuencias absolutas, relativas y
relativas porcentuales.
b) Interpretar f2 y h2%
Solucin:
a) Como resultado de la clasificacin y tabulacin se tiene:
TABLA N 9
Distribucin de docentes segn su estado civil Universidad Los
Angeles de Chimbte Semestre 2004-11
Estado Civil

N de docentes

Frecuencia
relativa

x,

f,

Soltero

0.23

Frecuencia
relativa
porcentual
h %
23

Casado
Viudo
Divorciado

18
2
3

0.60
0.07
0.10

60
7
10

Total

30

1.00

100

FUENTE: Oficina de Personal. Universidad Los ngeles de Chimbte.


b) Interpretando:
f2 Hay 18 docentes que son casados. h2%:
El 60% de los docentes son casados.
1.10.3 Representacin Tabulary Grfica
Una vez que ha recolectado y clasificado la informacin, resulta
imprescindible representarlo de manera adecuada, de tal forma que le
permita hacer un anlisis til. Existen dos tipos de presentacin: los
cuadros estadsticos y grficos.
1.10.3.1. Cuadros Estadsticos: Es un arreglo tabular de filas y
columnas en donde se representan los datos de una muestra bajo
un ordenamiento convencional predeterminado con el objeto de
facilitar su lectura, anlisis e interpretacin.
Partes de un Cuadro Estadstico: Las partes de un cuadro
estadstico son: cdigo o nmero, ttulo, encabezado, columna principal o
matriz, cuerpo y fuente.
Ejemplo 25:
f
CUADRO N 1 -------- CODIGO
TTULO J Casos recibidos por la Defensoria del Pueblo
segn tipo L
Per: 2001 -2002

> FUENTE: Defensoria del Pueblo. Oficina de Informacin de Sistemas

a) Cdigo: Nmero de identificacin.


b) Ttulo: Expresa en forma resumida la informacin que contiene, se
coloca en la parte superior del cuadro.
El ttulo de un cuadro estadstico debe ser completo y conciso.
Se refiere a completo a que debe tener los cuatro elementos
fundamentales: poblacin, variable, lugary tiempo.
Se refiere a conciso a que debe ser breve.
c) Encabezado: Primera fila del cuadro, explica las categoras y el
objeto de cada una de las columnas.

d) Columna principal o matriz: Formada por la primera columna y nos


indica tambin las caractersticas.
e) Cuerpo: Su formacin se presenta en filas y columnas.
f) Fuente: Se coloca en la parte inferior del cuadro y nos indica el
lugar en donde se obtuvieron los datos contenidos en el cuadro.
1.10.3.2. Representacin Grfica: Un grfico es la representacin
de un fenmeno estadstico por medio de figuras geomtricas
(puntos, lneas, rectngulos, paraleleppedos, etc.) cuyas
dimensiones son proporcionales a la magnitud de los datos
representados. Su objetivo principal es la representacin de los
datos en forma grfica, que permita a simple vista darse cuenta
del conjunto de elementos presentados y de evidenciar sus
variaciones y caractersticas. El grfico es un auxiliar del cuadro
estadstico, no lo sustituye, sino lo complementa.
Entre los grficos ms usuales tenemos: grfico de bastones, histograma
de

frecuencias, polgono de frecuencias, grfico de barras, grfico de


sectores circulares y grfico lineal.
CODIGO
TTULO
<
o
z
UJ
z>
o

CUERPO

UJ

a:

- VARIABLE
FUENTE

Escalas usadas en el trazado de un grfico: La mayora de los


grficos se representan en los llamados Sistema de Coordenadas
Cartesianas" donde hay dos ejes, X (eje horizontal) e Y (eje vertical). En el
eje X se colocan las diferentes clases de la variable y en el eje Y se
colocan las frecuencias (absolutas o porcentuales). La escala de medida
que se usa debe ser de la misma longitud o algo mayor la horizontal que
la vertical. En general, las dos escalas deben guardar una proporcin 1 a 1
y 1 a 2, es decir, si el eje vertical mide 10cm., el eje horizontal debe medir
entre 10 y 20. Esta exigencia se hace con el fin de no distorsionar el
fenmeno que se estudia.
Principales Tipos de Grficos:
a) Grficos de Bastones: Tambin se le conoce como diagrama de
frecuencias, se utiliza generalmente para describir datos cuando la
variable es discreta y su construccin se hace levantando segmentos
perpendiculares al eje de la variable y con una altura proporcional a su
frecuencia absoluta o relativa porcentual.
Ejemplo 26:
Los grficos N 1 y N 2 muestran el grfico de bastones para frecuencias
absolutas y relativas porcentuales de la tabla N 4
GRFICO N 01
Pequeas empresas segn su nmero de trabajadores afiliados al
SPP

12

- -

</>

ro

i/>

tm

a
E

<D
"O

" N. detrabajadores

01

23

Fuente: Datos hipotticos

GRFICO N 02
Porcentaje de pequeas empresas segn el nmero de
trabajadores
afiliados al SPP
40 -.92, 30 +
c

o
o

o
Q.

(O
01

234

20 - .

Fuente: Datos hipotticos.


^ N. de trabajadores

b) Histograma de Frecuencias: Este grfico se utiliza para


describir datos cuando la variable es cuantitativa continua. Su
construccin se hace levantando sobre el eje de la variable
rectngulos que tengan por base la amplitud del intervalo de clase
y una altura proporcional a su frecuencia absoluta o relativa
porcentual.
Ejemplo 27:
Los grficos N 3 y N 4 muestran el histograma de frecuencias absolutas
y relativas porcentuales de la tabla N 7

GRFICO N 3 Turistas segn sus gastos semanales en dlares


Hotel Los Delfines- Lima Febrero: 2004
8 --

400

520

640

760

880

1000

Fuente: Registro de consumo de clientes. Hotel Los Delfines"

Gastos semanales en

GRFICO N 4
Porcentaje de turistas segn sus gastos semanales en dlares
Hotel Los Delfines- Lima Febrero: 2004
4
0
3

C30
*-

8 20
o

CL

1
0

c) Polgono de Frecuencias: Este grfico se utiliza tambin para


describir datos cuando la variable es cuantitativa continua. Su
construccin se hace uniendo los puntos medios superiores de
los rectngulos en el histograma.
Ejemplo 28:
Los grficos N 5 y N 6 muestran el polgono de frecuencias para
frecuencias absolutas y frecuencias relativas porcentuales.
GRAFICO N 5 Turistas segn sus gastos semanales en dlares
Hotel Los Delfines- Lima Febrero: 2004
8 -</>

5 6 +

m
9

4 -

TJ

2 -0 280 400 520 640 7G0 880 1000

Gastos semanaies en
dlares

Fuente: Registro de consumo de clientes. Hotel Los Delfines

GRFICO N 6
Porcentaje de turistas segn sus gastos semanales en dlares
Hotel Los Delfines- Lima Febrero: 2004

Fuente: Registro de consumo de clientes. Hotel Los Delfines.

d) Grfico de Barras: Este grfico se utiliza para describir datos


cuando la variable es cualitativa nominal u ordinal. Su
construccin se hace levantando barras proporcionales a la
frecuencia absoluta o relativa porcentual de la cualidad que
representan.
-

Recomendaciones para su construccin:


Todas las barras deben tener el mismo grosor.
El espacio entre barras debe ser de la misma magnitud y
constituye la mitad del ancho de la barra.
El ancho de la barra debe ser el doble del espacio que se deja entre
barra y barra.
La escala de frecuencia debe empezar de cero.
Las barras, por esttica, deben ordenarse de mayor a menor cuando
se pueda.
No se debe recargar las barras tratando de expresar muchos
productos en cada una de ellas.
Si el grfico tiene muchas barras es mejor expresarlo con un grfico
lineal. Los grficos de barras pueden ser de los siguientes tipos: d.1)
Grfico de Barras Simples: Para su construccin debe contar con un

cuadro de entrada simple (una


informacin dada el Cuadro N 2).

sola

variable,

utilizaremos

la

CUADRO N 2
Casos recibidos por ia Defensora del Pueblo segn tipo
Per: 2002
Tipo de Caso

N de casos recibidos

Quejas

18782

Petitorios
Consultas

8038
24873

TOTAL

51693

Fuente: Defensoria del Pueblo. Oficina de


Informacin de Sistemas y Estadsticas.
Ejemplo 29:
El grfico N 7 muestra el grfico de barras simples con los datos del
cuadro N2.
GRFICO N 7 Casos recibidos por la Defensora del Pueblo segn
tipo
Per :2000
30000

</>

8 20000
o

8 10000
i

o
Quejas

Petitorios
Tipo

Consultas

de

caso

Fuente: Defensora del Pueblo. Oficina de


Informacin de Sistemas y Estadsticas.

d.2) Grfico de Barras Compuestas: Para su construccin se debe


contar con un cuadro de doble entrada (dos variables). El Cuadro N 1
es apropiado para construir este grfico.
Ejemplo 30:
El grfico N 8 muestra el grfico de barras compuestas con los datos
del cuadro N 1.
GRFICO N 8 Casos recibidos por la Defensoria del Pueblo
segn tipo Per: 2001 - 2002
A
O

2001

2002

20000- -

1000
1.
Quejas

Petitorios

TIPO DE CASO

Consultas

Fuente: Defensoria del Pueblo. Oficina


de Informacin de Sistemas y
Estadsticas.

d.3) Grfico de Barras Superpuestas: Este grfico se caracteriza


por representar en una sola figura geomtrica datos que en su
conjunto forman un todo, mostrando la proporcin de cada una de las
partes con relacin al total.
Ejemplo 31:
El grfico N 9 muestra el grfico de barras superpuestas con los datos
del cuadro N 1.

GRFICO N 9 Casos recibidos por la Defensora del


Pueblo segn tipo Per: 2001 -2002
60000
50000
g 40000

(/>

5 30000

Ao 2001
Ao 2002

0)

^ 20000
10000

JL

Quejas Petitorios Tipo de Casos

Consultas

Fuente: Defensora del


Pueblo. Oficina de
Informacin de
Sistemas y
Estadsticas.

e) Grfico de Sectores Circulares o Pastel: Al igual


que el grfico de barras, este grfico se utiliza
generalmente para representar variables cualitativas
(nominal u ordinal). Se usa frecuentemente cuando se
desea comparar cada categora de la variable con respecto
al total. Para su elaboracin se utiliza una circunferencia,
siendo necesario que los valores absolutos y/o
porcentuales sean traducidos en grados. A cada categora
le corresponde un sector de la circunferencia.
Ejemplo 32:
El grfico N 10 muestra el grfico de sectores circulares
con los datos del cuadro N2.
Total

Hallando los ngulos para cada sector:


Tipos de Caso Quejas
=

Petitorios

Consultas

ai

a3=

Angulos(a"
)

18782
x x 360 = 56
360 131'
a2=
51693
8038
51693

24873
51693

360 =
173
360

Se puede comprobar que la suma de los cuatro sectores da 360, tal


como lo podemos observaren la tabla N 9:
TABLA N 09
Casos recibidos por la Defensora del Pueblo segn tipo
Tipo de
Caso
Quejas

f,

18782

36

131

Petitorios
Consultas

8038
24873

16
48

56
173

TOTAL

51693

100

360

La representacin grfica sera la que aparece en el grfico N 10.


GRFICO N 10
Porcentaje de casos recibidos por la Defensora del Pueblo
segn tipo
Per:2002

Quejas
Petitorios

Consultas

Fuente:
16%
Oficina de
Estadsticas

Defensora del Pueblo.


Informacin, Sistemas y

f) Grfico Lineal: Estos grficos se utilizan para representar series


cronolgicas, o sea distribuciones que se desarrollan a travs del
tiempo. Se representan en los ejes de coordenadas cartesianas
mediante lneas rectas o quebradas. En el eje horizontal se ubica
el tiempo (aos, meses, das, etc.) y en el eje vertical el valor de
los datos. Puede incluir ms de un hecho o situacin.
Ejemplo 33:
El grfico N 11 muestra el grfico lineal con los datos del cuadro N 3.

CUADRO N 3
Causas judiciales ingresadas en las Procuraduras Pblicas
PER: 1991 -2002

Aos
N

de

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

causas 9154

7210

13318

15345

17462

20107

20085

21162

24159

28372

32702

38307

Judiciales.

Fuente: Ministerio de Justicia. Oficina de Racionalizacin y


Estadsticas.

GRFICO N 11
Causas Judiciales Ingresadas en las Procuraduras Pblicas
Per: 1991 -2002

Fuente: Ministerio de Justicia. Oficina de Racionalizacin y Estadsticas.

PROBLEMAS PROPUESTOS N 1

1. Detallar tres situaciones en las que se tenga que hacer uso de la


estadstica relacionada con la carrera que est estudiando.
2. Dar cinco ejemplos de poblacin.
3. Dar cinco ejemplos de muestra.

4. En los siguientes casos cul probablemente exija solo el uso de


la Estadstica Descriptiva y cul de la Estadstica Inferencial?
a) Un profesor emplea diferentes mtodos en cada uno de sus dos
cursos a su cargo. Al final del desarrollo del curso compara las
calificaciones obtenidas por sus alumnos con el fin de establecer
cul mtodo es ms eficiente.
b) En una empresa se registra diariamente la hora de ingreso de los
trabajadores mediante el tarjetero electrnico para a final de mes
hacer los descuentos respectivos de ley por las tardanzas.
c) Un economista registra el crecimiento de la poblacin en una
regin determinada.
d) Un psiclogo estudia los efectos de las nuevas tcnicas de
automatizacin sobre el rendimiento de la poblacin.
e) Una universidad X examina la distribucin de las calificaciones
de su examen de admisin para establecer el porcentaje de
postulantes que obtuvieran el puntaje mnimo de ingreso.

a)
b)
c)
d)
e)
f)
g)
h)

5. Analice si las siguientes variables son cuantitativas (discretas o


continuas) y cualitativas (nominales u ordinales), adems
determine la escala de medicin a la que pertenecen.
Ahorros en dlares.
Nmero de hijos.
Tasa de criminalidad.
Colegios profesionales de Chimbte.
Nivel de pobreza.
Programas de televisin.
Mtodo de enseanza.
N de ingresos al penal.
i) Ciclos acadmicos, j) Edad en aos k) Talla en cm.
6. En los siguientes enunciados, indicar si se trata de una muestra
(n) o una poblacin (N).
a) Las elecciones en el Per.
b) Nmero de personas con proceso judicial por trfico de drogas en
el ao 2003.
c) Estudio del 20% de trabajadores de una empresa X segn sus
salarios en soles.
d) Estudio de 100 alumnos de la ULADECH segn su nivel
socioeconmico.

7. D tres ejemplos sobre el uso de fuentes primarias y secundarias


en estudios relacionados a su carrera profesional.
8. D tres ejemplos del uso de los sistemas de recoleccin de
estudios relacionados a su carrera profesional.
9. D tres ejemplos de uso de las tcnicas de recoleccin en
estudios relacionados a su carrera profesional.
10. La siguiente distribucin muestra el peso en gr. de 30 paquetes de
un determinado producto.
Peso en gr.

[10-15)

[15-20)

[20-25)

[25-30)

[30-35)

h,

K/2

0.17

2K

0.13

a) Cuntos paquetes tienen pesos menores de 20 gr.?


b) Qu porcentaje de paquetes pesan 25 gr. o ms?
c) Cuntos paquetes pesan 15 gr. o ms pero menos de 25 gr?
d) Cuntos paquetes pesan entre 15 gr. o ms pero menos de 20
gr.?
11. Completar la siguiente tabla de frecuencias:
L, - Ls

f,

F,

h,

[ - 8.8)
[-)

h, %

H%

12.5
5

[-)

0.25

[ - 12.4)

50

32

[-)

0.975

[-)
TOTAL

40

12. Los siguientes datos corresponden a una muestra de 20 clientes del


Banco
de Crdito de la ciudad de Chimbte segn sus inversiones
mensuales en
dlares en el Programa Credifondo:

5500 4000 3000 3100 2000 3600 1000 3900 2500 3500 6000 4500 4800
3300 3400 3700 1500 3800 2900 3600

La informacin fue obtenida mediante una encuesta realizada por la


empresa Aries S.A. en enero de 2004.
Se pide:
a) Identificarla unidad de anlisisy la variable en estudio.
b) Construir una distribucin de frecuencias ampliada. Utilice la regla
de Sturges para determinar el nmero de intervalos.
c) Interpretar^, F2,h2% y H2%.
d) Determinar qu porcentaje de clientes invierten mensualmente
$4000 o ms pero menos de $6000.
e) Determinar
qu
porcentaje
de
clientes
invierten
$3500
mensualmente.
f) Construir un histograma de frecuencias absolutas y porcentuales
y comentar.
g) Construir un polgono de frecuencias absolutas y porcentuales y
comentar.
13. Dado el siguiente cuadro:

CUADRO N 01
Faltas registradas por la Polica Nacional segn tipo Per: 2001 - 2003
TIPO DE FALTA .

AO
2001

2002

Contra la familia.

51649

51800

Contra
Contra
Contra
Contra
Otros.

91296
1380
534
2248
5106

94855
1222
322
2729
9066

152213

159994

el patrimonio.
las buenas costumbres.
la seguridad pblica.
la tranquilidad pblica.
TOTAL

Fuente; Registros de la Polica Nacional del Per


Se pide:
a) Construir un grfico de barras simples para el tipo de falta
correspondiente al ao 2001 y comentar.
b) Construir un grfico de sectores circulares para el tipo de falta
correspondiente al ao 2002 y comentar.

c) Construir un grfico de barras compuestas y comentar.


d) Construir un grfico de barras superpuestas y comentar.
14.Dado el siguiente cuadro:

CUADRO N 2
Nmero de Ingresantes a la Pontificia Universidad Catlica del Per
1996-2001
AO

1996

1997

N5 de
ingresantes

1720

1642

1998
2411

1999

2000

2001

2476

2213

2521

Fuente: Asamblea Nacional de Rectores (ANR) Direccin de


Estadstica
e Informtica.
15. Construir un grfico lineal para el ndice de Precios al Consumidor
(IPC) mensual del ao 2003 y comentar.
16. Dada la siguiente tabla correspondiente a 30 familias segn su
nmero de
hijos.
N de hijos X

N de familias f

1
2
3
4

5
12
6
4

Total

30

Se pide:
a) Construir un grfico de bastones para frecuencias porcentuales y
comentar.

CAPTULO 2 MEDIDAS DE RESUMEN


El captulo anterior est referido con cierto detalle a la clasificacin de
variables, recoleccin de datos, construccin de tablas de frecuencias y

grficos como formas para ordenar y describir un conjunto de datos para la


toma de decisiones.
Sin embargo, el anlisis resulta todava un tanto incompleto, pues se hace
necesario que todos los datos contenidos en la tabla de distribucin de
frecuencias se puedan reducir an ms para facilitar el anlisis e
interpretacin de la informacin, utilizando medidas de resumen que
generalmente se llaman estadgrafos.
Las
a)
b)
c)
d)
e)
f)

medidas de resumen o estadgrafos ms importantes son:


De tendencia central.
De posicin o cuantilas.
De dispersin o variabilidad.
De deformacin o asimetra.
De apuntamiento o krtosis.
Diagrama de caja.

El estadgrafo es un valor cuyo significado o interpretacin depende de la


forma como se calcula, de la naturaleza de la variable y del contexto donde
se encuentran los elementos de la poblacin o muestra estudiada.
Los estadgrafos pueden calcularse fcilmente mediante el computador, pero
lo importante es la conceptualizacin y su interpretacin depender de la
cultura del investigador.

2.1.

MEDIDAS

DE TENDENCIA CENTRAL

Son estadgrafos que se ubican en la parte central de la distribucin.


Los estadgrafos de tendencia central ms importantes y ms usuales son: la
media aritmtica, mediana y moda.

2.1.1.

La Media Aritmtica: Tambin se le conoce como media o


promedio. Se obtiene sumando todos los valores de los datos
observados y se divide entre el nmero total de ellos.

Media Aritmtica = Suma de los valores de la variable

Notacin :

M[x]

Nmero total de datos

A. Formas de Clculo:
A.1. Para datos no agrupados: La media aritmtica para datos no
agrupados est dado por la siguiente frmula:

I-,
X =

Ejemplo 34:
Los siguientes datos corresponden a una muestra de 10 trabajadores
segn sus sueldos mensuales en soles:
X: 680, 690, 675. 690 700, 660, 720, 680, 670, 675 Calcular la media
aritmtica e interpretar.
Solucin:
Sustituyendo los datos en la frmula se tiene:
_ _ A' .V, -r ,\\ - A-,,, 680 + 690 -f 675 -=- 690 + 700 - 660 ^ 720 + 680 + 670 -f 675

~ 10 ~ 10 ~ 10 .v = 684 soles
Interpretacin: La media de los sueldos mensuales es de 684 soles.
A.2. Para datos agrupados: La media aritmtica para datos agrupados
est dada por la siguiente frmula:
ni

I>, X f

T = ^--------

Donde V , " es la clase o marca de clase de cada grupo o intervalo.


La media aritmtica se obtiene sumando el producto de las clases o
marcas de clase por la frecuencia correspondiente y dividiendo la suma
entre el nmero total de datos.
A.2.1. Media aritmtica cuando la variable es cuantitativa
discreta
Ejemplo 35:
Calcular e interpretar la media aritmtica de los datos de la tabla N 2.
TABLA N 10

N de Trabajadores

N de empresas

y,

f,

1
2
3
4

4
12
8
4

4
24
24
16

TOTAL

30

68

y.*f

Luego:

Yyxf

Z_ <

' ' gg

v = ---------= = 2.3 trabajadores


30 30
Como la variable es discreta aproximamos al entero ms prximo.

y = 2 trabajadores
Interpretacin: Las pequeas
trabajadores afiliados al SPP.
A.2.2. Media aritmtica
continua

empresas

cuando

tiene

la variable

en

es

promedio

cuantitativa

Ejemplo 36:
Calcular e interpretar la media aritmtica de los datos de la tabla ND 6.

TABLA N
11

Gastos semanales
en dlares
LI(,) ~

LS U)

Marca de clase

N de
turistas

y,x f

y,

[400 - 520)

460

920

[520 - 640)
[640 - 760)
[760 - 880)
[880 - 1000)

580
700
820
940

3
8
4
3

1740
5600
3280
2820

TOTAL

20

1
A'i/z
n

14360

n,

n2
_

___
X,

x2

x, xn. -r x, x n,

-VP =------------------------

/?, + n :
Donde: n = n, + n2
Generalizando para L grupos:
n2

....
XI

Luego:

....

nL

X2

X,.

Ty. x f

y = ---------= = 718dlares
n

20

Interpretacin: Los turistas gastan en promedio 718 dlares semanales.

B. Media Global: Es la media ponderada de un determinado nmero de


grupos donde los pesos son los tamaos respectivos de cada grupo.
Media global para dos grupos:

xi x n{ + X2 x n2 + ...xi xnL
nl+n2 + ...nL
Donde: n = n, + n,+... + nL
Ejemplo 37:
Se clasifica a los trabajadores de una minera en tres categoras,
menores de 25 aos, entre 25 y 35 aos, mayores de 35 aos,
obtenindose la siguiente informacin respecto a su productividad.
TABLA N 12
Categoras

Productividad media

N de trabajadores

<25

40

200

25- 35
>35

60
70

260
300

Calcularla productividad media.


Solucin:
Utilizando la frmula dada para tres grupos obtenemos:

xi x n. + X 2 x + x x n.
/?, +

n2

n3

40x200 + 60x260 + 70x300 200 + 260 + 300

= 58.68 = 59

X =
4460
0
760

La productividad media es de aproximadamente 59 unidades.

C. Propiedades:
c. 1 )La media de una constante es igual a la constante.
M[K]=K ; K es constante
c. 2)La media de una variable ms o menos una constante es igual a
la media de la variable ms o menos la constante.
M[XK]=M[X]+K
c. 3)La media de una constante por la variable es igual a la
constante multiplicada por la media de la variable.
M [KX] = KM [X]
c. 4)La media de una constante K multiplicada por la variable ms o
menos otra constante C, es igual a la constante multiplicada K
por la media de la variable ms o menos la constante C.
M [KX + C] = KM [X]C
c. 5)La
media de la suma o diferencia de dos o ms variables es
igual a suma o diferencia de las medias de dichas variables.
M[X + Y] = M[X]+M[Y]
D. Caractersticas:
d. 1)
Es la ms conocida y ms usada en el
anlisis estadstico. d.2) Para su clculo intervienen
todas las observaciones.
d.3) Es una medida nica, es decir un conjunto de datos tiene una sola
media. d.4) Es sensible a los valores extremos demasiados altos o
demasiados bajos.
d.5) No se puede calcular cuando presenta clases abiertas en los
extremos.
2.1.2.
La Mediana: Es una medida de tendencia central que
divide al total de n observaciones debidamente ordenadas o
tabuladas en dos partes de igual tamao, cada una con el 50% de
los datos observados.
Notacin: Me.
A. Formas de Clculo:
A.1. Para datos no agrupados: Para calcular la mediana, los n datos
originales se ordenan en forma ascendente o descendente, luego se
halla el lugar en donde se encuentra la mediana (lugar = (n + 1)/2) y
finalmente se determina su valor. Se presentan dos casos:
i) Para un nmero mparde datos

Ejemplo 38:
Calcular e interpretar la mediana de los sueldos en soles de 11
trabajadores.
X; 640, 620, 625, 700, 750, 670,680, 740, 730, 750,690
Solucin:
Ordenando en forma ascendente
620,625,640,670,680,690, 700, 730, 740, 750,750
Ubicando el lugaren donde se encuentra la Me
n

+1 11+1 .

Lugar =-------=---------- 6
2 2

Cuando se tiene un nmero impar de datos la mediana ser el


valor que est ocupando la posicin media.
Me = 690 soles

Interpretacin: El 50% de los trabajadores tiene un sueldo mximo


de 690 soles y el otro 50% supera dicho sueldo.
ii) Para un nmero par de datos
Ejemplo 39:
Calcular e interpretar la mediana de las edades en aos de 10
estudiantes:
X,: 25,20,22,27,23,23,19,21,20,26
Solucin:
Ordenando los datos en forma ascendente
19, 20, 20,21,22,23,23, 25,26,27
Hallando el lugar en donde se encuentra la mediana

w +1 10 + 1 __
Lugar =-------------=---------------= 5.5
6

22

Cuando se tiene un nmero par de datos la mediana ser el


promedio de los dos valores centrales.

22 + 23 Me =
= 22.5

Interpretacin: El 50% de los estudiantes tiene como mximo 22.5


aos y el otro 50% supera dicha edad.

A.2. Para datos agrupados


A.2.1. La mediana cuando la variable es discreta: Cuando la
variable es discreta y los datos se encuentra agrupados la mediana
ser el valor de la variable cuya frecuencia acumulada sea la primera
en exceder a n/2. Asi:

Me = X tal que: F; > n/2


----------- i determina clase
en donde se encuentra la Me.

Ejemplo 40:
Calcular e interpretar la mediana de los datos de la tabla N 2.
TABLA N 13
N de Trabajadores

N de Empresas

Me=

F.

y,

4
12 -----------8
4

6
18
26
30

(5) ---------------------------------

3
4

TOTAL

30

Aqu vemos que n = 30 n/2 = 15

1
2
3

4
5
Entonces la primera frecuencia acumulada que excede a = 15 es 18,
esto es:
18 >15 F, >15
1
----------"{ = 3", la mediana se encuentra
en la 3ra. clase
Me = 2 trabajadores

Interpretacin: El 50% de las pequeas empresas tienen como mximo


2 trabajadores y el otro 50% supera dicho nmero.
A.2.2. La mediana cuando la variable es continua: Para
calcular la mediana cuando la variable es continua se utilizar
la siguiente frmula:
w T1

Me

^ [ n i 2 /%_,]

LIU) +

C, x --------------LLJ

Se debe cumplir la siguiente relacin:


tr /

f,

i: detennina el intervalo en donde se


encuentra la Me

Cuando:

F-

La mediana est dada por:

Me = LI{j)

Ll

C,
n

Adems:
Lmite inferior del intervalo en donde se encuentra la Me.
Amplitud o ancho del intervalo en donde se encuentra la Me.
Nmero de observaciones de la muestra.
Frecuencia acumulada inmediata anterior al intervalo en donde se
encuentra la Me.
f Frecuencia absoluta del intervalo en donde se encuentra la Me.

Ejemplo 41:
Calculare interpretar la mediana de los datos de la tabla N 6.
Solucin:
TABLA N 14

Gastos semanales

N de

en dlares
- LS (n

Turistas
/,

F,

(400 - 520)

2
3
4
5

[520
[640
[760
[880

3
8
4
3

5
13
17
20

20

- 640)
- 760)
- 880)
-1000]

Total

Vemos que n = 20 c=> = 10


y de acuerdo a la relacin dada tenemos:
5 < 10 < 13 F,< 10 < F,
- i = 3, la mediana se encuentra en el
3er intervalo.

Reemplazando
los

el

subndice i = 3 en la frmula y

valores

[w/2

-F2]

,n

correspondientes tenemos:

Me = /(3) + C3 x

[10-5]
640+ 120 x

Me = $715

Me =

Interpretacin: El 50% de los turistas gastaron como mximo $715 y el


otro 50% supera dicho monto.
B. Caractersticas:
La mediana es un estadgrafo que no est afectada por valores
extremos muy altos o muy bajos y por lo tanto es ms representativa
que la media aritmtica, o cuando las distribuciones son poco
simtricas.
Es til cuando los datos agrupados tienen clases abiertas en los
extremos. Es una medida nica; esto es, una distribucin tiene
solamente una mediana.
2.1.3.
La Moda: Es una medida de tendencia central que
corresponde al valor de la variable que tiene frecuencia mxima.
Notacin: Md.
Una distribucin puede ser amodal si no tiene ninguna moda, unimodal
si tiene una moda, bimodal si tiene dos modas y multimodal si tiene tres
o ms modas. En consecuencia, es necesario considerar modas
absolutas y modas relativas.
A. Formas de Clculo:
A.1. Para datos no agrupados
La moda ser el valor que se repite el mayor nmero de veces.
Ejemplo 42:
Calcular e interpretar la moda dlas edades en aos de 11 personas:
X,: 28,22,28,23,28,21,28,20,28,27,28
Solucin:
Observamos que el valor que se repite frecuentemente es 28.
Entonces: Md = 28aos
Interpretacin: El mayor nmero de personas tiene 28 aos.
Ejemplo 43:
Calculare interpretar la moda del coeficiente intelectual expresado en
puntaje del siguiente grupo de alumnos.
X: 95,100,105,100,95,100,100,110,95
Solucin:
Md = 95y 100

Interpretacin:
El mayor nmero de alumnos tiene un coeficiente intelectual de 95 y
100 puntos. En este caso la serie es bimodal.
A.2. Para datos agrupados
A.2.1. La moda cuando la variable es discreta
La moda ser clase cuya frecuencia es mxima. As:
Md = Y, Tal que: . , < $ > + ,
^ i determina la clase en donde se encuentra la moda

Ejemplo 44:
Calcular e interpretar la moda de los datos de la tabla N 2.
Solucin:
TABLA N 15

N de Trabajadores

N de Empresas

y,

f,

4
12

3
4
TOTAL

8
4
30

Observamos que la mayor frecuencia es 12 y se cumple que:


^ i = 3 la moda se encuentra en la 3ra. clase.
Por lo tanto:

Md = 2 trabajadores

4 < 12 > 8

Interpretacin: El mayor nmero de pequeas empresas tiene 2


trabajadores afiliados al SPP.
A. 2.2. La moda cuando la variable es continua: Para calcular
la moda cuando la variable es continua se utilizar la siguiente
frmula:

Md = LI( ) + C x
' d,+d 2
Se debe cumplir la siguiente relacin:

f-\ < >f M


Adems:

d, = f; - f;., d2 = ;-+1

L,.

i" determina en intervalo en donde se


encuentra la moda

Ejemplo 45:
Calcular e interpretar la moda de los datos dados en la tabla N 6
referidos a los gastos semanales en dlares de 20 turistas.
Solucin:
TABLA N 16
Gastos semanales en
dlares

N de Turistas

LS[)

[400 - 520)

[520 - 640)
[640 - 760) *--------- 8
[760 - 880)
[880 -1000]
TOTAL

3
4
3
20

Observamos en la tabla N 16 que la mayor frecuencia es 8 y se cumple


que:
3

<8>4

f, < f, > f ,
^ * i = 3. la Md. se encuentra en el
tercer intervalo

d,=f, - f, = 8-3 = 5

d:=f, - f, =

8-4=4
Reemplazando el subndice i = 3 en la frmula y los valores
correspondientes tenemos:

Md

= 640 + 120 x9

Md -

706.67 dlares

Interpretacin: El mayor nmero de turistas gasta semanalmente 706.67


dlares.
B. Caractersticas:
No se encuentra afectada por valores extremos.
Puede usarse cuando los datos presentan clases abiertas en los
extremos. No es significativa a menos que la distribucin contenga
un gran nmero de datos y exista significativa repeticin de alguno
de ellos.
Muchas veces la serie no tiene moda porque ningn valor se repite.
Cuando la serie tiene dos, tres o ms modas, se hace difcil su
interpretacin y comparacin.

RELACIONES ENTRE LA MEDIA, MEDIANA Y MODA


En una distribucin unimodal, si la distribucin es simtrica,
entonces la media, mediana y moda son iguales (fig.2). Esto es:

x - Me - Mo

Md < Me < x
fig. 1

x = Me = Md fig.
2

X < Me < Md

fig. 3

Si la distribucin es asimtrica de cola


derecha,
entonces la moda es menor que la
mediana
y
esta a su vez menor que la media (fig. 1)
Si la distribucin es asimtrica de cola
izquierda,
entonces la media es menor que la
mediana
y
sta a su vez menor que la moda (fig.
3).
Para distribuciones unimodales y asimtricas, se tiene la siguiente
relacin emprica: x - Mo = 3(x - Me)
Las tres medidas de tendencia central, media, mediana y moda,
pueden calcularse tambin para distribuciones de frecuencias con
intervalos de diferente longitud, siempre que puedan determinarse
las marcas de clase (para la media) o el lmite inferior Ll del intervalo
para la mediana y la moda.
2.2.
MEDIDAS DE POSICIN O CUANTILAS
Son estadgrafos que dividen a una distribucin de frecuencias en cuatro,
diez
o cien partes iguales. Los cuantilas ms usados son: cuartiles, deciles y
percentiles.
2.2.1.
Cuartiles: Son estadgrafos que dividen a la distribucin en
cuatro partes iguales, cada una de ellas incluye el 25% de las
observaciones.
Si se estudia el 25% de las observaciones se dice que se est
analizando el cuartil 1 (Q.) Q. se interpreta como el lmite mximo del
25% de las observaciones inferiores, o como el lmite mnimo del 75%
de las observaciones superiores.
Si se estudia el 50% de las observaciones se dice que se est
analizando el cuartil 2 (Q,). Se interpreta como el lmite mximo del
50% de las observaciones inferiores, o como el lmite mnimo del 50%
de las observaciones superiores (Q, = Me).
Si se estudia el 75% de las observaciones se dice que se est
analizando el cuartil 3 (Q,). Q3 se interpreta como el lmite mximo
del 75% de las observaciones inferiores, o como el lmite mnimo del

25% de las observaciones superiores.


Esquemticamente se tiene:
25%
25%

25%
25%
Total 100%

A. Formas de Clculo:
A.1. Para datos no agrupados
El procedimiento que se emplea para calcular los cuartiles es similar al
seguido
n +1
para la mediana: en vez de considerar el lugar = se reemplaza por:
l
2
Lugar = ------ , para el Q,
4

Lugar = (n + 1) , para el Q,
4
Si k{n + l)/4 no es exacta. Q< se obtiene interpolando linealmente los
dos valores correspondientes a las dos observaciones entre las cuales se
encuentra la fraccin.
Ejemplo 46:
Al examinar los registros de facturacin mensual de una empresa editora
con ventas a crdito, el auditor toma una muestra de 11 facturas no
pagadas. Las sumas que se adeudan a la compaa en soles son:
400,1800. 1100,700,700, 1000. 2100,500,3300,900 y 1200.
Calcule e interprete Q., Q2, Q3
Solucin:
a) Ordenando los datos en forma ascendente:
400.500,700,700,900,1000,1100,1200,1800,210
0,3300
b) Ubicando el lugar en donde encuentra el Q,, Q2, Q3

3
ParaQ, _____ lugar = (// + 1) = 9
4
c) Q, = S/.700,
Q2 = S/.1000, Q3 = S/.1800
d) Interpretacin:
Q.: El 25% de las facturas tienen una deuda mxima de S/.700.
Q:,: El 50% de las facturas tienen una deuda mxima de SI. 1000.
Q,: El 75% de las facturas tienen una deuda mxima de SI. 1800.
A.2. Para datos agrupados
Trabajamos el desarrollo de los cuartiles cuando la variable es continua.
A.2.1. Cuartil cuando la variable es contina
Para calcular el cuartil cuando la variable es continua se utilizar la
siguiente frmula:
ZT

-* -

f
F

a =/(,>+c,x
Se debe cumplir la siguiente relacin:

-* i": determina el intervalo en

donde se encuentra el Qk

Cuando:

Entonces:

Qk ~ LIU,

Donde:
LIU)

Lmite inferior del intervalo en donde se encuentra el Q,

C :

Amplitud o ancho del intervalo en donde se encuentra el Qk n


Nmero de observaciones de la muestra.

Frecuencia acumulada inmediata anterior al intervalo en donde se


encuentra el Qk.

F.,:

f,

Frecuencia absoluta del intervalo en donde se encuentra Qk.

En general Q. <Q2<Q3 Ejemplo47:


Calcular e interpretar el Q.. Q2y Q, de los datos dados en la tabla N 6.
TABLA N 17
Gastos semanales en dlares
- LS>

F.

[400 - 520)

[520 - 640)
[640 - 760)
[760 - 880)
[880 -1000]

3
8
4
3

5
13
17
20

20

TOTAL

N de Turistas

Hallando Q,

Vemos que n = 20 = 5
4
Entonces: F2 = 5 Por lo tanto:

Qi =
Q, = S/.640
Interpretacin: el 25% de los turistas gast semanalmente como
mximo $640. el otro 75% super dicho gasto.
Hallando Q2:
Q2 = Me = S715
Hallando Q3:

13 < 15 < 17

F. < 15 < Fj
i = 4, Q, se encuentra en el 4
intervalo.

Reemplazando el subndice i = 4 en los


obtenemos:

'3
Qi

valores en la frmula
4-F,

4) + C4 X

U
[15-13]

Qy = 760 + 120x
Qs = $820

Interpretacin: El 75% de los turistas gast como mximo semanalmente


$820 y el otro 25% super dicho gasto.
2.2.2.
Deciles
Son estadgrafos que dividen a la distribucin en 10 partes iguales, cada
una de ellas incluye el 10% de las observaciones.
Si se estudia el 10% de las observaciones, se dice que se est
analizando el Decil 1 (D,).
Si se estudia el 20% de las observaciones, se dice que se est
analizando el Decil 2 (D2), y as sucesivamente se puede estudiar hasta
el 90% de las observaciones y se estara analizando el Decil 9 (D9).
D, se interpreta como el lmite mximo del 10% de las
observaciones inferiores o como el lmite mnimo del 90% de las
observaciones superiores.
D2 se interpreta como el lmite mximo del 20% de las observaciones
inferiores;
o como el lmite mnimo del 80% de las observaciones superiores, y as
sucesivamente hasta el D9, que se interpreta como el lmite mximo del
90% de las observaciones inferiores, o como el lmite mnimo del 10% de
las observaciones.
Esquemticamente se tiene:

Informacin
1

10%

ik

10%
10%

10%
-L D

10%
Total 100%

A. Formas de Clculo:
A.1. Para datos no agrupados
Se ordenan las observaciones en forma ascendente o descendente las
observaciones.

k(n + \)

Luego se localiza la posicin del valor correspondiente i

es exacta. ,J =4^]

Siyt( + 1)/10 no esexacta,DKse obtiene interpolando linealmente los


dos valores correspondientes a las dos observaciones entre las cuales
se encuentra la fraccin.
A.2. Para datos agrupados
Trabajaremos el desarrollo de los deciles cuando la variable es continua.
A.2.1. Decil cuando la variable es contina
Para calcular el decil cuando la variable es continua se utilizar la
siguiente frmula:

Uw

n ~1 F1 10 '
I

se debe cumplir la siguiente relacin:

F-1 ^ n<F " 1 0


i i determina el intervalo en donde se
encuentra el D
Cuando:

Entonces:

F_ i = n

'

10

Dk = LI(i)

Donde:

^(0

Lmite inferior del intervalo en donde se encuentra el DK.


Amplitud o ancho del intervalo en donde se encuentra el DK. Nmero

C,
n:

de observaciones de la muestra.

F,.. f,

Frecuencia acumulada inmediata anterior al intervalo en donde se


encuentra DK.
Frecuencia absoluta del intervalo en donde se encuentra DK.
Ejemplo 48:
Calcular e interpretar el D6 de los datos de la tabla N 6.

Solucin:
Vemos que n = 20
3

< 12 < 13 F. < 12 <

10

xn=

Entonces:

12

10

F.
el 3o intervalo.

i = 3, el D se encuentra en

Reemplazando el subndice i =3 y los valores en la frmula obtenemos:

A, = /, + c,xU^-
I-----

o,

Jy

= 640 + 120 x

Db

=S745

Interpretacin: El 60% de los turistas gast semanalmente como


mximo S745 y el otro 40% super dicho gasto.
2.2.3.
Percentiles
I2-5]
Son
estadgrafos que dividen a la distribucin en
8
100
partes
iguales, donde cada una de ellas incluye el 1 %
de las observaciones.
Cuando se estudia el 1 % de las observaciones, se dice que se est
analizando el Percentill (P ).
Si se estudia el 2% de las observaciones, se dice que se est analizando
el Percentil 2 (P2), y as sucesivamente se puede estudiar hasta el 99%
de las observaciones donde se dice que se est analizando el Percentil
99 (P99).

P. se interpreta como el lmite mximo del 1%de las observaciones


inferiores ocomo el lmite mnimo del 99% de las observaciones
superiores.
P15 se interpreta como el lmite mximo del 15% de las observaciones
inferiores, o como el lmite mnimo del 85% de las observaciones
superiores, y as sucesivamente hasta el P 99, que se interpreta como el
lmite mximo del 99% de las observaciones inferiores, o como el lmite
mnimo del 1% de las observaciones superiores.
Esquemticamente se tiene:
Informacin

1%

P,

1%
1%

1%
1%
Total 100%

Los percentiles se aplican cuando existen numerosos valores de la


variable con una alta frecuencia total
Para datos agrupados cuando la variable es continua el Percentil K (P K)
se calcula mediante la siguiente frmula:
p

k =/,+C,x se debe cumplir la

siguiente relacin:

100

n F,/-i
f,

----------* i' determina el intervalo en donde se


encuentra el Pv:

Ejemplo 49:
Calcular e interpretar el Percentil 25 (P 2E) para la poblacin estimada y
proyectada del Per segn grupos de edad para el ao 2000.
CUADRO N 04
Poblacin total estimada y proyectada al 30 de junio del 2000
Edades en aos

Poblacin

Poblacin
Acumulada

LIU) - LS(I)

f,

[0 - 5)

3082 644

3082 644

[5 -10)
[10 - 15)
[15 - 20)
[20 - 25)
[25 - 30)
[30-35)
[35 - 40)
[40 - 45)
[45 - 50)
[50 - 55)
[55 - 60)
[60 - 65)
[65 - 70)
[70 - 75)
[75 - 80)
80 y ms

3028 898
2845 934
2646 293
2500 089
2188 734
1913 926
1674 147
1391 183
1154 688
926 551
747 319
618 174
483 199
338 885
215 638
183 027

6111 542
8957 476
11603 769
14103 858
16292 592
18206 518
19880 665
21271 848
22426 536
23353 087
24100 406
24718 580
25201 779
25540 664
25756 302
25939 329

Total

25939 329

f,

Fuente: INEI.PERU: Estimaciones y Proyecciones de Poblacin.


1995-2015. Boletn de Anlisis Demogrfico NT 36 y Boletn
Especial N 15.

Solucin:
Observemos que n = 25939329
Luego

25

-- - - =--------n = 6484832.25
100 100

Entonces:
6111542 < 6484832.25 < 8957476 F, <
6484832.25 < F,
^----- i = 3, el P,, se encuentra en el 3o intervalo.

Reemplazando

el

subndice

dada:

los
100

valores en la frmula

n F2

' 25

r 2 5 = u 0 ) +c\x
A
p2 5 = 10 + 5x

[6484832.25-6111542]
2845934 /?

,5 = 10.66 aos
Interpretacin: el 25% de la poblacin del Per tiene como mximo 10.66
aos, el otro 75% supera dicha edad.
2.3.
MEDIDAS DE DISPERSIN O VARIABILIDAD
Las medidas de dispersin son aqullas que cuantifican el grado de
concentracin o de dispersin de los valores de la variable en torno de un
valor central, generalmente la media aritmtica. Las medidas de
dispersin se utilizan para dos propsitos bsicos:
a) Para verificar la confiabilidad de los promedios.
b) Para que sirva como base para el control de la variacin misma.
Tambin podemos decir que los trminos concentracin y dispersin
pueden ser utilizados indistintamente, pues se da la relacin:
Alta dispersin -----> Baja concentracin
Baja dispersin----- Alta concentracin
Las medidas de dispersin que se utilizan con mayor frecuencia son:

Rango o recorrido de la variable.


Rango intercuartil.

Rango semi intercuartil.


Varianza.
Desviacin estndar o tpica
Coeficiente de variacin.
2.3.1.
Rango o Recorrido de una Variable
El rango o recorrido R de una serie de datos es la diferencia entre sus
valores mximos y mnimo. El rango se denota por R y se expresa asi:
R = X-X_
El rango es un estadgrafo de clculo fcil, pero de uso limitado, ya que
no considera a todas las observaciones, sino a los datos mnimos y
mximos. Por
lotanto, est fuertemente influenciado por los datos extremos.
Ejemplo 50:
Calcular e interpreta el rango para los datos dados en el ejemplo 46.
R = Valor mx - Valor min
R = 3300 - 400 = SI. 2900
Interpretacin: Las deudas de las facturas se dispersan en

SI.

2900

2.3.2.
Rango Intercuartil
El rango intercuartil de una serie de datos es la diferencia entre el Q 3 y el
Q,.
Se denota por Rl y se expresa as:
Rl = Q, - Q,
El rango intercuartlico entre Q, y Q, excluye la cuarta inferior (25%) y la
cuarta superior (25%) del total de datos y considera la dispersin en la
mitad central de los datos (50% central).

25% inf.
50%
25% sup.
4----------------C------------------------------------------------------

Q,

excluye | < Mitad Central

Q>

>1 excluye ------------------------------------------

Ejemplo 51:
Calcular e interpretar el rango intercuartlico de los datos dados en el
ejemplo

AP

Solucion:

Tenemos que: Q, = S/.700 y Q3 =


1800 Entonces:
Rl = Q3-Q,
Rl = 1800-700 = S/.1100

SI.

Interpretacin: El rango intercuartil entre Q, y Q3 es

SI.

1100.

Ejemplo 52:
Calcular e interpretar el rango intercuartlico de los datos dados en la
tabla N 6.
Solucin:
Tenemos que Q, = $640 y Q3 = $820 Entonces:
Rl = 820-640 = 180
Interpretacin: El rango intercuartlico entre Q, y Q3 es $180.
2.3.3.
Rango Semi Intercuartil
Es la mitad del rango intercuartlico entre Q 3 y G;. 'Tambin se le llama
Desviacin Cuartlica. Se denota por RSI y se expresa as:
RSI

QIZL
2

Es una medida de dispersin que slo depende de los valores que estn
situados en la mitad central de los datos.
Se usa cuando otras medidas de dispersin son afectadas seriamente por
valores extremos o cuando no es posible determinar la media y,
consecuentemente, la varianza.
Ejemplo 53:
Calcular e interpretar el rango semi intercuartil de los datos dados en el
Ejemplo 46. Solucin:

W.&zQl J80-|700 .S550


Interpretacin: Como Me = S/.1000, los resultados se expresaran como
(1000 550) soles, lo que implicara que el 50% de las facturas tienen
deudas que varan entre 450 y 1550 soles.
ejemplo 54:
Calcular e interpretar el rango semi intercuartil de los datos en la tabla
N 6 referente a gastos semanales en dlares de 20 turistas.

Solucin: Interpretacin: Como Me = $715, los resultados se expresaran


como (715 90) dlares, lo que quiere decir que el 50% de los turistas
tiene gastos que vara entre 625 y 805 dlares.

2.3.4.
Varianza
Es una medida que cuantifica el grado de dispersin o de variacin de los
valores de una variable cuantitativa con respecto a su media aritmtica.
Si los valores tienden a concentrarse alrededor de su media, la varianza
ser pequea. Si los valores tienen a distribuirse lejos de la media, la
varianza ser grande.
La varianza calculada a partir de una muestra se denota por s 2 y referida
a la poblacin se denota por g o v[x].
La varianza se define como la media aritmtica de los cuadrados de las
desviaciones de los datos respecto a su media aritmtica. La varianza es
una medida de dispersin con unidades de medicin al cuadrado. SI2. $2,
km2, etc.
:

A. Formas de Clculo:
A.1. Para datos no agrupados
Se utiliza la siguiente frmula:
Para n > 30

-i

Para n < 30 [varianza de Cochran]

iI

/- i

Ejemplo 55:
Calcular e interpretar la varianza de los puntajes de 10 estudiantes en un
examen de estadstica.
Y, = 13, 14. 16, 15, 14, 16, 17, 16, 12, 11
Solucin:
De los datos dados obtenemos:

j? = 14.4
n = 10
Reemplazando en la frmula (varianza de Cochran n < 30)
10 ^
2108-10(14.4)2
r = -----------------=-------------- ----- = 3.82
~n>'

n-1

puntos2

Interpretacin: La variacin de los puntajes es de 3.82 puntos2


A.2. Para datos agrupados
Se utiliza la siguiente frmula:
Para n>30

( y , - y Y - x f y , 2x f ,

2
-y

Para n < 30 [varianza de Cochran]


X

(y-

- ?)2 x / X x / n-1

n1
Ejemplo 56:
Calcular e interpretar la varianza de los datos dados en la tabla
N 6. Solucin:

TABLA N 18

Gastos semanales en
dlares

y,

/,

y-xf,

y,

LI - LS

[400 - 520)

460

211600

423200

[520 - 640)
[640 - 760)
[760 - 880)
[880 -1000]

580
700
820
940

3
8
4
3

336400
490000
672400
883600

20

100920
0
392000
0
268960
0
265080
0
106928
00

TOTAL

De los datos obtenemos:

y,2 xf

= 10692800

/=i
v = 718

n = 20

Reemplazando estos valores en la frmula obtenemos (varianza de


Cochran. n<30)
3',2X/-3;2
r = ^--------------------n -1
, 10692800- 20 x (718)2
19

.r = 20122.11 dlares2
Interpretacin: La variabilidad de los gastos semanales es de 20122.11
dlares2.
A. Propiedades
La varianza siempre es positiva
V(x)>0
La varianza de una constante es cero:
V(k) = 0
La varianza de variable ms o menos una constante es igual a la
varianza de la variable.
V(xk) = V(x)
La varianza de una constante multiplicada por una variable es igual ai
cuadrado de la constante por la varianza de la variable:
V (Kx)= K2 V(K)
La varianza de una constante K por la variable ms o menos otra
constante es igual al cuadrado de la constante por la varianza de la
variable:
V (Kx C) = K2 V(x)
2.3.5.
Desviacin Estndar o Tpica
Se define como la raz cuadrada positiva de la varianza:

s - -J varianza

Es uno de los estadgrafos de dispersin de mayor uso, el cual se expresa


en unidades reales de la variable, es decir ya no estn elevadas al
cuadrado. La desviacin estndar, al igual que la varianza, es no
negativa (s>0), puesto que es la raz positiva de la varianza. A mayor
dispersin le corresponder una mayor desviacin estndar.

Ejemplo 57:
Calcular e interpretar la desviacin estndar de los datos del
ejemplo 55 Solucin:

s2 = -73.82 = 1.95 puntos


Interpretacin: Los puntajes de los alumnos se alejan en promedio de su
valor central en 1.95 puntos.
Ejemplo 58:
Calcular e interpretar la desviacin estndar de los datos dados en la
tabla N6.
Solucin:

__________
.y2 = ->/20122.11 =$.141.86

Interpretacin: Los gastos semanales en dlares de los 20 turistas se


dispersan en promedio de su valor central en $.141.86.
2.3.6.
Coeficiente de Variacin
Es una medida de dispersin relativa exenta de unidades y expresada en
porcentaje, se utilizan para comparar la variacin de dos distribuciones
siempre que las variables se expresen en las mismas unidades de
medida y sean aproximadamente del mismo tamao promedio. Sin
embargo, a veces es necesario comparar dos conjuntos de datos
expresados en unidades diferentes (tales como soles y kilogramos). En
estos casos las medidas de dispersin absoluta no son comparables y
deben utilizarse medidas de dispersin relativa.
El coeficiente de variacin de un conjunto de datos se denota por c.v. y
se expresa como:

c . v. x 1 0 0

Donde:
s: Desviacin estndar.
y: Promedio
Si c.v. <15%, los datos son homogneos, es decir tienen una baja
variabilidad.
Si c.v. > 15%, los datos son heterogneos, es decir tienen una alta
variabilidad.
Ejemplo 59:

Calcular e interpretar el coeficiente de variacin de los datos en la


tabla N 6. Solucin:

c.v. =

718

x 100 = 19.80% > 15%

Interpretacin: Los gastos semanales en soles de los turistas son


heterogneos, es decir presentan un alto grado de variabilidad.
2.4.
MEDIDAS DE ASIMETRA
Son medidas que miden el grado de deformacin horizontal de una
distribucin de frecuencias.
Se dice que una distribucin de frecuencias es simtrica si los intervalos
equidistantes del intervalo central tienen iguales frecuencias. Tambin se
dice que una distribucin es simtrica si su curva de frecuencias es
simtrica con respecto al centro de los datos.
Dos distribuciones pueden tener la misma media y la misma desviacin
estndar, pero pueden diferir en el grado de asimetra.
Si la distribucin es simtrica, entonces la media, la mediana y la moda
coinciden. En contraposicin, si estos tres promedios no coinciden la
distribucin es asimtrica.
Entre las medidas de asimetra ms usuales tenemos:
2.4.1.
El Coeficiente de Asimetra de Pearson
Se expresa como:

jMzm

As

Otra forma de expresar el coeficiente de asimetra de Pearson, que se utiliza


cuando la distribucin es unimodal, es:
2) A s =

2.4.2.
3)

(y-Md)
s
La Media Asimtrica

As =

Q, -2 Me + O,
a-e,
, Pw - 2PS0 + P]0
1

4)

' P -P

90 10

El primer coeficiente de Pearson (1o) es el ms usual.


El segundo coeficiente de Pearson (2o) se usa cuando la distribucin es
unimodal.
El tercer y cuarto coeficientes de asimetra (3o y 4o), llamados tambin
Media Asimtrica, se usa cuando existen intervalos con extremos abiertos
ilimitados y no es posible calcular la media y consecuentemente la
varianza.
Si:

As=0 La distribucin es simtrica. Ver fig. 5.


As>0 La distribucin es asimtrica positiva (sesgada a la
derecha). Ver fig. 4.
As<0 La distribucin es asimtrica negativa (sesgada a la
izquierda). Verfig. 6.

D ist r ibuc i n

S imt r ica

Md < M e < y

=Mc = Md

fig. 4

D ist r ibuc i n As i mt r ica

D ist r ibuc i n

As imt r ic a Po s it iva

fig. 5

Negat iva y < Me < Md

fig.
6

NOTA:
Si As 0, entonces se dice que la distribucin es
aproximadamente simtrica o ligeramente sesgada. Ser tanto ms
sesgada cuanto ms As se aleje de cero.
Ejemplo 60:
Calcular e interpretar el coeficiente de asimetra de los datos en la
tabla N 6. Solucin:
a) Utilizando el coeficiente de Pearson (1o)
3

As =

(y-Me)

De los datos dados se ha obtenido:

y = S/. 718,

Me = SI. 715.

Reemplazando en la frmula obtenemos:

3(718-715)
As =-----------------141.86

s = 5/.141.86

= 0.06

Interpretacin: Este valor indica que la

distribucin es

asimtrica positiva,
b)Construyendo el histograma de frecuencias.
GRFICO N 12
f
i

>
'l

Como podemos observar:


Md < Me < v Lo

cual indica

que la distribucin es asimtrica positiva


2.5.
MEDIDAS DE KRTOSIS
La Krtosis es el grado de apuntamiento de una distribucin. La Krtosis
se analiza comparando la distribucin con la forma de una curva normal o
simtrica, con igual media aritmtica y desviacin estndar de la
distribucin que se estudia.
Si una distribucin tiene relativamente un elevado pico o apuntamiento,
se llama leptokrtica, mientras que si es achatada se denomina
platikrtica. La distribucin normal constituye una distribucin
mesokrtica, tal como se puede ver en las siguientes figuras:
Leptokrtica

Mesokrtica

fig. 7

fig. 8

Platikrtica

fig. 9

El estadgrafo para analizar el apuntamiento es el coeficiente de Krtosis


y se expresa como:

Donde:

s4 = (s2)2 y s2 - Varicmza
ni

TSy,-y)'*f,

M4 = -------------------

MA

se llama: cuarto momento respecto a la media"

= 3, la distribucin es normal o mesokrtica.

< 3, la distribucin es platikrtica.

K>

3, la distribucin es leptokrtica.

Otro estadgrafo de krtosis es:


2,

K=

. 3.-JL.
2(^00 ^o)

Si:
Para la curva normal K = 0.2630
Una distribucin ser mesokrtica si K tiende a 0.2630 por ambos lados.
Si el valor de K se aleja hacia la derecha tendiendo a V 2, la distribucin
ser leptokrtica. Si se aleja hacia la izquierda tendiendo a cero, la
distribucin ser platikrtica. Puede ser til observar el siguiente
esquema para determinar la Krtosis.
PLATIKURTICA

1/8

1/4

1
1

MESOCIJRTICA

'
l

0.125

02630

3/8

1/2

LI-PTOCURTICA

0.375

0.5

NOTA: Para las distribuciones notablemente discrepantes de la


normal estas medidas pueden resultar contradictorias.

Ejemplo 61:
Calcular e interpretar el coeficiente de Kurtsis para los datos dados en
la tabla N6.
Solucin:
Utilizando el coeficiente de Krtosis 1) obtenemos:

_ 883505232 .
4

(.y")' (20122.11)2

Interpretacin: Este valor indica que la distribucin es platikrtica.


2.6.
DIAGRAMA DE CAJA (BOX PLOTS)
Es una representacin visual que describe al mismo tiempo varias
caractersticas importantes de un conjunto de datos, tales como el
centro, la dispersin, la desviacin de la simetra y la desviacin de las
observaciones que se alejan de manera poco usual del resto de los datos
(a este tipo de valores se le conoce como valores atpicos).
El diagrama de caja se basa en la mediana (o en la media), los cuartiles y
valores extremos. La caja representa el rango intercuartil que encierra el
50% de los valores y tiene la mediana (Me) dibujada dentro. El rango
intercuartil tiene como extremos el percentil 75, P 75 (cuartil superior) y el
percentil 25 P2S (cuartil inferior).
Adems de la caja se incluye la extensin de los datos mediante
segmentos que se extienden de la caja hacia el valor mximo (U) y hacia
el valor mnimo (L) de los datos. Este recuadro se dibuja con el eje de la
variable en forma horizontal o vertical, como se indica en la fig. 10:
DIAGRAMA DE CAJA
U

P7

5
Me P
25 L
fig. 10

Respecto a:
-

Centralizacin: observamos la ubicacin de la mediana.


La dispersin: observamos el rango intercuartil:

RI = P15 - P2$

La asimetra: observamos la comparacin deMe -

P2S

^25 < ^75 - Me la distribucin es asimtrica positiva. Si


Me - P > P - Me la distribucin es asimtrica negativa y si
2S

Me

P25

15

P2i - Me \a

distribucin es simtrica.

con

P1S - Me

Si

Me-

Las colas observamos la longitud de los segmentos que salen de los


lados de la caja las cuales localizan fuera de ellos sus valores atpicos.
Los diagramas de cajas son muy tiles para analizar la variabilidad entre
varias distribuciones que tienen la misma unidad de medida, mediante
comparaciones grficas. Tienen un gran impacto visual y son fciles de
comprender.
Ejemplo 62:
Los siguientes datos corresponden a los sueldos mensuales en soles en
una muestra aleatoria de 50 trabajadores.
807
660

811
753

650
918

817
857

732
867

747
675

823
880

844
878

907
890

872

620
105
0
869

881
766

841

847

833

829

827

822

811

787

923

792

803

933

947

717

817

753

105
6

107
6

958

970

776

828

831

781

108
8

108
2

Analizar los datos utilizando un diagrama de caja.


Solucin:
De los datos ordenados se observa en la fig. 11:
Me = S/.832
P2S = 781 + 0.75 (787 - 781) =
785.5 P75 = 890 + 0.25 (907-890)
= 894.25 Rl = 894.25 -785.5 Rl =
108.75
Extensin superior:
P75 + 1.5 x Rl = 894.25 +1.5x108.75 =
1057.38 Entonces el dato mximo no
atpico es 1056.
Los datos atpicos en el lado superior son: 1076,1082,1088.
Extensin inferior:
P-1.5xRI = 894.25- 1.5x108.75 = 731.13
Entonces el dato mnimo no atpico es 732.
Los datos atpicos en el lado inferior son: 620,650,660,675, 717.

DIAGRAMA DE CAJA

1100

u
1000
900

P75
Me
800

P25
L

700

600

fig. 11

Adems se observa en la fig. 11 que la distribucin es asimtrica


negativa ya que Me - PJ5> P75 - Me.
NOTA: Los datos atpicos o discordantes o raros llamados
outliers (aislados) son aqullos que se ubican fuera del
intervalo P2S -1.5RI, P7S + 1.5RI, donde Rl = P 7S - P2S es el rango
intercuartil. En este caso, el extremo inferior L es el dato
mnimo no outliers y el extremo superior U es el dato mximo
no outliers.

PROBLEMAS PROPUESTOS N 2
1. Como Gerente de Ventas de IBM, usted desea calcular las
medidas de tendencia central para los niveles de utilidad de dicha
firma durante los ltimos nueve meses, ya que las siguientes
utilidades estn dadas en miles de dlares. X,: 21.6; 22.3; -3.4;
21.6; 18.9; 17.9; -12.8; 23.1; 22.3
Se pide:
a) Calcular la media, mediana y moda e interpretar.
b) Calcular el rango, varianza, desviacin estndar y coeficiente de
variacin e interpretar.
2. En un supermercado trabajan 35 mujeres con un salario promedio
de S/.500.00 y 15 hombres que en promedio ganan un 30% ms
que las mujeres. Cul es el salario promedio de los empleados de
dicho supermercado?
3. La siguiente tabla corresponde a las calificaciones de 30 alumnos
en el curso de Estadstica.
Calificaciones Ll LS

N de alummos
f.

[05 - 08)

[08
[11
[14
[17

6
12
6
3

11)
14)
17)
20)

TOTAL

30

Se pide:
a) Calcular la media, media y moda e interpretar.
b) CalcularQ,, Q2 yQ3e interpretar.
c) Calcular la varianza, desviacin estndar y coeficiente de
variacin e interpretar.
d) Calcular el coeficiente de asimetra e interpretar.
e) Calcular el coeficiente de Krtosis e interpretar
4. Los trabajadores de una empresa solicitan en una convencin
colectiva que cada salario de sus afiliados sea aumentado segn
la ecuacin:

Y =1.2*,.+ 20

Se sabe que antes del reajuste el salario promedio mensual era $6


500.00. Cul sera el nuevo promedio del salario mensual de los
trabajadores?
5. Las notas de un examen se tabularon en una distribucin de
frecuencias de cuatro intervalos de amplitud iguales a cuatro,
siendo el dato mnimo igual a cuatro y las frecuencias relativas
primera y tercera respectivamente 0.15 y
1. 35. Calcule la varianza de la distribucin si su media es 12.4.
6. Los siguientes datos muestran los calificativos de 20 personas
sometidas a una prueba de aptitud. Los 20 estudiantes fueron
divididos en dos grupos, el grupo 1 calific de 0 a 100 y
elgrupo2de0a20:
Grupo 1:86,81,79,73,95,86,94, 90,86, 88
Grupo 2:16,19,13,20,14,16,19,18,17,15
a) Calcule la media y la desviacin estndar en cada grupo. Cul de
los grupos es ms homogneo?
7. Los sueldos en dlares de 50 empleados de una empresa se dan
en la siguiente tabla.
Sueldo en
dlares

{60 -100)

[100-140)

[140-180)

[180-220)

[220-260)

Empleados

10

20

Se plantea dos alternativas de aumento. La primera consiste en un


aumento general $50. La segunda consiste en un aumento general del
30% del sueldo, adems de una bonificacin de $10. Cul de las dos
propuestas conviene a los trabajadores si el inters es:
a) Subir la media de los sueldos.
b) Bajar la dispersin de los sueldos.
8. El gerente de ventas de una empresa ha registrado los siguientes
montos de ventas de al menos SI. 100 en un determinado da.
139,
154,

222,
188,

261,
233,

209,
200,

258,
247,

204,
285,

177,
241,

227,
216,

198,

181,

194,

102,

199,

215,

212,

209,

218,

238,

197,

167,

223,

170,

194,

239,

193

267,

205,

199

400,

300,

100,

102,

11
5,
22
0,
27
6,
20
5,
27
0.

Haga el anlisis descriptivo de los datos utilizando el diagrama de caja.


9. En una prueba de aptitud un investigador asigna a dos grupos
de personas los siguientes valores.
Grupo 1: 86, 89, 74, 73, 95, 86, 94, 90, 86,88, 74, 76, 75, 93, 92 Grupo
2: 88,95,60,100, 79, 93,90, 98,92, 75,65,68, 70, 73, 94
Utilizando el diagrama de caja, compare la variabilidad y la asimetra
de los dos grupos Cul de las dos es ms asimtrica?

CAPTULO 3 DISTRIBUCIONES BIDIMENSIONALES DE


FRECUENCIAS
Hasta ahora hemos visto cmo organizar y resumir informaciones
correspondientes a una sola variable o caracterstica de una poblacin.
Sin embargo, en la prctica muchas veces estamos interesados en
analizar el comportamiento conjunto de dos o ms variables. Aqu
consideraremos aquellas situaciones en las que el investigador realiza la
observacin simultnea de dos caracteres en los elementos,
obtenindose de esta manera pares de resultados.
Los distintos valores que pueden adoptar estos caracteres en estudio
forman un conjunto de pares que denotaremos por (X, Y) y le llamaremos
variable estadstica bidimensional.
3.1 .TIPOS DE VARIABLE ESTADSTICA BIDIMENSIONAL
Las variables estadsticas bidimensionales (X, Y) pueden ser:
a) Ambas cuantitativas
a. 1) X discreta e Y discreta (n de hijos, n de habitaciones), a.2) X
continua e Y continua (edad en aos, peso en kg).
a. 3) X discreta e Y continua y viceversa (n de hijos, edad en aos).
b) Ambas cualitativas
b. 1) X nominal e Y nominal (estado civil, sexo).
b.2) X ordinal e Y ordinal (nivel socio econmico, grado de
instruccin).
b. 3)
X nominal e Y ordinal y viceversa (estado civil, grado de
instruccin).
c) Una cuantitativa y otra cualitativa
c. 1) X discreta e Y nominal y viceversa (n de hijos, sexo).
c.2) X discreta e Y ordinal y viceversa (n de hijos, grado de
instruccin).
c.3) X continua e Y nominal y viceversa (edad en aos, sexo).
c.4) X continua e Y ordinal y viceversa (edad en ao, grado de
instruccin).

3.2.
REPRESENTACIN DE LA INFORMACIN
MEDIANTE TABLAS BIDIMENSIONALES
Sea (X, Y) una variable estadstica bidimensional tal que los distintos
valores que toma Xe Y son:
X : xx2......x,
Y :yy2..........yK
Una distribucin bidimensional de frecuencias es un arreglo de los valores
observados (x y,) (x2l y2),... (x yK), de la variable bidimensional (X, Y),
con sus respectivas frecuencias, en una tabla de doble entrada, tal
como se presenta a continuacin en la tabla N 19.
TABLA N 19

Donde:
fij :

frecuencia absoluta del par (x, yj, V/ = l,r ; V/

Jt

frecuencia marginal del valorx (/ = l.r)

j:

frecuencia marginal del valor

= \,k

y, (j = hk)

rk

nmero total de pares observados.

i=! j=i

Ejemplo
63:
La siguiente tabla N 20 muestra una distribucin conjunta de
trabajadores de una empresa por sexo segn estado civil.
TABLA N 20
Distribucin bidimensional de trabajadores por sexo segn estado civil
Sexo (Y) Masculino
Estado'\^
Civil (X)
Soltero
20

Femenino

Total

40

60

Casado

30

80

110

Viudo

10

15

10

15

65

135

200

Divorciado
Total

3.3.
DISTRIBUCIONES MARGINALES
La tabla representada por la variable X y sus respectivas frecuencias
marginales se llama distribucin marginal de la variable X, y similarmente
lo que representa a la variable Y y sus frecuencias marginales recibe el
nombre de distribucin marginal de la variable Y.
Las distribuciones marginales obtenidas de la tabla de doble entrada N
19 son:
TABLA N 21
Distribucin marginal de X

TABLA N 22

Ejemplo 64:
Construir las distribuciones marginales para las variables X (estado
civil) e Y (sexo) de la tabla N 20.
Solucin:

TABLA N 23

TABLA N 24

Estado Civil
X
i.
Soltero

N de Trabaj. fi.
60

Casado
Viudo
Divorciado

110
15
15

Total

200

Sexo

N de Trabaj.

Masculino

65

Femenino

135

Total

200

3.4.
FRECUENCIAS RELATIVAS BIDIMENSIONALES
En la distribucin unidimensional se expresan las frecuencias relativas
por h, En el caso bidimensional las frecuencias relativas se expresan de
la siguiente manera:

fh0 = tal queO < hu < 1


n

Tambin se tiene las frecuencias relativas marginales:


ParaX:
\~~

tal que O < h; < 1

'

Para Y:

f.

= tal que O ^ h7
=^ 1 n
Ejemplo 65:
Considerando la tabla N 20 construir la distribucin de frecuencias
relativas, as como las frecuencias relativas marginales.
Solucin:
TABLA N 25
Distribucin bidimensional de frecuencias relativas por sexo segn
estado civil
Sexo (Y) Masculino
Estado^^
Civil (X)
Soltero
0.1

Femenino

Total

0.2

0.3

Casado

0.15

0.4

0.55

Viudo

0.05

0.025

0.075

Divorciado

0.025

0.05

0.075

Total

0.325

0.675

1.000

Vemos que las frecuencias relativas bidimensionales se obtienen as:

h =!= = 0.05
42
n 200

Interpretacin de algunos valores de frecuencias relativas


bidimensionales: h,,: El 10% de los trabajadores son solteros y de sexo
masculino. h22 : El 40% de los trabajadores son casados y de sexo
femenino.
Las frecuencias relativas marginales para la variable X se obtuvieron as:
h =

_^L

o.3 200

f 15 h. = = = 0.075
n 200

Interpretacin de algunos valores de frecuencias relativas marginales


para la variable X:
h,: El 30% de los trabajadores son solteros, h,: el 7.5% de los
trabajadores son divorciados.
Las frecuencias relativas marginales para Y se obtienen as:

h, = A = _^_ = o.325
n

200

*,.^0.675
n 200

Interpretacin de los valores de las frecuencias relativas para la


variable Y. h,: el 32.5% de los trabajadores son de sexo masculino, h 2:
el 67.5% de los trabajadores son de sexo femenino.
3.5.
PROPIEDADES DE LAS FRECUENCIAS
BIDIMENSIONALES

Sea n el nmero total de pares observados de la variable bidimensional


(X,Y). Ver tabla N 19. Cabe destacar las siguientes propiedades:
a) La suma de las frecuencias absolutas es igual al nmero de
pares observados, estoes:

Hf.'*

,=1 /=!
b) La suma de las frecuencias relativas es igual a la unidad, es decir:
rk

c) A =

/=i =\

/=i

d)

Yjfj= n

i=i

e) A, =1 i=i
f) Z/7,=1

/=!

3.6.
MEDIDAS ESTADSTICAS EN UNA DISTRIBUCIN
BIDIMENSIONAL DE FRECUENCIAS
Las medidas en una distribucin bidimensional de frecuencias se
calculan cuando las variables son cuantitativas.
3.6.1.

Medias y Varianzas Marginales para las variables X e Y


MEDIAS

O,- - *)2 X f.

VARIANZAS

iz!_______________

^ ->')x fj

c2 _>_______________
15
y

NOTA: Si n <30 se usar la varianza de Cochran.


Ejemplo 66:
Calcular las medias y varianzas marginales para las variables X e Y que
se dan en la siguiente tabla.
TABLA N 26
Muestra de 50 turistas por edad en aos (X) segn nmero de
ingresos al pas (Y).

Solucin:
-

MEDIAS:
-

i=i

600 . x = =

-M 13200

anos

= 2.4 s 2 ingresos n 250

... _ y = -

y v.x f.

~~" 250

= : - 52.8 = 53

VARIANZAS:
4

5:' - ------------------------------------------------------------=

= .28 = 1 ingreso2
l

250

si = --------------------------=
y

= 224.16= 224 aos2


250

3.6.2.
Covarianza
La covarianza permite detectar la existencia de algn tipo de relacin
lineal entre dos variables; si la covarianza es diferente de cero,
entonces hay alguna relacin o dependencia funcional entre las
variables.
La covarianza para una distribucin bidimensional de frecuencias se
expresa como sigue:

ZZ
rk

i>)xfa i=l ,=l

fr

Y<xxJ
i=i

x* ^

(
i

fj

y=i

Cuando se tiene datos no agrupados la covarianza se expresa as:

('>

S~

*V

/=! j=1

2>.
(=i

\y

v/

Ejemplo 67:
Calcular la covarianza para los datos dados en la tabla
N 26. Solucin:
Tenemos que:

4 3

C(x,y)=-^

fu

---------------- 250

-----------------250

31200
"600 \ , /13200" \
(*,>>) =
250
250/
250 ,
C(x,^) = 124.8 - 126.72 =-1.92
NOTA: La covarianza puede ser positiva o
negativa.

7=
1

250

PROBLEMAS PROPUESTOS N 3
2. Se tiene la siguiente distribucin del nmero de hijos (X) y el nmero de
dormitorios por habitacin (Y) en una muestra aleatoria de 20 familias
seleccionadas en un centro urbano.
N de dormitorios (Y)

N de hijos (X)
1

Se pide:
a) Construir las distribuciones marginales para X e Y.
b) Hallar las medias y varianzas marginales para las variables X e Y
respectivamente.
c) Hallar la covarianza.
d) Construir la distribucin de frecuencias relativas bidimensionales.
Adems interpretar: f2, yh21.
e) Construir las distribuciones de frecuencias relativas para las variables X
e Y. Adems interpretar: h2. y h.2.
3. La siguiente distribucin corresponde a 210 ciudadanos considerando
su opinin ciudadana agrupada en tres categoras (a favor, en contra e
indeciso) en la construccin de una autopista segn su sexo.
Sexo(X)

Opinin (Y)

Total

A favor

En contra

Indeciso

Hombres

41

39

20

100

Mujeres

40

43

27

110

TOTAL

81

82

47

210

Se pide:

a) Construir las distribuciones de frecuencias marginales para las


variables X e Y respectivamente. Adems interpretar f2. y f,3.
b) Construir las distribuciones de frecuencias relativas bidimensionales
para las variables X e Y. Adems interpretar: f22 y h23.
c) Construir las distribuciones de frecuencias relativas marginales X e Y
respectivamente. Adems interpretar: h,. y h.3.

CAPTULO 4 NOCIONES DE PROBABILIDAD


Frecuentemente se usa el trmino probabilidad para sugerir que existe
duda o incertidumbre sobre lo que ocurri, lo que ocurre u ocurrir. La
experiencia humana demuestra que existe una serie de hechos,
acontecimientos, experimentos cuyos resultados no se pueden
determinar anticipadamente; sin embargo, s es posible definir, estimar
o predecir el probable resultado. Podemos conocer el pasado, nunca el
futuro, pero existe un permanente inters por despejar las
incertidumbres.
Las situaciones que implican incertidumbre varan desde simples
juegos de azar, como la ruleta, los dados, los naipes, la lotera, los
tragamonedas, etc., a otros experimentos y acontecimientos tan
variados, complejos e importantes dentro de las ciencias mdicas,
ciencias sociales, la economa, la industria, los negocios, los seguros,
las inversiones, etc. Permanente interesa predecir o estimar lo que
suceder en ciertas circunstancias. Un empresario decide comercializar
un producto si sabe que la probabilidad de aceptacin es alta. El
aficionado de ftbol puede apostar contra su equipo favorito si sabe
que la probabilidad de que gane es muy pequea. Los inversionistas no
deciden invertir en un pais poltica y econmicamente inestable si
saben que la probabilidad de obtener rendimientos futuros es baja. Es
posible que ninguno de ellos sepa definir o medir la probabilidad, pero
s encontrar til la idea de estimarla intuitivamente.
El propsito de este capitulo es ilustrar las formas en las que pueden
medirse la posibilidad o probabilidad de ocurrencia de eventos futuros.
Al mejorar la habilidad para juzgar la ocurrencia de eventos futuros, se
puede minimizar el riesgo y la especulacin arriesgada relacionada con
el proceso de toma de decisiones.
4.1.

EXPERIMENTO

Un experimento es un proceso mediante el cual se obtiene el resultado


de una observacin. Un experimento puede ser determinstico o
aleatorio.
4.1.1.
Experimento Determinstico: Cuando el resultado de
la observacin es determinado en forma precisa por las
condiciones bajo las cuales se realiza el experimento.
Ejemplo 68:
Lanzar una pelota en un tanque de agua y ver si flota o se hunde.
Soltar una piedra en el aire.
Observar la suma de dos nmeros naturales pares.
4.1.2.
Experimento Aleatorio: Un experimento es aleatorio o
no determinstico cuando los resultados de la observacin no se
pueden predecir con exactitud antes de realizar el experimento.
Ejemplo 69:
Observar el tiempo de vida de una computadora.
Elegir un presidente de un grupo de 50 personas.
Lanzar un dado y ver el nmero que aparece en la cara superior.
4.1.3 Caractersticas de un Experimento Aleatorio.
Las caractersticas comunes de un experimento aleatorio son:
Cada experimento puede ser repetido indefinidamente sin
cambiar esencialmente las condiciones.
Cada experimento es aleatorio
Cada experimento tiene varios resultados posibles que pueden
describirse de antemano con precisin.
Cuando el experimento es repetido un nmero grande de veces,
aparece un modelo de regularidad, lo cual hace posible la
construccin de un modelo matemtico preciso con el cual
analizamos el experimento.
Esta caracterstica es importante para calcular la probabilidad de
un cierto resultado de un experimento.
4.2.
ESPACIO
MUESTRAL
Es el conjunto de resultados posibles de un experimento aleatorio.
Q = {w/w es un resultado particular simple de la realizacin de un
experimento aleatorio}
Los resultados posibles de un experimento se llaman puntos de
muestra.
Ejemplo 70:
E, : Lanzar un dado y observar el nmero que aparece en la cara superior.
Q ={1,2,3,4,5,6}

E2: Designar un delegado de un grupo de 50 personas.


O.

={AA2....ASJ

Donde: A,: se presenta una persona: Pedro, Juan, etc.


Los espacios mustrales se clasifican en:
4.2.1.
Espacio Muestral Discreto: Si se tiene un nmero
finito o infinito numerable de elementos.
4.2.2.
Espacio Muestral Continuo: Cuando sus elementos
son todos los puntos de un intervalo.
4.3.EVENTOS
Son subconjuntos de un espacio muestral ( Q ). En particular el espacio
muestral (Q) y el conjunto vaco (0) son eventos. Al espacio muestral
(Q) se le llama evento seguro y al conjunto (Q) se le llama evento
imposible.
4.3.1.
Tipos de eventos:
a) Evento simple: Cuando contiene solamente un punto del espacio
muestral.
b) Evento Compuesto: Cuando puede expresarse como la unin
de dos o ms eventos simples.
Ejemplo 71:
Sea el experimento: lanzar una moneda una sola vez. Determinar los
siguientes eventos:
A.: Que salga cara en el primer
lanzamiento A2: Que salga sello en el
primer lanzamiento
Solucin:
E, : Lanzar una moneda una sola vez
Diagrama del rbol

H={C,S}
A, = {c}

A2 =

{s}

Ejemplo 72:
Sea el experimento: lanzar una moneda dos veces. Determinar los
siguientes eventos:
A,: Ocurre cara en el primer lanzamiento.
A2: Ocurre sello en el segundo lanzamiento.
A3: Ocurre por lo menos una cara.
A,: Ocurre lo mismo en ambos lanzamientos.
Solucin:
E2: Lanzar una moneda dos veces
Diagrama del rbol

Q = {(c,c), (c,s), (s,c), (s,s)}


Eventos:
A, = {(c,c), (c,s)}
A2 = {(c,s); (s,s)}

A, = {(c,s), (s,c), (c,c)}


A, = {(c,c), (s,s)}

4.3.2.
Operaciones con Eventos
Usando las operaciones con conjuntos podemos formar nuevos
eventos. Estos nuevos eventos sern nuevamente subconjunto del
mismo espacio muestral de los eventos dados,
a) Unin de Eventos: A W B
Sean A y B dos eventos cualesquiera definidos sobre un mismo espacio
muestral, la unin de eventos es el evento que ocurre si A ocurre o B
ocurre o ambos ocurren.
Simblicamente:
AWB = { w n / w A v w B }

AW B
AWB
b) Interseccin de Eventos:A/^B
Sean A y B dos eventos cualesquiera definidos sobre un mismo espacio
muestral, la interseccin de estos eventos es el evento que ocurre si A
y B ocurren simultneamente.
Simblicamente:
AnB={weQ/w

A A W

e B}

c)Complemento de un Evento: A o A
Si A es un evento del espacio muestral, se llama complemento del
evento A al evento que ocurre si A no ocurre.
A = {vve Q / w A )

d) Diferencia de Eventos: A - B
Sean Ay B dos eventos cualquiera definidos sobre un mismo espacio
muestral, se llama diferencia de los eventos A y B al evento formado

por los elementos que son favorables a A pero que no son favorables a
B.
Simblicamente:

AB

AB

D
A-B=An5

A-B=An
B =A

e) Inclusin de Eventos: AcB


Dado dos eventos Ay B definidos en un mismo espacio muestral, se
dice que el evento Aest contenido en B si siempre que ocurre Aocurre
B.
Simblicamente: A c B , s i We a ^ We B

D.
B

AcB

4.3.3.
Eventos Mutuamente Excluyentes y Eventos
Colectivamente Exhaustivos
a) Dos eventos A y B definidos en el mismo espacio muestral se
dice que son mutuamente excluyentes si no pueden ocurrir
juntos.

b) Una coleccin de eventos A,, A2.......Ak definidos sobre un mismo


espacio
muestral. Se dice que son mutuamente excluyentes si la ocurrencia de
uno de ellos excluye la ocurrencia de los otros, es decir:

A j n A j = 0 V i*j; i = 1,2,... k

c) Se dice que una coleccin de eventos A., A2


Ak, definidos sobre
el mismo
espacio muestral son colectivamente exhaustivos si la unin de ellos
es igual al espacio muestral.
4 u 4 U....Ak = Ui = Q V i ; i = 1 , 2 , . . . k =i

4.3.4. Propiedades de las Operaciones con Eventos


Dado los eventos A, B y C de un cierto experimento aleatorio, se
verifican las siguientes propiedades bsicas de unin e interseccin
de eventos.
a) Ley Conmutativa.
AuB=BuA
A n B = B n
A

b) Ley Asociativa
(AB)uC = A vj(B^C)
(AnB) oC = A o(B^C)

c) Ley Distributiva
A n (B u C) = (A o B) o (A n C)
A u ( B o C ) = ( A a t ) o (A o C)

d) Complemento del Complemento


(Ar) = A

e) U o A = Q 0 u A = A A u A c = Q A u A = A
f) Q n A = A 0 n A = 0 A
n A

=0 An A = A

g) Leyes de Morgan

AyjB = AnB

AnB = AKJ B

h) A = (AnB)u(AnB)

) Si Ac= B, entonces Au B = B y An B = A
B

4.4.
PROBABILIDAD
Probabilidad es la posibilidad numrica de la ocurrencia de un evento.
4.5.
TIPOS
DE PROBABILIDAD
Existen tres enfoques para el estudio de la probabilidad.
4.5.1.
Probabilidad Clsica
Llamada tambin probabilidad a priori debido a que es posible conocer el
resultado con anterioridad, es decir, sin llevar a cabo el experimento y
slo basado en el razonamiento lgico. Se basa en el supuesto de que
cada elemento del espacio muestral tiene la misma posibilidad de ser
elegido.
Se
Casos

calcula a travs de:

P(A)
=

favorables de ocurrencia del evento A Total de casos


posibles

Ejemplo 73:
Hallar la probabilidad de obtener cara en el lanzamiento de una
moneda. Solucin:
El espacio muestral ser:
Q = {c..v}

Sea el evento A: obtener cara.


Luego:

n(A)
P(A) =
n(Q)

P(A)

= = 0.5

Ejemplo 74:
Hallar la probabilidad de obtener el nmero 2 en el lanzamiento de un
dado. Solucin:
El espacio muestral ser:

Q = {1,2,14,5,6}

Sea el evento B: obtener el nmero 2.


Luego:
n
(B)
P(B) =
n(Q)

P(B)

= = 0.17 6

La probabilidad clsica se utiliza para experimentos simples, como los


mencionados anteriormente. En la vida real se presentan situaciones ms
complejas que requieren el clculo de probabilidad desde otro enfoque.
4.5.2.

Probabilidad de Frecuencia Relativa

El clculo de este tipo de probabilidad se basa en la repeticin de la


ocurrencia de un evento al realizar una gran cantidad de pruebas o
experimentos.
Se halla a travs de:
Nmero de veces que ocurri el evento A

P(A) = -

Nmero total de observaciones

P{A) = L
n

La probabilidad de frecuencia relativa es llamada tambin emprica o a


posteriori debido a que se obtiene el resultado despus de llevar a cabo el
experimento.
Ejemplo 75:
Tras una encuesta realizada a 500 vendedores ambulantes de Lima
cuadrada se encontr que 325 de ellos se dedicaban a esta actividad
porque haban sido despedidos de empresas fabriles. Hallar la probabilidad
de que al seleccionar aleatoriamente a un vendedor ambulante, este haya
sido despedido de una empresa fabril.
Solucin:
Sea el evento A: Vendedor ambulante
despedido, f : Nmero de veces en que ocurri B
= 325 n: Nmero total de observaciones = 500

= =

f 325 Luego: P ( A )
= 0.65 n 500

Ejemplo 76:
En una encuesta realizada a 1500 pequeas empresas de la ciudad de
Lima sobre el nmero de medidas de seguridad, se encontr los siguientes
resultados:
TABLA N 27
N de medidas de
seguridad

N de empresas

100

1
2
3
4

800
300
250
50

Total

1500

P(A)

0.07
0.53

0.20
0.17
0.03

1.00

a) Cul es la probabilidad de que las pequeas empresas tengan dos


medidas de seguridad?

P(A ) = -

* n 1500

=02 '

El 20% de las empresas tiene dos medidas de seguridad.

b) Cul es la probabilidad de que las pequeas empresas tengan ms


de dos medidas de seguridad?
P(A, > 2) = P(A4) + P(A5) = 0.17 + 0.03 = 0.20
El 20% de las pequeas empresas tiene ms de dos medidas de
seguridad. 4.5.3 Probabilidad Subjetiva
Es la probabilidad asignada bajo un criterio personal, basada en cualquier
tipo de evidencia disponible.
Las probabilidades subjetivas se asignan a eventos que pueden suceder
solo una vez o muy pocas veces.
Ejemplo 77:
a) La probabilidad de que una mujer llegue a ser presidenta de los EE.UU.
b) La probabilidad de que el hombre viva eternamente.
c) La probabilidad de que quiebre la Bolsa de Valores de New York.
4.6. AXIOMAS DE PROBABILIDAD
a) La probabilidad de un evento cualquiera es siempre positiva.

P(A) > 0
b) La probabilidad de un evento cierto o seguro es la probabilidad del
espacio muestral, que equivale a la unidad.

P ( Q) = 1
c) La probabilidad de la unin de una familia de eventos mutuamente
excluyentes es igual a la suma de las probabilidades de dichos
eventos.

P ( A { U A 2 U ...U A K ) = P ( A , ) + P ( A 2 ) + . . . . P ( A k )
K

=I^()
v. / 1=1
4.7.
TEOREMAS DE LOS AXIOMAS DE PROBABILIDAD
De los axiomas de probabilidad resultan los siguientes teoremas.
a) La probabilidad de un evento toma valores entre cero y uno. Es decir:
0 < P(A) < 1
UA,

b) La probabilidad de un evento nulo o imposible es CRro. Es decir:


/>>) = 0
c) La probabilidad del complemento de un evento est dada por:

P()=\-P(A)

d) Si el evento Aes un subconjunto del evento B, entonces:

P(A) < P{B)


4.8.
PROBABILIDAD CONDICIONAL
Es utilizada cuando se desea conocer la probabilidad de ocurrencia de un
evento condicionado a la ocurrencia previa de otro evento.
Se calcula mediante la frmula:

P(B/A) =

on P { A ) * 0 P ( A )

Elsmbolo/selee: DADO, SI y expresa condicin.


Donde:
P(B/A) : Probabilidad de que ocurra el evento B, dado que el evento A ha
ocurrido.
Ejemplo 78:
En una comunidad se llev a cabo una encuesta a 500 personas mayores
de 18 aos, donde se hall lo siguiente: 300 se encontraban con empleo a
tiempo completo y 200 desempleados. Del total de desempleados, 140
eran padres de familia Cul es la probabilidad de que ste sea padre de
familia dado que se encuentra desempleado?
Solucin:
Sean los eventos.
E: Personas mayores de 18 aos de edad con empleo a tiempo completo.
D: Personas mayores de 18 aos desempleadas
C: Personas mayores de 18 aos de edad, que son padres de familia.
DAC: Personas mayores de 18 aos desempleadas y que son padres de
familia.

Nos pide:

P(CID)
=

P(Cn
D)
P(D)

140 P ( C n D ) =
500

= 0.28

w-222-o*

500

28 P ( C I D ) = - = 0.7 0.4

4.9.
REGLAS DE PROBABILIDAD
4.9.1.
Probabilidad del Producto
Se utiliza para calcular la probabilidad conjunta o simultnea de dos o ms
eventos.
Si los eventos Ay B son dependientes, entonces
la ocurrencia conjunta de los eventos es:

P(AnB) = P(A) x P(B/A)


Si los eventos A, B y C son dependientes,
entonces la ocurrencia conjunta de los eventos
es:

P(AnBnC) = P(A) x P(B/A) x P(CVAnB)


Ejemplo 79:
En un estudio se encontr que la probabilidad de que se incremente el
empleo en el Asentamiento Humano "X es de 0.35, de que se incremente
el consumo de artculos de primera necesidad es de 0.05 y de que se
incremente el consumo de artculos de primera necesidad dado el
incremento del empleo es de 0.10.
Cul es la probabilidad de que se incremente el empleo y el consumo de
artculos de primera necesidad?
Solucin:
Sea:

Eventos

Probabilidades

A : Incremento del empleo B : P(A) = 0.35 P(B) =0.05


Incremento del consumo de
artculos de primera necesidad. P(B/A) = 0.10
B/A: Incremento del consumo de
artculos de primera necesidad
dado que se ha incrementado el
empleo.

Luego:

P(AnB) = P(A)xP(B/A) P(AnB) =


0.35 x 0.10 = 0.035
La probabilidad de que se incremente el empleo y el consumo de artculos
de primera necesidad es de 0.035.
Si los eventos Ay B son independientes, se debe cumplir:

P (B/A) = P(B)
Luego, la ocurrencia simultnea de los eventos independientes Ay B es:
P(AnB) = P(A)xP(B)

La ocurrencia simultnea de los eventos independientes A, B y C es:

P (AnBnC) = P(A)xP(B)xP(C)

Ejemplo 80:
Se ha determinado que la probabilidad de televidentes que ven los
programas A y B son respectivamente 0.4 y 0.5. Cada televidente ve los
programas independientes uno del otro. Si se elige al azar uno de tales
televidentes qu probabilidad hay de que vea ambos programas?
Solucin:

Eventos
A: Televidentes que ven el
programa A.
B: Televidentes que ven el
programa B Ay B: son
independientes.
Ar\ B: Televidentes que ven el
programa Ay B.

Probabilidades
P(A) = 0.4 P(B) = 0.5
P(BA A) = P(A) x P(B) = 0.2

La probabilidad de que los televidentes vean ambos programas es 0.2.


4.9.2.
Probabilidad de la Suma
Se usa cuando se desea averiguar la probabilidad de que ocurra al menos
un evento.

Si los eventos A y B son mutuamente


excluyentes. la probabilidad de que
ocurra A o B es:
P(AuB) = P(A) + P (B)

Ejemplo 81:
De 200 trabajadores de una empresa, 80 se encuentran afiliados a la AFP
Integra. 100 se encuentran afiliados a la AFP Horizonte y 20 aportan al
Sistema Nacional de Pensiones. Si se elige un trabajador al azar, calcular la
probabilidad de que se encuentre afiliado a la AFP Integra o AFP Horizonte.
Solucin:
Sean los eventos:
I EltrabajadorestafiliadoalaAFPIntegra H El
trabajador est afiliado a la AFP Horizonte.
P El trabajador est afiliado al Sistema Nacional de Pensiones.
Entonces:

/>(/) = = 0.4 200


/;(//) = = 0.5 200
L u e g o : P { u H ) = ?(/) + />(//) /*(/

u //) = 0.4 + 0.5 = 0.9

Si los eventos A, B y C son mutuamente excluyentes, la probabilidad de


que ocurra al menos un evento es:

P{A u 5 u C) = P(A) + P(B) + P(C)


n

P(AnBnC) = 0

Si los eventos A y B son traslapados o unidos (no mutuamente


excluyentes). entonces la probabilidad de que ocurra Ao B est dada por:

P ( A vj B ) = P { A ) + P { B ) - P ( A n B )

Si Ay B son independientes:

P(A

KJ

B) = P(A) + P(B) - P(A) x P(B)

Ejemplo 82:
La probabilidad que una persona ahorre en el Banco de Crdito es 0.5, la
probabilidad de que ahorre en el Banco Continental es 0.4 y la
probabilidad de que ahorre en ambos banco es 0.3. Hallar la probabilidad
de que una persona ahorre en alguno de los bancos.
Solucin:
Sean los eventos:
A La persona ahorra en el Banco de Crdito B La
persona ahorra en el Banco Continental A A B:
La persona ahorra en ambos bancos.
Adems:
P(A) = 0.5 P(B) = 0.4 P(An B) = 0.3 Entonces p(A
u B) = p(A) + P(B) _ P(A n B)

P(AwB) =0.5+ 0.4-0.3


P(AuB) =0.6
Si los eventos A, B

y C son traslapados ocurridos, entonces la

probabilidad de que ocurra al menos un evento es:


P (AuBuC) = P(A)rP(B)+P(C) - P (AnB) - P (AnC) - P(BnC) + P(AnBnC)
n
AB

IR

Si A, B y C son independientes, entonces:


P(Ao>BuC)=P(A)+P(B)+P(C) -P(A)xP(B)-P(A)xP(C)-P(B)xP(C)+P(A) x P (B)xP(C)

Ejemplo 83:
En la Universidad de Lima se publican tres revistas: A, B y C. El 30% de los
estudiantes lee A, el 20% leeB, el 15% leeC, el 12% lee Ay B, el 9% Ay C, el
6% By C y finalmente 3% lee A, By C. Se pide calcular el porcentaje de
estudiantes que lee al menos una de las revistas.
Solucin:
Sean los eventos:
A : El estudiante lee la revista A i-------------------------------\ P(A) = 0.30
B : El estudiante lee la revista B

i-------S P(B) = 0.20

C : El estudiante lee la revista C

i=> P(C) = 0.15

A B: El estudiante lee la revista Ay B I==> P(A n B) = 0.12 A n C: El estudiante lee la


revista AnC

P(A n C) = 0.09
t= >

B n C: El estudiante lee la revista B nC S P(B N C) = 0.06 A n B n C: El estudiante lee la revista A


n BnC <^> P(AnBnC) = 0.03

Entonces:
P(A u B u C) = P(A) + P(B) + P(C) - P(AnB) - P(AnC) - P(BnC) + P(AnBnC) P(A uBuC)

= 0.30 +

0.20 + 0.15 -0.12-0.09-0.06 + 0.03 = 0.41 <=>41%


El 41 % de las personas lee al menos una de las revistas.
4.10.

TABLAS DE CONTINGENCIA YTABLAS DE PROBABILIDAD


4.10.1.
Tablas de Contingencia.- Es una tabla de doble entrada
que muestra la clasificacin de eventos de los espacios mustrales
de dos experimentos aleatorios. (Ver pg. 96, tabla N 19).
4.10.2.
Tablas de Probabilidad.- Son aqullas que se obtienen a
travs de las tablas de contingencia aplicando los criterios dados.

La siguiente tabla N 28 de probabilidades muestra las probabilidades


conjuntas y marginales para una tabla de contingencia de manera general:

TABLA N 28

Ejemplo 84.
La siguiente tabla N 29 muestra la clasificacin de los trabajadores de
una empresa por categora laboral segn sexo.

TABLA N 29
Distribucin de trabajadores por categora laboral segn sexo
Sexo

CATEGORA LABORAL

Total

Obrero(o) Empleado(E Funcionario


)
(FU)
Masculino (M)
150
30
120
Femenino (F)
TOTAL
a)
b)
c)
d)
e)

300

50

140

10

200

170

290

40

500

Si se elige un trabajador al azar, hallar la probabilidad de que:


Sea obrero.
Sea de sexo masculino y obrero.
Sea empleado, si es de sexo masculino.
Sea de sexo masculino, si es funcionario.
Sea obrero o empleado.

Solucin:
Construyendo la tabla de probabilidades obtenemos los siguientes
resultados.

TABLA N 30
Tabla de probabilidades de los trabajadores por categora laboral segn
sexo
Sexo

CATEGORA LABORAL
P(O)

P(M)

120/500=0.2
4
50/500 =0.10

P(E)

150/500 =
0.30
140/500 =
0.28
170/500=0.3 290/500=0.58
4

P(F)
TOTAL

Total

P(FU)
30/500 =
0.06
10/500 =
0.02
40/500=
0.08

300/500=0.
60
200/500=0.
40
500/500=0.
10

Entonces:
a) PO) = 0.34
b) P(M r\ O) = 0.24
c) l>(E/M)= P I n W >

P( M)

nMIFU)

0.60

.mnm=.0j}
P(FU)

0.08

e) P{Ovj E) = P(O) + P(E) - 0.34 - 0.58 = 0.92


4.11.
TEOREMA DE BAYES
Es un mtodo que nos permite calcular la probabilidad de que un evento
que ya ocurri sea resultante de alguna causa. Para entender el Teorema
de Bayes debemos estudiar.
4.11.1.
Particin de un Espacio Muestral: Se denomina particin
del espacio muestral Q a una coleccin de k evento A,, A 2, AK que
sean mutuamente excluyentes y cuya unin es el espacio muestral,
es decir, tales que verifican las siguientes condiciones:
a)

P(A) > 0, para cada i=l, 2, ...k.

0Vi* j
kk
c) U A = Q P ( A , ) = l
1
=1
b)

Aj n Aj =

Esquemticamente:

fig. 12: Particin de Q


4.11.2.
Probabilidad Total: Si k eventos A,, A2,...A, constituyen
una particin del espacio muestral Q, entonces para cualquier
evento B en Q:

P(B) = P(AinB)
=i

k
P(B) = ^P(A)xP(B/Ai)
i=i

Esquemticamente:

ULADECH

129

fig 13: Relacin entre el evento B y la particin defi


4.11.3.
Teorema de Bayes: Si los k eventos: A., A2.. . .
AK, constituyen
una
particin del espacio muestral Q , entonces para cualquier evento B de
Q tal que P(B) > 0:
P(A, IB)

nA )

' *^'A')

.paracada=1.2..............................k.

El Teorema de Bayes nos permite comparar la probabilidad previa (o a


priori) P(A) con la probabilidad posterior (o a posteriori) P(A,/B). Esto es,
P(A,/B) es la probabilidad de A, corregida o modificada por la ocurrencia
del evento B.
Si Aes un evento en Q tal que 0<P(A)<1, entonces para un evento B en
Q:

P{B) = P(A)x P(B/ A) + P()x P{B/A)

Esquemticamente:

fig.
14

ULADECH

131

Ejemplo 85:
Un ensamblador de computadoras usa partes que provienen de tres
proveedores A., A2, A3. De 2000 partes recibidas 1000 provienen de A,,
600 de A2y el resto de A3. De expresiones pasadas el ensamblador sabe
que las partes defectuosas que provienen de A,, A 2 y A3 son
respectivamente 3%. 4% y 5% Si se elige una computadora al azar:
a) Cul es la probabilidad de que contenga una parte defectuosa?
b) Y si contiene una parte defectuosa, cul es la probabilidad de
que haya sido provedo por A2?
Solucin:
Sean los eventos:
A: Parte proviene del proveedor A,
i=1,2,3 B: Parte defectuosa
Adems:
P(A)

= 1222 = 0.5
P(B/A]) =

0.03,

P(Aj) = -22-=

P(B/A-,)

0.3. P(,43) = ^22_

= 0.04 y

PiB/A,)

o.2 2000 2 2000 3 2000

= 0.05

Esquemticamente:
003 P(A,)xP(B/A.)

B 0.5 x 0.03
0.04

* B 0.3x0.04

0.05
A3

- B 0.2 x 0.05

Total

P(B) = 0.037

a) Aplicando la regla de probabilidad total se obtiene:


3
P ( B ) = ' i p ( A , ) x P ( B I A l ) = P ( A l ) x P ( B I A l ) + P ( A 1 ) x P ( / .4,) + P ( A s ) x P ( B I A , )
m

P(B) = 0.5 x 0.03 + 0.3 x 0.04 + 0.2 x 0.05 = 0.037

fig.
14

b) Aplicando el Teorema de Bayes se obtiene:

,B) . PWinBIA.) . 0.3x0,04 _


/>()

0.037

Ejemplo 86:
En una encuesta de opinin se encontr que el 25% de los electores
votara por el candidato E. De los que no votaran por E el 20% son
mujeres, el resto son hombres. Adems la probabilidad de que un
elector elegido al azar sea hombre es 0.70. Si se elige un elector al
azar y resulta ser mujer Cul es la probabilidad que no vote por E?
Solucin:
Sean los eventos:
E : El elector vota por el candidato E.
H : El elector es hombre M :
El elector es mujer
Entonces:
P(E) = 0.25 => P( ) = 0.75
P(M/ )= 0.20 P(H/ E) =
0.80 P(H) = 0.70 P(M) =
0.30
Grficamente:
P(H) = 0.70

P(M,E) =

P(M)=0.30

P(MnE)

P{E)

ULADECH

133
P(M

P{H

n ) = 0.20 x 0.75 = 0.15

,E)=MJ2
P(E)

P(HnE) =

0.80x0.75 = 0.6

= 11 = 0.5
P{M) 0.30

La probabilidad de que un elector no vote por E siendo mujer es 0.5.


Ejemplo 87:
La institucin X" est considerando realizar un seminario de
capacitacin. De acuerdo con un estudio de mercado, la probabilidad
de que el seminario tenga xito es 0.80 si la institucin T no realiza un
seminario similar, en tanto que la probabilidad de xito es 0.30 si la
institucin Z realiza un seminario similar. Adems, la institucin X"
estima que hay una probabilidad de 0.40 de que "T realice el seminario.
Dado que el seminario de "X tuvo xito, cul es la probabilidad de
que la institucin Z haya realizado el seminario?
Sean los eventos:
E : El seminario de la institucin X tiene xito.
S : La institucin Z realiza un seminario similar.
S : La institucin Z" no realiza un seminario similar. Esto significa que
se trata de una particin:
Grficamente:

fig.
14

Segn datos dados:

P(S) = 0.40 r=> P(S) = 0.60 Adems se sabe que:


P(E/S) = 0.80. P(E/S) = 0.30
Nos pide:
P{

S , E ) = 1^211

P(E)

Entonces:
P{E) = P(SnE) + P(SnE)
P(E) = P(S) *P(E/S) + P(S)*P(E/S) P(E) =
0.40 x 0.30 + 0.60 x 0.80

P(E) = 0.60
Adems se sabe que:

P(EnS) = P(S)xP(E/S)
Luego:

P(E r\S) = 0 .1 2
P ( S / E ) = = 0.20 0.60

ULADECH

135

Adems estos resultados los podemos mostrar en una tabla de


probabilidad:
TABLA N 31

P(E)
P( E)
Total

P( s)

P (S)

Total

0.12

0.48

0.60

0.28

0.12

0.40

0.40

0.60

1.00

PROBLEMAS PROPUESTOS N 4
1. Dar cinco ejemplos de experimentos aleatorios relacionados con
sus especialidades.
2. Determinar el espacio muestral de c/u de los experimentos
aleatorios que se dan a continuacin.
E,: Preguntar a un ciudadano sobre el noticiero televisivo de su
preferencia
E2: Preguntar a un trabajador de una empresa X sobre el monto
de su sueldo mensual.
E3: Preguntar a un trabajador de una empresa "X cules a la AFP a
la que est afiliado.
E: Preguntar a un ciudadano en particular respecto su preferencia
sobre cierto candidato presidencial Es: Extraer un artculo de un lote
que contiene artculos defectuosos D y no defectuosos N"
E6: Preguntar a un ciudadano en particular sobre el departamento
de donde procede.
E7: Observar la actividad laboral del ciudadano chimbotano.
3. Un experimento consiste en preguntar a tres electores elegidos
al azar si votan por un partido poltico "X":
a) Liste los elementos de espacio muestral utilizando las letras S
para s y N para no.
b) Liste los elementos del evento: Al menos dos de los electores
votan por el partido X.
c) Definir en palabras el evento que tiene por elementos los
puntos:
{SSS, NSS, SSN, NSN}
fig.
14

4. Sea el siguiente experimento: lanzar un dado y observar el


nmero que aparece en la cara superior.
Defina los siguientes eventos:
A: Se observa un nmero impar.
B: Se observa un nmero par.
C: Se observa un nmero menor que 4.
D: Se observa un nmero mayorque6.
5. Dos personas Ay B se distribuyen al azar en tres oficinas
numeradas 1, 2 y 3. Si las dos personas pueden estar en la
misma oficina, defina un espacio muestral adecuado.
6. Durante el da, una mquina produce tres artculos cuya calidad
individualdefinida como defectuoso o no defectuoso; se determina
al final del da. Describa el espacio muestral generado por la
produccin diaria.
7. Suponga que la demanda diaria de gasolina en una estacin de
servicio est acotada por 1000 galones que lleva en un registro
diario. Describa el espacio muestral.
8. Una moneda se lanza tres veces. Describa los siguientes eventos:
A: Ocurre por lo menos dos caras.
B: Ocurre sellos en el 3er lanzamiento.
C: Ocurre a lo ms una cara.
9. Un inversionista planea escoger dos de las cinco oportunidades
de inversin que le han recomendado. Describa el espacio
muestral que representa las opciones posibles.
10. Construya un espacio muestral adecuado al experimento:
inspeccionar las medidas de seguridad contra accidentes de
una fbrica.
11. El gerente general de una firma comercial entrevista a dos
aspirantes a un puesto de trabajo. Cada uno de los aspirantes
es calificado como: Deficiente, Regular, Bueno, Excelente.
a) Dar un espacio muestral adecuado para este experimento.
b) Describir los siguientes eventos:
A: Todos los aspirantes son calificados como deficientes o
excelentes.
B: Solo la ltima persona entrevistada es calificada como excelente.

ULADECH

137

12. Un nmero es seleccionado al azar entre los nmeros 1 al 20.


Sean los siguientes eventos.
A: El nmero elegido es par.
B: El nmero elegido es primo.
C: El nmero elegido es mltiplo de 5,
Liste los elementos de los siguientes eventos: AnB. AuB. A nC. (AuB)nC'

a)
b)
c)
d)
e)
f)

13. Sean A y B dos eventos cualesquiera en el espacio muestral O .


Exprese c/u de los eventos compuestos en trminos de
operaciones entre A y B (graficar mediante los diagramas de
Venn)
Ocurren todos los eventos.
Ocurre exactamente uno de los eventos.
Ocurre por lo menos uno de los eventos.
No ocurre ninguno de los eventos.
No ocurre A o no ocurre B.
Ocurren a lo ms dos eventos.
14. Sean A, B, y C tres eventos cualesquiera en el espacio muestral
fi. Exprese cada uno de los siguientes eventos compuestos en
trminos de operaciones entre A, B yC. Graficar para entenderlo
mejor.
a) Ocurren todos los eventos.
b) Ocurren exactamente dos de los eventos
c) Ocurren a lo ms dos de los eventos.
d) No ocurre ninguno de los eventos.
e) No ocurre Ao no ocurre 3 o no ocurre C.
f) Ocurre exactamente uno de los eventos.

15. SeanAyB dos eventos de Q tales que no son mutuamente


excluyentes:
a) Exprese A [B ) como la unin de dos eventos mutuamente
excluyentes.
b) Exprese A ( B ) como la unin de dos eventos mutuamente
excluyentes.
16. Son los eventos A,

AB

AuB

colectivamente exhaustivos?.

17. Dada una baraja de 52 cartas, el conjunto Aconsta de los 13


corazones y el conjunto B son los 4 ases. Identifique cules
cartas estn incluidas en (A W B)y(AnB).
18. Haga un diagrama de Venn para el ejercicio anterior.
fig.
14

19. Algunos de los trabajadores hombres y mujeres de una planta


grande tienen educacin secundaria. El conjunto A consta de los
trabajadores hombres, el conjunto B de trabajadores mujeres, el
conjunto C es el conjunto con educacin secundaria y el
conjunto D es el conjunto de los trabajadores que no tiene
educacin secundaria. Identifique y explique.
(AuC), (BuD) y (AnC)
20. Para el problema anterior cul es la diferencia entie(B VX>)y(B
HD)?
21. Dada las condiciones del ejercicio (19), identifique los eventos que
son:
a) Mutuamente excluyentes.
b) Colectivamente exhaustivos con respecto al gnero.
22. Si P(A) = 3/4, P(B) = 2/3 v P(A O B)=3/5, hallar:
a) P(AuB) b)P(A-B) c)P(B-A) d)P(A/B)
23. La probabilidad de que un alumno apruebe el curso de
estadstica es 1/3, que apruebe el curso de matemtica es 1/6 y
de que aprueba ambos cursos es 1/8. Cul es la probabilidad
de que apruebe al menos un curso?
24. En una cierta ciudad se publican tres diarios A, B y C.
Supongamos que el 60% de las familias de la ciudad lee A, el
40% lee B y el 30% lee C. Supongamos tambin que el 20% de
las familias de la ciudad lee A y B, el 10% lee Ay C, el 20% lee B
y C y el 5% lee A, B y C. Determinar:
a) Qu porcentaje de familias lee por lo menos uno de los
diarios?
b) Qu porcentaje de familias lee exactamente uno de los
diarios?
25. Si P(A) = 0.3, P(B) = 0.2, Si A y B son independientes,
determine las siguientes probabilidades:
a)P(AnB) b) P(A/B) c)P(AuB) d)P(JB) e)P((An)

26. Un club consiste de 150 miembros. Del total 3/5 son hombres y
2/3 son profesionales. Adems, 1/3 de las mujeres son no
profesionales. Se elige un socio al azar:
a) Calcular la probabilidad de que sea hombre y profesional.

ULADECH

139

b) Calcular la probabilidad de que sea hombre, dado que es


profesional.
c) Calcular la probabilidad de que sea no profesional, si es
hombre.
d) Calcular la probabilidad de que sea mujery no profesional.
27. La siguiente tabla corresponde a la opinin ciudadana agrupada
en tres categoras (a favor, en contra, indeciso) segn gnero
en una muestra de 210 habitantes de una ciudad.
Gnero

Opinin

Total

A favor

En Contra

Indeciso

Hombre

41

39

20

100

Mujer

40

43

27

110

TOTAL

81

82

47

210

Si se elige un habitante al azar, calcular la probabilidad de que:


b) Opine en contra, si es mujer,
c) Sea mujer, si opina a favor, d) Opine a favor o en contra.

a) Opine a favor.

28. Los pedidos nuevos de los productos de una campaa varan en


valor monetario, segn la siguiente distribucin de
probabilidades:
4001Total
Monto de la 01001- 2001- 30014000
5000
venta en $
1000 2000 3000
Probabilidad

0.10

0.35

0.25

0.20

0.10

1.00

Obtenga las siguientes probabilidades:


a) De que el nuevo pedido sea mayor de $2000.
b) De que el nuevo pedido sea mayor de $1000 pero menor o igual
a 4000.
29. En una universidad el 70% de los trabajadores son docentes y
el 30% son empleados administrativos, de los trabajadores
docentes el 60% son varones y de los empleados
fig.
14

administrativos son varones el 40%. Si se elige aleatoriamente


un trabajador, calcular la probabilidad de que:
a) Sea varn.
b) Sea
mujer.
c)Sea empleado administrativo.
d) Sea docente, si es varn.
e) Sea empleado administrativo, si es mujer.
f)Sea docente y mujer.

ULADECH

.141

CAPTULO 5 DISTRIBUCIONES DE PROBABILIDAD


IMPORTANTES
En el captulo anterior se analiz el concepto de probabilidad. El
objetivo era determinar la probabilidad de un evento. En este captulo
estudiaremos las distribuciones de probabilidades importantes.
El comportamiento de una variable aleatoria queda descrito por su
distribucin de probabilidad. En muchas tareas estadsticas se busca
determinar una distribucin de probabilidad o modelo probabilstico
que satisfaga un conjunto de supuestos para estudiar los resultados
observados de un experimento aleatorio.
NOTA:
La variable aleatoria es una funcin que atribuye a cada evento
elemental un nmero que no es aleatorio o imprevisible sino fijo
y predeterminado.
Distribucin de probabilidad es una lista de todos los resultados
posibles de algn experimento y de la probabilidad relacionada
con cada elemento.
Se pueden definir muchas distribuciones de probabilidad tanto de
variable discreta como de variable continua. Hay algunas que tienen
aplicaciones estadsticas importantes y que se estudiarn a
continuacin:
5.1.
DISTRIBUCIONES DE PROBABILIDAD DE TIPO DISCRETO
Entre las ms importantes estudiaremos: la distribucin de Bernoulli,
Binomial y Poisson.
5.1.1.
Distribucin de Bernoulli
Se llama prueba o ensayo de Bernoulli a todo experimento aleatorio
que consiste de slo dos resultados posibles mutuamente excluyentes,
generalmente llamados: xitos (E) y fracasos (F).
Ejemplo 88:
Lanzar una moneda al aire con los resultados: cara o sello.
Elegir al azar un objeto fabricado con los resultados: defectuoso o
no

Carmen Rosa Barreto Rodrguez

142

defectuoso.
* Elegiral azar un alumno con los resultados: aprobado y desaprobado.
El espacio muestral asociado al experimento aleatorio de Bernoulli se
puede escribir como el conjunto: Q={E,F}
La variable aleatoria X definida en de manera que atribuye a E el
valor 1 y a F el valor 0, se denomina variable aleatoria de Bernoulli.
Si p = P [X = 1 ] es la probabilidad de xito, donde 0 < p < 1 y q = P
[X=0] = 1 - p es la probabilidad de fracaso, la distribucin de
probabilidad de Bernoulli de parmetro p est dada por:
p x ( I -p)1'* , si x =

0, 1

0
, en otro caso
Si X es una variable aleatoria con distribucin Bernoulli de
parmetro p, entonces lo denotaramos porX B(1, P).
La media y la varianza de la distribucin de Bernoulli estn dadas por:
Media : |.i =p Varianza : <r2 = pq
5.1.2.
Distribucin Binomial
Se denomina experimento binomial a un nmero fijo, n, de
repeticiones independientes de un experimento aleatorio de
Bernoulli, y, por lo tanto, se caracteriza porque:
a) Las n pruebas son estadsticamente independientes.
b) Los resultados de cada prueba son dos, mutuamente
excluyentes, xito (E) y fracaso (F).
c) La probabilidad p de xito es invariable en cada una de las pruebas.
El espacio muestral del experimento binomial es el conjunto:

Q= {(wi,w2, ... wn) / w = E o P;


Se denomina variable binomial a la variable aleatoria X
definida en Q como el nmero de xitos que ocurren en las n
pruebas de Bernoulli. Los posibles valores de X son: 0,1,2,3,...
n.

ULADECH

.143

Se dice que la variable aleatoria X definida como el nmero de


xitos que ocurren en las n pruebas de Bernoulli tiene distribucin
binomial con parmetros n y p y se escribe: X B (n, p), si su
funcin de probabilidad es:

f(x)=P[X=x] =p q

* = 0, 1 , 2 , 3 , . . . / ?
W

Donde:

("
U.

-Ck=-

nmero de eventos elementales.

n.

La media y la variable de la distribucin binomial estn


dadas por:
Medial : H =np Varianza :<r2 = npq
Ejemplo 89:
Un estudiante de la Facultad de Ingeniera Industrial tiene la certeza
de aprobar una asignatura con probabilidad 0.8, si lleva seis
asignaturas:
a) Cul es la probabilidad de que salga mal en todas las asignaturas?
b) Cul es la probabilidad que apruebe dos cursos?
c) Cul es la probabilidad de que apruebe menos de dos cursos?
Solucin:
Sea X la variable aleatoria que denota el nmero de asignaturas.
a) p\x = 0]= (*) x (0.8) x (0.2)6 Donde:
(6) =---------------- = 1
0
0! (6 0)! 0!x6!
Entonces:
P[X=0] = 1 x (0.8) x (0.2)6 = 1 x 1 x (0.2)6 = 0.000064
b) P[X = 2] = (*) x (0.8)2 x (0.2)4 Donde:
6! _ _6I_ _ _

15

! (6 2)! 2!x4! 2 x 2 4

Carmen Rosa Barreto Rodrguez

144

Entonces:
P[X=2] = 15 x (0.8)2 x (0.2)4 = 0.0154
c) P[X < 1] = (o)x(0.8) x (0.2)6 +
(,)x(0.8)'x (0.2)5 P[X< 1] = 0.0016
Ejemplo 90:
En un rea geogrfica determinada, el 40% de la poblacin adulta
pertenece al partido demcrata. Se selecciona una muestra de 10
adultos. Si X es la variable aleatoria que se define como de personas
adultas que pertenecen al partido demcrata:
a) Determine la funcin de probabilidad de X.
b) Calcule la media y la desviacin estndar.
c) Determine la probabilidad de que tres de ellos pertenezcan al
partido demcrata.
Solucin:
a) Cada uno de los adultos pueden pertenecer al partido demcrata (E) o
no pueden pertenecer al partido demcrata (F). La probabilidad de que
una persona adulta pertenezca al partido demcrata es p=0.4 y de que
no pertenezca es q=0.6. La distribucin de probabilidad de X es:
/>[*] =

P[X = k]

=(l) (0.4)* (0.6)10'*;

k=

0,1, 2,... 10

b) La media de esta distribucin es:


|i= np = 10 x 0.4 = 4 personas
La desviacin estndar de esta distribucin es:

a = ynpq = -J\0x0Ax0.6 - 1.55 s 2 personas


P[X=
P[X =

3] = C)x(0.4)3 x (0.6)7
3] = 120x0.064x0.028

P[X = 3] = 0.22
5.1.2.1. Uso de la Tabla de la Distribucin Binomial.
La tabla I del apndice muestran las probabilidades P(X;n) distribucin
de probabilidad acumulada F(x; n) = P[X<x] para n = 5, 10, 15, 20, 25
en combinacin con valores seleccionados de p.
5.1.3.
Distribucin de Poisson

ULADECH

.145

Se dice que la variable aleatoria discreta X, cuyos valores posibles


son: 0.1, 2,..., tiene distribucin de Poisson con parmetro X.( >
0) y se escribe X P ( X), si su funcin de probabilidad es:
Donde: /(*) = />[*=*]=

-X

/>

\x

, X=0,\,Z...

.Y!

= nmero esperado de ocurrencias por unidad de tiempo o


espacio, e =2.71828...
X

Nota.- La distribucin de Poisson se aplica a problemas donde la


variable aleatoria es el nmero de eventos independientes que
ocurren en un intervalo de tiempo o en un espacio dado (con un
promedio dado), por ejemplo:
Nmero de llamadas que recibe una central telefnica en el
perodo de un minuto.
Nmero de llegada de clientes por hora.
Nmero de accidentes de trabajo que ocurren en una fbrica
durante una semana.
Nmero de bacterias en un volumen de un m3 de agua.
La media y la varianza de la distribucin de Poisson estn
dadas por: Media : |a = X Varianza :
NOTA:

a2

Extensin o reduccin del intervalo unitario. La probabilidad de


que ocurra k eventos de Poisson en un intervalo de tiempo o en un
espacio de tamao tes:

e-x,{Xt)k
P\X = k ] =
-
k\
fl

Donde t es el nmero de ocurrencias de eventos en el periodo o


espacio t.
Ejemplo 91:
El nmero medio de automviles que llegan a una garita de peaje es
de 120 por hora.
a) Calcular la probabilidad de que en un minuto cualquiera no
llegue automvil alguno
b) Calcular la probabilidad de que en el perodo de 3 minutos
lleguen ms de 5 automviles.

Carmen Rosa Barreto Rodrguez

146

c) Si tal garita puede atender a un mximo de 3 automviles en


30 segundos, calcular la probabilidad de que en medio minuto
dado lleguen ms automviles de lo que pueden atender.
Solucin:
a) Sea X: El nmero de automviles que llegan a una garita de
peaje en un minuto.
Entonces X P(2); donde X =2 es el nmero esperado de
automviles que llegan a la garita de peaje por minuto.
P(x

= o) = sl*W.

0!

Utilizando la tabla II encontramos que:


P(X=0) = 0.135
b) El nmero medio de automviles que llegan a la garita de peaje
en el perodo de 3 minutos es X t = 2 x 3 = 6, entonces:
P(X>5) = 1 - P(X < 5)
Utilizando la tabla II encontramos que:
P[X< 5] = 0.446
Entonces:
P[X> 5] = 1-0.446 = 0.554
c) El nmero medio de automviles que llegan a la garita de peaje
en medio minuto es Xt = 1, entonces:
P ( X > 3 ) = 1 - P(X < 3)
Utilizando la tabla II encontramos que:
P [ X < 3] = 0.981
Entonces:
P(X>3)= 1-0.981 =0.019
5.1.3.1. Distribucin de Poisson como Aproximacin de la
Binomial
La razn fundamental para utilizar la distribucin de Poisson en
muchas situaciones est dada por la siguiente razn:
Supongamos que en la distribucin de probabilidad binomial B(n, p)
hacemos nooyp->0, en tal forma que np se acerca el valor X > 0.
Entonces B(n, p) P(X)
Segn esta proposicin, en cualquier experimento binomial donde n
sea grande y p pequea, B (n, p)s P [X), donde X = np. Como regla
prctica, se puede confiar en esta aproximacin n> 100, p<0.01 y
np<20.

ULADECH

.147

Adems:
Como B (n, p)--P( X) conforme n -*co, p-*0, np-*-X.. Ia media y la
varianza de la variable binomial deben aproximarse a los de una
variable de Poisson, estos lmites son:
n p - *^ y n p q A,

Ejemplo 92:
Si un editor de libros no tcnicos se esmera en asegurar que sus libros
estn libres de errores tipogrficos, y la probabilidad de que en
cualquier pgina dada contenga al menos uno de tales errores es
0.005 y los errores son independientes de pgina a pgina.
a) Cul es la probabilidad de que una de sus novelas de 400
pginas contenga exactamente 1 pgina con errores?
b) A lo sumo tres pginas con errores?
Solucin:
Con E sealando una pgina que contiene al menos un error y S una
pgina sin errores, sea X: el nmero de pginas que contiene al menos
un error, es una variable aleatoria binomial con n=400 y p=0.005, as
que np=2.
Queremos:
a) P[X = l]=(4)x(0.005)' x(0.995)399 s *2 =0.271
6

b)

F[X<3]

= (4)x(0.005)*x(0.995),0*^-^-=0.857

k~o

*=o k!

5.1.3.2. Uso de la Tabla de la Distribucin de Poisson


La tabla II del apndice muestra la distribucin acumulativa de Poisson
para X - 0.1, 0.2,..., 10, 15 y 20. Tambin muchos paquetes de cmputo
estadstico generan previa solicitud, P(x;X,) y F(x;^).
5.2.
DISTRIBUCIONES DE PROBABILIDAD DE TIPO CONTINUO
Entre las distribuciones continuas ms importantes estudiaremos la
distribucin normal, t student y chi-cuadrado que son usadas para
propsitos inferenciales. El propsito de este captulo es aprender a
manejar las tablas estadsticas de las distribuciones respectivas as
como sus aplicaciones respectivas.
5.2.1.
Distribucin Normal.
La distribucin de probabilidad continua ms importante en todo el
campo de la estadstica es con toda seguridad la distribucin normal,
debido a que en la prctica muchos fenmenos industriales,

Carmen Rosa Barreto Rodrguez

148

cientficos, o de la vida diaria pueden describirse por esta distribucin.


A la distribucin normal frecuentemente se le llama distribucin
gaussiana. La curva normal puede considerarse como modelo terico
para analizar situaciones reales.
Una variable aleatoria continua X se dice que est distribuida
normalmente, con media (-00 < (i < oo) y varianza <j > 0 , si su
funcin de densidad de probabilidad est dado por:
2

1 J(

f(x) ---------7== e 2 ' ' a ' ; - 0 0 < x < 0 0


cr sJzk

Donde: 7t = 3.1415 y ?=2.7182...............


Su grfica es la fig. 15.

fig. 15: La distribucin Normal


La distribucin normal se emplea tanto que a menudo se emplea la
2
siguiente notacin abreviada: X
), para indicar que la variable
aleatoria X se distribuye normalmente con media n y varianza cr2.
5.2.1.1. Propiedades de la Distribucin Normal
a) La distribucin normal es simtrica y tiene forma de campana,
se extiende de - oo a oo .
b) En la distribucin normal la media est en la mitad y divide el
rea en dos mitades y la media, la mediana y la moda tienen el
mismo valor.
c) El rea total bajo la curva normal es el 100%.
d) Existe una distribucin normal diferente para cada combinacin
de media y desviacin estndar.
e) La probabilidad de que una variable aleatoria tenga un valor
entre dos puntos es igual al rea bajo la curva normal entre los
dos puntos, tal como se muestra en la fig. 16.

ULADECH

.149

P(a < x < b) = rea bajo la curva normal entre a y b

fig. 16
f)

La fig. 17 muestra el rea bajo la curva normal de 1, 2 y 3


desviaciones estndar de la media.

__68._0% _ _
|
_95.5%__
99.7%

Carmen Rosa Barreto Rodrguez

150

5.2.1.2. La Distribucin Normal Estndar


Dado que existe una distribucin normal diferente para una
combinacin de media y desviacin estndar, sera intil intentar
elaborar las tablas suficientes para calcular probabilidades, adems
de la complejidad de la funcin de densidad (frmula). Existe, sin
embargo, una alternativa sencilla que evita estos problemas. Para ello
se puede convertir esta escala real en una relativa o estandarizada,
mediante la variable normalizada.
En donde:
G
X : Algunos valores de
inters a : Media
a : Desviacin estndar
La distribucin de una variable aleatoria normal con media cero y
varianza 1 se denota: Z n(0,1) y se lee: La variable aleatoria
estndar Z se distribuye normalmente con media cero y varianza 1.

5.2.1.3.

Uso de Tablas de la Distribucin Normal Estndar

La tabla ayuda a resolver dos problemas:


a) Conocido Z, hallar
el rea. a.1)
Usando la Tabla III

00
0
z
fig. 18: rea bajo la curva normal que se muestra en la tabla III

Ejemplo 93:
Obtener el rea para Z <
1.25 P[Z < 1.25] = ?
En primer lugar se debe localizar al valor 1.2 en el lado izquierdo de la
tabla III y luego el 0.05 (5 es el ltimo dgito) en su parte superior. El
rea bajo la curva se puede leer en la informacin de la fila Z = 1.2 y la
columna 0.05. El valor es 0.8944.

Luego: P(Z < 1.25) =


0.8944 Observe la tabla:
TABLA N 32
rea bajo una curva normal entre -oo y Z = 1.25

a.2) Usando la tabla IV

fig.

19: rea

bajo la

curva
normal que

se

muestra en

la

tabla IV Ejemplo 94:


Obtener el rea para -1.96 < Z < 1.96. Cabe indicar que los puntos son
simtricos. En primer lugar se debe localizar al valor 1.9 en el lado
izquierdo de la tabla IV y luego 0.06 (6 es el ltimo dgito) en su parte
superior. El rea bajo la curva se puede leer en la informacin de la fila Z
= 1.9 y la columna 0.06. El valores 0.95.

-1.96 0

Luego:

P [ - ] . 9 6 < Z <1.96] =0.95

Observe la tabla:

1.96

TABLA N 33 rea bajo una curva normal entre -1.96 y 1.96

b) Conocido el rea, hallar Z.


Ejemplo 95:
HallarZtalque:

p[z

< Z0]= 0.9382

En efecto, se ubica el nmero 0.9382 (ver tabla N 34) en el cuerpo de


la tabla III. Por este punto se traza una lnea horizontal y una vertical,
las que intersectan a la primera columna y la primera fila en 1.5 y
0.04, respectivamente; luego Z = 1.5 + 0.04 = 1.54.
TABLA N 34

5.2.1.4. Propiedades para el Clculo de Otras Areas en la


Distribucin Normal Estndar

p[z>z 0] =i-p[z<z 0 ]

Ejemplo 96: Hallar />[z > 2.32] Solucin: P [ Z > 2.32]= 1 - P [ Z <
2.32]= 1 - 0.9898 = 0.0102

b) p[z < -Z0]= \-p\z < Z 0 ]

-Zo

Ejemplo 97:
Hallar p[z^-0.03]
Solucin:

P[Z < -0.03]= 1 - P[Z< 0.03]= 1 -0.5120 = 0.4880

Tambin se puede obtener directamente de la tabla III, ya que tiene


valores negativos.

c) P[Z>-Z0]=/>[Z<Z0]

Ejemplo 98:
Hallar p\z > -1.30]
Solucin: P[Z > -1.30]= P[z 4 1 -30]= 0.9032

-1.30

1.30

b) />[Z,,<Z<Z,]=.P[Z<Z:]-/>[Z<Z,1]

Ejemplo 99:
Hallar p[-2.05< Z < 1.36]
Solucin:

P[~ 2.05< Z< 1.36]= ^[Z < 1.36]- P[z < -2.05] r[- 2.05 < Z
< 1.36]= 0.9131 - 0.0202 P[- 2.05< Z< 1.36]= 0.8929

-2.05

1.36

Ejemplo 100:
Hallar />[2.58< Z < 3.49]
Solucin:

P[2.58 < Z < 3.49]= P [ Z < 3.49]- P [ Z < 2.58] P[2.58 < Z < 3.49]=
0.9998 - 0.9951 P[2.58<Z< 3.49]= 0.0047

0.00
47

5.2.1.5.

2.58 3.49
0
Aplicaciones de la Distribucin Normal Estndar

Ejemplo 101:
Las ventas diarias (excluyendo los sbados) en un restaurante pequeo
tienen una distribucin de probabilidad que es aproximadamente
normal con media igual a $530 y una desviacin estndar de $120.
a) Cul es la probabilidad de que las ventas excedan de $700 en
un da dado? Solucin:
Variable aleatoria X: Ventas diarias en dlares
X n (530. 14400)

H =$530 ; cr =$120
a

P[X

> 700] =

X-tx

700-530 o

>

120

Ejemplo 102:
El
promedio

de

las

D.N.
E

1.65-1.50
0.30

= P [ Z > 1.42]
= 1 - P [ X < 1.42]
0.077
8

0 1.42

a)
b) Msde1.65m.

alturas de 800 alumnos de una gran


unidad escolar es 1.50 m. y la desviacin
estndar es 0.30 m. Asumiendo que las
alturas estn normalmente distribuidas,
encontrar cuntos alumnos miden:
Entre 1.30m y 1.70 m.

Solucin:
Variable aleatoria X: Altura en metros

X n(l .50, 0.09)


a) P [1.30 < X < 1.70] =
0.30

1.70-1.50
0.30

= [-0.67 < Z < 0.67]


= P[Z< 0.67] - P [Z < -0.67] = 0.7486-0.2514 =
0.4972
El nmero de alumnos que miden entre 1.30 m y 1.70 m. es:

n, = x P [1.30 < A' < 1.70] n. = 800 x 0.4972 = 398

alumnos
b) P [ X > 1.65] = P Z >
= P [ Z > 0.5] = 1 - P [Z < 0.5] = 10.6915 = 0.3085
El nmero de alumnos que pesan ms de 1.65 m. es:

, = 800 x 0.3085 = 247 alumnos.


Ejemplo 103:

y2 = n*P[X > 1.65]

= 1 - 0.9222 =
0.0778
D.N.G.

0.077
8

53
0

70
0

Los puntajes en un examen de seleccin para seguir estudios superiores


de maestra estn distribuidos normalmente con media 76 y desviacin
estndar
15. Se ha establecido que el 15% de los concursantes que son mejores
recibirn una beca integral de estudios, en tanto que el 10%, que se
supone que son peores, definitivamente no podr seguir estudios
superiores.
Hallar:
a) El puntaje mnimo para ganar la beca.
b) El puntaje mnimo para seguir estudios superiores.
Solucin:
Variable aleatoria X: Puntaje

X n (76.225) H = 76 a =15

a) Puntaje mnimo para ganar la beca:

7
6

X,

/[J!f >*,1 = 0.15 P [ Z > Z , ]


= 0.15 / , [ Z > Z 1 ] =
1 - / 5[ Z < Z , ] = 0.15

=>P[Z<Zl] =

1-0.15 = 0.85 Z, =1.03

15 X } =76 +
15(1.03)
X =91.45
El puntaje mnimo para ganar la beca es de 91.45.
b) Puntaje mnimo para seguir estudios superiores.

P[X<X2]

0.10 P [ Z < Z 2 ] =
0.10
1.29

=>Z2

=-

CT
X, -76
15

= -1.29

= 7615(1.29) X, =
56.65
El puntaje mnimo para seguir estudios superiores es 56.65.
5.2.2.
Distribucin t de Student
Se dice que una variable T tiene una distribucin t de Student con U
grados de libertad si su funcin de densidad de probabilidad est dada
por:

f(0 =

tR
Se denota como: T tu y se lee la variable T se distribuye como una t
de student con u grados de libertad.
OBSERVACIONES
La distribucin de la variable aleatoria T depende nicamente del
parmetro u. Entonces, hay una distribucin t correspondiente a cada
grado de libertad. En la fig. 20 se presenta un bosquejo de la funcin
de densidad de la variable aleatoria T para diferentes grados de
libertad. En la misma figura se da la grfica de la normal estndar.
Note la simetra de la distribucin t alrededor de t=0 y vara de menos
infinito a ms infinito.

M = E(T) = 0
2

a =

V(T) =

,u>1
u-2

,o>2

La media y la varianza de la
distribucin t student con u grados

de libertad estn dados por:


fig. 20
Como podemos ver, la distribucin t de student es muy similar a la
distribucin normal n(0,1), ya que ambas tienen como dominio todos
los reales, son simtricas con respecto a su media cero. Las dos tienen
grficos de forma de campana, pero la distribucin t de student tiene
mayor dispersin que la distribucin normal n(0,1). La distribucin t de
student se aproxima a la normal n(0,1) cuando el grado de libertad Des
suficientemente grande. En la prctica, cuando el grado de libertad v
es mayor o igual que 3 0 ( u > 3 0 ) , la distribucin t se trata como
distribucin normal n(0,1).
5.2.2.1. Uso de Tablas de la Distribucin t de Student:
Debido a la importancia de la distribucin t en la inferencia
estadstica y la dificultad para evaluar la funcin de distribucin
de la variable aleatoria T, stas se dan en una tabla (ver tabla
Vy VI). Puesto que existe una distribucin t diferente para cada
grado de libertad, no es prctico proporcionar una tabla de
reas completas para todas las distribuciones t, que
corresponden a diferentes grados de libertad. Se presentan en
las tablas Vy VI solo un resumen de la informacin de cada una
de estas distribuciones. Para el clculo de reas de la
distribucin t de student se utilizan las mismas propiedades de
la distribucin normal n(0,1).

a) Uso de la tabla
probabilidad de
aleatoria t tome

'NvJ-l-a

iguales a una constante t0 = t, ,a. As:


fig. 21
Ejemplo 104:
Si T t18, hallar:
1) P\f 2.10l]= 0.975

0 2.101

2) P\f > 1.330]= \-P[T<\.330] = 1 -0.90 P\f >


1.330]= 0.10

3)

P\f

< - l . 3 3 ] = / ' [ r > l.330]

1.330

V:
Calcula
la
que
la
variable
valores
menores
o

/'[/'

< -l.330]= l -

P\'

<

1.330] /[/ < - ! . 3 3 0 ] =


1 - 0 . 9 0 = 0.10

4)

P[

> -1.330]=

P[f <

1.330]= 0.90

b) Uso de la Tabla VI: Calcula la probabilidad de que la variable


aleatoria T tome valores entre dos puntos simtricos / =
/,_(12 y t t^_ . As:
{)

ap

Ejemplo 105 :
Si T t18, hallar:
1) >P[- 2.101 c r c 2.10l]= 0.95

2) P[- 2.878 < T < 2.878]= 0.99

5.2.3.
Distribucin Chi-Cuadrado
Se dice que la variable aleatoria X tiene una distribucin chicuadrado con v grados de libertad si su funcin de densidad est
dada por:

Notacin abreviada:
X X2W Donde o es un nmero
entero positivo.
5.2.3.1. Uso de la Tabla de la Distribucin Chi-cuadrado:
Debido a que la distribucin chi-cuadrado es importante en las
aplicaciones, principalmente en inferencia estadstica, alguna
de las cuales citaremos posteriormente, la funcin de
distribucin F(x) est preparada en tablas (ver tabla VII) para
valores seleccionados de u y X2 Por lo tanto, se puede encontrar
en la tabla la probabilidad de que la variable aleatoria X que
tiene una distribucin A; (i <u < 30) sea menor o igual a un
valor constante A'0: =Ar2i. representado por:

p\x<x,-a.v] =l-a

fig- 23
Como no existe simetra, la tabla VII presenta las probabilidades
(reas) acumuladas desde Xo =0 hasta Xo o
Puesto que existe una distribucin chi-cuadrado diferente para cada
valor de u, resulta imprctico proporcionar tablas de reas completas.
En lugar de esto la tabla VII presenta un resumen de la informacin
ms esencial acerca de la distribucin.
Ejemplo 106:
Si X -> X \ 0 , hallar:

a)

P[X<

28.4]= 0.90

b)

P[X >

12.4]=

0.10

P[x>

c) P[l2.4 <

28.4

\-P[X

<12.4] PfA' > 12.4]= 1-

12.4]= 0.90

X<

28.4]=

0.90-0.10 2.4

<X<

P[X <

28.4]-

p[x

< 12.4] P[l2.4 <

28.4]= 0.80

PROBLEMAS PROPUESTOS N
5 Distribucin Binomial

X<

28.4]=

A cada una de las seis personas que toman refresco de soda,


seleccionadas al azar, se les da un vaso que contiene refresco
de cola A y otro que contiene refresco de cola B Los vasos son
idnticos en apariencia, excepto por un cdigo que se
encuentra en el fondo para identificar la marca. Suponga que,
en realidad, no hay tendencia entre las personas que beben
refresco de cola a preferir entre una marca y otra. Entonces p =
P (un individuo seleccionado prefiere A) = 0.5, as que X:
nmero entre los seis que prefieren A, X B (6, 0.5).
Determinar la probabilidad deque:
a) A lo ms uno prefiera A.
b) Por lo menos tres prefieren A.
2. Cuando se prueban tarjetas de circuito empleadas en la
manufactura de reproductores de discos compactos, a la larga
el porcentaje de partes defectuosas es de 5% Sea X: nmero de
tarjetas defectuosas en una muestra seleccionada al azar de
tamao n - 25, entonces X-* B (25,0.05).
a) Determine P (X < 2)
b) Determine P(X > 5)
c) Determine P( 1 < X< 4)
d) Cul es la probabilidad de que ninguna de las 25 tarjetas est
defectuosa?
e) Calcule el valor esperado y la desviacin estndar.
3. Veinte por ciento de todos los telfonos de cierto tipo se
remiten para repararse cuando todava est vigente su
garanta. De stos, 60% puede ser reparado y el otro 40% debe
sustituirse por aparatos nuevos. Si una compaa compra 10 de
estos telfonos, cul es la probabilidad de que exactamente se
cambien 2 dentro del perodo de garanta?
4 La produccin de cuatro mquinas es recogida en cajas de 5
unidades. La experiencia permiti establecer la siguiente
distribucin de las cajas, segn el nmero de unidades defectuosas
que contienen:
N de unidades
defectuosas

Porcentaje de cajas

0.70

0.15

0.08

0.05

0.02

0.00

La inspeccin diaria consiste en examinar las 5 unidades de cada


caja.

Se acepta una caja cuando contiene menos de dos unidades


defectuosas. En caso contrario se rechaza.
a) Cul es la probabilidad de rechazar una caja que no contenga
unidades defectuosas?
b) Cul es la probabilidad de aceptar una caja que contenga tres
unidades defectuosas?
Distribucin de Poisson
5. Una compaa telefnica emplea cinco operadoras que reciben
solicitudes de informacin independientemente una de otra,
cada una segn un proceso de Poisson con tasa X = 2 por
minuto.
a) Cul es la probabilidad de que durante un perodo de un
minuto la primera operadora no reciba solicitudes?
b) Cul es la probabilidad de que durante un perodo de un
minuto exactamente cuatro de las cinco operadoras no reciban
solicitudes?
c) Escriba una expresin para la probabilidad de que durante un
perodo de un minuto todas las operadoras reciban
exactamente el mismo nmero de solicitudes.

6. Un puesto de peridicos ha solicitado cinco ejemplares de cierta

edicin de una revista de fotografa. Sea X: nmero de


individuos que entran a comprar esta revista. Si X tiene una
distribucin de Poisson con parmetro X = 4. Cul es el nmero
esperado de ejemplares que se vendern?

7. Una universidad procesa 100 000 calificaciones en determinado


semestre. En ocasiones anteriores se ha descubierto que 0.1%
de todas las calificaciones estaban equivocadas. Suponer que
una persona estudia cinco materias en esta universidad en un
semestre. Cul es la probabilidad de que todas las
calificaciones estn correctas?

8. En cada pgina de una enciclopedia caben 3000 letras. La

editorial estima que se comete una errata en cada 5000 letras.


Suponiendo que el nmero de erratas por pgina sigue
aproximadamente una distribucin de Poisson, se pide:
a) Calcular la probabilidad de que en una pgina haya
exactamente dos erratas.
b) Si se van revisando las pginas una a una, calcular la
probabilidad de que la primera errata que se encuentra
aparezca en la quinta pgina revisada.

c) Calcular la probabilidad de que en las cinco primeras pginas


haya al menos dos erratas.
Aplicaciones y Manejo de Tablas de la Distribucin Normal, t
Student y Chi Cuadrado

9.

Si X-> n (0.1). hallar:

a) P[Z<1.57] b) P[Z > 1.84] c) Pf 1.57 < Z < 1.84]


P[-l .84 < Z < 1.84]
10. Si P[Z >Z o] = 0.50: hallar Z 0 .
d)

e) P[Z > -2.08]

11. Si P[Z >Z o] = 0.025. hallar Z 0 .


12.
Entre que dos valores de Z (simtricos alrededor de la
media) estar contenido el 68.26% de todos los valores posibles
de Z?

13. Si x X -> n (100. 100). hallar


a) P[X < 75] b) P[X < 70] c)P[75<X<85] d) P[X >112]
e)

Pf X< 110 X >110]

f)

El valor mnimo de x para el 10 % de los valores.


g)Hallar los dos valores de X (simtricos alrededor de la media del
80% de los valores).

14.

a)
b)
c)
e)

Los gastos mensuales en alimentacin para familias de


cuatro miembros en una ciudad grande son en promedio de 420
dlares con una desviacin estndar de 80 dlares. Suponga
que los gastos mensuales por alimentacin tiene distribucin
normal.
Qu porcentaje de gastos es menor que 350 dlares7
Qu porcentaje de estos gastos est entre 250 y 350 dlares?
Qu porcentaje de estos gastos est entre 250 y 450 dlares?
d) Qu porcentaje de estos gastos es menor que 250 o mayor que
450 dlares?
Cul es el gasto mnimo del 10% de familias con mayores gastos?

15.

Los pesos de 600 paquetes estn normalmente


distribuidos con medias 65.3 Kg. y desviacin estndar 5.51 Kg.
Encuentre el nmero de paquetes que pesan:
a) Entre 60 y 70 Kg. b) ms de 63.2 Kg.

16.

Las calificaciones de una prueba final de Estadstica tienen


distribucin normal con una media de 12. Si el 95.44% de los
examinados obtuvo calificaciones entre 8 y 16.
a) Calcular la desviacin estndar de la distribucin
b) Si la nota aprobatoria es 11, qu porcentaje de alumnos
aprobaron el curso?

17.

El tiempo de acceso al disco duro en un cierto modelo de


ordenadores se distribuye normalmente con media 15
milisegundos y una desviacin estndar de 3 milisegundos.
a) Qu porcentaje de ordenadores acceden al disco duro entre 10
y 20 milisegundos?
b) Qu porcentaje de ordenadores acceden al disco duro en ms
de 20 milisegundos?
c) Cul es el tiempo de acceso mximo del 10% de ordenadores
con menor tiempo de acceso al disco duro?

18. Si T -> tu, hallar:


a) P[T<-1.796] b)P[T> 1.363] c)P[T< 3.497]
d) P[-2.718<T< 2.718]

19. SI T -> ta. hallar:


a) Pf T >-1.708] b)P[T< 2.485]

c) P[T >3.450] d) P[T< -1.316]


20. Si X->X^-. hallar :
a) P[ X < 32.8]

b) P[X > 25.0]

c) Pf 11.0 <X< 30.8] d) P[ X> 30.6]


21. Si X->X;(). hallar :
a) P[ 12.4 <X<40.0] b ) P [ X > 1 5 . 5 ]

c) P[ X < 9.59]

d) P[ X> 28.4]

Carmen Rosa Barreto Rodrguez

172

CAPTULO 6 INTRODUCCIN A LA INFERENCIA ESTADSTICA


La Estadstica Inferencial es ia parte de la estadstica en la que se hacen
afirmaciones de la poblacin o de sus parmetros en base a la
informacin obtenida de una muestra o muestras extradas de dicha
poblacin o se toman decisiones frente a la incertidumbre. En este
captulo trataremos temas respecto a:
a) Estimacin de parmetros.
b) Prueba de hiptesis sobre parmetros.
c) Regresin y correlacin lineal simple
d) Prueba de independencia chi-cuadrado
6.1.
ESTIMACIN
DE PARMETROS
Es un proceso de estadstica inferencial que tiene por la finalidad
aproximar el valor del parmetro poblacional a partir de los datos
tomados de una muestra.
Existen dos formas de realizar la estimacin de parmetros: la
estimacin puntual y la estimacin por intervalos.
6.1.1. Estimacin Puntual: Es la estimacin de un parmetro
poblacional hecha en un solo valor o punto de la muestra. Por
ejemplo: la media muestral, la desviacin estndar muestral, etc.
6.1.2. Estimacin por Intervalos: Especifica el rango dentro del cual
est el parmetro desconocido y el nivel de confianza que el intervalo
contiene del parmetro. Por lo tanto se llama Intervalo de Confianza.
En base a una muestra aleatoria y la correspondiente estadstica 0 , se
trata de encontrar un intervalo [L,, L2] llamado Intervalo de Confianza que
debe contener el parmetro 0 con una probabilidad dada (1- a)
llamado nivel de confianza.
Si 9 es una estadstica f( )

fig.
25

ULADECH

.173

El intervalo [L., LJ es un intervalo aleatorio ya que sus extremos L, y L 2,


llamados lmites de confianza, son variables cuyos valores varan de una
muestra a otra.
La Estimacin Intervlica consiste en calcular L, y L 2, dada una muestra
aleatoria y un nivel de confianza ( 1-a) y decir que se tiene confianza del
100 (1 -a)% que el intervalo contiene el valor desconocido 9.
Por ejemplo: Si 1-a = 0.95, se dice que se tiene una confianza del 95%
que el intervalo contenga el valor desconocido 8; o bien, de 100
intervalos aleatorios que se tomen 95 de las veces contendr el
parmetro y slo 5 veces no lo contendr.
Estudiaremos la estimacin de intervalos de confianza para la media
poblacional, proporcin poblacional, diferencia de medias poblacionales y
diferencia de proporciones poblacionales.
6.1.2.1.

Intervalo de Confianza para la Media Poblacional

Carmen Rosa Barreto Rodrguez

P\L < ja < I ]= 1 -a


2

Se presentan los siguientes casos:


CASO I: Uso de la Estadstica Z.
2

i)

Muestra grande (n> 30), varianza poblacional conocida cr


y poblacin normal o no.
L,

=x-Z0xo-

=*-Z0x-?=

sn
cr

L2 = x + Z0 xct- = x + Z0x = x
-Jn
ii) Muestra
grande
(n
>30),
varianza
poblacional
desconocida (<j2s .y2) y poblacin normal o no.

L , = X - Z Q XS- = X - Z Q X ^=r
v

_
_
L2 = x + Z0 x s- = x + Z0 x j=

iii) Muestra pequea (n < 30), varianza poblacional conocida


CT y poblacin normal.
Z1=3c-Zxg-=3c-Z0x

L2 = x + Z0xa-= x + Z0x^j=

~Jn

CASO II: Uso de la Estadstica t.


.
Muestra pequea (n < 30), varianza poblacional desconocida
(cr ) y poblacin normal.

ULADECH

= x -10 x -j=

.175

- 5 L, = x -10 x s-

L2 = x + 0 x s- = x + Q x

Carmen Rosa Barreto Rodrguez

ULADECH

Donde:

.177

o~

OBSERVACIONES: A)
Error Estndar de la
Media:
Si el muestreo es con o sin reposicin en una poblacin infinita
(o con sustitucin en una poblacin finita de tamao N). el error
estndar de la media mustrales:
i)

c
a- = 7= (a
x

~Jn

>
'conocida)

s
*>
ii) s- = f= - (a 2desconocida)

Jn

Si el muestreo es sin reposicin en una poblacin finita de


tamao N, el error estndar de la media muestra es:

a N - n ,

i)

a- = = J ->

ii)

s-

Donde:

(a'conocida) V fl

= -4= J > (a

...

N-

desconocida)

es el factor de correccin para poblacin finita.

B) Error de Estimacin:
| X -p.|. Ver fig. 26:

error

Carmen Rosa Barreto Rodrguez

El valor mnimo del error de estimacin es igual a cero, esto ocurre


cuando x estima exactamente a fi. El valor numrico mximo del error de
estimacin es igual a Z0 xo7, ya que el intervalo de estimacin resulta:
| .v -p.[ < Zn x ct
Ejemplo 107:
Una compaa desea estimar la duracin media de tiempo que necesita
una secretaria para llegar del trabajo a su casa. En una muestra al azar
de 40 secretarias se encuentra que la media es de x = 60 minutos.
Suponiendo que 0=15 minutos y el coeficiente de confianza del 95%,
construir un intervalo de confianza para la media poblacional.
Solucin:
Sea X : el tiempo en minutos que emplea una secretaria para llegar
del trabajo a su casa, cuya media se quiere estimar a partir de una
muestra de tamao n=40.
Se conoce que x =60 minutos y 0=15 minutos.
Usamos la estadstica Z - Caso 1 - i Paraelnivelde
confianza 1-a= 0.95, el valor Z0= 1.96 El error
estndar de la media muestral x es:

Los lmites de confianza para son:


= 60-1.96x2.37 = 55.35 minutos.

= 60 + 1.96x2.37 = 64.65
minutos.
Se tiene una confianza del 95% que el tiempo medio que emplea una
secretaria para llegar del trabajo a su casa vara de entre 55.35 y 64.65
minutos.
Ejemplo 108:
Los ingresos semanales promedio de las personas que trabajan en varias
industrias aparecieron en el The New Cork Times 1998. Esos ingresos para
quienes trabajan en los servicios legales fueron 5639 dlares. Suponga que este
resultado se bas en una muestra de 250 personas dedicadas a los servicios
legales, y que la desviacin estndar de la muestra fue $50. Calcule

ULADECH

.179

ei intervalo de confianza de 95% para la poblacin de ingresos medios


semanales de personas que trabajan en los servicios legales.
Solucin:
Sea X: El ingreso semanal en dlares de las personas que trabajan en
los servicios legales.
n = 250 (muestra grande n > 30)
con x = $5639 y s = $50

Usamos la estadstica Z - Caso I - ii


Para el nivel de confianza 1 -0 = 0.95, el valor Zc= 1.96
El error estndar de la media muestral es:
.v 50 , , .

S -

= J=r - - j . =3 . 1 6

' -J7i V250 Los lmites de


confianza para u son:
Z., = x Z 0 x = = 5639 - 1.96 x3.16 =5632.81
sin

L 2 = x + Z 0 x-^== 5639 + 1.96x3.16 = 5645.19 Vn


Los ingresos medios semanales para quienes trabajan en varias
industrias para los servicios legales vara entre S5632.81 y $5645.19
con una confianza del 95%.
Ejemplo 109:
Los siguientes datos corresponden a pensiones de alimentos en soles de
15 demandasjudiciales:
200, 320, 180, 250, 350, 250, 190, 330.
220, 210, 220, 200, 215, 310, 300.
Suponiendo que la poblacin de las pensiones est distribuida
normalmente, construir el intervalo de confianza del 95% para las
pensiones judiciales de alimentos.
Solucin:
Sea X: Pensin de alimentos en
soles, n = 15 (muestra pequea n
< 30) con -v = S/.249.67 y s =
S/.57.02
La media muestral y desviacin estndar se obtienen de los datos
dados.

Carmen Rosa Barreto Rodrguez

Las pensiones de alimentos varan de entre S/.218.10 y S/.281.24 con


una confianza del 95%.
Usamos la estadstica t.

Ejemplo 110:

Para un nivel de confianza del 95% el valor de t es: De un lote de 2200

calculadoras
cientficas se prob 81 al azar. La vida promedio en la muestra fue de 3.2
aos con una desviacin
El error estndar de la media muestral es: estndar
de
0.9
aos.
Construya un intervalo de confianza del
95%
para la vida media de las calculadoras
cientficas.
Los lmites de confianza para Mson:

Solucin:

I, = x- t f x -L = 249.67-2.145x14.72 =S/ 218.10

Sea X: El
tiempo de

vidas en aos de las calculadoras cientficas.


N = 2200 (poblacin finita), n = 81 con

x=

3.2aos y s = 0.9aos.

Usamos Z-Caso 1 - ii
Para el nivel de confianza 1-a= 0.95, el valor Z0= 1.96.
El error estndar de la media muestral es:

ULADECH

.181

Carmen Rosa Barreto Rodrguez

1. 9 2200-81
A

S-

= 0.1

-f=

VBT V 2200 -1

Los lmites de confianza par p. son:


Z-, = ir-Z0 x = 3.2-1.96x0.1 = 3.0 aos

= x + Z0 x-4= = 3.2 + 1.96x0.1 = 3.4 aos -Jn


Se tiene una confianza del 95% de que el tiempo de vida media de
las calculadoras cientficas vara entre de 3.0 y 3.4 aos.
6.1.2.2.
Intervalo
Poblacional

de

Confianza

para

la

Proporcin

P^ < P< L2]= l - a

fig. 27
Para hallar los intervalos de confianza para la proporcin poblacional
usaremos la estadstica Z para muestras grandes (n > 30). Entonces los
lmites de confianza sern:
A = P- z o* s r

P~ Z o x J^f

L 2 = p + Z 0 xs-" = P + Z 0 x

ULADECH

.183

OBSERVACIONES:
A. Error estndar de la proporcin
Si el tamao de la muestra es suficientemente grande (n > 30) y el
muestreo es con o sin sustitucin en una poblacin infinita (o con
sustitucin en una poblacin finita de tamao N), el error estndar
es:
at

ML 2

que se estima por:

pO - P)

Si el muestreo es sin sustitucin en una poblacin finita de tamao N,


el error estndares:

P(l-P) N-n

<y

= ,- - -,--------- que se estima por

n V A' -1

IPO-P) I#- V n V N-\


Donde:

\N - n
V N -\

es el factor de correccin para poblacin finita.

Ejemplo 111:
Una muestra de 400 menores de 16 aos revela que 220 consumen
drogas. Estimar la proporcin de menores de 16 aos que consumen
drogas en toda la poblacin mediante un intervalo de confianza del 99%.
Solucin:
Observamos que la proporcin muestral de menores de 16 aos que
consumen drogas es:
p==

0.55 =>? = 0.45


400
Para un nivel de confianza del 99% el valor de Z0 =
2 .576 El error estndar de la proporcin muestral
es:

Los lmites de confianza para P


son:
= p - Z 0 x =0.55-2.576x0.02 = 0.5

, = p + Z0x =0.55 + 2.576x0.02 = 0.6

Se tiene una confianza del 99%


de que entre el 50% y 60% de
los jvenes menores de 16
aos consumen drogas.
Ejemplo 112:
Mediante un muestreo al azar de
49 de 500 compradores en la
exposicin
de
libros
sobre
Psicopedagoga en la Feria del
Pacfico, el Gerente de Ventas de
la Compaa Editora encontr que
el 80% de estos clientes se
interes por el nuevo libro.
Establezca
un
intervalo
de
confianza del 96% para la
proporcin
de
compradores
interesados por dicho libro.
-

Solucin:
Observamos que N = 500 y n = 49
-

Observamos tambin que la


proporcin muestral de
compradores del nuevo libro es
- 0.80 => q = 0.20
p

Para un nivel de confianza del


96%, el valor Z = 2.054
0

El error estndar de
proporcin muestral es:

la

sp =

0.06

Los lmites de confianza para P


son:
L, = p-Z x l-M p- = 0.80 2.054 x 0.06 = 0.68
V nVN
0

u = p + Z 0 x.M Ml = 0.80 +
2.054X0.06 = 0.92
V V N-\

Se tiene una confianza del


96% de que entre el 68% y
92% de los compradores se
interes por el nuevo libro.
6.1.2.3.
Intervalo de
Confianza para la Diferencia
de Medias Poblacionales

P[, <p,-n2 <I2]= 1-a

fig. 28

Se presentan los siguientes casos:


CASO I: Usando la estadstica
Z.
i) Muestras grandes
(,>30 y ,>30) ,
varianzas
poblacionales
conocidas (a,%a22) y
poblaciones normales
o no.
i = (xi-x2 )-Z0xa-_.2

L2 =

(J|

-X2

)+Z0 xa. _-2

Donde:
ii) Muestras grandes (.
> 30 y >7, >30),
varianzas
poblacionales
desconocidas (a 2 S s2
y a,2 = s;) y
poblaciones normales
o no.

L, = (*i - 3c2) - Z0 x s-t _-2


L2 = (*; -x2) + Z0 x s.
Donde:

iii) Muestras pequeas (n,


< 30 y n, < 30),
varianzas
poblacionales
conocidas y
poblaciones normales.

L = (xi -x2)-Z0 xo-i_-2 L2 = {x\


-xz) + Z0 xa-_-2 Donde:

^OTA: En caso de que las


poblaciones N, y N2 fueran finitas,
se debe
corregir:
ja,2 f N, -n. ^ a,2 f N:

Nt~\r~{ n2

-n2 ^

a.
S-

X ]

~ij
A
-

- X2

jV, - 1 J 2

~ 2 ^
U2-IJ

CASO II: Usando la estadstica


t
i) Muestras pequeas
(;7 < 30 y /?, < 30) t
varianzas
poblacionales
desconocidas pero
iguales cr2 = o2 (a,2 = s
y a2 = s) y
poblaciones
normales.

Donde:
donde:

A* 2

L, =(x: ,v> )+ / x Se

*5

5c =

( - l)
X ,V|
2

( /72
-I)
X
AS2
"l +
"2 2

*0

^\
a.
/2
,n l
+
n2
-2

ii) Mu
es
tr
as
p
e
q
u
e

as
(n
t

<
3
0

/?;

y
n2
<
3
0)
,
va
ri
a
nz
as
p
o
bl
ac
io
n
al
es
d
es
co
n
oc
id
as
p
er
o
di
fe
re
nt
es
a,
2

#
a;
(0
,
s
s2

c2

)
y
p
obl
ac
io
n
es
n
or
m
al
es
.

Donde,t

D
a
d
o
q
u
e
r
a
r

o ~ h- a 12 /
r

a
v
e
z
r
e
s
u
n
e
n
t
e
r
o
,
s
e
r
e
d
o

n
d
e
a
a
l
e
n
t
e
r
o
m

s
c
e
r
c
a
n
o

.
E
j
e
m
p
l
o
1
1
3
:
Se
quiere
estimar
la
diferenci
a entre
los
promedi
os
de
tiempos
(en
minutos
)
que
utilizan
dos
trabajad
ores del
Poder
Judicial
para
realizar
una

determi
nada
tarea.
Supong
a
que
las
poblacio
nes de
los dos
tiempos
son
normale
s
con
varianza
comn.
Estime
la
diferenci
a entre
los dos
promedi
os
poblacio
nales

c
a
d
a
t
r
a
b
a
j
a
d
o
r
h
a
n
d
a
d
o
*

3
8
,

=
3
5
,

.
y
,

S
o
l
u
c
i

n
:
Se
an
X,
y
X2
las
var
iab
les
ale

ato
ria
s
qu
e
rep
res
ent
an
los
tie
mp
os
em
ple
ad
os
po
r
los
do
s
tra
baj
ad
ore
s,
res
pe
cti
va
me
nte
.
De
las
mue
stras
dada
s
obte
nem
os:

n, =
16,

xi

38

minu
tos,
s,

6min
utos
n2=1
6,

xi

35

minu
tos,
s2 =
4min
utos
Hare
mos
uso
de la
esta

dstic
a t.
Las
difer
encia
s de
medi
as
mu
stral
es
es:

x\
-X2 =
3835 =
3
El
error
est
ndar
de la
medi
a
mue
stral
es:

Donde:

Se =
5.10

Para
un
nivel
de
confi
anza
del
95%
el

valor
de tc
es:
h

^0
975.
30 =
2.04
2
Los
lmit
es
de
confi
anza
para
la
difer
encia
de
medi
as
pobl
acion
ales
es:

L, =
32.04
2

1.78
5

-0.68
minu
tos
L2 =
3

2.04
2

1.78
5

6.68
minu
tos
Lueg
o, el
inter
valo

de
confi
anza
del
95%
para
p.,

fi,
es:
-0.68
< (j.,
\X2
< 6.68

Dad
o
que
= 0
<=
al
Inter
valo
de
confi
anza
[0.68,
6.68
],
pode
mos
conc
luir
que
Mi =
por
lo
tant

o los
tiem
pos
pro
med
io
que
utiliz
an
amb
os
trab
ajad
ores
para
reali
zar
una
dete
rmin
ada
tare
a
son
igual
es.
Ejemplo
114:
Con el
fin
de
compar
ar
el
rendimi
ento
medio
en
la
ctedra
de
Derecho
Romano
de
las
Facultad
es
de
Derecho
de dos

universi
dades,
una
estatal
y
otra
privada,
se
tomaron
dos
muestra
s
aleatori
as y se
les
aplic
un
examen
de 100
pregunt
as.
En
dicha
prueba
se
obtuvier
on
los
siguient
es
resultad
os.

Universidad Privada

n
50

85

s
12

Universidad Estatal

60

71

14

Construi
r
el
interval
o
de
confianz
a
del
95%
para la

diferenc
ia de las
medias
poblacio
nales.
Solucin
:
Sea
n X,
y X2
las
vari
able
s
alea
toria
s
que
repr
esen
tan
los
punt
ajes
para
amb
os
grup
os.
De
las
mue
stras
dada
s

obte
nem
os:
n, =
50,

x\

= 85
punt
os,
s, =
12
punt
os
n2 =
60,
X

71
punt
os,
s2=1
4pun
tos
Hare
mos
uso

de la
esta
dsti
ca Z.
Las
difer
enci
as
de
medi
as
mu
stral
es
es:
X
\

X
2

8
5
7
1

1
4

E
l

e
r
r
o
r

e
s
t

n
d
a
r

d
e

l
a

m
e
d
i
a

m
u
e
s
t
r
a
l

e
s
:
Para
un
nivel
de
confi
anza
del
95%,
el
valor
Z0=1
.96
Los
lmit
es
de
confi
anza
para
la
difer
enci
a de
medi
as

pobl
acio
nale
s es:
L
,
=
1
4
1
.
9
6
x
2
.
4
8
=
9
.
1
4
L
2

=
1
4
+
1
.
9
6
x

2
.
4
8
=
1
8
.
8
6
Lueg
o, el
inter
valo
de
confi
anza
del
95%
para
MiM:
es:
9.14
^
M^i
~
M2 18.8
6.
Dad
o
que
I-i, P2 =
0 al
inter
valo
de
confi
anza
, lo
que

quier
e
decir
que
los
rendi
mien
tos
de
amb
os
grup
os
son
difer
ente
s, en
este
caso.
Mi
>0.
Los
alum
nos
de
las
univ
ersid
ades
priva
das
tiene
n
may
ores
rendi
mien
tos
que
los
alum
nos
de
las
univ

ersid
ades
estat
ales.
Ejemplo
115:
Para
compar
ar
los
gastos
promedi
os
mensual
es
de
los
alumnos
de dos
universi
dades
particul
ares se
escogen
dos
muestra
s
aleatori
as de 10
y
9
alumnos
,
respecti
vament
e,
resultan
do
los
siguient
es
gastos
en
dlares:
Muestra
1:400,4
10,420,
380,390

,410,40
0,405,4
05,400.
Muestra
2:
390,395
,380,
390,400
,
380,370
,
390,380
.
Mediant
e
un
interval
o
de
confianz
a
del
95%
para la
diferenci
a
de
promedi
os
de
los
gastos
mensual
es, se
puede
inferir
que los
gastos
promedi
os son
iguales
suponga
que
ambas
poblacio
nes son
normale
s,
indepen
dientes,
con

varianza
s
descono
cidas
supuest
as
iguales.
Solucin
:
Clc
ulos
reali
zado
s
con
las
mue
stras
dada
s:
/

",

Muestra 1

10

Muestra 2

402
386.11
H
a
r
e
m
o
s

u
s

11.11
9.28

d
e

l
a

e
s
t
a
d

s
t
i
c
a

t
,

c
u
a
n
d
o

<
j
f

=
a
2
:

L
a

d
i
f
e

r
e
n
c
i
a

d
e

m
e
d
i
a
s

m
u

s
t
r

a
l
e
s

e
s
:

Para un nivel de confianza del 95% =>


1

0 - l-a/2./7,+n2-2 - ^0.975.17 211

Don
de:
Sc =
l(n'~l)sS'

+(2l)^22
2

W2

r,

,
+

2
Los
lmit
es
de
confi
anza
para
la
difer
enci
a de
med
ias
pobl
acio
nale
s
son:

L,

=15.892.11
x4.73 =
$5.91

=
15.8
9 +
2.11
x4.7
3 =
$25.
87
Lueg
o el
inter
valo
de
confi
anza
del
95%
para
Mi
-M2,
es:
5.91
< (i,
- (j.2
<25
.87.
Dad
oqu
e p.i
- p2
= o
al
inter
valo
de
con
fian

za,
quie
re
deci
r
que
los
gast
os
pro
med
ios
men
sual
es
no
son
igua
les.
Por
lo
tant
o |i,
- |^2
> 0

Los
gast
os
sem
anal
es
del
grup
o 1
son
may
ores
que
los
gast
os
sem
anal
es

del
grup
o 2.
Ejemplo
116:
Se lleva
a cabo
un
estudio
para
compar
ar
el
tiempo
que
tardan
hombres
y
mujeres
para
realizar
determi
nada
tarea.
Las
experien
cias
anterior
es
indican
que
la
distribuc
in
de
tiempos
tanto
para
hombres
como
para
mujeres
es
normal
con
varianza
s
diferent

es. Una
muestra
aleatori
a de 9
hombres
y
8
mujeres
ha dado
los
siguient
es
tiempos
en
minutos:
H
o
m
b
r
e
s
:
1
3
,
2
7
,
1
0
,
2
5
,
2
4
,
1
9
,
2
1
,

3
2
,
1
6
M
u
j
e
r
e
s
:
1
6
,
2
1
,
1
6
,
2
1
,
1
6
,
1
7
,
1
6
,
2
0
Mediant
e
un
intervalo
de
confianz
a
del
95%
para la


verdade
ra
diferenci
a de

los
prome
dios
de
tiemp
o de
homb
res y
mujer
es,
se
puede
concl
uir
que
los
homb
res
emple
an
mayor
tiemp
o que
las
mujer
es
para
hacer
la
tarea?
Solucin
:
Se
an
X.
y
X2
las
va
ria
bl
es
al

ea
tor
ias
qu
e
re
pr
es
en
ta
n
los
tie
m
po
s
e
m
pl
ea
do
s
po
r
los
ho
m
br
es
y
m
uj
er
es
,
re
sp
ec
tiv
a
m

en
te
Clc
ulos
realiz
ados
con
las
mue
stras
dada
s:
i

X,

S,

Muestra 1

20.78

7.03

Muestra 2

17.88

2.36

Ha
re
m
os
us
o
de
la
es
ta
ds
tic
at

cu
an
do
<jf
<j;

La
dif
er
en
ci
a
de
m
ed
ias
m
u
str
al
es
es
:
x, -x,
=20.

7817.8
8=
2,9
= 2.49
Halla
ndo
los
grad
os de
libert
ad r
i /V

I/+

(7.03) | (2.36)

r = 9.97
=10
Para un
nivel de
confianz
a
del
95% 10
=
10

975,10
=

2.228

Los
lmite
s
de
confia
nza
para
la
verda
dera
difere
ncia
de los
prome
dios
de
tiemp

(vVO2 + (Uh)2
i -1

(7.03)2

(2.36)3

o de
hombr
es
y
mujer
es
para
hacer
la
tarea
es:

L,~2.
9
-2.22
8x2.4
9 =2.65
L2 =
Ui x2)
+t0x J
+

L, =
2.9 +
2.228
*
2.49
=
8.45
Luego el
interval
o
de
confianz
a para
p,.
(ij
es:
-2.65
<p,-fi2<
8.45.
Dado
que (J-i
JJ-2 =
0 al
interval
o
de
confianz
a quiere
decir
que los
promedi
os
de
tiempo
de
hombre

s
y
mujeres
para
hacer la
tarea
son
iguales.
6.1.2.4.
Inte
r
v
a
l
o
d
e
C
o
n
f
i
a
n
z
a
p
a
r
a
D
i
f
e
r
e
n
c
i
a

d
e
M
e
d
i
a
s
P
o
b
l
a
c
i
o
n
a
l
e
s
c
o
n
O
b
s
e
r
v
a
c
i
o
n
e
s
P

a
r
e
a
d
a
s
Un
procedi
miento
comn
mente
utilizado
que da
como
resultad
o
dos
muestra
s
no
indepen
dientes
es
la
denomi
nada
prueba
antes y
despus
.
Las
medicio
nes se
hacen
sobre
sujetos
tanto
antes
como
despus
de
la
introduc
cin de
algn
fenme
no. Por
ejemplo
, si se

realiza
una
prueba
sobre
un
nuevo
mtodo
de
ensean
za
utilizand
o
un
grupo
de
individu
os, las
muestra
s estn
formado
s por los
puntaje
s antes
y
despus
de un
perodo
de
prueba.
Tambin
cuando
compar
amos la
media
de dos
poblacio
nes
puede
ocurrir
una
diferenc
ia
significa
tiva por
causa
de

factores
externo
s
no
controla
dos. Por
ejemplo
,
cuando
compar
amos
dos
tcnicas
de
venta A
y
B
puede
ocurrir
que uno
de
los
grupos
tenga
vended
ores
ms
experim
entados
y
hbiles
que
el
otro
grupo.
As,
la
diferenc
ia sera
debido
a esos
factores
y no al
mrito
real de
la
tcnica
de
venta.
Un

modo
de
controla
r
este
problem
a es a
travs
del
artificio
de
recolect
ar
observa
ciones
en
pares
de
modo
que los
dos
element
os
de
cada
par
sean
homog
neos en
todos
los
sentidos
,
excepto
con
respect
o
al
factor
que
querem
os
compar
ar.
Los dos
grupos
de

observa
ciones
que
resultan
de esta
clase de
procedi
mientos
estn
indudab
lemente
relacion
ados.
En
la
prctica
cuando
querem
os hallar
un
estimad
or de la
diferenc
ia entre
dos
medias
poblacio
nales
ja.=p,j.i2
,
puede
present
arse los
siguient
es
casos:
CASO I:
UsodeZ
Cuan
do
n>
30, s
(vari
anza

pobl
acio
nal
de
las
difer
enci
as es
desc
onoc
ida)
y la
pobl
aci
n es
nor
mal,
ento
nces
:

P[L\ <
<!,] =
1-a

Donde:

L]
=T )-Z 0 x
=
D

Z
n

x
j
L

y
i
n
Adems:


A
(
D
,
):

=
y r =i=i--------------------------------------------------

CASO II:
Uso det.
Cu
an
do
n<
30
, a
2
s
5,,
(v
ari
an
za
po
bla
cio
nal
de
las
dif
er
en
cia
s
es
de
sc
on
oci
da
) y

la
po
bla
ci
n
es
no
rm
al,
en
to
nc
es:
P[L, <
< 2] =
1-a

Donde:
2

,
=
D
/
0

x
^
2
Z,, = D +
T0X

^=-

Adem
s:


A
D

= ^ y
-;=^--------------------------------

1
=

^
l
a
/
2
,
/
7
/

Ejemplo
117:
Veinte
estudia
ntes de
Matem
tica I de
la
Facultad
de
Ingenier
a
Industri
al de la
Universi
dad de
Lima
fueron
dividido
s en 10
parejas,
teniend
o cada
miembr
o de la
pareja
aproxim
adamen

te
el
mismo
coeficie
nte de
intelige
ncia.
Uno de
cada
pareja
se
seleccio
na
al
azar
y
se
asigna a
una
seccin
que
utiliza
videos.
El otro
miembr
o
se
asigna a
una
seccin
que
cuenta
con
profesor
.
Al
finalizar
el ciclo
ambos
grupos
se
present
an
al
mismo
examen
,
obteni
ndose
los
siguient

es
resultad
os:

Pareja

Con
Con
video profesor

15

16

2
3
4
5
6
7
8
9
10

12
17
11
18
15
16
13
14
10

10
17
14
17
16
18
12
15
11

Suponie
ndo que
la
caracter
stica en
estudio
sea
normal,
obtener
el
intervalo
de
confianz
a
del
98%
para la
diferenci
a real en
el
promedi
o
de
calificaci
ones de
los dos
procedi
mientos
de
ensean
za
con
base a
los

resultad
os. Se
puede
concluir
que
el
procedi
miento
de
ensean
za
con
profesor
es mejor
que con
el
de
video?

_ 1'

=
1.51

D = -------

= -0.5

10

(D,- D) 2
A
d
e
m

s
:

t
0

t
0

2
.
S
2
\

E
n
t
o
n
c

e
s
:
L. = Dt0x^ =

-0.52.82
1
x^
L=
-1.8
5
V
-M

=
D
+/
nx^
=0.5
+
2.82
1 x^=L
=
0.85
L,

Vio
Por lo
tanto
\, e [1.85,
0.85]
con
confia
nza
del
98%.
Como
0(= [1.85,
0.85],
}

enton
ces n,
=MV . Los
proce
dimie
ntos
de
ense
anza
son
iguale
s.

6.1.2.5.
I
nterval
o
de
Confian
za para
la
Diferen
cia de
Propor
ciones
Poblaci
onales

P[L,
<P X -P 2
<L 2 ] =\
-a

fig. 29
Para
hallar
los
interval
os

de

confianz
a

para

la
diferenci
a

de

proporci
ones

poblacio
nales
haremos
uso

de

la
estadsti
ca

para
muestra
s
grandes
(n,>30 y
n2>30).
Entonce
s:

A
=(PiP2)-ZoxsPlP:
L

(
P
i

2
)

o
x

D
o
n
d
e
:

\
M
l
+

E
2

l
p

'

>

E
j
e
m
p

l
o

1
1
8
:
En
los
establec
imientos
penales
de Lima
ciertos
mdicos
estudiar
on dos
tipos de
reclusos
.
Una
muestra
de 300
internos
del tipo I
revel
que
50% era
adicto a
las
drogas.
En otra
muestra
aleatori
a
del
tipo
II
de 240

internos
, el 35%
era
adicto a
las
drogas.
Construi
r
un
interval
o
de
confianz
a
del
99%
para la
diferenci
a de las
dos
proporci
ones
poblacio
nales.
Solucin
:
Las
muestra
s de
internos
tomadas
para
cada
tipo
revelan
la
siguient
e
informa
cin:
Tipo I

Tipo II

n, = 300

n2 = 240

p, = 0.50

p, = 0.35

Las
difer
enci
as
de
prop
orci
one
s
mu
stral
es
es:
p,p2 =
0.50
0.35
=
0.15
El
error
est
ndar
de
las
difer
enci
as
de
prop
orcio
nes
mu
stral
es
es.
10.50x0
.50

nn

0.35
x0.6
5

1 -----------------------------+ ------------------------------

=0.0
4

v
300
240
Para
un
nivel
de
confi
anza
del
99%
; Z0
=
2.57
6
Los
lmit
es
de
con
fian
za
para
la
difer
enci
a de
prop
orci
one
s
pobl
acio
nale
s
es:
L, =
0.15
2.57
6x0.

04
=
0.05
L2 =
0.15
+
2.57
6x0.
04
=
0.25
Lueg
o, el
inter
valo
de
confi
anza
del
99%
para

Px-P2
es:

1. 05P

\~ P2

0.25
Dado
que P\~Pi
=
0 al
interval
o
de
confian
za,
lo
que
quiere
decir
que los
tipos de
reclusos
son
diferent
es ante
su
adiccin
a
las
drogas.
Los
reclusos
tipo
I
tienen
mayor
adiccin
a
las
drogas
que los
reclusos
de tipo
II.

NOT
A:
En
caso
de
que
las
pobl
acio
nes
N, y
N2
fuer
an
finit
as,
se
deb
e
corr
egir:
A*? i

( \1 \ N2-n2

^|-i
X

6.2.
P
RUEBA
DE
HIPTE
SIS
El
objetivo
es dar
algunos
mtodo
s
que
se usan
para
tomar
decision
es
sobre
una
poblaci
n,
a
partir
de
los
resultad
os
de

1*2-1 J

una
muestra
aleatori
a
escogid
a
de
esa
poblaci
n. Para
llegar a
tomar
decision
es
estadst
icas se
debe
partir
de
afirmaci
ones o
conjetur
as con
respect
o a la
poblaci
n en la
que
estamo
s
interesa
dos.
Tales
suposici
ones
pueden
ser
verdade
ras
o
no. Una
conjetur
a hecha
sobre
una
poblaci
n o de
sus

parme
tros
deber
ser
sometid
a
a
compro
bacin
experim
ental
con el
propsit
o
de
saber si
los
resultad
os
de
una
muestra
aleatori
a
extrada
de esa
poblaci
n
contradi
cen
o
no
tal
conjetur
a.
En
esta
seccin
estudiar
emos
prueba
de
hiptesi
s para
la
media
poblaci
onal,
proporci
n
poblaci
onal,

diferenc
ia
de
medias
poblaci
onales
y
diferenc
ia
de
proporci
ones
poblaci
onales.
Afin de
entende
r lo que
sigue
definire
mos
algunos
trmino
s:
a) H
i
p

t
e
s
i
s
:
S
e
ll
a
m
a
h
i
p

t
e
s

i
s
a
u
n
a
s
u
p
o
s
i
c
i

n
o
c
o
n
j
e
t
u
r
a
q
u
e
s
e
f
o
r
m
u
l

a
c
o
n
e
l
p
r
o
p

s
i
t
o
d
e
s
e
r
v
e
r
i
f
i
c
a
d
a
.
b) H
i
p

t
e
s
i
s

E
s
t
a
d

s
t
i
c
a
:
E
s
u
n
s
u
p
u
e
s
t
o
o
a
l
g
u
n
a
a
f
i
r
m
a
c
i

n
a
c
e
r
c
a
d
e
l
a
p
o
b
l
a
c
i

n
(
m
o
d
e
l
o
d
e
d
i
s
t
r
i
b
u
c

n
)
o
d
e
s
u
s
p
a
r

m
e
t
r
o
s
.
U
n
a
h
i
p

t
e
s
i
s
e
s
s
i
m
p
l
e

c
u
a
n
d
o
l
a
h
i
p

t
e
s
i
s
e
s
t
a
d

s
t
i
c
a
e
s
p
e
c
i
f
i
c
a
c
o
m

p
l
e
t
a
m
e
n
t
e
l
a
d
i
s
t
r
i
b
u
c
i

n
,
e
s
d
e
c
i
r
e
s
p
e
c
i
f
i
c
a

s
u
f
o
r
m
a
f
u
n
c
i
o
n
a
l
y
l
o
s
v
a
l
o
r
e
s
d
e
t
o
d
o
s
s
u
s
p
a
r

e
t
r
o
s
,
c
a
s
o
c
o
n
t
r
a
r
i
o
s
e
ll
a
m
a
h
i
p

t
e
s
i
s
c
o
m
p
u
e
s

t
a
.
c) H
i
p

t
e
s
i
s
N
u
l
a
(
H
0

)
:
E
s
t
a
b
l
e
c
e
q
u
e
n
o
e
x
i
s

t
e
d
i
f
e
r
e
n
c
i
a
s
.
E
n
e
ll
a
s
e
s
u
p
o
n
e
q
u
e
e
l
p
a
r

m
e

t
r
o
d
e
l
a
p
o
b
l
a
c
i

n
q
u
e
s
e
e
s
t

e
s
t
u
d
i
a
n
d
o
t

i
e
n
e
d
e
t
e
r
m
i
n
a
d
o
v
a
l
o
r
y
s
e
f
o
r
m
u
l
a
c
o
n
l
a
i
n
t

e
n
c
i

n
d
e
r
e
c
h
a
z
a
r
l
a
.
d) H
i
p

t
e
s
i
s
A
l
t
e
r
n
a
t
i
v
a

(
H
,
)
:
E
s
l
a
h
i
p

t
e
s
i
s
e
s
t
a
d

s
t
i
c
a
q
u
e
s
u
p
o
n
e
m
o
s

e
s
v
e
r
d
a
d
e
r
a
y
d
e
s
e
a
m
o
s
e
s
t
a
b
l
e
c
e
r
,
e
s
u
n
a
h
i
p

t
e

s
i
s
d
i
f
e
r
e
n
t
e
a
l
a
h
i
p

t
e
s
i
s
n
u
l
a
.
e) P
r
u
e
b
a
d
e
u

n
a
H
i
p

t
e
s
i
s
E
s
t
a
d

s
t
i
c
a
:
E
s
u
n
p
r
o
c
e
d
i
m
i
e
n
t
o
p

a
r
a
d
e
c
i
d
i
r
s
i
s
e
a
c
e
p
t
a
o
s
e
r
e
c
h
a
z
a
u
n
a
h
i
p

e
s
i
s
e
s
t
a
d

s
t
i
c
a
.
f)

T
i
p
o
s
d
e
e
r
r
o
r
e
s
:
A
l
r
e
a
li
z
a
r
u
n

a
p
r
u
e
b
a
d
e
h
i
p

t
e
s
i
s
n
o
s
a
b
e
m
o
s
s
i
e
n
u
n
a
d
e
t
e
r

m
i
n
a
d
a
a
c
c
i

n
(
r
e
c
h
a
z
o
o
a
c
e
p
t
a
c
i

n
d
e
l
a
h
i
p


t
e
s
i
s
n
u
l
a
)
c
o
m
e
t
e
m
o
s
u
n
e
r
r
o
r
o
n
o
.
Erro
r
Tipo
I:
Cons
iste
en
rech
azar
la
hipt
esis
nula
cuan

do
es
verd
ader
a.
Erro
r
Tipo
II:
Cons
iste
en
acep
tar
la
hipt
esis
nula
cuan
do
es
falsa
.
Si H0 es
la
hiptesi
s
nula
(someti
da
a
prueba)
y H, es
la
hiptesi
s
alternati
va,
entonce
s estas
hiptesi
s junto
con las
dos
posibilid
ades de
decisin
podemo
s

DECISIN

esquem
atizarlas
en
la
siguient
e tabla:

ESTADO DE LA NATURALEZA

Ho verdadera
Aceptar Ho

1 - a Decisin

Correcta
Rechazar Ho

error tipo I

Es obvio
que
quien
toma
las
decision
es
quiere
reducir
al
mximo
las
probabil
idades
de
cometer
cualquie
ra
de
estos
dos
tipos de
errores.
Esto no
es fcil,
pues las
probabil
idades
de
cometer
error
tipo I y

Ho falsa
P

error tipo II
1 -p Decisin

correcta

II
son
inversa
mente
proporci
onales
para
cualquie
r prueba
dada.
De ah
que,
cuanto
menor
es
el
riesgo
de
cometer
un error
tipo
I,
tanto
mayor
es
la
probabil
idad de
cometer
un error
tipo II, y
vicevers
a.
Sin
embarg
o dada
la regla
de
decisin
,
es
posible
reducir
ambos
tipos de
errores
en
forma
simult
nea,
aument

ando el
tamao
de
la
muestra
.
g) N
i
v
e
l
d
e
s
i
g
n
i
f
i
c
a
c
i

n
(
a
)
:
S
e
d
e
n
o
m
i
n
a
n

i
v
e
l
d
e
s
i
g
n
i
f
i
c
a
c
i

n
d
e
u
n
a
p
r
u
e
b
a
d
e
h
i
p

t
e
s

i
s
a
l
a
p
r
o
b
a
b
il
i
d
a
d
d
e
c
o
m
e
t
e
r
u
n
e
r
r
o
r
t
i
p
o
I
.

a
=
P
[
e
r
r
o
r
t
i
p
o
I
]
=
P
[
R
e
c
h
a

z
a
r
H
0

/
H
0

e
s
v
e
r
d
a
d
e
r
a
]
a
=

P
[
e
r
r
o
r
t
i
p
o
I
]
=
P
[
A
c
e
p
t
a
r
H

|
/
H
i
e
s
f
a
l
s
a
]
NOTA:
La
probabili
dad de
cometer
un error
tipo II se
represe
nta por
p,
es
decir:

(3 =
P[error
tipo II] =
P[Acepta
r H0/ H0
falsa]
P=
P[error
tipo II] =
P[Rechaz
ar Hi / H|
es
verdader
a]

Los
niveles
de
significa
cin
ms
usados
son:
0C=
0.05 y
0.01
Estos
dos
nmeros
son
usados
tan
frecuent
emente
que
cuando
H0 es
rechaza
da en

Ot=
0.05,
podemo
s decir
que el
resultad
o es
significa
tivo, y
cuando
H0 es
rechaza
da en
(X=
0.01,
decimos
que el
resultad
o es
altamen
te
significa
tivo.
h) Tipos
de
prueba
:
Pru
eba
de
cola
izqu
ierd
a: Si
la
regi
n de
rech
azo
(R.R.
)
est
a la
izqui

erda
del
punt
o
crtic
o C.

R.R
C--------------------------R.A.
fig. 31
Pru
eba
de
cola
dere
cha:
Si la
regi
n de
rech
azo
(R.R.
)
est
a la
dere
cha
del
punt
o
critic
o C.

-R.A.---------------CR.R

fig. 32
Pru
eba
de
dos
cola
s o
bilat
eral.
Si la
regi
n de
acep
taci
n
(R.A.
) es
un
inter
valo
cerra
do
entr
e los
punt
os
crtic
o C,
y C 2.

R.R.-C-i-----------------------R.A.------------------------------C2-R.R-

fig. 33

i) Pasos
de una
prueba
de
hiptes
is:
2. F
o
r
m
u
l
a
c
i

n
d
e
l
a
h
i
p

t
e
s
i
s

n
u
l
a
y
a
l
t
e
r
n
a
t
i
v
a
d
e
a
c
u
e
r
d
o
a
l
p
r
o
b
l
e
m
a
.
3. Espe
cific
aci

4.

5.

6.

7.

n del
nivel
de
signi
ficac
in.
Sele
cci
n de
la
esta
dsti
ca
de
prue
ba.
Esta
bleci
mien
to de
los
crite
rios
de
deci
sin.
Reali
zaci
n de
clc
ulos.
Tom
a de
deci
sion
es

6.2.1.
Pr
ueba
de
Hiptes
is para
la
Media

Poblaci
onal
La
media
poblaci
onal es
un
parme
tro de
decisi
n muy
importa
nte. Es
de
inters
conocer
si una
media
poblaci
onal ha
aument
ado,
disminu
ido o ha
perman
ecido
inaltera
do,
o
tambi
n
podem
os estar
interesa
dos en
determi
nar
si
una
media
poblaci
onal es
signific
ativam
ente
mayor
o

menor
que un
valor
supuest
o.
Se
present
an
los
siguient
es
casos:
CASO I:
Uso de
la
estads
tica Z.
I) M
u
e
s
t
r
a
g
r
a
n
d
e
(
n
>
3
0
)
,
v
a
r
i
a
n

z
a
p
o
b
l
a
c
i
o
n
a
l
c
o
n
o
c
i
d
a
c
r
2

,
p
o
b
l
a
c
i

n
n
o
r
m
a
l

o
n
o
.
II) M
u
e
s
t
r
a
g
r
a
n
d
e
(
n
>
3
0
)
,
v
a
r
i
a
n
z
a
p
o
b
l
a
c
i

o
n
a
l
d
e
s
c
o
n
o
c
i
d
a
(
<
j
2

s
2

y
p
o
b
l
a
c
i

n
n
o
r
m
a
l

o
n
o
.
III) M
u
e
s
t
r
a
p
e
q
u
e

a
(
n
<
3
0
)
,
v
a
r
i
a
n
z
a
p
o
b
l
a

c
i
o
n
a
l
c
o
n
o
c
i
d
a
a
2

y
p
o
b
l
a
c
i

n
n
o
r
m
a
l
.
2. Formul
acin
de
hiptes
is:

a)
Ii0: n

> }i0
b

H0: |
a<
c

H0: n
=
H, :
n
<
|!
0

H
,:
n
>
|i0
H
,:
p.

3. Nive
l de
signific
ancia: a
4. Esta
dstica
de
prueba:
Para i
y
iii

Z=

^
>

(
0
.
1
)
a
/
J
n

Para ii

Z=

>

(
0
,
1
)
s
N
n

5. Esta
blecimi
ento de
los
criterio
s de
decisi
n:
Prue
b
a
d
e
c
o
l
a
i
z
q
u
i
e
r
Prueba de cola derecha

d
a

-z,.a
0

__R.R. _|--------------------------------R.A.-

R.A.: Zk > R.A.: Z k <


Z,. a

acepta

se
Hu .

R.R.: Z k >
Z,.a,

se

rechaza H.

Z,.a

acepta

se
H0.

R.R.: Zk < Z,. a

se

rechaza H.

Prueba bilateral
R.R.: Z k < Z |./ 2 , se

R.A.: -Zi.a /2 < Z k <Z,- B/ 2 , se aceptaH 0 .


Z ,.a /2 o Z k >
rechaza H 0 .

6.
de clculos:
Obtencin

Realizacin
del valor

_ R.R. .|------------------------------R.A----------------------------1_ R.R___

experimental.
Para i y iii

x -n 0
K

v/4~n

Para ii

_x-[i0

shf c
7. Decisin:
Se compara el valor experimental con el valor crtico.
Si Zk

e R.A., se

acepta H0. Si Zk e

R.R., se

rechaza H0.

NOTA: Si se tiene una poblacin finita de tamao N, se corrige la


estadstica de prueba de la siguiente manera:
a) Para i y iii:

b) Paraii

a lN -n
J

V N-1

s lN-n
n-i

Prueba de cola derecha

La
poblacional desconocida

(p2 = s2)

CASO II: Uso de la estadstica t.

muestra es pequea (n<30), varianza


y poblacin normal.

1. Formulacin de hiptesis:

a) H0: n > Ho b) H0: jo. < jj.0 c) H0: (i = n<>


H,: fa< Ho H,: \ i > fio H,: [ i * |a0
2. Nivel de significancia: OC
3. Estadstica de prueba:

_
d-fn
Donde: (n-1) son los grados de libertad.
4. Establecimiento de los criterios de decisin:
Prueba de cola izquierda:

-R.R.J----------------------------R.A.

R.A.: t k > - t,. o n ., , se acepta H 0 . R.R.:t k <-t,. a , se rechaza H 0 .

___________R.A_________________|_R.R._

RA.:tk< tse acepta H0.

RR : t

k> 1 i-a,n-i ?se rechaza H0.

Prueba bilateral:

__R.R___|________________R.A_____________________|_R.R._

R-A.: -t|-a/2,n-i tk <


, se acepta H(>.
R.R. : tk< -t,.u,2,n-i O tk > t,^-2,n-i . se rechaza H.

5. Realizacin de clculos:
_X-[X0

" s/Jn

6. Decisin:
Se compara el valor experimental con el valor crtico
tk g R.A.. aceptamos H.

Si tk e R.R., rechazamos H0.

Si

NOTA: Si se tiene una poblacin finita de tamao N se corrige la


estadstica de prueba. As:
*-H0

Ejemplo 119:
La Gerencia del Banco de Crdito est planeando pasar los cargos a las
cuentas corrientes en el saldo diario promedio. El gerente de cuentas
preferenciales desea probar la hiptesis de que las cuentas tienen un
promedio de $ 312.00. Selecciona una muestra de 200 cuentas, dando
una media de $298.10 con s = $97.30con CC =0.01
Solucin: Caso I- ii
1. Formulacin de hiptesis :

H0 : \ i = 312 H,
: fi* 312
2. Nivel de significancia :a = 0.01
3. Estadstica de prueba:

sHn
4. Establecimiento de los criterios de decisin:

g/2 =
0.005 ___ R.R. 2.57
6

R.A.

R.A.: -2.576 < v. < 2.576 . se acepta H.


R.R.: Z i < -2.576 o >2.576 . se rechaza H0.

g/2=
2.570.005
6
R.R_____

5. Realizacin de clculos:
,^,298.1D-312_00
6. Decisin:
-2.02 G R.A., aceptamos H0

202 97.30/^/200

= -

La diferencia entre el valor de la media muestral y el valor de la media


poblacional es estadsticamente insignificante.
Ejemplo 120:
En una reunin informativa para una oficina corporativa, el gerente del
hotel Embassy Suits en Atlanta report que el nmero promedio de
habitaciones alquiladas por noche es de por lo menos 212. Es decir(-i>
212. Uno de los funcionarios corporativos considera que esta cifra puede
estar algo sobreestimada. Una muestra de 150 noches produce una
media de 201.3 habitaciones y una desviacin estndar de 45.5
habitaciones. Si estos resultados sugieren que el gerente ha inflado su
reporte, ser amonestado severamente. Aun nivel de 1%, cul es el
destino del gerente?
Solucin: Caso I-ii
1. Formulacin de hiptesis:

H0 : \i > 212
H, : n< 212
2. Nivel de significancia: (X=0.01
3. Estadstica de prueba:
Z = ^^-->(0.1)
s /
4. Establecimiento de los criterios de decisin:

-2.526

----R.R _|------------------------------ R.A--------------------------

R.A.: > -2.326 . se acepta H. R.R.: Zj,

5. Realizacin de clculos:
^20.3-212, ^
sl-Jn 45.5/V150 6 Decisin:
Z = -2.88 G R.R.
k

<

-2.326 . se rechaza Ho-

La hiptesis nula no se confirma. Parece que el gerente se ha


excedido al estimar la tasa de ocupacin y aparentemente recibir
amonestacin de la oficina principal.
Ejemplo 121:
Una encuesta realizada por la Asociacin Nacional de Estudiantes
Colegiados mostr que los estudiantes de las universidades de la nacin
gastan en promedio ms de $ 75.00 mensuales en entrenamiento. Si Ud.
puede hallar evidencias para confirmar esta afirmacin podra utilizarla
para solicitar a su casa ayuda monetaria adicional. De los 100
estudiantes que tom como muestra, usted halla una media de $80.23
con una desviacin estndar de $ 45.67. A un nivel de significancia del
2%, se encuentra justificacin para la solicitud?
Solucin: Casol-ii.

NOTA: La afirmacin de que la media es ms de $ 75.00 sirve


como hiptesis alternativa debido a que M > 75 no contiene el
signo igual.

1. Formulacin de hiptesis:
H 0 : |a < 75 Hj : fi
> 75

2. Nivel de significancia: a = 0.02


3. Estadstica de prueba:
7^->(0,1)

s / -Jn

4. Establecimiento de los criterios de decisin:

R.A. -

R.A.: Zk < 2.059, se acepta

R.R. -

H0. R.R.: Zk > 2.059, se


rechaza H0.
Realizacin de clculos:
80.23-75.00 80.23-75.00
= 1.15
Z = - * s/-J 45.67 / -s/ToO
45.67/10
Decisin:
Z, = 1.15E R.A.
A pesar de su estilo de
vida
decadente
el
estudiante tpico no gasta
ms de $ 75.00. Tendr que
buscar otra forma de obtener ms dinero de su casa.
Ejemplo 122:
Un distribuidor de bebidas plantea la hiptesis de que las ventas por
mes promedian $ 12000. Diez meses seleccionados como muestra
reportan una media de $ 11277 y una desviacin estndar de $ 3772. Si
se utiliza el valor (X del 5%, qu puede concluir acerca de la impresin
que tiene el distribuidor sobre las condiciones del negocio?
Solucin: Caso II
1. Formulacin de hiptesis:

H0 : M = 12000

Hi : fj. *12000
2. Nivel de significancia , a =0.05
3. Estadstica de prueba:
t= r s
t

>

ta

x-fl0
/ -v
n-\

4. Establecimiento de los criterios de decisin:

5.

R.A.: ti; e [-2.262. 2.262]. se acepta H0.


R.R.: tk < -2.262 o tk > 2.262 . se rechaza H0.

Realizacin de clculos:

x-\i 11277-12 000 -723


=-----------------------------==-------------= -0.61
sl-J 3 772/V0 1192.81
0

tk

6. Decisin:
Z = -0.61G R.A.
Las condiciones del negocio son estables, las ventas por mes no
varan.
6.2.2.
Prueba de Hiptesis para la Proporcin Poblacional
A menudo surgen situaciones en las que el muestreo es de proporciones
en vez del valor medio de una poblacin. En tal caso las observaciones
son de naturaleza cualitativa. Cuando analizamos datos cualitativos, nos
interesamos por verificar un supuesto acerca de la proporcin de xitos
de la poblacin (P). Esto implica que se ha propuesto un valor P
previamente a la realizacin del estudio. El propsito del experimento es
obtener evidencia estadstica que apoye o rechace esta hiptesis.
El procedimiento para la prueba de hiptesis para la proporcin
poblacional es similar al sealado por la media poblacional.
Se presentan los siguientes casos, en muestras grandes (n > 30).
CASOI:
Poblacin infinita, cualquiera que sea el tipo de muestreo.
Poblacin finita, si el muestreo es con reemplazamiento.

1. Formulacin de hiptesis
estadstica:

a) H
0:
P
>
P
0

H0 c)
:P =
P0
H, :P
*
P0

H,:
P<
P0
b) H: P<
P0 H
i: P >
P0

2. Nivel de significancia: a
3. Estadstica de prueba:

Z = P~.L (0.1) IoQo


4. Establecimient
o de los
criterios de
decisin:
Prueba de cola
izquierda

R.R.

.
R.A

R.A.:
Zk > Z,.a, se
acepta
H.
R.R.:
Zv < Z,.a, se

rechaz
a H0.
Prueba de cola derecha

___________R.R________________|_ R.A

R.A.: Zk^ Z U a , se acepta H0.


R.R.: Zk > Z,.a, se acepta H0.

Prueba bilateral

______R.R.------------------------------------R.A. _____________________ R.R.

R.A.:-Z Zk < Z,. 2. se

acepta H. R.R.:Z1 <-

Z|.2 o Zk> Z,.a-se rechaza H.

5. Realizacin de clculos:
y...

P~P(,

5SL
V

6. Decisin
SiZ, G R.A., se acepta H0.
SiZ G R.R., se rechaza
H().
Caso II: Poblacin finita, cuando el muestreo es sin reemplazamiento.
Se siguen todos los pasos del caso I, pero se incorpora el factor de
correccin para poblacin finita, entonces la Estadstica de Prueba
ser:

Z = P~P -> (0,1)

s:
I
:
>

rnQo

kA1
y

Ejemplo 123:
Una encuesta realizada en 1982 revel que el 78% de quienes
respondieron consideraron que estaban mejor financieramente que sus
padres. Una encuesta ms reciente (Apoyo, abril 1997) encontr que
370 de las 500 personas que respondieron pensaron que sus fortunas
financieras eran mejores que la de sus padres. Esto sugiere un
descenso en la proporcin de personas que consideran que estn
financieramente ms estables de lo que

estaban sus padres? Pruebe la hiptesis a un nivel de significancia del


1 %. Solucin:
1. Formulacin de hiptesis:
Hc: P = 0.78
H. : P<0.78
2. Nivel de significancia: a=0.01
3. Estadstica de prueba:

Z = --

/>0

>7(0.1)

4.

0
R.A.

Establecimiento de los criterios de decisin:


-2.326 R.R._|_
R.A. : Si > -2.326. se acepta H.
R.R. : Si Zk < -2.326. se reclwit
H 0.
5. Realizacin de clculos:

370

Donde n =--------=

500

0.74

v P-K 0-74-0.78 -0.04


P0O0

6.

f0.78xQ.22 0.02

Decisin:
Z = - 2 E RA; por lo tanto se acepta H.
No ha habido un descenso en la proporcin de personas que consideran que
estaban ms estables que sus padres.

Ejemplo 124:
Los directivos de un determinado programa de televisin pretender
modificarlo si, por lo menos, un cuarto de los que tienen televisor no
ven el programa regularmente. Una investigacin encomendada a una
empresa especializada mostr que, de 400 familias entrevistadas, 80
ven el programa regularmente. En base a estos datos cul debe ser la
decisin de los productores? Ot = 5%
Solucin:
1. Formulacin de hiptesis estadstica:
H0:P>0.25
H, : P < 0.25
2. Nivel de significacin: Ot =0.05
3. Estadstica de prueba:
-

Z=

>(0,1)

4. Establecimiento de los criterios de decisin:

-1.645
R.R.j.

0
R.A.

R.A.: Si Zk > - 1.645, aceptamos II. R.R.:


Si Zi, < -1.645, rechazamos H

5. Realizacin de clculos:

X : personas que no ven el


programa X': personas que ven
el programa

6. Decisin:
Zk = 27.5 G R.A.
Por lo tanto los productores deben modificar el programa.
Ejemplo 125:
De una lista de 2000 clientes de un banco comercial se seleccion una
muestra aleatoria para obtener opinin acerca del servicio. En la
muestra se hall que 215 no tenan quejas del servicio, 25 tenan
quejas y 10 no opinaban al respecto. Tradicionalmente, el 5% tena
quejas del servido, sin embargo se cree que ahora este porcentaje
aument. Cul es la situacin actual si se quiere una probabilidad de
0.05 de cometer error tipo I?
Solucin:
1. Formulacin de hiptesis:
Hc: P = 0.05
H. : P > 0.05
2. Nivel de significancia: a =0.05
3. Estadstica de prueba:

4 Establecimiento de los criterios de decisin:

o
R.A.

R.A. : Si 7\ < 1.645. se acepta H. R.R : Si Z\ >


1.645. se rechaza H.

1.645

,J_ R.R_____

5. Realizacin de clculos:
X : el cliente tiene quejas X': el cliente no tiene quejas
x

25 Donde /? = = = 0.10 n 250

n:250
Luego:

6. Decisin:
Zk = 5 > 1.645 G R.R.; por lo tanto rechazamos H 0. El porcentaje de
quejas ha aumentado.
6.2.3. Prueba de Hiptesis para
Poblacionales.
Se presenta los siguientes casos:

la

Diferencia

de

Medias

CASO I: Uso de la Estadstica Z


i) Muestras grandes (n, > 30, n2 >30), varianzas poblacionales
conocidas (crf y cj2" ) y poblaciones normales o no.
ii) Muestras grandes (n, > 30, n2 > 30), varianzas poblacionales desconocidas pero iguales o,2 =ct2 (a,2 s s,2 y a/ = s] ) y poblaciones
normales o no.
iii) Muestras pequeas (n, < 30,n 2 < 30), varianzas poblacionales conocidas y a2 ) y poblaciones normales.
1. Formulacin de hiptesis:

a) H0 : |ii > |i2 b ) H 0 : M - i < ^ 2 c) H0 : m =


H i : f-ii < |i2
H, : > |i2 H, : n, * fi2
2. Nivel de significancia: Ct

3. Estadstica de
prueba:
Paraiyiii:
Z

= iiL_ (0.1)

Paraii:
Z=

X, - x 2

- (0.1)

s; s;
n

4. Establecimiento de los
criterios de decisin:
Prueba de cola
izquierda:
R.A.: Zk ^ -Z|.a. se acepta H0.

R.R.: Zk < -Z].a, se


rechaza H0.
Prueba de cola
derecha:

R.A.: Zk < Z|_a, se


acepta H0.
R.R.: Zk > Zi^x. se
rechaza H0.
Prueba bilateral:

R.A.: Zk s[-Zi.a/2 , Ziu/2 ], se acepta H0.


R.R.: Zk < -Zi.a/ 2 o Zk
> Zi-o/ 2 , se rechaza H0.
5. Clculos:
Paraiyiii:

Paraii:
Z
,

6. Decisin:
Se acepta o se rechaza H 0.
Nota: Si las poblaciones
respectivamente entonces:

son

finitas

de

tamao

N,

N2

^ 7 *'

'

o,2

M -

I^

-v, -,]
N -1 J
t

G
-x2
J

x,

[ >
.y,'
+ ^-

n2 )

{ N2 -

n2

'l

N-,

-u

Ejemplo 126:
En la Facultad de Ciencias Matemticas de la U.N.M.S.M. se seleccion
una muestra aleatoria de 20 estudiantes (grupo A) de una poblacin de
estudiantes pertenecientes a familias en que ambos padres trabajan.
Se seleccion tambin una muestra aleatoria de 16 estudiantes (grupo
B) de entre aquellos que pertenecen a familias en que solamente el
padre trabaja. El anlisis de rendimiento acadmico de los dos grupos
di los siguientes resultados:
Grupo

Promedio Muestral

14

17

La experiencia muestra que las poblaciones de puntajes para ambos


grupos estn distribuidas en forma aproximadamente normal, con
varianzas o* =36 y Og= 20 Se puede concluir, con estos datos, que la
media de la poblacin de la que se seleccion el grupo A es diferente a
la media poblacional de la que se seleccion el grupo B? Use a = 0.05
Solucin: CASOI-i
1. Formulacin de
hiptesis H0:MA
MB

H, :M MB

2. Nivel de significancia: (X =0.05


3

Estadstica de prueba:

n(0,1)
V .i n n

4. Establecimiento de los criterios de decisin:


R.A.: Si

Zk

e [-1.96. 1.96]. se acepta H0.

R.R.: Si
5. Clculos:
Datos:

Zk

<-1.96 0

Zk

> 1.96, se rechaza H.

nA = 20. nB = 16.
=14 , x =17 aj = 36 , cr2 = 20

= -1.71
~=0

xA -Xn
6.

14-17

Decisin:
Z<
= -1.71 E R.A. por lo tanto se acepta
H0, lo
que quiere decir que en la Facultad
de Ciencias Matemticas los puntajes promedios generales de
rendimiento de los estudiantes que pertenecen a familias en que
ambos padres trabajan son iguales a los de los estudiantes que
pertenecen a familias en que solamente trabaja el padre.
Ejemplo 127:
El director de presupuesto de una empresa deseaba determinar si
haba alguna diferencia en las cuentas de gastos de representacin de
los ejecutivos de dos departamentos de la empresa. Se seleccion una
muestra aleatoria de 30 cuentas de gastos del departamento 1 y 30
cuentas de gastos del departamento 2. Con los siguientes resultados:

Departamento 1

Departamento 2
x,

000 .v, =

Al nivel de
significancia 200
0.01 es ms
alto el gasto
de
representaci
n
en
el
departamento
1?

Solucin: CASO I
- ii
1. Formulacin
de
hiptesis:

H
0

:
p
,
=
p
2

H
i
:

33

S/.
SI.

X2 = S/ ZSI
s-,

S/.

27 900

9 000

m
>
p
2

Nivel de
significancia
: Ot =0.01

3. Estadstica
de prueba:
.Y| ~X 2

4. Establ
ecimie
nto de
los
criteri
os de
decisi
n: R.A.
: Si

Zk

<
2.326.
se
acepta
H 0.

R.R.: Si

Zk >

2.326. se
rechaza H0.
5. Clculos:
Datos:
n
i

3
0
.

j
e
,

=
3
3

0
0

0
.

s
,

2
0
0

n
2

3
0
,

x
2

2
7

9
0
0
,

s
2

0
0
0
Z

-Vi -x :

33 000 -27 900

6. Decisin;
Z< = 2.42 E R.R.
por lo tanto se
rechaza H;. Los
gastos
de
representacin
del
departamento 1
son ms altos
que los gastos
de
representacin
del
departamento
2.
CASO I: Uso de
la Estadstica t
i) Muestras
pequea
s (n.<30
y
n2<30).
'= " >

varianza
s
poblacio
nales
descono
cidas
pero
iguales
a, = a (af =
sf y g =
j 22 ) y
poblacio
nes
normale
s.
2

+,-2

Se siguen los mismos pasos que el caso I. pero la estadstica de prueba


a usar es:
-VI

- X2

(/I -1)XS -r(/J2-l)xsj


V 11, -r W, - 2

, "1 'h )
'^

Adems
el
establecimiento
de los criterios
de
decisin
estar dado por:
Prueba de
cola
izquierda :
R.A. : t, > -t,_ajl| +
n2_2 , se acepta II
.
R.R. : t-K < -t,
, se rechaza H0.
k

1 -u, i:.
- n, -2

Prueba
de cola
derecha
R.A. : t. <
tj .. w , n . n , - 2 se
acepta U.
R.R. : t. > t ,
i . se rechaza H.

1
a
.
n

+
n

Prueba de
dos colas:
R.A. : t e [~t
j -a/2,11, n< - 3 . t |- u
o.n- ; n, -- 2

se ace

P*a

R . R. : h < - t, a

/: ,n ; - n : - 2 o

U > t . . ,w n: 2'

se rcchaza

ii) Muestras
pequea
s (n. <
30
y
n < 30),
varianza
s
poblacio
nales
descono
cidas
pero
diferente
af
(o :
= .v; y a;
=
s:
)y
poblacio
nes
normale
s.
Se siguen los
mismos
pasos
que el caso I.
pero
la

estadstica
de
prueba a usar

n, -1 2 -2
Donde:
Dado que r rara
vez

es

un

entero,

se

redondea

al

entero

ms

cercano.
Adems

el

establecimiento
de los criterios
de

decisin

estar dada por:


Prueba de
cola izquierda:

R.A.: tk > -1,


_a

, se acepta H0.
R.R. : tk <

t, _ , se rechaza Hc.
ct r

Prueba de
cola derecha:

R.A.: tk < t,_a r


, se acepta Ho.
R.R. : tk >tj_a r
, se rechaza H0.
Prueba
bilateral:
R
.
A
.

t
k

t
t

o
/

2
,
r

,
t
|
a

/
2

,
r
]
)

s
e

a
c
e
p
t
a

H
0

R
.
R
.

<

t
,
0

/
2
.
r

t
k

>

t
,
0

>

r
,

s
e
r
e
c
h
a
z
a

H
0

E
j
e
m
p
l
o
1
2
8
:
Para verificar
la suposicin
de que existe
diferencia en
el aprendizaje
de
matemtica
en
los
alumnos
de
dos aulas A y
B
de
un
colegio,
se
tom
una
muestra
aleatoria
de
cada aula y se
les aplic una

misma prueba
de
conocimiento,
obtenindose
los
puntajes
que
a
continuacin
se indican:
AulaA:
1
6
,
4
3
,
2
4
,
3
5
,
2
0
,
2
7
,
2
9
,
3
0
,
4
0
,
3
2
A
u
l
a

B
:
15,40,18,37,16,
29,30,45,20,36
Realizar
la
prueba al nivel
de significacin
de 5%.
Solucin: Caso
ll-i
1. Formulacin de
hiptesis
H, : p-i = |i2
H, : JI * (i:

2. Nivel

de

significancia: O
=0.05
3. Estadstica
prueba:

de

4. Estableci
miento
de los
criterios
de
decisin:
R.A.: Si tk G [-2.101.
2.101], se acepta II,..
R.R.: Si tfc < -2.101 o tk
> 2.101. se rechaza II.,.

5. Clculos:
Para Grupo
A:
n
,

1
0
.

*
>
=
2
9
.
6
.

s
,

8
.
4
2

P
a

r
a

G
r
u
p
o

B
:
n
2

1
0
.

.
7
2
=
2

8
.
6
.

s
2

1
0
.
8
3

t
k

0
.
2
3

6. Decisin:
tK = 0.23 G
R.A.,
se
acepta H0 lo
que quiere
decir que no
existe
diferencia
en
el
aprendizaje
de
matemtica
en las dos
aulas Ay B.
Ejemplo 129:
Dos profesores
ensean a dos
secciones A y B
el mismo curso
de
matemticas.
Para comparar
los
promedios
en
las
calificaciones
obtenidas
con
los
dos
profesores
se
escogieron dos
muestras
aleatorias
independientes
de 9 notas de
Ay 8 notas de B,
dando
los
siguientes
resultados.
G
r
u
p
o
A

:
0
2
,
1
8
,
1
0
,
2
0
,
1
7
,
0
5
,
1
2
.
1
6
.
1
1
G
r
u
p
o
B
:
1
2
,
1
6
,

0
9
,
1
6
,
1
2
,
1
3
,
1
1
,
1
0
Suponga que las
calificaciones
con cada uno de
los
profesores
se
distribuyen
normalmente
con
varianzas
desconocidas
pero diferentes
(cr: *a;).
Con un nivel de
significacin de
0.05,
es
la
calificacin
promedio de A
ms
alta que la de
B?
Solucin: Caso II
-ii
Sean X, X2
ias variables
aleatorias que
representan
las
calificaciones
de las
seccionesAy

B,
respectivame
nte.
Sesuponeque
A, -> ((a,,o,2)
yX
-m(h,.ct2)
con cs{y a2
varianzas
desconocidas
pero
diferentes.
2

1. Formu
lacin
de
hipte
sis Ho: ni
= \xi

Hi: jni > (a2


2. Nivel de
significancia:
a =0.05
3. Estadstica
de prueba

s.2 s.}

Donde:
s, = 6.06 , s2
= 2.56
n
2

=
9
Entonces:

A7,

s{ /, 2

z /rh

(6.06)2/ 2
9

(2.56)2 /
8

n, -1

. "l-1.

/ n + V
/! / 2
r=
r

1
1
.
0
3

1
1

E
n
t
o
n
c
e
s
:

[(6.06)2/9 +
(2.56)2/8]2

4. Establecimiento de los criterios de decisin:

R.A________________
| R.R.
R.A. : Si tk < 1.796 , se
acepta H. R.R. : Si t k
> 1.796 . se rechaza
H.

5. Clculos
Se
que:
x
,

1
2
.
3
3

tiene

6
.
0
6

x
2

1
2
.
3
8

s
2

=
2
.
5
6
Entonces:
(12.33-!
2.38)

(6.06)
2

(2.56)
V

98

6. Decisin:
tk = - 0.02
pertenece a
la regin de
aceptacin,
por lo tanto
las
calificacione
s
son
iguales.
6.2.4.
P
rueba
de
Hiptes
is para
la
Diferen
cia
de
Medias
Poblaci
onales
con
Observ
aciones

Paread
as.

En la seccin
anterior
se
discuti
la
prueba de la
diferencia entre
la media de dos
poblaciones
independientes.
Por lo tanto, las
dos muestras (o
grupos
de
datos) tambin
eran
independientes.
En esta seccin
se desarrollar
el
procedimiento
para analizar la
prueba de dos
muestras (o dos
grupos
de
datos)
que
estn
relacionados; es
decir,
los
resultados de la
primera
muestra no son
independientes
de la segunda.
Esta
caracterstica
de dependencia
de las muestras
ocurre ya sea
porque
se
obtienen
mediciones
repetidas
con
elmismo grupo
de artculos o
individuos
o
porque
los
artculos
o
individuos estn

apareados
segn
alguna
caracterstica.
Por lo tanto, no
se puede usar
como
estadstica
de
prueba
la
diferencia
de
medias
mustrales,
pues
no
podemos
obtener
la
varianza de la
distribucin de
medias
mustrales. En
consecuencia,
se trabajar en
cualquiera
de
estos casos con
la
diferencia
entre
los
valores de las
observaciones,
es
decir,
trabajaremos
con un nuevo
conjunto
de
datos formado
por
las
diferencias
apareadas
de
las
muestras,
tal
como
se
muestra en la
siguiente tabla:
TABLA N 35
Muestra

Observacin
1

12
x x21

Diferencia
Di
D,= x - x2l

I2 X22
D2= x12

X, x,2

xnl xn:

Donde:
X
,
,
:
i

s
i
m
o
v
a
l
o
r
e
n
l
a
m

-x22

D, = Xj, xi2

Dn= xnl. xn2

u
e
s
t
r
a
1
X
2

,
:
i

s
i
m
o
v
a
l
o
r
e
n
l
a
m
u
e
s
t
r
a

2
D, : X - X2l,
la
difere
ncia
entre
el isimo
valor
en la
mues
tra 1
y el isimo
valor
en la
mues
tra 2.
Adems:
ii

14

D = -^

o;n(Df

Jsl

II-1

Trataremos el
caso
para
muestras
pequeas
(n<30)
y
varianza (a02 =
02
)
desconocida.
1. Formulacin
hiptesis:

de

0 Ho

Ho : | D

: (. ID = 0 Ho :
JAD

I i : UD < 0 H i :
)LID > 0 H i :

UD

*0

2. Nivel
de
significancia:
3. Estadstica
prueba:

de

t ---------pr
>t,

SD /yf
4. Establecimiento
de los criterios
de decisin:
Prueba
de cola

izquierda
:
R.A. : Si tk >
-t| _n . | , se
acepta H.
n

R . R. : S i t k
< -t, _a , Se
re c h a z a H .
Prueba
de cola
derecha
:
R .A . : S i t k
< t! _
se

an ) >

ac c p t a

H.
R.R. : S i t

> 11 .a n ,,
se rechaza
H.
Prueba
bilateral:
R.A. : Si tk

[ -t, . a / 2 n.|, t
| . a / 2 , n-|], se
acepta H.

R . R. : S i t k
<-t|.cl/2n.l o
tk > t |
a / 2 n | , se
re c h a z a H .
5. Clculos:

6. Decisin:
Se acepta o
se rechaza
la hiptesis.
Ejemplo 130:
En
estudios
generales
de
ciencias de la
PUCP se han
escogido
12
pares
de
alumnos sobre
la base de la
similaridad
de
sus
rendimientos. A
un alumno de
cada par le fue
enseando
el
curso de clculo
I por el mtodo
tradicional (X) y
al otro por el
mtodo
de
talleres
(Y).
Estos alumnos
dieron
una
prueba con los
siguientes
resultados:
Par de alumnos

10

11

12

Tradicional (X,)

14

15

12

13

15

11

10

15

15

16

14

Talleres (Y;)

12

16

12

11

12

09

07

13

14

15

12

10

Diferencias (D,)

-1

_2

Pr
u
e

b
a
si
lo
s
m
t
o
d
o
s
s
o
n
ig
u
al
m
e
nt
e
ef
e

ct
iv
o
s.
U
s
e
Ct
=
0.
0
5
S
ol
u
ci

n:
1. Formulacin
hiptesis
H
0

de

j
i
o
=
0
4. Establecimiento de los criterios de decisin
H

R.A. : Si t k e[-2.201,2.201]
R.R. : Si t k < - 2.201 o tk> 2.201
i

2. Nivel

de

significancia: (X
=0.05
3. Estadstica de
prueba:

=t

0.975,11

=2 201

1.25
t

2.84
1.54/^2
6. Decisin:
tk= 2.84
R.R. por lo
tanto,
se
rechaza
H,,. Lo que
quiere
decir que
los
mtodos
son
diferentes.
sD/y[

6.2.5.
P
rueba
de
Hiptes
is para
la
Diferen
cia de
Proporc
iones
Poblaci
onales
Para
probar
hiptesis
de
dos
proporciones
poblacionales,
cuando
las
muestras son
grandes,
se
siguen
los
siguientes
pasos:

1. Formulacin
de hiptesis
H0 :P, > P2 H0 :Pi

H0 :Pi = P2
H1 : P 1 ^ P2

< P2 H1 : P1 < P2
H1 :P, > P2

2. Nivel
de
significancia: Ct
3. Estadstica
de prueba:
P

1
Z=

IpO- p)

~
Pi

1 1 + 11. tu
Donde:
n,+n2

P =

\
4.
Establecimiento
de los criterios
de decisin:
Prueba de
cola
izquierda:

R.A.: Zk >
- Z \ . A , se acepta
H0.
R.R : Z k < - Z
i-oc, se rechaza

H0.
Prueba de
cola
derecha:
R.A.: Z K < Zi.,
se acepta Hu.
R.R : Zk > Zi.a,
se rcchaz a H0-

Prueba
bilateral:

R.A. : Si Zk s [Zi_a/2 , Z).a/2 ], se


acepta H0.

R.R. : Si Z k <
-Zi.a/2 o Zk >
Z|.a/2, se rechaza

H0.

5. Clculos:

P\~P
2

6. Decisin:
Se acepta o se rechaza la hiptesis.
Ejemplo 131:
En una muestra de 500 hogares de Trujillo se encuentran que 50 de
ellos estn viendo va satlite un programa especial de televisin. En
Tarapoto, 28 hogares de una muestra aleatoria de 400 se encuentran
viendo el mismo programa especial. Puede rechazarse la suposicin
del patrocinador de que el porcentaje de hogares que est observando
el programa especial es el mismo en las dos ciudades? Use CC =0.05
Solucin:
1. Formulacin de hiptesis:
H:P, = P 2
HI : Pi

2. Nivel de significancia: 01 = 0.05


3. Estadstica de prueba:
-> (0.1)

Z =

P\ ~
P
4. Establecimiento de criterios de decisin:
R . A . : S i Z k e [-1.96. 1.96], se acepta Ho- R.R.: Si Z k <-1.96 o Z|< > 1.96. se
rechaza Ho-

5. Clculos: Datos:

Entonces:

^ 2- =------------=------= 0.087
n. + n-, 900 900

P: - P:

I(I1'

0.10-0.07

f11^

(l-/3)i + , 0.087x0.913 ---------------+-----

y ' U :J v

V500 400./

6. Decisin:
Zk = 1.5 G [-1.96, 1.96] entonces se acepta H.
El porcentaje de hogares que est observando el programa en las
dos ciudades es el mismo.
Ejemplo 132:
Un socilogo cree que la proporcin de hombres que pertenece a un
grupo socioeconmico determinado (grupo A) y que ve regularmente
lucha en televisin difiere de un segundo grupo de hombres (grupo B)
que tambin ve lucha. Muestras aleatorias simples de los grupos
arrojan los siguientes resultados:
Grupo

Tamao de la muestra

150

200

Nmero de hombres que


ven regularmente lucha en
TV.
98
80

Proporcionan estos datos evidencia suficiente como para apoyar la


tesis del socilogo? Use a = 0.05
Solucin:
1. Formulacin de hiptesis:
Uo:PA

PB

H, :PA*PB
2. Nivel de significancia: Ct = 0.05
3. Estadstica de prueba:
4. Establecimiento de criterios de decisin:
R.A.: Si Zk E [-1.96, 1.96] ,se acepta H0.
R.R.: SiZk <-1.96 o Zk > 1.96, se rechaza Ji
5. Clculos:
Datos:

nA = 150, xA = 98 => pA = 98/150 = 0.65


nB = 200, xB = 80 =* pB = 80/200 = 0.40
'}_xa+xb=

PA PB

98 + 80 _178_Q5I

nA+nB

150 + 200 350

0.2
5

Zk=5

6. Decisin:
Z = 5 R.R. por lo tanto se rechaza H 0, lo que quiere decir que el
grupo A difiere del grupo B en ver lucha en televisin.
k

6.3.
ANLISIS DE REGRESIN LINEAL SIMPLE
El anlisis de regresin tiene mltiples aplicaciones en la investigacin,
en los diferentes campos de la ciencia y en los trabajos prcticos, ya
sean estos industriales, comerciales o profesionales.
La regresin trata de establecer la forma de relacin entre las variables
es decir, estudia la relacin funcional entre las variables( Y=f(X) o
X=f(Y)), de modo que podamos predecir el valor de una con base en la
otra las otras.
Una funcin de regresin es lineal simple cuando las variaciones en la
variable independiente provocan variaciones proporcionales en la
variable dependiente.
Y

= f (X)
Donde:
Y: Variable
dependiente X:
Variable Independiente
Por ejemplo: Podemos estar interesados en predecir el consumo
promedio de un conjunto de familias en base al ingreso de las mismas.
Entonces:
Y: Consumo
X: Ingreso
El anlisis de regresin lineal simple consiste en estimar la funcin de
regresin poblacional (F.R.P.) que responde a la siguiente expresin:

F.R.P. : Yj = p0 + piX+ ........................(1)


Donde: Y : Variable dependiente X: Variable
independiente p0 : Intercepto p, :
Coeficiente pendiente j : Error
aleatorio Con base en la funcin de
regresin muestral (F.R.M.)
F.R.M. y =Pfl + P,x,+e,.................................(2)
6.3.1.
Eleccin de una Relacin Funcional
Ac veremos el tipo de funcin matemtica que mejor ha de
representar la dependencia entre las variables. Dos son los mtodos
empleados:
a) Una consideracin analtica del fenmeno que nos ocupa
(estudios anteriores).
b) Un examen del digrama de dispersin en forma grfica de los
datos observados, en esta forma es fcil tener una dea de si
existe o no existe regresin, si es lineal o curvilnea, esto puede
permitir ahorrar tiempo y dinero, evitando trabajos estriles. Ver
fig. 34.
Y

--------------------------- x
Diagrama de dispersin
6.3.2.
El Mtodo de los Mnimos Cuadrados Ordinarios (M.C.O)
El principal inters radica en poder estimar la funcin de regresin
poblacional (F.R.P.) con base en la funcin de regresin muestral (F.R.M.)
de la manera ms precisa posible. Existen varios mtodos para
construirla F.R.M., pero en lo concerniente al anlisis de regresin el
mtodo ms usado es el Mtodo de los Mnimos Cuadrados Ordinarios
(M.C.O.). Con este mtodo se pueden obtener excelentes resultados, de
hecho si la suposicin comn de normalidad
T------)!((),cr), el mtodo de los mnimos cuadrados es equivalente al
de
mxima probabilidad.

La funcin de regresin poblacional no es observable directamente, es


preciso estimarla a partir de una funcin de regresin muestral, motivo
por el cual se explica a continuacin cmo se expresa la funcin de
regresin muestral lineal con dos variables para una muestra de
tamao n:
F.R.M. y , =
Donde:

$ o+ 5, *,.+?,.......................................(2)

y, = y , + e , ................................................(3)
e

= y i - y ,.............................................(4)

y.

es el valor estimado de

Lo que muestra que los residuos (e) son simplemente la diferencia


entre los valores observados y los estimados.
Ahora bien, dados n pares de observaciones de X e Y, se est
interesado en determinar la F.R.M. de tal forma que est tan cerca
como sea posible al valor actual Y.
El principio de los mnimos cuadrados escoge Poy Pi en forma tal que
para

una muestra dada la resulte tan pequea como sea posible.


Es decir:
<='
F(p0.p,) = -.! =(y,~yf sea mnima.............................(5)
/=1 /=)
De acuerdo a la teora de mximos y mnimos, los estimadores de P o y
P. q u e minimizan (5) son los que anulan las primeras derivadas
parciales.
Derivando parcialmente (5) con respecto a 0O y 0, se obtiene.
Igualando a cero (6) y (7), y despus de algunas simplificaciones y
manipulaciones matemticas se obtienen los siguientes estimadores
que se dan en las ecuaciones (8) y (10).
<3 y e !

5P.

= -2S(>--P..-P,AV) ................................(6)

...........................W

op,

p n= (z

(8)

"Z / - <X - )
r

Esta ecuacin (8) tambin puede expresarse como:

P=J-M...................................... (9)

A. Caractersticas de los Coeficientes de Regresin Estimados


Son expresados nicamente en trminos de cantidades
observables. Son estimadores puntuales, es decir dada la
muestra cada estimador proporcionar un solo valor del
parmetro poblacional relevante.
B. Interpretacin de los Coeficientes de Regresin Estimados
P0 : Es el efecto medio o promedio sobre la variable dependiente de
todas las variables omitidas en el modelo de regresin.
P, : Es el promedio de los incrementos de Y debido a los aumentos
unitarios de X o es el promedio de las disminuciones de Y
debido a los aumentos unitarios de X.
Y

>X

fig. 35

C. Coeficiente de Determinacin: [ T ]
Consideremos ahora la bondad de ajuste de la lnea de regresin
ajustada al conjunto de datos.
Y

De la fig. 36 se desprende claramente que si todas las observaciones


coinciden con la lnea de regresin, obtendramos el ajuste perfecto, lo
que raras veces ocurre.
Generalmente tiende a haber algunas e. positivos (encima de la lnea
de regresin) y e, negativos (debajo de la lnea de regresin) con la
esperanza de que los residuos localizados alrededor de la lnea de
regresin sean los ms pequeos posibles.
El Coeficiente de determinacin (r ) es una medida resumen que nos dice
qu tan exactamente la lnea de regresin estimada se ajusta a los
datos observados.
El coeficiente de determinacin se expresa de la siguiente manera:
2

o tambin:

[Z-v'2

~(Xv')2i

El coeficiente de determinacin muestral es ampliamente utilizado


como una medida de la bondad de ajuste de una lnea de regresin. Es
decir el r mide la proporcin o porcentaje de la variacin total en Y
explicada por el modelo de regresin.
Sus propiedades son:
a) Es una cantidad positiva.
b) Sus lmites son: 0 ^ r ^ 1
Sir? = 1, quiere decir que el ajuste es perfecto.
- Si r = 0, quiere decir que no hay relacin entre la variable
dependiente y la variable independiente.
c) Cuanto ms se acerca r a 1, tanto ms alto ser el grado de
linealidad entre las variables.
d) Si r > 0.75 hay seguridad en las predicciones con la ecuacin de
regresin lineal estimada.
2

Ejemplo 133:
Con los siguientes datos correspondientes al ingreso (X) y al consumo
(Y) de 6 familias que se dan a continuacin:
CONSUMOS
(V)

INGRESOS
(X)

30

35

35
30
50
35
50

40
38
55
42
60

Se pide:
a) Representar los datos en un diagrama de dispersin.
b) Determinar la recta de regresin mnimo cuadrtica y graficarla.
c) Calcular el coeficiente de determinacin (r2) e interpretar.
d) Determinar el consumo esperado para una familia si su
ingreso es de 555.00
Solucin:

a)

Diagrama de Dispersin
6
0

5
0

4
0

3
0

2
0

1
0

0 ----------------------------------------- X
0 10 20 30 40 50 60

b) Estimando la recta mnimo cuadrtica Calculando : p,


a ... "Z

6
(108l0)-(270)(230)=09055 6(12.658) -(270)2
Calculando: pn

Po =
p0 = 38.3333 - 0.9055 (45)
=-2.4142
Entonces la linea de regresin estimada est dada por:

y = P0 + Pi*
y0 = -2.4142 + 0.9055 x
Hallando los interceptos para graficar la linea de regresin
estimada: Los puntos que pasan por los ejes X e Y.
*

Cuando x = 0 entonces y estar dado por:


y = -2.4142
+0.9055A: y =
-2.4142+0.905
5(0)
y
=
-2.4142
=> P,=(0,-2.4142)

Cuando y = 0 entonces x estar dado por:

y = -2.4142 + 0.9055*
0= -2.4142 +0.9055x
1. 9055x = 2.4142 = 2.4142 X
0.9055 .v = 2.6662
= ^ P 2 = ( 2.6662, 0)

Grfica de la Lnea de Regresin Estimada Y

c) Calculando el coeficiente de determinacin r2:

/2 = P:2 4-= (-9055 )2 x 0 96


sy

86.67

o tambin se puede calcular mediante la siguiente frmula que se


da a continuacin:
(2

..2

_ [ v y , - d v ,)(!',)]3

[6(10 810) -(270)(230)]2


(2760)2

U. Vu
[6(12658)-(270) ][6(9250)-(230)2] (3048)(2600)

Interpretacin: quiere decir que el 96% de las variaciones del


consumo promedio est explicado por el ingreso.
d) Cuando el ingreso A- = S55.00 el consumo promedio estimado ser:
,v= -2.4142 0.9055(55) =
v=S47.39

D. Prueba de Hiptesis para el Coeficiente de Regresin Poblacional.


Se debe probar los parmetros poblacionales para asegurar que el
estadstico hallado difiere significativamente de cero.
Prueba para Pi
2. Formulacin de hiptesis:
Ho : Pi =

HT : p, *0
3. Nivel de significancia: a
4. Estadstica de prueba:

5. Establecimiento de los criterios de decisin:


R.A. :

Si

tk e [*t|.a> n_2. t,.tt/, n.2 ], se acepta H0.

R.R. :

Si

tk < -t|.a/: n_2 o tk> t|-u/!>.n-2 .

6. Clculos:

Donde:

s
s e = si C ME

CME = --------------

n-2

SCE = SC\ -

SC ,

se

rechaza H0.

SC

,,

= /-

y ~

7. Decisin:
Se acepta o rechaza la
hiptesis Ejemplo 134:
Probar si el coeficiente de regresin poblacional es diferente de 0 (P,
*0), del ejemplo 133. Con 01= 0.1
1. Formulacin de hiptesis:
H0 :p, = 0
H, :p, * 0
2. Nivel de significancia: a=0.1
3. Estadstica de prueba:

4. Establecimiento de los criterios de decisin: R.A. : Si tk e [2.132, 2.132]


R.R. : Si tu<-2.132 o tk > 2.132
5. Clculos:
Donde:
5

Pi =0.09

SE

=2.05

5CV=508;

SCr=433.33;

SCV,= 460; SCE= 16.79

6. Decisin:
/A.= 10.06 ER.R.iporlotantoserechazaHj.loquequieredecirque Pi*0.
6.4.
ANLISIS DE CORRELACIN LINEAL SIMPLE
La correlacin estudia la asociacin o relacin entre dos variables, es
decir, medir el grado de relacin entre ellas mediante un coeficiente o

ndice. La medida del grado de asociacin entre dos variables se llama


coeficiente de correlacin lineal simple.
Cuando se extrae una muestra de n pares de observaciones (x ;, y.),
i=1,2,...,n de la poblacin (X,Y) no necesariamente independientes, el
estimador puntual del coeficiente de correlacin poblacional P es el
coeficiente de correlacin muestral r de Pearson, que se define por:

r>Y<x'-v -(X */)(>v)

A. Caractersticas
r puede ser positivo o negativo.
-1 < ; < 1
Si / = 0; no existe relacin lineal entre las variables Xe Y.
Si /= 1; existe relacin lineal perfecta entre las variables Xe Y.
-Si r se acerca a ms uno (+1) o a menos uno (-1), la relacin lineal
entre las variables X e Y es bien estrecha.
B. Tipos de Correlacin
Tipos

Grfico
Y
V

---------------------------------X

Correlacin Lineal negativa

Correlacin Lineal positiva

Sin
Correlacin

---------------------------------- X

C. Prueba de
Poblacional

(P).

Hiptesis

para

el

Coeficiente

de

Correlacin

Puede ser que el coeficiente de correlacin poblacional sea cero y que


una muestra engaosa hizo que se asumiera equivocadamente una

relacin, por consiguiente se debe probar la hiptesis sobre el


coeficiente de correlacin poblacional. Se siguen los siguientes pasos:
1. Formulacin de hiptesis:
H,

H0: P =0
:P#0

2. Nivel de significancia: Ot
3. Estadstica de prueba:

4. Establecimiento de los criterios de decisin:


R.A. :
R.R.:

Si tk e [ - W 2. n - 2. ti - o / 2.n -2 ], se acepta H .
Si t < -t,. . . o tk>t|. . . , se rechaza H .
0

5. Clculos:

/2 n 2

/2 n 2

Sr

Donde:
,, r

Vn-2

6. Decisin:
Se acepta o se rechaza la hiptesis
Ejemplo 135:
Se desea conocer si las calificaciones, la escala de xito administrativo
y las calificaciones de aspirante de diez jueces actuales del Poder
Judicial se relacionan. La calificacin de un aspirante a juez la recibir
despus de 5 aos de trabajar en el Poder Judicial. La calificacin en la
escala de xito Y es el promedio de las evaluaciones de diez jueces, en
la escala de 0 (mal) a 100 (bien). La calificacin de (0 a 100) del
aspirante X es la obtenida en una prueba combinada de logros y de
personalidad realizada al final del curso de entrenamiento
administrativo.

Juez
1

Calificacin
Como
aspirante
39

Calificacin de
xito
administrativo
65

2
3
4
5
6
7
8
9
10

43
21
64
57
47
28
75
34
52

78
52
82
92
89
73
98
56
75

Se
a)
b)
c)

pide:
Graficar el diagrama de dispersin y analizar la correlacin.
Hallar el coeficiente de correlacione interpretar
Probar la relacin lineal entre las variables.

Solucin:
a) Diagrama de dispersin:
120 100 80 > 60 40
20

0
20

40

60

80

Observando el grfico vemos que dichas variables tienen una


correlacin positiva.
b)
Utilizando el coeficiente de correlacin lineal de
Pearson:

xlyi-

(Zx')(Zyl)

Entonces?
I* = 460 I/2

Ex = 23634

= 59816

Ixy=36854

Sy = 760

Reemplazando las sumatorias en la frmula obtenemos: r = 0.84.


Dicho valor nos indica que existe una alta correlacin lineal
positiva.
c)

Para probar la relacin lineal entre las variables, llevamos a cabo la


constrastacin de P (coeficiente de correlacin lineal poblacional).

1. Formulacin de hiptesis:

H0: p = 0
H,:p*0
2. Nivel de significacin: CC = 0.05
3. Estadstica de prueba:
r-p

* = .....- "> (n-2


sr
4. Establecimiento de los criterios de decisin:
Valor tabular: t = t,_u/2-n_, = ta97W = 2.306
R.A.: tk e [-2.306,2.306] . se acepta H0. R.R.: t

< - 2.306 o t|<> 2.306 , se rechaza H.


5. Clculos
z

_ 084-0

=4 42

0.19
6. Decisin:
Como tk = 4.42 R.R., rechazamos H 0, por lo tanto hay alta relacin
lineal entre las variables.
6.5.
PRUEBA DE INDEPENDENCIA
Es un procedimiento de contrastacin que se utiliza para determinar la
dependencia (relacin o asociacin) o independencia entre dos
variables categricas. Los datos pueden disponerse en una tabla de
doble entrada llamada Tabla de Contingencia de r filas y k columnas.
Pasos a seguir:
1. Formulacin de hiptesis:
H0 : Existe independencia entre las caractersticas.
H, : No existe independencia entre las caractersticas.
3. Estadstica de prueba:
;r2=(/g-gy>=-;rv2 1 = 1 ; =
l &,)

Donde:
v = (r - l )(k - 1) grados de libertad

fj : Frecuencias observadas ej:


Frecuencias esperadas.

4. Establecimiento dlos criterios de decisin:

Si X l < X * . a v. , se acepta H0.


Si X
. se rechaza Ho

5. Clculos.

6. Decisin.
Se acepta o se rechaza

H0.

OBSERVACIONES:
Cuando los grados de libertad es v= 1 y especialmente cuando
la muestra es muy pequea (n < 50), es aconsejable introducir
un factor de correccin de continuidad de A al calcular el valor
chi-cuadrado.
1

Es decir, cuando v = 1 modificamos la ecuacin


2

rk

X=I

(|fii-eii|-0.5)2 | |
i=l j=l eij

-------- - ; fij-ej >0.5

Si cada celda tiene cinco o ms observaciones y la


ms grados de libertad, la aproximacin es buena.

X2

tiene dos o

Si las frecuencias observadas en alguna celda, son menores que


cinco, se combinan adecuadamente las celdas correspondientes
hasta salvar la dificultad.
Para emplear correctamente el estadgrafo X , es necesario que por
lo menos el 80% de las frecuencias esperadas de las distintas
modalidades sea mayor o igual que 5 y ninguna menor que 1. Si no
es posible que se cumpla esta regla, los datos sern analizados por
medio de un procedimiento llamado Test Exacto de Fisher.
2

El coeficiente de contingencia C de Pearson: Es un valor que vara


entre 0 y
1 y mide el grado de relacin y asociacin entre dos variables
categricas. C no tiene a 1 como lmite superior, su lmite
superior se relaciona con el nmero de categoras. Para una
tabla superior construida con igual nmero de filas y columnas
el lmite superiores Vlk-D/k . De este modo para una tabla 3x3 el
lmite superiores '/l/J=0.82; para una tabla 4 x 4, \IJ4 = 0.87, etc.
Cuando el nmero de columnas y filas difiere, por ejemplo,
3 x 4, el lmite superior de C se deduce con un valor k igual al
nmero ms pequeo.
El coeficiente de contingencia se define por:
; Si C > 0.30 se considera que hay buena relacin
entre las variables; es decir el grado de relacin
c
entre las variables es adecua'do.
=
Ejemplo 136:
Se
ha realizado una encuesta entre madres que han
establecido una nueva relacin de pareja. Se ha
preguntado a las mujeres acerca de la relacin
entre sus hijos y sus nuevas parejas y se ha obtenido los siguientes
datos.

n
+x

La madre considera a su nueva pareja


como
Un
Un verdadero Un segundo
amigo
padre
padre

Tipo de
Unin

Total

Matrimoni
o

60

60

55

175

Unin de
hecho

55

56

87

198

142

373

Total

115

116

Se pide:
a) Realizar una prueba de hiptesis para conocer si la percepcin
de las madres sobre las relacione de sus hijos y su nueva pareja
depende del tipo de unin, con a= 0.05.
b) Calcular e interpretar el coeficiente de contingencia para medir
el grado de asociacin entre las variables.
Solucin:

a)

1. Formulacin de hiptesis:
H0: La percepcin de las madres sobre las relaciones de sus hijos y
su nueva pareja es independiente del tipo de unin.
H, : La percepcin de las madres sobre las relaciones de sus hijos y
su nueva pareja dependen del tipo de unin.
2. Nivel de significancia: a = 0.05
3. Estadstica de prueba:
,

t(W

Donde:

= 2,

v = (r-

l)x(k-l) v = 2

4.Establecimiento de los criterios de decisin.

---------- R.A. ----------------------R.R.--------Si

X Q < 5.99 ; se acePta H0.

Si X >5.99 ; se rechaza H0.

NOTA:
X] = X\.

9s.2 = 5.99 ; se debe hallar en la tabla VII de distribucin chi-

cuadrado.
5. Clculos:
Hallando los valores esperados:
Tipo de
Unin

ej

La madre considera a su nueva pareja como:


Un verdadero
padre

Matrimoni
o

54.0

60

54.4

60

Unin de
hecho

115

f,

66.6

175

75.4

198

55

61.0

55

Un
amigo

Un segundo
padre

61.6

56

116

87

142

373

"

373

n
fxf2

175x116

511

373
y.x/, 175x142
e i:- - - =-----------= 66.6
n
373

f , x f . 198x115
e , - =------------= i
21
n
373
/, x./2 198x116
e = =------------= 61.6

373
x/j J98xl42_?51
373

Hallando:

54

54.4

75.4

6. Decisin:
Como Xl =6.15 >5.99, rechazamos H0, lo que quiere decir que la
percepcin de la madre sobre las relaciones de sus hijos y su
nueva pareja dependen del tipo de unin (la asociacin obtenida
en la muestra es significativa).

b) Calculando

el coeficiente de contingencia:

x2
o

X+n

C =
.

C = J

=0.13 '
6.15 + 373

El valor mximo que puede tomar C en este caso es:

k-1 2-

Grficamente podemos observar:

C=0.13 0.356

0.71

En conclusin, el grado de asociacin entre la percepcin de la


madre sobre las relaciones de sus hijos y sus nuevas parejas y el
tipo de unin es baja (dbil); es decir el grado de asociacin entre
dichas variables no es adecuado.

ULADECH

.411

PROBLEMAS PROPUESTOS N 6
Intervalo de confianza para la media poblacional
1. Se decide estimar la media del nivel de ansiedad de todos los
estudiantes preuniversitarios. Se supone que la poblacin de los
puntajes de la prueba se distribuye normalmente con desviacin
estndar igual a 10 puntos.
a) Determinar el intervalo para una confianza del 95%, si una muestra
aleatoria de tamao 100 ha dado una media de 70 puntos.
b) Si fi.se estima en 70 puntos con el nivel de confianza del 99%, es
el error de estimacin puntual superior a 5 puntos?
2. El tiempo en minutos que utilizan los clientes en sus distintas
operaciones en un banco local es una variable aleatoria cuya
distribucin se supone normal con una desviacin estndar de 3
minutos. Se han registrado los tiempos de las operaciones de 9
clientes del banco resultando una media igual a 9 minutos.
a) Hallar el nivel de confianza si la estimacin de fj. es el intervalo de 7
a 13 minutos.
b) Si f! se estima p o r x , calcular la probabilidad de que la media de los
tiempos de todas las muestras de tamao 9 est 6.5 y 11.5
minutos.
3. Suponga que las alturas de los alumnos de la Facultad de Economa
tienen distribucin normal c o n a = 1 5 cm. Fue retirada una muestra
de 100 alumnos obtenindose x = 175 cm. Construir el intervalo de
confianza para la verdadera altura media de los alumnos con 95%
de confianza.
4. La Cmara de Comercio de una ciudad est interesada en estimar
la media de la cantidad de dinero que gasta la gente que asiste a
convenciones, considerando comida, alojamiento y entretenimiento
por da. De las distintas convenciones que se llevan a cabo en la
ciudad se seleccionaron a 16 personas aleatoriamente y se les
pregunt la cantidad que gastaban por da. Se obtuvo la siguiente
informacin en soles:
450, 575, 363, 448, 542, 389, 435, 674, 468, 352, 458, 384, 434, 546,
655, 560.
Obtenga el intervalo de confianza del 99% para la media de cantidad
de dinero que gasta diariamente la gente que asiste a convenciones e
interprete el resultado.

Carmen Rosa Barreto Rodrguez

412

5. Una muestra aleatoria extrada de una poblacin normal presenta


una media muestral igual a 150, el nmero de observaciones es 21
y la varianza muestral es 100. Se pide:
a) Construir un intervalo de confianza del 95% para la media
poblacional.
b) Si se utiliza la informacin de que la varianza poblacional es 100,
calcular el intervalo de confianza del 95% para la media
poblacional.
c) Por qu el intervalo calculado en (b) es ms estrecho que en a?
Qu ocurrir con ambos intervalos si se amplia el tamao de
muestra?
Intervalo de confianza para la proporcin poblacional
6. Con el objeto de estimar la proporcin de televidentes que han
visto el anuncio de un producto, se entrevist a 400
telespectadores y resulto que 344 de ellos s los haban visto.
Encuentre un intervalo de confianza de 95% para la proporcin de
todos los espectadores que han visto la publicidad del producto.
7. De 209 clientes, 183 expresaron su satisfaccin con los servicios
bancarios ofrecidos por el Banco de Crdito en la ciudad de
Chimbte. Cmo se compara estos resultados de un estudio
anterior por parte de la Encuestadora Apoyo S.A., el cual estim al
95% del nivel confianza que entre el 74.1 % y el 83.7% de sus
clientes estaban satisfechos?
8. En un sondeo reciente de 250 personas que viven en Lima, 50
aprobaron el establecimiento de la pena de muerte para los delitos
por terrorismo. Construir un intervalo de confianza del 99% para la
proporcin real de los limeos que estn de acuerdo con la pena de
muerte por terrorismo.
9. Si en una muestra de 600 estudiantes de economa, 360 son hijos
de hombres de negocios. Obtenga un intervalo aleatorio con un
nivel de confianza del 90% para la proporcin de todos los
estudiantes de economa que son hijos de hombres de negocios. El
nmero de estudiantes de economa en todo el pas se estima en
15 000.
Intervalo de confianza para la diferencia de dos medias
poblacionales
10. El consumo medio en gasolina de las familias de Lima en la ltima
semana se ha estimado a travs de una muestra aleatoria simple
de 300 familias, obtenindose para las mismas una media de 20
litros y una desviacin estndar de 5 litros. Anlogamente, en

ULADECH

.413

Trujillo se pregunt a 250 familias obtenindose una media de 15


litros y una desviacin estndar de 8 litros. Calcular una estimacin
para la diferencia entre los consumos medios con una confianza del
90%. Cul es el error cometido en esta estimacin?
11. Se realiz un estudio para determinar la diferencia del Coeficiente
Intelectual (Cl) entre los nios del Distrito de Chimbte y de Nuevo
Chimbte. Se obtuvieron los siguientes resultados:
n

Chimbte

30

115

Nvo. Chimbte

40

90

Distrito

16

Se sabe que el Coeficiente Intelectual (Cl) de las dos poblaciones est


distribuido normalmente. Construir el intervalo de 95% de confianza
para la diferencia de las dos medas poblacionales.
12. Se quiere estimar la diferencia entre los promedios de tiempo (en
minutos) que utilizan los hombres y las mujeres para realizar un
test de aptitud. Se aplica el test a 20 hombres y 25 mujeres dando
las medias respectivas de 110 y 100 puntos. Suponga que las dos
poblaciones son varianzas iguales a 100 y 64, respectivamente.
a) Determine el intervalo de confianza del 99% para la diferencia de
medias.
b) Es vlida la afirmacin W-1^=13?
13. Un inversionista hace un estudio sobre los gastos semanales para
elegir una de las dos ciudades, Trujillo o Piura, para un centro
comercial. En una muestrade21 hogares de la ciudad de Trujillo
hall: .v = S400. s,= S210. En otra muestra de 16 hogares de la
ciudad de Piura hall: .y = $380. s, =$60 . Suponga poblaciones
normales con varianzas desconocidas pero diferentes. Usando un
intervalo de confianza de 95%, en cul de las dos ciudades
debera abrir la sucursal?
14. El departamento de admisin de una universidad desea estimar la
diferencia entre las medias de las calificaciones de alumnos
provenientes de dos preparatorias. Los resultados de las muestras
aleatorias simples e independientes de las dos escuelas se ven en
la siguiente tabla:

Carmen Rosa Barreto Rodrguez

414

Colegio Minerva

Colegio Universitario

n2 = 20

/7, = 26

xj - 12.72

= 18.02

5, = 0.38

= 0.45

a)Cul es el estimado puntual de la diferencia entre las medias de las


dos poblaciones?
b) Determine un intervalo de confianza de 90% para la diferencia entre
las dos medias poblacionales. Suponga poblaciones normales con
varianzas desconocidas pero diferentes.
15. Se selecciona al azar cinco secretarias de la Universidad de Lima y
se procede a registrar la velocidad en mecanografiar un texto
(palabras por minuto) para cada secretaria. Luego, se les enva a un
curso de perfeccionamiento y se vuelve a realizar la misma prueba.
Los resultados obtenidos en ambos casos son los siguientes:

Secretaria

Antes

Despus

80

82

2
3
4
5

70
85
62
82

77
79
68
84

Suponiendo que la caracterstica en estudio sea normal, se puede


estimar con un 95% de confianza que la velocidad de mecanografiado
es superior luego de haber realizado el curso?
16. El ao 1996 se vio caracterizado por el auge de la Bolsa de Valores
producto de las medidas de poltica econmica aplicadas por el
gobierno las cuales promovieron un incremento de rentabilidad
relativa de los valores transados en bolsa respecto de otras
alternativas de inversin. Este fenmeno observado llega a ser
cspide en el mes de abril de dicho ao, perodo en el cual se

ULADECH

.415

transan 576.4 millones de soles entre acciones y obligaciones. A


continuacin se presenta un cuadro resumen del movimiento
burstil para 1996 en los meses de abril y diciembre,
respectivamente.
SECTORES
ABRIL
DICIEMBRE
Bancos
Financieras
Industriales
Mobiliarios
Mineras
Seguros
Servicios pblicos
Diversas
Industrias laborales
Mineras laborales

10.8

35.0

2.4
267.8
0.0
10.7
2.6
0.1
4.1
113.6
14.0

9.5
31.1
0.0
6.9
14.8
0.1
27.6
196.2
11.6

Suponiendo que la caracterstica en estudio es normal, ser cierta la


supremaca del mes de abril respecto del mes de diciembre en cuanto
al movimiento burstil promedio se refiere, a un nivel de confianza del
95%?
Intervalo de confianza para la diferencia de dos proporciones
poblacionales
17. Una empresa de estudios de mercado quiere estimar las
proporciones de hombres y mujeres que conocen un producto
promocionando a escala nacional. En una muestra aleatoria de 100
hombres y 200 mujeres se determina que 20 hombres y 60 mujeres
estn familiarizados con el artculo indicado. Construya el intervalo
de confianza del 95% para la diferencia de proporciones de
hombres y mujeres que conoce el producto. Con base en los
resultados, se estara inclinando a concluir que existe una
diferencia significativa entre las dos proporciones?.
18. En una muestra al azar de 700 mujeres, 300 indican que estn a
favor de la ayuda del Estado a los colegios privados. En una
muestra al azar de 400 hombres, 100 indican a favor de lo mismo.
Determinar un intervalo de confianza de 90% para la diferencia de

Carmen Rosa Barreto Rodrguez

416

proporciones de todas las mujeres y todos los hombres que


favorecen tal ayuda.
19. Dos muestras aleatorias de 250 mujeres y 200 hombres indicaban
que 75 mujeres y 80 hombres consumieron un nuevo producto
unisex que acaba de salir al mercado. Utilizando un intervalo de
confianza del 95%, se puede aceptar que es igual la proporcin de
preferencias de mujeres y
hombres en toda la poblacin? Si no es as, cul es la relacin?
Prueba de hiptesis para la media poblacional
20. Se cree que el tiempo promedio que utilizan los alumnos del ciclo
bsico para realizar cierta prueba de aptitud tiene distribucin
normal cuya media es 15 minutos. Para comprobar la hiptesis
respecto a la media se tom una muestra aleatoria de 16 de tales
alumnos y se encuentra un promedio de 16 minutos. Realice una
prueba unilateral.
a) Con el nivel de significacin a =0.05, si sabe que G=3.2.
b) Con el nivel de significacin a=0.05, si s =3.2, se calcula de la
muestra.
21. El gerente de ventas de una compaa afirma que sus vendedores
venden semanalmente en promedio $1 500. Al nivel de
significacin del 5% pruebe la hiptesis del gerente versus la
hiptesis del presidente de los vendedores que afirma que el
promedio de las ventas semanales es mayor, si una muestra de 36
vendedores ha dado una media igual a $1 510 y una varianza igual
a $900 en una semana.
22. Una empresa de servicio postal garantiza a su empresa que puede
reducir el tiempo promedio necesario para recibir un paquete a
menos de 2.5 das, que es lo que usted experimenta actualmente.
Despus de utilizar la nueva compaa en 17 ocasiones, el tiempo
de entrega promedio fue de 2.2 das y la desviacin estndar fue de
0.9 das. Debera cambiar su firma a la nueva empresa de
mensajera? Sea (X= 1%.
23. El representante de un grupo comunitario informa a una persona
que proyecta crear un centro comercial que el ingreso promedio
familiar en la zona es de S/.1500. Supngase que para el tipo de
zona en cuestin se puede suponer que el ingreso familiar est
distribuido normalmente y que la desviacin estndar se puede
aceptar como Cf = S/.200 basndose en un estudio anterior. Para
una muestra aleatoria de n= 10 familias se ha encontrado que el
ingreso medio por familia es de x = 1 400 . Probar que el ingreso

ULADECH

.417

medio familiar en la zona es diferente de S/.1500 al nivel de


significacin del 5%.
24. Es conocido por referencias histricas que las calificaciones de los
trabajadores de la empresa telefnica tienen un valor promedio de
200 puntos y una desviacin estndar de 16 puntos. Sin embargo,
en fechas recientes se evalu a un grupo de 64 trabajadores, que
obtuvieron una puntuacin media de 203.5. Dentro de un nivel de
confianza del 95%, puede decirse que la puntuacin de este grupo
es igual a 200 puntos, o, por e! contrario, la puntuacin de este
grupo es diferente a la referencia histrica de 200 puntos?
Prueba de hiptesis para la proporcin poblacional
25. Un poltico supone que menos del 60% de los votos de su territorio
le son favorables. Con el fin de verificar su conjetura selecciona una
muestra representativa compuesta de 200 votantes y aplica una
encuesta, obtenindose 100 respuestas a su favor. Probar que estos
resultados confirman la creencia del poltico, es decir, que los votos
favorables de su territorio son menos del 60%. Use a = 0.05.
26. Una revista X" (marzo 2002) inform que la insatisfaccin laboral
estaba alcanzando proporciones de epidemia. Un estimado del 70%
de los trabajadores del Per cambiaran de trabajo si pudieran. Si
esto es cierto en los trabajadores de su empresa, usted planea
instituir un programa para mejorar la moral de los empleados. Ud.
descubre que 1020 trabajadores de una muestra de 1500 expresan
su insatisfaccin con su trabajo. A un nivel de significancia del 5%
debera Ud. implementarel programa?
27. El gobierno sostiene que el 15% de las familias de una determinada
regin obtiene menos del salario mnimo establecido. Una muestra
al azar de 60 familias dio como resultado 12 familias en tales
condiciones. Probar que el gobierno no tiene razn. Use Ct = 0.05.
28. Se cree que al menos el 65% de los habitantes de cierta ciudad
favorece un nuevo proyecto. Qu conclusin se puede sacar si solo
120 de los de una muestra de 200 residentes apoyan dicho
proyecto? Usea = 0.01.
Prueba de hiptesis para la diferencia de dos medias poblacionales
29. Tienes una muestra aleatoria de tamao n de una poblacin
normal. Prueba la siguiente hiptesis al nivel de significancia de
0.01. Indica claramente el valor de la estadstica de prueba y la
decisin tomada.
H0 :

Hx = Hy

H|:|ax*|iy nx

= 45, ny = 60,

x=-2A, y

= -1,

Carmen Rosa Barreto Rodrguez

418

av = 2. a, = 8.
30. El Ministerio de Vivienda ha encargado un estudio a una empresa
de mercadeo sobre el precio de las viviendas nuevas en dos
distritos de Lima: A y B. La empresa encargada de realizar el
estudio ha recogido informacin sobre el precio del m2 de 45
viviendas de promotoras distintas seleccionadas al azar en el
distrito A y de 40 viviendas, tambin elegidas aleatoriamente en las
promociones de vivienda nueva existente, en el distrito B. En la
muestra aleatoria de viviendas del distrito A, el precio medio del m 2
ha resultado ser de 980 soles con una desviacin estndar de 90
soles, mientras que en la muestra B, el precio del m2 y la desviacin
estndar son respectivamente de S/.950 y S/.70 Puede aceptarse
que en los dos distritos no hay diferencia en el precio del m 2 de las
viviendas diferencia en el precio de nueva construccin para un
nivel de significacin del 5%?
31. Se quiere determinar la diferencia entre los tiempos promedios en
minutos que utilizan los hombres y las mujeres para realizar una
determinada tarea. Con este fin se escogen 16 hombres y 16
mujeres, resultando los tiempos promedios respectivos 40 y 35
minutos, y desviaciones estndar respectivas de 9 y 8 minutos.
Suponga que las poblaciones de ambos tiempos son
independientes y se distribuyen normalmente con varianzas
iguales. Al nivel de significacin del 1%, es el tiempo promedio de
hombres mayor al tiempo promedio de mujeres?
32. El gasto telefnico medio mensual en una muestra de 10 usuarios
elegidos al azar en una ciudad ha resultado ser S/. 90 y la
desviacin estndar, S/.11. En otra ciudad se ha tomado, de modo
independiente, otra muestra de 12 usuarios y los valores obtenidos
para la media y desviacin estndar mustrales han sido
respectivamente S/.80 y S/.10 Proporcionan estos datos suficiente
evidencia estadstica, ai nivel de significancia del 5%, a favor de la
hiptesis de que el gasto medio en la primera ciudad es ms alto
que el gasto medio en la segunda? Suponer que las varianzas de
las variables que indican los gastos telefnicos en ambas ciudades
son desconocidas pero diferentes.
33. La duracin media de una muestra de 10 bombillas es x = 1250
horas, con una desviacin estndar muestral de S = 115 horas. Se
cambia el material del filamento por otro nuevo, entonces, de una
muestra de 12 bombillas se obtuvo una duracin media de y = 1340
horas, con una desviacin estndar muestral ^ = 106 horas. Las
poblaciones son normales con varianzas desconocidas pero
x

ULADECH

.419

diferentes. A un nivel de significancia del 5% ha aumentado la


duracin media de las bombillas?
34. Dos conjuntos "idnticos" de 50 empleados se inscriben en dos
programas diferentes de capacitacin y luego se les practica una
prueba de aptitudes. La diferencia promedio en los puntajes es de
13.5, con una desviacin estndar en tales diferencias de 4.3 Qu
se concluye sobre la relativa eficacia de los programas de
formacin adicional? Use Ot =0.05.
35. Un analista de sistemas est aprobando la posibilidad de usar un
nuevo sistema de computadora. El analista cambiar el
procesamiento al nuevo sistema solo si hay pruebas de que el
nuevo sistema usa menos tiempo para el procesamiento que el
sistema antiguo. A fin de tomar una decisin se seleccion una
muestra de siete trabajos y se registr el tiempo de procesamiento,
en segundos, en los dos sistemas con los siguientes resultados:
Trabajo
Nuevo
Viejo
1

2
3
4
5
6
7

3
9
8
7
6
11

2
6
7
4
7
8

Al nivel de significancia del 1% usa el nuevo sistema menos tiempo


para el procesamiento?
Prueba de hiptesis para la diferencia de dos proporciones
poblacionales
36. Un patrocinador de un programa especial de televisin afirma que el
programa representa un atractivo mayor para los televidentes hombres
que para las mujeres, pero el personal de produccin del programa
piensa que es igual el porcentaje de televidentes hombres y mujeres
que ven el programa especial. Si una muestra aleatoria de 300
hombres y otra de 400 mujeres revel que 120 hombres y 120 mujeres

Carmen Rosa Barreto Rodrguez

420

estaban viendo el programa especial de televisin,


considerarse significativa la diferencia al nivel 0t = 0.05?

puede

37. Un investigador que trabaja con un departamento correccional cree que


entre los jvenes encarcelados por actos de violencia, el porcentaje de
ellos que fue educado en hogares superpoblados est muy por encima
del 10% respecto del porcentaje de personas encarceladas por todos
los dems crmenes que se educaron en hogares superpoblados. Para
obtener evidencia que apoye esta teora, el investigador tom
muestras aleatorias independientes de los registros de los ltimos cinco
aos en los dos tipos de criminales y obtuvo los siguientes resultados:
Tipo de delito

Tamao de muestra

Nmero de jvenes educados en hogares


superpoblados

Actos de violencia

200

132

Todos los dems

300

147

Proporciona estos datos evidencia suficiente como para fundamentar


la opinin del investigador al nivel de significancia del 5%?
38. Una agencia de publicidad realiz un estudio para comparar la
efectividad de un anuncio en la radio en dos distritos. Despus de
difundir dicho aviso, se realiz una encuesta telefnica con 600
personas seleccionadas al azar, que viven en cada uno de los
distritos, resultando proporciones 20% y 18%, respectivamente.
Verificar al nivel de significacin del 5% si son iguales las
proporciones de personas que escucharon dicho aviso en los dos
distritos mediante una prueba unilateral.
Regresin y correlacin lineal simple
39. Se efectu un estudio en donde se relacionan los puntajes de
aptitud con la productividad en un establecimiento industrial,
despus de tres meses de entrenamiento del personal. Sus
postulantes elegidos al azar obtuvieron los seis pares de puntaje de
aptitud y productividad que se indica en la tabla que se anexa:

ULADECH

.421

Productividad

Puntaje de aptitud (X)

(Y)

.9

23

12

30

15

33

17

35

20

40

23

45

Se pide:
a) Haga el diagrama de dispersin y analice la linealidad de las
variables.
b) Estime el modelo de regresin lineal estimado.
c) Interprete P,.
d) Pruebe si el coeficiente de regresin poblacional es diferente de
cero (P, * 0) con un nivel de significancia de 5%.
e) Calcule el coeficiente de determinacin r e interprete.
f) Grafique la linea de regresin estimada sobre el diagrama de
dispersin.
g) Determine la productividad esperada para un trabajador cuyo
puntaje de aptitud es de 50.
2

40. Una teora financiera popular sostiene que existe una relacin
directa entre el riesgo de una inversin y el rendimiento que
promete. El riesgo de una inversin se mide por medio del valora .
A continuacin se presentan los rendimientos y valores O para 10
acciones ficticias sugeridas por la empresa de inversiones CPI
Estos datos parecen confirmar esta teora financiera de una
relacin directa?
Accin

10

Rendimiento %

5.4

8.9

2.3

1.5

3.7

8.2

5.3 0.5

1.3

5.9

Valor a

1.5

1.9

1.0

0.5

1.5

1.8

1.3 0.5

0.5

1.8

Se pide:
a) Hacer el diagrama de dispersin para analizar la correlacin
positiva.

Carmen Rosa Barreto Rodrguez

422

b) Hallar el coeficiente de correlacin para confirmar la pregunta


dada.
c) Probar si el coeficiente de correlacin poblacional P es diferente de
cero(P^O)con cx= 0.05.
41. Como analista de Coca-Cola", su trabajo es utilizar los datos
proporcionados aqu para saber si los cambios en los precios son
efectivos para promover las ventas. Estos datos se tomaron en los
mercados de prueba seleccionados en toda la regin para el precio
de cada botella y las respectivas ventas realizadas. Las ventas
estn dadas en miles de soles.
Precio en soles

2.10 3.52 2.10 2.55 3.50 2.00 3.50 2.99 2.99 2.25

rx)
Ventas de Coca-cola en

35 25 21 19 23 31 24 31 20 19

miles (Y)

a) Graficar el diagrama de dispersin


b) Existe correlacin? Explique.
c) La correlacin es positiva o negativa?
42 El nmero de horas de estudio invertidas y las calificaciones finales en
un curso de matemticas de una muestra de 8 alumnos ha dado los
siguientes resultados:
Alumno
Horas de estudio
Calificacin

A,
14
12

A,

A.

A,

A,

A-

A,

16

22

20

18

lo

18

22

13

15

14

13

11

14

16

a) Determinar la recta de regresin de la calificacin sobre el nmero


de horas de estudio invertidas.
b) Calcular el grado de asociacin y determine si es significativo al
nivel del 5%.
43. Las calificaciones de un grupo de estudiantes en el examen parcial (X)
y en el examen final (Y) fueron los siguientes:

ULADECH

.423

12 08

10

13 09 14

17

11 18 12

15 13

12

13 11 12

15

12 17 15

a) Determine la ecuacin de regresin lineal de Y en X,


b) Pruebe la significacin de la pendiente poblacional con a = 0.05
44 Con os siguientes datos mustrales:
Coeficiente de

135

115

95

100

110

120

125

130

140

16

13

12

12

14

14

15

15

18

inteligencia IQ(X)

Notas de un examen (Y)

a) Hallar la ecuacin de regresin lineal de Y en X.


b) Determine el grado de asociacin entre Xe Y.
c) Pruebe la hiptesis (P= 0) contra la hiptesis (P = 0) con a = 0.05.
Prueba de Independencia Chi-Cuadrado
45. Se selecciona una muestra de 800 votantes y se les califica de
acuerdo a su nivel de ingresos como: bajo medio, alto, y segn su
opinin a una reforma impositiva en: a favor, en contra, sin
decisin. Las frecuencias observadas se dan en la siguieiil t.YvIa:
OPININ

A favor
En contra
Sin decisin

INGRESOS
BAJO

MEDIO

ALTO

200

130

70

60
40

60
60

80
100

Son independientes la opinin de los votantes y su nive! de ingresos.


Use a =0.05.
46. Se realiz un estudio para determinar si el tamao de la familia
depende del nivel de educacin del padre. La muestra se clasific
de acuerdo al nivel de educacin y al nmero de hijos, en la
siguiente tabla:

Carmen Rosa Barreto Rodrguez

Nivel de
Educacin

424

Nmero de Hijos
0a 1

5 a ms

Primaria

20

18

12

14

30

Secundari
a
Superior

50
12

25
6

18
4

16
8

24
12

Con estos datos se puede inferir que el tamao de la familia es


independiente del nivel de educacin del padre? Use a =0.05.
47. Con la finalidad de averiguar si las bajas notas finales obtenidas en
el curso de Estadstica General es producto de las pocas horas
dedicadas al estudio del curso durante el ciclo, se obtuvo la
siguiente informacin:
[0-5)

[5-10)

[0-3)

25

15

49

[3-6)
[6-9)

20
15

10
8

11
15

3
10

44
48

Total

60

33

34

14

141

Horas
dedicadas al
curso

[10-15) [15-20)

Total

Pruebe la hiptesis correspondiente. Use a =0.05.


48. Una encuesta para evaluar la poltica educativa del ramo se llev a
cabo con 218 padres de familia de tres estratos sociales A, B y C de
una pequea comunidad. Ante la pregunta est Ud. de acuerdo
con la poltica educativa del Ministerio?, se obtuvieron las
siguientes respuestas:

ULADECH

.425

Respuesta

Estrato
A

Total

SI

22

24

20

66

NO

50

42

60

152

Total

72

66

80

218

Realice la prueba de hiptesis correspondiente. Use a


=0.05.

49. En un estudio sobre el uso de sistemas operativos se han seleccionado


al azar a 240 profesores universitarios (PU), 165 profesionales tcnicos
(PT) de grado medio que trabajan en la industria y 163 personas con
cargos directivos (CD) en empresas. A cada uno de los seleccionados se
le ha
preguntado cul es el sistema operativo (A, B o C) que utiliza
habitualmente en su trabajo con ordenadores. Los resultados se resumen
en la siguiente tabla:
A

PU

52

130

58

PT
CD

42
28

60
60

63
75

Hay suficiente evidencia estadstica al nivel de significancia 5% para


concluir que existe alguna asociacin entre el status profesional y la
preferencia por un sistema operativo?

Carmen Rosa Barreto Rodrguez

426

CAPTULO 7
INTRODUCCION A LAS TCNICAS DE MUESTREO
El muestreo es una herramienta de la investigacin cientfica. Su
funcin bsica es determinar qu parte de la realidad en estudio de la
poblacin debe examinarse con la finalidad de hacer inferencias sobre
dicha poblacin. El error que se comete debido al hecho de que se
obtienen conclusiones sobre cierta realidad a partir de la observacin
de slo de una parte de ella se llama error de muestreo. Obtener una
muestra adecuada significa lograr una visin simplificada de la
poblacin, que reproduzca de algn modo sus rasgos bsicos.
7.1.
TIPOS DE MUESTREO
Se dividen en dos grandes grupos: muestreo probabilstico y no
probabilstico.
7.1.1.
Mtodos de Muestreo Probabilstico:
Los mtodos de muestreo probabilstico son aqullos que se basan en
el principio de la equiprobabilidad. Es decir, aqullos en los que todos
los individuos tienen la misma probabilidad de ser elegidos para formar
parte de una muestra y, consiguientemente, todas las posibles
muestras de tamao n tienen la misma probabilidad de ser elegidas.
Solo estos mtodos de muestreo probabilstico nos asegurarn la
representatividad de la muestra extrada y son por lo tanto los ms
recomendables. A continuacin le mostraremos los tipos de muestreo
probabilstico, as como sus caractersticas, ventajas e inconvenientes.
TABLA N 36

Caractersticas
Ventajas
Inconvenientes
Mtodos de
muestreo
probabilstic
o
Se
selecciona
una Sencillo y de fcil com- Requiere que se posea
Muestreo
muestra de tamao n prensin.
de
antemano
un
Aleatorio
de una poblacin de N Clculo
rpido
de listado completo de
Simple

unidades,
cada medias y varianzas.
toda la poblacin.
segmento tiene una Se basa en la teora Cuando se trabaja con
probabilidad
de estadstica, y por tanto muestras pequeas es
inclusin
igual
y existen
paquetes posible
que
no
conocida de n/N.
informticos
para represente
a
la
analizarlos datos.
poblacin
adecuadamente.

ULADECH

.427

Conseguir un listado Fcil de aplicar.


Si la constante de
de los N elementos
No
siempre
es muestreo est asociada
de la poblacin.
necesario
tener
un con el fenmeno de
Determinar el tamao listado de toda la inters,
las
muestral n.
poblacin.
estimaciones obtenidas
Definir un intervalo
Cuando la poblacin a partir de la muestra
k=N/n. Elegir un
est
ordenada pueden contener sesgo
nmero aleatorio, r, siguiendo
una de seleccin.
entre 1 y k (r =
tendencia
conocida,
arranque aleatorio). asegura una cobertura
Seleccionar los
de unidades de todos
elementos de la lista. los tipos.
En ciertas ocasiones Tiende a asegurar que Se ha de conocer la
Muestreo
resultar conveniente la muestra represente distribucin
en
la
Aleatorio
de
las
Estratificado estratificar la muestra adecuadamente a la poblacin
segn ciertas variables poblacin en funcin variables
utilizadas
de inters. Para ello de
unas
variables para la estratificacin.
debemos conocer la seleccionadas.
composicin
Se
obtienen
estratificada
de
la estimaciones
ms
poblacin objetivo a precisas.
muestrear. Una vez Su
objetivo
es
calculado el tamao conseguir una muestra
muestral
apropiado, lo
ms
semejante
ste se reparte de posible a la poblacin
manera
proporcional en lo que a la o las
entre
los
distintos variables estratificadas
estratos definidos en la se refiere.
poblacin
usandovarias
una Es
Se
realizan
muy
eficiente El error estndar es
Muestreo
fases
de
muestreo
cuando la poblacin es mayor
que
en
el
Aleatorio
(polie- muy
grande
y muestreo
aleatorio
Conglomerad sucesivas
tpico).
dispersa.
simple o estratificado.
o
La
necesidad
de No es preciso tener un El clculo del error
listados
de
las listado de toda la estndar es complejo
unidades de una etapa poblacin, slo de las
se limita a aquellas unidades primarias de
unidades de muestreo muestreo.
seleccionadas en la
etapa anterior.
Muestreo
Aleatorio
Sistemtico

7.1.2.
Mtodos de Muestreo No Probabilstico
A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, an
siendo conscientes de que no sirven para realizar generalizaciones,
pues no se tiene certeza de que la muestra extrada sea representativa,
ya que no todos los sujetos de la poblacin tienen la misma
probabilidad de ser elegidos. En general se selecciona a los sujetos
siguiendo determinados criterios procurando que la muestra sea
representativa. Entre los ms conocidos se tiene:
a) Muestreo por cuotas
Tambin denominado en ocasiones accidental". Se asienta
generalmente sobre la base de un buen conocimiento de los estratos de

Carmen Rosa Barreto Rodrguez

428

la poblacin y/o de los individuos ms representativos o adecuados


para los fines de la investigacin. Mantiene, por tanto, semejanzas con
el muestreo aleatorio estratificado, pero no tiene el carcter de
aleatoriedad de aqul.
En este tipo de muestreo se fijan unas cuotas que consisten en un
nmero de individuos que renen unas determinadas condiciones, por
ejemplo: 20 individuos de 25 a 40 aos, de sexo femenino y residentes
en Chimbte. Una vez determinada la cuota se eligen los primeros que
se encuentren que cumplan esas caractersticas. Este mtodo se utiliza
mucho en las encuestas de opinin.
b) Muestreo opintico o intencional
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de
obtener muestras representativas mediante la inclusin en la muestra
de grupos supuestamente tpicos. Es muy frecuente su utilizacin en
sondeos preelectorales en zonas que en anteriores votaciones han
marcado tendencias de voto.
c) Muestreo casual o incidental
Se trata de un proceso en el que el investigador seleccionada directa e
intencionalmente a los individuos de la poblacin. El caso ms
frecuente de este procedimiento es utilizar como muestra a los
individuos a los que se tiene fcil acceso (los profesores de universidad
emplean con mucha frecuencia a sus propios alumnos). Un caso
particulares el de los voluntarios.
d) Bola de nieve
Se localiza a algunos individuos, los cuales conducen a otros, y stos a
otros, y as hasta conseguir una muestra suficiente. Este tipo se emplea
muy frecuentemente cuando se hacen estudios con poblaciones
marginales, delincuentes, sectas, determinados tipos de enfermos,
etc.
7.2.
7.2.1.

CLCULO DELTAMAO MUESTRAL


Para el Muestreo Aleatorio Simple

a) Cuando el parmetro es la media poblacional (fi ).


Caracterstica de la poblacin

Tamao de la poblacin infinito o desconocido.

Tamao de muestra

-V

ULADECH

.429

Tamao de la poblacin finita.


n

Z^x^xN Zt0/2X o2+e2x(N-1)

Donde:
n

Tamao de la muestra.

Tamao de la poblacin.

Lmite de confianza requerido segn la distribucin de Gauss Zo.975= 1.96 para a=0.05; Z0.995 = 2.576
para a = 0.01
a

Valor de la varianza poblacional. En caso de no conocerse se estima por la varianza muestral (s 2).

Error que se prev cometer.

Ejemplo 137:
Muchos abogados que trabajan en oficinas de Lima tambin trabajan
en casa o en su oficina durante los fines de semana. De qu tamao
debe ser una muestra para estimar la media poblacional del tiempo
que se trabaja los fines de semana, con un margen de error de 10
minutos? Emplee un nivel de confianza del 95%. Suponga que el valor
de la desviacin estndar poblacional es de 45 minutos.
Solucin:
Obteniendo los datos necesarios para hallar el tamao muestral.
g =

45

minutos o2 =

2025

minutos2.

l-a=0.95

->a/2 = 0.025->Zo.975= 1 96

e = 10

minutos

Tamao de la poblacin infinito o desconocido.


Entonces:

(1.96)2 x 2025

n =------------ ------=

Carmen Rosa Barreto Rodrguez

430

(10)2
n = 77.7 78

abogados,

b) Cuando el parmetro es la proporcin poblacional (P).


Caracterstica de la poblacin

Tamao de la poblacin infinito o desconocido.

Tamao de la poblacin finito.

Tamao de muestra

n=

Z,Lx

PxQ

Z?.ali xPxQxN ZLi: xPxQ + e\(N


Y)

Tamao de la muestra.

Tamao de la poblacin.

Z|.a/2
Lmite de confianza requerido segn la distribucin de Gauss Zow = 1-96 para a -0.05: Z0995 =2.576 para a
= 0.01
P

Valor de la proporcin poblacional que tiene una caracterstica dada. En caso de no conocerse se estima por
la proporcin muestral (p). En la opcin ms desfavorable se considera P = 0.5, que hace mayor el tamao
muestral.

1-P

Error que se prev cometer.

Ejemplo 138:
Una encuesta de The Wall Street Journal y NBC reuni datos acerca de
cmo consideran los estadounidenses la calidad de la informacin en
los diarios y en TV (The Wall Street Journal, 27 de junio de 1997). Una
de las preguntas fue si el encuestado cree que lo que se dice de la
economa de los Estados Unidos es equilibrado, demasiado negativo o
demasiado positivo. Los estimados preliminares son que un 50% de la

ULADECH

.431

poblacin cree que la economa es equilibrada. Qu tamao de


muestra se recomienda para que el margen deseado de error sea de
3.3%. Emplee el 95% del nivel de confianza.
Solucin:
Obteniendo los datos necesarios para hallar el tamao de muestra.
p = 0.5 q = 0.5
1

- a = 0.95 a = 0.05 Z0.975 =

1 .96

e = 0.033

Tamao de la poblacin infinito o desconocido.


Entonces:
z

0.97SxP*q
e2

(1.96)2 x 0.5 x 0.5


(0.033)

^2

n = 881.9 = 882 personas.


7.2.2.
Para el Muestreo Aleatorio Sistemtico
El tamao de la muestra se puede calcular mediante el muestreo
aleatorio simple y luego proceder a usar la tcnica adecuada para la
seleccin de la muestra.
7.2.3.
Para el Muestreo Aleatorio Estratificado
La distribucin de la muestra en funcin de los diferentes estratos se
llama afijacin y puede ser de diferentes tipos:
- Afijacin simple: a cada estrato le corresponde igual nmero de
elementos.
- Afijacin proporcional: la distribucin se hace de acuerdo con el
peso (tamao) de la poblacin en cada estrato.

N,

n,

= -xn

'

Afijacin ptima: se tiene en cuenta la previsible dispersin de los


resultados, de modo que se considere la proporcin y la dispersin
tpica. Tiene poca aplicacin ya que no se suele conocer la
desviacin.
Ejemplo 139:
Supongamos que estamos interesados en estudiar el grado de
aceptacin que la implantacin de la reforma educativa ha tenido entre

Carmen Rosa Barreto Rodrguez

432

los padres de una determinada provincia. A tal efecto seleccionamos


una muestra de 600 sujetos. Conocemos por los datos del ministerio
que de los 10000 nios escolarizados en las edades que nos interesan,
6000 acuden a colegios pblicos, 3000 a colegios privados parroquiales
y 1000 a colegios privados no parroquiales. Como estamos interesados
en que en nuestra muestra estn representados todos los tipos de
colegio, realizamos un muestreo estratificado empleando como variable
de estratificacin el tipo de centro.
Si empleamos una afijacin simple elegiramos 200 nios de cada tipo
de centro, pero en este caso parece ms razonable utilizar una afijacin
proporcional pues hay bastante diferencia en el tamao de los estratos.
Por consiguiente, calculamos qu proporcin supone cada uno de los
estratos respecto de la poblacin para poder reflejarlo en la muestra.
Colegios pblicos: = = o.60 ;V
10000
Colegios privados parroquiales: = ^000 _
N 10000

~
, W 1000
Colegios privados no parroquiales: =------------= 0.10

N 10000

Para conocer el tamao de cada estrato en la muestra no tenemos ms


que multiplicar esa proporcin por el tamao muestral.
Colegios pblicos: i

N2

Colegios privados parroquiales: n2 = x / i = 0.30x600 = 180


Colegios privados no parroquiales: 3 - f x - 0.10x600 - 60
7.2.4.
Para El MuestreoAleatorio por Conglomerado
Se puede elegir los conglomerados mediante el muestreo aleatorio
simple o sistemtico. Cuando se observa todas las unidades
elementales en las agrupaciones mustrales, tenemos lo que se conoce
como muestreo MONOETPICO. Cuando se extrae una muestra de las
unidades elementales de las agrupaciones, tenemos el llamado
muestreo BIETPICO. Cuando el muestreo se lleva en varias etapas se
conoce como POLIETPICO.

ULADECH

.433

Ejemplo 140:
En una investigacin en la que se trata de conocer el grado de
satisfaccin laboral de los profesores de instituto necesitamos una
muestra de 700 sujetos. Ante la dificultad de acceder individualmente a
estos sujetos se decide hacer una muestra por conglomerados.
Sabiendo que el nmero de profesores por instituto es
aproximadamente de 35, los pasos a seguir seran los siguientes:
1. Recoger un listado de todos los institutos.
2. Asignar un nmero a cada uno de ellos.
3. Elegir por muestreo aleatorio simple o sistemtico los 20
institutos (700/35=20) que nos proporcionarn los 700
profesores que necesitamos.
PROBLEMAS PROPUESTOS N 7
1. De qu tamao debe ser una muestra para poder tener el 95%
de confianza de que el error muestral es del 5% a menos?
Suponga que la desviacin estndar de la poblacin es de 0.25.
2. Hallar el tamao de muestra para estimar la media de una
poblacin con los siguientes datos:

N = 10000 e =15 1 - a = 0.95 a =25


3. Para conocer la proporcin de familias de una ciudad que tiene
problemas judiciales por hipoteca de su vivienda con una entidad
bancaria. se nuir-re calcular una muestra aleatoria de tamao n
Calcule el valor mnimo de n para garantizar que a un nivel del 95%,
el error de estimacin sea menor que 0.05. (como se desconoce la
proporcin, se ha de tomar el caso ms desfavorable, que ser 0.5)
4. Calcular el tamao de muestra si:

N = 5000 e = 0.03 1 - a = 0.99 p =


0.6
5. Se cree que los sueldos anuales iniciales de egresados de licenciatura
en
administracin de empresas pueden tener una desviacin estndar
aproximada de $2000 dlares. Suponga que se desea un estimado
de intervalo de 95% de nivel de confianza para la media del sueldo
anual inicial. De qu tamao debe tomarse la muestra, si el margen
de error es:
a) $500

b)$200 c)$100

6. El Departamento de Vivienda y Desarrollo Urbano de Estados


Unidos publica datos acerca del alquiler mensual de viviendas

Carmen Rosa Barreto Rodrguez

434

con una recmara en reas metropolitanas. La desviacin


estndar de la renta mensual es aproximadamente de $80
dlares. Suponga que se debe seleccionar una muestra de reas
metropolitanas para estimar la media de la poblacin de la renta
mensual de viviendas con una recmara. Emplee el nivel de
confianza de 95%.
a) De qu tamao debe ser la muestra para que el margen de
error deseado sea de $25 dlares?
b) De qu tamao debe ser la muestra para que el error deseado
sea de 515 dlares?
7. Se pidi a una muestra de 200 personas identificar su principal
fuente de informacin de noticias, 110 dijeron que esa fuente es
los noticieros televisivos. Qu tamao debe tener una muestra
para estimar la proporcin de la poblacin, con un margen de
error igual a 0.05 y un nivel de confianza de 95%?

*
*
*
*

8. En un instituto de enseanza secundaria se ofertan los


siguientes tipos de enseanza:
Ciclos de grado superior: 110 alumnos.
Bachillerato: 162 alumnos.
Ciclo grado superior: 210 alumnos.
2o ciclo de enseanza secundaria obligatoria: 338 alumnos.
Se pretende valorar las faltas de ortografa que cometen los
alumnos del centro mediante una prueba de dictado de un texto de
20 lneas. Las pruebas se pasarn a una muestra de 50 alumnos
para minimizar el costo en tiempo y medios. Qu muestreo llevara
a cabo?

9. De una poblacin de 1000 personas, elija una muestra de 100


mediante:
a) Un muestreo aleatorio simple.
b) Mediante un muestreo aleatorio sistemtico.

APNDICE

ULADECH

.435

Tabla I: Tabla de la Distribucin Binomial Acumulada

n=5
0
X

1
2
3
4

n = 10

0.05

0.10

0.95
1
0.99
9
1.00
0
1.00
0
1.00
0

0.77
4
0.97
7
0.99
9
1.00
0
1.00
0

0.590 0.32
8
0.919 0.73
7
0.910 0.94
2
1.000 0.99
3
1.000 1.00
0

0.25

0.30

0.40

0.50

0.60

0.60

0.70

0.75

0.80

0.90

0.95

0.99

0.237 0.16
8
0.633 0.52
8
0.896 0.83
7
0.984 0.96
9
0.990 0.99
8

0.07
8
0.33
7
0.68
3
0.91
3
0.99
0

0.03
1
0.18
8
0.50
0
0.81
2
0.96
9

0.01
0
0.08
7
0.31
7
0.66
3
0.92
2

0.01
0
0.08
7
0.31
7
0.66
3
0.92
2

0.00
2
0.03
1
0.16
3
0.47
2
0.83
2

0.00
1
0.01
6
0.10
4
0.36
7
0.76
3

0.00
0
0.00
7
0.05
8
0.26
3
0.67
2

0.00
0
0.00
0
0.00
9
0.08
1
0.41
0

0.00
0
0.00
0
0.00
1
0.02
3
0.22
6

0.000

0.904

0.599 0.349 0.107 0.056

0.028 0.006 0.001

0.996

0.914 0.736 0.376 0.244

0.149 0.046 0.011

1.000

0.988 0.930 0.678 0.526

0.383 0.167 0.055

1.000

0.999 0.987 0.879 0.776

0.650 0.382 0.172

1.000

1.000 0.998 0.967 0.922

0.850 0.633 0.377

1.000

1.000 1.000 0.994 0.980

0.953 0.834 0.623

1.000

1.000 1.000 0.999 0.996

0.989 0.945 0.828

1.000

1.000 1.000 1.000 1.000

0.998 0.988 0.945

1.000

1.000 1.000 1.000 1.000

1.000 0.998 0.989

1.000

1.000 1.000 1.000 1.000

1.000 1.000 0.999

1
2
3
4
5
6
7
8
9
10
11
12
13
14

n = 20

0.20

0.25

0.05

0.10

0.20

0.01

n = 15

0.01

0.30

0.40

0.50

0.80

0.90

0.95

0.000
0.000
0.001
0.049

0.60

0.70

0.75

0.99

0.00
0
0.00
2
0.01
2
0.05
5
0.16
6
0.36
7
0.61
8
0.83
3
0.95
4
0.99
4

0.00
0
0.00
0
0.00
2
0.01
1
0.04
7
0.15
0
0.35
0
0.61
7
0.85
1
0.97
2

0.000 0.000

0.000 0.000

0.000

0.000 0.000

0.000 0.000

0.000

0.000 0.000

0.000 0.000

0.000

0.004 0.001

0.000 0.000

0.000

0.020 0.006

0.000 0.000

0.000

0.078 0.033

0.002 0.000

0.000

0.224 0.121

0.013 0.001

0.000

0.474 0.322

0.070 0.012

0.000

0.756 0.624

0.264 0.086

0.004

0.944 0.893

0.651 0.401

0.096

p
0.01

0.05

0.10

0.20

0.25

0.30

0.40

0.50

0.60

0.70

0.75

0.80

0.90

0.95

0.99

0.86
0
0.90
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0

0.46
3
0.82
9
0.96
4
0.99
5
0.99
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0

0.20
6
0.54
9
0.81
6
0.94
4
0.98
7
0.99
8
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0

0.03
5
0.16
7
0.39
8
0.64
8
0.83
6
0.93
9
0.98
2
0.99
6
0.99
9
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0

0.01
3
0.08
0
0.23
6
0.46
1
0.68
6
0.85
2
0.94
3
0.98
3
0.99
6
0.99
9
1.00
0
1.00
0
1.00
0
1.00
0
1.00
0

0.00
5
0.03
5
0.12
7
0.29
7
0.51
5
0.72
2
0.86
9
0.95
0
0.98
5
0.99
6
0.99
9
1.00
0
1.00
0
1.00
0
1.00
0

0.00
0
0.00
5
0.02
7
0.09
1
0.21
7
0.40
2
0.61
0
0.78
7
0.90
5
0.96
6
0.99
1
0.99
8
1.00
0
1.00
0
1.00
0

0.00
0
0.00
0
0.00
4
0.01
8
0.05
9
0.15
1
0.30
4
0.50
0
0.69
6
0.84
9
0.94
1
0.98
2
0.99
6
1.00
0
1.00
0

0.00
0
0.00
0
0.00
0
0.00
2
0.00
9
0.03
4
0.09
5
0.21
3
0.39
0
0.59
7
0.78
3
0.90
9
0.97
3
0.99
5
1.00
0

0.00
0
0.00
0
0.00
0
0.00
0
0.00
1
0.00
4
0.01
5
0.05
0
0.13
1
0.27
8
0.48
5
0.70
3
0.87
3
0.96
5
0.99
5

0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
1
0.00
4
0.01
7
0.05
7
0.14
8
0.31
4
0.53
9
0.76
4
0.92
0
0.98
7

0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
1
0.00
4
0.01
8
0.06
1
0.16
4
0.35
2
0.60
2
0.83
3
0.96
5

0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
2
0.01
3
0.05
6
0.18
4
0.45
1
0.79
4

0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
1
0.00
5
0.03
6
0.17
1
0.53
7

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.010
0.140

Carmen Rosa Barreto Rodrguez


0.01

0.10

0.20

0.25

0.30

0.40

0.50

0.60

0.70

0.818 0.358

0.122 0.012 0.003

0.001 0.000 0.000 0.000 0.000

0.983 0.736

0.392 0.069 0.024

0.008 0.001 0.000 0.000 0.000

0.999 0.925

0.677 0.206 0.091

0.035 0.004 0.000 0.000 0.000

1.000 0.984

0.867 0.411 0.225

0.107 0.016 0.001 0.000 0.000

1.000 0.997

0.957 0.630 0.415

0.238 0.051 0.006 0.000 0.000

1.000 1.000

0.989 0.804 0.617

0.416 0.126 0.021 0.002 0.000

1.000 1.000

0.998 0.913 0.786

0.608 0.250 0.058 0.006 0.000

1.000 1.000

1.000 0.968 0.898

0.772 0.416 0.132 0.021 0.001

1.000 1.000

1.000 0.990 0.959

0.887 0.596 0.252 0.057 0.005

1.000 1.000

1.000 0.997 0.986

0.952 0.755 0.412 0.128 0.017

10

1.000 1.000

1.000 0.999 0.960

0.983 0.872 0.588 0.245 0.048

11

1.000 1.000

1.000 1.000 0.999

0.995 0.943 0.748 0.404 0.113

12

1.000 1.000

1.000 1.000 1.000

0.999 0.979 0.868 0.584 0.228

13

1.000 1.000

1.000 1.000 1.000

1.000 0.994 0.942 0.750 0.392

14

1.000 1.000

1.000 1.000 1.000

1.000 0.998 0.979 0.874 0.584

15

1.000 1.000

1.000 1.000 1.000

1.000 1.000 0.994 0.949 0.762

16

1.000 1.000

1.000 1.000 1.000

1.000 1.000 0.999 0.984 0.893

17

1.000 1.000

1.000 1.000 1.000

1.000 1.000 1.000 0.996 0.965

18

1.000 1.000

1.000 1.000 1.000

1.000 1.000 1.000 0.999 0.992

19

1.000 1.000

1.000 1.000 1.000

1.000 1.000 1.000 1.000 0.999

0.01

0.10

0.30

n = 25
0

0.05

436

0.05

0.20

0.25

0.40

0.50

0.60

0.70

0.75

0.80

0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
0
0.00
1
0.00
4
0.01
4
0.04
1
0.10
2
0.21
4
0.38
3
0.58
5
0.77
5
0.90
9
0.97
6
0.99
7

0.000 0.000 0.000 0.000

0.90

0.95

0.99

0.75

0.80

0.000 0.000 0.000 0.000


0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000
0.000 0.000 0.000 0.000
0.001 0.000 0.000 0.000
0.003 0.000 0.000 0.000
0.010 0.000 0.000 0.000
0.032 0.000 0.000 0.000
0.087 0.002 0.000 0.000
0.196 0.011 0.000 0.000
0.370 0.043 0.003 0.000
0.580 0.133 0.016 0.000
0.794 0.323 0.075 0.001
0.931 0.608 0.264 0.017
0.988 0.878 0.642 0.182

0.90

0.95

0.99

0.778 0.277 0.072 0.004 0.001

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

0.000 0.000

0.974 0.642 0.271 0.027 0.007

0.002 0.000 0.000 0.000 0.000 0.000 0.000 0.000

0.000 0.000

0.980 0.873 0.537 0.098 0.032

0.009 0.000 0.000 0.000 0.000 0.000 0.000 0.000

0.000 0.000

1.000 0.966 0.764 0.234 0.096

0.033 0.002 0.000 0.000 0.000 0.000 0.000 0.000

0.000 0.000

1.000 0.993 0.902 0.421 0.214

0.090 0.009 0.000 0.000 0.000 0.000 0.000 0.000

0.000 0.000

1.000 0.999 0.967 0.617 0.378

0.193 0.029 0.002 0.000 0.000 0.000 0.000 0.000

0.000 0.000

1.000 1.000 0.991 0.780 0.561

0.341 0.074 0.007 0.000 0.000 0.000 0.000 0.000

0.000 0.000

1.000 1.000 0.998 0.891 0.727

0.512 0.154 0.022 0.001 0.000 0.000 0.000 0.000

0.000 0.000

1.000 1.000 1.000 0.953 0.851

0.677 0.274 0.054 0.004 0.000 0.000 0.000 0.000

0.000 0.000

1.000 1.000 1.000 0.994 0.929

0.811 0.425 0.115 0.013 0.000 0.000 0.000 0.000

0.000 0.000

10

1.000 1.000 1.000 0.983 0.970

0.902 0.586 0.212 0.034 0.002 0.000 0.000 0.000

0.000 0.000

11

1.000 1.000 1.000 0.994 0.980

0.956 0.732 0.345 0.078 0.006 0.001 0.000 0.000

0.000 0.000

12

1.000 1.000 1.000 0.998 0.997

0.983 0.846 0.500 0.154 0.017 0.003 0.000 0.000

0.000 0.000

13

1.000 1.000 1.000 1.000 0.999

0.994 0.922 0.655 0.268 0.044 0.020 0.002 0.000

0.000 0.000

14

1.000 1.000 1.000 1.000 1.000

0.998 0.966 0.788 0.414 0.098 0.030 0.006 0.000

0.000 0.000

15

1.000 1.000 1.000 1.000 1.000

1.000 0.987 0.885 0.575 0.189 0.071 0.017 0.000

0.000 0.000

16

1.000 1.000 1.000 1.000 1.000

1.000 0.996 0.946 0.726 0.323 0.149 0.047 0.000

0.000 0.000

17

1.000 1.000 1.000 1.000 1.000

1.000 0.999 0.978 0.846 0.488 0.273 0.109 0.002

0.000 0.000

18

1.000 1.000 1.000 1.000 1.000

1.000 1.000 0.993 0.926 0.659 0.439 0.200 0.009

0.000 0.000

19

1.000 1.000 1.000 1.000 1.000

1.000 1.000 0.998 0.971 0.807 0.622 0.383 0.033

0.001 0.000

20

1.000 1.000 1.000 1.000 1.000

1.000 1.000 1.000 0.994 0.910 0.786 0.579 0.098

0.007 0.000

21

1.000 1.000 1.000 1.000 1.000

1.000 1.000 1.000 0.998 0.967 0.904 0.766 0.236

0.034 0.000

22

1.000 1.000 1.000 1.000 1.000

1.000 1.000 1.000 1.000 0.991 0.968 0.902 0.463

0.127 0.002

23

1.000 1.000 1.000 1.000 1.000

1.000 1.000 1.000 1.000 0.980 0.993 0.973 0.729

0.358 0.026

24

1.000 1.000 1.000 1.000 1.000

1.000 1.000 1.000 1.000 1.000 0.999 0.996 0.928

0.723 0.222

Tabla II: Tabla de la Distribucin de Poisson Acumulada.

ULADECH

.437

.1

.2

0.905

0.995

1.000

0.81
9
0.98
2
0.99
9
1.00
0

3
4

.3

X ____________________
.4

.5

.6

.7

.8

.9

1.0

0.741 0.670

0.607

0.549

0.497

0.449

0.407

0.368

0.963 0.938

0.910

0.878

0.844

0.809

0.772

0.736

0.996 0.992

0.986

0.977

0.966

0.953

0.937

0.920

1.000 0.999

0.998

0.997

0.994

0.991

0.987

0.981

1.000

1.000

1.000

0.999

0.999

0.998

0.996

1.000

1.000

1.000

0.999

5
6

1.000
2.0

3.0

4.0

5.0

6.0

7.0

8.0

9.0

10.0

15.0

20.0

0.135

0.050

0.018

0.007

0.002

0.001

0.000

0.000

0.000

0.000

0.000

0.406

0.199

0.092

0.040

0.017

0.007

0.003

0.001

0.000

0.000

0.000

0.677

0.423

0.238

0.125

0.062

0.030

0.014

0.006

0.003

0.000

0.000

0.857

0.647

0.433

0.265

0.151

0.082

0.042

0.021

0.010

0.000

0.000

0.947

0.815

0.629

0.440

0.285

0.173

0.100

0.055

0.029

0.001

0.000

0.983

0.961

0.785

0.616

0.446

0.301

0.191

0.116

0.067

0.003

0.000

0.995

0.966

0.889

0.762

0.606

0.450

0.313

0.207

0.130

0.008

0.000

0.999

0.988

0.949

0.867

0.744

0.599

0.453

0.324

0.220

0.018

0.001

1.000

0.996

0.979

0.932

0.847

0.729

0.593

0.456

0.333

0.037

0.002

0.999

0.992

0.968

0.916

0.830

0.717

0.587

0.458

0.070

0.005

10

1.000

0.997

0.986

0.957

0.901

0.816

0.706

0.583

0.118

0.011

11

0.999

0.995

0.980

0.947

0.888

0.803

0.697

0.185

0.021

12

1.000

0.998

0.991

0.973

0.936

0.876

0.792

0.268

0.039

13

0.999

0.996

0.987

0.966

0.926

0.864

0.363

0.066

14

1.000

0.999

0.994

0.983

0.959

0.917

0.466

0.105

15

0.990

0.998

0.992

0.978

0.951

0.568

0.157

16

1.000

0.999

0.996

0.989

0.973

0.664

0.221

1.000

0.998

0.995

0.986

0.749

0.297

18

0.999

0.998

0.993

0.819

0.381

19

1.000

0.999

0.997

0.875

0.470

1.000

0.998

0.917

0.559

21

0.999

0.947

0.644

22

1.000

0.967

0.721

23

0.981

0.787

24

0.989

0.843

25

0.994

0.888

26

0.997

0.922

27

0.998

0.948

28

0.999

0.966

29

1.000

0.978

17

20

30

0.987

31

0.992

32

0.995

33

0.997

34

0.999

35

0.999

36

1.000

Carmen Rosa Barreto Rodrguez

438

000

a w W W W M N W K) K) W _K> M K _k -k _k _k -A -x _* - o O O O O O O O O O > 3 > O O > O J J -* J- -* -A -k -A _N> > JO ro K> N> _N> K> N
K K> > J W W U U M J O () 00 Vj o OI i, ii M o '(f Vj "o w k W N O 00 -J O "o< A W M O O * N W ik i m "(O "o ro W A W <J> 'J 00 *(C O *
M W ik W OI Vj O) 'jo o *-* M w

O O OOO O O OOOO O O OO OO O OO O OO OO O OOO OO O OOO OO O O OO O O O O O O O poo o o o o o o oo o ooo o o oo o oo


bbbb(ob(oio'(oio'(obbio'(Oub(oio(OUbcD<B^s^b)b)b)in(nbibi&AiUUwroMk)^^^abbbbb'o'obbbbbbbbbbb'obbb
iffU)ifa)u)u)iDioio(oo5cnco'i'jo)ui^u-OCoffik-*05iwi)yi-'jwooo)wcokO'j^-a)iu-*(ocotnoiAuioo---i.ooooooooooo
IO(OU)) 0}COSOt(nU*(OOIK)'l-&OiOlWIOU^A-kO< 05Ca(nJOlM(0(OOOOOwSooftM-*.O)OlWCI> 00)fcOIWOOW'JWO< 0)ftUN)-J-000
'4WUOS-*fcCnWDW--WWi6rorOWK)IOWW-0->IW.lOWWOOK)'J-OIOlUOU)-iSS-COCOWCOmU)'JOO(fi( 0'JfOtv)NWO^I>WO'JinW

oo op oo ooo pop po oooo ooo po op op oppp p ppo pppp oo ppoo ooo pppp p op oo ooo oopo po oooo

0
b

bbbbbbbbbbbbiobbbbbbbbbbba^^sin'o)(uibi(n&ikii.uuuoNo^'>>^libbbbbbbbbbbbbbbbbbbbbb
ID(0(CU)lD(lDU)li)(I)( 001C0'JS 0'&WN)OC0tnA-l0|JlNI0UlM0JikOI0Ul-SbO'JUOCSWW-*(0S(nUlikWMr0JJ-OOOOOOOOOOO

i i 5 i c i o ( o c s c o > v j o ) ( fl A r o ) ( n w M - f r O ) ( 7 i 6 i O i k o i m w c o - _ K o w i o - * u u i a i O )
(n cBo wo cs io - (nw uw) www w coK)' Ju octo )i uK )- i- o ooo

'!UlU^-4K)(nO)VlOOO)ftOlCOU)U)AUIA'J(OIOOlOOOIO>k-kO^SNCOOOK)COWIOOUIU) 01kK)UiaauOl^OlK)-i|OfrOlfrOOUl^UlO)U(OSUlW
OOOO00000000000000000000000000000000000OOOOOOopoppppppppppoooopooooooo
bbbbbbbbbbbbbbbbioiobbbboocDa^ssbibiniiniu^fr'uuuioMro^^aabbbbbbbbbbbbbbbbbbbbbb
lDlDU)lDlDC0U)lDl)(DU)a)tC 0'JS0)ln^UK)OCB0ltkr0l00)U(0(JIK)03AOI0l-i'JUOIT)UO'4lW-U0>l(nWAWWW---OOOOOOOOOOO
(0l0(0C0a)NlCnirHkK)l 00>W09N)W'J*J0CDC0a)01-*wtK)0JK)WSSC0NWNi'J-gin0>CW-*ausft0(0lk>|a>|WOJ0likWK)--*OOOO
00OU0>0>UfrSKJ 0)030)^K)< 0MfrOi00Oi-kCBOOM(D0iK)Ul0)0)-C0(0&M&0>WO)>l^A'JOK)K)00(0&U&MUa)0)UiU

0
0
) K
'4ViD.aMK)0)'l0I^K)00
)

0000000000000000000000000000000000000000000000000000000000000000000000
0bbbbbbbbbbbbbbbbbbbbbb'oonb>iss*<inbbbibiiCkL.frwuk)k)K)k>alklkl 4bbbbbbbbbbbbbbbbbbbbbb
lDICl0U5lDUJl0l0lD(J3U)llJa)a)SM 0)UifcWN)O(fi'lfcf 0(0(JIUO(Jl(v)l 0Ut-a)tOSWIfimWO'JUl(0OID'J 0)UlfrWNM--*OOOOOOOOOOOO
(OU)(OIDCOOO>IOIOi^K)OMh)COU) 0>COCO*4UCOOOO)UO)'J<n-kffl(0->-iK)COa)(OOWCOlkMUOl-*(OU)^ 0)U^^UO)-kOIK)IO'>JO<frUK)--iOOOO
'j0ift-*0)W'JC0'jww-*-*ftMfcw(iO0>W'Jt(f('>JW'JU) 6uO'JOOwO'J0i-W'iwwyi0WC0kO0)a<ncDWff)(fii0i'iwMW'if0U)0>^w

0
b
c
o

p pppp pp ppp pp pup pp pp ppp pp ppp pp pppp p pppp p ppo pppp ppp pp ppp pp pop pop ppp oo oo o

soo

0.04

bbbiioifbii)bibbbbiciobicii)bDDB!'cows>issJiai(f'wif'&ffcUuk)K)k)N)JJJjbbbbbbbbbbbbbbbbbbbbbb
UI({ll0(OlO(OIDIlllOip(O(OCOOO'J^OIUiAUK)OU)SVilO(S*IUO* 4U<0(A->OO>Oa)UUO)MO'J(>KJOlO'4OIUllkUK)K)-k-OOOOOOOOOOOO
U)lfU)lDtOW' 10101ilK)0'JUlOW'JU)U)COWl>IOK)OmiOOOJWOW4.UlO)ik^Uia)Oi-U)OUI'JSO*.-*OOK)0100>N)lO'JWftUM -*-*0000
'jm>iK)C0kSl0lDOlSkW0JW(-i-UlN)-i(0UHDCDAltk(X)<kO-0)'JOOUNJ10O0)-0)0l0)O-0l-l00)0'(0l0W'JWW0>WlJ<--W 01K)05(DtiW

900

00000000000000000000000000000000000000poooooopopopopooooooooooooo00000
(oiobbiobbbbiobbbbbbbbbbbbbbbna^^^bbiini&fr&uuMkiM^lk^^^bbbbbbbbbbbbbbbbbbbbbb
l0(l0lj)H)l()miDl0lDI0lfC0C0'J'JCnuiUlWN)-l0'JinK)O,>JftO'"IWIfiW-*C0kO01l0lilUlMU)-gftf0O0'J0lfcfcWI 0l0--*OOOOOOOOOOOO
(0(0(OIOOJO'* 4SO>fcN>0'JfttOfc'iU)OlOO>-kftK4COMWMCOU0100(0(000-*WO)->O)'J-iO)(OOWOtOOK>OWMIO-v|w5wN-aOOOO
go)AN(Oiicooooi(0(J){DK)a)fca)U)iftwwi).u>-*(OW.K)Coo)05'gci)<o-*ikUWftroc0)'j-( 0-0)(fyiO)tfi-romwcoK)^-'ftoONO)-icocnfcu

00000000000000000000000000000000000000opoooooooooooooooooopooooooooooo
bbbbbbbbbbbiobbioioioioiobbbbcobacio^-'i'jbininwbfrtkulibooki^^aLiLkbbbbbbbbbbbbbbbbbbbbbb
lOU510UJU)(OU)(DU)U)(DUCOCBCO' 4(J> 01lftNJ-U)'JUlWO'JA-'JA001W'JWU3iriK)(UlMlil01fOOCO^OliCJWKJ---i.OOOOOOOoOOOO
U<(0U>< 0CDC0^M0>frWOC 0frOUl0O^O*JU0)'4UI-Ul0)0ll0NOMUU0)0>>ll0r0^&U>00.UU(nNI0CDI0^UII0UI-tl00l0lUK)K}^^OOOO
SOlAKXOUKO^-kCD-tlO-kOlWOOlOOlnOlCO^roO^Ui-tfrAUIOOtOIOXO-iA^frOONOIOXOUiOtOCOtONtfrltoAOS&UI-klOKXXIIO-tUi-iCaaiAu

0000000000000000000000000000000000000000000000000000000000000000000000
bbbbbbbbbbbbbbbbbbbbbbababssstnaioi(inikAuuwk)Mkjjl*l*l*^bbbbobbbbbbbobbbbbobob
ID(OlOlfi()lOlOlOUJ())lDaiCOOI'J(7l010t|i(0-lf'JUlWO'JA-OlAO(nM' 4Wr,
tfiaCOUlWlDOUkMOW'JUtftUUNJ-i-aOOOOOOOoOOOO
(0<OIOiOCOOO'J'JOHkWaeolOOHO-*K>-OACO( 0'Jfc'J><noSo>>J'JMN)W'/i'lk-*OroO>M-MWOOO'IOJO(OiJCOO)WrON-i>aOOOO
'MO)VlK)
(0(n(ONM(OK)->fr 00001WOIUl09N'JOO>40CDtOI'JOOU(niO-iWOI>4.JU&OIK)OUOOUOOK)Ulfr>J.rOOO)IOOO-kOOOO-iUI-*COOl^U

0
0
vi

000000000000000000000000opooooopopopopopopooooopoooooooooooooooooooooo
bbbbiobbbbbbbbbbbbbbbbbbaiaob^ssbbbii^&uwwioMM^^lilk^bbbbbbbbbbbbbbbbbbbbbb
(i)U)U)iDii)U)u)U)(D(ciioM03CO'j(n(nwikw-*(Ocouiw-Cow-C06-'jwmwo)ui-OiA-icsa).-ocoo)'iwwfo-*^aoooooooooooo
lC(I)(D(OU 5Cna3S(TIWW-*(l-i(Tlli)KJWK) 0(J)(0-*U)010K)-U5fCOO-^0)COIOK)Ul-*a)SU)WO(DOWlOSCn>JOU03U-*COO)6WK)K )--0000
SO)OlUOO)OWW-*U>JAN)-itOWUllOO)K)SOI' 01W'JO^OWlO-iO)SOO)OWSAW-OWCOi-(fW-U)COO)WSOHD'JSOOSOiiW

u)(ifibbbbbbbbbbbbbbbbbbbbco 3CoS'Jso>biff>inwik^wuwNNfo^l*jjibbbbbbbbbbbbbbbbbbbbbbb
(fU)U)(D(D(flOU)U)(;U)(OCoaCO'J'Jf)lfcWJOCO(JlUJCOWN)l-'JW 01K)a)ik-S|k-*COO)U-><OraSUI>UMO--*JOOOOOOOOOOOO
<0<Ot 010IOCOO)'JO>tU-KOW-0>OUitk-'>J-WK)OOWW^N'lJftWWftikWOONSftOa'J'JOOWOOWWOIU)WOOA-i>COO>ikWNJJ -0000
'JWU001-fcikfOffl(nO'i>('IO)WWJIO'JlO-*IOUWlOik( 0'JJW(arJiOyaoiJO)S-(DOlW-lfiOl'JAWUUOfr&eoOIO)HiO'JWWNJ

03

1 1
600

p pppp pp ppp pp ppp pp pp ppp pp ppp pp ppp pp pppp p pppp pop op pppp pp po ooo ooooo ooo ooo

ULADECH

.439

Carmen Rosa Barreto Rodrguez

440

ULADECH

.441

Carmen Rosa Barreto Rodrguez

442

ULADECH

.443

Carmen Rosa Barreto Rodrguez

444

ULADECH

.445

Carmen Rosa Barreto Rodrguez

446

ULADECH

.447

0.0
0.1

0.0000
0.0797

0.0080
0.0876

0.0160
0.0955

0.0239
0.1034

0.0319
0.1113

0.0399
0.1192

0.0478
0.1271

0.0558
0.1350

0.0638
0.1428

0.0717
0.1507

0.2

0.1585

0.1663

0.1741

0.1819

0.1897

0.1974

0.2051

0.2128

0.2205

0.2282

0.3

0.2358

0.2434

0.2510

0.2586

0.2661

0.2737

0.2812

0.2886

0.2961

0.3035

0.4

0.3108

0.3182

0.3255

0.3328

0.3401

0.3473

0.3545

0.3616

0.3688

0.3759

0.5

0.3829

0.3899

0.3969

0.4039

0.4108

0.4177

0.4245

0.4313

0.4381

0.4448

0.6

0.4515

0.4581

0.4647

0.4713

0.4778

0.4843

0.4907

0.4971

0.5035

0.5098

0.7

0.5161

0.5223

0.5285

0.5346

0.5407

0.5467

0.5527

0.5587

0.5646

0.5705

0.8

0.5763

0.5821

0.5878

0.5935

0.5991

0.6047

0.6102

0.6157

0.6211

0.6265

0.9

0.6319

0.6372

0.6424

0.6476

0.6528

0.6579

0.6629

0.6680

0.6729

0.6778

1.0

0.6827

0.6875

0.6923

0.6970

0.7017

0.7063

0.7109

0.7154

0.7199

0.7243

1.1

0.7287

0.7330

0.7373

0.7415

0.7457

0.7499

0.7540

0.7580

0.7620

0.7660

1.2

0.7699

0.7737

0.7775

0.7813

0.7850

0.7887

0.7923

0.7959

0.7995

0.8029

1.3

0.8064

0.8098

0.8132

0.8165

0.8198

0.8230

0.8262

0.8293

0.8324

0.8355

1.4

0.8385

0.8415

0.8444

0.8473

0.8501

0.8529

0.8557

0.8584

0.8611

0.8638

1.5

0.8664

0.8690

0.8715

0.8740

0.8764

0.8789

0.8812

0.8836

0.8859

0.8882

1.6

0.8904

0.8926

0.8948

0.8969

0.8990

0.9011

0.9031

0.9051

0.9070

0.9090

1.7

0.9109

0.9127

0.9146

0.9164

0.9181

0.9199

0.9216

0.9233

0.9249

0.9265

1.8

0.9281

0.9297

0.9312

0.9328

0.9342

0.9357

0.9371

0.9385

0.9399

0.9412

1.9

0.9426

0.9439

0.9451

0.9464

09476

0.9488

0.9500

0.9512

0.9523

0.9534

2.0

0.9545

0.9556

0.9566

0.9576

0.9586

0.9596

0.9606

0.9615

0.9625

0.9634

2.1

0.9643

0.9651

0.9660

0.9668

0.9676

0.9684

0.9692

0.9700

0.9707

0.9715

2.2

0.9722

0.9729

0.9736

0.9743

0.9749

0.9756

0.9762

0.9768

0.9774

0.9780

2.3

0.9786

0.9791

0.9797

0.9802

0.9807

0.9812

0.9817

0.9822

0.9827

0.9832

2.4

0.9836

0.9840

0.9845

0.9849

0.9853

0.9857

0.9861

0.9865

0.9869

0.9872

2.5

0.9876

0.9879

0.9883

0.9886

0.9889

0.9892

0.9895

0.9898

0.9901

0.9904

2.6

0.9907

0.9909

0.9912

0.9915

0.9917

0.9920

0.9922

0.9924

0.9926

0.9929

2.7

0.9931

0.9933

0.9935

0.9937

0.9939

0.9940

0.9942

0.9944

0.9946

0.9947

2.8

0.9949

0.9950

0.9952

0.9953

0.9955

0.9956

0.9958

0.9959

0.9960

0.9961

2.9

0.9963

0.9964

0.9965

0.9966

0.9967

0.9968

0.9969

0.9970

0.9971

0.9972

3.0

0.9973

0.9974

0.9975

0.9976

0.9976

0.9977

0.9978

0.9979

0.9979

0.9980

3.1

0.9981

0.9981

0.9982

0.9983

0.9983

0.9984

0.9984

0.9985

0.9985

0.9986

3.2

0.9986

0.9987

0.9987

0.9988

0.9988

0.9988

0.9989

0.9989

0.9990

0.9990

3.3

0.9990

0.9991

0.9991

0.9991

0.9992

0.9992

0.9992

0.9992

0.9993

0.9993

3.4

0.9993

0.9994

0.9994

0.9994

0.9994

0.9994

0.9995

0.9995

0.9995

0.9995

TABLA IV: Tabla de la Distribucin Central Normal Estndar - Valor Crtico Z ^


0.10
0.05
0.025
0.01
0.005
0.0025
0.001
a
1-a
Z

,_ a 2

0.0005

0.90

0.95

0.975

0.99

0.995

0.9975

0.999

0.9995

1.645

1.960

2.241

2.576

2.807

3.023

3.291

3.481

Carmen Rosa Barreto Rodrguez

448

TABLA V:ULADECH
Tabla de la Distribucin T Student con v Grados de Libertad Valor

.449

Crtico t i-a.u

0.10

0.05

0.025

0.01

0.005

1-a

0.90

0.95

0.975

0.99

0.995

0.001

63.66
9.925

0.002
5
0.997
5
10.99
75

*0.90

to. 95

to.975

10.99

10.995

1
2

3.078
1.886

6.314
2.920

12.71
4.303

31.82
6.965

127.3
14.02

318.3
22.33

1.638

2.353

3.182

1.533

2.132

2.776

4.541

5.841

7.453

10.21

3.747

4.604

5.598

1.476

2.015

7.173

2.571

3.365

4.032

4.773

1.440

5.893

1.943

2.447

3.143

3.707

4.317

5.208

1.415

1.895

2.365

2.998

3.499

4.029

4.785

1.397

1.860

2.306

2.896

3.355

3.833

4.501

1.383

1.833

2.262

2.821

3.250

3.690

4.297

10

1.372

1.812

2.228

2.764

3.169

3.581

4.144

11

1.363

1.796

2.201

2.718

3.106

3.497

4.025

12

1.356

1.782

2.179

2.681

3.055

3.428

3.930

13 _

1.350

1.771

2.160

2.650

3.012

3.372

3.852

14

1.345

1.761

2.145

2.624

2.977

3.326

3.787

15

1.341

1.753

2.131

2.602

2.947

3.286

3.733

16

1.337

1.746

2.120

2.583

2.921

3.252

3.686

17

1.333

1.740

2.110

2.567

2.898

3.222

3.646

18

1.330

1.734

2.101

2.552

2.878

3.197

3.610

19

1.328

1.729

2.093

2.539

2.861

3.174

3.579

20

1.325

1.725

2.086

2.528

2.845

3.153

3.552

21

1.323

1.721

2.080

2.518

2.831

3.135

3.527

22

1.321

1.717

2.074

2.508

2.819

3.119

3.505

23

1.319

1.714

2.069

2.500

2.807

3.104

3.485

24

1.318

1.711

2.064

2.492

2.797

3.091

3.467

25

1.316

1.708

2.060

2.485

2.787

3.078

3.450

26

1.315

1.706

2.056

2.479

2.779

3.067

3.435

27

1.314

1.703

2.052

2.473

2.771

3.057

3.421

28

1.313

1.701

2.048

2.467

2.763

3.047

3.408

29

1.311

1.699

2.045

2.462

2.756

3.038

3.396

30

1.310

1.697

2.042

2.457

2.750

3.030

3.385

40

1.303

1.684

2.021

2.423

2.704

2.971

3.307

50

1.299

1.676

2.009

2.403

2.678

2.937

3.261

60

1.296

1.671

2.000

2.390

2.660

2.915

3.232

70

1.294

1.667

1.994

2.381

2.648

2.899

3.211

80

1.292

1.664

1.990

2.374

2.639

2.887

3.195

90

1.291

1.662

1.987

2.368

2.632

2.878

3.183

100

1.290

1.660

1.984

2.364

2.626

2.871

3.174

200

1.286

1.653

1.972

2.345

2.601

2.838

3.131

500

1.283

1.648

1.965

2.334

2.586

2.820

3.107

co

1.282

1.645

1.960

2.326

2.576

2.807

3.090

0.999
10.999

TABLA VI: Tabla de la Distribucin T Student con v Grados de


Carmen
Barreto
Libertad
Valor Rosa
Crtico
[i.a,2.uRodrguez

0.10

0.05

0.02

0.01

0.005

0.002

0.001

l a

0.90

0.95

0.98

0.99

0.995

0.998

0.999

to. 95

to.975

^ 0.99

10.995

to.9975

to.999

to.9995

6.314

12.71

31.82

63.66

127.3

318.3

636.6

2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782

4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060

6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552

9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807

22.33
10.21
7.173
5.893
5.208
4.785
4.501
4.297
4.144

2.787
2.779
2.771
2.763
2.756
2.750
2.704
2.678
2.660
2.648
2.639
2.632

14.09
7.453
5.598
4.773
4.317
4.029
3.833
3.690
3.581
3.497
3.428
3.372
3.326
3.286
3.252
3.222
3.197
3.174
3.153
3.135
3.119
3.104
3.091
3.078
3.067
3.057
3.047
3.038
3.030
2.971
2.937
2.915
2.899
2.887
2.878

2.626

2.871

3.174

2.601

2.838

3.131

2.586
2.576

2.820
2.807

3.107
3.090

31.60
12.92
8.610
6.869
5.959
5.408
5.041
4.781
4.587
4.437
4.318
4.221
4.140
4.073
4.015
3.965
3.922
3.883
3.850
3.819
3.792
3.768
3.745
3.725
3.707
3.690
3.674
3.659
3.646
3.551
3.496
3.460
3.435
3.416
3.402
3.390
3.340
3.310
3.291

4
5
6

7
8
9
10
11
12
13

1.771

14

1.761
1.753
1.746
1.740
1.734

15
16
17

18
19
20
21
22
23

24
25
26
27
28
29
30
40
50
60
70
80
90
100
200

1.729

1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.684
1.676

2.056
2.052

1.667
1.664
1.662

2.048
2.045
2.042
2.021
2.009
2.000
1.994
1.990
1.987

1.660

1.984

1.653

1.972

1.671

500

1.648

1.965

00

1.645

1.960

2.539

2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.423
2.403
2.390
2.381
2.374
2.368
2.364
2.345
2.334
2.326

2.797

4.025

3.930
3.852
3.787
3.733
3.686
3.646
3.610
3.579
3.552
3.527
3.505
3.485
3.467
3.450
3.435
3.421
3.408
3.396
3.385
3.307
3.261
3.232
3.211
3.195
3.183

450

TABLA VII: Tabla de la Distribucin Chi Cuadrado con grados de libertad


Valor Crtico X^.a u

X2
A

X2

0.99

X2
A

0.975

X2

* 0.95

X2

0.90

X2
0.75

X2

X2

0.50

0.25

X2
0.10

X2

0.05

X2
A

X2
0.01

X2

0.005

0.995
7.88

6.64

5.02

3.84

2.71

1.32

0.455

0.102 0.0158 0.0039

10.60

9.21

7.38

5.99

4.61

2.77

1.39

0.575

0.211

0.103

12.84

11.35

9.35

7.81

6.25

4.11

2.37

1.21

0.584

0.352

0.025
0.001 0.0002
0
0.050 0.0201
6
0.216 0.115

14.84

13.28

11.14

9.49

7.78

5.39

3.36

1.92

1.06

0.711

0.484

0.297

0.207

16.75

15.09

12.83

11.07

9.24

6.63

4.35

2.67

1.61

1.15

0.831

0.554

0.412

18.55

16.81

14.45

12.59

10.65

7.84

5.35

3.45

2.20

1.64

1.24

0.872

0.676

20.28

18.48

16.01

14.07

12.02

9.04

6.35

4.25

2.83

2.17

1.69

1.24

0.989

21.96

20.09

17.54

15.51

13.36

10.22

7.34

5.07

3.49

2.73

2.18

1.65

1.34

23.59

21.67

19.02

16.92

14.68

11.39

8.34

5.90

4.17

3.33

2.70

2.09

1.73

10

25.19

23.21

20 48

18.31

15.99

12.55

9.34

6.74

4.87

3.94

3.25

2.56

2.16

11

26.76

24.73

21.92

19.68

17.28

13.70

10.34

7.58

5.58

4.57

3.82

3.05

2.60

12

28.30

26.22

23.34

21.03

18.55

14.85

11.34

8.44

6.30

5.23

4.40

3.57

3.07

13

29.82

27.69

24.74

22.36

19.81

15.98

12.34

9.30

7.04

5.89

5.01

4.11

3.57

14

31.32

29.14

26.12

23.69

21.06

17.12

13.34

10.17

7.79

6.57

5.63

4.66

4.07

15

32.80

30.58

27.49

25.00

22.31

18.25

14.34

11.04

8.55

7.26

6.26

5.23

4.60

16

34.27

32.00

28.85

26.30

23.54

19.37

15.34

11.91

9.31

7.96

6.91

5.81

5.14

17

35.72

33.41

30.19

27.59

24.78

20.48

16.34

12.79

10.09

8.67

7.56

6.41

5.70

18

37.16

34.81

31.53

28.87

25.99

21.61

17.34

13.68

10.87

9.39

8.23

7.01

6.26

19

38.58

36.19

32.85

30.14

27.20

22.72

18.34

14.56

11.65

10.12

8.91

7.63

6.84

20

40.00

37.57

34.17

31.41

28.41

23.83

19.34

15.45

12.44

10.85

9.59

8.26

7.43

21

41.40

38.93

35.48

32.67

29.62

24.94

20.34

16.34

13.24

11.59

10.28

8.90

8.03

22

42.80

40.29

36.78

33.92

30.81

26.04

21.34

17.24

14.04

12.34

10.98

9.54

8.64

23

44.18

41.64

38.08

35.17

32.01

27.14

22.34

18.14

14.85

13.09

11.69

10.20

9.26

24

45.56

42.98

39.36

36.42

33.20

28.24

23.34

19.04

15.66

13.85

12.40

10.86

9.89

25

46.93

44.31

40.65

37.65

34.38

29.34

24.34

19.94

16.47

14.61

13.12

11.52

10.52

26

48.29

45.64

41.92

38.89

35.56

30.44

25.34

20.84

17.29

15.38

13.84

12.20

11.16

27

49.64

46.96

43.19

40.11

36.74

31.53

26.34

21.75

18.11

16.15

14.57

12.88

11.81

28

50.99

48.28

44.46

41.34

37.92

32.62

27.34

22.66

18.94

16.93

15.31

13.57

12.46

29

52.34

49.59

45.72

42.56

39.09

33.71

28.34

23.57

19.77

17.71

16.05

14.26

13.12

30

53.67

50.89

46.98

43.78

40.26

34.80

29.34

24.48

20.60

18.49

16.79

14.95

13.79

40

66.77

63.69

59.34

55.76

51.81

45.62

39.34

33.66

29.05

26.51

24.43

22.16

20.71

50

79.49

76.15

71.42

67.50

63.17

56.33

49.34

42.94

37.69

34.76

32.36

29.71

27.99

60

91.95

88.38

83.30

79.08

74.40

67.00

59.34

52.29

46.46

43.19

40.48

37.48

35.54

70

104.2
0
166.3
0
128.3
0
140.2
0

100.4
0
112.3
0
124.1
0
135.8
0

95.02

90.53

85.53

77.58

69.34

61.70

55.33

51.74

48.76

45.44

43.28

106.6
0
118.1
0
129.6
0

101.9
0
113.1
0
124.3
0

96.58

88.13

79.34

71.14

64.28

60.39

57.15

53.54

51.17

107.6
0
118.5
0

98.65

89.34

80.62

73.29

69.13

65.65

61.75

59.20

109.1
4

99.34

90.13

82.36

77.93

74.22

70.06

67.33

80
90
100

BIBLIOGRAFA

0.000
0.010
0.072

1. VILA ACOSTA, Roberto. 2001. Estadstica Elemental. Edit.


Estudies y Ediciones R.A. Lima - Per.
2. CRDOVA ZAMORA, Manuel. 2002. Estadstica Inferencial.
Edit. Moshera S.R.L. 2da. Edicin. Lima - Per.
3. CRDOVA ZAMORA, Manuel. 2000. Estadstica Descriptiva y
Aplicaciones. 4ta. Edicin. Lima - Per.
4. COMPENDIO 2003. Sistema Nacional de Estadstica.
5. DEVORE, Jay L. 2001. Probabilidad y Estadstica para
Ingeniera y Ciencias. 5ta. Edicin. Edit. Litogrfica Ingramex.
S.A.
6. GARCA ORE, Celestino. 1997. Distribuciones y Estadstica
Inferencial. Edit. Princeliness E.IR.L. 1ra. Edicin. Lima - Per.
7. GENE V. Glass, JULIAN C. Stanley. 1986. Mtodos Estadsticos
Aplicados a las Ciencias Sociales. Edit. Prentice Hara. Mxico
8. HERNANDEZ SAMPIERI y otros. 2003. Metodologa de la
Investigacin. Edit. MacGraw Hill Interamericana Editores.
Mxico.
9. SIERRA BRAVO, Restituto. 1991. Diccionario Prctico de
Estadstica y Tcnicas de la Investigacin Cientfica. Edit.
Paraninfo. Madrid.
10. TORRES BARDALES, C. 2000. Orientaciones Bsicas de
Metodologa de la Investigacin Cientfica. Edit. Libros y
Publicaciones. 7ma. Edicin. Lima - Per.
11. WEBSTER Alien, L. 2000. Estadstica Aplicada a los Negocios y
Economa. Edit. Me. Graw Hill. 3ra. Edicin. Santa Fe. Bogot Colombia.

BANCO DE PREGUNTAS
ESTADSTICA
1.
a)
b)
c)
d)

Identifique cada una de las siguientes variables segn su clasificacin:


Tiempo de servicio en aos.
Expectativas laborales.
Tamao de las empresas.
N de ofertas laborales.

a)
b)
c)
d)

Rpta.:
Variable cuantitativa continua
Variable cualitativa nominal.
Variable cualitativa ordinal.
Variable cuantitativa discreta.
2. Identificar la unidad de observacin y la variable de estudio en el siguiente
enunciado: Poblacin de ingenieros civiles segn sus ingresos en soles:
Unidad de observacin:...............................................................................................
Variable:..............................................................................................

a)
b)
c)
d)

Selecciona una respuesta:


Unidad de observacin: Ingenieros - Variable en estudio: sueldo en soles.
Unidad de observacin: Ingenieros - Variable en estudio: Ingresos en dlares.
Unidad de observacin: Ingenieros civiles - Variable en estudio: Ingresos en soles.
n.a.
Rpta. c

3. Una variable cuantitativa discreta se caracteriza porque sus valores a tomar son
contables.
a) Verdadero
b) Falso Rpta. a
4. Los siguientes datos corresponden a una muestra aleatoria de 40 egresados de la
ULADECH CATLICA de la ciudad de Chimbote segn su nmero de ofertas
laborales laborales en el ao 2011:
2
5
3
3
2
4
1
2
2
3

a)
b)
i)
ii)
iii)

La informacin fue obtenida mediante una encuesta realizada por Gerencia de Gestin de
Calidad.
Conteste las siguientes preguntas:
Cuntos egresados han tenido 3 ofertas laborales o menos?
Qu porcentaje de egresados han tenido 4 ofertas laborales o ms?
Respuestas:
16, 35%
35 y 26%
26 y 35%

iv) n.a.
Rpta. iii

0
0
0
1

[1400 - 1800)

o
0
4
1

5. El Director Ejecutivo del Hospital La Caleta Chimbte, tiene que presentar un informe
descriptivo sobre el sueldo de los trabajadores de dicho hospital para tomar
decisiones sobre pedidos constantes de aumento de sueldo, por el tiempo de
servicio que tienen en el hospital y la profesionalizacin adquirida. Ayude al Director
Ejecutivo del Hospital La Caleta de Chimbote a preparar el informe descriptivo
calculando las medidas de tendencia central: media, mediana y moda, de acuerdo a
la distribucin adjunta a continuacin:
N de trabajadores
Sueldo mensual en
soles LI - LS
10
80

[1800 - 2200)

120

[2200 - 2600)

80

[ 2600 - 3000)

10

Total

300

Seleccione una respuesta:


a) i) Media= S/.2500 ii) Mediana=S/1900 iii) Moda=S/. 2000
b) i) Media= S/.2000 ii) Mediana=S/. 2000 iii) Moda=S/. 2000
c) i) Media= S/. 1900 ii) Mediana=S/1900 iii) Moda=S/. 1900
d) n.a.
Rpta: c
6) El gerente de una empresa analiza las ventas mensuales en dlares de sus
promotores en los ltimos 6 meses y decidir contratarlos para los prximos 6 meses
siguientes si sus ventas son regulares, las cuales se dan a continuacin:
X: 5000, 4500, 4800, 4600, 6000
i) Calcular la medida de dispersin adecuada para dar respuesta a ii)
ii) Qu decisin tomara el gerente?
Seleccione una:
a) i) s=601.66 dlares. ii) El gerente decidir contratar los promotores para los
prximos meses.
b) i) v(x)=362,000. ii) El gerente decidir no contratar los promotores para los prximos
meses.
c) i) cv=12.08%. ii) El gerente decidir contratar los promotores para los prximos
meses.
d) n.a.
Rpta. c
7. En estadstica una muestra es una pequea parte de la poblacin seleccionada al
azar mediante un mtodo de muestreo. a) Verdadero b) Falso Rpta.: a
8. El coeficiente de variacin es una medida de dispersin relativa exenta de
unidades y expresada en porcentaje.
a) Verdadero b) Falso Rpta.: a

9. La fuente es lugar, institucin o persona de donde se obtienen las variables.


Seleccione una respuesta:
a) Verdadero b) Falso
Rpta.: b

i)
ii)
iii)
iv)
a)

10. Los datos de la variable tipos de violencia familiar: Violencia fsica, violencia sexual
y violencia emocional, se deben graficar a travs de:
polgono de frecuencias
grfico de sectores circulares
grfico lineal
n.a.
Seleccione una respuesta:
i b) ii
c) iii
d) iv
Rpta.: b

BANCO DE PREGUNTAS ESTADSTICA APLICADA - ESTADSTICA INFERENCIAL BIOESTADSTICA


1. Utilizar clculo directo
a) P(Z < 2.65)

Si X-------------> n(0,1), hallar:


b) P(Z < 5.20)

c) P(Z < -1.36)

d) P(-1.65 < Z < 1.65)


Rpta.:
a) 0.996 b) 0

c) 0.0869 d) 0.9011

2. El nivel de
significancia es es el error
que se comete cuando el investigador no acepta la hiptesis nula siendo sta
verdadera en la poblacin.
a) Verdadero
b) Falso
Rpta.: a
3.
a)
b)
c)
d)

Una suposicin bsica de todas las estadsticas inferenciales es la siguiente:


la(s) muestra (s) deben ser seleccionados al azar
las mediciones deben estar en una escala de intervalo
tamao de la muestra debe ser mayor que 30
la hiptesis nula es verdadera

Rpta.: d
4. Un tipo de hiptesis nula es una hiptesis:
a) experimental que no implica pruebas empricas
b) estadstica que asume que existen diferencias de varios tamaos entre los
efectos de diferentes tratamientos.
c) experimental que ha sido declarada incompatible con los datos empricos.
d) estadstica que indica que no hay diferencias entre los efectos de los
tratamientos.
Rpta.: d
5. Si la hiptesis nula es rechazada:
a) la hiptesis de investigacin es rechazada
c) la hiptesis de investigacin es aceptada
c) los resultados de la investigacin no pueden ser interpretados
d) la hiptesis de investigacin se ha demostrado
Rpta.: c

6. El intervalo de confianza para un determinado parmetro es calculado a travs


de una muestra aleatoria de la poblacin.
a) Verdadero
b) Falso
Rpta.: a

a)
b)
c)
d)

7. El establecimiento de un intervalo de confianza del 95% permite que un


investigador indique los valores que abarcan:
todos menos el 95% de las puntuaciones de la muestra
el 95% de las puntuaciones de la muestra
el 95% de los parmetros de la poblacin
los parmetros de la poblacin en un 95% de estos casos
Rpta.: b

8.
a)
b)
c)
d)

El propsito de un intervalo de confianza es el de:


determinar si una relacin es de importancia prctica.
evaluar la validez de las puntuaciones.
el rango de puntuaciones de la muestra.
establecer los lmites de los parmetros de la poblacin.
Rpta: d

9.
a)
b)
c)
d)

La magnitud del error de muestreo de una media depende de:


el tamao de la media de la muestra y el tamao de la muestra
tamao de la muestra y la propagacin de la muestra
propagacin de la muestra y la magnitud de la media
el tamao de la media de la poblacin y tamao de la muestra
Rpta.: d

10. El propsito de la estadstica inferencial es la siguiente para:


a) describir los resultados de un estudio.
b) comprobar si los resultados apoyan la hiptesis de la investigacin.
c) permitir inferencias de resulta dos de la muestra a una poblacin.
d) verificar la exactitud de la estadstica descriptiva.
Rpta.: c

GUA
DIDCTICA

GUIA DIDACTICA
ASIGNATURA
ESTADISTICA

GUIA
DIDACTICA

ndice
1. Presentacin de la Gua Didctica
2. Presentacin del Equipo Docente
3. Introduccin a la Asignatura
4. Requisitos previos
5. Estrategias para el aprendizaje
5.1 Orientaciones para el Aprendizaje
5.2 Orientaciones para la tutora
5.3 Medios y Materiales
6. Evaluacin / instrumentos de evaluacin

1. Presentacin de la Gua Didctica


Estimado estudiante:
Bienvenido a la Gua Didctica de la asignatura de Estadstica:
El presente apartado busca orientarlo en la propia estructura de la Gua
Didctica, el cual le ayudar a conocer, estructurar y organizar su aprendizaje
en el tiempo, segn los requerimientos propios de la asignatura.
La Gua Didctica tiene las siguientes partes:

Presentacin de la Gua Didctica: Busca orientarlo en la propia


estructura de la Gua Didctica.
Presentacin del Equipo Docente: Seala al docente que han elaborado
la Gua y Unidades Didcticas de la asignatura, indicando su
experiencias profesionales al respecto.
Introduccin a la Asignatura: Explica el sentido de la asignatura y su
importancia en su formacin docente y futuro desempeo profesional.
Requisitos previos: Indica las asignaturas que son pre requisitos que
sern necesarios en el desarrollo del aprendizaje.
Estrategias para el aprendizaje: Seala la estrategia metodolgica a
utilizar en la asignatura.
Orientaciones para el Aprendizaje: Orienta al estudiante durante cada
semana de estudio, para el logro del aprendizaje.
Orientaciones para la tutora: Indica la funcin de las tutoras
presenciales, sncronas y asncronas de la asignatura.
Medios y Materiales: Seala los medios fsicos y virtuales as como los
materiales a utilizar en la asignatura.
Evaluacin / instrumentos de evaluacin: Seala los criterios de
evaluacin por unidad didctica y los instrumentos a utilizar.

GUIA
DIDACTICA

2. Presentacin del Equipo Docente


La docente que ha laborado la Gua y Unidades Didcticas y responsable de
la implementacin de la Asignatura, es Carmen Rosa Barreto Rodrguez
quin es Lic. en Estadstica por la Universidad Nacional de Trujillo, Mg. En
Ciencias con Mencin en Docencia Universitaria e Investigacin Educativa y
en la actualidad se encuentra cursando estudios de Doctorado en la
Universidad Nacional del Santa. Carmen Rosa Barreto Rodrguez se ha
desempeado como Docente Auxiliar de la Universidad Nacional del Santa
en las asignaturas de Estadstica, Estadstica Aplicada y Probabilidad y
Estadstica, y en la actualidad es Docente Ordinario - Categora Asociado de
la Universidad Catlica Los ngeles de Chimbote adscrita a la Escuela de
Ingeniera de Sistemas de y es Docente Titular de las asignaturas de
Estadstica, Estadstica Aplicada, Estadstica Aplicada a la Educacin,
Estadstica Inferencial y Bioestadstica en la modalidad presencial y a
distancia. Es autora de los libros Estadstica Bsica - Aplicaciones y Series
de Tiempo y Nmeros ndices.

Para comunicarse con el docente, podr realizarlo a travs de su correo


electrnico cbr5002@hotmail.com.

3. Introduccin a la Asignatura
La asignatura busca que usted:

Aplique los conceptos y tcnicas de estadstica para el anlisis y toma de


decisiones adecuadas de situaciones reales en su entorno profesional.__________
La asignatura se organiza en tres (3) unidades de aprendizaje y se desarrollar
con el Texto de Estadstica Bsica - Aplicaciones, las cuales puede observar a
continuacin:

4
6
1

Unidad
Objetivo
Didctic Especifico/
a
Competencia

Temas Ejes

I Unidad Presentar e
interpretar
informacin
estadstica
mediante
distribuciones
de frecuencias
y grficos
estadsticos

II
unidad

Calcular
interpretar
medidas
tendencia
central
de
conjunto
datos
observados

Semana de Resumen
Estudio

Pginas de
texto
Estadstica
Bsica25 - 47
Estadstica. 1 2 3 4 Elaboracin e Aplicaciones
Trminos de
5-6
interpretan de
estadstica.
semana distribuciones
Recoleccin
de frecuencias
de datos
para un
conjunto
de
Distribucion
datos
es de
observados.
frecuencias
Grficos
Elaboracin e
estadsticos
interpretan de
grficos
estadsticos
para
un
conjunto
de
datos
observados.

e La media
aritmtica
de
un
de

La mediana

La moda

7-8-9- Clculo
e
10
interpretacin
semana de la media
aritmtica,
mediana
y
moda de un
conjunto
de
datos
observados.

53 - 67

GUIA
DIDACTICA

conjunto de
datos
observados

Medidas
asimetr
a

de

Medidas
forma

de

11-12-

semana

de

Clculo e
interpretaci
n las
de
medidas
de
dispersin,
medidas de
asimetra y
medidas de
crtosis de
un
conjunto de
datos.

7
7
7
7

n
u
e
d
a
m
r

r
fo

III
Unidad

Medias
dispersi
n

i 3

Calcular e
interpretar
medidas de
dispersin y de

La primera unidad desarrolla las tcnicas estadsticas bsicas para la


elaboracin de distribuciones de frecuencias y grficos de un conjunto de
datos recolectados.
La segunda unidad desarrolla los procedimientos estadsticos bsicos para el
clculo e interpretacin de la media aritmtica, mediana y moda de un
conjunto de datos observados.
La tercera unidad desarrolla los procedimientos estadsticos bsicos para el
clculo e interpretacin de las medidas de dispersin, medidas de asimetra y
crtosis.

Para el desarrollo de las unidades en mencin se utilizar el Texto de


"Estadstica Bsica - Aplicaciones como medio didctico para orientar y
guiar el aprendizaje el cual ilustra los tcnicas estadsticas y procedimientos
que permitirn el desarrollo de los contenidos dados en el Silabo Plan de
Aprendizaje de Estadstica,

4
6
3

Bienvenidos a la asignatura de Estadstica Aplicada.

4. Requisitos Previos
La asignatura exige haber aprobado la asignatura de Matemtica y Lgica
(Contabilidad, Administracin, Administracin Turstica y Derecho) o Matemtica
para Educadores (Educacin), del I Ciclo de estudio.

5. Estrategias para el Aprendizaje

La estrategia para el aprendizaje se centra en el aprendizaje significativo y


colaborativo con una comprensin de la realidad integral mediada por el mundo.
Para el logro del aprendizaje se ofrecer casos para resolver, de tal manera que
favorezca el desarrollo de las actividades y de la investigacin propia de la
asignatura. Se articular la estrategia del aprendizaje con el Modelo Didctico
de la ULADECH Catlica, el cual se grafica a continuacin:

4
6
4

GUIA
DIDACTICA

El Modelo Didctico se ha planificado en el tiempo, segn el siguiente grfico:

Semanas de Estudio
1

3
4
UNIDAD I

5.1

8
9
UNIDAD II

10

11

12
13
14
UNIDAD III

15

Orientaciones para el Aprendizaje

A continuacin se detalla las orientaciones del aprendizaje por semana de


estudio utilizando el Texto de Estadstica Bsica-Aplicaciones:

4
6
5

Unidad
Didctic
a

Objetivo
Especifico/
Competencia

I Unidad

Presentar e
interpretar
informacin
estadstica
mediante
distribuciones de
frecuencias y
grficos
estadsticos

Temas Ejes

Semana de Resumen
Estudio

Pginas de
texto
Estadstic
a
BsicaAplicacione
Estadstica. 1 2 3 4 Inicie analizando s 25 - 47
Trminos de
5-6
el SPA (slabo y
estadstica.
semana Planes
de
Recoleccin
Aprendizaje)
de datos
ingresando al EVA
Pregrado (campus
virtual).
Elabore
e
intrprete
de
distribuciones de
frecuencias
y
grficos
estadsticos para
un conjunto de
datos observados.
Participe en la
tutora asincrona
de la 1 semana
de
estudio
a
travs del foro,
que se encuentra
en
el
campus
virtual.
Distribucion
es de
frecuencias

Participe en la
tutora sncrona a
travs del chat
que se encuentra
en
el
campus
virtual, en la 3
semana
de
estudio.

4
6
6

Grficos
estadsticos

GUIA
DIDACTICA

semana de estudio a travs del campus virtual.


Desarrolle
la
actividadde investigacin
formativa 01
y
presntela la4 semana de estudio
a travsdel campus virtual.
Participe del foro de responsabilidad social 01 en la 4 semana de estudio
a travs del campus virtual.
Participe en la tutora presencial de la 4 semana de estudio.
Participe en la tutora asncrona de la 5 semana de estudio a travs del
foro, que se encuentra en el campus virtual.
Desarrolle
el
trabajo
de
aplicacin sobre grficos
estadsticos y presntelo la 6 semana de estudio a travs del campus
virtual.
Participe
del
examen en lnea de la primera unidad en la 6 semana de estudio a travs
del campus virtual

4
6
7

II unidad Calcular
e
e La
media 7-8-9- Calcule
interprete
la
interpretar
10
aritmtica
medidas
de
semana media aritmtica,
mediana y moda.
tendencia
central
de un conjunto de
Participe en la
datos observados
tutora sncrona a
travs del chat
que se encuentra
La mediana

en
el
campus
virtual, en la 7
semana
de
estudio.

La moda

Desarrolle
el
trabajo
de
aplicacin
sobre
la
media
aritmtica
y
presntelo en la
7
semana
de
estudio a travs
del
campus
virtual.

53 - 67

Participe en la
tutora presencial
de la 8 semana
de estudio.
Desarrolle
la
actividad
de
investigacin
formativa 02 y
presntela la 8
semana
de
estudio a travs
del
campus
virtual.
Participe del foro
de
responsabilidad
social 02 en la 8
semana
de
estudio a travs
del
campus
virtual.
Participe en la
tutora sncrona a
travs del chat
que se encuentra
en
el
campus
virtual, en la 9

46
8

Desarrolle
el
trabajo
de
aplicacin
sobre
la
mediana
y
GUAen la 10
moda
semana
DIDCTICAde
estudio
y
presntelo
a
travs del campus
virtual.

III
Unidad

Medidas
forma

de

7
8
i
7
7

Calcular
e Medias
de 11-12interpretar
dispersin
13-14medidas
de
15
dispersin
y
de
semana
forma
de
un Medidas
de
conjunto de datos asimetra
observados

Participe
del
examen en lnea
de la unidad 02
en la 10 semana
de
estudio
a
Participe
en la
tutora sncrona a
travs del chat
que se encuentra
en
el
campus
virtual, en la 11
semana
de
estudio.
Desarrolle
el
trabajo
de
aplicacin
sobre
medidas
de
dispersin
y
presntelo en la
11 semana de
estudio a travs
del
campus
virtual.

Participe en la
tutora presencial
de la 12 semana
de estudio.
Participe en la
tutora sncrona a
travs del chat
que se encuentra
en
el
campus
virtual, en la 13
semana
de
estudio.
Desarrolle la

actividadde investigacin
formativa 03
y

46
9

presntela la13 semana de


estudio
a travsdel campus virtual.
Participe
del
foro
de
responsabilidad social 03 en
la 13 semana de estudio a
travs del campus virtual.
Desarrolle
el
trabajo
de
aplicacin sobre medidas de
forma y presntelo en la 14
semana de estudio a travs
del campus virtual.
Participe en la tutora
asincrnica de la 15 semana
de estudio a travs del foro,
que se encuentra en el
campus virtual.

5.2

Participe
del
examen en lnea de la
unidad 03 en la 15 semana
de estudio a travs del
campus virtual.

Orientaciones para la Tutora

Durante el desarrollo de la asignatura se realizarn las siguientes tutoras:

Tutora asincrona: Es la comunicacin que realizar el docente tutor a travs de foros,


desde la cual usted podr consultar con las dudas que tenga sobre los temas a
tratar durante el desarrollo del aprendizaje segn cada semana de estudio.
Las tutoras asncronas se realizarn en las siguientes se

Tutora sncrona: Es la comunicacin en lnea desde la cual usted podr comunicarse


con el docente, para realizar las consultas que usted estime pertinente.

Tutora presencial: Es la orientacin presencial que usted recibir en el Centro


Uladech ms cercano al lugar donde se encuentra.
Las tutoras sealadas se organizan en el tiempo, de la siguiente manera:

Semanas de Estudio
1
TAS

3
4
TS
TP
UNIDAD I

5
TAS

7
TS

8
9
TP
TS
UNIDAD II

10

11
TS

12
13
14
TP
TS
UNIDAD III

15
TAS

Leyenda:
TAS: Tutora asncrona (foros)
TS: Tutora sncrona (chat)
TP: Tutora presencial
No olvide asistir a la tutora presencial y comunicarse con el docente a travs de la
tutora asncrona y sncrona.

5.3

Medios y Materiales
47
0

Materiales Fsicos:
Usted contar con la Gua Didctica y el Texto de la

GUA
DIDCTICA

asignatura Medios virtuales:

Usted contar con el EVA (Entorno Virtual Angelino), desde el cual podr
acceder a la asignatura. Para tal hecho, deber requerir su usuario y clave en la
administracin de la Sede Chimbote o su respectiva Filial ULADECH Catlica.

8. Evaluacin / Instrumentos de Evaluacin


Los criterios de evaluacin de la Modalidad a Distancia, por cada Unidad
Didctica o de Aprendizaje son los siguientes:

Actividades formativas de la carrera


Actividad de investigacin formativa
Actividad de responsabilidad social
Examen sumativo

60%
10%
10%
20%

Los exmenes sumativos sern en lnea como a continuacin se


detalla:
4 semana
8 semana
12 semana
Examen en lnea
Examen en lnea
Examen en lnea
Para rendir el examen en lnea, tendr que acceder al campus
virtual.

GUIA DIDACTICA
ASIGNATURA
ESTADISTICA APLICADA
47
1

ndice
1. Presentacin de la Gua Didctica
2. Presentacin del Equipo Docente
3. Introduccin a la Asignatura
4. Requisitos previos
5. Estrategias para el aprendizaje
5.1 Orientaciones para el Aprendizaje
5.2 Orientaciones para la tutora
5.3 Medios y Materiales
6. Evaluacin / instrumentos de evaluacin

47
2

GUA
DIDCTICA

1. Presentacin de la Gua Didctica


Estimado estudiante:
Bienvenido a la Gua Didctica de la asignatura de Estadstica Aplicada
El presente apartado busca orientarlo en la propia estructura de la Gua
Didctica, el cual le ayudar a conocer, estructurar y organizar su aprendizaje
en el tiempo, segn los requerimientos propios de la asignatura.
La Gua Didctica tiene las siguientes partes:

Presentacin de la Gua Didctica: Busca orientarlo en la propia


estructura de la Gua Didctica.
Presentacin del Equipo Docente: Seala al docente que han elaborado
la Gua de la asignatura, indicando su experiencias profesionales al
respecto.
Introduccin a la Asignatura: Explica el sentido de la asignatura y su
importancia en su formacin docente y futuro desempeo profesional.
Requisitos previos: Indica las asignaturas que son pre requisitos en el
desarrollo del aprendizaje.
Estrategias para el aprendizaje: Seala la estrategia metodolgica a
utilizar en la asignatura.
Orientaciones para el Aprendizaje: Orienta al estudiante durante cada
semana de estudio, para el logro del aprendizaje.
Orientaciones para la tutora: Indica la funcin de las tutoras
presenciales, sncronas y asncronas de la asignatura.
Medios y Materiales: Seala los medios fsicos y virtuales as como los
materiales a utilizar en la asignatura.
Evaluacin / instrumentos de evaluacin: Seala los criterios de
evaluacin por unidad didctica y los instrumentos a utilizar.

2. Presentacin del Equipo Docente


La docente que ha laborado la Gua Didctica y responsable de la
implementacin de la Asignatura, es Carmen Rosa Barreto Rodrguez quin es
Lic.en Estadstica por la Universidad Nacional de Trujillo, Mg. En Ciencias con
Mencin en Docencia Universitaria e Investigacin Educativa y en la
actualidad se encuentra cursando estudios de Doctorado en la Universidad
Nacional del Santa. Carmen Rosa Barreto Rodrguez se ha desempeado como
Docente Auxiliar de la Universidad Nacional del Santa en las asignaturas de
Estadstica, Estadstica Aplicada y Probabilidad y Estadstica, y en la
actualidad es Docente Ordinario - Categora Asociado de la Universidad
Catlica Los ngeles de Chimbote adscrita a la Escuela de Ingeniera de
Sistemas de y es Docente Titular de las asignaturas de Estadstica, Estadstica
Aplicada, Estadstica Aplicada a la Educacin, Estadstica Inferencial y
Bioestadstica en la modalidad presencial y a distancia. Es autora de los libros
Estadstica Bsica - Aplicaciones y Series de Tiempo y Nmeros ndices.
Para comunicarse con el docente, podr realizarlo a travs de su correo
electrnico cbr5002@hotmail.com.

3. Introduccin a la Asignatura

4
7
4

La asignatura busca que usted:


Adquiera el dominio de conceptos y tcnicas de estadstica inferencial, para
aplicarlos en investigaciones de su especialidad.__________________________________

GUA
La asignatura se organiza en tres (3) unidades de aprendizaje
y se desarrollar
DIDCTICA
con el Texto de Estadstica Bsica - Aplicaciones, las cuales puede observar a
continuacin:
Unidad Objetivo
Didctic Especifico/
a
Competencia

I
Unidad

Temas Ejes

Semana de Resumen
Estudio

Pginas de
texto
Estadstica
BsicaUtilizar
Distribucin 1 2 3 4 Uso adecuado Aplicaciones
adecuadamente normal
5
de las tablas
las tablas
general.
semana estadsticas de
estadsticas de Distribucin
la distribucin
las
normal
148 -167
distribuciones
normal
Distribucin
continuas
estndar,
t
t student.
importantes.
student y chi
cuadrado.
Distribucin
chi
cuadrado.

4
7
5

Realizar
Prueba de
adecuadamente hiptesis
para la

Estimar
Intervalos de 6-7-8-9- Clculo
e
adecuadamente confianza
10
interpretacin
intervalos de
para la media semana adecuada
de
confianza y el
poblacional y
intervalos
de
tamao de
tamao
de
confianza para
muestra
muestra.
la media
poblacional y
proporcin
poblacional,
as como el
tamao de
Intervalos de
muestra
confianza
respectivo
para
la
usando las
proporcin
formulas del
poblacional y
muestreo
tamao
de
aleatorio
muestra.
simple.

II
unidad

173 - 183

272 - 273

Desarrollo
adecuado d
e

4
7
6

prueba de
hiptesis
III
Unidad

media
poblacional.
Prueba de
hiptesis
para
la
proporcin
poblacional.

semana

prueba
d
e
hiptesis
la
para
media
y
proporcin
poblaciona
GUA
l.

195 - 213

DIDCTICA

La primera unidad desarrolla la metodologa para el uso de tablas


estadsticas de las distribuciones continuas importantes, tales como la
distribucin normal estndar, distribucin t student y distribucin chi
cuadrado, las cuales sirven de apoyo para los temas subsiguientes de
estadstica inferencial.
La segunda unidad desarrolla la metodologa estadstica para estimar
intervalos de confianza para la media poblacional usando la estadstica
z y t y proporcin poblacional usando la estadstica z y para calcular el
tamao de muestra de una poblacin usando las formulas del muestreo
aleatorio simple.
La tercera unidad desarrolla el procedimiento estadstico para realizar
prueba de hiptesis para la media poblacional usando la estadstica z y t
y proporcin poblacional usando la estadstica z.

4
7
7

Para el desarrollo de las unidades en mencin se utilizar el Texto de


"Estadstica Bsica - Aplicaciones como medio didctico para orientar y
guiar el aprendizaje el cual ilustra los tcnicas estadsticas y
procedimientos que permitirn el desarrollo de los contenidos dados en
el Silabo Plan de Aprendizaje de Estadstica Aplicada.

Bienvenidos a la asignatura de Estadstica Aplicada.

4. Requisitos Previos

La asignatura exige haber aprobado la asignatura de Estadstica de II ciclo de


estudios.

5. Estrategias para el Aprendizaje

La estrategia para el aprendizaje se centra en el aprendizaje significativo y


colaborativo con una comprensin de la realidad integral mediada por el mundo.
Para el logro del aprendizaje se ofrecer casos para resolver, de tal manera que
favorezca el desarrollo de las actividades y de la investigacin propia de la
asignatura. Se articular la estrategia del aprendizaje con el Modelo Didctico de
la ULADECH Catlica, el cual se grafica a continuacin:

4
7
8

GUA
DIDCTICA

El Modelo Didctico se ha planificado en el tiempo, segn el siguiente grfico:

Semanas de Estudio
1
2
3
UNIDAD I

8
9
UNIDAD II

10

11

12
13
14
UNIDAD III

4
7
9

15

5.1

Orientaciones para el Aprendizaje

A continuacin se detalla las orientaciones del aprendizaje por semana de


estudio utilizando el Texto de Estadstica Bsica-Aplicaciones:
Unidad
Didcti
ca
I
Unidad

Objetivo
Especifico
Utilizar
adecuadament
e las tablas
estadsticas de
las
distribuciones
continuas
importantes.

Temas Ejes
Distribucin
normal
general.
Distribucin
normal
estndar

Distribucin
t student.
Distribucin
chi
cuadrado.

Semana
de
Estudio
1-2-34-5
semana

Resumen
Inicie
analizando
el
SPA (slabo y
Planes
de
Aprendizaje)
ingresando
al
EVA
Pregrado
(campus
virtual).

Pgina de
texto
148 -167

Utilice
adecuadament
e las tablas
estadsticas de
la distribucin
normal
estndar, t
student y chi
cuadrado en
ejercicios
propuestos.
Participe en la
tutora
asincrnica
de
la 1 semana de
estudio a travs
del foro, que se
encuentra en el
campus virtual.
Desarrolle
la
prctica
calificada sobre
distribucin
normal
y
presntela la 2
semana
de
estudio a travs
del
campus
virtual.
Participe en la
tutora sncrona
a
travs
del
chat
que
se

48
0

GUIA
DIDACTICA
en la 3 semana de estudio

Desarrolle la actividad de investigacin formativa 01 y presntela la


3 semana de estudio a travs del campus virtual.
Participe del foro de
responsabilidad social 01 en la 3 semana de estudio a travs del
campus virtual.
Participe en la tutora
presencial de la 4 semana de estudio.
Desarrolle la prctica calificada sobre distribucin t student y chi
cuadrado y presntela la 4 semana de estudio a travs del campus
virtual.
Participe en la tutora
asincrnica de la 5 semana de estudio a travs del foro, que se
encuentra en el campus virtual.
Participe del examen en lnea de la primera unidad en la 5 semana
de

estudio a travs
del
campus
virtual

48
1

II
unidad

Estimar
adecuadament
e intervalos de
confianza y el
tamao de
muestra

Intervalos de 6- 7-8-9confianza
10 semana
para la media
poblacional y
tamao
de
muestra.

173 - 183
Calcule e
y
interprete
intervalos de
confianza para
272 - 273
la media y
proporcin
poblacional,
as como el
tamao de
muestra
usando el
muestreo
aleatorio
simple.
Participe en la
tutora sncrona
a
travs
del
chat
que
se
encuentra en el
campus virtual,
en la 7 semana
de estudio.
Desarrolle
la
prctica
calificada sobre
intervalos
de
confianza
para
la
media
poblacional
y
tamao
de
muestra
y
presntela en la
7 semana de
estudio a travs
del
campus
virtual.
Participe en la
tutora
presencial de la
8 semana de
estudio.
Desarrolle
la
actividad
de
investigacin
formativa 02 y
presntela la 8
semana
de

48
2

del
virtual.

campus

Participe
del
foro GUIA
de
responsabilidad
DIDACTICA
social 02 en la
8 semana de
estudio a travs
del
campus
virtual.
Intervalos de
confianza
para
la
proporcin
poblacional y
tamao
de
muestra.

Participe en la
tutora sncrona
a
travs
del
chat
que
se
encuentra en el
campus virtual,
en la 9 semana
de estudio.
Desarrolle
la
prctica
calificada sobre
intervalos
de
confianza
para
la
proporcin
poblacional
y
tamao
de
muestra
y
presntela en la
9 semana de
estudio a travs
del
campus
virtual.

III
Unidad

Realizar
adecuadament
e prueba de
hiptesis

Prueba de
hiptesis
para la
media
poblacional.

Participe
del
examen en lnea
de la unidad 02
en
la
10
semana
de
estudio a travs
del
campus
virtual.
195 11-12-13- Realice
14-15
adecuadament 214
semana
e prueba de
hiptesis para
la media y
proporcin
poblacional.

Participe en la
tutora sncrona

48
3

Prueba de
hiptesis
para la
proporcin
poblacional.

Participe en la tutora
presencial de la 12 semana de estudio.

a
travs
del
chat que
se
encuentra en el
campus virtual,
en
la
11
semana
de
estudio.

Desarrolle la actividad de investigacin formativa 03 y presntela la 13 semana de


estudio a travs del campus virtual.
Participe del foro de
responsabilidad social 03 en la 13 semana de estudio a travs del campus virtual.

Desarrolle la prctica calificada sobre prueba de hiptesis para la media


y
proporcin poblacional y presntela en la 14 semana de estudio a travs del campus
virtual.
Presente un caso de aplicacin sobre prueba de hiptesis en la 15 semana de

48
4

estudio a travs
del
campus
virtual.
Participe en la
tutora
asincrnica
de
la 15 semana
de
estudio
a
travs del foro,
que
se
encuentra en el
campus virtual.
Participe
del
examen en lnea
de la unidad 03
en
la
15
semana
de
estudio a travs
del
campus
virtual.

5.2

Orientaciones para la Tutora

Durante el desarrollo de la asignatura se realizarn las siguientes tutoras:

Tutora asincrona: Es la comunicacin que realizar el docente tutor a


travs de foros, desde la cual usted podr consultar con las dudas que
tenga sobre los temas a tratar durante el desarrollo del aprendizaje
segn cada semana de estudio.
Las tutoras asincronas se realizarn en las siguientes se

Tutora sncrona: Es la comunicacin en lnea desde la cual usted podr


comunicarse con el docente, para realizar las consultas que usted
estime pertinente.

Tutora presencial: Es la orientacin presencial que usted recibir en el


Centro Uladech ms cercano al lugar donde se encuentra.

Las tutoras sealadas se organizan en el tiempo, de la siguiente manera:

Semanas de Estudio
1
TAS

3
4
TS
TP
UNIDAD I

5
TAS

7
8
9
TS
TP
TS
UNIDAD II

10

11
TS

12
13
14
TP
TS
UNIDAD III

Leyenda:
TAS: Tutora asncrona (foros)
TS: Tutora sncrona (chat)
TP: Tutora presencial
No olvide asistir a la tutora presencial y comunicarse con el docente a
travs de la tutora asncrona y sncrona.

15
TAS

5.3

Medios y Materiales

Materiales Fsicos:
Usted contar con la Gua Didctica y el Texto de la
asignatura Medios virtuales:
Usted contar con el EVA (Entorno Virtual Angelino), desde el cual podr
acceder a la asignatura. Para tal hecho, deber requerir su usuario y clave en
la administracin de la Sede Chimbote o su respectiva Filial ULADECH
Catlica.

8. Evaluacin / Instrumentos de Evaluacin


Los criterios de evaluacin de la Modalidad a Distancia, por cada Unidad
Didctica o de Aprendizaje son los siguientes:

Actividades formativas de la carrera


Actividad de investigacin formativa
Actividad de responsabilidad social
Examen sumativo

60%
10%
10%
20%

Los exmenes sumativos sern en lnea como a continuacin se


detalla:
4 semana
8 semana
12 semana
Examen en lnea
Examen en lnea
Examen en lnea
Para rendir el examen en lnea, tendr que acceder al campus
virtual.