Beruflich Dokumente
Kultur Dokumente
Matrícula: 620245960
Materia: ESTADISTICA INFERENCIAL
Docente: ING. JIMENEZ PERALTA EVELYN
Campus: Villahermosa
Fecha de entrega: 11/09/2023
ACTIVIDAD: EJERCICIOS SOBRE DISTRIBUCIONES
MUESTRALES
ACTIVIDAD 1:
EJERCICIOS SOBRE DISTRIBUCIONES MUESTRALES
Fecha:11/09/2023
• Con base en el material consultado en la unidad resuelve los ejercicios que se plantean
acerca de los siguientes temas:
➢ Distribuciones muestrales
➢ Teorema del Límite Central (TLC)
Técnicas básicas
1. Una población consta de cinco números: 2,3,6,8,11. Considere todas las muestras
posibles de tamaño dos que pueden extraerse con reemplazo de esta población.
Encontrar:
1. La media de la población
!𝒳# %&'&(&)&**
𝜇= $
= +
=6
𝜇=6
%
√!(./01) 3(%0()! &('0()! &((0()! &()0()! &(**0()! 3(04)! &(0')! &(5)! &(%)! &(+)!
𝜎= $
= +
= +
=√10.8
𝜎 = 3.286
Para obtener una muestra el ejercicio nos menciona que sean todas las muestras posibles de tamaño con
dos con reemplazo. Por lo tanto, tenemos un muestreo con reposición y la ecuación es:
𝑁𝑛
N = número de elementos de la población
n = tamaño de los grupos de la muestra
𝑁 " = 5# = 25
Nuestra muestra consta de 25 elementos
2 3 6 8 11
2 2.0 2.5 4.0 5.0 6.5
3 2.5 3.0 4.5 5.5 7.0
6 4.0 4.5 6.0 7.0 8.5
8 5.0 5.5 7.0 8.0 9.5
11 6.5 7.0 8.5 9.5 11.5
1
𝜇
(2.0) + (2.5) + (3.0) + (4.0) + (4.5) + (5.0) + (5.5) + (6.5) + (7.0) + (4.0) + (4.5) + (6.0) + (7.0) + (8.5) + (5.0) + (5.5) + (7.0) + (8.0) + (9.5) + (6.5) + (7.0) + (8.5) + (9.5) + (11.5)
=
25
456
𝜇= =6
#5
𝜎 = ,-(𝑥/ − 𝜇)
/7*
2(2 − 6)% + (2.5 − 6)% + (4 − 6)% + (5 − 6)% + (6.5 − 6)% + (2.5 − 6)% + (11 − 6)%
=
25
135
= = 5.4 = 𝜎8 = √5.4 = 2.32
25
a. n=36,µ=10,s2=9
𝜇 = 𝜇8 = 10
𝜎 3
𝜎8 = = = 0.5
√𝑛 √36
b. n=100,µ=5,s2=4
𝜇 = 𝜇8 = 5
𝜎 3
𝜎8 = = = 0.2
√𝑛 √100
c. n=8,µ=120,s2=1
𝜇 = 𝜇8 = 120
𝜎 1
𝜎8 = = = 0.35
√𝑛 √8
2
De acuerdo con el Teorema del Límite Central, si las poblaciones muestreadas no son
normales, ¿qué se puede decir acerca de la distribución muestral de X para los incisos a, b y c?
R=El Teorema del Límite Central nos dice que para que la distribución muestral se
considere normal, aunque la población no lo sea, n debe ser grande igual o mayor a 30.
El inciso a) y b) cumplen a excepción de c), donde el tamaño de muestra es igual a n= 8.
a. n=1
𝜎 1
𝑆𝐸 = = =1
√𝑁 √1
b. n=2
𝜎 1
𝑆𝐸 = = = 0.707
√𝑁 √2
c. n=4
𝜎 1
𝑆𝐸 = = = 0.5
√𝑁 √4
d. n=9
𝜎 1
𝑆𝐸 = = = 0.33
√𝑁 √9
e. n=16
𝜎 1
𝑆𝐸 = = = 0.25
√𝑁 √16
f. n=25
𝜎 1
𝑆𝐸 = = = 0.2
√𝑁 √25
g. n=100
𝜎 1
𝑆𝐸 = = = 0.1
√𝑁 √100
3
4. Se seleccionaron muestras aleatorias de tamaño n de poblaciones binomiales con
parámetros poblacionales p dados aquí. Encuentre la media y la desviación estándar de
la distribución de muestreo de la proporción muestral pˆ en cada caso:
a. n=100,p=0.3
𝜇 9?
97: < =7 7>
6
(0.3)(0.7)
𝜇: = 0.3 𝑦 𝜎: = > = 0.046
100
b. n=400,p=0.1
(0.1)(0.9)
𝜇: = 0.1 𝑦 𝜎: = > = 0.015
400
c. n=250,p=0.6
(0.6)(0.4)
𝜇: = 0.6 𝑦 𝜎: = > = 0.031
250
c. n=250,p=0.99
Cumple con dos de las condiciones:
𝑛 > 30 ⟶ 250 > 30
𝑛𝑝 ≥ 5 → (250)(0.99) ≥ 5 ⟶ 247.5 ≥ 5
Por lo tanto
𝜇 9?
97: < =7 7>
6
𝜇: = 0.99 𝑦 𝜎: = 0.006
4
Aplicaciones
Debemos calcular el valor de z para x= 7, pero antes debemos calcular el valor de la desviación estándar
muestral.
𝜎 4
𝜎8 = = = 0.73
√𝑛 √30
𝑥−𝜇 7−8
𝑍@ = 𝜎 = 0.73 = 1.37
√𝑛
𝑃(𝑥 − 7) = 𝑃(𝑧 < −1.37) = 𝑃(𝑧 < 0) − 𝑃(−1.37 < 𝑧 < 0) = 0.5 − 0.4147 = 0.0853
𝑃(7 < 𝑥 < 9) = 𝑃(−1.37 < 𝑧 < 1.37) = 𝑃(𝑧 > −1.37) − 𝑃(𝑧 < −1.37) = 0.9147 − 0.0853
= 0.8294
Grafique el error estándar de la media (SE) contra el tamaño muestral n y enlace los puntos
con una curva suave. ¿Cuál es el efecto de aumentar el tamaño de muestra sobre el error
estándar?
5
2. Salarios de profesores. Suponga que los profesores de una universidad en E.U.A. -con rango
de profesor en instituciones públicas que imparten programas académicos de dos años-, ganan
un promedio de 71,802 dólares por año, con una desviación estándar de 4,000 dólares. En un
ejercicio por verificar este nivel de salario se seleccionó una muestra aleatoria de 60 profesores
de una base de datos del personal académico de todas las instituciones públicas que imparten
programas de dos años en E.U.A.
𝜇8 = 𝜇 = 71,802
𝜎 4,000
𝜎8 = = = 516.4
√𝑛 √60
2. ¿Dentro de qué límites se esperaría que esté el promedio muestral, con probabilidad
0.95?
Dado 0.95 como área central, las dos colas deben contener un total de 0.05. Por lo
*
tanto, cada cola contiene% de 0.05, o sea 0.025. Debemos encontrar los valores de z
para (0.025) y z (0.975) = -z(0.025)
Para hallar z(0.025) debemos determinar el área entre la media y z(0.025) Que es 0.5-
0.025=0.4750. En la tabla de z, buscamos el valor z que le corresponde a 0.4750 y es
1.96. Por lo tanto:
𝑧(0.025) = 1.96
𝑥−𝜇
𝑍8 = 𝜎
√𝑛
Despejamos x
𝜎
𝑥 = 𝑧5 6+𝜇
√𝑛
Para z(0.025)=1.96
𝜎 4000
𝑥 = 𝑧 5 6 + 𝜇 = 1.96 5 6 + 71,802 = 72,814.14
√𝑛 √60
Para z(0.975)=-z(0.025)=-1.96
6
𝜎 4000
𝑥 = 𝑧 5 6 + 𝜇 = 1.96 5 6 + 71,802 = 70,789.86
√𝑛 √60
3. Calcule la probabilidad de que la media muestral x sea mayor que 73,000 dólares.
4. Si una muestra aleatoria en realidad produjo una media muestral de 73,000 dólares,
¿consideraría usted que esto es poco común? ¿Qué conclusión obtendría?
𝜇 = 422
𝜎 = 13
𝜇8 = 𝜇 = 422
𝜎 13
𝜎8 = = = 7.5
√𝑛 √3
𝑇 = 𝑋* + 𝑋% + 𝑋'
7
4. Duración de baterías para automóvil. Un fabricante de baterías para automóvil afirma que la
distribución del tiempo de duración (tiempo de vida) de las baterías de su mejor marca tiene
una media µ = 54 meses y una desviación estándar s = 6 meses. Suponga que un grupo de
consumidores decide verificar la afirmación y para ello compran una muestra de 50 baterías y
las somete a prueba para medir su tiempo de vida.
𝜇 = 54
𝜎=6
𝜇8 = 𝜇 = 54
𝜎 6
𝜎8 = = = 0.8485
√𝑛 √50
𝑥 − 𝜇 52 − 54
𝑍@ = 𝜎 = 0.8485 = 2.36
√𝑛
𝑃(𝑥 ≤ 52) = 𝑃(𝑧 ≤ −2.36) = 0.05 − 0.4909 = 0.0091
𝜇 = 37
𝜎 = 0.4
𝜇8 = 𝜇 = 37
𝜎 0.4
𝜎8 = = = 0.035
√𝑛 √130
𝑥 − 𝜇 36.8 − 37
𝑍@ = 𝜎 = = −2.36
0.035
√𝑛
𝑃(𝑥 ≤ 36.8) = 𝑃(𝑧 ≤ −2.36) = 1 − 0.4909 = 0.5091
8
R=Hay una probabilidad del 50.91% de que ocurra. Por lo tanto, es más probable
de que ocurra.
𝜇 = 62,000
𝜎 = 4,200
𝑥 − 𝜇 65,000 − 62,000
𝑍@ = 𝜎 = = 0.71
4,200
√𝑛
𝑃(𝑥 ≥ 65,000) = 𝑃(𝑧 ≥ −0.71) = 0.5 − 0.2611 = 0.2389
7. Lanzamiento de una moneda. Una moneda justa se lanza n = 80 veces. Sea pˆ la proporción
muestral de caras (soles). Encuentre P(0.44 < pˆ < 0.61)
!
𝑃 = " = 0.5
n=80
9
𝑃(0.44 < 𝑝 < 0.61) = 𝑃(0.61 < 𝑝) − 𝑃(0.44 < 𝑝) = 𝑃(1.43 < 𝑧) − 𝑃(0.78 < 𝑧)
= 0.4236 − 02823 = 0.1413
𝑝∗𝑞 (0.02)(0.98)
𝑁 L𝑝; N Q = 𝑁 R0.02; > S = 𝑁[0.02; 0.007]
𝑛 400
CONCLUSIONES
Es muy complejo calcular valores estadísticos reales de las poblaciones parámetros
poblacionales; a través de una muestra de la población estimamos las características
poblacionales usando la estadística muestral, que son los valores calculados a través de la
muestra. Para que los valores calculados y/o inferidos sean confiables nuestra muestra debe ser
representativa de la población, aleatoria y entre más grande será también más confiable.
Las técnicas que usamos para calcular los valores estadísticos de las muestras poblacionales
son distribución muestral de las medias y distribución muestral de las proporciones y nos brinda
información acerca de la distribución de probabilidades de los valores que puede tomar el
estadístico a lo largo de todas las posibles muestras.
Los ejercicios de esta serie usamos z para la variable normalizada, para muestras mayores o
iguales a 30 donde z tiene una distribución normal y gracias a estos cálculos nos dimos cuenta
que tan probable es que nuestros valores caigan dentro o fuera de los rangos esperados. Y error
10
estándar nos permite visualizar el rango de valores que caen dentro de una desviación estándar
de la curva del error.
• Referencias
• Johnson, R., & Kuby, P. (2008). Estadística elemental: Lo esencial. México: CENAGUE Learning.
• Llinás, H. (2017). Estadística Inferencial. Colombia: Universidad del Norte.
• Dennis D., W., Mendenhall, W. I., & Scheaffer, R. L. (2009). Estadística Matemática con
Aplicaciones (7 ed.). Mexico, México: Cengage Learning.
• Devore, J. L. (2016). Probabilidad y Estadistica para Ingenieria y Ciencias (9 ed.). Cengage
Learning. Retrieved from https://elibro.net/es/lc/uvm/titulos/93280
• McClave, J., & Sincich, T. (2014). Statistics (12 ed.). Harlow: Pearson.
Mendenhall, W. I., Beaver, R. J., & Beaver, B. M. (2015). Introducción a la Probabilidad y
• Estadística (14 ed.). México, D.F: CENGAGE Learning.
Sweeney, D. J., Anderson, D. R., & Williams, T. (2011). Estadistica para Negocios y Economia
• (11 ed.). Cengage Learning. Retrieved from https://elibro.net/es/lc/uvm/titulos/39949
11