Antologia

FACULTAD DE CONTADURA Y ADMINISTRACIN
ESTADSTICAS II
UNIVERSIDAD DE SOTAVENTO, A.C
INTRODUCCIN
n esta Antologa se presenta la parte de las reglas

para inferir ciertas caractersticas de una poblacin a
partir de muestras extradas de ella, junto con
indicaciones probabilsticas de la veracidad de tales

inferencias.
En
la
inferencia
estadstica
se
estudian
las
relaciones
existentes entre una poblacin, las muestras obtenidas de

ella, y las tcnicas para estimar parmetros, tales como la
media
y la varianza, o bien para determinar si las
diferencias entre dos muestras son debidas al azar, etc.
ESTADSTICAS II
INDICE
UNIDAD I. PRINCIPIOS DE LAS TCNICAS DEL

MUESTREO
1.1 Muestreo Aleatorio
1.2 Muestreo Aleatorio con reposicin.
1.3 Muestreo aleatorio sin reposicin
1.4 Muestreo aleatorio estratificado
1.4.1 Ejemplo
1.4.2 Asignacin proporcional
1.4.3 Asignacin ptima
1.5 Muestreo Sistemtico
1.5.1 Ejemplo
1.6 Muestreo por conglomerados
1.7 Ejercicios
UNIDAD
II. TEORA DE LA ESTIMACION
2.1. Estimacin y propiedades de los estimadores

2.2. Estimacin puntual. Propiedades
2.2.1 Ejemplo
2.3 Estimacin por intervalos y propiedades
2.4 Intervalos de confianza para .
2.4.1
Intervalo de confianza para con varianza conocida
(
2.4.1.1 Ejercicios
2.4.2 Intervalos de confianza para con varianza desconocida
(2)
2.4.2.1 Ejercicios
2.4.3 Intervalo de confianza para el parmetro de proporcin p
cuando se muestrea una distribucin binomial.
2.4.3.1.1 Ejercicios
ESTADSTICAS II
2.4.4. intervalos de confianza para la diferencia de medias

cuando se muestrean dos distribuciones normales e
independientes.
2.4.4.1 Ejercicios
2.5 Intervalo de confianza para 2
ESTADSTICAS II
2.5.1 Ejercicios
III. PRUEBAS DE HIPOTESIS

3.1 Conceptos de la teora de hiptesis.
3.2 Errores tipo I y tipo II
3.2.1 Ejercicios
3.3 Pruebas de hiptesis para una media
3.3.1 Prueba de hiptesis para una media con varianza
conocida(2)
3.3.2. Prueba de hiptesis para la media con varianza
desconocida
3.3.2.1 Ejercicios
3.4 Pruebas de hiptesis de proporciones
3.4.1 Una proporcin
3.4.2. Diferencia de proporciones.
3.4.2.1 Ejercicios
3.5 Pruebas de hiptesis para diferencia de dos medias
3.5.1. Prueba de hiptesis para la diferencia de medias con
varianzas conocidas
3.5.2. Prueba de hiptesis para la diferencia de medias con
varianzas desconocidas
3.5.2.1 Ejercicios
3.6 Pruebas de hiptesis sobre la varianza
de una
distribucin normal
3.6.1 Ejercicios
3.7 Pruebas de hiptesis para una razn de varianzas
3.7.1 Ejercicios
BIBLIOGRAFIA
ESTADSTICAS II
I. PRINCIPIOS DE LAS TECNICAS DEL MUESTREO

Muestra es la parte del grupo de elementos que se examina y
poblacin es el grupo total a partir del cual se selecciona la muestra,
conocida tambin como universo..
Un censo comprende el examen de todos los elementos de un
determinado grupo, mientras que el muestreo comprende el anlisis
de una pequea parte de ellos. El objetivo del muestreo es establecer
generalizaciones con respecto a un grupo total de elementos sin tener
que examinarlos uno por uno. Esto hace necesario que la poblacin
objetivo sea establecida de manera que se puedan hacer
generalizaciones significativas.
Las poblaciones de tamao limitado se conocen como poblaciones
finitas, en tanto que las que tienen tamao ilimitado se conocen como
poblaciones infinitas. Ejemplo de poblaciones finitas: los alumnos de
una clase determinada, los productos de un supermercado, los libros
de una biblioteca y los automviles del estado de Veracruz. Por otra
parte, las poblaciones infinitas generalmente son los resultados o
elementos de cierto tipo de proceso, como la tirada de monedas, en la
cual el nmero de caras que se puede producir es ilimitado. Otros
ejemplos de esta poblacin son la produccin futura de una mquina,
la extraccin de canicas de una urna regresando cada canica a su
lugar antes de sacar otra, y el nacimiento de insectos. La
consideracin importante es si separar uno o un pequeo nmero de
elementos de la poblacin, influir de manera considerable en las
probabilidades relativas. El problema de regresar o no un elemento
muestreado a una poblacin antes de sacar otro de sta, surge
cuando se muestrea a una poblacin finita, ya que la probabilidad de
incluir los elementos de una poblacin en una muestra depender de
s estamos muestreando con reposicin o sin reposicin.
El propsito de un estudio estadstico suele ser, extraer conclusiones
acerca de la naturaleza de una poblacin. Al ser la poblacin grande y
no poder ser estudiada en su integridad en la mayora de los casos,
las conclusiones obtenidas deben basarse en el examen de solamente
ESTADSTICAS II
una parte de sta, lo que nos lleva, en primer lugar a la justificacin,

necesidad y definicin de las diferentes tcnicas de muestreo.
La teora del muestreo tiene por objetivo, el estudio de las relaciones
existentes entre la distribucin de un carcter en dicha poblacin y las
distribuciones de dicho carcter en todas sus muestras.
Las ventajas de estudiar a una poblacin a partir de sus muestras son
principalmente:
Coste reducido: Si los datos que buscamos los podemos
obtener a partir de una pequea parte del total de la poblacin, los
gatos de recogida y tratamiento de los datos sern menores.
Mayor rapidez: Estamos acostumbrados a ver como los

resultados de escrutinio de las primeras mesas electorales, se obtiene
una aproximacin bastante buena del resultado final de unas
elecciones, muchas horas antes de que el recuento final de votos haya
finalizado;
Ms posibilidades: Para hacer cierto tipo de estudios, por

ejemplo el de duracin de cierto tipo de bombillas, no es posible en la
prctica destruirlas todas para conocer su vida media, ya que no
quedara nada que vender. Es mejor destruir slo una parte de ella y
sacar conclusiones sobre las dems.
De este modo se ve que al hacer estadstica inferencial debemos

enfrentarnos con dos problemas:
Eleccin de la muestra (muestreo), que es a lo que nos
dedicaremos en este captulo.
Extrapolacin de las conclusiones obtenidas sobre la muestra, al

resto de la poblacin (inferencia).
El tipo de muestreo ms importante es el muestreo aleatorio, en el que

todos los elementos de la poblacin tienen la misma probabilidad de
ser extrados; Aunque dependiendo del problema y con el objetivo de
ESTADSTICAS II
reducir los costes o aumentar la precisin, otros tipos de muestreo

pueden ser considerados como veremos ms adelante: muestreo
sistemtico, estratificado y por conglomerados.
1.1
Muestreo aleatorio
Consideremos una poblacin finita, de la que deseamos extraer una

muestra. Cuando el proceso de extraccin es tal que garantiza a cada
uno de los elementos de la poblacin la misma oportunidad de ser
incluidos en dicha muestra, denominamos al proceso de seleccin
muestreo aleatorio.
El muestreo aleatorio se puede plantear bajo dos puntos de vista:
Con reposicin.
Sin reposicin de los elementos;
Si el tamao de una muestra es pequeo en relacin con el de la

poblacin, el no regresar los objetos muestreados a la poblacin
tendr un efecto insignificante sobre las probabilidades de los
elementos restantes, y muestrear sin reposicin no causar serias
dificultades. Por otra parte, las muestras relativamente grandes
tienden a distorsionar las probabilidades de los elementos restantes
cuando se muestrea sin reposicin. Una regla generalmente aceptada
es sustituir unidades si el tamao de la muestra excede del 5% del
tamao de la poblacin. Por lo que el seleccionar una muestra
completa de inmediato equivale a muestrear sin reposicin. Cuando se
muestrea con reposicin es posible obtener el mismo resultado mas
de una vez, en tanto que tomando la muestra total de una vez, seria
imposible que eso sucediera.
ESTADSTICAS II
1.2 Muestreo aleatorio con reposicin

Sobre una poblacin E de tamao N podemos realizar extracciones de
n elementos, pero de modo que cada vez el elemento extrado es
repuesto al total de la poblacin. De esta forma un elemento puede ser
extrado varias veces. Si el orden en la extraccin de la muestra
interviene, la probabilidad de una cualquiera de ellas, formada por n
elementos es:
Si el orden no interviene, la probabilidad de una muestra cualquiera,

ser la suma de la anterior, repitindola tantas veces como manera de
combinar sus elementos sea posible. Es decir,
Sea n1 el nmero de veces que se repite cierto elemento

e1 en la muestra;
e2;
Sea n2 el nmero de veces que se repite cierto elemento
Sea nk el nmero de veces que se repite cierto elemento
ek, de modo que

la muestra
. Entonces la probabilidad de obtener
es
ESTADSTICAS II
es decir,
El muestreo aleatorio con reposicin es tambin denominado

muestreo aleatorio simple, que se caracteriza por que cada elemento
de la poblacin tiene la misma probabilidad de ser elegido, y las
observaciones se realizan con reemplazamiento. De este modo, cada
observacin es realizada sobre la misma poblacin (no disminuye con
las extracciones sucesivas).
Sea X una variable aleatoria definida sobre la poblacin E, y f(x) su ley
de probabilidad.
En una muestra aleatoria simple, cada observacin tiene la

distribucin de probabilidad de la poblacin:
Adems todos las observaciones de la variable aleatoria son

independientes, es decir
1.3 Muestreo aleatorio sin reposicin

Consideremos una poblacin E formada por N elementos. Si
observamos un elemento particular,
, en un muestreo aleatorio
sin reposicin se da la siguiente circunstancia:
ESTADSTICAS II
La probabilidad de que e sea elegido en primer lugar es
Si no ha sido elegido en primer lugar (lo que ocurre con una
probabilidad de
), la probabilidad de que sea elegido en el
segundo intento es de
.
en el (i+1)-simo intento, la poblacin consta de N-i elementos,

con lo cual si e no ha sido seleccionado previamente, la probabilidad
de que lo sea en este momento es de
Si consideramos una muestra de

elementos, donde el orden en
la eleccin de los mismos tiene importancia, la probabilidad de
eleccin de una muestra
cualquiera es
Lo que corresponde en el sentido de la definicin de probabilidad de

Laplace a un caso posible entre las n posibles n-uplas de N elementos
de la poblacin.
Si el orden no interviene, la probabilidad de que una muestra
10
ESTADSTICAS II
sea elegida es la suma de las probabilidades de elegir una cualquiera

de sus n-uplas, tantas veces como permutaciones en el orden de sus
elementos sean posibles, es decir
Existen varias razones por las que el muestreo sin reposicin se lleva
a cabo en la prctica real:
Los efectos pueden ser insignificantes y puede ser ms

conveniente hacerlo as.
Si se realizan ensayos destructivos.
En el muestreo industrial ser difcil persuadir a los inspectores

carentes de adiestramiento en estadstica de que regresen los
elementos muestreados a la poblacin, particularmente si stos estn
defectuosos.
Cuando se regresa un objeto muestreado a la poblacin, existe

una posibilidad de que sea incluido en un ensayo subsiguiente.
1.4 Muestreo aleatorio estratificado
Un muestreo aleatorio estratificado es aquel en el que se divide la
poblacin de N individuos, en k subpoblaciones o estratos, atendiendo
a criterios que puedan ser importantes en el estudio, de tamaos
respectivos N1, ..., Nk,
11
ESTADSTICAS II
Y realizando en cada una de estas subpoblaciones muestreos

aleatorios simples de tamao ni.
A continuacin nos planteamos el problema de cuantos elementos de

muestra se han de elegir de cada uno de los estratos. Para ello
tenemos fundamentalmente dos tcnicas: la asignacin proporcional y
la asignacin optima.
1.4.1 Ejemplo
Supongamos que realizamos un estudio sobre la poblacin de
estudiantes de una Universidad, en el que a travs de una muestra de
10 de ellos queremos obtener informacin sobre el uso de barras de
labios.
En primera aproximacin lo que procede es hacer un muestreo
aleatorio simple, pero en su lugar podemos reflexionar sobre el hecho
de que el comportamiento de la poblacin con respecto a este carcter
no es homogneo, y atendiendo a l, podemos dividir a la poblacin
en dos estratos:
Estudiantes masculinos (60% del total);
Estudiantes femeninos (40% restante).
De modo que se repartan proporcionalmente ambos grupos el nmero
total de muestras, en funcin de sus respectivos tamaos (6 varones y
4 mujeres). Esto es lo que se denomina asignacin proporcional.
Si observamos con ms atencin, nos encontramos (salvo sorpresas
de probabilidad reducida) que el comportamiento de los varones con
respecto al carcter que se estudia es muy homogneo y diferenciado
del grupo de las mujeres.
Por otra parte, con toda seguridad la precisin sobre el carcter que
estudiamos, ser muy alta en el grupo de los varones aunque en la
12
ESTADSTICAS II
muestra haya muy pocos (pequea varianza), mientras que en el

grupo de las mujeres habr mayor dispersin. Cuando las varianzas
poblacionales son pequeas, con pocos elementos de una muestra se
obtiene una informacin ms precisa del total de la poblacin que
cuando la varianza es grande. Por tanto, si nuestros medios slo nos
permiten tomar una muestra de 10 alumnos, ser ms conveniente
dividir la muestra en dos estratos, y tomar mediante muestreo aleatorio
simple cierto nmero de individuos de cada estrato, de modo que se
elegirn ms individuos en los grupos de mayor variabilidad. As
probablemente obtendramos mejores resultados estudiando una
muestra de
1 varn.
9 hembras.
Esto es lo que se denomina asignacin ptima.
1.4.2 Asignacin proporcional
Sea n el nmero de individuos de la poblacin total que forman parte
de alguna muestra:
Cuando la asignacin es proporcional el tamao de la muestra de

cada estrato es proporcional al tamao del estrato correspondiente
con respecto a la poblacin total:
13
ESTADSTICAS II
1.4.3 Asignacin ptima

Cuando se realiza un muestreo estratificado, los tamaos muestrales
en cada uno de los estratos, ni, los elige quienes hace el muestreo, y
para ello puede basarse en alguno de los siguientes criterios:
Elegir los ni de tal modo que se minimice la varianza del

estimador, para un coste especificado, o bien,
Habiendo fijado la varianza que podemos admitir para el

estimador, minimizar el coste en la obtencin de las muestras.
As en un estrato dado, se tiende a tomar una muestra ms grande
cuando:
El estrato es ms grande;
El estrato posee mayor variabilidad interna (varianza);
El muestreo es ms barato en ese estrato.
1.5 Muestreo Sistemtico

Cuando los elementos de la poblacin estn ordenados en fichas o en
una lista, una manera de muestrear consiste en
Sea
Elegir aleatoriamente un nmero m, entre 1 y k;
Tomar como muestra los elementos de la lista:
14
ESTADSTICAS II
Esto es lo que se denomina muestreo sistemtico. Cuando el criterio

de ordenacin de los elementos en la lista es tal que los elementos
ms parecidos tienden a estar ms cercanos, el muestreo sistemtico
suele ser ms preciso que el aleatorio simple, ya que recorre la
poblacin de un modo ms uniforme. Por otro lado, es a menudo ms
fcil no cometer errores con un muestreo sistemtico que con este
ltimo.
1.5.1 Ejemplo
Si los elementos de la lista no estn dispuestos en un orden particular,
el muestreo sistemtico puede dar lugar a un muestreo aleatorio,
muestreando cada elemento k-simo de la lista, en el cual k se
obtiene, dividiendo el tamao de la poblacin entre el tamao de la
muestra (estos es, k = N/m). De este modo, si N es igual a 200 y n es
igual a 10, entonces k = 200/10 = 20. Esto significa que se muestrear
un elemento de cada secuencia de 20.
1.6 Muestreo por conglomerados
Si intentamos hacer un estudio sobre los habitantes de una ciudad, el
muestreo aleatorio simple puede resultar muy costoso, ya que estudiar
una muestra de tamao n implica enviar a los encuestadores a n
puntos distintos de la misma, de modo que en cada uno de ellos slo
se realiza una entrevista. En esta situacin es ms econmico realizar
el denominado muestreo por conglomerados, que consiste en elegir
aleatoriamente ciertos barrios dentro de la ciudad, para despus elegir
calles y edificios. Una vez elegido el edificio, se entrevista a todos los
vecinos.
Nota: A modo de advertencia, se requiere de una simplificacin
cuidadosa y de un conocimiento amplio para emplear estas tcnicas
15
ESTADSTICAS II
de muestres, en particular para determinar qu elementos de una

poblacin muestrear, y decidir como interpretar los resultados
muestrales.
1.7 Ejercicios
1.1 Explique que es el muestreo.
1.2 Defina los siguientes muestreos
a) Conglomerado
b) Estratificado
c) Aleatorio
1.3 Enuncie las razones por la que en la prctica real es ms
importante llevar a cabo un muestreo sin reposicin.
1.4 Defina muestra y poblacin.
1.5 Cual es el objetivo de la teora del muestreo.
16
ESTADSTICAS II
II. TEORA DE LA ESTIMACION

El curso de probabilidad ha proporcionado los conceptos bsicos de la
probabilidad y de las distribuciones de probabilidad. El objetivo de esta
unidad es mostrar como a travs de las distribuciones de muestreo es
posible hacer inferencias acerca de la poblacin, a partir de valores
observados de las estadsticas mustrales. La inferencia estadstica
acerca de los parmetros poblacionales, puede efectuarse mediante la
estimacin del valor de un parmetro, tema de esta unidad, o por
pruebas de hiptesis respecto de su valor, lo cual es material
especfico de la unidad III. La teora de la estimacin estadstica
consiste de aquellos mtodos por los cuales se realizan inferencias o
generalizaciones acerca de la poblacin. Esto se puede realizar
mediante el mtodo clsico a partir de una muestra aleatoria de la
poblacin, y el mtodo bayesiano, el cual utiliza conocimiento subjetivo
previo acerca de la distribucin de probabilidad de parmetros
desconocidos, junto con la informacin muestral. La estimacin
bayesiana no se incluye en esta obra.
2.1. Estimacin y propiedades de los estimadores
La estimacin puede dividirse en dos clases, estimacin puntual y
estimacin por intervalos. Suponga que un vendedor de
computadoras quiere estimar la ganancia promedio en la venta de
cierto modelo de la marca X. La estimacin se podra efectuar a travs
de un solo numero, por ejemplo 18%, o estimar una ganancia entre el
12 y 20% dependiendo del cliente y el volumen de compra. El primer
caso es una estimacin puntual, toda vez que representa un nico
valor y el segundo caso corresponde a una estimacin por intervalo
y representa a todas las posibles ganancias que hay entre el 12 y el
20%
El procedimiento de estimacin puntual utiliza la informacin de la
muestra para obtener un solo nmero o punto que estima el parmetro
objetivo. El procedimiento de estimacin por intervalo hace uso de la
informacin de la muestra para obtener dos nmeros que se supone
17
ESTADSTICAS II
van a incluir el parmetro de estudio. En cada caso la estimacin real

se hace mediante un estimador que es una regla que establece como
utilizar los datos de la muestra, para determinar el valor (o valores)
que utilizamos como estimacin puntual (o por intervalo).
Comnmente un estimador se expresa mediante una formula. Por
ejemplo: la media muestral.
n
x
i 1
Si se desea obtener una estimacin por intervalo de un parmetro, se

tiene que utilizar los datos de la muestra para calcular dos puntos. Con
los cuales se espera con una probabilidad alta que el parmetro
objetivo se encuentre en el intervalo que forman dichos puntos.
2.2.Estimacin puntual. Propiedades
La estadstica se ocupa en gran medida con la toma de inferencias de
parmetros poblacionales, inferencias que son inciertas debido a que
se basan en comprobaciones obtenidas de las muestras. Considrese
el problema de la estimacin de parmetros. Por ejemplo, se puede
conocer la media de calificaciones otorgadas por un profesor en
determinada materia, o la variabilidad en el tiempo promedio de
duracin de las pilas de una calculadora. Para encontrar dichos
estirnadores debemos conocer primero la distribucin del fenmeno en
estudio, para proponer un estimador de los parmetros poblacionales
que definen a dicha distribucin. En la practica, sin embargo, en raras
ocasiones tendremos que preocuparnos por la formulacin de nuevos
estimadores, ya que esto es tarea de los estadsticos tericos; nuestro
objetivo es pues la seleccin del estimador apropiado.
Si nos concentramos por obvias razones en la distribucin normal, es
bien claro que la media muestral X es un estimador de la media
poblacional y que la varianza muestral S2 es un estimador de la
varianza poblacional , especialmente si consideramos la sencillez de
su clculo. Naturalmente, stos no son los nicos estimadores de esos
18
ESTADSTICAS II
parmetros. Hasta donde son estos estadsticos buenos estimadores

de esos parmetros?. El problema ahora consiste en seleccionar la
mejor frmula, pero primero debemos definir el concepto mejor.
En vez de definir "mejor", considrense varias propiedades deseables
v trtese de tener el mayor nmero de ellas asociadas con la eleccin
de un estimador. Por ejemplo, insesgamiento exige que la media de
todas las posibles estimaciones sea el parmetro que se estima. La
media de una poblacin de X es , el parmetro que se estima para la
poblacin principal, de modo que X es un estimador no sesgado de .
La media de una poblacin de S2 o sea S2, es as que S2 es un
estimador no sesgado de . Sin embargo, si el denominador
empleado en la varianza es n en vez de n - 1, entonces la estimacin
es sesgada. El sesgo no es un problema grave si se conoce su
magnitud. Este sera el caso si n fuese el divisor en la estimacin de
. El sesgo es serio cuando se desconoce su magnitud, ya que no se
puede hacer ningn tipo de correccin para el mismo.
No obstante su importancia el criterio de insesgamiento no puede ser
nico, ya que para un parmetro puede tener varios estimadores
insesgados, quedando el problema de decidir cual de ellos es el mejor,
en algn sentido, que los dems. Considere los estimadores
insesgados de un parmetro cuyas funciones de probabilidad se
presentan en la figura 2. 2.
Figura 2.1. Distribucin de los estirnadores insesgados para el parmetro
Observe que tanto los dos estimadores de son estimadores

insesgados. Sin embargo presenta una varianza comparativamente
19
ESTADSTICAS II
menor que , lo cual se prefiere. Se dice, entonces que el estimador

es ms eficiente que dado que tiene varianza minina.
La sencillez del clculo constituye otra propiedad deseable. Toda
estimacin que se encuentra mediante adicin y substraccin de
mltiplos de observaciones se llama funcin lineal de ellas. La media
es una funcin lineal mientras que la varianza y la desviacin estndar
no son funciones lineales. Es claro que las funciones lineales son
fciles de calcular. Dado que la utilidad de un estimador depende de
su varianza, lo usual es reportar el estimador y su desviacin estndar.
La varianza de X es n, y en general ser desconocida, por lo que se
reportara la varianza estimada de X, es decir S2x, = S2/n, mediante la
ecuacin:
x
2S x
n
2.2.1 Ejemplo
2.1. La agencia para la Proteccin Ambiental (EPA) y la Universidad de
Florida cooperaron recientemente en cierto estudio de los posibles efectos de
oligoelementos en agua potable con respecto a la forma de clculos renales. Enseguida se
indican datos con respecto a la edad, la concentracin de calcio en el agua potable para
consumo casero (medida por partes por milln), y, el habito de fumar. Se obtuvieron datos
de individuos con problemas recurrentes de clculos renales que viven en los estados de
ambas Carolinas y en los estados de las Montaas Rocallosas.
Tamao de muestra
Edad promedio
Desviacin estndar de la edad
Concentracin promedio de calcio
Desviacin estndar para calcio
Proporcin de fumadores
CAROLINAS
467
45.10
10.20
11.30
16.60
0.780
ROCALLOSAS
191
46.40
9.80
40.10
28.40
0.61
(a) Estimar la concentracin media de calcio en el agua potable para

los pacientes con clculos en las Carolinas. Establecer un lmite para
el error de estimacin.
20
ESTADSTICAS II
2S
2 * 16.6
11.30
11.30 1.5363 (9.7637,12.8363)
n
467
(b) Estimar la diferencia en el promedio de las edades de los pacientes

con clculos renales en las Carolinas y en las Rocallosas. Establecer
un lmite de error de estimacin.
X Y 2
S X2 S Y2
10.2 2 9.8 2
45.10 46.4 2
1.3 1.7036 (3.0036,0.4036)

n
n
467
191
(c) Estimar y establecer un lmite de dos desviaciones estndar para la

diferencia en las proporciones de los pacientes con clculos renales
en las Carolinas y en las Rocallosas que eran fumadores al momento
del estudio.
( p 1 p 2 ) 2
(0.78 0.61) 2
p 1 q1 p 2 q 2
n
m
0.78 * .22 0.61 * 0.39
0.17 0.083 (0.087,0.253)

467
191
2.2 Un auditor se encuentra interesado en conocer el importe de las

cuentas por cobrar en cierta empresa. Para estimar est deuda
obtiene una muestra aleatoria de 20 cuentas por cobrar de las 500
cuentas de dicha empresa. Los datos se presentan de la manera
siguiente (cantidades en dlares).
21
ESTADSTICAS II
Cuenta
1
2
3
4
5
6
7
8
9
10
Cantidad
278
192
310
94
86
335
310
290
221
168
Cumplimiento
S
S
S
No
S
S
No
S
S
S
Cuenta
11
12
13
14
15
16
17
18
19
20
Cantidad
188
212
92
56
142
37
186
221
219
305
Cumplimiento
No
No
S
S
S
S
No
S
No
S
Considera usted que una cuenta por cobrar promedio de la firma

excede a 250 dlares?
x
2S x
n
197.1 40.6326 (156.4674,237.7326)
2.3 Refirase al ejercicio 2.2. A partir de los datos en la verificacin del

cumplimiento, estime la proporcin de las cuentas de la empresa que
no cumplen con los procedimientos establecidos. Establecer un lmite
para el error de estimacin. Considera que la proporcin de cuentas
que cumplen con los procedimientos excede el 80%?
14 6
p q
6
20 20
p 2
1 2
0.7 0.2049 (0.4951,0.9049)
n
20
20
2.4 Un incremento en la tasa de ahorro de los consumidores se

relaciona frecuentemente con una falta de confianza en la economa y
se afirma que es un indicador de una tendencia de recesin en la
economa. Una muestra aleatoria de 200 cuentas de ahorro en cierta
comunidad mostr un incremento medio en los montos de las cuentas
de ahorro de 7.2% en los ltimos 12 meses V una desviaci6n estndar
de 5.6%. Estimar la media del incremento porcentual en el monto de
22
ESTADSTICAS II
las cuentas de ahorro en los ltimos 12 meses para los ahorradores de

la comunidad. Establecer un lmite para el error de estimacin.
p 2
p q
2 * 5.6
7.2
(6.4080,7.9919)
n
200
2.3 Estimacin por intervalos y propiedades

Un estimador puntual es con frecuencia inadecuado como estimacin
de un parmetro, ya que raramente coincide con el parmetro. Una
situacin alternativa es la estimacin por intervalos de la forma [Li, Ls],
donde Li es el limite inferior y Ls es el limite superior. Un estimador por
intervalo es una regla que especifica el mtodo que utiliza las
mediciones de la muestra para calcular los nmeros que forman los
extremos del intervalo. En el caso ideal seria conveniente que el
intervalo tuviera dos propiedades.
1 ) El intervalo contenga el parmetro-objetivo
2) Intervalos relativamente estrechos tamao de muestra. Lo cual
depende del valor de y del tamao de la muestra.
Los estimadores por intervalo se denominan comnmente como
intervalos de confianza. La probabilidad de que un intervalo contenga
a se conoce como coeficiente de confianza. Desde un punto de vista
practico, el coeficiente de confianza indica la fraccin de veces que en
un muestreo repetitivo, los intervalos construidos contendran el
parmetro-objetivo .
P(Li < < Ls)=1-
donde
1 - Coeficiente de confianza
23
ESTADSTICAS II
P(Li < < Ls) = Intervalo de confianza bilateral
El significado de lo anterior puede describirse de la siguiente forma:

Considere es necesario conocer la produccin lechera promedio () de
cierta regin. Suponga que se propone calcular un intervalo de
confianza del 90% de dicha produccin (mediante las tcnicas
descritas en secciones posteriores). Entonces despus de realizar
mltiples muestreos, podemos esperar que el 90% de los lmites
calculados contendrn el parmetro es decir la produccin promedio
de dicha regin. En la practica solo se realiza una vez el muestreo,
entonces con una confianza de 100 (1 - ) veces de 100, el intervalo
contendr el parmetro y 100 veces no lo contendr
2.4 Intervalos de confianza para .
La construccin de intervalos de confianza permite estimar el valor de
un parmetro ante la imposibilidad de calcular el valor real. Mediante
el uso de las funciones de distribucin derivadas del muestreo
efectuaremos la estimacin cuando se muestrea de una poblacin que
se distribuye normal, ya sea que se conozca o no la varianza
poblacional. As mismo la tcnica se aplica a distribuciones discretas
que por el tamao de la muestra pueden ser aproximadas a una
distribucin normal. Por ltimo se describen intervalos de confianza
para la diferencia de medias.
2.4.1 Intervalo de confianza para con varianza conocida (
Se X1, X2,...Xn una muestra aleatoria de una distribucin normal con
media desconocida El inters es construir un intervalo de confianza
de 100 ( 1 - ) % para con varianza conocida 2. La construccin de
24
ESTADSTICAS II
dicho intervalo se hace con base al mejor estimador de ,

explcitamente la media muestral X .
Sabemos que
Z
x
N (0,1)
Si se toman los valores Z /2 y Z1-en la distribucin Z, puede escribirse

P Z / 2
Z Z 1 / 2 P Z / 2
Z 1 / 2 1
Lo cual se ilustra en la figura 2.4.1
Figura 2.4.1 Derivacin de un intervalo de confianza para en una poblacin con distribucin
normal
25
ESTADSTICAS II
Multiplicando por
y despejando se obtiene
Z1 / 2
Z 1 / 2
n
En trminos generales, un intervalo de 100(1-) de confianza para

estar dado por
X Z / 2
x
X
, X Z / 2
n
n
Donde Z/2 es el punto que deja a su izquierda 100(/2) % de la

densidad normal estndar.
Los pasos para construir un intervalo de confianza para la media de
una distribucin normal con varianza 2x conocida, son:
1 Elegir el nivel de confianza (1 - ) al cual se desea realizar la
inferencia, considerando que a mayor confianza elegida mayor
longitud de intervalos por lo tanto mayor precisin en la
estimacin.
2 Obtener el valor Z/2 de las tablas de la normal estndar.
3 Efectuar el clculo de la media muestral.
4 Calcular los extremos del intervalo.
En la interpretacin de un intervalo de confianza es necesario notar
que antes de obtener una muestra existe una probabilidad 100(1-a),
de que el parmetro se encuentre dentro de los limites aleatorios que
definen un intervalo; una vez obtenida la muestra, no hablamos en
trminos de probabilidad, sino de la confianza de que el parmetro se
encuentre en el intervalo calculado. Es decir una vez computado el
26
ESTADSTICAS II
intervalo de confianza solo son posibles dos resultados: contiene o no

el parmetro. De contenerlo el intervalo no proporciona informacin del
verdadero valor, simplemente decimos que con 100(1-) de nuestra
confianza el parmetro se encuentra dentro de dicho intervalo.
Para justificar los argumentos anteriores considera el peso de los
alumnos de cierta universidad, de los cuales se tiene informacin
histrica que = 63.5 y = 9.283. Se seleccionaron al azar 10
muestras de tamao 5 y se calcula la media (X) para construir un
intervalo de confianza de 95% dado por X 1.96(9.283) / 5 , los
resultados se muestran en el cuadro 2.4. Observe que de estos 10
intervalos, solo el intervalo para la muestra dos no incluye el valor de
la media poblacional (63.5 kg). Note el 90% de los intervalos
calculados contiene lo cual esta cercano al coeficiente de confianza
del 95%. Por lo cual deducimos que si extraemos una muestra y
establecemos un intervalo de confianza, tendremos una confianza alta
de que dicho intervalo incluir el parmetro.
Se habr notado que el tamao de la muestra se considera conocido
en la estimacin de un intervalo de confianza. El tamao de muestra
se fija en funcin del tiempo, la economa y la disponibilidad del
material en estudio. Entonces es primordial obtener un tamao de
muestra ptimo, para generar estimaciones adecuadas sin derrochar
recursos. Dado que mientras mayor sea el tamao de muestra que se
utilice, menor sera la longitud del intervalo de confianza y en
consecuencia habr mayor precisin en la estimacin. El clculo del
tamao de muestra es de gran inters y existen diversas formas de
calculo para lo cual es necesario indicar tanto la exactitud como la
precisin deseadas, mediante valores permisibles del error y del nivel
de confianza. Se presentan una de ellas a travs de la expresin
P X
Z 1
2
La cual puede rescribirse como
27
Z 1
ESTADSTICAS II
Z 1
P X
Z 1
Z 1
P X 1
donde
Z 1 / 2
n
al despejar no obtenemos la ecuacin que buscamos

2
Z 1
Note que en la ecuacin anterior es necesario conocer el valor de la

varianza poblacional, situacin que puede ser irreal, lectores
interesados en el tenia pueden consultar el excelente libro de
Scheaffer.
2.4.1.1 Ejercicios
2.5. Se midi la resistencia a la ruptura por torcimiento de un cierto
tipo de tela en un lote con los siguientes resultados (en psi): 182, 172,
176, 178. La desviacin estndar basada en la experiencia previa es
de 5 psi, Encuentre un intervalo de confianza del 99% para la
resistencia promedio de la ruptura por torcimiento del lote.
28
ESTADSTICAS II
Respuestas P[170.5625<<183.4375]=0.99
2.6. Un fabricante de fibras sintticas que desea estimar la tensin de
ruptura media de una fibra. Disea un experimento para observar las
tensiones de ruptura en libras, de 1 6 hilos del proceso seleccionados
azar. Las tensiones son 20.8, 20.6, 21.0, 20.9, 19.9, 20.2, 19.8, 19.6,
20.9,.21.1, 20.4, 20.6, 19.7, 19.6, 20.3 v 20.7. Supngase que la
tensin de ruptura de una fibra se encuentra modelada por una
distribucin normal con desviacin estndar de 0.45 Libras. Construir
un intervalo de confianza estimado del 98% para la tensin de ruptura
promedio de la fibra.
Respuesta [20.1196,20.6427]
2.7. Los siguientes datos representan medidas de porosidad en una
muestra de un cargamento de coque. Encuentre un intervalo de
confianza del 95% para la media verdadera. Suponga que = 0.25. ,
2.16, 2.07, 2.34, 1.97, 1.97, 1.90, 2.19, 2.23, 2.15, 2.47, 2.31, 1.94,
2.31, 1.86, 2.25, 2.14, 2.15, 2.161 2.30, 2.48, 2.11, 2.15, 2.24, 2.04,
2.21, 1.91, 2.01, 2.09, 2.07, 2.25
Respuesta [2.0581, 2.2370]
2.8 Se desea estimar el nmero medio de horas de uso continuo antes

de que cierto tipo de computadora requiera una reparacin inicial. Si
podemos suponer que = 20 das, De que tamao debe ser una
muestra a fin de suponer con una confianza del 90% que la media
muestral difiera a lo ms 5 das?
Respuesta [ 44]
2.9 El director administrativo de un colegio desea usar la media de una
muestra aleatoria para estimar la cantidad promedio de tiempo que
tardan los alumnos en ir de una clase a la siguiente, y adems quiere
29
ESTADSTICAS II
poder asegurar con una confianza del 99% que el error es a lo ms de

0.25 minutos. Si se supone por experiencia =. 1.4 minutos, Qu
tamao debe tener la muestra?
Respuesta [208]
2.10. Una tienda de donas se interesa es estimar su volumen de
ventas diarias. Supngase que el valor de la desviacin estndar es
de $50. Si el volumen de ventas se encuentra aproximado por una
distribucin normal,
a) Cul debe ser el tamao de la muestra para que con una
probabilidad de 0.95 la media muestral se encuentre a no ms de $20
del verdadero volumen de ventas promedio?
Respuesta [25]
b) Si no es posible suponer que la distribucin es normal, obtener el
tamao necesario de la muestra para la pregunta a.
Respuesta [125]
2.4.2 Intervalos de confianza para con varianza desconocida ( 2)
En esta seccin tratamos la forma de construir un intervalo de
confianza para la media de una distribucin normal con varianza
desconocida. Es necesario que el supuesto de normalidad es una
restriccin que debe cumplirse para que las inferencias que realicemos
sean vlidas. Es decir la calidad de nuestras inferencias ser funcin
del tamao de muestra y de la semejanza de la distribucin de la
poblacin de la cual se muestrea a la distribucin normal.
Encontramos la distribucin de muestreo cuando la media y la
varianza 2 son desconocidos, la variable aleatoria
30
ESTADSTICAS II
X
S
n
tiene una distribucin t de Student con n - 1 grados de libertad. Si se

toman valores t/2,(n-1) y -t/2,(n-1) en la distribucin t, con t(n-1) grados de
libertad puede escribirse:
P t , n 1 t t , n 1 P t ,n 1
t , n 1 1
S
2
2
2
2
Lo cual se ilustra en la figura 2.4. 2
2.4.2 Derivacin de un intervalo de confianza para en una poblacin con distribucin normal
Despus de despejar se obtiene
P X
, n 1
Sx
, n 1
Sx
En trminos generales, un intervalo de 100(1 - ) de confianza para

estar dado por
31
ESTADSTICAS II
2 , n 1
Sx
,X
2 , n 1
Sx
donde t/2,(n-1) es el punto que deja a su derecha 100(/2) % de la

densidad t de Student con n - 1 grados de libertad. Los pasos para
construir un intervalo de confianza para la media de cuando no se
conoce la varianza 2X, son:
1. Elegir el nivel de confianza (1 - a) al cual se desea realizar la
inferencia, considerando que a mayor confianza elegida, mayor
longitud de intervalo y por lo tanto menor precisin en la
estimacin.
2. Obtener el valor t
Student.
/2,(n-1)
de las tablas de la distribucin t de
3. Efectuar el clculo de la media y desviacin estndar

muestral.
4. Calcular los extremos del intervalo.
La interpretacin asociada al intervalo nos indica que con una
confianza del 100 (1 - )%, el intervalo calculado contendr al
parmetro. Es decir a la media poblacional .
2.4.2.1 Ejercicios
2.1 1. El crecimiento del tronco principal para una muestra de 17 pinos
rojos de 4 aos, tiene una media de 11.3 pulgadas y una desviacin
estndar de 3.4 pulgadas. Obtenga un intervalo de confianza de 90%
para la media del crecimiento del tronco principal para una poblacin
32
ESTADSTICAS II
de pinos rojos de 4 aos sujeta a condiciones ambientales similares.

Supngase que el crecimiento tiene una distribucin normal.
Respuesta (9.8602,12.7397)
2.12. En un proceso qumico se han producido, en promedio 800
toneladas de cierto producto por da. Las producciones diarias para la
semana pasada fueron 785, 805, 790, 793 y 802 toneladas. Estimar a
partir de los datos la media de la produccin diaria con un coeficiente
de confianza de 90 %.
Respuesta (787.0528, 802.947)
2.13. Debido a la variabilidad en los descuentos por los automviles
entregados a cambio, la ganancia por auto nuevo vendido por un
distribuidor de automviles varia de uno a otro. Las ganancias por
ventas (en cientos de dlares); registradas la semana pasada, fueron
2.1, 3.0, 1.2, 6.2, 4.5 y 5.1. Obtener un intervalo de confianza de 95%
para la ganancia media por venta.
Respuesta (1.684, 5.6825)
2.14. Se registro el tiempo transcurrido entre la facturacin y el pago
recibido, para una muestra aleatoria de 91 clientes de una empresa de
contadores pblicos. La media y la desviacin estndar de dicha
muestra fueron 39.1 das y 17.3 das, respectivamente. Obtener un
intervalo de confianza de 90% para el tiempo medio que transcurre
entre la facturacin y el pago recibido para todas las cuentas de las
firmas de contadores pblicos. Interpreta el resultado.
Respuesta (36.089, 42.114)
33
ESTADSTICAS II
Interpretacin nueve de cada diez veces, el tiempo transcurrido

entre la facturacin y el pago ser aproximadamente entre 36 y 43
das.
2.15. La cmara de comercio de una ciudad se interesa en estimar la
cantidad promedio de dinero que gasta la gente que asiste a
convenciones, calculando comidas, alojamiento y entretenimiento por
da. De las distintas convenciones que se llevan a cabo en la ciudad,
se seleccionaron 16 personas de las que se obtuvo la siguiente
informacin en dlares: 150, 175, 163, 148, 142, 189, 135, 174, 168,
152, 158, 184, 134, 146, 155, 163. Si, se supone que la cantidad de
dinero gastada en un da es una variable aleatoria distribuida normal,
obtener los intervalos de confianza estimados del 90, 95 y 98% para la
cantidad promedio real.
Respuestas (151.3055, 165.6944), (149.753,167,2469), (147.8197,
169.182)
2.16. Los pesos de la fruta contenida en 21 latas de duraznos
seleccionadas al azar fueron (en onzas): 11.0, 11.6, 10.9, 12.0, 11.5,
12.0, 11.2, 10.5, 12.2, 11.8,12. 1, 11.6, 11.7, 11.6, 11.2, 12.0, 11.4,
10.8, 11.8, 10.9 y 11.4. Determine el intervalo de confianza de
98%,para estimar el peso promedio por lata de los duraznos.
Respuesta (11.2238,11.7475)
2.4.3 Intervalo de confianza para el parmetro de proporcin p
cuando se muestrea una distribucin binomial.
Se menciono que una aplicacin importante del teorema del lmite
central, es la aproximacin de distribuciones discretas a la normal
34
ESTADSTICAS II
cuando el tamao de muestra es suficientemente, grande. Entonces

es posible construir un intervalo de confianza para una proporcin a
travs de la variable aleatoria.
p p
p (1 p )
n
De esta forma la probabilidad 1 - del intervalo aleatorio para una

proporcin esta dada por:
p (1 p )
P p Z 1
p p Z
1
2
2
n
p (1 p )
1
n
En trminos generales, un intervalo de 100(1-) de confianza para p

estara dado por
p Z 1 2
p (1 p )
, p Z
1
2
n
p (1 p )
Si deseamos corregir por continuidad el intervalo de 100(1 )% de

confianza para p est dada por
p Z 1 2
p (1 p ) 1
, p Z
1
2
n
2n
p (1 p ) 1

n
2n
cuyo uso es recomendable. Note que el factor 1/2n amplia el intervalo

en la misma proporcin para cada extremo del intervalo; si n es muy
grande la correccin por continuidad ser prcticamente nula, por lo
cual podramos omitir su aplicacin. Se menciona que estos intervalos
se derivan a partir del supuesto que la muestra es suficientemente
35
ESTADSTICAS II
grande; el cuadro 2.4.3.1 nos facilita la decisin de cuando un tamao

de muestra es grande o no.
Cuadro 2.4.3.1. Tamaos de muestra apropiadas para usar la aproximacin Normal
Si p es igual a
La aproximacin Normal ser razonablemente si
n es al menos
0.5
30
0.4 0 0.6
50
0.3 o 0.7
80
0.2 o 0.8
200
0.1 o 0.9
600
0.05 o 0.95
1000
2.4.3.1.1 Ejercicios
2.17. Se hizo un estudio en relacin con la ratificacin de un dirigente
sindical. En respuesta a la pregunta "Si Votara por ratificar al
dirigente?", hubo 250 respuestas si"; 125 , "no", y 75 respuestas
indecisas. Halle una estimacin para la proporcin poblacional que
votar por ratificar al dirigente utilizando un intervalo de confianza de
95%.
Respuesta (0.5096,0.6014)
2.19. El departamento de anlisis de mercados de una compaa
productora de caf instantneo realiz un estudio entre hombres
casados para determinar la proporcin de stos que prefieren su
marca.Veinte de 100 entrevistados contestaron afirmativamente.
Utilice un intervalo de confianza del 95% para estimar la proporcin de
todas los varones casados que prefieren la marca de caf instantneo.
Respuesta (0.107,0.293)
36
ESTADSTICAS II
2.4.4. intervalos de confianza para la diferencia de medias cuando

se muestrean dos distribuciones normales e independientes
Discutiremos a continuacin la estimacin por intervalos de la
diferencia de medias de dos muestras independientes que provienen
de poblaciones que se distribuyen normalmente. Existen dos casos,
dependiendo del conocimiento de la varianza poblacional.
Sean X1.X2,...Xn e Y1, Y2.. Yn dos muestras aleatorias de dos
distribuciones normales independientes, con medias x y y y
varianzas 2x y 2y respectivamente. Se desea construir un intervalo de
confianza para la diferencia x - m. Supngase que conocidas las
varianzas poblacionales 2x y 2y
Entonces de los resultados
obtenidos en la variable aleatoria
X Y ( x y )
2
x2 y
nx
ny
N (0,1)
De tal forma que si seguimos los procedimientos empleado en los

incisos anteriores, el intervalo aleatorio de 100 (1 ) % de confianza
para x y esta dado por
P X Y Z (1 )
2
2
2
x2 y
x2 y
x y X Y Z (1 )
1
2
nx n y
nx n y
Entonces el intervalo de confianza del 100 (1 ) % para x y es
37
ESTADSTICAS II
X Y Z (1
2
2
x2 y
x2 y
, X Y Z (1 )
2
nx n y
nx n y
Si las varianzas poblacionales se desconocen pero son iguales (x =

y) entonces la variable aleatoria
X Y ( x y )
1 1
Sp
n m
,n m2
Tiene distribucin t de Student con k = nx + ny 2 grados de libertad.

En donde la estimacin combinada de la varianza es dada por
Sp
(n 1) S x2 (m 1) S y2
nm2
Al despejar x y el intervalo de
resultante es igual a
X Y t 2,n m 2 Sp
100 (1 ) % de confianza
1 1
1 1
, X Y t ,n m 2 Sp
,
2
n m
n m
Es necesario considerar que es indiferente que muestra es X y cual es

Y. lo ms importante es la interpretacin de los signos del intervalo. Si
ambos extremos son positivos, X > Y. Si ambos son negativos, X < Y.
En el caso de signos diferentes, el extremo izquierdo expresa la
mxima diferencia por la que Y supera a X y el extremo derecho la
mxima diferencia por la que X es mayor que Y.
38
ESTADSTICAS II
2.4.4.1 Ejercicios
2.20. Se aplic un examen de matemticas a un grupo de 50 alumnos
seleccionados al azar de la secundaria A y a un grupo de 45 de
estudiantes seleccionados al azar de la secundaria B. El grupo de la
secundaria, A obtuvo una media de 75 puntos con una desviacin
estndar de 10 puntos. El grupo de la secundaria B logr una media
72 puntos con una desviacin de 8 puntos. Construir un intervalo de
confianza del 95% para la diferencia en los resultados medios.
Respuesta Sp= 9.1086, (-0.6684, 66684)
2.21. Una comparacin de los tiempos de reaccin a dos estmulos
diferentes en un experimento psicolgico de asociacin de palabras
aplicado a una muestra aleatoria de 16 personas, produjo los
resultados (en segundos) que se muestran en la siguiente tabla.
Obtener un intervalo de confianza de 90% para (1 2)
Estimulo Tiempo de reaccin
(en segundos
1
1 2 3 1 2 3 1 2
2
4 1 3 3 2 2 3 3
Respuesta Sp 0.8767, (-1.5216.0.0216)
2.22 Estime un intervalo de confianza del 95 % la diferencia del
coeficiente de inteligencia (IQ) entre los miembros mas viejos y ms
jvenes (hombres y mujeres) de una familia tomando como base la
siguiente muestra aleatoria de sus IQ.
39
ESTADSTICAS II
Mas viejos 145 133 116 128 85 100 105 150 97 110 120 130
Mas
131 119 103 93 108 100 111 130 135 113 108 125
jvenes
Respuesta Sp=16.8993, (10.7181.17.8981)
2.23. Se aplicaron 2 mtodos para ensear la lectura a dos grupos de
nios de una escuela primaria y se compararon los resultados
mediante una prueba de lectura y comprensin. El mtodo 1 se aplic
a 11 nios para los cuales se obtuvo una media y una desviacin
estndar de 64 y 52 puntos respectivamente. El mtodo 2 se prob en
14 nios que al final de la prueba obtuvieron una media de 69 y una
desviacin estndar de 71 puntos. Obtener un intervalo de confianza
de 95% para (1 - 2).
Respuesta Sp=7.9208, (-1.6020,11.6020)
2.24. Se administraron dos nuevos medicamentos a pacientes con
cierto padecimiento cardiaco. El primer medicamento bajo la presin
sangunea de 16 pacientes en un promedio de 11 puntos, con una
desviacin estndar de 6 puntos. El segundo frmaco disminuy la
presin sangunea de 20 pacientes en un promedio de 12 puntos, con
una desviacin estndar de 8 puntos. Desarrollar un intervalo de
confianza del 95% para la diferencia en la reduccin media de la
presin sangunea, bajo el supuesto que las mediciones se distribuyen
normales con varianzas iguales.
Respuesta Sp=7.1866, (-5.89,3.89)
2.25. Se midieron las presiones sanguneas diastlicas de 15
pacientes utilizando dos tcnicas: el mtodo estndar utilizado por
40
ESTADSTICAS II
personal medico y otro mtodo que utiliza un aparato electrnico con

indicador digital. Los resultados fueron los siguientes:
Mtodo
Estndar
Indicador
digital
Paciente
72 80 88 80 80 75 92 77 80 65 69 96 77 75 60
70 76 87 77 81 75 90 75 82 64 72 95 80 70 61
Determine el intervalo de confianza del 90% para la diferencia media

de las dos lecturas
Respuesta Sp= 9.7119, (5.3026,6.7626)
2.5 Intervalo de confianza para 2
Considere ahora el problema de construir un intervalo de confianza
para la varianza de la poblacin (2) cuando se muestrea de una
poblacin con distribucin normal. Encontramos que la distribucin de
muestreo asociada con la varianza muestral (S 2) es chi-cuadrada con
n - 1 grados de libertad. Usando la distribucin 2(n 1), podemos
encontrar los valores
2,(n-1) y (n-1)
tales que
P[(n-1) <n-1 < 2,(n-1) ]= 1 -
Donde
(n 1)
=( n 1) S2/2, segn se expone en la figura 2.5.1
41
ESTADSTICAS II
(n-1)
2,(n-1)
Figura 2.5.1 intervalo de confianza para 2 para una poblacin que se distribuye normal.
La cual se puede expresar como
P[(n-1) <
(n 1) 2
< 2,(n-1) ]= 1 -
2
Despus de manipular esta expresin, para 2 obtenemos
(n 1)S 2
(n 1) S 2
2
2
P[ 2
1 ,n 1 = 1 -
.n1
2
2
Por lo que el intervalo 100 ( 1 - )% de confianza para 2 es

(n 1) S 2 (n 1) S 2
2
2
.n 1
1 , n 1
2
del cual si obtenemos la raz cuadrada, se convierte en un

intervalo de 100 (1 - )% de confianza para
42
ESTADSTICAS II
(n 1) S 2
,
2 .n 1
2
(n 1) S 2
12 ,n 1
2
El lector deber considerar al plantear intervalos de confianza que los

trminos exactitud y precisin que en el lenguaje cotidiano son
sinnimos, en la estadstica no lo son. El termino exactitud se usa en
estadstica solo cuando hablamos del tamao de muestra. Mientras
que precisin se considera como opuesto al trmino varianza, de tal
forma que mientras ms variabilidad exista menos precisin, entonces,
si en un problema se hace referencia a precisin, el intervalo a
emplear involucrara alguna medida de variabilidad. (Guerrero, 1989)
Una diferencia notable entre los intervalos de confianza para y 2 en
la distribucin Normal es que, en el caso de , el punto medio del
intervalo coincide con X, o sea el estimador de , caso contrario del
intervalo para 2, donde el punto medio del intervalo no coincide con
S2, debido a la falta de simetra de la distribucin. (Infante y Zarate,
1984)
2.5.1 Ejercicios
2.26. En un proceso qumico se han producido, en promedio, 800
toneladas de cierto producto por da las producciones diarias para la
semana pasada fueron 785, 805, 790, 793 y 802 toneladas.
Determinar un intervalo de confianza de 90% para la varianza 2 de la
produccin diaria.
Respuesta P[29.3013< <391.1668]=0.90
2.27. Se indica que las anormalidades congnitas ocurren
mayormente entre nios varones engendrados por padres de mayor
edad promedio. Se obtuvieron histories clnicas de este tipo de
anormalidades correspondientes a 20 infantes varones cuyas madres
43
ESTADSTICAS II
tuvieron las edades siguientes: 31, 21, 29, 28, 34, 45, 21, 41, 27, 37,
43, 21, 39, 38, 32, 28, 37, 28, 16 y 39. Determine el intervalo de
confianza de 90% para la desviacin estndar de la edad en madres
de hijos con anormalidades congnitas.
Respuesta P[40.85< <121.70]=0.90
2.28. Si 32 mediciones del punto de ebullicin del azufre tienen una
desviacin estndar de 0.83 grados Celsius, constryase un intervalo
con un nivel de confianza del 98% para la desviacin estndar real de
tales mediciones.
P[0.38< <0.70]=0.98
2.29. Se espera tener una cierta variacin aleatoria nominal en el
espesor de las laminas de plstico que una mquina produce. Para
determinar cuando la variacin en el espesor se encuentra dentro de
ciertos limites, cada da se seleccionan en forma aleatoria 12 lminas
de plstico y se mide en milmetros su espesor. Los datos que se
obtuvieron son los siguientes: 12.6, 11.9, 12.3, 12.8 11.8, 11.7, 12.4,
12.1, 12.3, 12.0, 12.5, 12.9. Si se supone que el espesor es una
variable aleatoria distribuida normal, obtener el intervalo de confianza
estimado del 99% para la varianza desconocida del espesor. Si no es
aceptable una varianza mayor de 0.90 mm, existe alguna razn para
preocuparse con base en esta evidencia?
P[0.0614< <0.6309]=0.99
No. La muestra no proporciona evidencia de que ocurra una
varianza de 0.9 mm2, con una confianza del 99%
44
ESTADSTICAS II
2.30. Se tiene inters en la variabilidad de los puntajes obtenidos en

un examen TOEFL (de Test of english as a Foreign Languaje). Se
obtiene una muestra aleatoria de puntajes correspondientes a
estudiantes extranjeros con los siguientes resultados: 495, 525, 580,
605, 552, 490, 590, 505, 551, 600. Obtenga un intervalo de confianza
de 95 % para la desviacin estndar delas calificaciones del examen
TOEFL.
P[30.16< <80.04]=0.95
2.31. Mientras realizan una tarea extenuante, el ritmo cardiaco de 25

trabajadores se incrementa en un promedio de 18.4 pulsaciones por
minuto, con una desviacin estndar de 4.9 pulsaciones por minuto.
Calcular un intervalo con un nivel de confianza del 95% para la
correspondiente desviacin estndar de la poblacin.
P[3.83< <6.82]=0.95
45
ESTADSTICAS II
III. PRUEBAS DE HIPOTESIS

El principal objetivo de la estadstica es hacer inferencias con respecto
a parmetros poblacionales desconocidos, basadas en la informacin
obtenida mediante datos muestrales. Es necesario recordar que la
estadstica utiliza dos enfoques bsicos:
1. El enfoque descriptivo, que se ocupa esencialmente de
resumir y describir en forma concisa, ya sea mediante grficas
o a travs de unas cuantas medidas descriptivas la
informacin con que se cuente, y
2. El enfoque inferencial, cuyo objetivo fundamental es el de
utilizar muestras representativas para realizar inferencias que
sean validas para toda la poblacin de donde se obtuvo la
muestra
Estas inferencias se expresan a travs de la estimacin estadstica de
parmetros tema de la unidad anterior y mediante la prueba de
hiptesis de valores muestrales lo cual es el punto central de la
presenta en esta unidad.
Las pruebas de hiptesis se realizan en todos los mbitos en los
cuales pueden contrastarse la teora frente a la observacin. Un
profesor puede comprobar que dos mtodos de enseanza son
igualmente eficientes. Un administrador puede proponer la hiptesis
de que cierto insecticida reducir la poblacin de fidos que atacan
cierto cultivo. Estas hiptesis debern probarse estadsticamente
comparando la hiptesis con los valores muestrales observados.
AI igual que en la unidad anterior se presenta diversas situaciones en
las cuales se emplea la prueba de hiptesis acerca de tres parmetros
bsicos: la media , la desviacin estndar , y la proporcin p.
46
ESTADSTICAS II
3.1 Conceptos de la teora de hiptesis.

Se presentan diversos conceptos de una hiptesis estadstica con el
fin de que el lector forme su propio criterio.
Una hiptesis estadstica es una aseveracin sobre un modelo
probabilstico. El procedimiento mediante el cual se juzga la factibilidad
de la hiptesis es una prueba de hiptesis. (Infante y Zarate, 1990)
Una hiptesis estadstica es una afirmacin sobre la poblacin. Esta
proposicin es plausible de ser evaluada mediante una muestra de la
poblacin.
Una hiptesis estadstica es una aseveracin o conjetura sobre la
distribucin de una o ms variables aleatorias. Si la hiptesis
estadstica especificada completamente la distribucin es llamada
simple; de otra forma es llamada compuesta. (Mood, Graybill and
Boes, 1974)
Una hiptesis estadstica es una afirmacin con respecto a alguna
caracterstica desconocida de una poblacin de inters (Canavos,
1987)
Para los propsitos de este texto una hiptesis estadstica se
considera como una suposicin acerca del estado de la naturaleza,
generalmente expresada por el comportamiento de una variable
aleatoria y su distribucin de probabilidades.
La lgica fundamental de una prueba de hiptesis se puede aclarar
mediante un ejemplo. Suponga que se desea comprobar si la estatura
promedio de los alumnos de cierta especialidad universitaria es de al
menos 1.65 metros. Note entonces que la prueba de hiptesis
constituir un mecanismo que nos permita verificar la veracidad o
falsedad de esta hiptesis. La naturaleza de una prueba de Hiptesis
estadstica es determinar si la hiptesis se encuentra fundada en la
evidencia que se obtiene a travs de una muestra aleatoria. Esta
47
ESTADSTICAS II
determinacin se tomara siempre con base en la probabilidad, y, si

esta es minina, entonces ser rechazada la hiptesis.
Cualquier prueba estadstica de hiptesis funciona exactamente de la
misma manera y se compone de los mismos elementos esenciales
1 ) Hiptesis nula, Ho
Hiptesis que se desea probar o contrastar. Generalmente es una
aseveracin en el sentido de que un parmetro poblacional tiene un
valor especifico. La hiptesis nula es aqulla que el investigador esta
dispuesto a sostener como plausible, a menos que la evidencia
experimental en su contra sea sustancial. Adema hiptesis nula
contendr invariablemente la igualdad
2)Hiptesis alternativa, Ha
Esta hiptesis sobre la cual se centra la atencin, es una aseveracin
sobre el mismo parmetro poblacional que se utiliza en la hiptesis
nula.
La hiptesis nula y alternativa se proponen despus de examinar el
problema o aseveracin, buscando que ambas sean mutuamente
excluyentes. A partir de este momento en el procedimiento do prueba
de hiptesis se trabajara bajo el supuesto de que la hiptesis nula es
una afirmacin correcta. Este caso puede ser comparado con un juicio
legal estadounidense donde se supone que el acusado es inocente
mientras no se le demuestre lo contrario. AI concluir este contraste do
hiptesis se tomar una de dos decisiones posibles. Se estar de
acuerdo con la hiptesis nula y s dir que no existe suficiente
evidencia muestral para rechazar Ho (esto corresponde en el juicio a
declarar la inocencia del acusado). O bien existe evidencia muestral
para rechazar Ho (es decir el acusado es culpable).
3) Estadstico de prueba
48
ESTADSTICAS II
Variable aleatoria cuyo valor en una muestra dada determinara nuestra

decisin de "no rechazar Ho" o bien "rechazar Ho"
4) Regin de rechazo
Especifica los valores estadsticos de la prueba para los cuales se
rechaza la hiptesis nula. Si era una muestra particular el valor
calculado del estadstico de la prueba se localiza en la regin de
rechazo, se rechaza la Hiptesis nula Ho en favor de la hiptesis
alternativa Ha. Si el valor del estadstico de la prueba no cae en la
regin de rechazo, no rechazamos Ho.
3.2 Errores tipo I y tipo II
Una hiptesis estadstica es esencialmente diferente de una
proposicin matemtica debido a que la decisin sobre la veracidad de
la Hiptesis estadstica se funda en el comportamiento de una variable
aleatoria y, en consecuencia pueden tomarse decisiones equivocadas.
Recuerde el ejemplo "el acusado es inocente hasta que no se le
demuestre lo contrario " donde la hiptesis nula es "Inocente " y la
alternativa "culpable". El rechazo de la hiptesis nula implicarla que la
parte acusadora a proporcionado la suficiente evidencia para condenar
al acusado. En contraparte, ante la falta de evidencia el acusado ser
declarado inocente.
El lector deber notar que en el ejemplo anterior es posible cometer
dos errores; declarar al acusado inocente por falta de pruebas cuando
en realidad es culpable y decidir que el acusado culpable por mala
interpretacin de las pruebas, cuando realmente es inocente. En
general, para cualquier prueba de hiptesis se tienen las posibilidades
que se presentan en la siguiente tabla.
49
ESTADSTICAS II
Situacin real (desconocida)

Decisin
Ho cierta
Ho falsa
tomada
Ha falsa
Ha cierta
Rechazar
Error tipo I
Decisin correcta
Ho
La probabilidad debe ser La probabilidad debe ser
baja. Smbolo a
alta. Smbolo 1 = poder
de prueba
No rechazar
Decisin correcta
Error tipo II
La probabilidad debe ser La probabilidad debe ser
alta. Smbolo 1 a=
baja. Smbolo:
coeficiente de confianza
En el caso judicial el Error Tipo I consiste en concluir que el acusado
es culpable cuando es inocente, y el Error Tipo II en concluir que es
inocente cuando en realidad es culpable. Dado que la decisin que
tomamos en una prueba de hiptesis se basa en la evidencia
muestral, siempre estaremos expuestos a ambos tipos de error. La
notacin que se emplea casi universalmente para denotar esto errores
es: para la probabilidad de Error Tipo I y para la probabilidad de
Error Tipo II.
= P[ Error Tipo I ] = P[ Rechazar cuando Ho es cierta]
= P[ Error Tipo II ] = P[no rechazar Ho cuando Ho es falsa]
Es necesario considerar que generalmente se asume la actitud de
tomar el error tipo I corno mas grave. Si considera el caso de un
acusado que es condenado a la pena capital. Una vez ejecutado no es
posible remediar el error si es inocente, dado que no es posible
volverlo a la vida. Por el contrario una persona que es declarada
inocente por falta de pruebas es posible llevarla a juicio nuevamente.
Dado lo anterior es comn seleccionar de antemano el tamao del
error tipo I que se esta dispuesto a soportar, sin embargo es necesario
considerar que a medida que el error tipo I disminuye, el error tipo II
aumenta. La nica forma reducir ambos errores simultneamente es
aumentado el tamao de muestra. En secciones posteriores se
presenta el manejo numrico y grafico del tema.
50
ESTADSTICAS II
3.2.1 Ejercicios
3.1) Supngase que una empresa de ingeniera se le pide verificar la
seguridad de una presa. Qu tipo de error cometera si se
equivocase al rechazar la hiptesis nula de que la presa es segura?
Qu tipo de error cometera si se equivoca al aceptar la hiptesis
nula de que la presa es segura?
3.2) Supngase que deseamos probar la hiptesis nula de que un
dispositivo anticontaminante para automviles es eficaz. Explquese
en que condiciones cometeramos un error tipo I y en que condiciones
cometeramos un error tipo II.
3.3) Una sociloga esta interesada en la eficiencia de un curso de
capacitacin para conseguir que ms conductores utilicen los
cinturones de seguridad de los automviles. Qu hiptesis esta
probando la sociloga si comete un error tipo I al concluir
errneamente que el curso de capacitacin no es efectivo?
3.4) Una gran firma maquiladora es acusada de discriminacin en su
poltica de contratacin.
a) Qu hiptesis esta siendo probada si un jurado comete un error tipo
I al encontrar que la firma es inocente?
b) Qu hiptesis esta siendo probada si un jurado comete un error tipo
II al encontrar que la firma es culpable?
3.3 Pruebas de hiptesis para una media
Se presentan en esta seccin pruebas de hiptesis sobre el parmetro
al igual que en el caso de la estimacin se presentan dos
alternativas de acuerdo al conocimiento o desconocimiento de la
varianza poblacional. Tambin se calcula la probabilidad de cometer
error tipo I y error tipo II cuando efectuamos pruebas de hiptesis
51
ESTADSTICAS II
acerca la media poblacional () y conocemos la varianza poblacional

(2).
3.3.1 Prueba de hiptesis para una media con varianza
conocida( 2)
Sea una muestra aleatoria X1, X2, ...,,Xn, de una distribucin que se
supone Normal con media y varianza 2. Es decir que cada una de
las variables aleatorias es N(, ), y adems esas variables son
independientes. Si queremos inferir sobre el parmetro de la
distribucin empleando para ello la muestra que se tiene. Los juegos
de hiptesis de inters prctico son de tres tipos:
a) Ho: = . En oposicin a Ha: .
b) Ho: . En oposicin a Ha: > .
c) Ho: . En oposicin a Ha: < .
donde . es una constante elegida por el investigador.
La estadstica de prueba en cualquiera de los tres casos es:
Zc
X o
Con un nivel de significanca , las reglas

correspondientes a (a), (b) y (c) son respectivamente:
a) "Rechazar Ho si | Zc| |Z/2|
52
de
decisin
ESTADSTICAS II
b) "Rechazar Ho si Zc Z1-
c) "Rechazar Ho si Zc Z
Se presentan a continuacin en la figura 3.3.1. la representacin
grafica de las regiones de rechazo, correspondientes a los juegos de
hiptesis, presentados anteriormente.
Figura 3.3.1.1.a. Regin de rechazo para una prueba de hiptesis de cola derecha
0
Figura 3.3.1.2.b. Regin de rechazo para una prueba de hiptesis de cola derecha
53
ESTADSTICAS II
Figura 3.3.1.3.c. Regin de rechazo para una prueba de hiptesis de cola izquierda
3.3.2. Prueba
desconocida
de
hiptesis
para
la
media
con
varianza
En el inciso anterior desarrollamos una prueba de hiptesis para la

media suponiendo que conocemos el valor de la varianza poblacional
(2), lo cual es una situacin poco frecuente, aun es posible plantear
una prueba de hiptesis satisfactoria para la media.
Sea una muestra aleatoria X1, X2... Xn de una distribucin que se
distribuye normal con media desconocida y varianza desconocida
2. Entonces mediante los conceptos estudiados la mejor estadstica
de prueba se distribuye t de Student. Los juegos de hiptesis de
inters prctico son de tres tipos:
Juego de hiptesis
b) Ho: . En oposicin a Ha: > .
c) Ho: . En oposicin a Ha: < .
donde es una constante elegida por el investigador.
Con un nivel de significanca , las reglas
correspondientes a (a), (b) y (c) son, respectivamente:
a) "Rechazar Ho si | Tc| t/2,n-1
b) "Rechazar Ho si Tc tn-1
c) "Rechazar Ho si Tc -tn-
54
de
decisin
ESTADSTICAS II
El lector deber notar que el juego de hiptesis empleados son

similares a los presentados en la seccin 3.3.l., as mismo las regiones
crticas (rechazo) son similares aunque mas reducidas por el uso de la
distribucin t de Student.
3.3.2.1
Ejercicios
3.5. Los salarios diarios en cierta, rama de la industria en particular

presentan una distribucin normal con media de $13.20 y una
desviacin estndar de 2.50. Una compaa X que emplea a 40
trabajadores paga en promedio $12.20, puede acusarse a esta
compaa de pagar sueldos bajos?. Emplear = 0.01.
Respuestas
Juego de hiptesis:
Ho: . En oposicin a Ha: <
Estadstico de Prueba
Zc
X
=-2.5298
Regla de desicin
Rechazar Ho si Zc< Z0.01=2.325
Conclusin: Rechazar Ho en favor de Ha. Es decir con un nivel de
significanca = 0.01, existe suficiente evidencia muestral para decir
que la compaa X paga salarios inferiores a los de la rama de la
industrias a la que pertenece.
55
ESTADSTICAS II
3.6. Las casas cercanas a una universidad tienen un valor medio igual
a $58,000. Se supone que aquellas que estn situadas en la vecindad
de la universidad tienen un valor superior. Se tomo una muestra
aleatoria de 12 casas en el rea universitaria para contrastar esta
teora. Su avalu promedio es de $62,460, siendo su desviacin
estndar de $5,200. Realice un contraste de hiptesis utilizando
=0.01
Respuestas
Juego de hiptesis:
Ho: 58000. En oposicin a Ha: > 58000
tc
X
=2.9711
Sx
n
Regla de decisin:
Rechazar Ho si Tc> t0.01,11=2.7181
Conclusin: Rechazar Ho en favor de Ha con un nivel significanca de

0.01. Es decir la muestra aporta suficiente evidencia para manifestar
que las casas cercanas a una universidad tienen un valor medio mayor
a $58,000.
3.7. Un grupo de estudiantes sostiene que el alumno promedio invierte
al menos 25 minutos diarios para llegar a la universidad. El
departamento de servicios escolares obtuvo una muestra del tiempo
empleado (un solo sentido) por 36 estudiantes cuya media y
desviacin estndar fue 22 y 7.3 minutos, respectivamente. Tiene el
56
ESTADSTICAS II
departamento evidencia para

estudiantes? Utilice = 0.01
rechazar
la
afirmacin
de
los
Respuestas
Juego de hiptesis:
Ho: 25. En oposicin a Ha: <25
tc
X
=-2.4657
Sx
n
Regla de decisin:
Rechazar Ho si tc - t0.01,35=-2.4377
Conclusin: Rechazar Ho en favor de Ha con un nivel de significanca

de 0.01. Es decir existe suficiente evidencia muestral para rechazar la
afirmacin de los estudiantes.
3.8. En las etiquetas de una marca de leche evaporada se afirma que
esta contiene "no menos de 850 U.I. (Unidades internacionales) de
vitamina D por litro". Se realizan 15 determinaciones del contenido (por
litro) de vitamina D y se obtienen los siguientes resultados:
836, 849, 872, 861, 839, 826, 856, 8.62, 859, 852, 8480' 839, 846,
870, 861
Pruebe la hiptesis del fabricante con = 0.025.
57
ESTADSTICAS II
Respuestas
Juego de hiptesis:
Ho: 850. En oposicin a Ha: 0
Tc
X
=0.5147
Sx
n
Regla de decisin:
Rechazar Ho si Tc<- t0.025,n-1=-2.1448
Conclusin: Con un nivel de significanca = 0.025 no existe

suficiente evidencia muestral para rechazar H o, por lo que se
concluye que la leche evaporada contiene al no menos de 850
U.I. de vitamina D por litro.
3.9. En una muestra aleatoria de seis varillas de acero se
obtuvo una resistencia media a la comprensin de 58,392 psi
(libras por pulgada cuadrada) con una desviacin estndar de
648 psi. Emplear esta informacin y un nivel de significanca
de = 0.05 para probar si la media de la resistencia real a la
comprensin del acero del cual proviene esta muestra es de
58,000 psi.
Respuestas
Juego de hiptesis:
Ho: = 58000. En oposicin a Ha: 58000
58
ESTADSTICAS II
tc
X
=1.4818
Sx
n
Regla de decisin:
Rechazar Ho si tc< t0.025,5=2.5706
Conclusin: No existe suficiente evidencia muestral para
rechazar Ho con un nivel de significanca de 0.05. Es decir la
media, de la resistencia a la compresin del acero del cual
proviene esta muestra es de 58,000 psi.
3.10. Una muestra aleatoria de los archivos de una compaa
que contiene informacin detallada indica que las ordenes
para cierta pieza de mquina fueron entregados en 10, 12, 19,
14, 15, 18, 11 y 13 das. Usar un nivel de significanca =
0.01 para probar
La afirmacin que el tiempo medio de entrega es de 10.5 das.
Elegir la Hiptesis alterna de manera que el rechazo de la
hiptesis nula = 10.5 implique que la entrega de las rdenes
toma mas tiempo del indicado.
Conclusin: Rechazar Ho en favor de Ha con un nivel de
significanca de 0.01. Es decir existe evidencia muestral que
indica un tiempo de entrega mayor de 10.5 das
3.11. Cinco mediciones del contenido de alquitrn de cierta
marca de cigarros producen los siguientes resultados: 14.5,
14.2, 14.4, 14.3 y 14.5 mg por cigarro. Probar que la
59
ESTADSTICAS II
diferencia entre el promedio muestral y la media del

contenido de alquitrn que indica el fabricante = 14.0 es
significativa, con = 0.05.
significanca de 0.05. Es decir existe suficiente evidencia
muestral para rechazar la afirmacin del fabricante
3.12. Supngase que en el ejercicio anterior la primera
medicin es anotada incorrectamente como 16.0 en lugar de
14.5. Verificar si ahora la diferencia entre la media muestral y
el contenido de alquitrn que indica el fabricante = 14.0 no
es significativa con = 0.05. Explicar la aparente paradoja de
que, a pesar de que la diferencia entre X y ha aumentado,
no hay significanca estadstica.
Conclusin: No rechazar Ho con un nivel de significanca de
0.05. Es decir no existe suficiente evidencia muestral para
rechazar la afirmacin del fabricante. Note el incremento
desproporcionado de la varianza con respecto al de la media
lo que causa la aparente paradoja.
60
ESTADSTICAS II
3.4 Pruebas de hiptesis de proporciones

Ya presentamos el teorema del lmite central y se mencion
que este teorema es fundamental para la teora de
probabilidades. Una de las aplicaciones mas importante de
dicho teorema es la aproximacin de variables aleatorias
discretas cuando n a la distribucin normal. Por otro lado,
las pruebas de hiptesis relacionadas con proporciones
(porcentajes o probabilidades) se emplean en diversas reas
del conocimiento humano.
3.4.1 Una proporcin
Es cierto que existen pruebas apropiadas con base en la
distribucin binomial, solo consideramos aqu las pruebas de
hiptesis para la proporcin de xitos en un experimento
binomial para muestras grandes que se basan en la
aproximacin a la
distribucin normal. La proporcin o
porcentaje juega un papel destacado en el control de calidad
y en las encuestas de opinin, entre otras aplicaciones del
tema.
Estaremos interesados en probar H o: p = po, donde p es
parmetro de la distribucin binomial, entonces los juegos de
hiptesis de inters practico sern:
a) Ho: p = po
b) Ho: p = po
c) Ho: p = po
vs
Ha p po
vs Ha p > po
vs Ha p < po
donde po es una constante elegida por el investigador

La estadstica de prueba en cualquiera de los tres casos es
61
ESTADSTICAS II
x p
x npo
n o
Zc
npo (1 po )
po (1 po )
Con un nivel de significanca a, las reglas de decisin

a) Rechazar Ho
si |Zc| |Z
b) Rechazar Ho
si Zc Z
c) Rechazar Ho
si Zc Z
3.4.2. Diferencia de proporciones.

Las pruebas de diferencia de proporciones se realizan en
general cuando queremos comparar dos muestras cuyo
parmetro de inters es la proporcin. Deseamos entonces
conocer si pertenecen a la misma poblacin o corroborar si la
diferencia entre estas excede cierto porcentaje. Por ejemplo,
podramos verificar que la proporcin de alumnos que
aprueban cierta materia con el profesor A es igual a la
proporcin de alumnos aprobados en esa misma materia por
el profesor B. Es posible que un alumno determine emplear
cierto habito de estudio solo si comprueba que la proporcin
de alumnos aprobados es mayor que aquellos que no la usan.
El procedimiento de pruebas de hiptesis se puede extender
para varias proporciones. No obstante solamente se incluir el
material referente a dos poblaciones, los lectores interesados
en ampliar sus conocimientos pueden consultar (Joliiisovi, 1
989). En el caso de la prueba para dos proporciones es posible
probar diversos juegos de hiptesis de inters prctico, los
cuales son de tres tipos:
62
ESTADSTICAS II
a) Ho: p1 - p2 = pc
b) Ho: p1 - p2 = pc
c) Ho: p1 - p2 = pc
vs
vs
vs
Ha p1 - p2 pc
Ha p1 - p2 > pc
H a p1 - p 2 < pc
donde p1 y p2 son las proporciones poblacionales para la

muestra 1 y 2 respectivamente y la p c es la diferencia que
probamos entre ambas proporciones. Es necesario destaca
que pc = 0 si esperamos detectar cualquier diferencia y p 2 0
cuando es necesario encontrar una diferencia de proporciones
en especial.
Zc
P1 P2 p1 p 2
p1q1 p 2 q 2
n1
n2
Con un nivel de significanca las reglas de decisin

correspondientes a (a), (b) y (c) son respectivamente:
a) Rechazar Ho
si |Zc| Z1-
b) Rechazar Ho
si Zc Z
c) Rechazar Ho
si Zc Z
63
ESTADSTICAS II
3.4.2.1 Ejercicios
3.13. Un fabricante de bombas de pozo profundo asegura que
a lo sumo el 30 % de sus bombas requieren reparacin en los
primeros 5 aos de operacin. Si una muestra aleatoria de
120 bombas incluye 47 que requieren reparacin en los
primeros 5 aos se puede afirmar que esto contradice la
afirmacin del fabricante. Use = 0.05.
significanca de 0.05. Es decir existe evidencia muestral para
contradecir la proporcin (30%) de las bombas que requieren
reparacin los primeros 5 aos de operacin.
3.14. La experiencia de un comerciante en aparatos y
accesorios mostr que 10% de sus clientes que compran a
plazos liquidan sus cuentas antes del vencimiento de la ltima
mensualidad (la vigsimo cuarta). Al sospechar un incremento
en este porcentaje el comerciante selecciona al azar 200
compradores a crdito para saber sus intenciones, treinta y
tres ellos afirmaron tener planeado pagar adeudos antes de la
ltima mensualidad. Son los datos suficientes para indicar
que el porcentaje de compradores a plazos que pagarn sus
deudas antes de la ltima mensualidad, excede de 10%? .
Usar un nivel de significanca = 0.05.
significanca de 0.05. Es decir la muestra aporta evidencia
suficiente para indicar que el porcentaje de compradores a
plazos que pagaran sus deudas antes de la ltima
mensualidad, excede el 10%.
3.15. El rendimiento de una computadora se observa en un
periodo de dos aos para verificar la afirmacin de que la
64
ESTADSTICAS II
probabilidad del tiempo perdido por fallas exceda a 5 horas en

una semana cualquiera es de 0.2. Qu se puede concluir con
un nivel de significanca =0.05, si hubo solo 11 semanas en las
cuales el tiempo perdido de la computadora excedi las 5 horas?.
(Recuerde que un ao tiene 52 semanas).
significanca de 0.05. Es decir existe suficiente evidencia
muestral para refutar la afirmacin del productor acerca del
tiempo perdido por fallas en una semana.
3.16. Un fabricante modific una lnea de produccin para
reducir el promedio de la fraccin de defectuosos. Para
determinar si la modificacin fue efectiva, el fabricante sac
una muestra aleatoria de 400 artculos antes de la
modificacin de la lnea de produccin y otra muestra
aleatoria de
400 artculos despus de tal cambio. Los
porcentajes de defectuosas en las muestras eran
Antes
5.25
%
Despu
s
3.5%
Pruebe la Hiptesis de que la modificacin disminuye la

proporcin de artculos defectuosos con un nivel de
significanca = 0.05.
Conclusin: No rechazar Ho con un nivel de significanca =
0.01. Es decir no existe evidencia muestral para afirmar que la
modificacin reduce significativamente el nmero de artculos
defectuosos.
65
ESTADSTICAS II
3.17. Un genetista esta interesado en la proporcin de machos

y hembras de una poblacin que tiene cierta enfermedad
menor en la sangre. En una muestra aleatoria de 100 machos
se encuentran 31 afectados mientras que solamente 24 de
100 hembras presentan la enfermedad. Se puede concluir,
con un nivel de significanca de = 0.01, que la proporcin de
machos afectados por esta enfermedad de la sangre es mayor
que la proporcin de hembras tambin afectadas? (Walpole V
Myers, 1989)
0.01. Es decir existe evidencia muestral para afirmar que la
enfermedad afecta por igual a ambos sexos.
3.18. Dos empresas que fabrican artculos equivalentes
afirman tener la misma proporcin de preferencia hacia sus
productos entre los consumidores. Una muestra aleatoria
indica que 102 de 300 y 152 do 400 consumidores prefrieren
los productos A V B respectivamente. Indica esta evidencia
una diferencia significativa entre las proporciones?. Utilizar
= 0.02.
Conclusin: No rechazar Ho con un nivel de significanca
=0.02. Es decir no existe evidencia muestral que sugiera que
el consumidor prefiere un producto en especial.
3.5 Pruebas de hiptesis para diferencia de dos medias
La prueba de hiptesis para la diferencia de dos medias es
quizs una de las pruebas ms empleadas. Con frecuencia
estamos interesados era probar si dos muestras tienen igual
66
ESTADSTICAS II
promedio o si alguna de ellas es mayor que otra. Se han

proporcionado ya las distribuciones muestrales para la
diferencia de medias cuando se conoce o se desconoce la
varianza poblacional (2). Las pruebas que se presentan en
este apartado suponen que ambas muestras son aleatorias e
independientes y las poblaciones de las cuales provienen se
distribuyen normales. Los pruebas de dos medias para
muestras apareadas o dependientes van mas haya del
objetivo de este curso.
3.5.1. Prueba de hiptesis para la diferencia de medias
con varianzas conocidas
Sean X1, X1 .. .... Xn, y Y1, Y2, ..., Yn, muestras aleatorias que se
obtienen de dos distribuciones normales independientes con
media x y y y varianzas x y 2y respectivamente. Entonces
por los conceptos aprendidos sabemos que es factible
establecer una estadstica mediante la cual se pueden probar
las Hiptesis que a continuacin se presentan.
a) Ho: x - y = d
vs Ha x - y d
b) Ho: x - y = d
vs Ha x - y >d
c) Ho: x - y = d
vs Ha x - y <d
donde d es una constante positiva mayor o igual que cero y
que representa la diferencia que se desea probar entre los
valores desconocidos de las medias poblacionales.
El estadstico de prueba correspondiente a estas Hiptesis
ser dado por
Zc
X Y d
2
x2 y
n
m
67
ESTADSTICAS II
Con un nivel de significanca , las reglas de decisin

a) Rechazar Ho
si |Zc| Z
b) Rechazar Ho
si Zc Z
c) Rechazar Ho
si Zc Z
3.5.2. Prueba de hiptesis para la diferencia de medias

con varianzas desconocidas
Se ha mencionado anteriormente que en situaciones reales es
poco comn tener conocimiento del valor de la varianza
poblacional. Ya encontramos un estadstico para la diferencia
de medias con varianzas iguales pero desconocidas. Es
necesario decir que la prueba es sensible a situaciones en las
cuales no se cumplen los supuestos principalmente al de
varianza iguales lo cual nos lleva a inferencias equivocadas,
por otra parte el supuesto de normalidad no afecta esta
prueba cuando el tamao de la muestra es mayor de 15.
Las hiptesis de inters se presentan a continuacin en el
formato acostumbrado:
a) Ho: x - y = d
b) Ho: x - y = d
c) Ho: x - y = d
vs
vs
vs
Ha x - y d
Ha x - y >d
Ha x - y <d
donde d es una constante positiva mayor o igual que cero y

que representa la diferencia que se desea probar entre los
valores desconocidos de las medias poblacionales.
El estadstico de prueba correspondiente a estas hiptesis
ser dado por
68
ESTADSTICAS II
X Y d
Sp
donde Sp =
2
1 1
n m
nn 1 S x2 n y 1 S y2
nx n y 2
Con un nivel de significanca a las reglas de decisin

correspondientes a (a), (b) y (c) son, respectivamente.
a) Rechazar Ho
si |Tc| tn+m-2
b) Rechazar Ho
si Tc t,n+m-2
c) Rechazar Ho
si Tc -tn+m-2
3.5.2.1 Ejercicios
3.19. Supngase que deseamos investigar si en promedio el
sueldo del hombre excede en ms de $ 20 por semana al de
la mujer en cierta industria. Si los datos revelan que 60
hombres ganan en promedio $292.50 a la semana con una
desviacin estndar de $ 1 5.60, mientras que 60 mujeres
perciben en promedio $ 266.10 por semana con una
desviacin estndar de $18.20. Qu puede concluirse con un
nivel de significanca de 0.017
0.01. Es decir no existe suficiente evidencia muestral para
decir que el promedio del sueldo para hombres excede en
mas de $ 20 por semana al de la mujer en cierta industria.
69
ESTADSTICAS II
3.20. Un fabricante de motores elctricos compar la

productividad de trabajadores de ensamblaje para dos tipos
de horarios semanales de trabajo de 40 horas. Uno cuatro das
de 10 horas (horaria 1) y cl horario estndar de 5 das de 8
horas (horario 2). Se asignaron 20 trabajadores a cada horario
de trabajo y se registro el nmero de unidades armadas
durante una semana las medias (en cientos de unidades) y las
varianzas muestrales se indican a continuacin
Estadstica
Horari
o
1
2
43.10 44.6
0
4.28
3.89
Media
Muestral
Varianza
muestral
Proporcionan los datos evidencia suficiente para indicar una

diferencia en la productividad media para los dos horarios de
trabajo?. Haga la prueba con un nivel de significanca =
0.05.
Conclusin: Rechazar Ho en favor Ha con un nivel de
significanca = 0.05. Es decir la evidencia muestral indica
una diferencia de productividad entre horarios.
3.21 Se aplic un examen relacionado con los aspectos
fundamentales del sida a dos grupos uno de estudiantes
universitarios de licenciatura y el otro de egresados del
bachillerato. A continuacin se presenta un resumen de los
resultados de el examen.
70
ESTADSTICAS II
Graduados
medi
Desviacin
a
estndar
Universitari 75 77.5
6.2
os
Bachilleres 75 60.4
7.4
Indican estos datos que los graduados de universidad
tuvieron en promedio un resultado significativamente mayor
de 13 puntos en el examen?. Utilizar = 0.001.
significanca = 0.001. Es decir existe suficiente evidencia
muestral para decir que los estudiantes universitarios tienen
un puntaje, trece puntos significativamente superior que los
estudiantes de bachillerato en aspectos relacionados con el
sida.
3.22. Con el fin de reducir los costos en la alimentacin de
cerdos, se genero una dieta con ingredientes no
convencionales y de bajo costo. Para el experimento se cont
con 24 cerdos de la misma raza, edad y peso inicial similar.
Doce cerdos fueron alimentados con la dieta no convencional
y otros doce con un alimento comercial. Se midi la ganancia
de peso al final del experimento, los resultados obtenidos se
presentan a continuacin.
Dieta
Medi Desviacin
a
Estndar
Comercial
49.2 3.9
No
40.0 2.5
convencional
71
ESTADSTICAS II
Probar la hiptesis de que ambas dietas producen igual

ganancia de peso. Utilizar un nivel de significanca de =
0.001.

0.001. Es decir existe suficiente evidencia muestral para decir
que ambas dietas producen la misma ganancia de peso.
3.23. Dos grupos de 10 ratones de laboratorio fueron
alimentados con una dieta preestablecida. AI finalizar tres
semanas se registr el peso ganado por cada animal.
Justifican los datos de la tabla siguiente la conclusin de que
el peso medio ganado con la dieta B fue mayor que con la
dieta A, al nivel de significacin = 0.05?
Dieta 5 14 7 9 11 13 14 12 8 7
A
Dieta 5 21 4 9 16 23 16 13 19 21
B
significanca = 0.05. ES decir existe suficiente evidencia
muestral para decir que el peso medio ganado con la dieta B
fue mayor que el de la dieta A.
3.24. Se ha desarrollado una nueva cura para cemento
Prtland. Se efectan ensayos para determinar si la nueva
cura tiene un efecto (positivo o negativo) en la resistencia. Se
ha producido un lote sometido a ambas curas, la estndar y la
experimental. Las resistencias a la compresin (psi) son las
siguientes
72
ESTADSTICAS II
Cura
4.12 4.22 4.3 3.57 3.87 3.82 3.97 3.8 3.77 3.85
estndar X 5
5
5
5
5
5
5
0
5
0
Cura
4.25 3.95 3.9 4.07 4.55 4.45 4.15 4.5 3.70 4.25
experimen
5
5
tal Y
Pruebe el efecto en la resistencia del cambio de cura a un
nivel de significanca de = 0.05.
significanca = 0.05. Es decir existe suficiente evidencia
muestral para decir que la nueva cura tiene efecto (positivo o
negativo) en la resistencia del cemento.
3.6 Pruebas de hiptesis sobre la varianza
distribucin normal
de una
Las secciones anteriores de este capitulo trataron con el

problema de pruebas de media de una distribucin normal o
con la aproximacin de una distribucin discreta a una
distribucin normal. Sin embargo con frecuencia surgen
problemas que requieren) inferencias acerca de la
variabilidad. Por ejemplo considere la variabilidad de las
calificaciones otorgadas por cierto profesor en determinado
examen. Se esperara que las puntuaciones tuvieran una
varianza pequea y que adems su media fuera mayor o igual
al promedio mnimo aprobatorio.
Esta seccin se refiere a la prueba de hiptesis relacionadas
con las varianza o desviacin estndar poblacional. En otras
palabras, interesa la prueba de hiptesis relacionada con la
uniformidad de una poblacin. Se parte bajo el supuesto de la
muestra proviene de una poblacin que se distribuye normal.
73
ESTADSTICAS II
Sea X1, X2, ..., Xn, una muestra aleatoria de una poblacin que
se distribuye normal con media y varianza 2 desconocida.
Las Hiptesis de inters son:
b) Ho: < . En oposicin a Ha: > .
c) Ho: > . En oposicin a Ha: < .
donde 2o, es el valor propuesto de 2 . La estadstica para
probar estas hiptesis se basan en la varianza muestral S 2.
Entonces la estadstica de prueba que permite fijar el nivel de
significanca deseado es
n 1 S 2
2
n21
Entonces bajo la hiptesis nula. Las reglas de decisin son:
c2
n 1 S 2
2o
En la figura 3.6.1. se ilustra grficamente las regiones de

rechazo para cada tipo de hiptesis.
. ..
74
ESTADSTICAS II
12
12
Figura 3.6.1 a. Regin de rechazo para una prueba de hiptesis bilateral para
REGION DE RECHAZO
Figura 3.6.1.b. Regin de rechazo de cola derecha para una prueba de hiptesis para
2
75
ESTADSTICAS II
0
12
Regin de rechazo
Figura 3.6.1.c. Regin de rechazo de cola izquierda para una prueba de Hiptesis para
2
76
ESTADSTICAS II
3.6.1 Ejercicios
3.25. Datos de archivo indican que la varianza de las
mediciones efectuadas sobre lmina metlica grabada, las
cuales fueron obtenidas por inspectores expertos en control
de calidad es de 0.18 pulgadas cuadradas. Las mediciones
realizadas por un inspector sin experiencia podran tener una
varianza mayor (debido quizs a su poca destreza para leer
los instrumentos) o tambin una varianza rnuy pequea
(quizs porque las mediciones excesivamente altas o bajas se
han descartado). Si un nuevo inspector mide 101 laminas
grabadas con una varianza de 0.13 pulgadas cuadradas,
prubese con un nivel de significanca de 0.05 si el inspector
realiza mediciones satisfactorias.
significanca = 0.05. Es decir existe evidencia muestral
suficiente para indicar que el nuevo inspector no toma
satisfactoriamente sus mediciones.
3.26. El gerente de una planta sospecha que el nmero de
piezas que produce un trabajador en particular por da, flucta
ms all del
valor normal esperado. El gerente decide
observar el nmero de piezas que produce este trabajador
durante 10 das, seleccionados estos al azar. Los resultados
son 15, 12, 8, 13, 12, 15, 16, 9, 8 y 14. Si se sabe que la
desviacin estndar para todos los
trabajadores es de 2
unidades y si el numero de estas que se produce diariamente
se encuentra modelada en forma adecuada por una
distribucin normal, aun nivel de = 0.05, Tiene apoyo la
sospecha del gerente?
77
ESTADSTICAS II

significanca = 0.05. Es decir existe evidencia muestral para
avalar la sospecha del gerente.
3.27. En un proceso de llenado, la tolerancia para el peso de
los recipientes es 8 gramos para reunir este requisito la
desviacin estndar en el peso puede ser de 2 gramos. Los
pesos de 25 recipientes seleccionados al azar dieron como
resultado una desviacin estndar de 2.8 gramos. Si los pesos
se distribuyen normales, determinar si la varianza de estos es
diferente del valor necesario. Emplear = 0.01
significanca = 0.01. Es decir la evidencia muestral indica
que el proceso no tiene la tolerancia requerida.
3.28. Un fabricante de maquinas empacadoras de jabn en
polvo afirma, que su producto podra llenar las cajas con un
peso dado con una amplitud de no mas 2/5 de onza. La media
y la varianza da una muestra de 8 cajas de 3 onzas resultaron
ser iguales a 3.1 y 0.01 8 onzas, respectivamente. Pruebe la
hiptesis de que la varianza de la poblacin de mediciones del
peso es 2 = 0.01 contra la alternativa de 2> 0.01. Emplear
un nivel de significanca = 0.05.
0.05. Es decir la muestra no proporciona evidencia suficiente
para decir que 2 > 0.01.
3.29. Un agricultor labra todo su terreno en la misma poca
con un solo cultivo. En consecuencia, desea sembrar una
variedad de frjol cuya maduracin sea uniforme (que sea
pequea la desviacin estndar entre los momeritos de
madurez de las plantas). Una productora de semillas ha
78
ESTADSTICAS II
desarrollado un nuevo hbrido que considera idneo para el

agricultor. El tiempo de maduracin de la variedad estndar
tiene una media igual a 50 das con una desviacin estndar
de 2.1 das. Una muestra aleatoria de 30 plantas del nuevo
hbrido seala una desviacin estndar de 1.65 das. Indica
esta muestra una disminucin significativa de la desviacin
estndar al nivel de significanca = 0.05?.
Conclusin: No rechazar Ho con un nivel significanca de =
0.05. Es decir la muestra de la nueva variedad no proporciona
evidencia significativa de tener una desviacin estndar
menor de 2.1.
3.30. Un grupo de ecologistas manifiesta que la temperatura
durante el verano en cierta regin es ms variable
actualmente como consecuencia de la contaminacin. Si la
temperatura mxima histrica (20 aos) es de 34 con una
desviacin estndar de 4. Se tom una muestra de tamao
21 de las temperaturas mximas obtenidas durante los
ltimos 3 aos en dicha regin y se obtuvo una desviacin
estndar de 7.5. Probar la hiptesis de los ecologistas con un
nivel de significanca de 0.05
significanca de = 0.001. Es decir existe evidencia muestral
para validar un incremento en la variabilidad de la
temperatura.
3.7 Pruebas de hiptesis para una razn de varianzas
Se discute el procedimiento para comparar las varianzas de
dos poblaciones normales. Note que la prueba de hiptesis
79
ESTADSTICAS II
para la razn de dos varianzas depende fuertemente del

supuesto de que las poblaciones muestreadas son normales
es decir que las inferencias no son robustas con respecto a los
supuestos distribucionales. La estructura de los datos
necesarios para la comparacin se presenta enseguida:
a) X1..., Xn es una muestra aleatoria de N(x,2x)
b) Y1,...,Yn es una muestra aleatoria de N(y,2y)
c) Las dos muestras son independientes
La distribucin F permite probar la hiptesis sobre la razn de
dos varianzas, cuyas hiptesis de inters son
a) Ho: x = y. En oposicin a Ha: x y.
b) Ho: x = y. En oposicin a Ha: x > y.
c) Ho: x = y.
En oposicin a Ha: x < y.
El lector debe notar que la hiptesis alternativa en a) equivale

a decir que las dos varianzas son diferentes, mientras que en
b) y en c) se expresa que una variable es mayor que otra. La
estadstica de prueba F ser Fc y se considera que bajo la
hiptesis nula 2x = 2y, entonces
Fc
S x2
S y2
80
ESTADSTICAS II
Por lo cual una prueba de tamao a para los juegos de hiptesis

propuestos anteriormente pueden efectuarse mediante la estadstica
Fc, con las siguientes reglas de decisin
a) Rechazar Ho
si Fc Fn-1,m-1,/2 o
b) Rechazar Ho
si Fc Fn-1,m-1,
si Fc 1/ Fm-1,n-1,/2
c) Rechazar Ho si Fc 1/ Fm-1,n-1,
La eleccin de que la poblacin es X y cual es Y, se determina
por el tamao de las varianzas muestrales. El denominador o
poblacin Y deber ser aquella poblacin con varianza mayor
o igual que la del numerador, con lo cual conseguimos que F c
sea mayor o igual que uno. Esto nos lleva a que el juego de
hiptesis se reduce a las hiptesis.
a) Ho: x = y. En oposicin a Ha: x y.
b) Ho: x = y. En oposicin a Ha: x > y.
Con estadstico de prueba dado por
Fc
Varianzamu estralmayor
Varianzamu estralmenor
Por lo cual una prueba de tamao a para los juegos de

hiptesis anteriores puede efectuarse mediante la estadstica
Fc, con las siguientes reglas de decisin
a) Rechazar Ho
si Fc Fn-1,m-1,/2
b) Rechazar Ho
si Fc Fn-1,m-1,
81
ESTADSTICAS II
3.7.1 Ejercicios
3.31. Un director de personal que proyectaba utilizar una
prueba t de student para comparar el promedio del nmero
de inasistencias mensuales para dos categoras de empleados
se encontr con una posible dificultad. La variacin en el
nmero de tales inasistencias pareca ser diferente para los
dos grupos. Para verificar esto, seleccion aleatoriamente 5
meses y cont el nmero de faltas de asistencia para cada
grupo. Los datos se muestran en la siguiente tabla.
Categor
aA
Categor
aB
20 14 19 22 25
37 29 51 40 26
a)
Cul fue la suposicin necesaria para poder usar la
prueba t que preocupa al director de personal?
Los datos provienen de poblaciones que se distribuyen
normales con varianzas poblacionales desconocidas pero
iguales. En este problema aparentemente las varianzas no son
iguales.
b)
Proporcionan los datos evidencia suficiente para indicar
que
las varianzas difieren para las poblaciones de las
inasistencias para las dos categoras de empleados?. Emplear
= 0.10 e interpretar los resultados.
0.10. Es decir no existe evidencia muestral, para decir que las
varianzas poblacionales de las dos muestras son diferentes,
por lo tanto es posible que efectuar la prueba t proyectada
por el director de personal.
82
ESTADSTICAS II
3.32. La cantidad de cera superficial en cada lado de bolsas

de papel encerado es una variable aleatoria. Hay razones para
sospechar que hay una mayor variacin en la cantidad de
cera en el interior de la bolsa que era el exterior. Se ha
obtenido una muestra de 61 observaciones de la cantidad de
cera de cada lado de estas bolsas con los siguientes
resultados.
Cera en libras por unidad de rea
Estadsticas
Superficie exterior
Media
0.9480
Varianza
0.3189
muestreada
Superficie interior
0.6520
0.7043
Conduzca una prueba para determinar si la variabilidad de la

cantidad de cera de la superficie interior es mayor que la
contenida en la superficie exterior, Usar un nivel de
significanca = 0.01.
..
significanca = 0.01. ES decir existe suficiente evidencia
muestral, para indicar que la superficie interior de las bolsas
contiene ms cera que la exterior.
3.33. Una panadera est considerando la compra de uno de
dos hornos. Se requiere que la temperatura permanezca
constante durante la operacin de horneado. Se hizo un
estudio para medir la varianza en temperatura de los dos
hornos en funcionamiento. Antes de que el termostato
restableciera la flama, la varianza en la temperatura del horno
A fue igual a 2.4, resultante de 16 mediciones. La varianza del
horno B fue de 3.2 resultante de 12 mediciones. Proporciona
esta informacin suficiente evidencia para concluir que existe
83
ESTADSTICAS II
una diferencia entre las varianzas para los dos hornos?.

Utilizar un nivel de significanca de =0.02.

0.02. Es decir no existe suficiente evidencia muestral, para
concluir que hay diferencia entre las varianzas para los dos
hornos.
3.34. Se realiz un estudio para decidir si hay o no la misma
variabilidad en la presin sangunea sistlica entre hombres y
mujeres. Se utilizaron muestras aleatorias de 16 hombres y 13
mujeres para contrastar la afirmacin de los investigadores
en el sentido de que las varianzas eran diferentes. Realice el
contraste de hiptesis, con = 0.05, utilizando los datos
siguientes:
Hombr 120 120 118 112 120 114 130 114 124 125 130 100
es
120 108 112 122
Mujeres 122 102 118 126 108 130 104 116 102 122 120 118
130
0.05. La muestra no aporta evidencia para decir que la
variabilidad de la presin sangunea sistlica depende del
individuo.
1
3.35. En un experimento acerca de la contaminacin del aire,
se comparan dos tipos de instrumentos para medir fa
cantidad de monxido de sulfuro en la atmsfera. Se desea
determinar si los dos tipos de instrumentos producen
84
ESTADSTICAS II
mediciones que tienen la misma variabilidad variabilidad. Se

registraron las siguientes lecturas para los dos instrumentos.
Monxido de sulfuro
Instrumento A
Instrument
oB
0.86
0.87
0.82
0.74
0.75
0.63
0.61
0.55
0.89
0.76
0.64
0.70
0.81
0.69
0.68
0.57
0.65
0.53
Media
0.7455 0.673111
Desviacin
0.1040 0.11174
estndar
5
Suponiendo que las distribuciones de las poblaciones estn
distribuidas aproximadamente en forma normal, probar la
hiptesis planteada con un nivel de significanca de =0.02.
0.02. Es decir no existe suficiente evidencia muestral que
manifieste diferencias en la variabilidad de los instrumentos.
3.36. El Instituto del consumidor desea comparar la variabilidad en la
eficacia de un medicamento elaborado por las compaas X e Y.
Ambos medicamentos se distribuyen en forma de tabletas de 250 mg.
Se determin la eficacia en 25 tabletas en cada compaa
encontrndose S21 = 2.09 y S22 =1.06. Realizar una prueba para
contrastar la variabilidad de ambos medicamentos con =0.10.
85
ESTADSTICAS II
Conclusin: Rechazar Ho a favor de Ha con un nivel de significanca

=0.10. Es decir la muestra proporciona evidencia sobre la diferencia en
la variabilidad de ambos productos.
86
ESTADSTICAS II
BIBLIOGRAFA
MENDENHALL W. INTRODUCCIN A LA PROBABILIDAD Y

LA ESTADSTICA. MXICO: EDITORIAL IBEROAMERICANA.
1982. AAAA
STEVENSON, W. ESTADSTICA PARA ADMINISTRACIN Y

ECONOMIA. MXICO: HARLA. 1981.
H. T. HAYSLETT, JR. ESTADISTICA SIMPLIFICADA. MEXICO:

EDICIONES MINERVA.1980.
MURRAY
R.
SPIEGEL.
PROBABILIDAD
ESTADISTICAMEXICO: MC GRAW HILL.1980.
PACHECO JOSE E. MANUAL DE

PROBABILIDAD. MXICO: UV.1998.
87
ESTADISTICA
Y
Y

Antologia

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

Antologia

Uploaded by

Copyright:

Available Formats

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

n esta Antologa se presenta la parte de las reglas

indicaciones probabilsticas de la veracidad de tales

existentes entre una poblacin, las muestras obtenidas de

y la varianza, o bien para determinar si las

diferencias entre dos muestras son debidas al azar, etc.

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

UNIDAD I. PRINCIPIOS DE LAS TCNICAS DEL

II. TEORA DE LA ESTIMACION

2.1. Estimacin y propiedades de los estimadores

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

2.4.4. intervalos de confianza para la diferencia de medias

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

III. PRUEBAS DE HIPOTESIS

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

I. PRINCIPIOS DE LAS TECNICAS DEL MUESTREO

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

una parte de sta, lo que nos lleva, en primer lugar a la justificacin,

Mayor rapidez: Estamos acostumbrados a ver como los

Ms posibilidades: Para hacer cierto tipo de estudios, por

De este modo se ve que al hacer estadstica inferencial debemos

Extrapolacin de las conclusiones obtenidas sobre la muestra, al

El tipo de muestreo ms importante es el muestreo aleatorio, en el que

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

reducir los costes o aumentar la precisin, otros tipos de muestreo

Consideremos una poblacin finita, de la que deseamos extraer una

Si el tamao de una muestra es pequeo en relacin con el de la

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

1.2 Muestreo aleatorio con reposicin

Si el orden no interviene, la probabilidad de una muestra cualquiera,

Sea n1 el nmero de veces que se repite cierto elemento

Sea n2 el nmero de veces que se repite cierto elemento

Sea nk el nmero de veces que se repite cierto elemento

ek, de modo que

. Entonces la probabilidad de obtener

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

El muestreo aleatorio con reposicin es tambin denominado

En una muestra aleatoria simple, cada observacin tiene la

Adems todos las observaciones de la variable aleatoria son

1.3 Muestreo aleatorio sin reposicin

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

La probabilidad de que e sea elegido en primer lugar es

Si no ha sido elegido en primer lugar (lo que ocurre con una

), la probabilidad de que sea elegido en el

en el (i+1)-simo intento, la poblacin consta de N-i elementos,

Si consideramos una muestra de

Lo que corresponde en el sentido de la definicin de probabilidad de

FACULTAD DE CONTADURA Y ADMINISTRACIN

UNIVERSIDAD DE SOTAVENTO, A.C

sea elegida es la suma de las probabilidades de elegir una cualquiera

Los efectos pueden ser insignificantes y puede ser ms

Si se realizan ensayos destructivos.

En el muestreo industrial ser difcil persuadir a los inspectores