Capitulo # 8 Inferencias Con Muestras Grandes para Alumnos

ESTADSTICA DE SISTEMA DE CREDITOS
CAPITULO No.3
(Pg. # 189 Mendenhall)
INFERENCIA ESTADISTICA CON MUESTRAS GRANDES.
EL OBJETIVO DE LA ESTADSTICA, LA INFERENCIA.

Es hacer inferencias (predecir, decidir) acerca de una poblacin con base en la informacin
contenida en una muestra (subconjunto de poblacin).
Puesto que las poblaciones se caracterizan por medidas descriptivas numricas llamadas
parmetros (caracterstica medible), la inferencia estadstica se ocupa de hacer inferencias
acerca de los parmetros de una poblacin, como son la media, la desviacin estndar, el
rea bajo la distribucin de probabilidad a partir de un valor de una variable aleatoria etc.
Toma de Decisiones.- Acerca del valor del parmetro.

Ejemplo: muestreo de aceptacin y prueba de hiptesis.
Mtodos para realizar

Inferencias
Ing. Gabriela del Carmen Ortiz Leos
Predecir o estimar el valor del parmetro.
Pg. #1
TIPOS DE ESTIMADORES.
Estimacin puntual.-
Indica como calcular un nmero con base a los datos muestrales.
Representa la estimacin y puede asociarse con un punto en una recta.

X = 25
Al nmero resultante se le denomina estimador puntual del parmetro.
Estimacin por intervalo.
Indica como calcular los rangos del intervalo (lmite superior y lmite inferior en base a
los datos muestrales.
20 x 30
El par de nmero que se obtiene se llama estimacin por intervalo o intervalo de

confianza.
El nmero mayor, que indica el extremo superior del intervalo se denomina Lmite
Superior de Confianza (LSC), similarmente el nmero extremo inferior, se denomina
Lmite Inferior de Confianza (LIC).
EVALUACION DE LA BONDAD (fidelidad) DE UN ESTIMADOR PUNTUAL.

No es posible evaluar un procedimiento de estimacin con base en una sola estimacin; por
el contrario, deben observarse los resultados de usar el procedimiento de estimacin
repetidas veces, al estimar el mismo parmetro de la misma poblacin.
Pg. #2
A la distribucin de probabilidad de un estimador se le denomina distribucin muestral del

estimador.
Propiedades deseables del estimador.
1. La distribucin de las estimaciones se centre alrededor del parmetro de inters.
El estimador del parmetro de una poblacin es insesgado si la media de su distribucin

muestral es igual al parmetro. En otro caso se dice que el estimador es sesgado.
2. La desviacin estndar de su distribucin muestral sea pequea.
Se desea que la dispersin de las estimaciones sea tan pequea como sea posible. Para
la mayora de los estimadores la desviacin estndar de la distribucin muestral es
controlable. Es posible hacer la desviacin estndar tan pequea como se desee al
aumentar el tamao de la muestra.
Pg. #3
Observaciones de la figura.
Y depende del tamao de la muestra n.
La dispersin de las distribuciones muestrales decrece conforme n aumenta.
En una situacin real, es posible que se sepa que la distribucin muestral del estimador se
centra en el parmetro que se desea estimar, pero no se conoce el valor del parmetro.
Lo nico con lo que se cuenta es con la estimacin calculada a partir de las n
observaciones de la muestra.Qu tan lejos estar la particular estimacin del parmetro
estimado? Puesto que el parmetro usualmente se encuentra en el centro de la
distribucin muestral (que es usualmente la media de la distribucin), la distancia entre la
estimacin y el parmetro, a la que se llama error de estimacin, es menor o igual a la
distancia entre el centro y las colas de la distribucin.
De hecho el error de estimacin debe ser menor que dos desviaciones estndar de la
distribucin muestral, con una probabilidad de al menos .75 (Teorema de Tchebysheft)
Tema Auxiliar ** Teorema de Tchebysheff **
Dados un numero k mayor o igual que uno, y un conjunto de observaciones
y1 , y 2 , y 3 ,... y n al menos (1 - 1 / k 2 ) de las observaciones caen dentro de k desviaciones
estndar de la media.
El teorema de Tchebysheff se refiere a cualquier conjunto de observaciones; por lo tanto se
puede aplicar tanto a una muestra como a la poblacin. Con fines de ilustracin se usar
la notacin correspondiente a la poblacin pero tenga presente que lo discutido en este
caso se aplica de manera idntica a la muestra.
Pg. #4
La idea contenida en el teorema de Tchebysheff se ilustra en la figura 3.14. En esta figura se

construye un intervalo midiendo una distancia de k a ambos lados de la media. Note
que el resultado del teorema es cierto para cualquier nmero k siempre y cuando ste sea
mayor o igual a uno. Entonces dentro de este intervalo se tendr una fraccin del
1 1 / k del nmero total de observaciones n.

2
Para entender mejor el resultado del teorema, se calculan algunos valores de la fraccin
1 1 / k
2
. Para k = 1 el teorema afirma que cuando menos 1 - 1/(1)2 = 0 de las
observaciones caen en el intervalo de
, resultado que no proporciona
informacin en absoluto. Pero para k = 2, 1

= 3/4 de las observaciones caen en el
intervalo de 2 a 2 . Cuando menos 8/9 de las observaciones caen dentro de
-1/(2)2
3 desviaciones estndar de la media, es decir dentro del intervalo de
3 a 3
Aunque k = 2 y k = 3 se usan comnmente al aplicar este teorema, el nmero k no tiene

que ser entero. Ntese que a k = 2.5 desviaciones estndar de la media se tienen al menos
1 - 1/(2.5)z = .84 observaciones.
Cuando se aplica el teorema de Tchebysheff a datos de una muestra es posible usar s'
(definido en la seccin 3.7) en lugar de s para construir los intervalos centrados en la
media. s' es una cantidad un poco menor que s y da
intervalos algo ms cortos pero el
asunto es de poca importancia prctica.
Tabla 3.5 Algunos valores de
1 1 / k
2
1 1 / k
3/4
8/9
Puesto que el teorema es tambin cierto cuando se usa s en lugar de s. Adems, para n
grande, s y s son casi iguales.
Pg. #5
Y en una cantidad de casos de .95 (la regla emprica)

Tema Auxiliar ** Regla emprica **
Dada una distribucin de las observaciones con forma aproximadamente

acampanada (como en la figura 3.15), entonces, el intervalo
contiene aproximadamente al 68% de las observaciones.

2 contiene aproximadamente al 95% de las observaciones.
3 contiene casi todas las observaciones.

En sntesis.
Las propiedades de un estimador puntual estn caracterizadas por su distribucin
muestral. Se preferirn estimadores que sean insesgados y tengan desviacin estndar
pequea. Si no es satisfactoria la desviacin estndar de un estimador, sta puede
reducirse aumentando el tamao de la muestra. El error de estimacin ---la distancia
entre la estimacin y el parmetro estimado --- debe ser menor que dos desviaciones
estndar de la distribucin muestral, con una probabilidad de al menos .75 y en muchos
casos cercana a .95.
Para resumir, las propiedades de un estimador puntual estn caracteri zadas por
su distribucin muestral. Se preferirn estimadores que sean insesgados y tengan
desviacin estndar pequea. Si no es satisfactoria la desviacin estndar de
un estimador, sta puede reducirse aumentando el tamao de muestra. El error
de estimacin -la distancia entre la estimacin y el parmetro estimado-debe
ser menor que dos desviaciones estndar de la distribucin muestral, con una
probabilidad de al menos .75 y en muchos casos cercana a .95.
Pg. #6
EVALUACION DE UN ESTIMADOR POR INTERVALO.

La probabilidad de que un intervalo contenga al parmetro que se estima se denomina
coeficiente de confianza.
Como ejemplo prctico puede suponerse que se desca estimar la utilidad
semanal promedio para una compaa pequea, Si se tomaran 10 muestras
cada una de n = 20 observaciones semanales y para cada muestra se
construyera un intervalo de confianza para la media
de la poblacin, es
posible que los intervalos que se obtengan ocurran de manera similar a los que se
muestran en la figura 8,5, Las lneas horizontales representan los 10 intervalos y la
lnea vertical representa el verdadero valor de la utilidad semanal media, Ntese
que, salvo uno, todos los Intervalos contienen a
para estas muestras
particulares
Pg. #7
Un buen intervalo de confianza es aquel que tenga un coeficiente de confianza alto,

cercano a uno, y que sea tan estrecho como sea posible. Entre ms estrecho sea el intervalo
se tendr localizado el parmetro estimado de manera ms precisa.
El coeficiente de confianza d la probabilidad de que la estimacin por intervalo produzca
lmites que contengan al parmetro estimado. Es decir, proporciona una medida de las
confianza que se tiene en los lmites de confianza construidos a partir de los datos en la
muestra. En resumen, la amplitud del intervalo y su coeficiente de confianza asociado miden
la bondad de un intervalo de confianza.
Cul es el efecto del tamao de la muestra sobre la amplitud del intervalo ? Entre mayor
sea la muestra se tiene mayor informacin para construir el intervalo de confianza. Entonces,
para un coeficiente de confianza dado, entre ms grande sea la muestra menor ser la
longitud del intervalo que resulte.
ESTIMACION PUNTUAL DE LA MEDIA DE UNA POBLACION.

Algunos ejemplos que requieren de la media de una poblacin son:
La produccin diaria de una lnea de ensamblado.
La resistencia promedio de un nuevo tipo de acero.
El nmero promedio de accidentes por mes en una empresa.
La demanda promedio para un nuevo producto.
en todos estos casos la estimacin de es una importante aplicacin de inferencia

estadstica as como de los principios de estimador puntual.
Pg. #8
Algunas propiedades resultan inherentes a la distribucin de y, es decir la distribucin

muestral generada por muestreo repetitivo de n observaciones de una poblacin con una
media y una varianza 2 .Se tiene que independientemente de la distribucin de
probabilidad de la poblacin, y tiene las siguientes propiedades.
Pg. #9
Definiendo frmulas.
N = Poblacin
y =Media muestral
n = Tamao de la muestra
= Desviacin estndar poblacional
=Media poblacional
s =Desviacin estndar muestral
Para muestras grandes.
n > = 30
y=
=s
La desviacin estndar de la media muestral.
La cota para el error de estimacin de una media muestral.
La
probabilidad
de que el
error de
estimacin
sea
menor que
esta
cota
aproximadamente de .95; el otro 5% es el margen de error.
Pg. #10
es
Ejemplo 8.1 Pg. 200.

Suponga que se desea estimar la produccin diaria promedio de cierto producto en
una planta de productos qumicos. Se registra la produccin diaria durante n = 50 das
y se obtiene una media y una desviacin estndar de:
Y = 871 tons y s = 21 tons. Estime la produccin diaria promedio
Pg. #11
Ejercicio 8.1 Pg. 200.
Debido a la escasez de agua producida por el calor severo del verano en una
comunidad. el gobierno de la ciudad selecciona al azar n = 100 viviendas para observar
el medidor de agua durante un da y estimar el consumo diario promedio por vivienda
durante un da caluroso. Se obtiene de esta muestra una media y una desviacin
estndar de 117.5 galones y 16.8 galones respectivamente. Estime
el consumo diario
promedio por vivienda en esta comunidad y determine una cota para el error de
estimacin.
Pg. #12
De acuerdo a una investigacin, cuando se intenta evaluar los procedimientos de

control interno de una organizacin mediante un estudio de los libros de contabilidad,
para un negocio de tamao considerable resulta excesivo considerar todas las transacciones efectuadas en un ao o aun en un trimestre. Se efecta una auditoria por me dio
de una muestra de n = 50 transacciones. La media y la desviacin estndar que se
obtienen son de $2160 y $575. Estime
el valor promedio por transaccin, y determine
una cota del error de estimacin.
Pg. #13
La media y la desviacin estndar de la utilidad, despus de los impuestos, de 100

fabricantes para un perodo dado de tiempo resultaron de 4.5 y1.3 centavos por dlar de
ingreso. Estime la media de la utilidad despus de los impuestos para la poblacin de
fabricantes de los cuales se tom la muestra para ese perodo de tiempo y determine
una cota para el error de estimacin.
Pg. #14
ESTIMACIN POR INTERVALO DE LA MEDIA DE UNA POBLACIN
El estimador por intervalo, o intervalo de confianza, puede obtenerse fcilmente a partir

de los resultados de la seccin 8.6. Es posible que
y pueda resultar mayor o menor que
la media de la poblacin aunque no es de esperarse que se desve ms de 2 y de

Por lo tanto, si se escoge (
y 2 y ) como el extremo inferior del intervalo, llamado lmite
inferior de confianza (LIC), y
y 2 como el extremo superior, o lmite superior de

y
confianza (LSC), el intervalo as construido contendr muy probablemente a la

verdadera media de la poblacin
para que la distribucin de
De hecho si n es suficientemente grande como
y sea aproximadamente normal, se espera que
aproximadamente 95% de los intervalos, que se obtuvieron por muestrear repetidas

veces, contendrn a la media de la poblacin
El intervalo de confianza que se describe en el prrafo anterior es llamado intervalo de

confianza de muestras grandes puesto que se requiere que el tamao de muestra sea
suficientemente grande para que el teorema central del lmite garantice la distribucin
aproximadamente normal de
y . Puesto que comnmente se desconoce o es necesario usar
la desviacin estndar de la muestra s para estimar
Por lo general este intervalo de
confianza resulta apropiado cuando n es mayor o igual que 30.
El coeficiente de confianza de .95 corresponde a
2 y ;., o ms preciso a 1.96 y .
Ahora, si se recuerda que .90 de las observaciones en una distribucin normal se

encuentran dentro de z = 1.645 desviaciones estndar de la media (tabla 3 del
apndice) se puede ahora construir el intervalo de confianza al 90% con lmites
Pg. #15
En general es posible construir intervalos de confianza para cualquier coeficiente de

confianza (1 - ) por medio de la frmula que se presenta en el siguiente cuadro.
Intervalo de confianza del (1 -
)100% para
y z / 2
El valor z,
basado en una muestra grande.
z / 2 , de la curva normal que aparece en la frmula para el intervalo de confianza,
se localiza como se ilustra en la figura 8.7. Por ejemplo si se quiere un coeficiente de

confianza de (1 normal es
igual a .95, entonces el rea requerida bajo las colas de la curva
.05 .
S toma la mitad de
(.025) para cada cola de la distribucin. Entonces
z .025 es el valor z
de la tabla 3 del apndice que corresponde a una rea de .475 a la derecha de la media.
Es decir
z .025 = 1.96
Pg. #16
Los lmites de confianza correspondientes a los coeficientes de confianza que se usan ms

frecuentemente se muestran en la tabla 8.1.
Pg. #17
Ejemplo 8.2 Pg. # 203 .

Encuentre un intervalo de confianza del 90% para la media de la poblacin en el
ejemplo 8.1. Recuerde que
y = 871 tons y s = 21 tons.
Solucin: Los limites de confianza para el 90% son:
y 1.645
Al usar s para estimar
se tiene
871
(1.645)
21
871 4.89
50
Por lo tanto se estima que el rendimiento diario promedio
cae en el
intervalo de 866,11 a 875.89 tons. El coeficiente de confianza .90 implica

que en muestreo sucesivo si se determinan los intervalos de confianza para
cada muestra, 90% de los intervalos contendrn a .
Ejemplo 8.3 Pg.204
Se selecciona una muestra de n = 100 empleados de una compaa, se registra el
salario anual de cada empleado en la muestra y se calculan la meda y la
desviacin estndar muestral de los salarios obtenindose
y $7750
s $900
Construya el intervalo de confianza del 95% para el salario promedio de la

poblacin.
Solucin: Los lmites de confianza al 95% son
y 1.96
Usando s corno estimador de
se tiene
Pg. #18
$7750 (1.96)
$900
$7750 $176.40
100
Por - lo tanto, el salario promedio para los empleados de la compaa est

contenido en el intervalo de 47573.60 a $7926.40, con coeficiente de confianza de
0.95
Ejercicio 8.5 Pg.205.
La prediccin del volumen de ventas en una regin geogrfica determinada es una
tarea difcil. A menudo se requiere de una estimacin de los gastos de los
consumidores en una clase especial de productos. En un estudio de mercado
realizado por una compaa de productos derivados del petrleo para determinar
la cantidad gastada en combustibles para calefaccin casera en un ao en
particular para una ciudad determinada, se utiliz el directorio de la ciudad para
seleccionar una muestra aleatoria de n = 64 hogares en la ciudad. La media y la
desviacin estndar muestrales del gasto en combustible para calefaccin fueron
de $ 836 y
$ 178 respectivamente- Encuentre un intervalo de confianza del 90%
para el gasto promedio anual en este tipo de combustible en las viviendas de esa
ciudad.
Pg. #19
Para determinar el rendimiento anual de ciertos valores, un grupo de inversionistas tom

una muestra de n = 50 de esa clase de valores. La media y desviacin estndar resultaron
y 8.71% y s 2.1% .
Estime el verdadero rendimiento anual promedio para esa clase de valores usando un
intervalo de confianza del 90%.
Pg. #20

Para llegar a una negociacin sindical adecuada se requiere un estimador preciso del
salario actual de los empleados sindicalizados. Un agente laboral tom una muestra
de n = 60 elevadoristas sindicalizados. En esta muestra se encontr una media y una
desviacin estndar del salario semanal de los elevadoristas muestreados de $ 147.45 y
$511.60 respectivamente. Determine un intervalo de confianza del 95% para el salario
semanal promedio de todos los elevadoristas sindicalizados.
Pg. #21

Una auditora del inventario de una compaa se realiz seleccionando una muestra al
azar de n = 100 productos en existencia. El precio de venta promedio obtenido en la
muestra fue de $17.50 con una desviacin estndar de $6.75. Construya un intervalo
de confianza de 955 para el precio promedio de todos los artculos en existencia.
Pg. #22
ESTIMACIN CON MUESTRAS GRANDES

Los casos que se consideran en este captulo son inferencias acerca de la media de una
poblacin (secciones 8.6 y 8.7), comparacin de las medias de dos poblaciones, el
parmetro p de una binomial y la comparacin del parmetro binomial de dos
poblaciones.
Las encuestas que se llevan a cabo tienen frecuentemente el objetivo de estimar la
media de la poblacin o un parmetro binomial (proporcin) p. Por ejemplo, el
estimar el nmero de artculos promedio que desaparecen por robo en un
supermercado, es un ejemplo de estimacin del promedio de una poblacin . La
seleccin aleatoria de una muestra de gente para determinar la proporcin de
personas a favor de cierto producto casero tiene como objetivo la estimacin de un
parmetro binomial, p.
Hay tambin encuestas cuyo objetivo es la comparacin de estos parmetros para dos
o ms poblaciones. Por ejemplo, supngase que se planea comprar uno de dos
automviles y que se desea escoger aquel que resulte ms econmico en cuanto a
consumo de gasolina. Se sabe adems que las cifras de estos rendimientos que se
manejan en la publicidad son bastante alejados de la realidad y que el kilometraje por
litro vara considerablemente de un automvil a otro. La decisin puede basarse en una
comparacin de las medias de muestras aleatorias de los dos tipos de automvil,
primer tipo y
n1 del
n 2 del segundo tipo. La decisin se basar en la diferencia de los
rendimientos promedio de los dos tipos de automvil. De manera similar el objetivo

puede ser estimar la diferencia de las proporciones de productos defectuosos para dos
grandes lotes de productos industriales, la estimacin basada en muestras aleatorias
seleccionadas de cada lote.
Pg. #23
Las situaciones descritas anteriormente identifican los cuatro problemas de estimacin

que se presentan en este captulo en que se presentan estimadores para las siguientes
situaciones:
1. La media de una poblacin .
2. La diferencia entre las medias de dos poblaciones.
3. La proporcin de una poblacin.
4. La diferencia entre las proporciones de dos poblaciones.
Como se estableci anteriormente, las distribuciones muestrales de estos estimadores,

cuando el tamao de muestra es grande, poseen propiedades similares, por lo que se
puede dar una forma general para la estimacin puntual por intervalos para los cuatro
problemas de estimacin. Aunque las formas del estimador puntual defieren, la cota del
error de cada uno se presenta en el siguiente cuadro:
Cota para el error de estimacin para un estimador puntual con una muestra grande
Cota del error = 2 desviaciones estndar de la distribucin muestral del estimador puntual.
Cota = 2y
Similarmente los intervalos de confianza con muestras grandes para lo<. cuatro parmetros
se presentan en el cuadro siguiente:
Intervalo de confianza con muestras grandes del (1 -
)100%
Estimador puntual Z / 2 X (desviacin estndar del estimador puntual) donde

obtiene de la tabla 8.1.
1 100%
Z / 2 se
Z /2 y
Pg. #24
ESTIMACIN DE LA DIFERENCIA DE DOS MEDIAS.
Un problema igualmente importante al de la estimacin de una media poblacional es el

de la estimacin de la diferencia entre dos medias poblacionales. Por ejemplo, podra
requerirse estimar el tiempo medio requerido para el ensamblado de un producto industrial
usando dos mtodos alternativos. Los armadores se dividiran en forma aleatoria en dos
grupos, uno de los cuales procedera al ensamblado utilizando el mtodo t y el otro el
mtodo 2. Se podra entonces, hacer inferencias en relacin a la diferencia entre los
tiempos medios requeridos por los dos mtodos. En otro ejemplo similar, suponga que en
una planta qumica, se quiere comparar el rendimiento medio utilizando materia prima de
dos proveedores alternativos, A o B. Si se toman muestras diarias de los rendimientos
utilizando materia prima de A por un lado y de B por el otro, estos pueden ser utilizados
para inferir sobre la diferencia entre los rendimientos medios.
En ambos ejemplos, hay dos poblaciones, la primera con media y varianza

respectivamente, y la segunda con media y varianza
2 , 22 .
1 ,
12 ,
Una muestra aleatoria de
tamao n1 se extrae de la poblacin 1 y otra de tamao n2 de la poblacin 2, en donde se

supone que las muestras han sido extradas de manera independiente la una de la otra.
Sean
y1 , S12 , y 2 y S 22 : los estimadores de los parmetros, calculados con la informacin
muestral.
Pg. #25
El estimador puntual de la diferencia
1 2
de las medias poblaciones, es y1 y 2 ,
la diferencia entre las medias muestrales. Si se repitiese el muestreo y en cada ocasin se

calculase
y 2 , resultara una distribucin del estimador. Cules son las
propiedades de esta distribucin muestral? Se puede demostrar que la distribucin de la

suma o la diferencia entre dos medias muestrales normales e independientes, es normal, y
en el caso de la diferencia, con media
1 2 .
La desviacin estndar para esta distribucin muestral es
en donde
12
22 son
las varianzas poblacionales y n1, n2
los tamaos de muestra
respectivos. La distribucin muestral se ilustra en la figura 8.8. Un resumen de lo anterior se

presenta en el siguiente cuadro.
Pg. #26
Ejemplo 8.4 Pg.208

Una comparacin del desgaste de dos tipos distintos de neumticos para automvil, se
hizo rodando n1 = n2 = 100 neumticos de cada tipo. El nmero de kilmetros-vida de
cada neumtico se anot, en donde km-vida fue definido como el kilometraje andado
antes de que el neumtico quedase en un estado determinado de desgaste. Los
resultados de la prueba fueron los siguientes:
Estime
1 2 , la
diferencia en km-vida medios, y obtenga la cota para el error de
estimacin.
Se esperar que el error de estimacin sea menor que 2(184) = 368 km-vida. Si el
estimador de la diferencia en km-vida medios es 1,300 y el error de estimacin es menor
que 368 (con una alta probabilidad), parece razonable concluir que hay una diferencia
sustancial entre las medias de km-vida de los dos tipos de neumticos. De hecho, el
neumtico 1 es el que se muestra superior al 2 en cuanto a desgaste por rodamiento.
Un intervalo de confianza de ( 1 - ) 100% para (1 - 2)
+-
z /2
Nota.- Si n1 y n2 son mayores o iguales que 30, se puede utilizar s12 s22 en lugar de 12 y 22.
Pg. #27
Ejemplo 8.5 Pg.209

Establezca un intervalo de confianza para la diferencia de los km-vida medios al
problema descrito en el ejemplo 8.4. Utilice un coeficiente de confianza del .99
Solucin:
El intervalo de confianza es
( y1 y 2 ) 2.58
12
n1
22
n2
sustituyendo los resultados del ejercicio 8.4 el intervalo resultante es
1,300 2.58(184)
en otras palabras, LIC 825,
LSC 1,775 y la diferencia de km-vida medios se estima
que se encuentra entre estos dos lmites con una confiabilidad del .99
Note que este intervalo es ms grande que el de
2 ( y1 y2 ) , utilizado en el ejemplo 8.4 ya
que en ste se ha escogido un coeficiente de confianza mayor.
Pg. #28

Un nuevo reglamento sobre la emisin mxima de ruido permisible en camiones y autobuses
de ms de cinco tons en trfico interestatal, limita el nmero de decibeles a 90, medidos a 15
metros, en zonas con velocidad mxima superior a 60 km/h. En zonas de menor velocidad, el
nmero de decibeles tolerado es menor. Con el propsito de estudiar si durante la
instrumentacin del nuevo reglamento se tendr que enfatizar ms el control entre el gremio
de transportistas cargueros o el de compaas de autobuses, se condujo un experimento
consistente en la observacin, a 15 metros, del ruido emitido por 50 camiones y 50 autobuses
en zonas de velocidad mxima superior a 60 km/h. La media muestral del nmero de
decibeles y la desviacin estndar muestral para los camiones fueron 91.5 y 5.2
respectivamente, y para los autobuses 88.6 y 3.8. Encuentre un intervalo de confianza del
95% para la diferencia entre las emisiones medias de ruido de camiones y de autobuses en
las circunstancias descritas.
Pg. #29

Casi todas las escuelas de posgrado requieren de la aprobacin de un examen de admisin
que mide tanto la habilidad verbal como la cuantitativa de los candidatos. Suponga que
uno de estos exmenes, con escala 0-800, se utiliza para comparar a los estudiantes ya
admitidos en dos escuelas distintas. Se seleccionan dos muestras aleatorias consistentes en 75
calificaciones correspondientes a 75 estudiantes de cada una de las escuelas. Los promedios
muestrales y desviaciones estndar calculados son:
escuela l:
y1 = 525
escuela 2:
y2 = 564
S1 = 52
S2 = 0,10
Estime la diferencia entre la calificacin media de los estudiantes de cada una de las
escuelas y d la cota para el error de estimacin.
Pg. #30
ESTIMACIN DEL PARMETRO DE UNA POBLACIN BINOMIAL

Como se ha hecho notar, el objetivo de muchas encuestas es la estimacin de la
proporcin de personas u objetos que poseen un atributo particular. La estimacin de la
proporcin de las ventas que pueden esperarse al establecer contacto con un gran
nmero de clientes es un ejemplo de un problema prctico que requiere la estimacin
de un parmetro binomial p.
El mejor estimador de un parmetro binomial p es, de nuevo, aquel que se hubiera
escogido intuitivamente. Esto es, el estimador de p, que se denotar por el smbolo
p , es el nmero total de xitos y, dividido entre el nmero de esnayos, n, es decir:
y
n
en donde y es el nmero de xitos en n ensayos.
Cuando se dice que
p es el mejor estimador, significa que p es insesgado y que su
varianza es menor que la de cualquier otro posible estimador insesgado.
Debido al teorema central del lmite, el estimador

Resulta que
p posee una distribucin normal.
p es insesgado para la proporcin de la poblacin p y su desviacin estndar
est dada por:
pq
n
donde p es la proporcin desconocida de la poblacin, q = (1-p), y n es el tamao de

muestra. Entonces de acuerdo a la seccin 8.8 se da en el siguiente cuadro el
procedimeitno para la estimacin puntual de p.
Pg. #31
Se considera que el tamao de muestra es grande cuando se puede suponer que la

distribucin de
p se aproxima adecuadamente a la distribucin normal.
La nica dificultad que se encuentra en el procedimiento es el clculo de
que
requiere usar p y q = (1 - p) que son desconocidos. Como se ver se habr de sustituir

en lugar del parmetro p en la frmula para
Cuando n es grande, el error que se comete por esta substitucin es bastante pequeo.
En realidad la desviacin estndar
pq
n cambia slo ligeramente cuando p vara. Este
hecho puede ser observado en la tabla 8.2 en donde se exhibe
Pg. #32
pq para diversos valores de p. Ntese que pq cambia muy poco cuando p cambia,
especialmente cuando p es cercano a .5.
Ejemplo 8.6 Pg.212
Una muestra aleatoria de n = 100 electores en una comunidad produjo y = 59 electores en
favor del candidato A. Estime la fraccin de electores a favor del candidato A y
determine una cota para el error de estimacin.
Solucin:
Interpretacin de la curva.
Por lo tanto el intervalo si contiene a p.
Pg. #33
Ejercicio 8.12 Pg.212

Una liga nacional de sindicatos obreros necesita estimar la proporcin de obreros no
sindicalizados que estaran a favor de una huelga nacional. Sesenta de 200 obreros
entrevistados en centros laborales no sindicalizados se encontraron a favor de la huelga.
Estime la proporcin de obreros no sindicalizados que estn a favor de la huelga y
determine una cota a para el error de estimacin.
Pg. #34

Generalmente los estudios de factibilidad de proyectos requieren de una medida de la
demanda para determinar la redituabilidad potencial de un bien o servicio. En un estudio
para determinar la factibilidad de aumentar la programacin de televisin con apoyo
gubernamental, un investigador en encontr que 76 de 180 viviendas con televisor
seleccionadas totalmente al azar ven programas con apoyo gubernamental al menos
dos horas a la semana. Encuentre
usted un intervalo de confianza del 90% para la
proporcin p de viviendas con televisor que ve al menos 2 horas a la semana de

programas patrocinados por el gobierno.
Pg. #35
ESTIMACIN DE LA DIFERENCIA ENTRE 2 PROPORCIONES.

Supngase que las poblaciones 1 y 2 poseen parmetros p1 y p2 respectivamente y que se
toman muestras aleatorias independientes de n1
y n2 ensayos respectivamente y se
calculan estimaciones p 1 y p 2
Como consecuencia del teorema central de lmite entonces, al igual que en el caso
de la diferencia de dos medias muestrales, la diferencia en las proporciones
muestrales p 1 p 2
sigue una distribucin muestral que es aproximadamente normal cuando am bos p1 y
p2
son grandes. Adems se establece aqu, sin demostracin, que el estimador
p 1 p 2 es un estimador insesgado de la diferencia p1 y p2 de las proporciones de
la poblacin y posee una desviacin estndar dada por:
donde p1 y p2 son las proporciones en las dos poblaciones, q 1 = (1 p 1 ), q z = (1 - pz), y n 1

y n 2 los tamaos de muestra seleccionada en cada una de las dos poblaciones.
Usando el procedimiento de la seccin 8.8 se presenta a continuacin el estimador para
(p1 - p2).
Pg. #36
Estimacin puntual de ( pi -- p2 )
Estimador:
( p 1 p 2 )
2 ( p1 p 2 ) 2
Cota del error:
Nota: los estimadores
p 1
y p 2
p1 q1 p 2 q 2
n1
n2
son usados en lugar de
p1 y
p2
para obtener la
cota del error de estimacin,
El intervalo de confianza del (1 -
) para usarse cuando n1 y n 2
son ambos grandes
se exhibe en el siguiente cuadro,

Intervalo de confianza del (I --
( p 1 p 2 ) z / 2
)100% para ( p1 p 2 )
p1 q1 p 2 q 2
n1
n2
Pg. #37
Ejemplo 8.7 Pg.214

Un fabricante de insecticidas en presentacin aerosol desea comparar dos productos
nuevos, l y 2, Se emplean en el experimento dos cuartos del mismo tamao, cada uno con
1000 moscas. En uno se roca el insecticida 1 y en el otro se roca el insecticida 2 en igual
cantidad. Se obtienen totales de 825 y 760 moscas muertas por accin de los insecticidas 1 y
2 respectivamente. Estime la diferencia de la proporcin de xitos para los dos insecticidas
cuando se usan en condiciones similares a las probadas
Pg. #38

En una encuesta realizada entre los accionistas de una compaa 300 de 500 hombres
estuvieron a favor de lanzar una nueva lnea de productos, mientras 64 de 100 mujeres
apoyaron el proyecto. Estime la diferencia de las proporciones de personas que
favorecen la decisin y determine una cota para el error de estimacin.
Pg. #39
SELECCIN DEL TAMAO DE MUESTRA.

El diseo de un experimento es esencialmente un plan para conseguir cierta cantidad de
informacin. Esta informacin, como cualquier otro bien o servicio puede ser adquirida a
precios que varan dependiendo de la forma en que sean obtenidos los datos.
El procedimiento de muestreo o el diseo experimental, como se le llama
comnmente, influye en la cantidad de informacin por observacin. Este, junto con el
tamao de la muestra n, determina la cantidad total de informacin relevante en la
muestra.
Poco es lo que puede avanzarse en la planeacin de un experimento antes de enfrentar al
problema de determinar el tamao de la muestra. cuntas observaciones pueden ser
incluidas en la muestra?
Seguro es que la cantidad de informacin total en la muestra afectar la bondad del
mtodo de inferencia a utilizar y debe ser especificada por el experimentador. En lo que se
refiere especificamente el problema de estimacin, la precisin deseada puede ser
determinada al fijar una cota para el error de estimacin.
Ejemplo S/N Pg.216
Suponga que se desea estimar el rendimiento diario promedio de de un producto qumico,
y se desea que el error de estimacin sea menor que 4 tons. Con una probabilidad de .95
Puesto que aproximadamente 95% de las medidas muestrales caern dentro de
de distancia de
est pidiendo es
al repetir el procedimiento
2 y = 4 (ver figura 8.9)
2 y
de muestreo una y otra vez, lo que se
Pg. #40
Entonces
2 y = 4
2
4
n
y resolviendo para n se tiene
2
4
Este es el tamao de muestra mnimo tal que el error de estimacin ser menor que
2 y ,
con probabilidad de .95.

Como se habr notado no es posible encontrar un valor numrico para n a menos que la
desviacin estndar de la poblacin sea conocida. Y esto es precisamente lo que era
de esperarse puesto que la variabilidad de la media muestral
y depende de la
variabilidad de la poblacin de la cual la muestra fue tomada. A falta del valor exacto
de , se deber usar la mejor aproximacin disponible. Este puede ser el estimador s
obtenido de una encuesta previa o puede usarse el conocimiento de la amplitud en la
cual las observaciones caen. Puesto que la amplitud es aproximadamente de 4 (la
regla emprica), un cuarto de la amplitud proporciona un valor aproximado para .
Ejemplo, se usan los resultados del ejemplo 8.1 que proporcionan una estimacin bastante
precisa de = s =21 Entonces:
2
4
= (21) 2 = 110.25 = 111

4
Si en este caso se usa una muestra de tamao n = 111 se estar razonablemente seguro (
con probabilidad aproximada de .95) de que el estimador caer dentro de 2y = 4 tons de
distancia de , el verdadero rendimiento promedio diario.
De hecho se espera que el error de estimacin sea menor que 4 tons. De acuerdo a la
regla emprica se tiene una probabilidad aproximada de .68 de que el error de estimacin
se a menor que y = 2 tons. Debe notarse que la probabilidad de .98 y .95 son aproximadas
puesto que fue sustituido por s. Aunque es mtodo para seleccionar el tamao dela
muestra es solo aproximado para una precisin deseada en la estimacin, es el mejor
disponible, y resuelta por supuesto mejor que seleccionar el tamao de la muestra
basndose solamente en la intuicin.
Pg. #41
Pg. #42
Ejemplo 8.8 Pg. 217

Uno de los mayores problemas que enfrentan las organizaciones que dependen de la
informacin de los consumidores para disear sus polticas es la dificultad de seleccionar
consumidores que respondan al cuestionario de la encuesta. Chervany y Heinlen reportan
su experiencia con encuestas piloto para determinar tasas de respuesta para diferentes
versiones de un cuestionario.
Suponga que un ejecutivo de la organizacin desea estimar la tasa de respuesta para un
cuestionario recientemente diseado y quiere basar su estimacin en la tasa de respuesta
obtenida en una encuesta piloto. Cuntos consumidores deben seleccionarse en la
encuesta piloto si el ejecutivo desea estimar p, la tasa de respuesta, con una probabilidad
de .90 de que el error de estimacin sea menor que .06? Suponga que se espera que p
est cercano a .6
Pg. #43
Ejemplo 8.9 Pg. 218

Un experimentador desea comparar la efectividad de dos mtodos de entrenamiento
industrial para obreros que han de llevar a cabo una operacin especial en una planta
armadora. Los empleados seleccionados se dividen en dos grupos. El primer grupo recibe
el mtodo l, el segundo el mtodo 2. Cada uno realizar la operacin de armado y se
registra el tiempo que emplea en realizar la operacin. Se espera que las observaciones en
ambos grupos tengan un rango de 8 minutos. Si se desea que el estimador de la diferencia
en tiempo medio de armado sea correcta hasta por un minuto, con probabilidad
aproximada de .95, cuntos trabajadores han de incluirse en cada grupo?
Pg. #44
Ejercicio 8.20 Pg. 219

Los productos defectuosos resultan costosos para el fabricante en trminos de costo por
reemplazo y en trminos de deterioro de la imagen del producto ante el pblico
consumidor. Un fabricante de tocacintas porttiles confa en que a lo ms 10% de los
productos fabricados por su empresa resultan defectuosos. Si se desea estimar la
proporcin actual de tocacintas defectuosos dentro de un .03, cuntos tocacintas
deben ser seleccionados en la muestra?
Pg. #45

Es el costo de operacin de los autos subcompactos notablemente menor que el de los
autos compactos? De acuerdo a un artculo en el U.S. N e w s a n d W o r l d R e p o r t , *
la respuesta es no necesariamente. Para investigar este tema una agencia privada desea
estimar la diferencia en el costo promedio de operacin por milla de sub-compactos y
compactos con una precisin de menos de I centavo por milla, con probabilidad
aproximada de .95. Si se sabe por experiencia que la desviacin estndar de los costos
de operacin es de 3 centavos, cuntos autos han de considerarse en cada grupo si se
desea usar el mismo nmero de autos en cada grupo?
Pg. #46
FASE II
PRUEBA ESTADSTICA DE UNA HIPTESIS
Partes de una prueba estadstica.
El objetivo de una prueba estadstica es probar una hiptesis acerca de uno ms
parmetros de una poblacin. En una prueba estadstica se encuentran involucrados los
siguientes cuatro elementos:
1. Hiptesis nula.
2. Hiptesis alternativa.
3. Estadstica de prueba.
4. Regin de rechazo.
Al especificar estos cuatro elementos queda definida una prueba en particular; y al
cambiar una o ms de estas partes se produce una prueba diferente. La relacin entre las
hiptesis nula y alternativa se discuti en la seccin 6.9. La hiptesis alternativa o hiptesis
de investigacin es aquella que el investigador desea apoyar. La hiptesis nula es la
contradiccin de la hiptesis alternativa; esto es, si la hiptesis nula es falsa, la hiptesis de
investigacin (alternativa) debe ser cierta. Por las razones que se vern adelante, es ms
fcil mostrar apoyo de la hiptesis de investigacin al presentar evidencia (datos
muestrales) indicando que la hiptesis nula es falsa. Esto es, se busca evidencia en favor de
la hiptesis de investigacin mediante el uso de un mtodo que resulta similar a una
demostracin por contradiccin.
Aunque se desea obtener evidencia que apoye a la hiptesis alternativa (que se denotar
por el smbolo
H a ), es la hiptesis nula (denotada por el smbolo H o) la hiptesis que ser
probada. Entonces H o especifica los valores de la hiptesis para uno o ms parmetros de

la poblacin. Por ejemplo se puede estar interesado en probar la hiptesis nula de que la
media de una poblacin es igual a 50, con la esperanza de mostrar que en realidad sta
excede a 50.
Pg. #47
O puede estarse interesado en probar la hiptesis nula de que las medias de dos
poblaciones, 1 y 2, son iguales, esperando demostrar que en realidad, por ejemplo, 1, es
mayor que 2 .
La decisin de aceptar o rechazar la hiptesis nula se basa en la informacin contenida en
la muestra tomada de la poblacin de inters. Los valores muestrales se usan para calcular
un nmero que corresponde a un punto en la lnea, el cual funciona como variable de
decisin. A esta variable de decisin se le llama estadstica de prueba. El conjunto de
todos los posibles valores que la estadstica de prueba puede tomar se divide en dos
conjuntos, o regiones, uno que corresponde a la regin de rechazo y el otro que
corresponde a la regin de aceptacin. Si la estadstica de prueba, al ser calculada a
partir de una muestra en particular, toma un valor que se encuentra en la regin de
rechazo, entonces se rechaza la hiptesis nula y la hiptesis alternativa o de investigacin
es aceptada. Si la estadstica de prueba toma un valor en la regin de aceptacin,
entonces se acepta la hiptesis nula o bien se considera que no hubo evidencia para
rechazarla. Adelante se explican las circunstancias que conducen a esta ltima decisin.
El procedimiento de decisin antes descrito est sujeto a dos tipos de error. Estos errores son
inherentes a todo problema de decisin en donde se tengan dos selecciones posibles.
Puede rechazarse la hiptesis nula Ho cuando en realidad es verdadera o puede
aceptarse H0 cuando es falsa y alguna alternativa cierta. Estos errores se conocen con el
nombre de error tipo I y error tipo II respectivamente.
Definicin
Un error tipo I en una prueba estadstica es el error que se comete al rechazar la hiptesis
nula cuando sta es cierta. La probabilidad de cometer el error tipo I se denota por el
smbolo .
Un error tipo II en una prueba estadstica es el error que se comete al no rechazar la
hiptesis nula cuando sta es falsa. La probabilidad de cometer el error tipo II se denota
por el smbolo
Pg. #48
Las dos posibilidades para la hiptesis nula, esto es ser falsa o verdadera, junto con las dos
posibles decisiones del experimentador se presentan en la tabla de doble entrada, tabla
8.3. La ocurrencia de los errores tipo 1 y tipo II se seala en la tabla.
La
bondad
de
una
prueba
estadstica
de
hiptesis
se
evala
mediante
las
,probabilidades de cometer los errores tipo I y tipo II, que se denotan por los !smbolos
y
respectivamente. Estas probabilidades, calculadas para las pruebas estadsticas
elementales que se presentaron en el captulo 6 (distribuciones discretas), ilustran la

relacin bsica entre y
y el tamao de muestra n. Puesto que es la probabilidad
de que la estadstica de prueba caiga en la regin crtica (regin de rechazo),

suponiendo cierta Ho, un incremento en el tamao de la regin crtica aumenta , y
simultneamente disminuye
para un tamao de muestra fijo. El reducir el tamao de
la regin crtica disminuye y aumenta
Si se aumenta el tamao de muestra
entonces, se tiene ms informacin en la cual basar la decisin y ambas y
decrecern.
La probabilidad
, de cometer el error de tipo II, vara dependiendo del verdadero valor
del parmetro de la poblacin. Por ejemplo suponga que se desea probar la hiptesis
nula de que el parmetro binomial p es igual a p o = .4 (se usa un subndice 0 para indicar
el valor del parmetro especificado por Ho).
Pg. #49
Suponiendo que Ho es falsa y que p es en realidad igual a un valor alternativo, digamos

pQ. Qu valor alternativo ser detectado ms fcilmente p Q = .4001 p Q = 1.0? Por
supuesto si p es en realidad igual a 1.0, cada ensayo ser un xito y los resultados
muestrales producirn una fuerte evidencia en apoyo del rechazo de Ho : po = .4. Por
otra parte,
p a = .4001 est tan cercano a p o = .4 que ser extremadamente difcil
detectar pa a menos de que se tenga una muestra muy grande. En otras palabras, la
probabilidad
de aceptar Ho vara dependiendo de la diferencia entre el verdadero
valor de p y el valor de la hiptesis nula po.
La grfica de la probabilidad
de error de tipo II como funcin del valor verdadero del
parmetro se llama curva caracterstica de operacin para la prueba estadstica.

Puesto que la regin de rechazo se especifica y se mantiene constante para una prueba
dad, tambin permanece constante y, como en el ejemplo de muestreo de aceptacin,
la curva caracterstica de operacin describe las caractersticas de la prueba estadstica. Un
aumento en el tamao de la muestra, n, reduce para todo valor del parmetro a probar.
Entonces se tiene una curva caracterstica de operacin para cada tamao de muestra.
Pg. #50
Idealmente se tendrn algunos valores
que midan los riesgos de los respectivos
errores que el experimentador est dispuesto a tolerar, Tambin se tendr en mente

alguna desviacin del valor de la hiptesis Ho, que se considera de importancia
prctica y , que se desea encontrar. La regin de rechazo para la prueba se
encontrar de acuerdo al valor
. Finalmente se selecciona
para alcanzar un valor aceptable para
un tamao de muestra n
para la magnitud de desviacin que se
desea detectar. Esto puede hacerse rnediante el uso de las curvas caractersticas de
operacin para distintos tamaos de muestra para la prueba seleccionada.
En la prctica, por lo comn
es desconocido, ya sea porque nunca se calcul antes de
realizar la prueba o porque puede resultar extremadamente difcil de calcular para la

prueba, Entonces, en lugar de aceptar la hiptesis nula cuando la estadstica de prueba cae
en la regin de aceptacin debe de reservarse la decisin. Esto es, no debe aceparse la
hiptesis nula, a menos que se conozca el riesgo (medido por
de tomar la decisin
incorrecta. Ntese que esta situacin de no conclusin" no se presenta cuando la

estadstica de prueba cae en la regin de rechazo. En este caso la hiptesis nula puede rechazarse (y la alternativa aceptarse) puesto que se conoce el valor de
de rechazar la hiptesis nula cuando es cierta. El hecho de que
, la
probabilidad
es a menudo
desconocido explica el porqu se pretende apoyar la hiptesis alternativa por medio de un

rechazo de la hiptesis nula.
Cuando se toma esta decisin la probabilidad
de que la decisin sea incorrecta es
conocida,
Se ver en el texto como la hiptesis alternativa
H a ayuda en la localizacin de la regin de
rechazo.
Pg. #51
PRUEBAS ESTADSTICAS CON MUESTRAS GRANDES

Las
pruebas
de
hiptesis
, p, (1 2 ), y ( p1 p 2 )
usando
muestras
grandes,
acerca
de
los
parmetros
se basan en estadsticas de prueba que siguen una distribucin
normal y por esta razn pueden considerarse como una misma prueba. el razonamiento
involucrado, se presentar en forma muy general, haciendo referencia al parmetro de inters
Puede pensarse que
representa a
, ( 1 2 ) , p
( p1 p 2 )
Suponga que se desea probar una hiptesis acerca del parmetro

insesgado
el
y que se tiene un estimador
cual sigue una distribucin normal con desviacin estndar
Si la hiptesis
nula
H 0 : 0
es cierta, entonces la distribucin muestral de
es normal con media 0 , cmo se muestra en la
figura 8.10.
Suponiendo que el objetivo es obtener evidencia para mostrar que

hiptesis alternativa es
H a : 0,
es
y se rechazar la hiptesis nula cuando
"muy grande" significa muchas desviaciones estndar
alejado de
0 .
mayor que
0 ,
la
sea muy grande;
La regin de rechazo
se muestra en la figura 8.10.
Pg. #52
El valor de
que separa la regin de rechazo y la regin de aceptacin, denotado por el
smbolo C, se denomina el valor crtico. La probabilidad de rechazo, suponiendo cierta la hiptesis

nula Ho es igual al rea bajo la curva normal que queda sobre la regin de rechazo. Esta rea
aparece sombreada en la figura 8.10. Si se desea =.05, se rechaza la hiptesis nula cuando
est a ms de 1.645 a la derecha de
0 .
Definicin
Una prueba estadstica de una sola cola es aquella en la que la regin de rechazo se localiza en
solamente un extremo de la distribucin muestral de la estadstica de prueba. Para detectar
la regin de rechazo debe situarse en la cola (extremo) superior de la distribucin de
detectar
< 0
es mayor que
es meno que
>
. Para
la regin de rechazo debe situarse en la cola inferior de la distribucin de
Si se desea detectar discrepancias del tipo
0 .
0 , la hiptesis
alternativa es
En este caso la probabilidad
de error de tipo I se reparte por igual entre las dos colas de la
distribucin normal, obtenindose como resultado una prueba estadstica de dos colas.
Definicin
Una prueba estadstica de dos colas es aquella que sita la regin crtica en ambas colas de la
distribucin muestral de la estadstica de prueba. Las pruebas de dos colas se usan para detectar
ya sea cuando
El clculo de
0 .
para pruebas estadsticas de una sola cola ha sido descrito anteriormente y puede
facilitarse si se considera la figura 8.11.
Pg. #53
Cuando
H 0 es falsa y a
en lugar de
0 .
la estadstica de prueba
La distribucin de
curva normal slida. La distribucin de
sigue una distribucin normal con media
suponiendo a ,
se ilustra en la figura mediante una
bajo Ho que se ilustra con una curva punteada, se usa
para localizar la regin de rechazo y el valor crtico C para la estadstica de prueba
es la probabilidad de aceptar Ho dado
a , es
. Puesto que
igual al rea bajo la curva slida
localizada sobre la regin de aceptacin.

El tamao de muestra debe ser suficientemente grande para que el estimador se distribuya
aproximadamente normal de acuerdo al teorema central del lmite
TEMA AUXILIAR PARA LA COMPRENSIN DE CONCEPTOS
Teorema Central de lmite (Pg.# 162,164 y 165)

Establece que bajo condiciones generales, sumas y medias de muestras aleatorias tienden a
poseer una distribucin acampanada en un muestreo repetitivo.
Si se extraen muestras de tamao n de una poblacin con media finita
, entonces, si n es grande, la media muestral y

con media
y desviacin estndar
y desviacin estndar
tiene una distribucin aproximadamente normal
/ n . La aproximacin es mejor a medida que n crece.
La importancia del teorema central del lmite reviste en dos aspectos.

1.
Explica el porque algunas distribuciones tienen una distribucin aproximadamente normal.
2.
La inferencia estadstica. (Cuando el tamao de la muestra sea lo suficientemente grande,

se espera que el estimador tenga una distribucin aproximadamente normal, en un
muestreo repetitivo)
Pg. #54
y permita una estimacin razonablemente buena de su desviacin estndar. Es posible ahora

probar hiptesis acerca de
, p, (1 2 ),
( p1 p 2 )
La mecnica del procedimiento de prueba se simplifica al usar
como estadstica de prueba.
Debe notarse que z es simplemente la desviacin respecto a

normalmente distribuida,
con
de una variable aleatoria
, expresada en unidades de . Entonces para una prueba de dos colas
= .05, se debe rechazar Ho cuando z > -1.96 z < -1.96, puesto que P(z < -1.96 z > 1.96)= .05
cuando Ho es cierta, el mtodo de inferencia usado en una situacin dada depende a menudo de
la preferencia del experimentador. Algunas personas desean expresar su inferencia como un
estimador,
otras
prefieren
probar
una
hiptesis
acerca
del
parmetro
de
inters.
Pg. #55
Ejemplo 8.10 Pg. 225

Con los datos del ejemplo 8.1, pruebe la hiptesis de que el rendimiento promedio diario
del producto qumico es = 880 tons contra la alternativa de que es mayor menor
que 880 tons por da. La muestra basada en n = 50 observaciones produce una
y = 871 y s
= 21 tons.
Pg. #56

Se sabe que aproximadamente 1 de 10 fumadores prefiere la marca de cigarrillos A.
Despus de una campaa publicitaria en una regin, se entrevist a 200 fumadores para
determinar la eficiencia de la campaa. El resultado de esta muestra es que un total de 26
personas indicaron preferencias por la marca A. puede considerarse que estos datos
presentan evidencia suficiente para indicar un aumento en la aceptacin de la marca A?.
Pg. #57

Buscando reducir el gasto anual de gasolina de 350 millones de galones, el Servicio Postal
de los Estados Unidos ha adquirido algunas vagonetas elctricas para el correo a manera
experimental. Los expertos suponen que se producir un ahorro si se usan las vagonetas
elctricas en las rutas planas y se hace uso de aquellas horas con tarifa elctrica
reducida para recargar las unidades. Se hace un experimento para comparar los costos
de operacin en el que se usan n1 = 100 vagonetas de gasolina y n2 = 100 vagonetas
elctricas. El costo por milla para operar los vehculos de gasolina es en promedio
y =
6.70 centavos por milla con una varianza de s 2 = .36 mientras que para las vagonetas
elctricas se observ una media y una varianza del costo de operacin por milla de
y =
6.54 y sz = .40 respectivamente. Muestran estos datos evidencia suficiente para indicar
una diferencia significativa en el costo promedio de operacin entre los vehculos
convencionales de gasolina y las vagonetas elctricas?
Pg. #58
Ejercicio 8.27Pg. 232

Se estudia el rendimiento de dos tipos de valores, el valor tipo A y el valor tipo B. El
rendimiento de estos slo se conoce hasta despus de la venta. Se tienen registra das 30
tasas de rendimiento anterior para valores tipo A y 36 para valores tipo B.
De estas
muestras se obtuvieron las estadsticas en la tabla siguiente.
Presentan estos datos suficiente evidencia de que existe una diferencia en el

rendimiento de ambos valores? Use
.10
Pg. #59

En un estudio para averiguar los efectos de usar modelos femeninos en la publicidad
para automviles, a un grupo de 50 hombres, el grupo A, se le mostr la fotografa de un
automvil con una modelo femenina y la de otro automvil del mismo precio pero sin
modelo. A otro grupo, el grupo B, de 50 hombres se les mostraron ambos automviles sin
modelo femenina. En el grupo A el automvil que apareca con la modelo fue
considerado ms lujoso por 37 de los entrevistados, en el grupo B el mismo automvil fue
juzgado como ms lujoso por 23 de los entrevistados. Se considera que estos datos; indican que el usar una modelo femenina influye en el lujo aparente de un automvil? Use
una prueba de una sola cola con
= .05
Pg. #60
EJERCICIOS COMPLEMENTARIOS (DE TODO UN POCO PARMETROS E HIPTESIS)

8.36 (Pg. # 235) En un estudio sobre ventas industriales varios investigadores encuestaron 500
empresas que realizan ventas industriales y encontraron que el costo promedio de negociacin por
operacin fue de $11,336, con desviacin estndar de $1,951.* Estime el costo promedio de
negociacin por operacin de todos los vendedores industriales y determine una cota para el error
de estimacin.
8.37 (Pg. # 235) Use un coeficiente de confianza de .99 para calcular un intervalo de confianza para
el costo medio de negociacin por operacin para los vendedores industriales del ejercicio 8.36.
Pg. #61
8.38 (Pg. # 235) Los fabricantes de equipo fotogrfico han introducido muchos productos novedosos
en los aos recientes. Un nuevo tipo de bombilla para flash fue sometida a prueba para estimar la
probabilidad p de que produzca la salida de luz requerida durante el tiempo apropiado. Una
muestra de 1000 bombillas fue probada y se observ que 920 de ellas funcionaron de acuerdo a las
especificaciones. Estime p y determine una cota para el error de estimacin.
8.39. (Pg. # 235) Calcule un intervalo de confianza al 99% para el parmetro p del ejercicio 8.38.
D una interpretacin de este intervalo.
Pg. #62
8.41. (Pg. # 235) La media y la desviacin estndar de 49 compras a crdito de los clientes
de una cadena de almacenes resultaron $6.50 y $2.10 respectivamente. Encuentre un
intervalo de confianza del 98%, para la media de las compras a crdito de todos los clientes
que usan crdito en el almacn.
Pg. #63
8.42. (Pg. # 235) Se registr el porcentaje de pginas que tienen al menos un error de
mecanografa escritas por una secretaria que us una mquina de escribir estndar y luego una
mquina elctrica. Para la mquina estndar, 64 de 200 pginas tenan al menos un error de
mecanografa; en cambio para la elctrica 36 de 180 tenan errores. Estime la diferencia del
porcentaje de pginas que contienen al menos un error cuando se usa la mquina estndar y
cuando se usa la mquina elctrica. Determine la cota para el error de estimacin.
Pg. #64
8.44. (Pg. # 235) Un auditor, al examinar una muestra aleatoria de 64 cuentas de crdito, encontr un
error promedio por cuenta de -$42 con desviacin estndar de 16. Construya un intervalo de confianza
para el error promedio por cuenta usando un coeficiente de confianza del .95.
Pg. #65
8.45.(Pg. # 235) Una compaa transnacional instituy recientemente un programa de seguridad

en el trabajo para reducir el tiempo perdido debido a accidentes de trabajo. En los 48 meses
siguientes a la implantacin del programa el tiempo perdido a causa de accidentes de trabajo
promedi 91 horas por mes con una desviacin estndar de 14 horas. En los 50 meses anteriores al
programa de seguridad el tiempo perdido debido a accidentes promedi 108 horas por mes con
desviacin estndar de 12 horas. Estime la diferencia del tiempo promedio perdido debido a
accidentes de trabajo antes y despus del programa de seguridad. Determine la cota para el
error en su estimacin.
8.46.(Pg. # 235) Con los datos del ejercicio 8.45, estime la diferencia en tiempo perdido por mes
usando un intervalo de confianza del 90%.
8.67. (Pg. # 237) Con relacin al ejercicio 8.45, indican los datos que el programa de
seguridad tiene buen xito en reducir el tiempo perdido debido a accidentes? Use un nivel de
significancia de .05.
Pg. #66
8.47.(Pg. # 236) Los fabricantes de pelotas de golf usan un concepto cientfico llamado
coeficiente de restitucin que se define como el cociente de la velocidad rela tiva de la pelota y
el palo despus del impacto sobre la velocidad relativa antes del impacto. Un fabricante que ha
desarrollado un nuevo tipo de pelota de golf desea compararla con la estndar de su
compaa. Cincuenta pelotas del nuevo tipo y 50 de las pelotas estndar se someten a la
prueba. Los resultados se presentan en la siguiente tabla.
Estime la diferencia en el coeficiente medio de restitucin para la nueva pelota y la

pelota estndar de la compaa. Determine una cota para el error de estimacin.
8.48.(Pg. # 236) Estime la diferencia en el coeficiente promedio de restitucin para los dos tipos
de pelotas de golf del ejercicio 8.47, usando un coeficiente de confianza del .99.
8.68. .(Pg. # 237) Considere los datos del ejercicio 8.47. Considera usted que los resultados
indican que hay diferencia en el coeficiente promedio de restitucin entre el nuevo tipo de
pelota y la pelota estndar? Use
=.01.
Pg. #67
8.51.(Pg. # 236) De la experiencia previa se sabe que la desviacin estndar del salario anual
de los trabajares de la industria textil en cierto estado de los Es tados Unidos es de $400. De
qu tamao necesita ser una muestra de trabajadores textiles de ese estado si se desea
estimar la media de la poblacin con un error de no ms de $50.00 con una probabilidad
aproximada del .95 de estar en lo correcto? Dado que la media de la muestra en este
problema es de $4800, determine un intervalo de confianza del 95% para la media de la
poblacin.
Pg. #68
8.52.(Pg. # 236)Cuntos votantes deben incluirse en una muestra para determinar la proporcin
de votos populares a favor de un candidato a la presidencia en las elecciones nacionales si se
desea una estimacin correcta dentro de .005? Suponga que el porcentaje real est en la
vecindad de .5.
Pg. #69
8.53.(Pg. # 236) Un ingeniero de control de calidad desea estimar la proporcin de defectuosos

en un lote de bombillas elctricas. De experiencia previa, l cree que esa proporcin es
aproximadamente .2. De qu tamao debe tomar su muestra si desea estimar la proporcin
con un error dentro de .01 usando un intervalo de confianza del 95%?
Pg. #70
8.56. (Pg. # 236) Se desea estimar la diferencia en el tiempo promedio de armado de una
componente electrnica para dos obreros de una compaa. Se quiere que la estimacin sea
correcta dentro de un rango de 2 minutos con probabilidad de .95. Si la desviacin estndar del
tiempo de armado es aproximadamente igual a 6 minutos, cuntos tiempos de armado de la
componente deben registrarse para cada trabajador si se observara cada uno el mismo nmero de
veces?
Pg. #71
8.57. (Pg. # 236) La Comisin de Carreteras del Estado de Florida en los Estados Unidos ha
instituido recientemente una campaa de inspeccin a fin de reducir los accidentes en carreteras
ocasionados por fallas mecnicas. Se selecciona para su inspeccin una muestra aleatoria de 100
automviles. De estos 20 se encuentran con fallas en el sistema de frenos. Construya un intervalo
de confianza del 95% para el porcentaje de automviles en la carretera de Florida que tienen
fallas en el sistema de frenos. Suponga que se requiere una estimacin ms precisa que la ya
obtenida. De qu tamao ser necesaria una muestra para reducir la cota del error de
estimacin a .04?
Pg. #72
8.59. (Pg. # 237) Los salarios diarios de una industria se distribuyen normalmente con media $43.20 y
desviacin estndar $2.50. Si se toma una muestra de 40 obreros seleccionados al azar de una
compaa de esa industria y se encuentra un salario promedio de $42.20, puede acusarse a esa
compaa de pagar salarios inferiores al 1% de nivel de significancia? Interprete sus resultados.
Pg. #73
8.60. (Pg. # 237) Un fabricante de lavadoras de ropa automticas produce un modelo en tres
colores diferentes A, B y C. De las primeras 1000 lavadoras vendidas se observa que 400 fueron del
color A. Concluira usted que ms de 1/3 de todos los clientes tienen preferencia por el color A? Use
= .01.
Pg. #74
8.69. (Pg. # 237) Una encuesta de hbitos de consumo se llev a cabo en las ciudades de
Boston y Seattle en los Estados Unidos. En Boston fueron entrevistadas 200 amas de casa y se
encontr que en promedio gastan al mes $190 en alimentos, con una desviacin estndar de
$25. En Seattle se entrevistaron 175 amas de casa y se obtuvo un promedio de $180 con una
desviacin estndar de $35. Use un nivel de significancia de .05 para probar la hiptesis de que
no hay diferencia en la cantidad promedio gastada en alimentos por las amas de casa de
Boston y Seattle. Interprete sus resultados.
Pg. #75
8.71(Pg. # 238) La vida promedio de una muestra de 100 tubos fluorescentes producidos por
una compaa se encontr igual a 1570 horas con una desviacin estndar de 120 horas. Si
es la vida media de todos los tubos producidos por la compaa, pruebe la hiptesis
horas contra la alternativa
= 1600
< 1600 usando un nivel de significancia de .05.
Pg. #76

Capitulo # 8 Inferencias Con Muestras Grandes para Alumnos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Capitulo # 8 Inferencias Con Muestras Grandes para Alumnos

Transféré par

Droits d'auteur :

Formats disponibles

ESTADSTICA DE SISTEMA DE CREDITOS

INFERENCIA ESTADISTICA CON MUESTRAS GRANDES.

EL OBJETIVO DE LA ESTADSTICA, LA INFERENCIA.

Toma de Decisiones.- Acerca del valor del parmetro.

Mtodos para realizar

Ing. Gabriela del Carmen Ortiz Leos

Predecir o estimar el valor del parmetro.

ESTADSTICA DE SISTEMA DE CREDITOS

Indica como calcular un nmero con base a los datos muestrales.

Representa la estimacin y puede asociarse con un punto en una recta.

Al nmero resultante se le denomina estimador puntual del parmetro.

Estimacin por intervalo.

El par de nmero que se obtiene se llama estimacin por intervalo o intervalo de

EVALUACION DE LA BONDAD (fidelidad) DE UN ESTIMADOR PUNTUAL.

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

A la distribucin de probabilidad de un estimador se le denomina distribucin muestral del

El estimador del parmetro de una poblacin es insesgado si la media de su distribucin

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

Y depende del tamao de la muestra n.

La dispersin de las distribuciones muestrales decrece conforme n aumenta.

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

La idea contenida en el teorema de Tchebysheff se ilustra en la figura 3.14. En esta figura se

1 1 / k del nmero total de observaciones n.

. Para k = 1 el teorema afirma que cuando menos 1 - 1/(1)2 = 0 de las

observaciones caen en el intervalo de

, resultado que no proporciona

informacin en absoluto. Pero para k = 2, 1

3 desviaciones estndar de la media, es decir dentro del intervalo de

Aunque k = 2 y k = 3 se usan comnmente al aplicar este teorema, el nmero k no tiene

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

Y en una cantidad de casos de .95 (la regla emprica)

Dada una distribucin de las observaciones con forma aproximadamente

contiene aproximadamente al 68% de las observaciones.

3 contiene casi todas las observaciones.

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

EVALUACION DE UN ESTIMADOR POR INTERVALO.

para estas muestras

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

Un buen intervalo de confianza es aquel que tenga un coeficiente de confianza alto,

ESTIMACION PUNTUAL DE LA MEDIA DE UNA POBLACION.

La produccin diaria de una lnea de ensamblado.

La resistencia promedio de un nuevo tipo de acero.

El nmero promedio de accidentes por mes en una empresa.

La demanda promedio para un nuevo producto.

en todos estos casos la estimacin de es una importante aplicacin de inferencia

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

Algunas propiedades resultan inherentes a la distribucin de y, es decir la distribucin

Ing. Gabriela del Carmen Ortiz Leos

ESTADSTICA DE SISTEMA DE CREDITOS

= Desviacin estndar poblacional

s =Desviacin estndar muestral

Para muestras grandes.

La desviacin estndar de la media muestral.

La cota para el error de estimacin de una media muestral.

aproximadamente de .95; el otro 5% es el margen de error.

Ing. Gabriela del Carmen Ortiz Leos