INSTITUTO TECNOLOGICO SUPERIOR DE ACAYUCAN

Ingeniería en sistemas computacionales

MODADLIDAD en Línea

ALUMNO: Beatriz del Carmen Guzmán García

MATRICULA: 180B0150

DOCENTE: Mtra. Erika Gómez Santos

MATERIA: Probabilidad y Estadística

SEGUNDO SEMESTRE
29 de Mayo del 2019
Jáltipan de Morelos, Ver
ÍNDICE
6.1 MUESTREO .................................................................................................................................... 2
ESTUDIOS DE MERCADO: ............................................................................................................ 2
CONTROL DE CALIDAD: ............................................................................................................... 3
DISEÑO DE POLITICA DE DESARROLLO:....................................................................................... 3
ANALISIS DE FENOMENOS MACROECONOMICOS: ..................................................................... 3
DISEÑO DE ESTRATEGIAS PUBLICITARIAS: .................................................................................. 3
6.1.1 TIPOS DE MUESTREO.............................................................................................................. 4
MÉTODO DE MUESTREO NO PROBABILÍSTICOS: ........................................................................ 4
MÉTODOS DE MUESTREO PROBABILÍSTICOS: ............................................................................. 4
6.1.2 TEOREMA DE LIMITE CENTRAL............................................................................................... 9
6.1.3 DISTRIBUCIÓN MUESTRAL DE LA MEDIA ............................................................................. 10
EJEMPLO: ................................................................................................................................... 10
BIBLIOGRAFIA: ........................................................................................................................... 13
6.2 ESTIMACIÓN ............................................................................................................................... 13
6.2.1 ESTIMACIÓN PUNTUAL ........................................................................................................ 14
6.2.2 ESTIMACIÓN POR INTERVALO .............................................................................................. 14
EJEMPLO: ................................................................................................................................... 15
BIBLIOGRAFIA: ........................................................................................................................... 15
6.3 PRUEBA DE HIPÓTESIS................................................................................................................. 15
EJEMPLO: ................................................................................................................................... 15
6.3.1 ERRORES TIPO I Y II............................................................................................................... 16
6.3.2. PASOS PARA REALZAR UNA PRUEBA DE HIPÓTESIS............................................................ 18
Los pasos a seguir en una prueba de hipótesis son: ................................................................. 18
BIBLIOGRAFIA: ........................................................................................................................... 18

6.1 MUESTREO
Es una técnica o método en donde se elige una muestra que sea capaz de
representar a la población a estudiar, de manera que no se pierdan los rasgos y
características más relevantes de ésta.

El muestreo suele aplicarse en las distintas áreas económico-administrativas, tales como:

ESTUDIOS DE MERCADO:
POR EJEMPLO: Si una empresa cigarrera está interesada en introducir un nuevo tipo de cigarro en el
mercado y quiere saber si el producto tendrá aceptación, acude a la realización de un muestreo. Si
se conoce que aproximadamente hay una población de 15 millones de personas que fuman, es
posible encuestar a 1 500 fumadores que conformen una muestra representativa.
CONTROL DE CALIDAD:
POR EJEMPLO: Cuando el departamento de ventas de una empresa de pinturas envía una muestra
de 100 litros de pintura de un nuevo color a cada uno de sus mejores clientes con el fin de conocer
si la pintura cumple con los requerimientos de calidad de los clientes. Los resultados permitirán
determinar si el producto será o no aceptado, además de hacer posible la estimación del monto de
ventas que se ha de alcanzar.
DISEÑO DE POLITICA DE DESARROLLO:
POR EJEMPLO: Si el gobierno de una ciudad está interesado en introducir una nueva ruta de
transporte colectivo, primero debe analizar si existe la demanda para este tipo de servicio. Para ello
realiza un muestreo con el fin de conocer a cuánta gente beneficiaría la nueva ruta, observando
durante algunos días el número de posibles pasajeros, realizando encuestas a algunos de ellos y, de
esta manera, realizar el análisis de costo beneficio para saber qué tan rentable le resulta impulsar
este proyecto de desarrollo.
ANALISIS DE FENOMENOS MACROECONOMICOS:
POR EJEMPLO: Si el Banco de México estima el índice Nacional de Precios al Consumidor (INPC),
recolectando y procesando la información estadística mediante la toma de aproximadamente 450
bienes y servicios que forman una muestra representativa de los precios y cantidades de la
economía de todo del país.
DISEÑO DE ESTRATEGIAS PUBLICITARIAS:
POR EJEMPLO: Cuando una agencia desea realizar un comercial con el objetivo de incrementar las
ventas de cerveza de una compañía. Si la agencia estima que el mercado está constituido por 10
millones de consumidores, puede evaluar a una muestra de 2 000, mostrándoles distintos
comerciales para saber cuál sería el comercial más efectivo en cuanto a la impresión que les causó.

Para realizar un muestreo se debe realizar un proceso que va desde la planeación

hasta termina con la inferencia de los resultados.
En el proceso metodológico para realizar el muestreo se debe tener en cuenta las
siguientes características:
1. Tamaño de la Población: Finita o infinita.
2. Objetivos de la investigación
3. Preguntas a realizar
4. Tipos de preguntas y respuestas
5. Tipos de muestreo
6. Forma de recolectar la información
7. Recurso humano.
8. Recursos económicos
9. Recursos físicos.
10. Recursos tecnológicos.
11. Cronograma.
6.1.1 TIPOS DE MUESTREO
Según la forma en cómo se seleccionen los elementos a encuestar, el muestreo se
puede clasificar en:
1.- Muestreo No probabilístico.
2.- Muestreo Probabilístico o aleatorio.
2.1.- Muestreo aleatorio simple
2.2.- Muestreo aleatorio sistemático
2.3.- Muestreo aleatorio estratificado
2.4.- Muestreo aleatorio por conglomerados
MÉTODO DE MUESTREO NO PROBABILÍSTICOS:
Se seleccionan a los sujetos siguiendo determinados criterios personales y
procurando que la muestra sea representativa.
MÉTODOS DE MUESTREO PROBABILÍSTICOS:
Son aquellos que se basan en el principio del azar, es decir todos los elementos
tienen la misma probabilidad de ser elegidos para formar parte de una muestra.
Los métodos de muestreo probabilísticos nos aseguran la representatividad de la
muestra extraída y son, por tanto, los más recomendables.
MUESTREO ALEATORIO SIMPLE:
Se asigna un número a cada elemento de la población y a través de algún medio
mecánico (papeletas, números aleatorios generados por la calculadora, etc) se
eligen tantos sujetos como sea necesario para completar el tamaño de muestra
requerido.

EJEMPLO:
1. Si se desea conocer la opinión de los suscriptores de un programa de cliente
frecuente de una aerolínea, y para ello se selecciona un vuelo de la Ciudad
de México a Tijuana, esta muestra del tamaño de n clientes que se tome del
total de la población de N suscriptores a dicho programa, debió tener la
misma probabilidad de ser seleccionada que si se hubiera seleccionado
cualquier otro vuelo de esta compañía. Nota que el tamaño de esta población
es finito.
 2.
MUESTREO ALEATORIO SISTEMÁTICO:
Todos los elementos de la población, deben estar ordenados en una lista en la cual
se toman grupos para seleccionar los elementos al azar haciendo desplazamientos
sistemáticos.
La manera de la selección depende del número de elementos incluidos en la
población y el tamaño de la muestra. El número de elementos en la población es,
primero, dividido por el número deseado en la muestra. El cociente indicará si cada
décimo, cada onceavo, o cada centésimo elemento en la población va a ser
seleccionado. El primer elemento de la muestra es seleccionado al azar. La muestra
sistemática puede dar la misma precisión de estimación acerca de la población, que
una muestra aleatoria simple cuando los elementos en la población están ordenados
al azar.
Para determinar los datos que conformarán la muestra sistemática, se define k, el
cual será el primer dato que es seleccionado de manera aleatoria, y P el cual indica
cada cuántos números se realizará un corte; así, k + P será el segundo dato
seleccionado, k + 2P el tercer dato seleccionado y así sucesivamente. Éste es un
muestreo sistemático por el hecho de que se emplea el dato k + (i + 1)P de los P
grupos en que se segmenta la población
POR EJEMPLO:
El departamento de servicio a clientes de una empresa registró el número de
llamadas que recibe en 25 días hábiles. Las llamadas recibidas son:

El departamento podría seleccionar cierto número de muestras sistemáticas. Por

ejemplo, si se desea determinar cinco muestras con el fin de que éstas representen
el comportamiento de las llamadas que se realizaron durante estas cinco semanas
y que los datos seleccionados no se repitan nuevamente, se procede de la siguiente
manera:
En la primera muestra se define P = 5 y K inicia con el primer día de los 25
seleccionados y se tomarán elementos de 5 en 5 hasta que se agoten todos los
elementos (Tabla).
La primera muestra se eligió de la siguiente manera: se sabe que se inició
adoptando el día lunes de la primera semana; el segundo término a ser
seleccionado es K + P, es decir el dato que corresponde al día 1 + 5 = 6, el cual es
el día lunes de la segunda semana cuyo valor es 31; el tercer término a ser
seleccionado es K + 2P, es decir, 1 + 2(5) = 11, o sea el lunes de la tercera semana
cuyo valor es 18 y así sucesivamente.
En la muestra dos el valor de K corresponde al segundo día de la primera semana
y P continúa con un valor de 5, por lo tanto, el primer elemento es el día martes de
la primera semana con un valor de 25, el segundo día a ser seleccionado que se
considera en la muestra (2 + 5) se refiere al día martes de la segunda semana con
un valor de 42 llamadas y así sucesivamente.

Este tipo de muestreo es útil cuando a partir del número de elementos que contiene
una población se desea determinar no una muestra sino varias que tengan
características similares, de tal forma que se elija la que muestre un comportamiento
más parecido al de la población.
EN EL MUESTREO ALEATORIO ESTRATIFICADO:
Se divide la población en grupos homogéneos al interior, de donde se extraen al
azar de cada grupo un cierto número de elementos. Lo que se pretende con este
tipo de muestreo es asegurarse de que todos y cada uno de los estratos de interés
estarán representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio
simple o el estratificado para elegir los elementos concretos que formarán parte de
la muestra.
Las estimaciones de la población, basadas en la muestra estratificada, usualmente
tienen mayor precisión (o menor error muestral) que si la población entera
muestreada mediante muestreo aleatorio simple. El número de elementos
seleccionado de cada estrato puede ser proporcional o desproporcional al tamaño
del estrato en relación con la población.
El muestreo estratificado puede aplicarse principalmente cuando en una población
existen grupos diferenciados. Algunos ejemplos donde puede aplicarse el muestreo
estratificado son los siguientes:
POR EJEMPLO:
1. Las empresas que producen deferentes diseños de automóviles y desean
estimar la demanda para las distintas regiones del país.
2. Cuando se realiza un estudio para conocer los ingresos que obtienen las
personas que se encuentran en distintos puestos y en distintos sectores de
la economía
3. Las preferencias en la programación de un canal de programación entre las
distintas generaciones en que se encuentra compuesta la población.
4. La opinión pública que la población tiene hacia una política en la Ciudad de
México, la cual es desagregada en distintas clases sociales.
 5.

MUESTREO ALEATORIO POR CONGLOMERADOS:

El universo se divide en grupos que son muy heterogéneos al interior y homogéneos
al exterior.
Primero se selecciona y luego se toman todos los elementos del grupo o parte de
ellos. Una muestra de conglomerados, usualmente produce un mayor error muestral
que una muestra aleatoria simple del mismo tamaño.
En una localidad puede vivir gente pobre como también puede vivir gente
acomodada.
MUESTREO CON REPOSICIÓN Y SIN REPOSICIÓN: Cuando un elemento se toma para ser
parte de la muestra, con él se puede tomar la decisión de no regresarlo a la
población y tener la opción de volverlo a seleccionar o excluirlo definitivamente de
la población.
En el primer caso se habla de muestreo con reposición y en el segundo muestreo
sin reposición. En el primer caso la probabilidad entre su ensayo y otro se mantiene
constante, es decir equivale a trabajar con una población infinita.

6.1.2 TEOREMA DE LIMITE CENTRAL

El teorema de límite central establece que para muestras aleatorias grandes, la
distribución de probabilidad para las medias muéstrales, se acerca a una
distribución del tipo normal. La aproximación es más exacta en la media cuando la
muestra es más grande que para las pequeñas. Esta es una de las conclusiones
más útiles en Estadística.
Se puede razonar acerca de la distribución de las medias muéstrales sin contar con
alguna información respecto de la forma de la distribución original de la cual se toma
la muestra. En otras palabras, el teorema de límite central es cierto para todas las
distribuciones. El teorema del límite central dice que al seleccionar muestras
aleatorias simples de tamaño n de una población, la distribución muestral de la
media muestral 𝑋̅ se puede aproximar a una distribución de probabilidad normal,
cuando el tamaño de la muestra es grande.
Si la población está distribuida normalmente, entonces, para cualquier tamaño de
muestra, la distribución de la media muestral también será normal. Si la n es normal,
es posible que se necesiten muestras de al menos 30 elementos para observar el
aspecto de normalidad. La mayor parte de los estadísticos consideran que una
muestra de 30 o mayor, es suficiente para que se emplee el teorema de límite
central.
EJEMPLO:
El tiempo de vida útil de cierto tipo de neumático para automóvil tiene una media de
60 000 km y una desviación estándar de 7 500 km, ¿cuál es la probabilidad de que
el promedio de una muestra conformada por 100 neumáticos, seleccionada de
manera aleatoria, tenga una vida útil mayor de 58 000 km?
𝜇 = 60 000
𝜎 = 7 500
𝑛 = 100
𝑋̅ = 58 000
Como podemos apreciar, se conoce la desviación estándar poblacional 𝜎, sin
embargo, se desconoce el valor de la desviación estándar de la distribución
muestral de la media 𝜎𝑋̅ . Por lo tanto, se procede a calcular la 𝜎𝑋̅ , mediante la
fórmula del error estándar de la media:
𝜎 7500
𝜎𝑋̅ = = = 7500
√𝑛 √100
Ahora se sustituye el valor de 𝜎𝑋̅ en la fórmula de la normal estandarizada para la
distribución muestral de la media, de lo que resulta:
 𝑋̅ − 𝜇 58000 − 60000
𝑍= = = −2.66
𝜎𝑋̅ 750
El valor en tablas para 𝑍 = – 2.66 𝑒𝑠 𝑑𝑒 0.4961

Se tiene que el valor de tablas para la región que va de 0 a –2.66 es de 0.4961, por
lo que se procede a sumar este valor a 0.5, de lo cual resulta un valor de 0.9961
que es la probabilidad que nos interesa, por tanto: 0.5 + 0.4961 = 0.9961
6.1.3 DISTRIBUCIÓN MUESTRAL DE LA MEDIA
Una distribución muestral de la media es una distribución de probabilidad donde la
media muestral es la variable aleatoria. Es decir, es una tabla, grafica o regla que
señala la relación de todos los posibles valores que adquiere la variable aleatoria
“media muestral”, con sus respectivas probabilidades.
La distribución muestral de la media se basa en el hecho de que al tener una
población, es posible obtener varias muestras y cada una de ellas tiene una media
determinada para encontrar posteriormente la probabilidad de ocurrencia de cada
media. Al calcular un promedio de las medias de todas las muestras que fueron
obtenidas de una población, se puede inferir el comportamiento que debe tener la
media de la población.
EJEMPLO:
Un supervisor tiene seis empleados cuyas experiencias (medidas en años de
trabajo) son 2, 3, 4, 6, 7 y 8. El supervisor elige al azar dos de estos empleados y
les asigna una nueva tarea.
a) Calcula la media de los años de experiencia de esta población.
b) Tabula las distribuciones muestrales con sus respectivas probabilidades.
c) Calcula la media de la distribución de medias muestrales.
SOLUCIÓN:
∑𝒙 2+3+4+6+7+8 30
a) 𝜇 = = = =5
𝑁 6 6

El resultado muestra que los empleados que constituyen la población tienen

en promedio 5 años de experiencia.
b) Para obtener las distribuciones muestrales de la media es necesario construir
una tabla en la cual se indique el número de muestras distintas que se
pueden construir. Como se tiene una población de 𝑁 = 6 elementos, y una
muestra de 𝑛 = 2 elementos, el número de formas existentes para formar
𝑁! 6! 6×5×4! 30
muestras de tamaño dos es: 𝑁 𝐶𝑛 = 𝑛!(𝑁−𝑛)! = 2!(6−2)! = (2×1)(4!) = 2 = 15

El resultado indica que existen quince maneras diferentes para construir una
muestra de tamaño dos. Con ello, la siguiente tabla presenta las 15 posibles
medias muestrales que se pueden obtener de esta población:

Con base en la tabla se puede construir una segunda tabla donde podrá
apreciarse cómo quedan distribuidas las distintas muestras.
En la siguiente tabla se presenta la distribución muestral para la media de los
años de experiencia. Debido a que se tiene que establecer una distribución
muestral es necesario conocer la probabilidad de ocurrencia de los eventos,
es decir, la probabilidad de que se genere una media en específico.
La primera columna se representa por el valor de la media muestral, cabe
mencionar que hay algunos valores de las medias muestrales que se repiten
varias veces; por ejemplo: el 4.5 se repite dos veces, el 5 se repite tres veces
y así sucesivamente; en la segunda columna se representan las
probabilidades de que sea seleccionada cada media muestral en un proceso
de muestreo.
Cada probabilidad se obtiene según el número de veces que se repita un
valor de la media muestral y se divide entre el número total de elementos,
por ejemplo, para obtener la primera probabilidad se observa que el valor
medio 2.5 sólo se da una vez, por lo que este valor se divide entre el total de
elementos que es 15 y así sucesivamente.
c) Es importante determinar los valores para la media de esa distribución
muestral de las medias 𝜇𝑥̅ , de esa manera se puede tener un comparativo
entre los valores de la población y los de la muestra.
La media de la distribución muestral de las medias se obtiene a partir de:
∑ 𝑋̅ 75
𝜇𝑥̅ = = =5
𝑛𝑥̅ 15
El resultado indica que la media de la distribución muestral de la media es de
5 años en promedio de experiencia.
De esta manera se obtiene como conclusión que la media poblacional es
igual a la media de la distribución muestral de la media, esto es 𝜇 = 𝜇𝑥̅ . A
esta propiedad se le denomina imparcialidad, la cual será de gran utilidad
para realizar inferencia estadística de la media poblacional.
El concepto de imparcialidad se puede formalizar matemáticamente
obteniendo el valor esperado de la media muestral. Si se tiene una colección
𝑋1 , 𝑋2 , … , 𝑋𝑛 de variables aleatorias independientes provenientes de una
población de cualquier tipo de distribución y con media o valor esperado
𝐸(𝑋) = 𝜇, entonces esta media poblacional 𝜇 es la misma que el valor
esperado de la media muestral 𝐸(𝑋̅):
∑𝑋 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 1
𝐸(𝑋̅) = 𝐸 [ ] = 𝐸[ ] = {𝐸(𝑋1 ) + 𝐸(𝑋2 ) + ⋯ + 𝐸(𝑋𝑛 )}
𝑛 𝑛 𝑛
1
= (𝑛𝜇) = 𝜇
𝑛
Sin embargo, en el caso de la varianza de la media muestral, su resultado no
es el mismo que el valor de la varianza de la población; es decir, no coinciden.
Lo anterior se debe a la presencia de un tipo de error conocido como el error
estándar de la media.
∑𝑋 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 1
𝑉(𝑋̅) = 𝑉 [ ] = 𝑉[ ] = 2 {𝑉(𝑋1 ) + 𝑉(𝑋2 ) + ⋯ + 𝑉(𝑋𝑛 )}
𝑛 𝑛 𝑛
2
1 𝜎
= 2 𝑛𝜎 2 =
𝑛 𝑛
 Es decir, la media muestral 𝑋̅ tiene un valor esperado igual al parámetro de
la población.
𝐸(𝑋̅) = 𝜇 pero una menor varianza σ2𝑥̅ = 𝑉(𝑋̅) = 𝜎 2 /𝑛 que la poblacional 𝜎 2 .
Por tanto, la desviación estándar de una distribución de 𝑋̅ está dada por
𝜎𝑋̅ = 𝜎/ √𝑛 conocida como el error estándar de la media.
Un rasgo común de las poblaciones es que poseen características y
distribuciones distintas, por lo que los valores de sus parámetros (media,
varianza, moda, etc.) también son distintos. Sin embargo, mediante la
distribución muestral de la media se facilita el proceso de inferencia
estadística de los parámetros, pues no importa qué tipo de distribución tenga
la población de la variable 𝑋1 , 𝑋2 , … , 𝑋𝑛 , la media de la distribución muestral
de la media coincide con el valor de la media poblacional 𝜇, pero con una
desviación estándar 𝜎𝑋̅ = 𝜎/ √𝑛 menor a la poblacional 𝜎, conocida como el
error estándar de la media.
BIBLIOGRAFIA:
https://www.academia.edu/28950171/Instituto_Tecnológico_de_Parral_Unidad_6_Muestreo_y_
estimación_aplicada_al_control_estadístico_de_los_procesos

https://campusvirtual.ull.es/ocw/pluginfile.php/6201/mod_resource/content/1/tema9/PR9-
muestreo.pdf

http://seraace.com/files/CAPITULO-6B_e88ap342.pdf

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/example-of-a-hypothesis-test/

6.2 ESTIMACIÓN
Los problemas de diferencia estadística se dividen en estimación y pruebas de
hipótesis aunque en realidad son dos problemas de decisión y por lo tanto no se
pueden manejar con un enfoque limitado.

La diferencia principal entre las dos clases de problemas es que los problemas
de estimación debemos determinar el valor de un parámetro o los valores de varios
parámetros de un continuo posible de alternativas mientras que en las pruebas de
hipótesis debemos de medir si aceptamos o rechazamos un valor especifico o un
conjunto de valores específicos de un parámetro.

La estimación de un parámetro involucra el uso de los datos muéstrales en

conjunción con alguna estadística. Existen dos formas de llevar a cabo la anterior
estimación, puntual o por intervalo.

En la primera se busca que con base a los datos muéstrales de origen a una
estimulación evaluada del parámetro y que recibe el nombre de estimador puntual.
Para la segunda se determina un intervalo en la que forma probable se encuentre
el valor de parámetro y recibe el nombre de intervalo de confianza.

6.2.1 ESTIMACIÓN PUNTUAL

Aunque es una forma muy común para expresar las estimulaciones deja espacio
para muchas otras preguntas, por ejemplo, no nos dice de cuanta información se
basa la estimulación, ni nos dice nada sobre el tamaño de la muestra y el tamaño
posible del error. Así tal vez se tendría que completar un estimulador punto A con
el tamaño de una muestra y el valor de var (θ) o con alguna otra información.

Muestral del estimulador puntual, una de las formas es:

p(θ^∆,<θ<θ^∆ )=1-∝

Donde Z, acento circunflejo son valores enfocados de teta de acento circunflejo y lo

cual es igual: 1-∝

Para una probabilidad especifica de un numero alfa nos referimos

aθ^∆,θ<θ2Confianza (1-∝) 100% para teta.

También 1-∝ se llama grado de confianza y los puntos terminales del intervalo se
llaman límites de confianza interior y superior.

Por ejemplo cuando ∝=0.05 el grado de confianza es 0.95 por lo que tenemos un
valor de confianza de 95%. Los estimadores de intervalo de un parámetro dado no
son únicos.

P (〖 θ〗^∆,θ<θ_2) = 1-∝ =1-∝ grado de confianza

= (1-∝) 100% intervalo de confianza

∝=0.05

Grado de confianza -0.95

Intervalo “95%”

6.2.2 ESTIMACIÓN POR INTERVALO

La estima de un parámetro poblacional dada por un número se llama estima del

punto del parámetro. La estima de un parámetro poblacional dada por dos números
entre los cuales se considera que se encuentra dicho parámetro se llama estima de
intervalo del parámetro.
 EJEMPLO: Si se dice que una distancia viene dada por 5.28 pies, se está dando
una estima de punto. Si, por otra parte, se dice que la distancia es 5,28 +- 0.03 pies,
es decir, la distancia real se encuentra entre 5.25 y 5.31 pies, se está dando una
estima de intervalo,

La precisión o conocimiento del error de una estima se conoce también como su

seguridad.

Dos problemas de diferencia estadística se dividen es problemas de estimación

y pruebas de hipótesis aunque en realidad son dos problemas de decisión y por lo
tanto no se pueden manejar con un enfoque limitado.

La diferencia principal entre las dos clases de problemas es que los problemas
de estimación debemos determinar el valor de un parámetro o los valores de varios
parámetros de un continuo posible de alternativas mientras que en las pruebas de
hipótesis debemos de medir si aceptamos o rechazamos un valor especifico o un
conjunto de valores específicos de un parámetro.

La estimación de un parámetro involucra el uso de los datos muéstrales en

conjunción con alguna estadística. Existen dos formas de llevar a cabo la anterior
estimulación puntual o intervalo.

En la primera se busca que con base a los datos muéstrales de origen a una
estimulación evaluada del parámetro y que recibe el nombre de estimador puntual.
Para la segunda se determina un intervalo en la que forma probable se encuentre
el valor de parámetro y recibe el nombre de intervalo de confianza.

BIBLIOGRAFIA:
http://seraace.com/files/CAPITULO-6B_e88ap342.pdf

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/example-of-a-hypothesis-test/

6.3 PRUEBA DE HIPÓTESIS

Un contraste o test de hipótesis es el procedimiento estadístico mediante el cual se
investiga la veracidad o falsedad de una hipótesis acerca de algún parámetro
poblacional. Llamaremos hipótesis nula 𝐻0 a la hipótesis que se formula y que se
desea contrastar, y llamaremos hipótesis alternativa 𝐻1 a cualquiera otra situación
que sea contraria a la hipótesis nula.

EJEMPLO:
De las estaturas en centímetros de los estudiantes de alguna universidad. El interés
se centra sobre la estatura promedio de los estudiantes, de manera específica, el
interés recae en decir si la estatura promedio es o no de 165 centímetros, esto lo
podemos expresar simbólicamente como:

La proposición 𝐻0 : 𝜇 = 165 centímetros, se conoce como Hipótesis nula, mientras

que la proposición 𝐻𝑎 : 𝜇 ≠ 165 centímetros, recibe el nombre de Hipótesis
alternativa. En la hipótesis alternativa se especifican los valores de que pueden ser
mayores o menores que 165 centímetros, también se conoce como Hipótesis
alternativa bilateral. En algunas situaciones, lo que se desea es formular una
Hipótesis alternativa unilateral, como pudieran ser:

De este modo, en forma general podemos decir que la Hipótesis nula, representada
por 𝐻0 es la afirmación sobre una o más características de poblaciones que al inicio
se supone cierta (es decir, una "creencia a priori").
La Hipótesis alternativa, representada por𝐻𝑎 es la afirmación contradictoria a 𝐻𝑎 y
ésta es la hipótesis del investigador.
6.3.1 ERRORES TIPO I Y II
El procedimiento de contrastar la hipótesis nula contra la hipótesis alternativa con
base de la información obtenida en una muestra aleatoria, puede llevar a cometer
dos posibles errores, debido a fluctuaciones o variaciones del azar en el muestreo.
Si la hipótesis nula es en realidad verdadera, pero los datos de la muestra aleatoria
la contradicen entonces la hipótesis nula es rechazada y entonces se estará
cometiendo el Error Tipo I. Por otro lado, si la hipótesis nula es falsa y los datos de
la muestra conllevan a no rechazarla, se estará cometiendo el Error Tipo II.
En otras palabras, El Error tipo I se define como el rechazo de la hipótesis nula 𝐻0
cuando esta es verdadera y el Error tipo II se define como la aceptación de la
hipótesis nula 𝐻0 cuando esta es falsa. Por lo tanto, al probar cualquier hipótesis
estadística, existen cuatro situaciones diferentes que determinan si la decisión final
es correcta o errónea. Estas situaciones aparecen en la tabla.
Algunas veces, la probabilidad del error tipo I recibe el nombre de nivel de
significancia de la prueba y se denota con 𝛼 y La probabilidad de cometer un error
Tipo II se denota por . La probabilidad de no rechazar una hipótesis nula verdadera
es la confianza 1 − 𝛼1 con la cual se trabajó para hacer estimaciones por intervalo.
Cuando se rechaza una hipótesis nula falsa se ha tomado una decisión correcta y
la probabilidad de hacerlo se denomina potencia o poder de la prueba y es denotada
por 1 . En símbolos esto se expresa de la siguiente manera:

El nivel de significancia  lo fija el investigador, y en la práctica se suelen usar

valores de 0.01, 0.05 o el 0.1
Se ilustra las reglas de decisión y los tipos de error:
6.3.2. PASOS PARA REALZAR UNA PRUEBA DE HIPÓTESIS
Una vez que se han formulado las hipótesis nulas, 𝐻0 y la hipótesis alternativa, 𝐻0
se debe realizar un procedimiento de comparación‚ por medio del cual se toma una
decisión basada en la muestra aleatoria seleccionada de la población en estudio.
Para llevar a cabo este procedimiento es necesario seleccionar el estadístico de
prueba adecuado, calcularlo con base en la muestra y luego tomar la decisión de
rechazar o no 𝐻0 con respecto a un nivel de significancia 𝛼. Se recomienda utilizar
los siguientes pasos al aplicar la metodología de prueba de hipótesis.
Los pasos a seguir en una prueba de hipótesis son:
1. Identificar el parámetro de interés, el cual se deriva del problema.
2. Formular las hipótesis nulas 𝐻0 y la hipótesis alternativa Ha.
3. Escoger un nivel de significancia .
4. Seleccionar el estadístico de prueba adecuado a la distribución muestral.
5. Determinar la región crítica o de rechazo para el estadístico de prueba.
6. Calcular el estadístico de prueba.
7. Tomar una decisión de rechazar 𝐻0 o no rechazarla.
8. Dar una conclusión al problema
BIBLIOGRAFIA:
http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/unidad_7_prueba_de_hiptesis.html

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/example-of-a-hypothesis-test/