Beruflich Dokumente
Kultur Dokumente
Vicerrectoría Académica
Oficina de Educación Virtual y TIC
Unidades Tecnológicas de Santander
2018
CARTILLA DIDÁCTICA DIGITAL ESTADÍSTICA INFERENCIAL
Licenciado en Matemáticas: Mg. German Andrés Bautista Obregón
Reservados todos los derechos. No se permite la reproducción total o parcial de esta obra, ni su incorporación a un
sistema informático, ni su transmisión en cualquier forma o por cualquier medio (electrónico, mecánico, fotocopia,
grabación u otros) sin autorización previa y por escrito de los titulares del copyright. La infracción de dichos derechos
puede constituir un delito contra la propiedad intelectual.
CONTENIDO
PRESENTACIÓN 8
JUSTIFICACIÓN 9
CAPÍTULO I
DISTRIBUCIONES MUESTRALES Y ESTIMACIONES 10
1.1 VARIABLES ALEATORIAS DISCRETAS Y CONTINUAS 12
1.2 CONCEPTO DE DISTRIBUCIÓN MUESTRAL DE UN ESTADÍSTICO 13
1.3 MEDIA Y LA VARIANZA DE LAS DISTRIBUCIONES
DISCRETAS Y CONTINUAS 19
AUTOEVALUACIÓN 25
CAPÍTULO II
DISTRIBUCION NORMAL E INTERVALOS DE CONFIANZA 26
2.1 DISTRIBUCIÓN DE PROBABILIDAD NORMAL 28
2.2 PROPIEDADES DE LA DISTRIBUCIÓN NORMAL 29
2.3 ESTANDARIZACIÓN O TIPIFICACIÓN DE LA DISTRIBUCIÓN NORMAL 30
2.4 ESTIMACIÓN POR INTERVALOS DE CONFIANZA 40
AUTOEVALUACIÓN 46
CONTENIDO
CAPÍTULO III
PRUEBAS DE HIPÓTESIS 47
3.1 CONCEPTOS BÁSICOS DE LAS PRUEBAS DE HIPÓTESIS 49
3.2 PASOS PARA PROBAR UNA HIPÓTESIS 49
3.3 PRUEBAS DE SIGNIFICANCIA DE UNA Y DOS COLAS 50
AUTOEVALUACIÓN 57
RESUMEN GENERAL 58
GLOSARIO 59
REFERENCIAS 60
LISTA DE TABLAS Y CUADROS
Tabla N° 1. Función de distribución de probabilidad 13
Tabla N° 2. Espacio muestral 15
Tabla N° 3. Función de distribución de probabilidad 15
Tabla N° 4. Resultados encuesta familiar 22
Tabla N° 5. Autoevaluación 25
La cartilla didáctica digital de Estadística Inferencial, tiene como fin dar una guía acertada
y precisa, para la construcción del aprendizaje significativo de los estudiantes Uteísta, que
cursan virtualmente este módulo.
Los profesionales de las diferentes áreas, se enfrentan hoy en día a grandes retos como
nunca antes, debido a la utilización de la tecnología en los diferentes procesos de
producción y venta de productos o servicios, permitiendo el acceso a gran variedad de
datos.
Para llevar a cabo la ejecución de proyectos o metas, en una organización ya no basta sólo
con el sentido común, para los empresarios; la estadística se ha convertido en un
instrumento valioso, que los ayudará a enfrentar las diversas situaciones de
incertidumbre, en un mundo globalizado donde se dispone de una significativa
información competitiva, a nivel general.
El análisis estadístico y el uso de métodos de medición, son la base para evaluar el éxito
de un negocio o proceso, con la finalidad de posibilitar la implementación acciones, y
mejoras efectivas basadas en las necesidades y expectativas de la organización.
Este contexto este material, se constituye como guía temática y conceptual, para la toma
de decisiones, en el análisis de datos y procesamiento de información.
8
JUSTIFICACIÓN
ESTADÍSTICA INFERENCIAL
A medida que avanza la tecnología, y se involucra cada vez más en las diferentes ramas
del conocimiento, ha posibilitado, el incrementó el flujo de información relevante, para el
desarrollo de cualquier proyecto o investigación.
Para tomar decisiones efectivas, las organizaciones deben contar con profesionales con
capacidad de organizar grandes cantidades de datos, en forma apropiada, para
transformarlos en información, que permita llegar a conclusiones razonables, sobre una
determinada situación.
9
Figura 1. Diagrama de barras.
logo-3543961_960_720 [ Imagen ]Recuperado de: https://pixabay.com
DISTRIBUCIONES MUESTRALES
Y ESTIMACIONES
10
VARIABLES ALEATORIAS.
Clasifican.
DISCRETAS. CONTINUAS.
DISTRIBUCION DE LA PROBABILIDAD
Determinar.
EJEMPLO 2.
La información sobre las ventas, del mes de junio del año 2018 de una tienda de celulares
ubicada centro comercial Bucacentro, de la ciudad de Bucaramanga durante los 24 días
que laboraron fueron:
Durante 3 días no se vendió ningún celular; durante 5 días se vendió un solo celular;
durante 7 días se vendieron dos celulares; durante 6 días se vendieron tres celulares, y
durante 3 días se vendieron cuatro celulares. Determinar la distribución de probabilidad,
para este caso.
13
La figura N° 2 de la distribución de probabilidad, se muestra a continuación.
• Que la probabilidad de vender 3 celulares un día cualquiera, en del mes de mayo es:
1
𝑃 2 = 4 = 0.25, es decir 25%.
• Que la probabilidad de vender 2 celulares o menos un día cualquiera, del mes de mayo
1 5 7 5
es: 𝑃 0 + 𝑃 1 + 𝑃 2 = 8 + 24 + 24 = 8 = 0.625, es decir 62.5%.
• Que la probabilidad de vender 3 celulares o más un día cualquiera, del mes de mayo
1 1 3
es: 𝑃 3 + 𝑃 4 = 4 + 8 = 8 = 0.375, es decir 37.5%.
• La suma de la probabilidad de los resultados obtenidos es igual 1, es decir,
1 5 7 1 1
100%, 8 + 24 + 24 + 4 + 8 = 1.
14
EJEMPLO 3.
Se lanzan dos dados, y al caer se suma el resultado de la cara superior de cada uno de
ellos. Determinar, la distribución de probabilidad para este caso.
Lo primero que se hace es definir la variable aleatoria discreta X, como la suma de los
resultados obtenidos, al lanzar los dados. Luego, se determina el espacio muestral
realizando una tabla, donde la primera fila representa el dado uno, y la primera columna
representa el dado dos, se completa la tabla realizando las sumas de los resultados, como
se muestra a continuación, en la Tabla N° 2.
Suma 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
x 2 3 4 5 6 7 8 9 10 11 12
P(x) 1/36 1/18 1/12 1/9 5/36 1/6 5/36 1/9 1/12 1/18 1/36
15
En la figura N° 3, se muestra la distribución de probabilidad.
Si la variable aleatoria es continua, existen infinitos valores posibles que puede tomar la
variable. Por lo tanto, no es posible encontrar la probabilidad de un valor puntual de la
variable, como se puede hacer en el caso de las variables aleatorias discretas, pero si es
posible calcular la probabilidad acumulada hasta cierto valor; a esto se denomina,
densidad de la probabilidad.
1. 𝑓(𝑥) ≥ 0
𝑏
2. 𝑃 𝑎 < 𝑥 < 𝑏 = 𝑥𝑑 𝑥 𝑓 𝑎
∞
3. −∞ 𝑓 𝑥 𝑑𝑥 = 1
∞
A la integral −∞ 𝑓 𝑥 𝑑𝑥, se le denomina función de distribución. Teniendo en cuenta lo
anterior, se puede encontrar la función de distribución acumulada, la cual permite
calcular la probabilidad acumulada de un valor x dado, se representa por F(x) y se define:
𝑥
𝐹 𝑥 = 𝑃 𝑋 ≤ 𝑥 = −∞ 𝑓 𝑡 𝑑𝑡, para −∞ ≤ 𝑥 ≤ ∞
La función de distribución acumulada, de una variable aleatoria continua cumple con las
siguientes propiedades:
1. 𝑃 𝑋 ≤ 𝑥 = 𝐹(𝑥)
2. 𝑃 𝑋 > 𝑥 = 1 − 𝐹(𝑥)
3. 𝑃 𝑎 ≤ 𝑥 ≤ 𝑏 = 𝐹 𝑏 − 𝐹(𝑎)
c) ¿Cuál es la probabilidad que un bombillo funcione, entre 0,6 y 0,9 miles de horas?
Para determinar la probabilidad, que cumpla la condición dada, sólo se reemplaza en la
función de distribución acumulada, utilizando la propiedad indicada, de la siguiente
forma:
𝑃 0.6 ≤ 𝑋 ≤ 0.9 = 𝐹 0.9 − 𝐹 0.06 = 1 − 2−0,9 − 1 − 2−0,6 = 0.1238
Por lo tanto, la probabilidad de que un bombillo seleccionado al azar funcione, entre 0,6
y 0,9 miles de horas es de 12,38%.
18
1.3 MEDIA Y LA VARIANZA DE LAS DISTRIBUCIONES DISCRETAS Y CONTINUAS.
𝜇 = 𝑥𝑖 ∙ 𝑓(𝑥𝑖 )
Las medidas valor esperado, varianza y desviación estándar, son importantes ya que
ayudan en el análisis y planteamiento de conclusiones, de un conjunto de datos a partir
de la función de distribución de probabilidad.
19
EJEMPLO 4.
La información sobre las ventas del mes de junio del año 2018, de una tienda de celulares
ubicada centro comercial Bucacentro de la ciudad de Bucaramanga durante los 24 días
que laboraron, se muestran en el cuadro N° 3:
Para encontrar estas medidas, lo primero que se hace definir la variable aleatoria discreta
𝑥_𝑖, como el número de celulares vendidos durante los 24 días labores del mes de junio,
y 𝑓(𝑥_𝑖 ) la función de distribución de probabilidad, como se muestra en la figura N° 4.
(Ejemplo 2).
20
Luego se multiplica cada 𝑥𝑖 por 𝑓 𝑥𝑖 , que es su probabilidad correspondiente para
después sumar todos los productos obtenidos, como se muestra en el cuadro N° 4:
21
EJEMPLO 5.
Cantidad de hijos. 0 1 2 3 4
Número de familias. 72 168 192 108 60
Para encontrar estas medidas, lo primero que se hace definir la variable aleatoria discreta
𝑥𝑖 , como el número de hijos tiene cada familia, y 𝑓 𝑥𝑖 la función de distribución de
probabilidad, como se muestra en la figura N° 5.
22
Luego se multiplica cada 𝑥𝑖 por 𝑓 𝑥𝑖 , que es su probabilidad correspondiente para
después sumar todos los productos obtenidos, como se muestra en el cuadro N° 6:
23
1.3.2 Valor esperado y varianza de una variable aleatoria continúa:
∞
• La varianza de la variable x, es 𝜎 2 = −∞(𝑥 − 𝜇)2 ∙ 𝑓 𝑥 𝑑𝑥 .
∞
• La desviación estándar de la variable x, es 𝜎 = −∞(𝑥 − 𝜇)2 ∙ 𝑓 𝑥 𝑑𝑥.
Para determinar cada una de estas medidas, se hace necesario evaluar la integral
resultante. Una variable aleatoria continua, corresponde a un modelo matemático de un
fenómeno. Para caracterizar el comportamiento de dicho modelo, es importante conocer
la función de distribución de probabilidad.
Tabla N° 5
Cantidad de TV. 0 1 2 3 4
Número de personas. 5 60 90 15 10
Determinar:
25
Figura 6. Distribución normal.
logo-3543944_960_720 [ Imagen ]Recuperado de: https://pixabay.com
DISTRIBUCIÓN NORMAL E
INTERVALOS DE CONFIANZA
26
DISTRIBUCION DE PROBABILIDAD
NORMAL.
Cumple
PROPIEDADES Y CARACTERISTICAS.
Permiten.
LA ESTANDARIZACIÓN DE LA DISTRIBUCIÓN
NORMAL 𝑁 0,1 .
Para generar.
27
Capítulo II
• El punto donde alcanza su valor más alto la curva, es la media que a su vez coincide con
la mediana, y la moda de la distribución.
29
businessman-3492380_960_720 [ Imagen ]Recuperado de: https://pixabay.com
𝑋−𝜇
𝑍=
𝜎
30
TABLA DE DISTRIBUCIÓN NORMAL.
TABLA 1
31
TABLA DE DISTRIBUCIÓN NORMAL.
TABLA 2
Fuente: elaboración propia.
32
En estas tablas, se muestra la medida del área bajo la curva de izquierda a derecha, hasta
el valor Z calculado, de la distribución normal estándar 𝑁(0,1). Para conocer el valor de
la probabilidad, se busca en la primera columna las unidades y las décimas, y en la
primera fila las centésimas del valor de Z.
EJEMPLO 1
24 − 28
𝑍= = −0,8
5
Para determinar la probabilidad, que la temperatura, esté por encima de los 〖26〗^o C, de
nuevo se determina el valor Z, sólo cambiando 〖X=26〗^o C, como se muestra a
continuación: 26 − 28
𝑍= = −0,4
5
Se busca este valor -0,4 en la tabla 1 y se encuentra la probabilidad correspondiente
tiendo en cuenta que se buscan los valores mayores como se muestra en la figura N° 11.
Para calcular el área deseada, se recuerda que la medida del área total bajo la curva es
igual 1, realizando la resta de áreas respectivas, se obtiene:
Por lo tanto, la probabilidad de la temperatura en este mes, esté por encima de los 26𝑜 𝐶,
es de 65,54%.
26−28
𝑍= = −1,2
5
34
Se busca este valor -1,2 en la tabla 1, y se encuentra la probabilidad correspondiente
como se muestra en la figura N° 12.
Por lo tanto, la probabilidad que en este mes la temperatura, esté entre 22𝑜 𝐶 y 30𝑜 𝐶 es
de 54,03%.
36
EJEMPLO 2.
a) Entre 70 y 86 Kilogramos
b) Menos 60 Kilogramos
c) Más 85 Kilogramos.
Lo primero que se hace para determinar la cantidad de trabajadores, que cumplen con el
peso indicado, es definir la variable X, como el peso de los trabajadores. Luego se sacan
los datos que proporciona el problema, los cuales son 𝜇=80𝑘𝑔, y 𝜎=12𝑘𝑔.
Para encontrar cuántos trabajares tienen un peso entre 70 y 86 Kilogramos, se debe
encontrar el valor Z, de cada uno de los pesos, comenzar reemplazando 𝑋=70𝐾𝑔, como
se nuestra a continuación:
70 − 80
𝑍= = −0,83
12
37
Ahora se encuentra el valor Z, para 𝑋 = 86 𝐾𝑔, como se muestra a continuación:
86 − 80
𝑍= = 0,5
12
Para calcular área del intervalo buscado, se realiza la resta de las áreas obtenidas
anteriormente:
38
Ahora se multiplica la probabilidad obtenida, por la cantidad de trabajadores
encuestados, 600 ∙ 0,4882 = 292,92 . Por lo tanto, se puede concluir que 292
trabajadores, tienen un peso entre 70 y 86 Kilogramos.
Para encontrar cuántos trabajares tiene un peso menor a los 60 Kilogramos, se debe
encontrar el valor Z, para 𝑋 = 60 𝐾𝑔, como se muestra a continuación:
60 − 80
𝑍= = −1,66
12
Para encontrar cuántos trabajares tiene un peso mayor a los 88 Kilogramos, se debe
encontrar el valor Z, para 𝑋 = 60 𝐾𝑔 , como se nuestra a continuación:
85 − 80
𝑍= = 0,41
12
39
Figura N° 21. Probabilidad, con base al valor 0,41 de la tabla 2.
Para calcular el área deseada, se recuerda que la medida del área total bajo la curva es
igual 1, realizando la resta de áreas respectivas se obtiene:
40
Figura N° 22. Determinación del intervalo de confianza.
𝝈 𝝈
𝒙𝟎 = 𝑿 − 𝒁𝜶Τ𝟐 ∙ 𝒙𝟏 = 𝑿 + 𝒁𝜶Τ𝟐 ∙
𝒏 𝒏
𝝈 𝝈
Intervalo de confianza para 𝝁 = 𝑿 − 𝒁𝜶Τ𝟐 ∙ , 𝑿 + 𝒁𝜶Τ𝟐 ∙
𝒏 𝒏
41
EJEMPLO 3.
Lo primero que se hace es identificar los datos proporcionados el problema, los cuales
son 𝑛=300, ¯𝑋=1200 ℎ, 𝜎=50 ℎ, 𝛼=5% con un nivel de confianza, del 95%, luego se
grafica como se muestra en la figura N° 23.
Como se observa en la tabla el valor de Z, para el área bajo la curva con medida 0,975 es
1.96, teniendo este valor se define 𝒁𝜶Τ𝟐 = 1.96 remplazamos en las fórmulas para
encontrar el intervalo de confianza para la media como se muestra a continuación:
50 50
𝒙0 = 1200 − 1,96 ∙ 𝒙1 = 11200 − 1,96 ∙
300 300
Por lo tanto, se puede concluir con una confianza del 95%, que la media de la duración de
la nueva marca de bombillos, está entre 1194.34 y 1205.65 horas.
EJEMPLO 4.
Lo primero que se hace es identificar los datos proporcionados el problema los cuales son
n=400, ¯X=168 cm, σ=10 cm, α=10% con un nivel de confianza del 90%, luego se grafica
como se muestra en la Figura N° 25.
43
Con ayuda de la gráfica y tabla de distribución normal se busca el valor 𝒁𝜶Τ𝟐 de la
siguiente forma: Figura N° 26
Como se observa el área bajo la curva hasta 𝒁𝜶Τ𝟐 mide 0,95, ahora se busca en tabla de
distribución normal, estandarizada (tabla 2) el valor Z, que tenga esta medida como se
muestra a continuación:
44
Se observa en la tabla, que no está el valor exacto 0,95 y los valores de Z más de
cercanos, están a la misma distancia; por lo tanto se promedian, para encontrar el valor
de 𝒁𝜶Τ𝟐 de la siguiente forma:
1.64 + 1.65
𝒁𝜶Τ𝟐 = = 1.645
2
𝟏𝟎 𝟏𝟎
𝒙𝟎 = 𝟏𝟔𝟖 − 𝟏, 𝟔𝟒𝟓 ∙ 𝒙𝟏 = 𝟏𝟔𝟖 + 𝟏, 𝟔𝟒𝟓 ∙
𝟒𝟎𝟎 𝟒𝟎𝟎
Por lo tanto, se puede concluir con una confianza del 90%, que la media de la altura de los
estudiantes de Tecnología Deportiva, está entre 167.17 y 168.82 centímetros.
a) Entre 20 y 35 Kilogramos
b) Menos 25 Kilogramos
c) Más 30 Kilogramos.
46
Figura 6. 27. Pruebas de hipótesis.
analysis-810025_960_720 [ Imagen ]Recuperado de: https://pixabay.com
PRUEBAS DE HIPÓTESIS
47
TOMA DE DECISIONES.
Basadas
PRUEBAS HIPÓTESIS
Presentan
Pruebas de significancia de
una y dos colas.
Para.
48
Capítulo III
PRUEBAS DE HIPÓTESIS
Figura N° 27. Pruebas de hipótesis. 3.1 Conceptos básicos de las pruebas de
hipótesis.
Para esto, se utilizan las pruebas de hipótesis, las que son un proceso basado en
evidencias muéstrales y la teoría de la probabilidad, con el ánimo de aceptar o rechazar,
una hipótesis (suposición o afirmación), relacionada con el comportamiento de un
conjunto de datos.
49
4. Establecer o especificar, el nivel de significancia.
5. Encontrar o limitar las regiones de rechazo, o aceptación de hipótesis nula.
6. Conclusión, es cuando se calcula el estadístico de prueba 𝑍𝑝 para la media, el que se
define a continuación:
𝑋 − 𝜇𝜃
𝑍𝑝 = 𝜎
ൗ 𝑛
Se trabaja con prueba de significancia de una cola, cuando se conoce el signo potencial,
de la hipótesis alternativa. En caso de no conocer el signo potencial de la hipótesis
alternativa, se emplea la prueba de significancia de dos colas, como se muestra a
continuación:
Caso 1. Caso 2.
𝐻0 ∶ 𝜇𝜃 ≤ 𝜇 𝐻0 ∶ 𝜇𝜃 ≥ 𝜇
𝐻1 ∶ 𝜇𝜃 > 𝜇 𝐻1 ∶ 𝜇𝜃 < 𝜇
𝐻0 ∶ 𝜇𝜃 = 𝜇
𝐻1 ∶ 𝜇𝜃 ≠ 𝜇
(Bilateral)
50
EJEMPLO 1. Capítulo III
El gerente de una nueva fábrica de bombillos, asegura que la duración promedio en
horas de su producto es de mínimo 1200 h, con una desviación estándar de 50 h.
Lo primero que se hace es plantear la hipótesis nula, la cual niega o contradice lo que se
quiere verificar, por esto, se afirma que la duración de los bombillos, es mayor a 1200 h.
Luego se plantea la hipótesis alternativa, en la cual se afirma que la duración de
bombillos es menor 1200 h, esto, se representa de la siguiente forma:
𝐻0 : 1200≥ 𝜇
𝐻1 : 1200 < 𝜇
Luego se identifican los demás datos proporcionados el problema, los cuales son 𝑛=40,
¯𝑋=1130 ℎ, 𝜎=50 ℎ y 𝛼=5%. Con ayuda del nivel de significancia, se definen las regiones
de rechazo o aceptación de hipótesis nula, como se muestra en la en la figura N° 28.
51
Capítulo III
Para determinar el valor límite, se busca en la tabla 1 de distribución normal
estandarizada, para el cual valor de Z, es la medida del área bajo la curva es 0.05, como se
muestra a continuación:
Como se observa en la tabla, no está el valor exacto 0,05, y los valores de Z más de
cercanos, están a la misma distancia; por lo tanto, se promedian, para encontrar el valor
buscado:
−1.64 − 1.65
Z= = −1.645
2
1130 − 1200
𝑍𝑝 = = −2.52
50ൗ
40
52
EJEMPLO 2. Capítulo III
Un informe publicado por una importante página de internet, afirma que el precio
promedio de un boleto de avión entre Bucaramanga y Cartagena en el mes de noviembre
tiene un valor mínimo $450.000 pesos, con una desviación estándar de $120.000 pesos.
Al tomar una muestra aleatoria de 80 pasajeros en este mes, se obtuvo costo promedio
$420.000 pesos. ¿Con un nivel de significancia del 10%, se podría decir que el informe
está en lo correcto?
Lo primero que hacemos es plantear la hipótesis nula, la cual niega o contradice lo que se
quiere verificar, por esto se afirma que el costo de los boletos de avión en este es menor
$450.000 pesos. Luego se plantea la hipótesis alternativa la cual afirma que el costo de
boletos de avión en este mes es mayor $450.000 pesos, esto se representa de la
siguiente forma:
𝐻0 : 450.000≤ 𝜇
𝐻1 : 450.000> 𝜇
Luego se identifican los demás datos proporcionados el problema los cuales son 𝑛=80,
¯𝑋=$420.000, 𝜎=$120.000 y 𝛼=10%. Con ayuda del nivel de significancia se definen las
regiones de rechazo o aceptación de hipótesis nula como se muestra en figura N°30.
53
Capítulo III
Para determinar el valor límite, se busca en la tabla 2 de distribución normal
estandarizada, para cual valor de Z, la medida del área bajo la curva es de 0.9, como se
muestra a continuación:
Como se observa en la tabla 2, no está el valor exacto para 0,9; por lo tanto, se toma el
valor de Z más cercano, el cual es 1.28; luego se calcula el estadístico de prueba 𝑍𝑝 , para
ubicarlo en el gráfico de acepta o rechaza la hipótesis nula, como se muestra a
continuación:
420.000 − 450.000
𝑍𝑝 = = −2.23
120.000ൗ
80
54
EJEMPLO 2. Capítulo III
El departamento de salud ocupacional de una fábrica de zapatos, ubicada en la cuidad
Bucaramanga, realizó una encuesta sobre peso de cada uno de sus trabajadores, donde
se encontró que el peso promedio fue 82 kg, con desviación estándar de 12 kg. Después
10 meses, se tomó el peso de 50 trabajadores al azar, donde se obtuvo una media de 86
kg. ¿Con un nivel de significancia del 10%, se podría afirmar que el peso promedio, ya no
es igual?
Lo primero que se hace, es plantear la hipótesis nula, la cual niega o contradice lo que se
quiere verificar, por esto, se afirma que el peso promedio, se mantiene igual 82 kg. Luego
se plantea la hipótesis alternativa, la que afirma que el peso promedio ha cambiado, o es
diferente a 82 kg, esto se representa de la siguiente forma:
𝐻0 : 82= 𝜇
𝐻1 : 82≠𝜇
Luego se identifican los demás datos proporcionados el problema, los cuales son 𝑛=50,
¯𝑋=86 𝑘𝑔, 𝜎=12 𝑘𝑔 y 𝛼=10%. Con ayuda del nivel de significancia, se definen las dos
regiones de rechazo, y la región aceptación para la hipótesis nula, en este caso particular
como se muestra, en la Figura N° 32.
Para determinar el valor de los límites, se busca en las tablas 1 y 2 de distribución normal
estandarizada, los valores de Z, que cumplan con las áreas, bajo la curva que se necesitan,
como se muestra a continuación:
55
Capítulo III
Como se observa en la tabla 1, no está el valor exacto 0,05 y los valores de Z más de
cercanos, están a la misma distancia; por lo tanto, se promedian, para encontrar el valor
buscado:
−1.64 − 1.65
Z= = −1.645
2
Para encontrar el segundo límite, se busca en la tabla 2, como se muestra a continuación:
Como se observa en la tabla 2, no está el valor exacto 0,95 y los valores de Z más de
cercanos, están a la misma distancia; por lo tanto, se promedian, para encontrar el valor
buscado:
1.64 + 1.65
Z= = 1.645
2
Ahora se calcula el estadístico de prueba 𝑍𝑝 para ubicarlo en el gráfico de acepta o
rechaza la hipótesis nula, como se muestra a continuación:
86 − 82
𝑍𝑝 = = 2.35
12ൗ
50
57
RESUMEN
ESTADÍSTICA INFERENCIAL
58
GLOSARIO
D
Datos continuos: son aquellos, que pueden Eventos mutuamente excluyentes: eventos
tomar cualquier valor numérico, en un que no dependen, el uno del otro, para
intervalo o del conjunto, de los números suceder.
Reales. H
Datos discretos: son aquellos, que toman un
número finito de valores, se representan, a Hipótesis: Proposición o afirmación que no se
través del conjunto de los números enteros. ha probado acerca de un fenómeno de
interés para un investigador o empresario.
Dispersión: es la variabilidad, de un conjunto
de datos. M
E Medidas de dispersión: son aquellas que
indican la variabilidad, de un conjunto de
Espacio muestral: es el conjunto, de todos los datos.
posibles resultados de un experimento.
Medidas de tendencia central: son las que
Estadístico: descripción de una medida, es la determinan el valor central, al cual se acercan
que se obtiene de una muestra o población. o tienden un conjunto de datos.
59
REFERENCIAS
BIBLIOGRAFICAS
Anderson, D., Sweeney, D., & Williams, T. (2012). Estadística para negocios y economía
(Onceava ed.). CENGAGE Learning.
Bickel p.j., doksum k.a.(2015) Mathematical Statistics: Basic Ideas and Selected Topics,
Volume I, Second Edition. Chapman and Hall/CRC.
Levin, R., & Rubin, D. (2004). Estadística para administración y economía. (Séptima ed.).
México: Pearson Educación.
Lind, D., Marchal, W. & Wathen, S. (2012). Estadística Aplicada a los Negocios y la
Economía. Décimo Quinta Edición. McGraw Hill.
Lind, Douglas. A. (2004). Estadística para administración y economía. 11ed. México: Alfa
omega.
60
REFERENCIAS
BIBLIOGRAFICAS
Martínez B., Ciro. (2012). Estadística y Muestreo. Décima Tercera Edición. ECOE.
Murray R. Spiegel, Larry J. Stephens. Estadística cuarta edición. McGraw-Hill México D.F.
Recuperado de:
file:///C:/Users/GERMAN/Downloads/Estad%C3%ADstica.%20Serie%20Schaum-
%204ta%20edici%C3%B3n%20-%20Murray%20R.%20Spiegel.pdf%20(1).pdf
Ramírez Benavides, (2005). Kryscia Daviana. Pruebas de Hipótesis de Una y Dos Muestras.
Recuperado
de:http://www.kramirez.net/ProbaEstad/Material/Presentaciones/PruebasHipotesisUnaY
DosMuestras.pdf
61
REFERENCIAS
BIBLIOGRAFICAS
Spiegel, M., Schiller J. & Srinivasan, A. (2010). Probabilidad y Estadística Schaum. Tercera
Edición. McGraw Hill.
62