Estadística Inferencial

Matemáticas aplicadas Estadística Inferencial
SECUENCIA DIDÁCTICA: “Muestreando en la escuela”
Autor: Alejandro Acebo Gutiérrez

Contenido temático Teoría elemental de muestreo
Propósito del contenido Conocer los conceptos básicos de la teoría elemental de
temático: muestreo para que el alumno lo utilice al realizar trabajos de
investigación científica.
Conceptos fundamentales: Teoría elemental de muestreo
Teoría de muestreo, muestreo aleatorio simple, con y sin
Conceptos subsidiarios: reemplazamiento, diseño de muestras, distribución muestral de
medias, errores al muestrear.
Tema integrador La Educación
Número de sesiones 2 (semanas) con alto porcentaje de estudio independiente
Valores y actitudes Libertad, justicia, solidaridad, tolerancia.
Categorías Diversidad y espacio.
BLOQUE: ACTIVIDADES DE APERTURA Observación

Te damos una cordial bienvenida como estudiante del curso de matemáticas
aplicadas y te deseamos éxito en éste último semestre de tu bachillerato. Al igual Contextualizar
que otros semestres, te recomendamos que contestes todas tus actividades de el tema
integrador en
aprendizaje y participes activamente en las siguientes secuencias didácticas
base a:
para que construyas un aprendizaje significativo. Recuerda lo importante es que
aprendas a aprender, a resolver problemas de la vida cotidiana. Las
Iniciamos, ayudándole al director expectativas
Un CBTA del estado Nayarit, tiene inscritos a un total de 550 estudiantes, de los cuales educativas en el
290 cursan el primer año, 188 el segundo año y 72 el tercer año. El director, quiere saber presente
su opinión sobre la infraestructura de la escuela, pero no considera conveniente semestre y al
preguntar a todos, debido, entre otras causas, al alto costo que representa. momento de
a) ¿Cuántos alumnos se deben de seleccionar de los tres grupos, si se desea saber egresar del
la opinión de solo 100 estudiantes? bachillerato.
b) ¿Qué diseño de muestreo se debe utilizar?.
c) Por qué ese diseño? Argumentar
Integrados en equipos de 3 estudiantes encuentra la solución y argumenta tus
respuestas
BLOQUE: ACTIVIDADES DE DESARROLLO
Revisión de contenidos:
1.- Lee de manera individual y cuidadosamente, los contenido relacionados al Consultar la
problema en tu guía didáctica. Como la teoría de muestreo, el muestreo aleatorio presente guía
simple, los números aleatorios, el muestreo con o sin reemplazamiento y el de didáctica para
diseños de muestras. argumentar su
2.- Junto con los integrantes de tu equipo, comenten las estrategias para la solución de solución y otras
las preguntas antes señaladas. bibliografías.
3. Realicen otras consultas, en libros, internet, o apuntes diversos.
BLOQUE: ACTIVIDADES DE CIERRE
 En reunión plenaria, expondrán las vías de solución que hallan encontrado a Se considera
dichos preguntas ya sea con rotafolio, láminas, o presentaciones PowerPoint. conveniente
 También podrán confrontar las respuestas de otros equipos realiza un
ejercicio similar
 En la plenaria, encontraras la solución más idónea entre todo el grupo. en tu escuela,
 De manera respetuosa podrás solicitar a todo el grupo, te disipen algunas dudas como tarea.
que tengas respecto al tema y a la solución del problema en general.
El facilitador propiciará la exposición libre de las emociones y sentimientos
generados durante el desarrollo del tema.
1
E n el curso pasado de Probabilidad y Estadística (V semestre), pudiste conocer el área de

estudio y las aplicaciones de la estadística descriptiva; por lo que ya estas preparado,
para incursionar en el ámbito de la estadística inferencial, pero antes de iniciar con esta
interesante rama de la Estadística, reflexiona y contesta las siguientes preguntas.
¿Cómo le harías para conocer el grado de aceptación de una bebida refrescante, entre los
integrantes de tu grupo escolar?
____________________________________________________________________________
________________________________________________
¿Cómo le harías si quisieras saber lo anterior, pero ahora, entre los estudiantes del plantel?
____________________________________________________________________________
________________________________________________
¿Cómo le harías si quisieras saber lo mismo, pero entre los integrantes de la comunidad donde
esta ubicado tu plantel?
____________________________________________________________________________
________________________________________________
¿Cómo le harías si quisieras saber lo mismo, pero entre los habitantes de la capital de tu
estado?
____________________________________________________________________________
________________________________________________
Ahora observa, la siguiente imagen…
Si la observas muy de cerca, es equivalente a tomar una

pequeña muestra de la imagen; en principio solo tienes en tu
mente, un conjunto de datos que no te dicen nada.
Sin embargo, si te alejas unos 3 a 5 metros y observas de nuevo

la imagen, empezarás a extraer más información de la imagen o
población y posiblemente, adivines qué representa ésta imagen.
Si logras lo anterior, habrás hecho una inferencia de los datos

muestrales, para tener una imagen del conjunto.
Esto es en resumidas cuentas, el objeto de la Estadística

Inferencial. Obtener muestras, e inferir datos sobre la población.
Al dar respuesta a las preguntas anteriores, es momento de iniciar otra aventura en el mundo
de la Estadística Inferencial. ADELANTE Y CON MUCHO ENTUSIASMO.
2
INTRODUCCIÓN:
Una diferencia importante entre la estadística y probabilidad es que:

En la Probabilidad se razona a partir de la población hasta llegar a la muestra.
En la Estadística el razonamiento parte de la muestra para llegar al conocimiento de toda la
población.
El estudio de una población tomando como base las muestras, se llama ESTADÍSTICA
INFERENCIAL o INDUCTIVA, algunos autores la citan como teoría de muestras.
La inferencia estadística trata de conocer o explicar el comportamiento de la población,

mediante los datos obtenidos de una muestra. Como no podemos estar absolutamente seguros
de la veracidad de las inferencias obtenidas, las llamaremos probabilidades. Ahora, para
predecir a partir de una muestra, es necesario haberla seleccionado y recopilado
cuidadosamente; si la muestra no se selecciona adecuadamente, o si la recolección es
incorrecta o hay desviaciones en los datos, con ningún análisis estadístico que se aplique, se
llegará a buenas conclusiones.
POR LO TANTO ES NECESARIO ESTUDIAR LA…
TEMA: ----------------
TEORIA ELEMENTAL DEL MUESTREO
TEORÍA DE MUESTREO
L a teoría de muestreo es el estudio de las relaciones existentes entre una población y las
muestras extraídas de ellas. Es de gran utilidad en muchos campos; por ejemplo, para
ESTIMAR características desconocidas de poblaciones (como la media y la varianza
poblacionales), denominadas parámetros de la población o simplemente parámetros, a partir del
conocimiento de las características muestrales correspondientes, nombradas estadísticos de la
muestra o, en forma sencilla, estadísticos. Esto es…
A los valores μ (mu) y σ (ro) que son, respectivamente la media y la desviación estándar
poblacionales, se les llama PARÁMETROS de la población. Como la media de la muestra ( x )
nos da una idea del valor de μ, se dice que x ESTIMA a μ o que x es un estimador del
parámetro μ; análogamente, s (desviación estándar) estima a σ (Desviación estándar de la
población), o de otra forma, que s es un estimador de σ.
Cómo son las

fórmulas de la
media y de la
desviación estándar
Recordemos sus fórmulas:
3
Símbolo Nombre Fórmula
µ=∑ i
X
Media poblacional
Parámetros de la
μ N
población
“Parámetros” σ=
∑(X i − µ )2
Desviación estándar
σ poblacional
N
Estadísticos de la x Media muestral x=

∑X i
muestra n
“Estimadores”
Desviación estándar
muestral S=
∑(X i − X )2
S n −1
La teoría del muestreo también sirve para determinar si las diferencias observadas entre dos
muestras se deben a variaciones por el azar o si en realidad son significativas. Dichas
cuestiones surgen, por ejemplo, al probar un nuevo suero para el tratamiento de una
enfermedad o al decidir si un proceso de producción es mejor que otro. Sus respuestas
involucran el uso de las denominadas pruebas significativas y de hipótesis, que son importantes
en la teoría de decisiones, la cual estudiaremos más adelante.
MUESTREO ALEATORIO SIMPLE O AL AZAR Y NÚMEROS ALEATORIOS

C
omo ya se señaló al principio de este apartado; para que las conclusiones de la teoría de
muestreo y la estadística inferencial sean válidas, se deben elegir muestras
REPRESENTATIVAS de la población.
Una forma de obtener una muestra representativa, es por medio del proceso denominado
MUESTREO ALEATORIO SIMPLE, en el cual cada miembro de una población tienen las
mismas probabilidades de ser incluido en la muestra. Una técnica de obtención de una muestra
aleatoria es la asignación de números a cada miembro de la población, anotar estos números
en pedazos de papel, colocarlos en una urna y después sacar números de dicha urna, teniendo
cuidado de mezclarlos muy bien antes de cada extracción.
Otro concepto importante es si la población es finita o infinita. Una población es FINITA, si

consta de un número finito o fijo de elementos, medidas u observaciones. En cambio, una
población es INFINITA, al menos hipotéticamente, porque contienen una infinidad de
elementos, medidas u observaciones.
Resumiendo…
Una muestra de tamaño n de una población finita de tamaño N, es una

variable aleatoria si se selecciona de manera tal que cada una de las ( N Cn)
muestras posibles, tiene la misma probabilidad, 1/N Cn de ser seleccionada
Recordemos con un ejemplo ¿Cuántas muestras distintas de n, podemos tomar de una

población finita de tamaño N ?.
4
Cuando n = 2 y N = 12? Solución; hay 12C2= 12.11/ 2! = 66 muestras distintas.
Y cuando n = 3 y N = 100 Solución; Hay 100C3 = 161,700 muestras distintas.
Ahora con población infinita
Una muestra de tamaño n de una población infinita, es aleatoria si consta de valores

de variables aleatorias independientes, que tienen la misma distribución.
Por “independiente” queremos decir, que las probabilidades relacionadas con cualquiera de las
variables aleatorias son las mismas, sin que tengan importancia los valores que se hayan
observado, para las otras variables aleatorias.
NÚMEROS ALEATORIOS
Otro método alternativo al muestreo aleatorio o al azar, es el uso de una tabla de NÚMEROS
ALEATORIOS, especialmente elaborados para dicho propósito (como la tabla de la página
seis), que contienen números entre cero y uno, distribuidos uniformemente.
Para obtener una muestra aleatoria, escogemos un número cualquiera de éstos, digamos que
elegimos el séptimo número de la quinta columna (.266194) y a partir de él, tomamos tantos
números como tenga la muestra. Para elegir una muestra de 6 de 20 individuos nos fijamos en
los siguientes cinco números, los multiplicamos por 20, (el tamaño de la población), y
redondeamos a números enteros.
En la siguiente tabla tenemos estos cálculos:
ri .246194 .361474 .721938 .874239 .588587 .987107

20 x ri 4.92388 7.22948 14.43876 17.48478 11.77174 19.74214
Redondeado 5 7 14 17 12 20
Esto significa que la muestra que obtuvimos, consiste de los individuos 5, 7, 14, 17, 12 y 20. En
caso de que después de redondear, obtengamos un número repetido simplemente lo ignoramos
y tomamos un número aleatorio más de la tabla. Existen tablas extensas de números aleatorios
que pueden consultarse en caso necesario, o bien, es posible generar secuencias de números
aleatorios en hojas de cálculo para computadoras personales.
MUESTREO CON Y SIN REEMPLAZAMIENTO
S
i se saca un número de una urna, existe la opción de reponer o no, el número en la urna
antes de la segunda extracción. En el primer caso, el número puede salir una y otra vez,
mientras que en el segundo caso, esto pasaría una vez. El muestreo en que cada
miembro de la población sería elegido más de una vez, se denomina MUESTREO CON
REEMPLAZAMIENTO, mientras que si cada miembro no puede ser elegido más de una vez, se
denomina MUESTREO SIN REEMPLAZAMIENTO.
Las poblaciones son finitas o infinitas. Si, por ejemplo, se extraen 10 bolas sucesivamente sin
reemplazamiento de una urna con 100 bolas, se hace un muestreo de una población finita;
mientras que si se lanza una moneda 50 veces y se cuenta el número de caras, el muestreo es
5
de una población infinita. Una población finita en la que se realiza un muestreo con
reemplazamiento, puede considerarse teóricamente infinita, ya que es posible extraer cualquier
número de muestras sin agotar la población. Para muchos propósitos prácticos, efectuar el
muestreo de una población finita muy grande, llega a tomarse como muestreo de una población
infinita.
TABLA DE NÚMEROS ALEATORIOS
.695068 .562823 .320635 .905239 .385775 .122307 .086846 .450445
.805913 .002301 .782180 .796922 .831441 .788578 .724832 .015705
.094442 .232042 .352716 .451598 .967543 .714261 .542868 .916486
.654244 .266617 .077187 .292421 .725393 .753031 .545621 .207688
.290330 .131461 .627016 .828471 .781755 .565886 .578796 .365034
.748739 .941812 .905990 .550117 .183213 .187656 .316564 .111104

.221169 .319317 .466664 .081688 .246194 .361474 .721938 .874239
.588587 .987107 .647365 .173754 .646875 .284028 .239494 .749584
.937687 .689820 .818804 .740821 .989363 .644515 .080688 .916764
.002736 .946318 .035611 .655810 .381565 .742813 .305726 .226729
.603410 .390122 .967842 .731978 .355516 .915298 .250148 .385909

.715715 .919611 .240272 .415541 .054394 .571107 .670640 .167211
.597542 .913490 .279269 .744025 .428829 .629999 .275269 .350164
.006625 .790428 .639912 .390941 .434190 .780697 .425575 .713078
.396010 .023133 .876266 .060652 .657453 .311012 .687109 .276703
.755674 .693671 .840188 .733594 .825936 .944366 .361341 .741072

.600667 .658730 .616694 .813899 .322635 .078211 .787992 .858724
.421401 .723064 .151870 .171769 .637507 .150843 .260049 .685027
.005809 .959250 .723322 .880411 .993144 .258811 .133291 .071528
.720998 .359282 .805228 .389532 .862456 .823710 .282315 .280507
.885559 .412858 .592425 .158577 .007733 .097627 .463281 .989519

.482054 .657293 .249104 .947260 .022476 .390369 .680906 .980937
.714028 .737552 .078762 .699915 .513055 .293689 .945228 .773218
.855181 .346466 .111000 .089797 .055481 .962412 .844186 .223863
.999352 .456042 .301013 .916413 .496661 .653221 .211123 .308422
.249058 .416967 .078323 .179296 .801952 .157172 .019341 .287353

.144735 .259332 .732924 .346352 .591400 .813805 .890398 .363413
.530463 .874892 .316023 .237563 .810613 .752123 .232516 .696245
.442014 .148786 .976778 .433333 .635090 .281786 .337549 .696245
.366574 .482655 .932723 .210948 .277263 .956223 .032354 .380662
Guillermo Pastor. Estadística Básica. Editorial trillas, Conalep. 1ª Edición 12ª reimpresión enero 2003.
DISEÑOS DE MUESTRAS
L as clases de muestras que hasta ahora hemos estudiado, son las muestras aleatorias
simples y números aleatorios y no hemos considerado la posibilidad, de que en ciertas
condiciones, puede haber muestras que son más fáciles de obtener, más económicas o
más informativas que las muestras aleatorias y no hemos entrado en detalles sobre la pregunta
de lo qué, podría hacerse, cuando el muestreo aleatorio es imposible.
6
Hay muchas otras maneras de seleccionar una muestra de la población y hay gran cantidad de
bibliografía sobre el tema de los procedimientos del diseño del muestreo.
A continuación estudiaremos brevemente, algunos diseños de muestras que no es más que un

plan determinado, antes de recopilar cualquier dato, para tomar una muestra de una población.
MUESTREO SISTEMÁTICO
En algunos casos, la manera más práctica de efectuar un muestreo, consiste en seleccionar,
digamos, cada vigésimo nombre de una lista, cada decimosegunda casa de un lado de una
calle y así sucesivamente. Esto se conoce como muestreo sistemático. En este caso, se
divide la población en subconjuntos de tamaño igual, según la fórmula que a continuación
analizaremos, después se toma al azar, la unidad en la que se debe comenzar, que ocupa el
lugar K y el resto de los elementos de la muestra, ocupan los siguientes lugares.
N N
K+ , K +2 , K ... Hagamos un ejemplo para comprender mejor este muestreo…
n n
En una colonia de la ciudad de Xalisco, Nayarit; de 8060 habitantes según el censo, se va a

hacer una encuesta, y se selecciona una muestra sistemática de 20 personas, entre 1200
padres de familia, para conocer el grado de aceptación de la gestión administrativa de la ciudad,
por parte del presidente municipal.
N 1200
Primero calculamos el factor de elevación = = = 60 , a continuación seleccionamos un
n 20
elemento, AL AZAR, entre el 1 y el 60, supongamos que el seleccionado es el 27(este será K),
entonces, el primer número será 27; el segundo número será 27+60 = 87; el tercer número
seleccionado será 27+ 2(60) = 147; el cuarto número 27+ 3(60)= 207 y así sucesivamente
serán el 267, 327, 387, 447, 507, 567, 627, 687, 747, 807, 867, 927, 987, 1047, 1107, 1167. Se
han seleccionado a 20 personas, a las que les corresponden los números citados.
Cuando el resultado de N/n no es entero, se redondea al entero menor, esto puede producir
una pequeña dificultad que no afecta y debe despreciarse cuando n > 50.
El muestreo sistemático es semejante al aleatorio simple, si se selecciona el elemento inicial

en forma aleatoria. Sus ventajas son: de fácil aplicación y se extiende la muestra a toda la
población. Sus desventajas son que se presentan dificultades al tratar de calcular la varianza,
y aumento de la varianza si existe periodicidad en la numeración de los elementos; además,
de posible presencia de periodicidades ocultas.
MUESTREO ESTRATIFICADO
En este muestreo, la población se divide en estratos homogéneos internamente y lo más

heterogéneos externamente entre sí.
Si tenemos información acerca de la constitución de una población (es decir, su composición) y

ésta es importante para nuestra investigación, podemos mejorar el muestreo aleatorio por
medio de la ESTRATIFICACIÓN. Este es un procedimiento, que consiste en estratificar (o
dividir) en un número de subpoblaciones o estratos que no se traslapen y luego tomar una
muestra de cada estrato. Si los artículos, personas o cosas seleccionados de cada estrato
7
constituyen muestras aleatorias simples, el procedimiento completo (primero la estratificación y

luego el muestreo aleatorio) se conoce como muestreo aleatorio simple estratificado.
Hagamos un ejemplo para analizar mejor este tipo de muestreo.
En una colonia con una población aproximada de 17000 habitantes se sabe, según el censo
reciente, que 7800 son jóvenes, 2950 de la tercera edad y 6250 son niños.
Calcular el tamaño de la muestra de cada estrato, si se desea saber las preferencias de 300
personas, en sus programas de televisión.
Para las personas jóvenes su cálculo será: 300 (7800/17000) = 300 (0.4588) = 138
Para la tercera edad: 300 (2950/17000) = 300 (0.1735) = 52
Para los niños: 300 (6250/17000) = 300 (0.3674) = 110
Suma total = 300
Se continúa con el muestreo aleatorio, para seleccionar las personas de cada estrato que van a
hacer motivo de la investigación.
La ventaja del muestreo estratificado, es que permite obtener información, sobre las
características motivo de estudio y aumenta la precisión de las estimaciones sobre toda la
población; y en general, da mejores resultados que el muestreo aleatorio, mientras más
diferentes sean los estratos entre sí y sean más homogéneos internamente.
Sus desventajas son: dificultad para decidir a qué estrato se asigna cada uno de los
elementos de la población y cómo elegir el tamaño de la muestra de cada estrato, para que el
total sea n.
MUESTREO POR CONGLOMERADOS
Esta técnica tiene utilidad, cuando el universo que se requiere estudiar admite ser subdividido
en universos menores, de características similares a las del universo total. La población se
divide en áreas, que se llaman conglomerados; cada uno de éstos, será lo más heterogéneo
posible internamente, y lo más homogéneo entre sí; a continuación se selecciona, al azar, uno o
algunos conglomerados, que forman la muestra.
Para ilustrar esta clase de muestreo, supongamos que una gran empresa quiere estudiar los
diferentes gastos familiares, en el área de Guadalajara, Jalisco. Al intentar elaborar los
programas de gastos de 1,200 familias, la empresa encuentra que el muestreo aleatorio simple
es prácticamente imposible. Dado que no se cuenta con las listas adecuadas, y el costo de
ponerse en contacto con las familias dispersas en esta gran ciudad, es muy alto. Una manera
en que se puede tomar una muestra de esta situación, es dividiendo el área total de
Guadalajara, en varias áreas más pequeñas que no se traslapen, digamos, manzanas,
regiones, sectores etc., de la ciudad; entonces se seleccionan algunas casas al azar, y todas
las familias que residen en estas manzanas, constituyen la muestra definitiva.
Este método, se utiliza cuando resulta muy costoso elaborar una lista completa, de todos los
elementos de la población. El inconveniente se presenta, cuando los conglomerados no son
homogéneos entre sí, ya que la muestra final, puede no ser representativa de la población.
Sin embargo, tiene la ventaja de simplificar, el “levantamiento” de la población
Tanto en el muestreo estratificado como en el de conglomerados, la población se divide en

grupos bien definidos. Usamos el muestreo estratificado, cuando cada grupo tiene una pequeña
8
variación dentro de sí mismo, pero hay una amplia variación dentro de los grupos. Usamos el
muestreo por conglomerados en el caso opuesto: cuando hay una variación considerable dentro
de cada grupo, pero los grupos son esencialmente similares entre sí.
ERRORES AL MUESTREAR.
R ecordemos que la muestra descansa, en el principio de que las partes representan al

todo y, por tal, refleja las características que definen a la población de la cual fue
extraída, lo cual nos indica, que es representativa. Es decir, que para hacer una
generalización exacta de una población, es necesario tomar una muestra representativa. Por lo
tanto, la validez de la generalización, depende de la validez y tamaño de la muestra.
Cuando trabajamos con muestras, generalmente se presentan dos tipos de errores:
 Error sistemático. Llamado de distorsión o sesgo de la muestra, se presentan por

causas ajenas a la muestra:
• Situaciones inadecuadas: se presentan, por ejemplo, cuando el encuestador tiene

dificultades para obtener la información y la sustituye por la que más fácilmente está a
su alcance, que no siempre es la más confiable.
• Insuficiencia en la recolección de datos: hay distorsión por falta de respuestas, o
respuestas inadecuadas, ya sea por ignorancia o falta de datos relativos a los elementos
incluidos. Distorsiones del encuestador causadas por prejuicios, interés personal o por
fallas en la aplicación de instrumentos.
• Errores de cobertura a causa de que no se han incluido elementos importantes y
significativos para la investigación que se realiza.
 Error de muestreo o muestral. Cualquiera que sea el procedimiento utilizado y la

perfección del método empleado, la muestra diferirá de la población. A esta diferencia se
la denomina error de muestreo.
Cuando una muestra es aleatoria o probabilística, es posible calcular sobre ella, el error
muestral. Este error, indica el porcentaje de incertidumbre, es decir, el riesgo que se corre que
la muestra elegida no sea representativa. Si trabajamos con un error calculado en 5%, ello
significa que existe un 95% de probabilidades de que el conjunto muestral, represente
adecuadamente, al universo del cual ha sido extraído.
A medida que incrementamos el tamaño de la muestra, el error muestral tiende a reducirse,

pues la muestra va acercándose más al tamaño del universo. Del mismo modo, para una
muestra determinada, su error será menor cuanto más pequeño sea el universo a partir del cual
se la ha seleccionado. Así, para un universo de 10,000 casos, una muestra de 200 unidades
tendrá un error mayor que una de 300; esto es; N = 10,000 y n = 200 por lo tanto su fracción
de muestreo n/N = 200 / 10,000 = 0.02 y N = 10,000 y n = 300 por lo que su fracción de
muestreo n/N = 300 / 10,000 = 0.03, por lo tanto la fracción de muestreo más chica (0.02), será
la que tenga mayor error muestral.
De manera similar, si varía el tamaño del universo con igual tamaño de muestra, se confirma
también la anterior afirmación; por ejemplo para una muestra de n = 200 casos, se tendrá un
error mayor, si el universo tiene 10,000 unidades, que si el universo posee solamente 2,000
unidades.
9
Hagamos los cálculos, n = 200 y N = 10,000; la fracción de muestreo es n/N = 0.02; en la otra
población N = 2,000 y n = 200, n/N = 0.1 se confirma que la primera fracción de muestreo que
es la más chica, tendrá un error de muestreo mayor, ya que disminuyó el universo de la
población, con una misma muestra.
Para fijar el tamaño de la muestra adecuado a cada investigación, es preciso primero

determinar el porcentaje de error que estamos dispuestos a admitir.
Una vez hecho esto, deberán realizarse las operaciones estadísticas correspondientes, para
poder calcular el tamaño de la muestra, que nos permite situarnos dentro del margen de error
aceptado. Dichos cálculos se estudiarán en otro apartado; sin embargo, si el tamaño de la
muestra queda determinado previamente por consideraciones prácticas; no hay otra alternativa
que aceptar el nivel de error, que su magnitud acarree.
Aceboman, espero
me ayudes a salir
adelante ¿Sale?
SAETA-
Educación humana y de
calidad
Antes que contestes las preguntas de la página siguiente...
Elabora en tu cuaderno un mapa conceptual o esquema, con

los principales conceptos hasta aquí estudiados.
COMPARALO CON OTROS TRABAJOS DE TUS COMPAÑEROS
Ahora sí, contesta correctamente las siguientes actividades de aprendizaje...
A CONTINUACIÓN RESUELVE LAS SIGUIENTES ACTIVIDADES DE APRENDIZAJE PARA

QUE REAFIRMES LO APRENDIDO HASTA EL MOMENTO…
Si tienes dudas, vuelve a leer los temas, pregunta a tus compañeros del grupo,
consulta otros libros o artículos, relacionados con los temas, etc.
TU PUEDES… SI QUIERES.
10
ACTIVIDADES DE APRENDIZAJE:
Contesta correctamente las siguientes preguntas
1. Escribe el nombre y símbolo de los dos principales parámetros de la población, así como sus
dos estadísticos de la muestra.
2. ¿Cuántas muestras distintas de tamaño n = 4 , podemos escoger de una población finita de

tamaño N = 30?
Respuesta: _________
3. ¿Cuántas muestras distintas de tamaño n =3, podemos tomar de una población finita de
tamaño N = 110?,
Respuesta: _________
4. ¿Cuales son los tipos de errores que se pueden cometer cuando se trabaja con muestras?
___________________________ y ______________________ explícalos brevemente con tus

palabras.
5. Asigna a cada uno de los integrantes de tu grupo un número y utiliza la tabla de números
aleatorios de la página 5, a partir del elemento 21 de la sexta columna hacia la derecha
determina una muestra aleatoria de seis estudiantes. Realiza tus cálculos aquí o aun lado de la
hoja, por favor.
6. De los números asignados en el ejercicio anterior, ahora a partir del 14 elemento de la

primera columna hacia abajo determina una muestra aleatoria de cuatro estudiantes.
7. Escribe que entiendes por MUESTREO ALEATORIO SIMPLE: ________________________
____________________________________________________________________
11
8. De la lista de tus compañeros del grupo, anota en un pedazo de papel el número que
corresponde a cada uno de ellos. Mezcla bien todos los papelitos en una caja o urna y extrae
sin reemplazamiento 6 estudiantes para un muestra aleatoria simple. Anota aquí tu resultado.
__________________ _________________ _________________
__________________ _________________ _________________
9.- De la misma manera que el ejercicio anterior, Extrae una muestra aleatoria simple de 5
estudiantes con reemplazamiento. Anota aquí tus resultados.
__________________ _________________ _________________
__________________ _________________
10. En la colonia “2 de agosto” de Tepic, Nayarit, de 1980 habitantes, se pretende realizar una
encuesta y seleccionar a 16 personas entre 180 señoras, para conocer el grado de aceptación
de un nuevo producto de limpieza. De acuerdo al tipo de muestreo sistemático, calcula, ¿cuales
serán las 16 personas seleccionadas para ser entrevistadas?
Realiza tus cálculos a un lado de la hoja, por favor.
11. La Universidad Autónoma de Nayarit, tiene una población aproximada de 12,500

estudiantes, profesores y trabajadores y de los cuales 8500 son estudiantes, 1990 son
profesores y 2010 son trabajadores. Calcula el tamaño de la muestra de cada estrato. si se
desea saber la opinión de 500 personas de la universidad, sobre la gestión del actual rector.
Realiza tus cálculos aun lado de la hoja, por favor.
12. Un CBTA tiene inscritos a 550 estudiantes, de los cuales 290 cursan el 1er año, 188 el 2do
año y 72, 3er. año. Calcula el tamaño de la muestra de cada estrato, si se desea saber la
opinión de sólo 100 estudiantes, sobre la eficiencia de la infraestructura del plantel.
Realiza tus cálculos aun lado de la hoja, por favor.
13. A medida que se incrementa el tamaño de la muestra, ¿Se incrementa el error muestral?
SI___ NO____ Porque? _______________________________________________________
14. Observa detenidamente los siguientes datos y contesta ¿Cuál tendrá mayor error muestral?
Población 1 Universo (N = 350) y Muestra (n = 150)
Población 2 Universo (N = 350) y Muestra (n = 250)
¿Qué población tiene mayor error muestral? ______
15. Población 1 N = 70 y n = 15
Población 2 N = 800 y n = 150
¿ Qué población tiene mayor error muestral? ______
12
DISTRIBUCIONES MUESTRALES:
E
l concepto de distribución muestral, es el concepto más básico de la inferencia estadística y se
puede definir como una distribución de probabilidad, que consta de todos los valores posibles
de un estadístico de la muestra de tamaño n (con o sin reemplazo). En cada muestra, se suele
calcular un estadístico, como la media o la desviación estándar, que varía de una muestra a
otra. De esta forma se obtiene una distribución del estadístico denominada distribución
muestral. Si por ejemplo, el estadístico utilizado es la MEDIA MUESTRAL, entonces la
distribución se llama distribución del muestreo de medias o distribución muestral de la media.
De forma similar, se puede obtener distribuciones muestrales de las desviaciones estándar, las
varianzas, las medianas, etcétera.
DISTRIBUCIÓN MUESTRAL DE MEDIAS:

C
on el propósito de familiarizarnos con la forma de estudiar estos problemas, analizaremos un
caso muy simple. Supongamos que tenemos una población de N = 5 niños y que nuestras
muestras son de tamaño n = 2. (Es claro que para un problema de este tamaño simplemente
tomamos las alturas de los cinco niños, las sumamos, dividimos entre 5 y se acabó.)
El objetivo de éste análisis, es entender algunos aspectos importantes de la distribución

muestral de medias a través de este ejemplo.
Niño 1 2 3 4 5
Altura 1.20 1.18 1.32 1.23 1.28
1.20 + 1.18 + 1.32 + 1.23 + 1.28

La media poblacional de las alturas es: µ = =1.24
5
(1.20 − 1.24)2 + (1.18 −1.24)2 +... +(1.28 1.24)

− 2
σ= 0.0514=
Y su desviación estándar poblacional es: 5
Ahora ¿Cuántas muestras posibles hay en una población( N ) de 5 niños y queremos

muestras (n) de tamaño 2, sin reemplazo? O dicho de otra manera, ¿Cuáles son todas las
muestras de tamaño igual a 2, que pueden obtenerse sin reemplazo de la población de 5
niños?
Como es sin reemplazo, hay un total de 5C2 = (5)(4) / 2! = 10 muestras posibles. Que son los
NIÑOS: {1,2}, {1,3}, {1,4}, {1,5}, {2,3}, {2,4}, {2,5}, {3,4}, {3,5}, {4,5}.
Estas 10 muestras posibles, se pueden observar en la siguiente tabla
13
TABLA DE DISTRIBUCIÓN MUESTRAL DE MEDIAS

“Muestras del tamaño igual a 2 sin reemplazo de población de 5 niños”
Niño 1 (1.20) 2 (1.18) 3 (1.32) 4 (1.23) 5 (1.28)

( altura )
1 ( 1.20 ) (1.20; 1.18) (1.20; 1.32) (1.20; 1.23) (1.20; 1.28)
2 ( 1.18 ) (1.18;1.32) (1.18; 1.23) (1.18; 1.28)
3 ( 1.32 ) (1.32; 1.23) (1.32; 1.28)
4 ( 1.23 ) (1.23; 1.28)
5 ( 1.28 )
Para cada una de estas muestras, tenemos una mediax . Por ejemplo, para la muestra {1,2},
su media es x = (1.32 + 1.28)/2
x = (1.20 + 1.18) / 2 = 1.19 y para la muestra {3,5} su media es
= 1.30, etc. Según se muestra en la siguiente tabla de medias.
MEDIAS DE LA DISTRIBUCIÓN MUESTRAL DE MEDIAS
Niño 2 (1.18) 3 (1.32) 4 (1.23) 5 (1.28) Total

(altura)
1 ( 1.20 ) (1.20+1.18) (1.20+1.32) (1.20+1.23) (1.20+1.28) 4.905

= 1.19 = 1.26 = 1.215 = 1.24
2 ( 1.18 ) (1.18+1.32) (1.18+1.23) (1.18+1.28) 3.685

= 1.25 = 1.205 = 1.23
3 ( 1.32 ) (1.32+1.23) (1.32+1.28) 2.575

= 1.275 = 1.30
4 ( 1.23 ) (1.23+1.28) 1.255

= 1.255
Total = 1.19 2.51 3.695 5.025 12.42
Ahora calculemos dos aspectos importantes de esta variable aleatoria, como son la MEDIA Y
LA DESVIACIÓN ESTÁNDAR de la distribución muestral de medias.
x µ
La media que denotamos por la llamamos MEDIA DE LA DISTRIBUCIÓN MUESTRAL
que es la media de las medias de cada muestra.
Su fórmula es µ = ∑ x = 12.42 = 1.24 resultado es igual a la media poblacional obtenida.

x
N 10
14
Esto es, LA MEDIA DE LA POBLACIÓN, ES IGUAL A LA MEDIA DE LA DISTRIBUCIÓN

MUESTRAL DE MEDIAS (1.24)
σ
x
Ahora, la desviación estándar, que denotamos y llamaremos ERROR ESTÁNDAR DE
LA MEDIA, que es la desviación estándar de la distribución muestral de medias; Calculemos,
siguiendo los datos de la tabla y posteriormente analizaremos otra manera más fácil….
ERROR ESTÁNDAR DE LA MEDIA
2 Medias Medias al
x x Muestra cuadrado
{1,2} 1.19 1.4161
{1,3} 1.26 1.58761
{1,4} 1.215 1.476225
{1,5} 1.24 1.5376
{2,3} 1.25 1.5625
{2,4} 1.205 1.452025
{2,5} 1.23 1.5129
{3,4} 1.275 1.625625
{3,5} 1.30 1.69
{4,5} 1.255 1.575025
Total = 12.42 15.4356
Con los datos anteriores, podemos utilizar una fórmula y obtener el error estándar de la media
que es.
N ( ∑ x ) − ( ∑ x )2
2
10(15 .4356 ) − (12 .42 )2
σx = = = 0.03156
N2 100
Hasta aquí, hagamos un espacio de reflexión:
Hay dos resultados muy importantes, que describen la distribución de la variable aleatoria de la
distribución muestral de medias.
El primero de ellos nos dice, que la media de la distribución muestral de medias, siempre
coincide con la media de la población y que el error estándar de la media, es siempre menor
que la desviación estándar de la población, o igual a ella, si la dividimos entre la raíz cuadrada
del tamaño de la muestra. Más precisamente:
Si tomamos muestras de tamaño n de una población de tamaño N con media μ y

desviación estándar σ, y se simbolizan la media y la desviación estándar de la distribución
muestral de medias por y σ respectivamente, entonces:
µx
x
Las medias µx = µ
y las desviaciones ó
σ σ N−n
σx = σx =
n n N −1
15
Para el ejemplo que venimos desarrollando, utilizaremos la última fórmula para estimar la
desviación estándar de las medias muestrales o el error estándar de la media.
σ N − n 0.05154 5 −2 0.05154 3
σx = . = . = . =
0.03156
n N −1 2 5 −1 2 4
Coincide con el valor que obtuvimos antes para la desviación estándar de la distribución
muestral de medias.
N −n
Pero es preciso indicar que el factor de la segunda fórmula, se conoce como factor de
N −1
corrección de la población finita (cpf), ya que sin éste, las dos fórmulas (para poblaciones
infinitas y finitas) son las mismas.
Una regla de uso muy frecuente, establece que el factor de corrección de población finita (cpf),
se puede pasar por alto cuando n/N es menor o igual a 0.05, esto es, cuando la muestra
contiene el 5% o menos de la población.
Por lo tanto, si la población es infinita; o el muestreo se hace de una población infinita con
reemplazamiento; o cuando N > 20n la fórmula para encontrar el error estándar se reduce a
σ
σx =
n
Para encontrar el error estándar de la media cuando la población es finita y el muestreo se hace
sin reemplazo; o cuando N <20n es:
σ N−n
σx = .
n N −1
En la siguiente página
Realiza un ejercicio de síntesis de lo que se ha estudiado, donde debes completar los

espacios, para que escribas lo que consideres más conveniente.
Yo voy a ponerle ganas,

para que aceboman,
también me ayude.
16
Contesta adecuadamente las siguientes preguntas y completa los espacios correctamente:
¿El tamaño de la muestra se denota como?_____________
¿El tamaño de la población se denota como?____________
¿La media poblacional se denota como?____________
¿La desviación estándar poblacional se escribe como?____________
¿La media de la distribución muestral de medias se denota?__________
¿El error estándar de la media se denota como? _________________
En una distribución muestral de medias:
La fórmula de la media de la distribución muestral de medias es: __________________
y su resultado es: ________________ a la media poblacional.

(Igual o diferente)
En cambio el error estándar de la media es:____________________________, que la
(Igual o diferente)
desviación estándar poblacional.
Son dos fórmulas para calcular el error estándar de la media
(1) Para poblaciones ______________o muestreo ________________ su fórmula es…

(Finitas o infinitas) (Con o sin reemplazo)
_________________________________
(2) Para poblaciones _______________o muestreo _______________ su fórmula es…

(Finitas o infinitas) (Con o sin reemplazo)
__________________________________
Cuando N > 20n se utiliza la fórmula _________________para poblaciones______________
Cuando N < 20n se utiliza la fórmula _________________para poblaciones______________
Finalmente, en una ficha bibliográfica, realiza un esquema, mapa conceptual, o formulario con
los anteriores conceptos y fórmulas, para que las tengas a la mano y las utilices posteriormente.
Gracias
Aceboman, me
caes bien
17
HORRIBLEMENTE BIEN, FELICIDADES…

… A CONTINUAR AUTOAPRENDIENDO
ERROR ESTÁNDAR O TÍPICO
C
omo se señaló en el ejemplo anterior, en lugar de decir "la desviación estándar de la
distribución de las medias de la muestra" nos referimos al error estándar de la media. De
manera similar, la "desviación estándar de la distribución de las proporciones de la
muestra" se abrevia como error estándar de la proporción.
El término error estándar se utiliza porque da a entender que la variabilidad en los estadísticos
de la muestras, provienen de un error de muestreo debido al azar; es decir, hay diferencias
entre cada muestra y la población, y además entre las diversas muestras debido únicamente a
los elementos que decidimos escoger para las muestras. Por lo tanto, mide el grado en el que
se puede esperar que fluctúen o varíen los estadísticos de una muestra como consecuencia del
azar, pero no solo mide el error de azar que se ha cometido, sino también la probable precisión
que obtendremos si utilizamos una estadística de muestra para estimar un parámetro de
población.
Si el error estándar es bajo, hay buenas posibilidades de que el estadístico de una muestra
se aproxime al de la población; en cambio…
Si el error estándar es alto es más probable que obtengamos una muestra que difiera
considerablemente de la población. Entonces
analicemos un
Compañeros, problema, para
urge hacer un comprender
ejercicio para mejor todo lo
practicar estudiando hasta
aquí ¿sale?
Mmmmm. Está
bien ¡Ánimo!
Supóngase que la estatura de 3,000 estudiantes universitarios hombres, se distribuye

normalmente, con una media de 68.0 pulg. y una desviación estándar de 3.0 pulg. Si se
obtienen 80 muestras de 25 estudiantes cada una.
¿Cuáles serían las medias y las desviaciones estándar (error estándar) esperadas de la
distribución muestral de medias, si los muestreos se hubieran hecho
a) con reemplazamiento y b) sin reemplazamiento?
El número de muestras de tamaño 25 que podrían obtenerse “teóricamente” de un grupo de

3,000 estudiantes con reemplazamiento es de (3,000)25 = 8.47 x 1086 y sin reemplazamiento es
de 3000C25= 4.91 x 10 61, que son mucho mayores que 80. Por tanto, no se obtiene una
verdadera distribución muestral de medias, sino sólo una distribución muestral teórica. Por
tanto…
σ 3
a) Con reemplazamiento µ x = µ = 68.0 pu lg . y σx = = = 0.6 pu lg.
n 25
σ N− n 3 30 00 25 −
σx = . = . = pu 0 .6
0 .59759 lg =
n N −1 25 3000 1 −
18
b) Sin reemplazamiento µ x = 68.0 pu lg y
Éste último resultado, es sólo ligeramente menor que 0.6 pulg. y puede, para propósitos
prácticos, considerarse igual que el muestreo con reemplazamiento.
Por lo tanto, se esperaría que la distribución muestral de medias esté distribuida

aproximadamente de manera normal, con media de la distribución muestral µ x = 68.0 pulg. y el
error estándar de la media σ x = 0.6 pulg.
Pero profundicemos un poco más; ahora queremos saber…
¿Cuántas muestras de las 80 del anterior problema, esperaríamos encontrar la media

entre 66.8 y 68.3 pulg? y también ¿Cuántas muestras de las 80, sus medias son menor
que 66.4 pulg.? A darle;
¡Momento! para esto, antes debemos repasar A los
caballos;
aunque sea someramente, la famosa distribución Órale o
normal y el teorema del límite central, ¿sale? Ipso facto
DISTRIBUCIÓN NORMAL
E
ntre la gran cantidad de distribuciones continuas que se usan en la estadística, la más
importante, es la distribución normal o curva normal. La fórmula de esta distribución fue
publicada por primera vez por Abraham Demoivre (1667-1754) en 1733. Otros matemáticos que
figuran, en la historia inicial de la distribución normal, son Pierre Simon, el Marqués de Laplace (
1749-1827) y Carl Friedrich Gauss (1777-1855), en cuyo honor se denomina a veces, como
distribución de Gauss.
La fórmula de la distribución normal es:
1  1  x − µ 2 
f ( x) = exp  −   
σ 2π  2  σ  
donde : μ = la media de la distribución
σ = la desviación típica de la distribución
π = la constante 3.14159…
 1 x−µ
2
 
y exp  − 2  σ   indica que el término entre corchetes es el exponente de e, donde
   
e = la constante 2.71828…
La curva normal, es una curva en forma de campana que se extiende indefinidamente en

ambos extremos, cada vez, pegándose más al eje horizontal sin llegarlo a tocarlo. Algunas
características importantes de la distribución normal, son las que se mencionan a continuación:
1. El área total comprendida bajo la curva y por encima del eje horizontal, es igual a 1 (unidades
cuadradas).
2. La distribución es simétrica al respecto de su media. Es decir, el 50% del área está a la

derecha de la media y el 50% a la izquierda.
19
3. La media, la mediana y la moda son todas iguales.

4. La distancia horizontal, que hay desde el punto de inflexión de la curva (el punto donde la curva
deja de ser cóncava hacia abajo y empieza a ser cóncava hacia arriba ), hasta una perpendicular levantada
sobre la media, es igual a la desviación estándar σ, como se muestra en la siguiente figura:
Distribución normal con media μ y desviación estándar σ
σ Punto de inflexión
μ
5. La distribución normal, es realmente una “familia” de distribuciones, puesto que existe una
distribución diferente para cada valor de μ y σ. En la siguiente figura se pueden ver tres
distribuciones normales con la misma desviación estándar, pero diferente media. Las
distribuciones que tienen diferentes medias, se sitúan en diferentes posiciones sobre el eje
horizontal. Tres distribuciones normales con desviaciones estándar iguales pero diferentes medias
μ
μ μ
Ahora se muestran, tres distribuciones normales con la misma media, pero con diferentes
desviaciones estándar. Aquí nos muestra, cómo mientras más grande sea la distribución
estándar, más plana y más extendida es la gráfica de la distribución.
Tres distribuciones normales con medias iguales pero desviaciones estándar diferentes
σ = 0.7071
σ=1
σ =1.5
6. La curva de una distribución normal se extiende de – ∞ (infinito) hasta + ∞
Afortunadamente en la práctica, no es necesario alargar estas “colas” muy lejos, pues se

encuentran tan cerca del eje horizontal, que el área bajo ellas es despreciable cuando nos
alejamos más de cuatro o cinco desviaciones estándar de la media.
En la práctica, se pueden calcular las probabilidades de una variable X que está distribuida
normalmente, y que tenga valores entre ciertos números Xa y Xb, utilizando la tabla “áreas bajo
20
la curva normal estándar” (que se encuentra en la página 23), donde aparecen las áreas entre los
valores 0 y z, con z > 0, para la curva normal estándar.(μ= 0 y σ = 1 ).
Si utilizamos la simetría de la curva alrededor de la media, podemos calcular áreas entre

cualquiera de los dos valores Xa y Xb. Para obtener áreas bajo cualquier curva normal,
efectuamos el cambio de escala (ver la figura siguiente), que convierte las unidades de medida de
x−µ
la escala original o la escala X, en unidades estándar por medio de la formula z = , esta
σ
nueva escala o valor de Z simplemente, nos indica en cuántas desviaciones estándar por
encima o por debajo de la media de su distribución, se desvía el valor correspondiente de X.
Escala X
μ-
3σ
μ - 2σ μ - σ μ μ + σ μ + 2σ μ + 3σ
Escala Z
-3 -2 -1 0 1 2 3
68.27%
95.45
%%%
99.73
% %
%%%
%
Antes de utilizar la fórmula para valores de Z, te invitamos a que reflexiones detenidamente
unos ejemplos y calculemos, las áreas correspondientes a probabilidades de una variable
aleatoria normal.
a) Encuentra el área bajo la curva normal estándar a la izquierda de 0.83 o P(Z < 0.83)
Como el área bajo toda la curva es 1, el

área que está a la izquierda del 0 es 0.5; el Área bajo la curva normal estándar a la izquierda de 0.83 = 0.7967
área que está a la izquierda de 0.83 es igual
a la suma del área a la izquierda del 0 más
el área entre 0 y 0.83. En la tabla “áreas
bajo la curva normal estándar de la página
22” encontramos que este último valor es
0.2967. El área que buscamos es entonces
0.5 + 0.2967 = 0.7967… observa su curva.
El área que se ha calculado corresponde a

0.83
la probabilidad de que esta variable, tome 0
valores menores a 0.83 que es de 0.7967 o
79.67%
b) Encuentra el área bajo la curva normal
estándar a la derecha de 1.07 o P(Z > Área bajo la curva normal estándar a la derecha de 1.07 = 0.1423
1.07)
El área a la derecha del 0 es 0.5 y la
podemos descomponer como la suma del
área entre 0 y 1.07 y el área a la derecha
del 1.07. En la tabla “áreas bajo la curva
normal estándar”, obtenemos que el área
1.07
0
21
entre 0 y 1.07 es 0.3577. El área a la derecha de 1.07 es lo que le falta a 0.3577 para llegar a
0.5, es decir, 0.5 – 0.3577 = 0.1423.
Por tanto, la probabilidad de que esta variable tome valores mayores a 1.07 es de 0.1423 o
14.23%
c) Encuentra el área bajo la curva normal estándar entre 0.24 y 1.18 o P(0.24 ≤ Z < 1.18)
Si el área entre 0 y 1.18 le restamos el área Área bajo la curva normal estándar entre 0.24 y 1.18 = 0.29
entre 0 y 0.24 obtenemos el área que
buscamos. El área entre 1.18 y 0.24 es 0.3810
– 0.0948 = 0.29
Por tanto, la probabilidad de que esta variable

tome valores entre 0.24 y 1.18 es de 0.29 o
29%
0.24 1.18
d) Encuentra el área bajo la curva normal estándar entre – 1.70 y – 0.93 o P(-1.70≤Z<-0.93)
Debemos observar primero que el número

Área bajo la curva normal estándar entre -1.70 y -0.93 = 0.1316
-1.70 está a la izquierda del -0.93. El área que
deseamos calcular es el área de -1.70 a 0,
menos el área de 0.93 a 0, esto es, 0.4554 –
0.3238 = 0.1316

tome valores entre -1.70 y -0.93 es de 0.1316
o 13.16%
- 1.70 - 0.93
e) Encuentra el área bajo la curva normal a la derecha de – 0.47 o P ( Z ≥ - 0.47)
Esta área es la suma del área de – 0.47 a 0 Área bajo la curva normal estándar a la derecha de -0.47 = 0.6808
más el área a la derecha del 0, que por la
tabla “áreas bajo la curva normal estándar”
vemos que es 0.1808 + 0.5 = 0.6808

aleatoria tome valores mayores a -0.47 es de
0.6808 o 68.08%
- 0.47
22
TABLA: ÁREAS BAJO LA CURVA NORMAL ESTANDAR, desde 0 a z.
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
Jhon E. Freund y Gary A. Simon. Estadística elemental. 8ª. Edición. Edit. Prentice may 1992.
También para z= 4.0, 5.0 y 6.0 las áreas son 0.49997, 0.4999997 y 0.499999999.
Los valores de la tabla, son las probabilidades de que

una variable aleatoria que tiene la distribución normal
estándar, tome un valor de entre 0 y z.
SIGUE PRACTICANDO
CON OTROS VALORES, TU SOLO(A)
0 z
23
ACTIVIDADES DE APRENDIZAJE
Te recomendamos que utilices una curva normal por cada ejercicio, y apoyándote en la tabla de
la página 21, encuentres las respuestas correctas. Sigue los ejemplos de las páginas 18 y 19.
a) ENTRE 0 Y 1.68
P(0 ≤ Z < 1.68)
b) A LA DERECHA DE 0.69
P(Z ≥ 0.69)
c) ENTRE 1.07 y 1.46

P(1.07 ≤ Z < 1.46)
d) ENTRE -2.36 y 0
P(-2.36 ≤ Z < 0)
e) ENTRE -0.91 y 0.45

P(-0.91 ≤ Z < 0.45)
f) ENTRE -2.12 y -1.18

P(-2.12 ≤ Z < -1.18)
g) A LA IZQUIERDA DE – 0.35
P(Z < -0.35)
24
TEOREMA DEL LÍMITE CENTRAL
L a relación entre la forma de la distribución de la población y la forma de la distribución de

muestreo se denomina teorema del límite central, que es tal vez, el teorema más
importante de toda la inferencia estadística; su importancia radica en que nos permite
usar los estadísticos de la muestra, para hacer inferencias con respecto a los parámetros de
población, sin saber nada sobre la forma de la distribución de frecuencias de esa población,
más que lo que podamos obtener de la muestra.
El teorema del límite central, nos permite el empleo de la distribución normal en una amplia
variedad de problemas; aún, cuando la variable en estudio no tenga distribución normal, o su
distribución sea desconocida. Si el número de elementos de la muestra es suficientemente
grande, por aplicación del Teorema del Límite Central, la media aritmética igualmente va a tener
aproximadamente distribución normal.
TEOREMA DEL LÍMITE CENTRAL:

Si n es grande, la distribución muestral de las medias puede aproximarse a
una distribución normal, sin importar la forma de la distribución de la
población.
Aun cuando no especifica que tan grande debe ser el tamaño de la muestra n, para poder
aproximar la distribución muestral x por una distribución normal, una buena regla es que basta
que n sea mayor o igual a 30, o sea, n ≥ 30
Otro aspecto importante, es que para convertir cualquier variable aleatoria normal, en una
variable aleatoria normal estándar, debemos sustraer la media de la variable que se está
estandarizando y dividir el resultado entre el error estándar (la desviación estándar de dicha
variable), según la siguiente fórmula, donde z = son las unidades estándar.
Ahora si,
practiquemos esta
formula con el
ejemplo anterior
¿sale?
x1 − x
Análogamente, también podemos utilizar la fórmula… z =
s
Siguiendo el mismo ejercicio de la página 16, de los 3000 estudiantes universitarios que se
distribuyen normalmente con una media µ = 68.0 pulg y desviación estándar σ = 3.0 pulg y
donde calculamos un error estándar de la media σ x = 0.6 pulg. Ahora las preguntas serán…
¿En cuántas muestras de las 80 del anterior problema, esperaríamos encontrar la media
a) entre 66.8 y 68.3 pulg y también…
25
b) menor que 66.4 pulg.?

La media x de una muestra en UNIDADES ESTANDAR está dada aquí por:
x − µ x − 68.0
z= =
σx 0.6
a) Cuántas muestras hay entre 66.8 y 68.3 pulgadas? o P (66.8 ≤ Z < 68.3)
66.8 − 68.0
66.8 en unidades estándar = = −2.0
0.6
68.3 en unidades estándar = 68.3 − 68.0

= 0.5
0.6
La proporción de muestras con medias entre 66.8
y 68.3 pulg es igual al área bajo la curva normal
entre z= -2.0 y z= 0.5, esto es igual al (área entre
z= -2.0 y z= 0) + mas (área entre z= 0 y z = 0.5) z = -2.0
μ= 68.0
z = 0.5
Buscamos los valores en la tabla “áreas bajo la
curva normal estándar” y encontramos que para 2 = 0.4772 y para 0.5 = 0.1915 Sumamos los
dos valores = 0.6687 = 66.87% y entonces finalmente, el número esperado de muestras es (80)
(0.6687) = 53.496 o 53 muestras
b) Cuántas muestras son menor que 66.4 pulg.?o P (Z < 66.4)
66.4 en unidades estándar = 66.4 − 68.0

= −2.67
0.6 La proporción de muestras con medias
menores que 66.4 pulg. = (área bajo la curva
normal a la izquierda de z = -2.67) = (área a la
“derecha” de z = 0) – menos (área entre z=
-2.67 y z = 0) = 0.5 – 0.4962 = 0.0038 =
0.38%-
Por lo tanto, el número esperado de muestras

z = -2.67 μ = 68.0 es (80) (0.0038) = 0.304 o cero muestras.
z=0
Vamos hacer otro

problema para
aprender otra
forma de su
cálculo
¿Sale?
26
Con base en el teorema del límite central. ¿Cuál es la probabilidad de que el error de una
variable aleatoria sea menor que 5, cuando se usa la media de una muestra aleatoria de
tamaño n = 64 para estimar la media de una población infinita con σ = 20?
Aunque el valor de μ es desconocida, sabemos que la distribución muestral de las medias es

normal con la media poblacional μ. Por lo tanto, la probabilidad se obtiene por medio del área
de la zona bajo la curva de normal estándar, entre…
x−u
z=
σx
−5 5
z= = −2 y z= =2
20 / 64 20 / 64
Dado que la entrada de la tabla corresponde a z = -2.00 es 0.4772 y z = 2.00 es 0.4772 la

probabilidad que se pide es 0.4772 + 0.4772 = 0.9544
Entonces afirmamos, la probabilidad de que

una media de una muestra aleatoria de
tamaño n = 64 de la población infinita con σ =
20, difiera de la población por menos de 5 es 0.4772 0.4772
de 0.9544 o el 95.44%
μ-5 μ μ+ 5
z = -2.0 z=0 z = 2.0
SAETA
calidad
SIGUE PRACTICANDO OTROS PROBLEMAS, Y TE RECOMENDAMOS QUE INGRESES A

LA PAGINA INTERACTIVA DE INTERNET http://descartes.cnice.mec.es/ del ministerio de
educación y ciencia de España, específicamente en la unidad didáctica del bachillerato,
modalidad de humanidades y ciencias sociales, en el tema, Distribución Normal e inferencia
estadística.
ENTRA A ESTA PÁGINA… E INCREMENTA TU APRENDIZAJE
¡ NO TE VAS A ARREPENTIR !
A CONTINUACIÓN RESUELVE LAS SIGUIENTES ACTIVIDADES DE APRENDIZAJE
PARA QUE REAFIRMES LO APRENDIDO HASTA EL MOMENTO…
27
Con el propósito que reafirmes lo aprendido, contesta…

utilizando tus palabras y criterio las siguientes preguntas
1. Explica brevemente qué entiendes por distribución muestral?
Respuesta: __________________________________________________________________
____________________________________________________________________________
2. ¿Qué estudiamos cuando analizamos una distribución muestral de medias?
Respuesta: __________________________________________________________________
____________________________________________________________________________
3. ¿Cuál es el número de muestras de tamaño 5, que podrían obtenerse de un grupo de 200

estudiantes, con reemplazo y sin reemplazo? Realiza tus cálculos aquí. Por favor.
Con reemplazo: _________
Sin reemplazo: __________
4. ¿Cuál es el número de muestras de tamaño 4, que podrían obtenerse de un grupo de 30

personas, con reemplazo y sin reemplazo?
Con reemplazo: __________
Sin reemplazo: __________
5. ¿Que es lo que mide el error estándar en una distribución muestral de medias?
Respuesta: __________________________________________________________________
____________________________________________________________________________
6. Si el error estándar es bajo o alto que nos sugiere?
Si es bajo indica: ___ Si es alto indica: ___
7. Que nos indica el teorema del límite central?

Respuesta:
A UN LADO DE ÉSTA HOJA, O EN TU CUADERNO DE ESTADÍSTICA,

RESUELVE ADECUADAMENTE LOS SIGUIENTES PROBLEMAS.
28
8. Una población consiste de cinco números 2, 3, 6, 8 y 11. Considere todas las muestras de
tamaño igual a 2 que pueden obtenerse, con reemplazamiento y sin reemplazamiento, a partir
de estas poblaciones. Calcule a) la media de la población, b) la desviación estándar de la
población, c) la media de la distribución muestral de medias, y d) la desviación estándar
de la distribución de medias, es decir, el error estándar de medias.
9. Quinientos baleros de rodamiento tienen un peso medio de μ = 5.02 g y una desviación

estándar de σ = 0.30 g., de una muestra aleatoria de n = 100 baleros de rodamiento elegida de
este grupo. Calcula la probabilidad de que, el peso combinado esté entre 496 y 500 g, si el peso
medio de los 100 baleros, está entre 4.96 y 5.00 g y la probabilidad de que el peso combinado
excederá 510 g, si el peso medio de los 100 baleros excede 5.10 g.
10. Una región agrícola consta de 200 000 hectáreas donde se siembra trigo. Para estimar la
producción media por hectárea, se realiza una muestra de 900 hectáreas que tuvieron en
promedio una productividad de = 3.4 toneladas. La SAGARPA estima que la que la desviación
estándar de la productividad del trigo en la región es de σ = 0.8 Toneladas. ¿Cuál es la
probabilidad de que nuestra estimación de la producción media en la región, tenga un
error de a lo más 0.05 toneladas?
11. La media de una muestra aleatoria de tamaño n = 300 es usada para estimar la media del
ingreso familiar de una población de 20,000 familias de una región. Si el INEGI estima que la
desviación estándar del ingreso familiar en la región es σ = $ 1500. Determina la probabilidad
de que el error de estimar la media sea a) menor que $200 y b) menor que 250
12. La media de una muestra aleatoria de tamaño n = 50 barricas, es empleada para estimar el
contenido de alcohol de la producción tequilera en una bodega de 20000 barricas. Si la
desviación estándar del contenido alcohólico del tequila es de σ = 0.5%. Determina la
probabilidad de que el error de estimar la media sea a) menor al 0.01% y b) menor al
0.02%
29
SECUENCIA DIDÁCTICA “Estimando la confianza”

Contenido temático Teoría de estimación estadística
Analizar los conceptos de la teoría de la estimación estadística, para
Propósito del contenido temático: que el estudiante los utilice durante el desarrollo de trabajos
estadísticos inferenciales.
Conceptos fundamentales: Intervalos de confianza
Conceptos subsidiarios: Intervalos de confianza de parámetros poblacionales: Intervalos de
confianza para medias e Intervalos de confianza para proporciones.
Tema integrador Relaciones humanas (convivencia)
Número de sesiones 2 (semanas ) con alto porcentaje de estudio independiente
Valores y actitudes Solidaridad, Tolerancia, Libertad y Justicia,
BLOQUE: ACTIVIDADES DE APERTURA Observaciones

Te invitamos a que reflexiones un momento sobre el tema de las RELACIONES
HUMANAS y la difícil tarea de tomar decisiones. Contesta honestamente Es conveniente un
@ Cuáles son las personas que más respetas y por que? tiempo aceptable
@ Cuáles son las personas que menos toleras y por que? para desarrollar
@ Por qué son importantes las relaciones humanas en la toma decisiones? esta importante
A continuación se presenta un problema. Por favor, ayúdale al introducción.
director a resolverlo:
El director de un CBTA no sabe que hacer; según el, es urgente
incrementar las inscripciones porque la infraestructura de la
escuela está en pésimas condiciones, pero también sabe que los Integrarse en
alumnos son de escasos recursos económicos y no quiere dañar equipos de 3
estudiantes.
su buena imagen ante ellos, por lo que decide obtener una
muestra aleatoria de 200 alumnos del CBTA, de los cuales, 144
se oponen a un incremento de la inscripción y 56 están a favor
de dicho incremento.
a) Construye un intervalo de confianza del 95%, para la
proporción de la población de estudiantes que se oponen al
incremento de la inscripción. Interpreta su resultado
b) Construye un intervalo de confianza del 95%, para la
proporción de la población que está a favor del incremento
de la inscripción. Interpreta su resultado
1.- Consultar la presente guía didáctica, en los temas correspondientes a:
Estimación de parámetros; Estimación sin sesgo; Estimación puntual y estimación por Consultar la
intervalos; Estimación por intervalos de confianza de los parámetros poblacionales: para presente guía
medias y de proporciones. Error probable o error máximo y Tamaño de la muestra. didáctica para
2. Investigar de manera personal, otras fuentes de información a tu alcance para argumentar su
enriquecer tus conocimientos de los temas antes mencionados. solución y otras
3.- Integrado en equipos de tres compañeros, comenten las estrategias para la solución bibliografías.
de las preguntas antes señaladas.
3. Realicen esquemas, láminas, o presentaciones para su exposición grupal en el aula.
 En reunión plenaria, expondrán ya sea con rotafolio, láminas, o presentaciones El cierre se hará en
30
PowerPoint; las vías de solución que se hayan encontrado a dichos preguntas. dos fases
 En la plenaria, encontraras la solución más idónea entre todo el grupo. 1ra. Sobre las
 De manera respetuosa podrás solicitar a todo el grupo, te disipen algunas dudas relaciones humanas
que tengas respecto al tema y a la solución del problema en general. 2da. Sobre el
problema
El facilitador propiciará la exposición libre de las emociones y sentimientos
estadístico
TEORIA DE ESTIMACIÓN ESTADÍSTICA

TEMA -----------------
H ay dos tipos de inferencia estadística; la estimación y la verificación de hipótesis; en este

tema (teoría de la estimación estadística) vamos a estudiar los conceptos y técnicas
fundamentales de la estimación de intervalos y en el apartado siguiente (teoría de la
decisión estadística), analizaremos los principios indispensables para la verificación o prueba de
hipótesis.
ESTIMACIÓN DE PARÁMETROS
En el tema anterior, se revisó la manera en que la teoría de muestreo puede emplearse para
obtener información acerca de las muestras obtenidas aleatoriamente de una población
conocida. También observamos, cómo la desviación estándar de la población y el tamaño de la
muestra, determinan la variabilidad de la distribución muestral de la medias, ya que entre menor
sea el error estándar de la media, mejor será nuestra estimación. Un problema que
consideraremos en este tema, es el de la estimación de parámetros poblacionales o
simplemente parámetros, como la media y la desviación estándar, a partir de los estadísticos
muestrales correspondientes o también llamados estadísticos, como la media y la desviación
estándar muestrales.
ESTIMADOS SIN SESGO Y EFICIENTE
Si la media de la distribución muestral de un estadístico, es igual al parámetro poblacional

correspondiente, el estadístico se denomina estimador sin sesgo (insesgado) del parámetro;
de otra manera, es denominado estimador sesgado. La media de la distribución muestral de
las medias μ es µ = µ x , la media poblacional. Por lo tanto, la media muestral X es un
estimado sin sesgo de la media poblacional μ. Si las distribuciones muestrales de dos
estadísticos tienen la misma media, entonces el estadístico con la MENOR varianza o
desviación estándar, se denomina estimador eficiente de la media, mientras que el otro
estadístico, se llama estimador ineficiente. Si se consideran todos los estadísticos posibles,
cuyas distribuciones muestrales tienen la misma media; aquél con la menor varianza o
desviación estándar, suele denominarse el mejor o más eficiente estimador de dicha media.
ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALO
El estimado de un parámetro poblacional dado por un solo número, se denomina estimado

puntual del parámetro. El estimado de un parámetro poblacional dado por dos números, entre
los cuales, se considera que, está el parámetro, se denomina estimado por intervalo del
parámetro. Los estimados por intervalo, indican la precisión de un estimado y son, por lo tanto,
preferibles al estimado puntual. Si se dice que una distancia es de 5.28 metros, se está dando
un estimado puntual. Si por otro lado, la distancia es de 5.28 ± 0.03 metros, es decir, la
distancia está entre 5.25m y 5.31m, se está dando un estimado por intervalo. La información
sobre el error (o precisión) de un estimado, se conoce como su confiabilidad.
31
ESTIMACIÓN POR INTERVALOS DE CONFIANZA

DE PARÁMETROS POBLACIONALES
En este apartado únicamente vamos a analizar dos parámetros poblaciones, los intervalos de
confianza para medias y los intervalos de confianza de proporciones.
Sean μs y σs la media y la desviación estándar (error estándar), en ese orden, de la distribución
muestral de un estadístico. Entonces, si la distribución muestral es en forma aproximada a la
normal (lo cual es verdadero para muchos estadísticos, si el tamaño de la muestra es N ≥30), se puede
esperar encontrar un estadístico muestral, real que caiga en los intervalos
μs – σs “a” μs + σs cerca de 68.26%,

de las veces.
μs – 2σs “a” μs + 2σs cerca de 95.44% x
de las veces.
y μs – 3σs “a” μs + 3σs cerca de99.74% Escala x

de las veces. μ - 3σ μ - 2σ μ - σ μ μ+σ μ + 2σ μ + 3σ
68.26%
P ( µ − σ ≤ X ≤ µ + σ ) = 68 .26 % 95.44%
en probabilidad será P( µ − 2σ ≤ X ≤ µ + 2σ ) = 95 .44 % 99.74%
P ( µ − 3σ ≤ X ≤ µ + 3σ ) = 99 .74 %
Debido a lo anterior, se llaman intervalos de confianza a 68.26%, 95.44% y 99.74% de

estimación para μs. Los números extremos de estos intervalos, se denominan límites de
confianza. De forma similar, S ± 1.96σs y S ± 2.58σs son los límites de confianza a 95% y 99%
(o 0.95 y 0.99) de S. El porcentaje de confianza suele denominarse nivel de confianza. Las
cifras 1.96, 2.58, etcétera, en los límites de confianza; se llaman coeficientes de confianza o
valores críticos y se denotan por zc. A partir de los niveles de confianza se pueden calcular los
coeficientes de confianza y viceversa.
En la tabla siguiente se muestran algunos de los valores críticos de zc, correspondientes a

diversos niveles de confianza. Los valores de zc, para los niveles de confianza, no incluidos en
la tabla, pueden obtenerse en la tabla áreas bajo la curva normal estándar de la página 22.
Completa la tabla, ejemplo: 95%/2 = 47.5 / 100 = 0.475 en la tabla Zc = 1.96

Nivel de
confianz 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
a
zc 2.575 1.96 1.645
Si queremos un intervalo de 90% de α = 0.10

confianza, tenemos 1 – α= 0.90, y el valor
correspondiente a un área central de 0.90
en la distribución normal estándar es de zc
= 1.645 según se indica en la tabla y la
figura siguiente.
α/2 = 0.05
1-α = 0.90 α/2 = 0.05
Denotamos con la letra griega α (alfa) a la
probabilidad con la que estamos dispuestos
a cometer error (α=0.10); entonces, no
cometer el error o confiabilidad será: 1-α zc = - 1.645 zc = 1.645
(0.90), recordando que la probabilidad de un
32
evento más la probabilidad de su complemento, es igual a 1; dicho de otra manera, como α se

ha definido como la probabilidad de cometer el error y la probabilidad del evento
complementario a este, es la probabilidad de NO cometer error, esto es, la confiabilidad,
entonces se tiene que la suma de estos eventos complementarios es 1.
Resolvamos un problema para analizar y resumir lo dicho hasta el momento
xINTERVALOS DE CONFIANZA
PARA MEDIAS
E
n la zona metropolitana de la ciudad de México, se tomó una muestra de 30 lecturas del nivel
de ozono durante cierto periodo invernal. En la tabla siguiente tenemos estas lecturas:
178 190 228 211 187 165 172 244 229 208
193 203 215 226 231 209 220 258 278 235
246 227 211 195 202 212 219 216 204 193
La media de esta muestra es x = 213.5 inmecas Si ésta es la única información que

tenemos, podemos emplear este valor como una estimación de la media del nivel de ozono en
la zona durante la época invernal. Una estimación así es llamada una estimación puntual pues
consiste de un único número o punto de la recta real. Este tipo de estimación puntual no brinda
información sobre el tamaño del error. Una alternativa que brinda más información, consiste en
estimar la media por medio de un intervalo o aquellos números reales que se encuentran entre
dos valores o límites del intervalo.
El teorema del límite central nos permite entonces asociar a un intervalo alrededor de nuestro
valor de x = 213.5, una probabilidad o grado de certidumbre de que la media que estimamos
se encuentre efectivamente entre estos límites.
Cuando no se tiene mayor información acerca de la desviación estándar de la población σ, y n

es grande ( n ≥ 30 ) podemos sustituir σ por la desviación estándar de la muestra s. En nuestro
problema tenemos que la desviación estándar, como se trata de una muestra, está dada por…
s=
∑ ( x − x) 2
=
(178 − 213.5)2 + ... + (193 − 213.5) 2
=24.87
n −1 29
n ( ∑ x2 ) − ( ∑ x)
2
También podríamos haber utilizado la fórmula: s = para calcular este valor.

n( n − 1)
Si la población es grande en relación al tamaño de la muestra (N > 20n), el tamaño de la

muestra es mayor o igual que 30 y si el muestreo se lleva acabo a partir de una población
σ
infinita o de una población finita con reemplazamiento, el intervalo de confianza para μ de
σ N −n
grado de confianza α es : X ±Z c X ±Z c
n n N −1
ó
si el muestreo se realizó sin reemplazamiento de una población finita.
Donde el área de la curva normal estándar entre 0 y Zc es α / 2, esto es, con un grado de
confianza α el error al estimar la media (μ ) por es menor a
33
Una estimación por intervalos o un intervalo de confianza consta de 3 partes (primera

σ
ecuación); que x es el estimador; ± Zc es el factor de confiabilidad y n que es el error típico
del estimador y en la segunda ecuación incluye, el factor de corrección finita N −n
N −1
Los grados de confianza que más emplearemos son 0.95 y 0.99 y sus correspondientes
coeficientes de confianza o valores críticos Zc que son 1.96 y 2.575, respectivamente. A estos
intervalos, también se les conoce, como los intervalos de confianza del 95% y 99%.
Para encontrar los intervalos de confianza al 95 % de confianza, en el caso del nivel de

contaminación de ozono tenemos: σ 24.87
X ± Zc = 213.5± 1.96.
n 30
213.5 – 1.96. (4.54) = 213.5 – 8.90 = 204.60 “y” 213.5 + 1.96. (4.54) = 213.5 + 8.90 = 222.40
por lo que el intervalo de confianza del 95% es 204.60 < μ < 222.40 por lo tanto…
Con una probabilidad de 0.95 la media poblacional se encuentra entre 204.60 y 222.4 o
bien, que con un grado de confianza del 95% el error al estimar la media como 213.5 es
menor a 8.9. Analicemos más detenidamente esto último…
x
ERROR PROBABLE Y TAMAÑO DE LA MUESTRA
L
σ
a expresión Zc . representa el error probable o máximo al estimar la media
n
poblacional ( μ ) con grado de confianza α , y puede ser usada para determinar el
tamaño de la muestra, cuando se desea cierto grado de precisión; esto lo analizaremos un poco
más adelante.
Por lo tanto, el Error máximo del nivel de contaminación de ozono al 95% de confianza es:
σ 24.87
Zc . =1.96. = 1.96(4.54)= 8.90
n 30
Si se aumenta el grado de confianza, aumentará el error máximo al estimar la media.
SEGUIMOS PRACTICANDO CON LOS INTERVALOS DE CONFIANZA…
Si deseamos aumentar el grado de certeza al 99% ¿Cuál será el intervalo de confianza y su

error probable?
σ 24.87
X ± Zc = 213.5 ± 2.575.
n 30
213.5 – 2.575.(4.54) =213.5 – 11.69 = 201.81 “y” 213.5 + 2.575.(4.54)=213.5 + 11.69 = 225.19
El error probable o máximo al estimar la media con 99% de confianza, es de 11.69
Los intervalos de confianza a un 99% es de 201.81< μ < 225.19.
Observamos, que entre mayor sea la certidumbre (grado de confianza), mayor es también el
intervalo. Por lo tanto, podemos afirmar que con una probabilidad de 0.99, la media poblacional
se encuentra entre 201.81 y 225.19. y con un grado de confianza del 99%, el error al estimar la
media como 213.5 es menor a 11.69.
Resolvamos otro problema para comprender y aprender mejor este tema…
34
Consideremos de nuevo el ejemplo del capitulo anterior de la región agrícola de 200,000

hectáreas, donde se siembra trigo. Se realizó una muestra de 900 hectáreas, con una
productividad media de x = 3.4 toneladas y donde la desviación estándar de la
productividad del trigo, es de σ = 0.8 toneladas.
Obtengamos los intervalos de confianza de 90%, 95% y 99% y sus errores máximos
Como el número total de hectáreas (200,000, N > 20n) es muy grande podemos emplear la
σ 0.8
fórmula… X ± Z c 3.4 ± Z c
n 900
Para obtener el intervalo de confianza del 90%, debemos encontrar el valor de Zc (de la tabla
áreas bajo la curva normal estándar de la página 22), que corresponde a 90/2 (dos colas)= 0.45 que es
Zc = 1.645 debido a que 0.4495 = 1.64 y 0.4505 = 1.65 la parte media será 0.45 =1.645. Por lo
tanto, los intervalos al 90 % de confianza serán…
3.4 –1.645.(0.0267) = 3.4 – 0.0439 = 3.36 “y” 3.4 + 1.645. (0.0267) = 3.4 + 0.0439 = 3.44
El intervalo de confianza al 90% es 3.36 < μ < 3.44 y su error máximo de 0.0439
Como ya sabemos el valor de Zc = 1.96 para el nivel de confianza de 95 %, por lo tanto, sus
intervalos de confianza serán… 0.8
3.4 ± 1.96
900
3.4 –1.96.(0.0267) = 3.4 – 0.0523 = 3.35 “y” 3.4 + 1.96. (0.0267) = 3.4 + 0.0523 = 3.45
El intervalo de confianza al 95% es 3.36 < μ < 3.44 y su error máximo de 0.0523
Finalmente y como ya sabemos, el valor de Zc = 2.575 para el nivel de confianza de 99 %, por lo

tanto, sus intervalos de confianza serán… 3.4 ± 2.575 0.8
900
3.4 –2.575.(0.0267) = 3.4 – 0.0688 = 3.33 “y” 3.4 + 2.575. (0.0267) = 3.4 + 0.0688 = 3.47
El intervalo de confianza al 99% es 3.33 < μ < 3.47 y su error probable de 0.0688
Ahora si, vamos

a obtener el
tamaño de la
TAMAÑO DE LA MUESTRA muestra ¡Animo!
x
σ
Como se indicó anteriormente, la expresión Zc . representa el error máximo al estimar la
n
media poblacional (μ), por x con un grado de confianza α y puede ser usada, para
determinar el tamaño de la muestra, cuando se desea cierto grado de precisión.
Para comprender mejor, resolvamos un problema de un fabricante de llantas.
Un Fabricante de llantas, desea determinar la vida promedio de cierto tipo de llantas, con un
grado de certeza del 99% y con un error menor a 1000 Km. Por estudios previos, el fabricante
sabe, que la desviación estándar para este tipo de llantas es de 3000 Km. ¿Qué tan grande
debe ser la muestra?
σ 3000
Si E, es el error máximo o error probable, entonces E = Z c . = 2.575. y como deseamos
n n
3000
que E sea menor de 1000, obtenemos la ecuación 1000 = 2.575. , que al resolver da
n
35
1000 3000 (2.575)(3000)

= se despeja n = = 7.725 . Para obtener el valor de n, elevamos al
2.575 n 1000
cuadrado para llegar a n = 59.67, y como este número, no es entero debemos redondear hacia
arriba para tener n = 60 llantas.
Con un 99% de certeza, el fabricante de llantas, debe obtener una muestra de 60 llantas para
tener un error menor de 1000 Km.
También se puede utilizar la siguiente fórmula para calcular el tamaño de la muestra, para
estimar a μ como sigue… 2 2 2
 Z (σ )   2.575(3000)
  
7725
[ 7.725 ]
2
n =  α /2  n = = = = 59.67
 E   1000 
  
1000
Último ejemplo para reflexionar;
Un investigador a cuyo cargo está un departamento de educación física, desea hacer una
estimación del consumo de oxígeno (en litros por minuto), de los estudiantes normales que
estén entre los 17 y los 21 años de edad, después de haber hecho un tipo especial de ejercicio.
El investigador, desea que su estimación se encuentre por lo menos a 0.10 litros de la media
verdadera, con una confianza del 95%. Los estudios que se han hecho, indican que la varianza
del consumo de oxígeno de este tipo de sujetos, bajo las condiciones especificadas, es
aproximadamente igual a 0.09 litros por minuto cuadrado.
¿Qué tamaño debe tener la muestra que necesita este investigador?
Con base en la información dada, tenemos que E = 0.10, z = 1.96 y σ = σ =0.30.

La sustitución de estos valores se efectúan en la siguiente ecuación:  Z (σ)
2
n =  α/2 
2
(1.96 )( 0.3)   E 
n =  = 34 .57 Como el tamaño de la muestra tiene que ser un entero, el
 0.10 
investigador necesitará tomar una muestra de tamaño 35, para lograr la confianza y la amplitud
de intervalo deseadas.
Es importante señalar lo siguiente en este tema:
Si hay que sacar la muestra de una población finita, puede resultar conveniente incorporar el
factor de corrección poblacional finita (cpf), a la fórmula para n, en este caso la fórmula se
transforma en…
Nz 2σ 2
n=
z 2σ 2 + E 2 ( N −1)
Aceboman, yo
también le echaré
muchas ganas
A CONTINUACIÓN, RESUELVE LAS SIGUIENTES p
¿he¿
ACTIVIDADES DE APRENDIZAJE, PARA QUE REAFIRMES

LO APRENDIDO, HASTA EL MOMENTO…
ACTIVIDADES DE APRENDIZAJE.
36
A un lado de ésta hoja, resuelve adecuadamente los siguientes problemas.
1) Un centro de verificación vehicular, efectúa una muestra aleatoria de 50 vehículos para

estimar el tiempo promedio, que se requiere para efectuar la prueba obteniendo una media x
de 7.2 minutos y una desviación estándar s = 0.8 minutos. Determina los intervalos de
confianza de la media del 95% y del 99%, así como los errores máximos de estos grados
de confianza.
Al 95%: Al 99%:
2) Se desea estimar las horas que un amplificador de música puede ser usado antes de
necesitar alguna reparación. Si por estudios previos se sabe que σ = 500 horas, ¿Qué tan
grande debe ser el tamaño de la muestra, si necesitamos tener un grado de confianza del
95% y un error de 100 horas?
RESPUESTAS CORRECTA: ______________
3) Una compañía de reparto de paquetería, efectúa una muestra tamaño n = 60 del número de
paquetes que entrega por día una camioneta. Si se obtuvo una media de x = 26.8 paquetes
y una desviación estándar de s = 1.4 paquetes, construye los intervalos de confianza del
90% y del 95%, para el promedio de paquetes que entrega una camioneta.
Al 95%: Al 90%:
4) Una compañía de seguros efectúa una muestra de tamaño n = 80 reclamaciones

hospitalarias, obteniendo un periodo promedio de hospitalización de 4.5 días y una desviación
estándar de 0.81 días. Si x = 4.5 días se emplea como la estimación del periodo promedio
de hospitalización de sus asegurados…
a) ¿Cuál es el error máximo en esta estimación, si se desea tener un grado de confianza

del 95% y cuál es el correspondiente intervalo de confianza?
RESPUESTAS CORRECTA: ________________
5) ¿Cuál es el error máximo en esta estimación, si se desea tener un grado de confianza

del 99% y cuál es el correspondiente intervalo de confianza?
37
RESPUESTAS CORRECTA: ___________________
6) Una empresa publicitaria, desea investigar el tiempo promedio semanal que las amas de
casa, de cierta región dedican a ver telenovelas. Si saben que es razonable tomar σ =2.8 horas
para estos estudios. ¿Qué tan grande debe ser la muestra, si desean tener un grado de
confianza del 99% y un error máximo de media hora?
RESPUESTAS CORRECTA: ____________________
7) El diámetro promedio de una muestra aleatoria de 40 balines, fue de x = 0.998 pulgadas

y su desviación estándar fue s = 0.002 pulgadas. ¿Cuál es el máximo error al estimar el
diámetro promedio del lote de balines en 0.998 pulgadas, si deseamos tener un grado de
confianza del 95%?
RESPUESTAS CORRECTA: _____________________
8) Unos diseñadores industriales, desean determinar el tiempo promedio que un adulto requiere
para ensamblar un juguete “fácil de ensamblar”, para lo cual obtuvieron una muestra de n = 36
x = 19.9 y s = 5.73 ¿Encuentre un intervalo de confianza del 95% para el tiempo
promedio que un adulto, requiere ensamblar dicho juguete?.
9) Un profesor, quiere calcular el tamaño de la muestra del tiempo promedio que los estudiantes
necesitan para pasar de una clase a otra, y quiere afirmar con una probabilidad de 0.95, que su
error será a lo sumo de 0.25 minutos.¿Cuál es el tamaño de la muestra que necesita, si sabe
que en estudios similares σ = 1.50 minutos?
p INTERVALOS DE CONFIANZA
38
HPARA PROPORCIONES
asta aquí hemos analizado, que a partir de la información contenida en una muestra aleatoria y
con una confiabilidad preestablecida (1 – α), podemos determinar los extremos de un intervalo
de confianza para parámetros de interés, como la media poblacional ( μ ) . Ya se ha comentado
que el valor de los parámetros poblacionales en general se desconocen, por lo que, podemos
hacer una estimación puntual de P, por medio de la proporción p’ con la que ocurre la
categoría bajo estudio, en una muestra aleatoria de la población. Cabe señalar, que la
probabilidad de ocurrencia (llamado éxito) de un evento es p, mientras que la probabilidad de la
NO ocurrencia (llamado fracaso) del evento es q = 1 – p
El teorema central del límite para variables categóricas, nos dice que una variable categórica,
cuyas categorías ocurren con una proporción P en la población correspondiente. Si se extraen
de la población muestras aleatorias de tamaño n, entonces:
1) Los valores p’ calculados en cada una de las muestras, se distribuyen en forma

normal si el valor de n es grande.
2) El promedio poblacional de los valores p’, al que llamaremos μp, es igual a la
proporción poblacional P: μp = p
3) La desviación estándar poblacional de los valores p’ , a la que llamaremos σp, es tal
P ( 1 −p )
que: σ p =
n
Lo que dice el teorema anterior, es que si llamamos distribución muestral de p’ a la
distribución de los valores de p’, calculados en las muestras de tamaño n extraídas de una
misma población, entonces esta distribución muestral de p’, es aproximadamente normal. La
media de esta distribución es P, la proporción poblacional y su desviación estándar es igual a
P ( 1− p)
σp = . Este valor recibe el nombre de error estándar de la proporción estimada
n
p’.
Recordemos que en el caso de la distribución muestral de medias, se mencionó que el teorema
central del límite se puede considerar válido si n ≥ 30. En este caso, consideraremos que si el
tamaño de la muestra, n, es tal que np’ > 5 y n (1 – p’) > 5, entonces la distribución muestral de
p’ es prácticamente normal. Es decir, podremos considerar que n es grande si np’ > 5 .
El teorema anterior, nos permitirá encontrar el intervalo de confianza para P con una
confiabilidad predeterminada (1 - α) y siguiendo un proceso similar al establecido en el tema
anterior, cuando se encontró el intervalo de confianza para μ con σ conocida o estimada por s.
ahora tenemos…
Si P, es la proporción en la que ocurre una categoría de una variable categórica en una población, y si
se extrae de ésta una muestra de tamaño n en la que la categoría ocurre con proporción p’, entonces
un intervalo de (1 – α) 100% de confianza para P, si np’ > 5 y n(1- p) es > 5 y si el muestreo se efectuó
de una población infinita o una finita con reemplazamiento es:
p '(1 −p ') ó p '(1 −p ') Np− n
p '±Z p '±Z c
c
n n Np −1
si el muestreo se realizó sin reemplazamiento de una población finita.
Donde Zc es el valor de la distribución normal estándar que corresponde a “1– α en área central” o a “α
en dos colas”.
39
Si n/N ≤ 0.05 el coeficiente de población finita (cpf) no se usa.

Si n/N > 0.05 el coeficiente de población finita (cpf) si se usa.
Resolvamos el primer problema para comprender y aprender mejor este tema…
En una agrupación de profesionista con 10 000 miembros, se ha tomado una muestra aleatoria
de 392 miembros. A la pregunta “¿Los problemas gremiales que no le conciernen
directamente, son de interés para usted?, 97 miembros dieron respuestas: “no, para nada” o
bien “no se”. Estimar con 95% de confianza, la proporción de los miembros que hubiesen dado
respuestas semejantes, si se hubiera tomado un censo completo, preguntando a todos los
miembros de la agrupación.
Primer paso: se procede a realizar la prueba np’ > 5 y n (1- p ) > 5

n = 392 p’ = 97/ 392 = 0.2474
np’ = (392) (0.2474) = 96.8 y n ( 1 - p’ ) = (392) (0.7526) = 295.2 Por lo tanto…
Como ambos np’ y n ( 1 - p’ ) son mayores que 5, podemos continuar con la prueba.
Segunda prueba: la relación n/N, para saber si se utiliza el coeficiente de población finita (cpf)
392 / 10,000 = 0.0392 < 0,05 por lo tanto no se usa el “cpf” p '(1 −p ')
p '±Z c
n
Como se requiere una confiabilidad de 95% Zc = 1.96, y por lo tanto tenemos:
(0.2474)(0.7526)
0.2474 − 1.96 = 0.2474 − 0.0427 = 0.2047
392
(0.2474)(0.7526)
0.2476 + 1.96 = 0.2476 + 0.0427 = 0.2903
392
El intervalo de confianza al 95% es 0.2047 ≤ p’ ≤ 0.2903 o también < 0.2047, 0.2903 >
Entonces podemos afirmar con 95% de confianza, que la proporción de miembros de la
agrupación gremial que contestarán “no, para nada” o “no se” a la pregunta planteada, está
entre 0.2047 y 0.2903. En otros términos, podemos decir, con una confianza de 95%, que el
porcentaje de miembros del gremio a quienes no les interesan los problemas, que no les
conciernen directamente está entre 20.47% y 29.03 %.
p
Analicemos otro problema para confirmar lo aprendido…
En un estudio sobre las razones que dan los alumnos suspendidos en el CBTA; un profesor
tomó una muestra de 200 estudiantes en una población de 1500 que habían sido suspendidos.
De los 200 estudiantes suspendidos que fueron entrevistados, 140 dijeron que habían fallado
debido a dificultades económicas en su familia. El profesor quería construir una estimación del
intervalo de confianza del 95%, para la verdadera proporción de jóvenes que habían fallado por
esta razón.
Primer paso: se procede a realizar la prueba np’ > 5 y n (1- p ) > 5

n = 200 p’ = 140/ 200 = 0.70 Por lo tanto
np’ = (200) (0.70) = 140 y n ( 1 - p’ ) = (200) (0.30) = 60
Como ambos np’ y n ( 1 - p’ ) son mayores que 5, podemos continuar con la prueba.
Segunda prueba: la relación n/N, para saber si se utiliza el coeficiente de población finita (cpf)
p '(1 −p ') Np− n
200/ 1,500 = 0.1333 > 0,05 por lo tanto si se usa el “cpf” p '±Z c
n Np −1
Si sustituimos los valores en la fórmula, tendremos:
40
(0.70 )( 0.30 ) 1500 − 200

0.70 ±1.96 = 0.70 ±1,96 (0.0324 )( 0.9312 ) = 0.70 ± 0.06
200 1499
Finalmente tenemos que 0.70 + 0.06 = 0.76 y 0.70 – 0.06 = 0.64
El intervalo de confianza al 95% es 0.76 ≤ p’ ≤ 0.64 o también < 0.76, 0.64 >
Tenemos el 95% de confianza de que este intervalo contenga a p, puesto que, en un muestreo
repetido, aproximadamente el 95% de los intervalos construidos en esta forma a partir de todas
las muestras de tamaño 200 que se pueden hacer en la población de 1500 suspendidos,
incluiría a p.
ACTIVIDADES DE APRENDIZAJE.
En tu cuaderno de estadística, resuelve adecuadamente los siguientes problemas.

p Recuerda, antes de calcular el intervalo, debes verificar que el tamaño de la
muestra sea lo suficientemente grande, es decir, que np>5 y n(1-P) >5
y n/N, para saber si se va utilizar el factor (cpf).
1. Un profesor se interesa por saber qué proporción P de alumnos de la escuela donde trabaja,
participan en actividades culturales. Para ello, elige aleatoriamente a 50 estudiantes y
encuentra que 37 de ellos participan en actividades culturales. Calcule un intervalo de 95% de
confianza para P. Interpreta el resultado.
2. En una muestra aleatoria, 136 de 400 personas a quienes se les administró una vacuna
contra la gripe, experimentaron alguna molestia. La población total de pacientes es de 5500.
Elabore un intervalo de confianza del 95% para la proporción real de personas, que
experimentarán esta molestia como resultado de la vacuna.
Interpreta el resultado.
3. Una muestra aleatoria de 200 delincuentes juveniles, sacada de 3000 internos de una
escuela correccional, reveló que para 40 de ellos, el delito por el cual habían sido detenidos era
el de robo de automóviles. Construir un intervalo de confianza de 90 %, para la proporción
poblacional de los que habían sido detenidos por robos de automóviles. Interpreta el resultado
4. De una población de 1540 personas, se obtuvo una muestra aleatoria de 140 supuestos
contactos con OVNIS, 119 se podrían explicar fácilmente en términos de fenómenos naturales.
Elabore un intervalo de confianza del 99% para la probabilidad de que un supuesto contacto
con un OVNI, se puede explicar fácilmente en términos de fenómenos naturales. Interpreta el
resultado
41
5. Entre 180 pescados de un lago grande, 24 no eran comestibles como resultado de la

contaminación. a) Elabore un intervalo de confianza del 99% para la proporción real
correspondiente. B) ¿Qué podemos decir, con una confianza del 99% acerca del error máximo
si usamos la proporción de la muestra, como una estimación de la proporción de la población?
Interpreta el resultado
6. En un anuncio publicitario se afirma que 8 de cada 10 médicos utilizan cierto producto.

Supongamos que un estudiante desconfiado elige aleatoriamente a 100 médicos y encuentra
que 30 de ellos utiliza o recomienda el citado producto. Encuentre un intervalo de 99% de
confianza para la proporción de médicos que utilizan o recomiendan el producto. Interpreta el
resultado. ¿Cree usted que sea muy probable que lo que afirma en el anuncio sea correcto?
7. En una encuesta aplicada a 16 niños seleccionados aleatoriamente en una ciudad, se

encontró que el 25% de los niños no tenían una alimentación adecuada. Calcule un intervalo de
95% de confianza para la proporción de niños de toda la ciudad que no reciben alimentación
adecuada. Interpreta el resultado
8. En todo el CBTA-XALISCO existen 850 alumnos, se está planteando la construcción de

espacios para practicar deporte y se detectó que, de 48 alumnos elegidos al azar, 33 preferían
el básquetbol. Con un 95% de confianza calcula un intervalo de confianza para estimar la
proporción de alumnos de toda la escuela, que prefieren el básquetbol. Interpreta el resultado
9. En el mismo CBTA se desea estimar la proporción de jóvenes, cuyos padres asisten

regularmente a las juntas de padres de familia citados por la escuela. Para ello, se toma una
muestra aleatoria de 130 alumnos de la escuela y se encuentra que los padres de 44 de ellos
asisten regularmente a juntas de padres de familia. Encuentre un intervalo de 90% de confianza
para la proporción poblacional. Interpreta el resultado
42
SECUENCIA DIDÁCTICA: “Probando la hipótesis”

Contenido temático Teoría de decisión estadística
Reflexionar y ejecutar las decisiones estadísticas, sobre poblaciones
Propósito del contenido temático: con base en la información de muestras, para poner a prueba las
hipótesis planteadas.
Conceptos fundamentales: Prueba de hipótesis sobre una media y una proporción poblacional
Decisiones estadísticas, Hipótesis estadísticas, Estrategia de prueba,
Conceptos subsidiarios: Dos tipos de errores, Esquema general de la prueba de hipótesis,
prueba de hipótesis para una media y de una proporción poblacional.
Tema integrador La Salud
Número de sesiones 3 (semanas ) con alto porcentaje de estudio independiente
Valores y actitudes Persistencia, responsabilidad, Solidaridad, y Libertad.
BLOQUE: ACTIVIDADES DE APERTURA Observaciones

Para contextualizar la presente secuencia didáctica, se sugiere reflexionar sobre los
avances tecnológicos en la salud humana; específicamente, en la importancia de la Proyectar videos,
estadística inferencial en la longevidad de la vida humana. Algunas preguntas podrían audio, o
ser; ¿Por qué el promedio de vida es más largo hoy, que en siglos pasados? ¿Cómo ha presentaciones
influido la estadística inferencial, en éste importante fenómeno? estadísticas
A continuación se presenta un problema.
Un fabricante de una medicina, dice que el tiempo promedio para
que se disuelva el contenido de cierta cápsula es de 50 minutos; Integrarse en
el equipo de investigadores de una empresa de la competencia equipos de 3
estudiantes para su
NO cree en esto. Por eso, hace una prueba con una muestra al análisis.
azar de 20 cápsulas y calcula una media muestral de 54 minutos
y desviación estándar de 15. ¿El equipo de investigadores puede
concluir, que el tiempo promedio que se requiere para que se
disuelva el contenido, es mayor que 50 minutos?
Plantea, desarrolla y verifica la prueba de hipótesis con un 95%
de confianza.
1.- Integrado en equipos de 3 estudiantes, realizar una lectura comentada y analítica de
los contenidos de la presente guía didáctica, correspondientes a los temas: Consultar la
Decisiones estadísticas, hipótesis estadísticas, estrategia de prueba, errores que se presente guía
cometen y el esquema general de la prueba de hipótesis. didáctica y otras
2. Reflexionar y discutir los ejemplos del apartado referente a las pruebas de hipótesis bibliografías, para
sobre una media poblacional de ésta guía. argumentar la
3. Consultar de manera personal, otras fuentes de información a tu alcance, para solución.
enriquecer los conocimientos de los temas antes mencionados. Mínimo dos citas.
4.- Integrado en equipos, desarrollar las estrategias para la solución de las preguntas
antes señaladas.
5. Realicen esquemas, láminas, o presentaciones para su exposición grupal en el aula.
 El facilitador propiciará la exposición libre de las emociones, y sentimientos El cierre se hará en
dos fases
1ra. Sobre las
 En reunión plenaria, expondrán ya sea con rotafolio, láminas, o presentaciones relaciones humanas
PowerPoint; las vías de solución que hallan encontrado a dichos preguntas. 2da. Sobre el
43
 En la plenaria, encontraras la solución más idónea entre todo el grupo. problema

 De manera respetuosa podrás solicitar a todo el grupo, te disipen algunas dudas estadístico
que tengas respecto al tema y a la solución del problema en general.
TEMA -----------------
TEORIA DE DECISIÓN ESTADÍSTICA
EDECISIONES ESTADÍSTICAS
n la práctica, con frecuencia se está obligado a tomar decisiones sobre poblaciones con base
en la información de muestras. Éstas se denominan decisiones estadísticas. Por ejemplo,
quizás se quiera decidir, apoyado en datos muestrales, si un procedimiento educativo es mejor
que otro; si un nuevo suero es realmente efectivo para curar una enfermedad; si un material
didáctico (libro o apuntes) es mejor que otro; si un fertilizante es mejor que la materia orgánica,
para el desarrollo de algunas plantas, etcétera.
En el tema anterior, estudiamos los conceptos y las técnicas de la estimación por intervalos de
una media y de una proporción poblacional; esto ha servido para empezar a familiarizarse con
la inferencia estadística, que consiste en ver si se puede considerar, a través de la información
contenida en una muestra representativa de la población bajo estudio, como verdadera una
conjetura planteada acerca de la población. En el presente tema, vamos a analizar otro
problema típico de la inferencia estadística: LA PRUEBA DE HIPOTESIS.
Los métodos estadísticos que permiten poner a prueba una hipótesis; conforman una
importante rama de la estadística; dichos métodos siguen una estrategia general; nosotros
abordaremos el camino que sigue del planteamiento de una hipótesis de investigación hasta su
manejo estadístico, comentaremos los tipos de errores que se pueden cometer, así como los
conceptos y la estrategia básica para la prueba de hipótesis.
Con el propósito de abordar de manera diferente éste tema, y esperando que sea ameno y
sobre todo, más lógica su comprensión, abordaremos con un ejemplo sencillo, los distintos
subtemas en donde iremos realizando actividades de aprendizaje y cuando sea
conveniente, generalizaremos el concepto que estemos analizando (hipótesis estadísticas,
estrategia de prueba, dos tipos de errores, regla de decisión, esquema general de la prueba de hipótesis ),
para después, regresar nuevamente a nuestro ejemplo.
En el estado de Nayarit, un grupo de profesores realizan una investigación acerca del

aprendizaje de las matemáticas, en las escuelas secundarias. Uno de los objetivos de la
investigación es comparar el nivel de conocimientos, que tienen los jóvenes de las zonas
rurales, con el que tienen, los de las zonas urbanas del estado. Para
ello, diseñan un examen de conocimientos en matemáticas, cuyas
características permiten considerar, que la calificación que obtenga
cada joven, es un indicador de su nivel, así como que las
calificaciones se distribuyen normalmente. Este examen es aplicado a
todos los jóvenes que asisten a las escuelas secundarias de las
zonas urbanas del estado, y se encuentra
que el promedio de calificaciones es de 7.5.
Los profesores sospechan que los jóvenes de las zonas rurales tienen
un nivel de conocimientos en matemáticas diferentes del de los de
44
zonas urbanas, por lo que plantean que, de aplicarse el examen en zonas

rurales, se obtendría un promedio de calificaciones, distinto de 7.5. Sin
embargo, las zonas rurales del estado de Nayarit, son de difícil acceso, por lo
que resulta impráctico aplicar el examen en todas las escuelas de dichas
zonas. Por ello, los profesores deciden trabajar con una muestra representativa
de 30 jóvenes de las zonas rurales, dicha muestra es elegida con base en técnicas de muestreo
que ya analizamos en el primer tema, por lo que el promedio de las calificaciones obtenidas por
los 30 jóvenes, será un estimador del promedio de las calificaciones de todos los jóvenes de las
zonas rurales, del estado de Nayarit.
Hagamos un breve análisis de algunos elementos de este problema. La variable con la que
trabajaremos es la calificación, obtenida en el examen de matemáticas y la denotamos con x.
La población que nos interesa es la colección de las calificaciones que obtendrían en los
exámenes, todos los jóvenes de las zonas rurales del estado y la característica que nos
interesa es el promedio de estas calificaciones; es decir, el valor del parámetro μ. El valor de μ
es desconocido, pero podemos estimarlo puntualmente, mediante la media de las calificaciones
obtenidas por los 30 jóvenes.
SUPONGAMOS que esta media muestral es de 7.86, es decir x = 7.86
¿Se podría afirmar que, como x ≠ 7.5, el promedio de calificaciones en zonas rurales difiere del
de zonas urbanas? SI_________ o NO __________
¡Claro que no! Recuerde que la media ( x ), varía de muestra a muestra, por ello, no es
evidente que a partir del valor de x obtenido en una muestra, podamos inferir que el promedio
poblacional, μ, difiere del promedio de calificaciones en zonas rurales.
¡Pero con calma¡ primero analicemos

los diferentes tipos de hipótesis, ¿Sale?
HIPÓTESIS ESTADÍSTICAS
L a palabra hipótesis se define como: (1) Una afirmación que está sujeta a verificación o
comprobación. (2) Una suposición que se utiliza como base para una acción. (3) Una
conjetura que se hace sobre algo, para sacar una conclusión. El punto clave de estas
definiciones está, en que una hipótesis es una afirmación o suposición y no un hecho
establecido.
Al intentar tomar una decisión, es útil hacer suposiciones o conjeturas acerca de las
poblaciones implicadas. Dichas suposiciones, que pueden o no ser verdaderas, se
denominan hipótesis estadísticas. En general las hipótesis, son afirmaciones acerca de las
distribuciones de probabilidad de las poblaciones.
Podemos expresar, en términos estadísticos la conjetura del grupo de profesores de nuestro

ejemplo como sigue: “El promedio poblacional μ, de las calificaciones que obtendrían en el
examen de matemáticas los jóvenes de las zonas rurales del estado de Nayarit, difieren del
promedio poblacional de las calificaciones, obtenidas por los jóvenes de las zonas urbanas”
Denotemos con μu (“mu” “u” de urbana) al promedio de las zonas urbanas, entonces sabemos, μu =
7.5 y la conjetura de los profesores se puede expresar:
μ ≠ 7.5 o bien μ ≠ μu
En adelante nos referimos a la conjetura de los profesores como hipótesis de investigación y la
expresamos como sigue:
45
 Hinv : μ ≠ 7.5 o bien Hinv : μ ≠ μu

(Prueba Bilateral por corresponder a ambos lados de la media o en ambas colas de la distribución, 2
colas)
Es importante señalar que los profesores de nuestro ejemplo, podrían haberse planteado
alguna de las siguientes hipótesis:
 “El nivel promedio de conocimientos en matemáticas, de los jóvenes de las zonas
rurales es mayor que el de los jóvenes de las zonas urbanas”. En este caso se
conjetura que μ > μu y la hipótesis de investigación es Hinv : μ > μu.
(Prueba Unilateral, una cola de la distribución)
 “El nivel promedio de conocimientos en matemáticas de los jóvenes de las zonas
rurales es menor que el de los jóvenes de las zonas urbanas”. En este caso se
conjetura que μ < μu y la hipótesis de investigación es Hinv : μ < μu .
(Prueba Unilateral, una cola de la distribución)
 “El nivel promedio de conocimientos en matemáticas de los jóvenes de las zonas
rurales no difiere al de los jóvenes de las zonas urbanas”. Hinv : μ = μu
(Prueba Bilateral o de 2 colas)
Nosotros nos limitaremos a estudiar los casos en los que las hipótesis de investigación plantea
la existencia de alguna diferencia, como en las tres posibilidades señaladas en nuestro ejemplo:
Hinv : μ ≠ μu , Hinv : μ > μu , Hinv : μ < μu .
Como se indicó anteriormente, al tomar una decisión, es útil hacer suposiciones o conjeturas
acerca de las poblaciones implicadas. Dichas suposiciones, pueden o no ser verdaderas, a
éstas se les denominan hipótesis estadísticas. Esto nos conduce a considerar DOS
POSIBILIDADES; una coincide con la hipótesis de investigación y la otra la contradice.
Ja,ja,ja
¡Que fácil!
aceboman
 La hipótesis que contradice a la hipótesis de investigación se llama
HIPÓTESIS NULA y se denota H0

 La hipótesis que coincide con la hipótesis de investigación se llama
HIPÓTESIS ALTERNATIVA y se denota H1

Ahondaremos más en este aspecto, para ver cómo se generan las hipótesis estadísticas. Para
ello, consideremos las distintas modalidades que, según se mencionó anteriormente, puede
adoptar la hipótesis de investigación.
CASO 1. En nuestro ejemplo se postuló:

Hinv : μ ≠ 7.5 o bien (Hinv : μ ≠ μu ).
La hipótesis nula, que niega a la hipótesis de investigación, es:
H0: μ = 7.5 o bien (H0: μ = μu)
Y la hipótesis alternativa, que afirma lo mismo que la de investigación, es:
H1: μ ≠ 7.5 o bien (H1: μ ≠ μu).
(Prueba Bilateral o de 2 colas)
CASO 2. Si se hubiera postulado que el nivel de conocimientos en promedio de matemáticas

es más alto en las zonas rurales que en las urbanas, se tendría:
Hinv : μ > 7.5 o bien (Hinv : μ > μu ).
Como la hipótesis nula contradice a la de investigación, sería de la siguiente manera:
46
H0: μ ≤ 7.5 o bien (H0: μ ≤ μu ).
La hipótesis alternativa sería:

H1: μ > 7.5 o bien (H1: μ > μu ).
(Prueba Unilateral o de 1 colas)
CASO 3. Si se hubiera postulado que el nivel de conocimientos en promedio de matemáticas

es más bajo en zonas rurales que en las urbanas, se tendría:
Hinv: μ < 7.5 o bien (Hinv: μ < μu).
La hipótesis nula tendría la forma:
H0: μ ≥ 7.5 o bien (H0: μ ≥ μu).
La hipótesis alternativa sería:
H1: μ < 7.5 o bien (H1: μ < μu).
(Prueba Unilateral o de 1 colas)
La siguiente tabla, resume la relación de símbolos que aparecen en las hipótesis en los tres
casos considerados:
En la hipótesis de En la hipótesis Nula En al hipótesis La prueba se

investigación (H0) aparece el alternativa (H1) llama
(Hinv) aparece el símbolo símbolo aparece el símbolo
≠ = ≠ Bilateral o de
Caso 1 dos colas
> ≤ > Unilateral o de
Caso 2 una cola
< ≥ < Unilateral o de
Caso 3 una cola
Gracias aceboman ¡¡HURRA¡¡
SAETA
calidad
ES MOMENTO DE RESOLVER LAS SIGUIENTES, ACTIVIDADES DE APRENDIZAJE

PARA QUE REAFIRMES LO APRENDIDO HASTA EL MOMENTO…
47
1. Establezca las hipótesis nula (H0) y las hipótesis alternativa (H1) en cada uno de los
siguientes casos:
a) Hinv: μ > 0 H0 : _______________ H1 :______________
b) Hinv: μ ≠ 9.43 H0 : _______________ H1 :______________
c) Hinv: μ < -3.28 H0 : _______________ H1 :______________
d) Hinv: μ -10.11< 0 H0 : _______________ H1 :______________
e) Hinv: μ + 4.01 > 0 H0 : _______________ H1 :______________
Si se está trabajando con una variable categórica y el parámetro de la población, que nos
interesa, es la proporción poblacional P, con la que ocurre cierta categoría, se puede hacer una
hipótesis de investigación sobre P. En seguida te damos una lista de hipótesis de investigación
Hinv. Establezca la hipótesis nula H0 y la hipótesis alternativa H1 en cada uno de los casos:
a) Hinv: p ≠ .37 H0 : _______________ H1 :______________
b) Hinv: p < .5 H0 : _______________ H1 :______________
c) Hinv: p - .48 ≠ 0 H0 : _______________ H1 :______________
d) Hinv: p - .93 > 0 H0 : _______________ H1 :______________
48
ESTRATEGIA DE PRUEBA
R
egresemos a nuestro ejemplo…
La hipótesis de investigación Hinv: μ ≠ 7.5 generó la pareja siguiente de hipótesis estadísticas
Hipótesis nula H0: μ = 7.5 y la Hipótesis alternativa H1: μ ≠ 7.5
Con estas hipótesis, nos estamos haciendo preguntas acerca del parámetro μ,. Estas preguntas
pueden ser:
Hipótesis nula H0: ¿Podemos considerar que μ es igual al promedio (μu = 7.5) obtenido en
zonas urbanas?
Hipótesis alternativa H1: ¿Podemos considerar que μ es distinto de μu?
Como no conocemos el valor de μ, la respuesta a estas preguntas se obtendrá de una

inferencia a partir del valor del estimador de μ, que es x . Para esto, le daremos a priori,
mayor credibilidad a la hipótesis nula que a la hipótesis alternativa, es decir, seremos
estrictos con nuestra hipótesis de investigación: para que la aceptemos, NO bastará que la
información de la muestra, proporcione evidencia a su favor, sino que exigiremos también que
dicha información, proporcione evidencia en contra de la hipótesis nula H0, que es su negación.
Para ello, consideraremos provisionalmente que la hipótesis nula es verdadera y luego,
veremos si la información contenida en la muestra, contradice este supuesto o no.
a) Si lo contradice, nuestra conclusión estadística, será rechazar la hipótesis nula, con

lo que podremos considerar, que la hipótesis de investigación, es verdadera.
b) Si no lo contradice, la conclusión será no rechazar la hipótesis nula, por lo que no
podremos considerar, que la hipótesis de investigación, sea verdadera.
Recordemos que el estimador de la media poblacional (μ), la media muestral de las 30

calificaciones es x = 7.86, por lo tanto…
Si esta media muestral difiere “MUCHO” de 7.5, podemos considerar que μ es distinto de 7.5 y
la información contenida en la muestra contradice, en este caso, a la hipótesis nula.
Si la media muestral difiere “POCO” de 7.5, estaremos inclinados a pensar que μ es igual a 7.5
por lo que la información contenida en la muestra no contradice, en este caso, a la hipótesis
nula. Pero…
¿Qué tanto es “MUCHO” y qué tanto es “POCO”?. x Necesitamos un criterio que nos
aclare estos términos y que nos indique si la diferencia – μ u= 7.86 – 7.5 = 0.36 puede ser
considerada “GRANDE” o “PEQUEÑA”.
Este criterio, que veremos más adelante, recibe el nombre de regla de decisión y es el que nos
permite llegar a la conclusión de rechazar o no la hipótesis nula.
DOS TIPOS DE ERRORES

1) Si la media muestral difiere “MUCHO” de 7.5, la conclusión estadística será rechazar H0.
Ahora bien, en realidad puede ocurrir una de dos situaciones:
a) H0 es verdadera:en este caso estaremos cometiendo un error, al rechazar una

hipótesis nula, que es verdadera;
49
b) H0 es falsa: en cuyo caso nuestra conclusión será acertada.

2) Si la media muestral difiere “POCO” de 7.5, la conclusión será no rechazar H0. Ahora bien,
también aquí puede ocurrir en realidad, una de las dos situaciones mencionadas.
a) H0 es verdadera: en este caso nuestra conclusión será acertada

b) H0 es falsa: en este caso estaremos cometiendo un error, al no rechazar una
hipótesis nula, que es falsa.
Es decir, en cada posibilidad de conclusión estadística podemos estar cometiendo un error.
Estos errores reciben los siguientes nombres:
1) El error que cometemos en caso de rechazar una hipótesis nula, que es

verdadera se llama ERROR TIPO I
2) El error que cometemos en caso de no rechazar una hipótesis nula, que es

falsa se llama ERROR TIPO II.
En la siguiente tabla se resume lo anteriormente señalado:

SITUACIÓN REAL
( desconocida)
H0 es verdadera H0 es falsa
ESTADÍSTICA
Se rechaza Se comete el No se comete

SITUACIÓN
H0 error tipo I con una Error La probabilidad de

probabilidad α que esto ocurra es 1 - β
NO se rechaza No se comete Se comete el
H0 Error. La probabilidad de error tipo II con una
que esto ocurra es 1 - α probabilidad β
Antes de seguir adelante, veamos en qué consiste cada uno de estos dos errores, en los
términos de nuestro ejemplo inicial. Hinv: μ ≠ 7.5 H0: μ = 7.5 H1: μ ≠ 7.5
Como vimos anteriormente, la estrategia de prueba será considerar como verdadera, la

hipótesis de investigación Hinv,, sólo si podemos rechazar la hipótesis nula H0. Entonces:
1) El error tipo I consiste en rechazar la hipótesis H0: μ =7.5 cuando en realidad es

verdadera. Dicho en otras palabras, si en nuestro problema se cometiera el error de tipo I, esto
equivaldría a considerar que el nivel en matemáticas, que tienen los jóvenes de las zonas
rurales del estado de Nayarit, difiere del que tienen los de las zonas urbanas del estado, cuando
en realidad, no difieren.
2) El error tipo II consiste en no rechazar la hipótesis H0: μ =7.5 cuando en realidad es

falsa. O sea, si en nuestro problema se cometiera el error tipo II, esto equivaldría a no
considerar que el nivel en matemáticas, que tienen los jóvenes de las zonas rurales, del estado
de Nayarit, difiera del que tienen los de las zonas urbanas, cuando en realidad, si difieren.
La probabilidad de cometer el error de tipo I, lo llamaremos P(EI) y la probabilidad de cometer el

error tipo II, lo llamaremos, P(EII). Ahora, si deseamos tener el mínimo riesgo posible de
cometer error, en caso de que consideremos la hipótesis de investigación como verdadera,
entonces, lo que queremos es tener el mínimo riesgo posible de cometer el error tipo I, por lo
tanto, deseamos que P(EI) sea un número pequeño.
50
Los valores de P(EI) que se usan más comúnmente son: 0.10, 0.05, 0.01. Al decidir qué
probabilidad de cometer el error tipo I permitimos; estamos diciendo qué confianza queremos
tener, en caso de considerar la hipótesis de investigación verdadera. Los valores de P(EI) que
acabamos de dar ,corresponden a confiabilidades de 90%, 95% y 99% respectivamente.
ACTIVIDAD DE APRENDIZAJE
La siguiente tabla es similar a la de la página 46, en donde está expresada en términos de H0.
Ahora tú exprésala en términos de la hipótesis alternativa, H1.
SITUACIÓN REAL
( desconocida)
ESTADÍSTICA
SITUACIÓN
REGLAS DE DECISIÓN O SIGNIFICANCIA
L os procedimientos que permiten determinar si las muestras observadas, difieren

significativamente de los resultados esperados y que, por lo tanto, ayudan a decidir si se
aceptan o rechazan las hipótesis, se denominan pruebas de decisión o significancia.
Regresemos a nuestro ejemplo, para esto, los profesores cuentan con una muestra de 30
calificaciones, en la que se obtuvo un promedio muestral de 7.86, es decir: n = 30 y x = 7.86.
La regla de decisión que queremos, nos debe indicar si la diferencia x – μu = 7.86 – 7.5 = 0.36
puede ser considerada lo suficientemente “GRANDE”, como para rechazar la hipótesis nula, o
si, por el contrario, debe ser considerada los suficientemente “PEQUEÑA”, como para no
rechazar H0. También, que los valores de la media de distintas muestras tienen una distribución
s
muestral, cuya dispersión estimamos mediante el error estándar muestral, σ x = , si esta
n
dispersión es grande, el promedio de cada muestra, puede alejarse bastante del promedio
poblacional μ, y si es pequeña se espera que cada promedio esté cercano a μ. Esto hace que
s
evaluemos la diferencia x – μu , con respecto al error estándar muestral σ x = ; diremos que
n
s
el promedio muestral x difiere “mucho” o “poco” de μu con respecto al error muestral .Para
n
ver cómo es la regla de decisión que nos permitirá decir una cosa u otra, nuestro punto de
partida será, el intervalo de confianza para μ que ya estudiamos en el tema anterior. Como
sabemos, para hacer una estimación por intervalo de μ, decidiremos con qué probabilidad
estamos dispuestos a cometer el error en la estimación.
51
Por ejemplo si decidimos que α = 0.05, sabemos que podemos encontrar un intervalo de (1-α )
100% = 95% confianza para μ. Debido a que no conocemos el valor de σ ( desviación estándar
poblacional), tendremos que calcular de la muestra, el valor de s (desviación estándar muestral) y
hacer uso de la distribución “t de Student” para construir el intervalo de confianza;
s
x ± t( n −1) donde t (n -1) es el valor de la distribución “t de Student” con n -1 grados de
n
libertad** y α en dos colas.
En nuestro ejemplo, t (n – 1) es el valor de la distribución “t de Student” con 30 – 1 = 29 grados de

libertad y α = 0.05 en dos colas. Entonces (ver la tabla“t de Student” de la página 52), t (n – 1) = t (29) =
2.045, y tenemos que, con una probabilidad 1– α = 0.95, μ está en el intervalo.
s s
x − 2.045 < µ < x + 2.045 de donde se deduce que, con una probabilidad de 0.95:
n n
x−µ
−2.045 < < 2.045 …
s/ n
Observemos que esta regla de decisión es precisamente la que deseábamos obtener, ya que:
x − µu x − 7.5
1) Si el valor de no está en el intervalo < -2.045, 2.045>, podemos decir que
s/ n s/ n
difiere “mucho” de cero y que es porque la diferencia x - 7.5 (que puede ser negativa o
positiva) difiere “mucho” de cero con respecto al error estándar muestral s / n . Este es
el caso en el que x difiere “mucho” de 7.5 y que nos dice cuándo podemos rechazar la
hipótesis nula.
x − µu x − 7.5
2) Si el valor de sí está en el intervalo < -2.045, 2.045>, podemos decir que
s/ n s/ n
difiere “poco” de cero y que es porque la diferencia x - 7.5 difiere “poco” de cero con
respecto al error estándar muestral s / n . Este es el caso en el que x difiere “poco” de
7.5 y que nos dice cuándo no podemos rechazar la hipótesis nula.
** Grados de libertad: Es un parámetro de la distribución t. para determinar un estimado de intervalo de una media
de población, tiene n – 1 grados de libertad, siendo n el tamaño de la muestra aleatoria. (ver glosario de conceptos al
final de la guía didáctica.
52
TABLA DE DISTRIBUCIÓN “ t de Student ”

Valores de t para algunas probabilidades
α en área central .10 .30 .50 .60 .70 .80 .90 .95 .98 .99 .995 .998 .999
α en dos colas .90 .70 .50 .40 .30 .20 .10 .05 .02 .01 .005 .002 .001
α en una cola .45 .35 .25 .20 .15 .10 .05 .025 .01 .005 .0025 .001 .0005
Grados
de
Valores de t
libertad
1 .158 .510 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657 127.32 318.31 636.62
2 .142 .445 .816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 14.089 22.327 31.598
3 .137 .424 .765 .978 1.250 1.638 2.353 3.182 4.541 5.841 7.453 10.214 12.924
4 .134 .414 .741 .941 1.190 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 .132 .408 .727 .920 1.156 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 .131 .404 .718 .906 1.134 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 .130 .402 .711 .896 1.119 1.415 1.895 2.365 2.998 4.490 4.029 4.785 5.408
8 .130 .399 .706 .889 1.108 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 .129 .398 .703 .883 1.100 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 .129 .397 .700 .879 1.093 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 .129 .396 .697 .876 1.088 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 .128 .395 .695 .873 1.083 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 .128 .394 .694 .870 1.079 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 .128 .393 .692 .868 1.076 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 .128 .393 .691 .866 1.074 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 .128 .392 .690 .865 1.071 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 .128 .392 .689 .863 1.069 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 .127 .392 .688 .862 1.067 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 .127 .391 .688 .861 1.066 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 .127 .391 .687 .860 1.064 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 .127 .391 .686 .859 1.063 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 .127 .390 .686 .858 1.061 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 .127 .390 .685 .858 1.060 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 .127 .390 .685 .857 1.059 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 .127 .390 .684 .856 1.058 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 .127 .390 .684 .856 1.058 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 .127 .389 .684 .855 1.057 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 .127 .389 .683 .855 1.056 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 .127 .389 .683 .854 1.055 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 .127 .389 .683 .854 1.055 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 .126 .388 .681 .851 1.050 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 .126 .387 .679 .848 1.046 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
120 .126 .386 .677 .845 1.041 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
∞ .126 .385 .674 .842 1.036 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
UPN-SEP. Introducción a los métodos estadísticos. Sistema de Educación a Distancia. Volumen 2. 1982.
Grados de libertad: Número de valores de una muestra que podemos especificar libremente, una vez que separamos algo de ella.
53
x − µu
A la expresión la llamaremos estadístico de prueba y la denotamos por tc. Si este
s/ n
valor de tc es tal que tc si está en el intervalo <-2.045, 2.045>, no se rechaza H0, por lo que al
intervalo <-2.045,2.045> se le denomina la región de no rechazo de H0. Si el valor de tc es tal
que tc no está en el intervalo <-2.045, 2.045>,se rechaza H0
Gráficamente, se tiene: α = .05
t (29)
-2.045 2.045
0
Región de Región de NO rechazo de H0
Región de
rechazo de H0 rechazo de H0
Sabemos que si rechazamos H0 , podemos estar cometiendo el error tipo I. Por lo tanto, se tiene
que α es la probabilidad de que siendo H0 verdadera, tc no esté en el intervalo y rechacemos H0.
ESQUEMA GENERAL DE LA PRUEBA DE HIPÓTESIS.
L a mayoría de los conceptos que hemos estudiado hasta el momento, son comunes a todos
los procesos estadísticos de prueba de hipótesis. Enseguida se propone por parte del
Sistema de Educación a Distancia UPN-SEP en el libro, Introducción a los métodos estadísticos
1982., un esquema general para probar hipótesis en el cual se consideran en forma
sistematizada y secuencial las partes que se deben considerar en cada prueba de hipótesis.
Los pasos que consideraremos al probar una hipótesis son los siguientes:
1. Planteamiento de las hipótesis

2. Estadístico de prueba y condiciones para su uso.
3. Regla de decisión
4. Cálculos
5. Decisión estadística
6. Interpretación de los resultados.
A continuación se detallan cada uno de ellos de manera somera.
1) Planteamiento de las hipótesis.

Se planteará en términos del problema a tratar la hipótesis de investigación, la que se traducirá
a términos estadísticos. Se plantearán también las hipótesis nula y alternativa.
2) Estadístico de prueba y condiciones para su uso.

Se indicará el estadístico de prueba, que es una variable aleatoria que relaciona el
planteamiento de la hipótesis nula con la información contenida en la muestra. Se identificará la
distribución que tiene el estadístico de prueba bajo el supuesto de que la hipótesis nula es
54
cierta. Además, se enunciarán las condiciones para el uso del estadístico de prueba y en
algunos casos, deberemos suponer que se cumplen las condiciones.
3) Regla de decisión
Se especificará el valor de α,esto es, la probabilidad con la que se está dispuesto a cometer el
error de tipo I, y se indicará, de acuerdo con el planteamiento de la hipótesis alternativa, si α se
localiza en una o dos colas de la distribución que tiene el estadístico de prueba bajo el supuesto
que de que la hipótesis nula es verdadera. Se consultará la tabla de probabilidades
correspondiente a dicha distribución y se encontrará el valor (que suele llamarse valor crítico) que
permita definir las regiones de rechazo de H0 y de no rechazo de H0.
4) Cálculos
Se encontrará el valor del estadístico de prueba correspondiente a la muestra obtenida,
sustituyendo en la expresión algebraica del estadístico de prueba, los números que
corresponden a los estimadores y demás datos muestrales y los que corresponden al
planteamiento de la hipótesis nula.
5) Decisión estadística
Se identificará en cuáles de las regiones definidas en el paso 3, se encuentra el valor del
estadístico de prueba calculado en el paso 4. Si este valor está en la región de rechazo de H 0
se tomará la decisión de rechazar H0, y si está en la región de no rechazo de H0 , se tomará la
decisión de no rechazar H0.
6) Interpretación de los resultados

Se expresará la decisión tomada en el paso 5 en términos de la hipótesis de investigación. Esto
es, se traducirán las conclusiones que se obtuvieron en términos estadísticos a los términos del
problema original.
Ahora Terminemos el ejemplo haciendo un resumen y

sometámos a prueba la hipótesis inicial.
1) Planteamiento de las hipótesis.

El nivel de conocimientos que tienen los jóvenes de las escuelas secundarias de las zonas
rurales del estado de Nayarit, es diferente del de los jóvenes de las escuelas secundarias de
las zonas urbanas del estado. Hinv: μ ≠ 7.5
Las hipótesis estadísticas son: H0 : μ = 7.5
H1 : μ ≠ 7.5
Recordando que μ es el promedio de calificaciones que se obtendrían en las zonas rurales y μ u es el
promedio de calificaciones que se obtuvo en las zonas urbanas (μ u = 7.5). Conocemos el valor de μu,
pero no el de μ.
2) Estadístico de prueba y condiciones para su uso.
x − 7.5
El estadístico de prueba que usaremos es: tc =
s/ n
el cual se distribuye en forma “t de Student” con n – 1 grados de libertad bajo el supuesto de
que H0 es cierta. La condición para usar este estadístico de prueba es que la variable bajo
estudio se distribuye normalmente. Como el examen se construyo de tal forma que la
calificación fuera una variable que se distribuyera normalmente, esta condición se cumple.
55
3) Regla de decisión
Como se desea probar H1: μ ≠ 7.5 (μ ≠ μu) con un nivel de significancia de 5%, se tienen que
α=0.05 en dos colas. El valor en la tabla de la distribución “t de Student” con 30 – 1= 29 grados
de libertad es t (29) = 2.045. A partir de este valor se definen las regiones de rechazo y no
rechazo de H0 , como sigue
No se rechaza H0
si tc está en el intervalo <-2.045, 2.045>
α = .05
Se rechaza H0 si Se rechaza H0 si
tc está < – ∞,–2.045] tc está [2.045,∞>
t (29)
–2.045 0 2.045
Región de Región de NO rechazo de H0
Región de
rechazo de H0 rechazo de H0
4) Cálculos
Como n = 30, x =7.86, s = 0.71 y μu = 7.5, tenemos:
x − µu 7.86 − 7.5 0.36
tc = = = = 2.778
s / n 0.71/ 30 0.1296
5) Decisión estadística
Como tc = 2.778 no está en el intervalo < -2.045,2.045>, se decide rechazar H0.

Como se rechazó la hipótesis nula, H0 : μ = 7.5 con α = 0.05 se puede señalar:
La muestra proporciona evidencia suficiente para considerar, con 95% de confianza, que la
hipótesis de investigación es verdadera, o sea que los jóvenes de las escuelas secundarias
ubicadas en las zonas rurales del estado de Nayarit, tienen un nivel de conocimientos en
matemáticas que es distinto del que tienen los jóvenes de las secundarias urbanas del mismo
estado. Dicho de otra forma, podemos decir que hay diferencias significativas del nivel de
conocimientos en matemáticas entre los jóvenes de las escuelas secundarias de las zonas
rurales y los de las zonas urbanas del estado de Nayarit.
Si reflexionas y analizas detenidamente lo anterior, observaras que para llegar a éstas conclusiones
estadísticas, intervinieron además del valor de μu (postulado por la hipótesis nula H0 : μ = μu ), los
siguientes números;
• El promedio muestral ( x );
• La desviación estándar muestral(s);
• El tamaño de la muestra (n ); y
• La probabilidad con la que se está dispuesto a cometer el error tipo I (α).
En las siguientes actividades de aprendizaje te permitirá reflexionar cómo influye cada uno de estos
números en la conclusión estadística de rechazar o no rechazar la hipótesis nula.
ANIMO, CORRE HACIA TU

AUTOAPRENDIZAJE
56
ACTIVIDADES DE APRENDIZAJE: Realiza tus cálculos aún lado de la hoja, por favor.
1) En el ejercicio se trabajó con s = 0.71, n = 30 y α = 0.05. Obtenga la conclusión estadística si
x hubiera sido cada uno de los indicados en la columna de la izquierda en la siguiente tabla:
Región de NO rechazo de H0 Conclusión estadística:
tc < -tc (n-1) , tc (n-1)> ¿Se rechaza H0 y se
x acepta H1?
7.00
17.14
7.35
7.50
7.65
7.86 2.778 < -2.045, 2.045> SI
8.00
¿Qué relación guarda la distancia entre x y μu=7.5 con la distancia entre tc y cero? ¿Que relación guarda
la distancia entre x y μu con la conclusión estadística?, analiza tus conclusiones
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
2) En el ejercicio se trabajó con x = 7.86, n = 30 y α = 0.05. Obtenga la conclusión estadística si

s hubiera sido cada uno de los indicados en la columna de la izquierda en la siguiente tabla:

s tc < -tc (n-1) , tc (n-1)> ¿Se rechaza H0 y se
acepta H1?
0.30
0.50
0.71 2.778 < -2.045, 2.045> SI
0.90
1.10
1.30
1.50
¿Qué relación hay entre la dispersión de los datos de la muestra (s) y el valor tc del estadístico de
prueba? ¿Qué relación hay entre la dispersión de los datos de la muestra y la conclusión estadística?
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
3) En el ejercicio se trabajó con x = 7.86, s = 0.71 y α = 0.05. Obtenga la conclusión estadística

si n hubiera sido cada uno de los indicados en la columna de la izquierda en la siguiente tabla:

n tc < -tc (n-1) , tc (n-1)> ¿Se rechaza H0 y se
acepta H1?
57
5
10
15
20
25
30 2.778 < -2.045, 2.045> SI
40
¿Qué relación hay entre n y el intervalo; n con tc ; n y la conclusión estadística?, analiza tus conclusiones
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
3) En el ejercicio se trabajó con x = 7.86, s = 0.71 y n = 30. Obtenga la conclusión

estadística si n hubiera sido cada uno de los indicados en la columna de la izquierda en
la siguiente tabla:

α tc < -tc (n-1) , tc (n-1)> ¿Se rechaza H0 y se
acepta H1?
0.10
0.05 2.778 < -2.045, 2.045> SI
0.02
0.01
0.005
0.002
0.001
¿Qué relación hay entre α y la amplitud de la región de no rechazo de H0? ¿Con cuanta confianza
podemos aceptar H1?, analiza tus conclusiones
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
PRUEBA DE HIPÓTESIS SOBRE UNA MEDIA POBLACIONAL
D edicaremos este espacio para plantear en forma general, el método que sirve para
probar hipótesis del tipo que ya señalamos en el tema de decisión estadística , esto es,
la prueba para hipótesis estadísticas de la forma:
H0: μ = μ0 H0: μ ≤ μ0 H0: μ ≥ μ0

o bien o bien
H1 : μ ≠ μ0 H1: μ > μ0 H1: μ < μ0
58
Una observación importante es que si la variable en estudio es continua, un estadístico de

x−µ
prueba para estos casos es, tc = 0
, cuya distribución, bajo el supuesto de que H0 es cierta,
Si X es una variable que se distribuye
s/ n normalmente como media μ, y si se tiene una de
es la las siguientes
“t de Student” hipótesis nulas: de libertad; además que los resultados que se obtienen son
con n-1 grados
válidos tanto para muestras grandes como para muestras pequeñas. Para realizar dicha
prueba de hipótesis seguirán H0: μ siendo
= μ0 H0:seis
válidos los μ ≤ μpasos
0
H0: μ ≥ μ0general para la
del “esquema
prueba de hipótesis”
Donde μ0 es un propuesto en el entonces
valor conocido, tema anterior.
un estadístico de prueba es
El siguiente cuadro resume este método:
Donde y s son la media y la desviación estándar de una muestra de tamaño n

representativa de la población. Si H0 es cierta, la distribución de tc es la distribución “t
de Student” con n – 1 grados de libertad.
µ
Para una α determinada, la regla de decisión se plantea de acuerdo a la siguiente
x− 0
tabla:
tc =
s /el valor
Forma de H1Región de rechazo de H0t(n–1) es n de t con α en,
H1 : μ ≠ μ0
H1: μ > μ0
H1: μ < μ0
< – ∞,– t(n–1) ] U [ t(n–1) , ∞ >
[ t(n–1) , ∞ >
< – ∞,– t(n–1) ]

Dos colas
Una cola
Una cola
Primer ejemplo, para a n a l i z a r detenidamente…

El gerente de compras de una tienda de autoservicio analiza la cantidad de azúcar
de un lote de naranjas procedentes de Veracruz para determinar su precio de venta.
De acuerdo con el productor, el contenido de azúcar de las frutas es en promedio
12.5%. El gerente envía a analizar una muestra aleatoria de n = 20 naranjas y los
resultados del laboratorio arroja una media en x = 11.9% de azúcar y una desviación estándar s
= 0.9%. ¿Debe el gerente aceptar la afirmación del producto de que el promedio de azúcar es
del 12.5% si el nivel de significancia es de 0.05?
1) Planteamiento de las hipótesis:

59
Hinv : El promedio del contenido de azúcar del lote de naranjas procedentes de Veracruz es
diferente al promedio afirmado por el productor del 12.5%.
Hinv : μ ≠ 12.5 Hipótesis estadísticas H0: μ = 12.5 H1 : μ ≠ 12.5
2) Estadístico de prueba y condiciones para su uso:

x − µ0
s/ n
Cuya distribución es la de “t de Student” con n – 1 grados de libertad, bajo el supuesto de que
H0 es cierta. La condición para usar este estadístico de prueba, es que la variable bajo estudio
se distribuya normalmente y suponemos que el contenido de azúcar de las naranjas se
distribuye normalmente por lo que ésta condición se cumple.
3) Regla de decisión:
Como se desea probar H1: μ ≠ 12.5 con un nivel de significancia de 0.05 o 5%, se tiene α = 0.05
en dos colas. El valor en la tabla (ver página 53) de la distribución “t de Student” con 20 – 1 = 19
grados de libertad es = 2.093. Apartir de este valor se definen las regiones de rechazo y no
rechazo de H0, como sigue…
No se rechaza H0
si tc está en el intervalo <-2.093, 2.093>
α = .05
Se rechaza H0 si Se rechaza H0 si
tc está < – ∞,–2.093] tc está [2.093,∞>
t (19)
–2.093 0 2.093
Región de Región de NO rechazo de H0 Región de
Rechazo de H0 Rechazo de H0
4) Cálculos:
Como n = 20, la media muestral es x = 11.9, la desviación estándar muestral es s = 0.9
x − µ 0 11.9 − 12.5
tenemos tc = = = −2.98
s/ n 0.9 / 20
5) Decisión estadística:
como tc = - 2.98 no se encuentra en el intervalo <-2.093, 2.093>, se debe rechazar la H 0 (μ =
12.5%) dicho de otra manera, t c < -2.093 ya que -2.98 se encuentra a la izquierda de -2.093 en
la recta real, por lo tanto se debe rechazar la hipótesis nula.
6) Interpretación de resultados:
Como se rechazó la hipótesis nula nos indica lo siguiente:
Hay evidencia suficiente para considerar, con una confianza de 95% que el promedio del
contenido de azúcar de las naranjas de las muestras ( x = 11.9%) es significativamente
diferente respecto al promedio del contenido de azúcar de las frutas que aseguraba el productor
(μ = 12.5%). Por lo tanto, en respuesta a la pregunta inicial, el gerente no debe aceptar la
afirmación del producto de que el promedio de azúcar es del 12.5%; o lo que es lo mismo, la
diferencia en el porcentaje de azúcar entre 12.5 y 11.9 es muy grande para deberse a la
variabilidad de las diferentes muestras.
60
Otro problema para confirmar aprendizajes…

Un especialista en lectura hace una investigación acerca de las repercusiones que
puede tener el uso de textos programados en los estudiantes preuniversitarios. Una de
sus hipótesis es que el uso de textos programados no fomenta la comprensión en
lectura. Una investigación reciente reporta que se aplicó una prueba de comprensión
de lectura, cuyos puntajes se distribuyen normalmente, a estudiantes que usaron textos
programados en sus estudios preuniversitarios, y se obtuvo un promedio de puntaje de 4.25.
El especialista plantea que si esta prueba se aplicara a estudiantes que no usaron textos
programados en sus estudios preuniversitarios el promedio de puntaje sería mayor, pero
como en la investigación citada no se reportan informes acerca de estos últimos elige
aleatoriamente a 125 de ellos y les aplica la prueba de comprensión de lectura antes
mencionada. Obtiene un promedio de 5.30 y una desviación estándar de 1.8. ¿Con α = 0.05
proporcionan estos datos evidencia suficiente para apoyar el planteamiento del especialista?
1) Planteamiento de las hipótesis:
La hipótesis de investigación: El puntaje promedio obtenido en la prueba de comprensión de

lectura es mayor para los estudiantes que no usaron textos programados que para los
estudiantes que usaron textos programados en sus estudios preuniversitarios.
O sea, Hinv.= μ > 4.25

Las hipótesis estadísticas son: H0: μ ≤ 4.25 y H1 = μ > 4.25

x − µ0
s/ n
Cuya distribución es la de “t de Student” con n – 1 grados de libertad, bajo el supuesto de que
H0 es cierta. La condición para usar este estadístico de prueba es que la variable bajo estudio
se distribuya normalmente, como se sabe que los puntajes se distribuyen normalmente, esta
condición se cumple.
Como se desea probar H1 : μ > μ0 con un nivel de significancia de 5% se tiene α = 0.05 en una
cola. El valor en la tabla de la distribución “t de Student” con 125 – 1 grados de libertad es t ( 124)
≈ t (120) = 1.658 (en un caso así se puede usar el valor más próximo, que este caso es de t (120)) A partir de este
valor se definen las regiones de rechazo y no rechazo de H0, como sigue:
No se rechaza H0
si tc está en el intervalo <-∞, 1.658>
Se rechaza H0 si
tc está [1.658,∞>
α = .05
t (124)
0 1.658
Región de NO rechazo de H0
Región de
Rechazo de H0
61
4) Cálculos:
Como n = 125, x = 5.30, s = 1.8 y μ0 = 4.25, tenemos:
x − µ 0 5.30 − 4.25
tc = = = 6.522
s / n 1.8 / 125
Como tc = 6.522 y está en [1.658,∞> , se rechaza H0 .

:
Como se rechazó H0 : μ ≤ 4.25 con α = 0.05, hay suficiente evidencia para considerar que el
puntaje promedio en la prueba de comprensión de lectura es más alto para los estudiantes que
no usaron textos programados que para los estudiantes que usaron textos programados en sus
estudios preuniversitarios con una confiabilidad de 95%.
SAETA
calidad
PRUEBA DE HIPÓTESIS SOBRE UNA PROPORCIÓN POBLACIONAL
H asta el momento hemos analizado como probar hipótesis sobre una media poblacional.
En este último apartado vamos a pensar y comprender, cómo probar hipótesis similares
al tema anterior, con la salvedad que ahora tendremos variables categóricas y nos
plantearemos preguntas acerca de la proporción con la que ocurre, en la población,
determinada categoría. Esto es, estudiaremos la prueba de hipótesis sobre una proporción
poblacional.
62
El esquema de seis pasos para la prueba de hipótesis, que planteamos anteriormente, y que
utilizamos en la prueba de hipótesis sobre la media poblacional, nos servirá aquí también.
Supongamos que estamos estudiando un fenómeno que tiene asociada una variable
categórica, y que estamos interesados en comparar la proporción poblacional p con la que
ocurre cierta categoría de la variable, con un determinado valor p0 que es conocido o que se
supone como dado. Entonces, las hipótesis estadísticas serán de la forma:
H0: p = p0 H0: p ≤ p0 H0: p ≥ p0

Si p es la proporción
o bien con la que ocurre cierta categoría
o bien de una variable categórica en
H1: p ≠ puna
0
población, y si se tiene una
H1: de
p >las
p0 siguientes hipótesis nulas:H1: p < p0
H0: p = p0 H0: p ≤ p0 H0: p ≥ p0
El método general
Donde p0 espara probar
un valor hipótesisentonces
conocido, sobre unaunproporción
estadísticopoblacional
de prueba es el siguiente:
Donde p es la proporción con la que ocurre la categoría en una muestra representativa

de tamaño n de la población.
Si np0 > 5 y n (1- p0) > 5, y si H0 es cierta, la distribución de zc es la normal estándar.
Para una α determinada, la regla de decisión se plantea de acuerdo a la siguiente

tabla:
Forma de H1Región de rechazo de H0z es el valor de Z con α en,

H1 : p ≠ p0
H1: p > p0
H1: p < p0
< – ∞,– z ] U [ z, ∞ >
[ z, ∞ >
< – ∞,–z ]
Dos colas
Una cola
Una cola
Procedamos a realizar dos problemas para estar listos para las actividades de autoaprendizaje
Problema para reflexionar…

Se sospecha que menos del 60% de los profesores ayudan a los niños disléxicos (dificultad de la
lectura) a mejorar sus habilidades. Se realizó una investigación para saber si esto es verdad en
cierta zona escolar. Para ello, se eligieron aleatoriamente a 230 maestros y se realizó una
entrevista con ellos para detectar si, al desarrollar su labor docente, ayudan a los niños
disléxicos a mejorar sus habilidades; se encontró que 134 de ellos sí ayudan a los niños
disléxicos. Supongamos que se desea someter a prueba la hipótesis con ά = 0.05
63
1) Planteamiento de la hipótesis:
La hipótesis de investigación es: Menos de 60% de los profesores ayudan a los niños disléxicos
a mejorar sus habilidades. O sea, Hinv: p < 0.60
Las hipótesis estadísticas son: H0: p ≥ 0.60

H1: p < 0.60
El estadístico de prueba que usaremos es: p − p0
zc =
p0 (1 − p0 )
n
La distribución de este estadístico, bajo el supuesto de que H0 es cierta, es la distribución
normal estándar.
La condición para usar este estadístico de prueba, es que np0 > 5 y n (1-p0) > 5.
Como 230 (0.60) = 138 y es > 5 y además 230 ( 1- 0.60) = 92, también > 5, esta condición se
cumple.
Tenemos un ά = 0.05, y como H1: p < 0.60, entonces ά quedará en la cola izquierda de la
distribución normal estándar. El valor en la tabla de la distribución normal estándar es z = 1.645.
A partir de este valor se definen las regiones de rechazo y no rechazo de H0 como sigue
No se rechaza H0
si zc está en el intervalo <- 1.645, ∞>
α = .05
–1.645 0
Región de rechazo Región de NO rechazo de H0
de H0
4) Cálculos:
Como n = 230, p = 134 / 230 = 0.5826 ( proporción de los que si ayudan a los niños) y p0 = 0.60,
tenemos: p − p0 0.5826 − 0.60 − 0.0174
zc = = = = 0.5387
p0 ( 1 − p0 ) (0.60)(0.40) 0.0323
n 230
Como zc = -0.5387, se encuentra en la región de no rechazo, en el intervalo < -1.645,∞ >, por lo
tanto, la H0 no se rechaza.

Como no se rechazó H0: p ≥ 0.60, no hay evidencia suficiente para considerar, con una
confianza de 95%, que el porcentaje de los maestros que ayudan a los niños disléxicos a
mejorar sus habilidades sea menor de 60%.
64
Otro último problema para confirmar aprendizajes…
Un Psicólogo opina que más de 30% de los jóvenes cuyas edades fluctúan entre 16 y 19 años
tienen interés en conocer aspectos de educación sexual. Para someter a prueba su hipótesis,
elige aleatoriamente 150 jóvenes y por medio de una entrevista y una prueba detecta que 63 de
ellos están interesados en temas de educación sexual. Supongamos que el psicólogo desea
una confiabilidad en su prueba de 99% ( por lo que α = 0.01).
1) Planteamiento de la hipótesis:
La hipótesis de investigación es: Más de 30% de los jóvenes cuyas edades fluctúan entre 16 y
19 años tienen interés en conocer aspectos de ecuación sexual, O sea, Hinv: p > 0.30
Las hipótesis estadísticas son : H0 : p ≤ 0.30

H1 : p > 0.30

El estadístico de prueba que usaremos es: p − p0
zc =
p0 (1 − p0 )
n
La distribución de este estadístico, bajo el supuesto de que H0 es cierta, es la distribución
normal estándar.
La condición para usar este estadístico de prueba, es que np0 > 5 y n (1-p0) > 5.
Como 150 (0.30) = 45 > 5 y 150 (1- 0.30) = 105 > 5, esta condición se cumple.
Tenemos α = 0.01. Como H1: p > 0.30, entonces α quedará en la cola derecha de la distribución
normal estándar. El valor en la tabla de la distribución estándar es z = 2.326. A partir de este
valor se definen las regiones de rechazo y no rechazo de H0 como sigue:
No se rechaza H0
si zc está en el intervalo <-∞, 2.326>
Se rechaza H0 si
zc está [2.326,∞>
α = .01
0 2.326
Región de NO rechazo de H0
Región de
Rechazo de H0
4) Cálculos:
Como n = 150, p = 63 / 150 = 0.42 (proporción interesada en temas de educación sexual) y p0 : 0.30,
tenemos:
p − p0 0.42 − 0.30 0.12
zc = = = = 3.21
p0 (1 − p0 ) (0.30)(0.70) 0.0374
n 150
65
Como 3.21 está [2.326,∞> , se rechaza H0
6) Interpretación de los resultados:
Como se rechazó H0: p ≤ 0.30 con α = 0.01, hay suficiente evidencia para considerar, con 99%
de confianza, que más de 30% de los jóvenes cuyas edades fluctúan entre 16 y 19 años, tienen
interés en conocer aspectos de educación sexual.
Terminamos nuestra primera parte ¡¡¡ BRAVO POR FIN !!!
Gracias
ES MOMENTO DE RESOLVER LAS PRUEBAS DE HIPÓTESIS aceboman
PARA QUE REAFIRMES LO APRENDIDO, quiero y
merezco mi
10
REALIZA LAS SIGUIENTES ACTIVIDADES…
MUY BIEN POR TU ESFUERZO

DEDICACIÓN Y ENTUSIASMO ¡¡MUCHAS FELICIDADES!!
SAETA
calidad
ACTIVIDADES DE APRENDIZAJE
Resuelve las siguientes pruebas de hipótesis para una media y proporción poblacional y
Realiza tus operaciones en tu cuaderno y aquí escribe tus respuestas correctas
1) La productividad de Maíz de 5 hectáreas elegidas aleatoriamente en la región sur del Estado

de Nayarit fue de 4.1, 3.7, 3.2, 3.3, y 3.5 toneladas.
a) Determina la productividad media y la desviación estándar de esta muestra.
66
b) De acuerdo con el INEGI, la productividad media de la región es de 3.5 toneladas por

hectárea. ¿Debemos rechazar la hipótesis nula H0: μ = 3.5 y aceptar la hipótesis
alternativa μ ≠ 3.5 a un nivel de significancia de 0.05? realiza los 6 pasos para comprobar
dicha hipótesis.
2) Un inspector de Hacienda sospecha que las ventas semanales promedio de una empresa
superan los $ 36 750.00 que indicó la empresa en su declaración anual. El inspector selecciona
aleatoriamente 9 semanas y al estudiarlas detalladamente obtiene que durante estas 9
semanas las ventas semanales tuvieron una media de x = $ 40 500.00 y una desviación
estándar de s = $ 2 850.00. El inspector decide continuar con la auditoria en caso de que deba
rechazar la hipótesis nula μ = 36 750.00 y aceptar la hipótesis alternativa μ > 36 750.00 a un
nivel de significancia de 0.05. ¿Continuará la auditoria el inspector? Realiza los 6 pasos…
3) Una empresa entrevista a una muestra de 18 secretarias provenientes de una escuela que
afirma que sus egresadas escriben en la computadora 70 palabras por minuto. La media de
esta muestra fue x = 67.3 palabras por minuto y la desviación estándar fue de s = 4.4 palabras
por minuto. Usa el nivel de significancia de 0.05 para decidir si la empresa debe rechazar la
hipótesis nula H0 : μ = 70 y aceptar la hipótesis alternativa μ < 70. Realiza los 6 pasos…
4) En un informe acerca de la deserción, se menciona que en los CBTAs del estado de Nayarit,
el 40% de los alumnos abandonan sus estudios porque carecen de recursos económicos. Un
profesor piensa que en su CBTa esto no coincide con la realidad; para someter a prueba su
hipótesis, obtiene una muestra aleatoria de 70 estudiantes desertores, y encuentra que 30 de
ellos carecen de recursos económicos. ¿Puede el profesor, con un nivel de significancia α =
0.05, considerar que, entre los alumnos desertores, los que carecen de recursos económicos
son un porcentaje distinto de 40%?. Realiza los 6 pasos…
5) Un trabajador social cree que menos del 25% de las parejas de cierta región, han utilizado
por lo menos una vez, alguna forma de control natal. Con el fin de ver si esta suposición es
razonable, el trabajador social selecciona una muestra aleatoria de 120 parejas de la región, de
las cuales 20 dijeron que habían empleado algún método de control natal. Realiza los 6 pasos para
verificar la hipótesis planteada.
67

Estadística Inferencial

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadística Inferencial

Uploaded by

Copyright:

Available Formats

Matemáticas aplicadas Estadística Inferencial

SECUENCIA DIDÁCTICA: “Muestreando en la escuela”

Autor: Alejandro Acebo Gutiérrez

BLOQUE: ACTIVIDADES DE APERTURA Observación

E n el curso pasado de Probabilidad y Estadística (V semestre), pudiste conocer el área de

Ahora observa, la siguiente imagen…

Si la observas muy de cerca, es equivalente a tomar una

Sin embargo, si te alejas unos 3 a 5 metros y observas de nuevo

Si logras lo anterior, habrás hecho una inferencia de los datos

Esto es en resumidas cuentas, el objeto de la Estadística

Una diferencia importante entre la estadística y probabilidad es que:

La inferencia estadística trata de conocer o explicar el comportamiento de la población,

POR LO TANTO ES NECESARIO ESTUDIAR LA…

Cómo son las

Recordemos sus fórmulas:

Símbolo Nombre Fórmula

Estadísticos de la x Media muestral x=

MUESTREO ALEATORIO SIMPLE O AL AZAR Y NÚMEROS ALEATORIOS

Otro concepto importante es si la población es finita o infinita. Una población es FINITA, si

Una muestra de tamaño n de una población finita de tamaño N, es una

Recordemos con un ejemplo ¿Cuántas muestras distintas de n, podemos tomar de una

Cuando n = 2 y N = 12? Solución; hay 12C2= 12.11/ 2! = 66 muestras distintas.

Y cuando n = 3 y N = 100 Solución; Hay 100C3 = 161,700 muestras distintas.

Ahora con población infinita

Una muestra de tamaño n de una población infinita, es aleatoria si consta de valores

En la siguiente tabla tenemos estos cálculos:

ri .246194 .361474 .721938 .874239 .588587 .987107

MUESTREO CON Y SIN REEMPLAZAMIENTO

.748739 .941812 .905990 .550117 .183213 .187656 .316564 .111104

.603410 .390122 .967842 .731978 .355516 .915298 .250148 .385909

.755674 .693671 .840188 .733594 .825936 .944366 .361341 .741072

.885559 .412858 .592425 .158577 .007733 .097627 .463281 .989519

.249058 .416967 .078323 .179296 .801952 .157172 .019341 .287353

A continuación estudiaremos brevemente, algunos diseños de muestras que no es más que un

En una colonia de la ciudad de Xalisco, Nayarit; de 8060 habitantes según el censo, se va a

El muestreo sistemático es semejante al aleatorio simple, si se selecciona el elemento inicial

En este muestreo, la población se divide en estratos homogéneos internamente y lo más

Si tenemos información acerca de la constitución de una población (es decir, su composición) y

constituyen muestras aleatorias simples, el procedimiento completo (primero la estratificación y

Tanto en el muestreo estratificado como en el de conglomerados, la población se divide en

R ecordemos que la muestra descansa, en el principio de que las partes representan al

Cuando trabajamos con muestras, generalmente se presentan dos tipos de errores:

 Error sistemático. Llamado de distorsión o sesgo de la muestra, se presentan por

• Situaciones inadecuadas: se presentan, por ejemplo, cuando el encuestador tiene

 Error de muestreo o muestral. Cualquiera que sea el procedimiento utilizado y la

A medida que incrementamos el tamaño de la muestra, el error muestral tiende a reducirse,

Para fijar el tamaño de la muestra adecuado a cada investigación, es preciso primero

Antes que contestes las preguntas de la página siguiente...

Elabora en tu cuaderno un mapa conceptual o esquema, con

Ahora sí, contesta correctamente las siguientes actividades de aprendizaje...

A CONTINUACIÓN RESUELVE LAS SIGUIENTES ACTIVIDADES DE APRENDIZAJE PARA

2. ¿Cuántas muestras distintas de tamaño n = 4 , podemos escoger de una población finita de

___________________________ y ______________________ explícalos brevemente con tus

6. De los números asignados en el ejercicio anterior, ahora a partir del 14 elemento de la

7. Escribe que entiendes por MUESTREO ALEATORIO SIMPLE: ________________________

__________________ _________________ _________________

__________________ _________________ _________________

__________________ _________________ _________________

Realiza tus cálculos a un lado de la hoja, por favor.

11. La Universidad Autónoma de Nayarit, tiene una población aproximada de 12,500

Realiza tus cálculos aun lado de la hoja, por favor.

Realiza tus cálculos aun lado de la hoja, por favor.

SI___ NO____ Porque? _______________________________________________________

_____ y explícalos brevemente con tus

__________ _ _________

__________ _ _________

__________ _ _________

SI_ NO Porque? _____________________________________________________

(1) Para poblaciones o muestreo __ su fórmula es…

(2) Para poblaciones _o muestreo _ su fórmula es…

Cuando N > 20n se utiliza la fórmula ___para poblaciones

Cuando N < 20n se utiliza la fórmula ___para poblaciones