UNIDAD I

TEORIA DEL MUESTREO

Uno de los propsitos de la estadstica inferencial es estimar las caractersticas poblacionales
desconocidas, examinando la informacin obtenida de una muestra, de una poblacin. El punto
de inters es la muestra, la cual debe ser representativa de la poblacin objeto de estudio.
Se seguirn ciertos procedimientos de seleccin para asegurar de que las muestras reflejen
observaciones a la poblacin de la que proceden, ya que solo se pueden hacer observaciones
probabilsticas sobre una poblacin cuando se usan muestras representativas de la misma.
Una poblacin est formada por la totalidad de las observaciones en las cuales se tiene cierto
observa.
Una muestra es un subconjunto de observaciones seleccionadas de una poblacin.
Muestras Aleatorias Cuando nos interesa estudiar las caractersticas de poblaciones grandes,
se utilizan muestras por muchas razones; una enumeracin completa de la poblacin, llamada
censo, puede ser econmicamente imposible, o no se cuenta con el tiempo suficiente.
A continuacin se ver algunos usos del muestreo en diversos campos:
1. Poltica. Las muestras de las opiniones de los votantes se usan para que los candidatos
midan la opinin pblica y el apoyo en las elecciones.
2. Educacin. Las muestras de las calificaciones de los exmenes de estudiantes se usan
para determinar la eficiencia de una tcnica o programa de enseanza.
3. Industria. Muestras de los productos de una lnea de ensamble sirve para controlar la
calidad.
4. Medicina. Muestras de medidas de azcar en la sangre de pacientes diabticos prueban
la eficacia de una tcnica o de un frmaco nuevo.
5. Agricultura. Las muestras del maz cosechado en una parcela proyectan en la
produccin los efectos de un fertilizante nuevo.
6. Gobierno. Una muestra de opiniones de los votantes se usara para determinar los
criterios del pblico sobre cuestiones relacionadas con el bienestar y la seguridad
nacional.
Errores en el Muestreo Cuando se utilizan valores muestrales, o estadsticos para estimar
valores poblacionales, o parmetros, pueden ocurrir dos tipos generales de errores: el error
muestral y el error no muestral.
El error muestral se refiere a la variacin natural existente entre muestras tomadas de la
misma poblacin.
Cuando una muestra no es una copias exacta de la poblacin; an si se ha tenido gran cuidado
para asegurar que dos muestras del mismo tamao sean representativas de una cierta
poblacin, no esperaramos que las dos sean idnticas en todos sus detalles. El error muestral
es un concepto importante que ayudar a entender mejor la naturaleza de la estadstica
inferencial.
Los errores que surgen al tomar las muestras no pueden clasificarse como errores muestrales
y se denominan errores no muestrales.
El sesgo de las muestras es un tipo de error no muestral. El sesgo muestral se refiere a una
tendencia sistemtica inherente a un mtodo de muestreo que da estimaciones de un
parmetro que son, en promedio, menores (sesgo negativo), o mayores (sesgo positivo) que el
parmetro real.
El sesgo muestral puede suprimirse, o minimizarse, usando la aleatorizacin.
La aleatorizacin se refiere a cualquier proceso de seleccin de una muestra de la poblacin
en el que la seleccin es imparcial o no est sesgada; una muestra elegida con procedimientos
aleatorios se llama muestra aleatoria.
Los tipos ms comunes de tcnicas de muestreo aleatorios son el muestreo aleatorio simple, el
muestreo estratificado, el muestreo por conglomerados y el muestreo sistemtico.
Si una muestra aleatoria se elige de tal forma que todos los elementos de la poblacin tengan
la misma probabilidad de ser seleccionados, la llamamos muestra aleatoria simple.
Ejemplo 1.1 Suponga que nos interesa elegir una muestra aleatoria de 5 estudiantes en un
grupo de estadstica de 20 alumnos.
20
C
5
da el nmero total de formas de elegir una muestra
no ordenada y este resultado es 15,504 maneras diferentes de tomar la muestra. Si listamos
las 15,504 en trozos separados de papel, una tarea tremenda, luego los colocamos en un
recipiente y despus los revolvemos, entonces podremos tener una muestra aleatoria de 5 si
seleccionamos un trozo de papel con cinco nombres. Un procedimiento ms simple para elegir
una muestra aleatoria sera escribir cada uno de los 20 nombres en pedazos separados de
papel, colocarlos en un recipiente, revolverlos y despus extraer cinco papeles al mismo
tiempo.
Otro mtodo parea obtener una muestra aleatoria de 5 estudiantes en un grupo de 20 utiliza
una tabla de nmeros aleatorios. Se puede construir la tabla usando una calculadora o una
computadora. Tambin se puede prescindir de estas y hacer la tabla escribiendo diez dgitos
del 0 al 9 en tiras de papel, las colocamos en un recipiente y los revolvemos, de ah, la primera
tira seleccionada determina el primer nmero de la tabla, se regresa al recipiente y despus de
revolver otra vez se selecciona la seguida tira que determina el segundo nmero de la tabla; el
proceso contina hasta obtener una tabla de dgitos aleatorios con tantos nmeros como se
desee.
Hay muchas situaciones en las cuales el muestreo aleatorio simple es poco prctico, imposible
o no deseado; aunque sera deseable usar muestras aleatorias simples para las encuestas
nacionales de opinin sobre productos o sobre elecciones presidenciales, sera muy costoso o
tardado.
El muestreo estratificado requiere de separar a la poblacin segn grupos que no se
traslapen llamados estratos, y de elegir despus una muestra aleatoria simple en cada estrato.
La informacin de las muestras aleatorias simples de cada estrato constituira entonces una
muestra global.
Ejemplo 1.2 Suponga que nos interesa obtener una muestra de las opiniones de los profesores
de una gran universidad. Puede ser difcil obtener una muestra con todos los profesores, as
que supongamos que elegimos una muestra aleatoria de cada colegio, o departamento
acadmico; los estratos vendran a ser los colegios, o departamentos acadmicos.
El muestreo por conglomerados requiere de elegir una muestra aleatoria simple de unidades
heterogneas entre s de la poblacin llamadas conglomerados. Cada elemento de la
poblacin pertenece exactamente a un conglomerado, y los elementos dentro de cada
conglomerado son usualmente heterogneos o dismiles.
Ejemplo 1.3 Suponga que una compaa de servicio de televisin por cable est pensando en
abrir una sucursal en una ciudad grande; la compaa planea realizar un estudio para
determinar el porcentaje de familias que utilizaran sus servicios, como no es prctico preguntar
en cada casa, la empresa decide seleccionar una parte de la ciudad al azar, la cual forma un
conglomerado.
En el muestreo por conglomerados, stos se forman para representar, tan fielmente como sea
posible, a toda la poblacin; entonces se usa una muestra aleatoria simple de conglomerados
para estudiarla. Los estudios de instituciones sociales como iglesias, hospitales, escuelas y
prisiones se realizan, generalmente, con base en el muestreo por conglomerados.
El muestreo sistemtico es una tcnica de muestreo que requiere de una seleccin aleatoria
inicial de observaciones seguida de otra seleccin de observaciones obtenida usando algn
sistema o regla.
Ejemplo 1.4 Para obtener una muestra de suscriptores telefnicos en una ciudad grande,
puede obtenerse primero una muestra aleatoria de los nmeros de las pginas del directorio
telefnico; al elegir el vigsimo nombre de cada pgina obtendramos un muestreo sistemtico,
tambin podemos escoger un nombre de la primera pgina del directorio y despus seleccionar
cada nombre del lugar nmero cien a partir del ya seleccionado. Por ejemplo, podramos
seleccionar un nmero al azar entre los primeros 100; supongamos que el elegido es el 40,
entonces seleccionamos los nombres del directorio que corresponden a los nmeros 40, 140,
240, 340 y as sucesivamente.
Error Muestral Cualquier medida conlleva algn error. Si se usa la media para medir, estimar,
la media poblacional , entonces la media muestral, como medida, conlleva algn error. Por
ejemplo, supongamos que se ha obtenido una muestra aleatoria de tamao 25 de una
poblacin con media = 15: si la media de la muestra es x=12, entonces a la diferencia
observada x- = -3 se le denomina el error muestral. Una media muestral x puede pensarse
como la suma de dos cantidades, la media poblacional y el error muestral; si e denota el
error muestral, entonces:

Ejemplo 1.5 Se toman muestras de tamao 2 de una poblacin consistente en tres valores, 2,
4 y 6, para simular una poblacin "grande" de manera que el muestreo pueda realizarse un
gran nmero de veces, supondremos que ste se hace con reemplazo, es decir, el nmero
elegido se reemplaza antes de seleccionar el siguiente, adems, se seleccionan muestras
ordenadas. En una muestra ordenada, el orden en que se seleccionan las observaciones es
importante, por tanto, la muestra ordenada (2,4) es distinta de la muestra ordenada (4,2). En la
muestra (4,2), se seleccion primero 4 y despus 2. La siguiente tabla contiene una lista de
todas las muestras ordenadas de tamao 2 que es posible seleccionar con reemplazo y
tambin contiene las medioas muestrales y los correspondientes errores muestrales. La media
poblacional es igual a

= (2+4+6)/3 = 4. Ver la tabla en la siguiente pgina.
Notese las interesantes relaciones siguientes contenidas en la tabla:
La media de la coleccin de medias muestrales es 4, la media de la poblacin de la que se
extraen las muestras. Si x denota la media de todas las medias muestrales entonces
tenemos:
x = (3+4+3+4+5+5+2+4+6)/9 = 4
La suma de los errores muestrales es cero.
e
1
+ e
2
+ e
3
+ . . . + e
9
= (-2) + (-1) + 0 + (-1) + 0 + 1 + 0 + 1 + 2 = 0
Muestras ordenadas x
Error muestral e = x -
(2,2) 2 2 4 = -2
(2,4) 3 3 4 = -1
(2,6) 4 4 4 = 0
(4,2) 3 3 4 = -1
(4,4) 4 4 4 = 0
(4,6) 5 5 4 = 1
(6,2) 4 4 4 = 0
(6,4) 5 5 4 = 1
(6,6) 6 6 4 = 2
En consecuencia, si x se usa para medir, estimar, la media poblacional , el promedio de
todos los errores muestrales es cero.
Distribuciones Muestrales Las muestras aleatorias obtenidas de una poblacin son,
por naturaleza propia, impredecibles. No se esperara que dos muestras aleatorias del mismo
tamao y tomadas de la misma poblacin tenga la misma media muestral o que sean
completamente parecidas; puede esperarse que cualquier estadstico, como la media muestral,
calculado a partir de las medias en una muestra aleatoria, cambie su valor de una muestra a
otra, por ello, se quiere estudiar la distribucin de todos los valores posibles de un estadstico.
Tales distribuciones sern muy importantes en el estudio de la estadstica inferencial, porque
las inferencias sobre las poblaciones se harn usando estadsticas muestrales. Como el
anlisis de las distribuciones asociadas con los estadsticos muestrales, podremos juzgar la
confiabilidad de un estadstico muestral como un instrumento para hacer inferencias sobre un
parmetro poblacional desconocido.
Como los valores de un estadstico, tal como x, varan de una muestra aleatoria a otra, se le
puede considerar como una variable aleatoria con su correspondiente distribucin de
frecuencias.
La distribucin de frecuencia de un estadstico muestral se denomina distribucin muestral.
En general, la distribucin muestral de un estadstico es la de todos sus valores posibles
calculados a partir de muestras del mismo tamao.
Suponga que se han seleccionado muestras aleatorias de tamao 20 en una poblacin grande.
Se calcula la madia muestral x para cada muestra; la coleccin de todas estas medias
muestrales recibe el nombre de distribucin muestral de medias, lo que se puede ilustrar en
la siguiente figura:

Suponga que se eligen muestras aleatorias de tamao 20, de una poblacin grande, y se
calcula la deviacin estndar de cada una. La coleccin de todas estas desviaciones estndar
muestrales se llama distribucin muestral de la desviacin estndar, y lo podemos ver en la
siguiente figura:

Ejemplo 1.6 Se eligen muestras ordenadas de tamao 2, con reemplazo, de la poblacin de
valores 0, 2, 4 y 6. Encuentre:
, la media poblaciona.
, la desviacin estndar poblacional.
x,
la media de la distribucin muestral de medias.
x
, la desviacin estndar de la distribucin muestral de medias.
Adems, grafique las frecuencias para la poblacin y para la distribucin muestral de medias.
Solucin: La media poblacional es:


a. La desviacin estndar de la poblacin es:

b. A continuacin se listan los elementos de la distribucin muestral de la media y la
correspondiente distribucin de frecuencias.

La media de la distribucin muestral de medias es:

d) La desviacin estndar de la distribucin muestral de medias es:

De aqu que
podamos deducir que:
Como para cualquier variable aleatoria, la dsitribucin muestral de medias tiene una media o
valor esperado, una varianza y una desviacin estndar, se puede demostrar que la
distribucin muestral de medias tiene una media igual a la media poblacional. Esto es:

Distribuciones muestrales
Despus de haber realizado el ejercicio anterior se puede ver que una distribucin muestral se
genera extrayendo todas las posibles muestras del mismo tamao de la poblacin y
calculndoles a stas su estadstico.
Si la poblacin de la que se extraen las muestras es normal, la distribucin muestral de medias
ser normal sin importar el tamao de la muestra.

Si la poblacin de donde se extraen las muestras no es normal, entonces el tamao de la
muestra debe ser mayor o igual a 30, para que la distribucin muestral tenga una forma
acampanada. Mientras mayor sea el tamao de la muestra, ms cerca estar la distribucin
muestral de ser normal.
Para muchos propsitos, la aproximacin normal se considera buena si se cumple n=30. La
forma de la disitribucin muestral de medias sea aproximadamente normal, an en casos
donde la poblacin original es bimodal, es realmente notable.



Teorema del lmite central Si se seleccionan muestras aleatorias de n observaciones de una
poblacin con media y desviacin estndar , entonces, cuando n es grande, la distribucin
muestral de medias tendr aproximadamente una distribucin normal con una media igual a
y una desviacin estndar de . La aproximacin ser cada vez ms exacta a medida de
que n sea cada vez mayor.

Ejemplo Para la dsitribucin muestral de medias del ejercicio pasado, encuentre:
a. El error muestral de cada media
b. La media de los errores muestrales
c. La desviacin estndar de los errores muestrales.
Solucin: En la tabla siguiente se ven las muestras, las medias de las muestras y los errores
muestrales:
Muestra x
Error muestral, e=x-
(0,0) 0 0 - 3 = -3
(0,2) 1 1 - 3 = -2
(0,4) 2 2 - 3 = -1
(0,6) 3 3 3 = 0
(2,0) 1 1 3 = -2
(2,2) 2 2 3 = -1
(2,4) 3 3 3 = 0
(2,6) 4 4 3 = 1
(4,0) 2 2 3 = -1
(4,2) 3 3 3 = 0
(4,4) 4 4 3 = 1
(4,6) 5 5 3 = 2
(6,0) 3 3 3 = 0
(6,2) 4 4 3 = 1
(6,4) 5 5 3 = 2
(6,6) 6 6 3 = 3
a. La media de los errores muestrales es
e
, es:

b. La desviacin estndar de la distribucin de los errores muestrales
e,
es entonces:

La desviacin estndar de la distribucin muestral de un estadstico se conoce como error
estndar del estadstico. Para el ejercicio anterior el error estndar de la media denotado por
x
, es 1.58. Con esto se puede demostrar que si de una poblacin se eligen muestras de
tamao n con reemplazo, entonces el error estndar de la media es igual a la desviacin
estndar de la distribucin de los errores muestrales.
En general se tiene:
Cuando las muestras se toman de una poblacin pequea y sin reemplazo, se puede usar la
formula siguiente para encontrar
x
.

donde es la desviacin estndar de la poblacin de donde se toman las muestras, n es el
tamao de la muestra y N el de la poblacin.
Como regla de clculo, si el muestreo se hace sin reemplazo y el tamao de la poblacin es al
menos 20 veces el tamao de la muestra (N 20), entonces se puede usar la frmula.
El factor se denomina factor de correccin para una poblacin finita.
Ejemplo:
Suponga que la tabla siguiente muestra la antiguedad en aos en el trabajo de tres maestros
universitarios de matemticas:
Maestro de matemticas Antiguedad
A 6
B 4
C 2
Suponga adems que se seleccionan muestras aleatorias de tamao 2 sin reemplazo. Calcule
la antigedad media para cada muestra, la media de la distribucin muestral y el error
estndar, o la desviacin estndar de la distribucin muestral.
Solucin: Se pueden tener
3
C
2
=3 muestras posibles. La tabla lista todas las muestras posibles
de tamao 2, con sus respectivas medias muestrales.
Muestras Antigedad Media Muestral
A,B (6,4) 5
A,C (6,2) 4
B,C (4,2) 3
La media poblacional es:
La media de la distribucin muestral es:
La desviacin estndar de la poblacin es:

El error estndar o la desviacin estndar de la distribucin muestral es:

Si utilizamos la frmula del error estndar sin el factor de correcin tendriamos
que:
Por lo que observamos que este valor no es el verdadero. Agregando el factor de correccin
obtendremos el valor correcto:

El diagrama de flujo resume las decisiones que deben tomarse cuando se calcula el valor del
error estndar:

Distribucin Muestral de Medias
Si recordamos a la distribucin normal, esta es una distribucin continua, en forma de campana
en donde la media, la mediana y la moda tienen un mismo valor y es simtrica.
Con esta distribucin podamos calcular la probabilidad de algn evento relacionado con la
variable aleatoria, mediante la siguiente frmula:

En donde z es una variable estandarizada con media igual a cero y varianza igual a uno. Con
esta frmula se pueden a hacer los clculos de probabilidad para cualquier ejercicio, utilizando
la tabla de la distribucin z.
Sabemos que cuando se extraen muestras de tamao mayor a 30 o bien de cualquier tamao
de una poblacin normal, la distribucin muestral de medias tiene un comportamiento
aproximadamente normal, por lo que se puede utilizar la formula de la distribucin normal con
y , entonces la frmula para calcular la probabilidad del comportamiento del
estadstico, en este caso la media de la muestra , quedara de la siguiente manera:

y para poblaciones finitas y muestro con reemplazo:

Ejemplo:
Una empresa elctrica fabrica focos que tienen una duracin que se distribuye
aproximadamente en forma normal, con media de 800 horas y desviacin estndar de 40
horas. Encuentre la probabilidad de que una muestra aleatoria de 16 focos tenga una vida
promedio de menos de 775 horas.
Solucin:

Este valor se busca en la tabla de z

La interpretacin sera que la probabilidad de que la media de la muestra de 16 focos sea
menor a 775 horas es de 0.0062.
Ejemplo:
Las estaturas de 1000 estudiantes estn distribuidas aproximadamente en forma normal con
una media de 174.5 centmetros y una desviacin estndar de 6.9 centmetros. Si se extraen
200 muestras aleatorias de tamao 25 sin reemplazo de esta poblacin, determine:
a. El nmero de las medias muestrales que caen entre 172.5 y 175.8 centmetros.
b. El nmero de medias muestrales que caen por debajo de 172 centmetros.
Solucin:
Como se puede observar en este ejercicio se cuenta con una poblacin finita y un muestreo sin
reemplazo, por lo que se tendr que agregar el factor de correccin. Se proceder a calcular el
denominador de Z para slo sustituirlo en cada inciso.

a.





(0.7607)(200)=152 medias muestrales
b.


(0.0336)(200)= 7 medias muestrales











Distribucin muestral de Proporciones
Existen ocasiones en las cuales no estamos interesados en la media de la muestra, sino que
queremos investigar la proporcin de artculos defectuosos o la proporcin de alumnos
reprobados en la muestra.
NOTA: Es decir queremos saber el porcentaje de la muestra que representa ciertas
caractersticas.
La distribucin muestral de proporciones es la adecuada para dar respuesta a estas
situaciones. Esta distribucin se genera de igual manera que la distribucin muestral de
medias, a excepcin de que al extraer las muestras de la poblacin se calcula el estadstico
proporcin (p=x/n en donde "x" es el nmero de xitos u observaciones de inters y "n" el
tamao de la muestra) en lugar del estadsitico media.

Una poblacin binomial est estrechamente relacionada con la distribucin muestral de
proporciones; una poblacin binomial es una coleccin de xitos y fracasos, mientras que una
distribucin muestral de proporciones contiene las posibilidades o proporciones de todos los
nmeros posibles de xitos en un experimento binomial,
Cualquier evento se puede convertir en una proporcin si se divide el nmero obtenido entre el
nmero de intentos.
Generacin de la Distribucin Muestral de Proporciones
Suponga que se cuenta con un lote de 12 piezas, el cual tiene 4 artculos defectuosos. Se van
a seleccionar 5 artculos al azar de ese lote sin reemplazo. Genere la distribucin muestral de
proporciones para el nmero de piezas defectuosas.
Como se puede observar en este ejercicio la Proporcin de artculos defectuosos de esta
poblacin es 4/12=1/3. Por lo que podemos decir que el 33% de las piezas de este lote estn
defectuosas.
4/12 = 1/3 porque se le saca cuarta 4/12 4/4 = 1/3
NOTA: 4/12 = 33.33 %
Tambin se puede sacar con la regla de tres:

12 = 100 %
4 = ? ?= (4 x 100)/12 = 33.33


El nmero posible de muestras de tamao 5 a extraer de una poblacin de 12 elementos es
12
C
5
=792, las cuales se pueden desglosar de la siguiente manera:
Artculos
Buenos
Artculos Malos
Proporcin de
artculos
defectuoso
Nmero de
maneras en las
que se puede
obtener la muestra
1 4 4/5=0.8
8
C
1
*
4
C
4
=8
2 3 3/5=0.6
8
C
2
*
4
C
3
=112
3 2 2/5=0.4
8
C
3
*
4
C
2
=336
4 1 1/5=0.2
8
C
4
*
4
C
1
=280
5 0 0/5=0 8C5*4C0=56
Total 792
Para calcular la media de la distribucin muestral de proporciones se tendra que hacer la
sumatoria de la frecuencia por el valor de la proporcin muestral y dividirla entre el nmero total
de muestras. Esto es:

Como podemos observar la media de la distribucin muestral de proporciones es igual a la
Proporcin de la poblacin.
p
= P
Tambin se puede calcular la desviacin estndar de la distribucin muestral de proporciones:
La
varianza de la distribucin binomial es
2
= npq, por lo que la varianza de la distribucin
muestral de proporciones es
2
p
=(Pq)/n. Si se sustituten los valores en esta frmula tenemos
que:
, este valor no coincide con el de 0.1681, ya que nos
falta agregar el factor de correccin para una poblacin finita y un muestreo sin reemplazo:



La frmula que se utilizar para el clculo de probabilidad en una distribucin muestral de
proporciones est basada en la aproximacin de la distribucin normal a la binomial . Esta
frmula nos servir para calcular la probabilidad del comportamiento de la proporcin en la
muestra.

A esta frmula se le puede agregar el factor de correccin de si se cumple con las condiciones
necesarias.
Ejemplo: Se ha determinado que 60% de los estudiantes de una universidad grande fuman
cigarrillos. Se toma una muestra aleatoria de 800 estudiantes. Calcule la probabilidad de que la
proporcin de la muestra de la gente que fuma cigarrillos sea menor que 0.55.
Solucin: Este ejercicio se puede solucionar por dos mtodos. El primero puede ser con la
aproximacin de la distribucin normal a la binomial y el segundo utilizando la frmula de la
distribucin muestral de proporciones.
Aproximacin de la distribucin normal a la binomial:
Datos:
n=800 estudiantes
p=0.60
x= (.55)(800) = 440 estudiantes
p(x< 440) = ?
Media= np= (800)(0.60)= 480

p(x< 440) = 0.0017. Este valor significa que existe una probabilidad del 0.17% de que al extraer
una muestra de 800 estudiantes, menos de 440 fuman cigarrillos.


Distribucin Muestral de Proporciones
Datos:
n=800 estudiantes
P=0.60
p= 0.55
p(p< 0.55) = ?


Observe que este valor es igual al obtenido en el mtodo de la aproximacin de la distribucin
normal a la binomial, por lo que si lo buscamos en la tabla de "z" nos da la misma probabilidad
de 0.0017. Tambin se debe de tomar en cuenta que el factor de correccin de 0.5 se esta
dividiendo entre el tamao de la muestra, ya que estamos hablando de una proporcin.
La interpretacin en esta solucin, estara enfocada a la proporcin de la muestra, por lo que
diramos que la probabilidad de que al extraer una muestra de 800 estudiantes de esa
universidad, la proporcin de estudiantes que fuman cigarrillos sea menor al 55% es del
0.17%.
Ejemplo: Un medicamento para malestar estomacal tiene la advertencia de que algunos
usuarios pueden presentar una reaccin adversa a l, ms an, se piensa que alrededor del
3% de los usuarios tienen tal reaccin. Si una muestra aleatoria de 150 personas con malestar
estomacal usa el medicamento, encuentre la probabilidad de que la proporcin de la muestra
de los usuarios que realmente presentan una reaccin adversa, exceda el 4%.
a. Resolverlo mediante la aproximacin de la normal a la binomial
b. Resolverlo con la distribucin muestral de proporciones
a. Aproximacin de la distribucin normal a la binomial:
Datos:
n=150 personas
p=0.03
x= (0.04)(150) = 6 personas
p(x>6) = ?
Media = np= (150)(0.03)= 4.5


p(x>6) = 0.1685. Este valor significa que existe una probabilidad del 17% de que al
extraer una muestra de 150 personas, mas de 6 presentarn una reaccin adversa.
b. Distribucin Muestral de Proporciones
Datos:
n=150 personas
P=0.03
p= 0.04
p(p>0.04) = ?


Observe que este valor es igual al obtenido y la interpretacin es: existe una probabilidad del
17% de que al tomar una muestra de 150 personas se tenga una proporcin mayor de 0.04
presentando una reaccin adversa.
Ejemplo: Se sabe que la verdadera proporcin de los componentes defectuosos fabricadas por
una firma es de 4%, y encuentre la probabilidad de que una muestra aleatoria de tamao 60
tenga:
a. Menos del 3% de los componentes defectuosos.
b. Ms del 1% pero menos del 5% de partes defectuosas.
Solucin:

a. Datos:
n= 60 artculos
P=0.04
p= 0.03
p(p<0.03) = ?


La probabilidad de que en una muestra de 60 artculos exista una proporcin menor de
0.03 artculos defectuosos es de 0.2327.
Datos:
n= 60 artculos
P=0.04
p= 0.01 y 0.05
p(0.01<p<0.05) = ?



Distribucin Muestral de Diferencia de Medias Suponga que se tienen dos poblaciones distintas,
la primera con media
1
y desviacin estndar
1
, y la segunda con media
2
y desviacin
estndar
2.
Ms an, se elige una muestra aleatoria de tamao n
1
de la primera poblacin y
una muestra independiente aleatoria de tamao n
2
de la segunda poblacin; se calcula la
media muestral para cada muestra y la diferencia entre dichas medias. La coleccin de todas
esas diferencias se llama distribucin muestral de las diferencias entre medias o la
distribucin muestral del estadstico

La distribucin es aproximadamente normal para n
1
30 y n
2
30. Si las poblaciones son
normales, entonces la distribucin muestral de medias es normal sin importar los tamaos de
las muestras.
En ejercicios anteriores se haba demostrado que y que , por lo que no es difcil
deducir que y que .
La frmula que se utilizar para el calculo de probabilidad del estadstico de diferencia de
medias es:

Ejemplo: En un estudio para comparar los pesos promedio de nios y nias de sexto grado en
una escuela primaria se usar una muestra aleatoria de 20 nios y otra de 25 nias. Se sabe
que tanto para nios como para nias los pesos siguen una distribucin normal. El promedio de
los pesos de todos los nios de sexto grado de esa escuela es de 100 libras y su desviacin
estndar es de 14.142, mientras que el promedio de los pesos de todas las nias del sexto
grado de esa escuela es de 85 libras y su desviacin estndar es de 12.247 libras. Si
representa el promedio de los pesos de 20 nios y es el promedio de los pesos de una
muestra de 25 nias, encuentre la probabilidad de que el promedio de los pesos de los 20
nios sea al menos 20 libras ms grande que el de las 25 nias.
Solucin:
Datos:
1
= 100 libras
2
= 85 libras
1
= 14.142 libras
2
= 12.247 libras
n
1
= 20 nios
n
2
= 25 nias
= ?

Por lo tanto, la probabilidad de que el promedio de los pesos de la muestra de nios sea al
menos 20 libras ms grande que el de la muestra de las nias es 0.1056.

Ejemplo: Uno de los principales fabricantes de televisores compra los tubos de rayos catdicos
a dos compaas. Los tubos de la compaa A tienen una vida media de 7.2 aos con una
desviacin estndar de 0.8 aos, mientras que los de la B tienen una vida media de 6.7 aos
con una desviacin estndar de 0.7. Determine la probabilidad de que una muestra aleatoria de
34 tubos de la compaa A tenga una vida promedio de al menos un ao ms que la de una
muestra aleatoria de 40 tubos de la compaa B.
Solucin:
Datos:
A
= 7.2 aos
B
= 6.7 aos
A
= 0.8 aos
B
= 0.7 aos
n
A
= 34 tubos
n
B
= 40 tubos
= ?


Ejemplo: Se prueba el rendimiento en km/L de 2 tipos de gasolina, encontrndose una
desviacin estndar de 1.23km/L para la primera gasolina y una desviacin estndar de
1.37km/L para la segunda gasolina; se prueba la primera gasolina en 35 autos y la segunda en
42 autos.
a. Cul es la probabilidad de que la primera gasolina de un rendimiento promedio mayor
de 0.45km/L que la segunda gasolina?
b. Cul es la probabilidad de que la diferencia en rendimientos promedio se encuentre
entre 0.65 y 0.83km/L a favor de la gasolina 1?.
Solucin:
En este ejercicio no se cuenta con los parmetros de las medias en ninguna de las dos
poblaciones, por lo que se supondrn que son iguales.
Datos:
1
= 1.23 Km/Lto
2
= 1.37 Km/Lto
n
1
= 35 autos
n
2
= 42 autos
a. = ?


b.
?



La probabilidad de que la diferencia en rendimientos promedio en las muestras se encuentre
entre 0.65 y 0.83 Km/Lto a favor de la gasolina 1 es de 0.0117.
Distribucin Muestral de Diferencia de Proporciones
Muchas aplicaciones involucran poblaciones de datos cualitativos que deben compararse
utilizando proporciones o porcentajes. A continuacin se citan algunos ejemplos:
- Educacin.- Es mayor la proporcin de los estudiantes que aprueban matemticas que
las de los que aprueban ingls?
- Medicina.- Es menor el porcentaje de los usuarios del medicamento A que presentan
una reaccin adversa que el de los usuarios del frmaco B que tambin presentan una
reaccin de ese tipo?
- Administracin.- Hay diferencia entre los porcentajes de hombres y mujeres en
posiciones gerenciales.
- Ingeniera.- Existe diferencia entre la proporcin de artculos defectuosos que genera la
mquina A a los que genera la mquina B?
Cuando el muestreo procede de dos poblaciones binomiales y se trabaja con dos proporciones
muestrales, la distribucin muestral de diferencia de proporciones es aproximadamente normal
para tamaos de muestra grande (n
1
p
1
5, n
1
q
1
5,n
2
p
2
5 y n
2
q
2
5). Entonces p
1
y p
2
tienen
distribuciones muestrales aproximadamente normales, as que su diferencia p
1
-p
2
tambin tiene
una distribucin muestral aproximadamente normal.

Cuando se estudi a la distribucin muestral de proporciones se comprob que y que
, por lo que no es difcil deducir que y que
.
La frmula que se utilizar para el calculo de probabilidad del estadstico de diferencia de
proporciones es:

Ejemplo: Los hombres y mujeres adultos radicados en una ciudad grande del norte difieren en
sus opiniones sobre la promulgacin de la pena de muerte para personas culpables de
asesinato. Se cree que el 12% de los hombres adultos estn a favor de la pena de muerte,
mientras que slo 10% de las mujeres adultas lo estn. Si se pregunta a dos muestras
aleatorias de 100 hombres y 100 mujeres su opinin sobre la promulgacin de la pena de
muerte, determine la probabilidad de que el porcentaje de hombres a favor sea al menos 3%
mayor que el de las mujeres.
Solucin:
Datos:
P
H
= 0.12
P
M
= 0.10
n
H
= 100
n
M
= 100
p(p
H
-p
M
0.03) = ?
Se recuerda que se est incluyendo el factor de correccin de 0.5 por ser una distribucin
binomial y se est utilizando la distribucin normal.


Se concluye que la probabilidad de que el porcentaje de hombres a favor de la pena de muerte,
al menos 3% mayor que el de mujeres es de 0.4562.
Ejemplo: Una encuesta del Boston College const de 320 trabajadores de Michigan que fueron
despedidos entre 1979 y 1984, encontr que 20% haban estado sin trabajo durante por lo
menos dos aos. Supngase que tuviera que seleccionar otra muestra aleatoria de 320
trabajadores de entre todos los empleados despedidos entre 1979 y 1984. Cul sera la
probabilidad de que su porcentaje muestral de trabajadores sin empleo durante por lo menos
dos aos, difiera del porcentaje obtenido en la encuesta de Boston College, en 5% o ms?
Solucin: En este ejercicio se cuenta nicamente con una poblacin, de la cual se estn
extrayendo dos muestras y se quiere saber la probabilidad de la diferencia de los porcentajes
en esas dos muestras, por lo que se debe de utilizar la distribucin muestral de proporciones
con P
1
= P
2
, ya que es una misma poblacin.
Otra de las situaciones con la cual nos topamos es que desconocemos la proporcin de
trabajadores despedidos entre 1979 y 1984 que estuvieron desempleados por un perodo de
por lo menos dos aos, slo se conoce la
p
1
= 0.20 ya que al tomar una muestra de 320 trabajadores se observ esa proporcin.
En la frmula de la distribucin muestral de proporciones para el clculo de probabilidad se
necesita saber las proporciones de las poblaciones, las cuales en este ejercicio las
desconocemos, por lo que se utilizar el valor de 0.20 como una estimacin puntual de P. En el
siguiente tema se abordar el tema de estimacin estadstica y se comprender el porque
estamos utilizando de esa manera el dato.
Tambin debe de comprenderse la pregunta que nos hace este problema, cul sera la
probabilidad de que su porcentaje muestral de trabajadores sin empleo durante por lo menos
dos aos, difiera del porcentaje obtenido en la encuesta de Boston College, en 5% o ms?, la
palabra difiera quiere decir que puede existir una diferencia a favor de la muestra uno, o a
favor de la muestra dos, por lo que se tendrn que calcular dos reas en la distribucin y al
final sumarlas.
Datos:
p
1
= 0.20
n
1
= 320 trabajadores
n
2
= 320 trabajadores
P
1
= P
2




La probabilidad de que su proporcion muestral de trabajadores sin empleo durante por lo
menos dos aos, difiera del porcentaje obtenido en la encuesta de Boston College, en 0.05 o
ms es de 0.1260.
Ejemplo: Se sabe que 3 de cada 6 productos fabricados por la mquina 1 son defectuosos y
que 2 de cada 5 objetos fabricados por la mquina 2 son defectuosos; se toman muestras de
120 objetos de cada mquina:
a. cul es la probabilidad de que la proporcin de artculos defectuosos de la mquina 2
rebase a la mquina 1 en por lo menos 0.10?
b. cul es la probabilidad de que la proporcin de artculos defectuosos de la mquina 1
rebase a la mquina 2 en por lo menos 0.15?
Solucin:
Datos:
P
1
= 3/6 = 0.5
P
2
= 2/5 = 0.4
n
1
= 120 objetos
n
2
= 120 objetos
a. p(p
2
-p
1
0.10) = ?


Otra manera de hacer este ejercicio es poner P
1
-P
2
:


La probabilidad de que exista una diferencia de proporciones de artculos defectuosos
de por lo menos 10% a favor de la mquina 2 es de 0.0011.
b. p(p
1
-p
2

0.15)=?


La probabilidad de que exista una diferencia de proporciones de artculos defectuosos de por lo
menos 15% a favor de la mquina 1 es de 0.2357.
Distribucin Muestral de Nmero de Defectos
En el control de calidad y especficamente en los grficos de control "c" se aplica esta
distribucin, la cual consiste en que al extraer un artculo contabilicemos el nmero de defectos
que tiene ese artculo.
Esta distribucin muestral proviene de la distribucin de Poisson, en la cual le media es y que
en este caso es el nmero promedio de defectos por unidad. Como ya es conocido la varianza
de la distribucin de Poisson es igual a por lo que se puede deducir la formula de la siguiente
manera:

Para la distribucin muestral de nmero de defectos la nomenclatura utilizada es:
c = nmero defectos por unidad de inspeccin
C = nmero de defectos promedio por unidad de inspeccin
Se debe de recordar que la distribucin de Poisson es una distribucin discreta, y se esta
utilizando la aproximacin de la normal a la Poisson, debiendo aplicar el factor de correccin de
0.5 segn sea el caso. La formula para la dsitribucin muestral de nmero de defectos
quedara de la siguiente manera:

Ejemplo: En cierta empresa se fabrican productos con un promedio de 8 defectos por unidad.
Determine la probabilidad de que el prximo producto inspeccionado tenga un nmero de
defectos:
a. Mayor o igual a 6
b. Exactamente 7
c. Como mximo 9
a.


La probabilidad de que el siguiente producto inspeccionado tenga por lo menos 6 defectos es
de 0.8106.
b.




La probabilidad de que el siguiente producto inspeccionado tenga exactamente 7
defectos es de 0.1344.
c.


La probabilidad de que el siguiente producto inspeccionado tenga a lo ms 9 defectos es de
0.7019.
Problemas propuestos
1. Se sabe que la resistencia a la ruptura de cierto tipo de cuerda se distribuye
normalmente con media de 2000 libras y una varianza de 25,000 lbs
2
. Si se selecciona
una muestra aleatoria de 100 cuerdas; determine la probabilidad de que en esa muestra:
a. La resistencia media encontrada sea de por lo menos 1958 libras.
b. La resistencia media se mayor de 2080 libras.
1. Como parte de un proyecto general de mejoramiento de la calidad, un fabricante textil
decide controlar el nmero de imperfecciones encontradas en cada pieza de tela. Se
estima que el nmero promedio de imperfecciones por cada pieza de tela es de 12,
determine la probabilidad de que en la prxima pieza de tela fabricada se encuentren:
a. Entre 10 y 12 imperfecciones.
b. Menos de 9 y ms de 15 imperfecciones.
1. En una prueba de aptitud la puntuacin media de los estudiantes es de 72 puntos y la
desviacin estndar es de 8 puntos. Cul es la probabilidad de que dos grupos de
estudiantes, formados de 28 y 36 estudiantes, respectivamente, difieran en su
puntuacin media en:
a. 3 ms puntos.
b. 6 o ms puntos.
c. Entre 2 y 5 puntos.
1. Un especialista en gentica ha detectado que el 26% de los hombres y el 24% de las
mujeres de cierta regin del pas tiene un leve desorden sanguneo; si se toman
muestras de 150 hombres y 150 mujeres, determine la probabilidad de que la diferencia
muestral de proporciones que tienen ese leve desorden sanguneo sea de:
a. Menos de 0.035 a favor de los hombres.
b. Entre 0.01 y 0.04 a favor de los hombres.
1. Una urna contiene 80 bolas de las que 60% son rojas y 40% blancas. De un total de 50
muestras de 20 bolas cada una, sacadas de la urna con remplazamiento, en cuntas
cabe esperar
a. Igual nmero de bolas rojas y blancas?
b. 12 bolas rojas y 8 blancas?
c. 8 bolas rojas y 12 blancas?
d. 10 mas bolas blancas?
1. Los pesos de 1500 cojinetes de bolas se distribuyen normalmente con media de 2.40
onzas y desviacin estndar de 0.048 onzas. Si se extraen 300 muestras de tamao 36
de esta poblacin, determinar la media esperada y la desviacin estndar de la
distribucin muestral de medias si el muestreo se hace:
a. Con remplazamiento
b. Sin remplazamiento
1. La vida media de una mquina para hacer pasta es de siete aos, con una desviacin
estndar de un ao. Suponga que las vidas de estas mquinas siguen aproximadamente
una distribucin normal, encuentre:
a. La probabilidad de que la vida media de una muestra aleatoria de 9 de estas mquinas
caiga entre 6.4 y 7.2 aos.
b. El valor de la
a la derecha del cual caera el 15% de las medias calculadas de muestras aleatorias de tamao
nueve.
1. Se llevan a cabo dos experimentos independientes en lo que se comparan dos tipos
diferentes de pintura. Se pintan 18 especmenes con el tipo A y en cada uno se registra
el tiempo de secado en horas. Lo mismo se hace con el tipo B. Se sabe que las
desviaciones estndar de la poblacin son ambas 1.0. Suponga que el tiempo medio de
secado es igual para los dos tipo de pintura. Encuentre la probabilidad de que la
diferencia de medias en el tiempo de secado sea mayor a uno a favor de la pintura A.
Respuestas a los problemas propuestos:
1. a) 0.9960 b) 0
2. a) 0.3221 b) 0.3122
3. a) 0.2150 b) 0.0064 c) 0.4504
4. a) 0.2227 b) 0.2848
5. a) 6 b) 9 c) 2 d) 12
6. a) b) ligeramente menor que 0.008
7. a) 0.6898 b) 7.35
8. 0.0013
ESTIMACION
El objetivo principal de la estadstica inferencial es la estimacin, esto es que mediante el
estudio de una muestra de una poblacin se quiere generalizar las conclusiones al total de la
misma. Como vimos en la seccin anterior, los estadsticos varan mucho dentro de sus
distribuciones muestrales, y mientras menor sea el error estndar de un estadstico, ms
cercanos sern unos de otros sus valores.
Existen dos tipos de estimaciones para parmetros; puntuales y por intervalo. Una estimacin
puntual es un nico valor estadstico y se usa para estimar un parmetro. El estadstico usado
se denomina estimador.
Una estimacin por intervalo es un rango, generalmente de ancho finito, que se espera que
contenga el parmetro.
Estimacin Puntual La inferencia estadstica est casi siempre concentrada en obtener algn
tipo de conclusin acerca de uno o ms parmetros (caractersticas poblacionales). Para
hacerlo, se requiere que un investigador obtenga datos muestrales de cada una de las
poblaciones en estudio. Entonces, las conclusiones pueden estar basadas en los valores
calculados de varias cantidades muestrales . Po ejemplo, representamos con (parmetro) el
verdadero promedio de resistencia a la ruptura de conexiones de alambres utilizados para unir
obleas de semiconductores. Podra tomarse una muestra aleatoria de 10 conexiones para
determinar la resistencia a la ruptura de cada una, y la media muestral de la resistencia a la
ruptura se poda emplear para sacar una conclusin acerca del valor de . De forma similar,
si es la varianza de la distribucin de resistencia a la ruptura, el valor de la varianza
muestral s
2
se podra utilizar pra inferir algo acerca de .
Cuando se analizan conceptos generales y mtodos de inferencia es conveniente tener un
smbolo genrico para el parmetro de inters. Se utilizar la letra griega para este propsito.
El objetivo de la estimacin puntual es seleccionar slo un nmero, basados en datos de la
muestra, que represente el valor ms razonable de .
Una muestra aleatoria de 3 bateras para calculadora podra presentar duraciones observadas
en horas de x
1
=5.0, x
2
=6.4 y x
3
=5.9. El valor calculado de la duracin media muestral es =
5.77, y es razonable considerar 5.77 como el valor ms adecuado de .
Una estimacin puntual de un parmetro es un slo nmero que se puede considerar como
el valor ms razonable de . La estimacin puntual se obtiene al seleccionar una estadstica
apropiada y calcular su valor a partir de datos de la muestra dada. La estadstica seleccionada
se llama estimador puntual de .
El smbolo (theta sombrero) suele utilizarse para representar el estimador de y la
estimacin puntual resultante de una muestra dada. Entonces se lee como "el estimador
puntual de es la media muestral ". El enunciado "la estimacin puntual de es 5.77" se
puede escribir en forma abreviada .
Ejemplo: En el futuro habr cada vez ms inters en desarrollar aleaciones de Mg de bajo
costo, para varios procesos de fundicin. En consecuencia, es importante contar con mtodos
prcticos para determinar varias propiedades mecnicas de esas aleaciones. Examine la
siguiente muestra de mediciones del mdulo de elasticidad obtenidos de un proceso de
fundicin a presin:
44.2 43.9 44.7 44.2 44.0 43.8 44.6 43.1
Suponga que esas observaciones son el resultado de una muestra aleatoria. Se desea estimar
la varianza poblacional . Un estimador natural es la varianza muestral:

En el mejor de los casos, se encontrar un estimador para el cual siempre. Sin embargo,
es una funcin de las X
i
muestrales, por lo que en s misma una variable aleatoria.
+ error de estimacin
entonces el estimador preciso sera uno que produzca slo pequeas diferencias de
estimacin, de modo que los valores estimados se acerquen al valor verdadero.
Propiedades de un Buen Estimador
Insesgado.- Se dice que un estimador puntual es un estimador insesgado de si ,
para todo valor posible de . En otras palabras, un estimador insesgado es aquel para el cual
la media de la distribucin muestral es el parmetro estimado. Si se usa la media muestral
para estimar la media poblacional , se sabe que la , por lo tanto la media es un
estimador insesgado.
Eficiente o con varianza mnima.- Suponga que
1
y
2
son dos estimadores insesgados de
. Entonces, aun cuando la distribucin de cada estimador est centrada en el valor verdadero
de , las dispersiones de las distribuciones alrededor del valor verdadero pueden ser
diferentes.
Entre todos los estimadores de que son insesgados, seleccione al que tenga varianza
mnima. El resultante recibe el nombre de estimador insesgado con varianza mnima
(MVUE, minimum variance unbiased estimator) de .
En otras palabras, la eficiencia se refiere al tamao de error estndar de la estadstica. Si
comparamos dos estaisticas de una muestra del mismo tamao y tratamos de decidir cual de
ellas es un estimador mas eficiente, escogeramos la estadstica que tuviera el menor error
estndar, o la menor desviacin estndar de la distribucin de muestreo.
Tiene sentido pensar que un estimador con un error estndar menor tendr una mayor
oportunidad de producir una estimacin mas cercana al parmetro de poblacin que se esta
considerando.

Como se puede observar las dos distribuciones tienen un mismo valor en el parmetro slo que
la distribucin muestral de medias tiene una menor varianza, por lo que la media se convierte
en un estimador eficiente e insesgado.
Coherencia.- Una estadstica es un estimador coherente de un parmetro de poblacin, si al
aumentar el tamao de la muestra se tiene casi la certeza de que el valor de la estadstica se
aproxima bastante al valor del parmetro de la poblacin. Si un estimador es coherente se
vuelve mas confiable si tenemos tamaos de muestras mas grandes.
Suficiencia.- Un estimador es suficiente si utiliza una cantidad de la informacin contenida de
la muestra que ningn otro estimador podra extraer informacin adicional de la muestra sobre
el parmetro de la poblacin que se esta estimando.
Es decir se pretende que al extraer la muestra el estadstico calculado contenga toda la
informacin de esa muestra. Por ejemplo, cuando se calcula la media de la muestra, se
necesitan todos los datos. Cuando se calcula la mediana de una muestra slo se utiliza a un
dato o a dos. Esto es solo el dato o los datos del centro son los que van a representar la
muestra. Con esto se deduce que si utilizamos a todos los datos de la muestra como es en el
caso de la media, la varianza, desviacin estndar, etc; se tendr un estimador suficiente.
Estimacin por Intervalos Un estimado puntual, por ser un slo nmero, no proporciona por
s mismo informacin alguna sobre la precisin y confiabilidad de la estimacin. Por ejemplo,
imagine que se usa el estadstico para calcular un estimado puntual de la resistencia real a la
ruptura de toallas de papel de cierta marca, y suponga que = 9322.7. Debido a la variabilidad
de la muestra, nunca se tendr el caso de que = . El estimado puntual nada dice sobre lo
cercano que esta de . Una alternativa para reportar un solo valor del parmetro que se est
estimando es calcular e informar todo un intervalo de valores factibles, un estimado de intervalo
o intervalo de confianza (IC). Un intervalo de confianza se calcula siempre seleccionando
primero un nivel de confianza, que es una medida de el grado de fiabilidad en el intervalo. Un
intervalo de confianza con un nivel de confianza de 95% de la resistencia real promedio a la
ruptura podra tener un lmite inferior de 9162.5 y uno superior de 9482.9. Entonces, en un nivel
de confianza de 95%, es posible tener cualquier valor de entre 9162.5 y 9482.9. Un nivel de
confianza de 95% implica que 95% de todas las muestras dara lugar a un intervalo que incluye
o cualquier otro parmetro que se est estimando, y slo 5% de las muestras producir un
intervalo errneo. Cuanto mayor sea el nivel de confianza podremos creer que el valor del
parmetro que se estima est dentro del intervalo.
Una interpretacin correcta de la "confianza de 95%" radica en la interpretacin frecuente de
probabilidad a largo plazo: decir que un evento A tiene una probabilidad de 0.95, es decir que si
el experimento donde A est definido re realiza una y otra vez, a largo plazo A ocurrir 95% de
las veces. Para este caso
el 95% de los intervalos de confianza calculados contendrn a .

Esta es una construccin repetida de intervalos de confianza de 95% y se puede observar que
de los 11 intervalos calculados slo el tercero y el ltimo no contienen el valor de .
De acuerdo con esta interpretacin, el nivel de confianza de 95% no es tanto un enunciado
sobre cualquier intervalo en particular, ms bien se refiere a lo que sucedera si se tuvieran que
construir un gran nmero de intervalos semejantes.
Encontrar z a partir de un nivel de confianza Existen varias tablas en las cuales podemos
encontrar el valor de z, segn sea el rea proporcionada por la misma. En esta seccin se
realizar un ejemplo para encontrar el valor de z utilizando tres tablas diferentes.
Ejemplo: Encuentre el valor de z para un nivel de confianza del 95%.
Solucin 1: Se utilizar la tabla que tiene el rea bajo la curva de - hasta z. Si lo vemos
grficamente sera:

El nivel de confianza bilateral est dividido en partes iguales bajo la curva:

En base a la tabla que se esta utilizando, se tendr que buscar el rea de 0.975, ya que cada
extremo o cola de la curva tiene un valor de 0.025.

Por lo que el valor de z es de 1.96.
Solucin 2: Si se utiliza una tabla en donde el rea bajo la curva es de 0 a z:

En este caso slo se tendr que buscar adentro de la tabla el rea de 0.475 y el resultado del
valor de z ser el mismo, para este ejemplo 1.96.

Solucin 3: Para la tabla en donde el rea bajo la curva va desde z hasta :

Se busca el valor de 0.025 para encontrar z de 1.96.
Independientemente del valor del Nivel de Confianza este ser el procedimiento a seguir para
localizar a z. En el caso de que no se encuentre el valor exacto se tendr que interpolar.
Estimacin para la Media Es conocido de nosotros durante este curso, que en base a la
distribucin muestral de medias que se gener en el tema anterior, la formula para el calculo de
probabilidad es la siguiente: . Como en este caso no conocemos el parmetro y
lo queremos estimar por medio de la media de la muestra, slo se despejar de la formula
anterior, quedando lo siguiente:

De esta formula se puede observar que tanto el tamao de la muestra como el valor de z se
conocern. Z se puede obtener de la tabla de la distribucin normal a partir del nivel de
confianza establecido. Pero en ocasiones se desconoce por lo que en esos casos lo
correcto es utilizar otra distribucin llamada "t" de student si la poblacin de donde provienen
los datos es normal.
Para el caso de tamaos de muestra grande se puede utilizar una estimacin puntual de la
desviacin estndar, es decir igualar la desviacin estndar de la muestra a la de la poblacin
(s= ).
Ejemplos:
1. Se encuentra que la concentracin promedio de zinc que se saca del agua a partir de
una muestra de mediciones de zinc en 36 sitios diferentes es de 2.6 gramos por mililitro.
Encuentre los intervalos de confianza de 95% y 99% para la concentracin media de
zinc en el ro. Suponga que la desviacin estndar de la poblacin es 0.3.
Solucin: La estimacin puntual de es = 2.6. El valor de z para un nivel de confianza
del 95% es 1.96, por lo tanto:


Para un nivel de confianza de 99% el valor de z es de 2.575 por lo que el intervalo ser
ms amplio:


El intervalo de confianza proporciona una estimacin de la precisin de nuestra
estimacin puntual. Si es realmente el valor central de intervalo, entonces estima
sin error. La mayor parte de las veces, sin embargo, no ser exactamente igual a
y la estimacin puntual es errnea. La magnitud de este error ser el valor absoluto de
la diferencia entre y , y podemos tener el nivel de confianza de que esta diferencia
no exceder .
Como se puede observar en los resultados del ejercicio se tiene un error de estimacin
mayor cuando el nivel de confianza es del 99% y ms pequeo cuando se reduce a un
nivel de confianza del 95%.
2. Una empresa elctrica fabrica focos que tienen una duracin aproximadamente
distribuida de forma normal con una desviacin estndar de 40 horas. Si una muestra de
30 focos tiene una duracin promedio de 780 horas, encuentre un intervalos de
confianza de 96% para la media de la poblacin de todos los focos que produce esta
empresa.
Solucin:

Con un nivel de confianza del 96% se sabe que la duracin media de los focos que
produce la empresa est entre 765 y 765 horas.
3. La prueba de corte sesgado es el procedimiento ms aceptado para evaluar la calidad
de una unin entre un material de reparacin y su sustrato de concreto. El artculo
"Testing the Bond Between Repair Materials and Concrete Substrate" informa que, en
cierta investigacin, se obtuvo una resistencia promedio muestral de 17.17 N/mm
2
, con
una muestra de 48 observaciones de resistencia al corte, y la desviacin estndar
muestral fue 3.28 N/mm
2
. Utilice un nivel de confianza inferior del 95% para estimar la
media real de la resistencia al corte.
Solucin: En este ejercicio se nos presentan dos situaciones diferentes a los ejercicios
anteriores. La primera que desconoce la desviacin estndar de la poblacin y la segunda que
nos piden un intervalo de confianza unilateral.
El primer caso ya se haba comentado y se solucionar utilizando la desviacin estndar de la
muestra como estimacin puntual de sigma.
Para el intervalo de confianza unilateral, se cargar el rea bajo la curva hacia un solo lado
como sigue:


Esto quiere decir que con un nivel de confianza de 95%, el valor de la media est en el
intervalo (16.39, ).
Estimacin de una Proporcin
Un estimador puntual de la proporcin P en un experimento binomial est dado por la estadstica P=X/N,
donde x representa el nmero de xitos en n pruebas. Por tanto, la proporcin de la muestra p =x/n se
utiulizar como estimador puntual del parmetro P.
Si no se espera que la proporcin P desconocida est demasiado cerca de 0 de 1, se puede establecer un
intervalo de confianza para P al considerar la distribucin muestral de proporciones.

Al despejar P de esta ecuacin nos queda:

En este despeje podemos observar que se necesita el valor del parmetro P y es precisamente lo que
queremos estimar, por lo que lo sustituiremos por la proporcin de la muestra p siempre y cuando el
tamao de muestra no sea pequeo.

Cuando n es pequea y la proporcin desconocida P se considera cercana a 0 a 1, el procedimiento del
intervalo de confianza que se establece aqu no es confiable, por tanto, no se debe utilizar. Para estar
seguro, se debe requerir que np nq sea mayor o igual a 5.
El error de estimacin ser la diferencia absoluta entre p y P, y podemos tener el nivel de confianza de
que esta diferencia no exceder .
Ejemplos:
1. Un fabricante de reproductores de discos compactos utiliza un conjunto de pruebas amplias para
evaluar la funcin elctrica de su producto. Todos los reproductores de discos compactos deben
pasar todas las pruebas antes de venderse. Una muestra aleatoria de 500 reproductores tiene como
resultado 15 que fallan en una o ms pruebas. Encuentre un intervalo de confianza de 90% para la
proporcin de los reproductores de discos compactos de la poblacin que no pasan todas las
pruebas.
Solucin:
n=500
p = 15/500 = 0.03
z(0.90) = 1.645

0.0237<P<0.0376
Se sabe con un nivel de confianza del 90% que la proporcin de discos defectuosos que no pasan
la prueba en esa poblacin esta entre 0.0237 y 0.0376.
2. En una muestra de 400 pilas tipo B fabricadas por la Everlast Company, se encontraron 20
defectuosas. Si la proporcin p de pilas defectuosas en esa muestra se usa para estimar P, que
vendr a ser la proporcin verdadera de todas las pilas defectuosas tipo B fabricadas por la
Everlast Company, encuentre el mximo error de estimacin tal que se pueda tener un 95% de
confianza en que P dista menos de de p.
Solucin:
p=x/n = 20/400=0.05
z(0.95)=1.96

Si p=0.05 se usa para estimar P, podemos tener un 95% de confianza en que P dista menos de
0.021 de p. En otras palabras, si p=0.05 se usa para erstimar P, el error mximo de estimacin ser
aproximadamente 0.021 con un nivel de confianza del 95%.
Para calcular el intervalo de confianza se tendra:

Esto da por resultado dos valores, (0.029, 0.071). Con un nivel de confianza del 95% se sabe que
la proporcin de pulas defectuosas de esta compaa est entre 0.029 y 0.071.
Si se requiere un menor error con un mismo nivel de confianza slo se necesita aumentar el
tamao de la muestra.
3. En un estudio de 300 accidentes de automvil en una ciudad especfica, 60 tuvieron consecuencias
fatales. Con base en esta muestra, construya un intervalo del 90% de confianza para aproximar la
proporcin de todos los accidentes automovilsticos que en esa ciudad tienen consecuencias
fatales.
Solucin:
P= 60/300 = 0.20
Z(0.90) = 1.645

0.162<P<0.238
Estimacin de la Diferencia entre dos Medias
Si se tienen dos poblaciones con medias
1
y
2
y varianzas
1
2
y
2
2
, respectivamente, un
estimador puntual de la diferencia entre
1
y
2
est dado por la estadstica . Por tanto. Para
obtener una estimacin puntual de
1
-
2,
se seleccionan dos muestras aleatorias independientes, una de cada poblacin, de tamao n
1
y n
2
,
se calcula la diferencia , de las medias muestrales.
Recordando a la distribucin muestral de diferencia de medias:

Al despejar de esta ecuacin
1
-
2
se tiene:

En el caso en que se desconozcan las varianzas de la poblacin y los tamaos de muestra sean mayores a
30 se podr utilizar la varianza de la muestra como una estimacin puntual.
Ejemplos:
1. Se lleva a cabo un experimento en que se comparan dos tipos de motores, A y B. Se mide el
rendimiento en millas por galn de gasolina. Se realizan 50 experimentos con el motor tipo A y 75
con el motor tipo B. La gasolina que se utiliza y las dems condiciones se mantienen constantes.
El rendimiento promedio de gasolina para el motor A es de 36 millas por galn y el promedio para
el motor B es 24 millas por galn. Encuentre un intervalo de confianza de 96% sobre la diferencia
promedio real para los motores A y B. Suponga que las desviaciones estndar poblacionales son 6
y 8 para los motores A y B respectivamente.
Solucin:
Es deseable que la diferencia de medias sea positiva por lo que se recomienda restar la media
mayor menos la media menor. En este caso ser la media del motor B menos la media del motor
A.
El valor de z para un nivel de confianza del 96% es de 2.05.

3.43<
B
-
A
<8.57
La interpretacin de este ejemplo sera que con un nivel de confianza del 96% la diferencia del
rendimiento promedio esta entre 3.43 y 8.57 millas por galn a favor del motor B. Esto quiere
decir que el motor B da mas rendimiento promedio que el motor A, ya que los dos valores del
intervalo son positivos.
2. Una compaa de taxis trata de decidir si comprar neumticos de la marca A o de la B para su
flotilla de taxis. Para estimar la diferencia de las dos marcas, se lleva a cabo un experimento
utilizando 12 de cada marca. Los neumticos se utilizan hasta que se desgastan, dando como
resultado promedio para la marca A 36,300 kilmetros y para la marca B 38,100 kilmetros.
Calcule un intervalo de confianza de 95% para la diferencia promedio de las dos marcas, si se
sabe que las poblaciones se distribuyen de forma aproximadamente normal con desviacin
estndar de 5000 kilmetros para la marca A y 6100 kilmetros para la marca B.
Solucin:

-2662.68<
B
-
A
<6262.67
Grficamente:

Como el intervalo contiene el valor "cero", no hay razn para creer que el promedio de duracin
del neumtico de la marca B es mayor al de la marca A, pues el cero nos est indicando que
pueden tener la misma duracin promedio.
Estimacin de la Diferencia de dos Proporciones
En la seccin anterior se vio el tema de la generacin de las distribuciones muestrales, en
donde se tena el valor de los parmetros, se seleccionaban dos muestras y podamos calcular
la probabilidad del comportamiento de los estadsticos. Para este caso en particular se utilizar
la distribucin muestral de diferencia de proporciones para la estimacin de las misma.
Recordando la formula:

Despejando P
1
-P
2
de esta ecuacin:

Aqu se tiene el mismo caso que en la estimacin de una proporcin, ya que al hacer el
despeje nos queda las dos proporciones poblacionales y es precisamente lo que queremos
estimar, por lo que se utilizarn las proporciones de la muestra como estimadores puntuales:

Ejemplos:
1. Se considera cierto cambio en un proceso de fabricacin de partes componentes. Se
toman muestras del procedimiento existente y del nuevo para determinar si ste tiene
como resultado una mejora. Si se encuentra que 75 de 1500 artculos del procedimiento
actual son defectuosos y 80 de 2000 artculos del procedimiento nuevo tambin lo son,
encuentre un intervalo de confianza de 90% para la diferencia real en la fraccin de
defectuosos entre el proceso actual y el nuevo.
Solucin:
Sean P
1
y P
2
las proporciones reales de defectuosos para los procesos actual y nuevo,
respectivamente. De aqu, p
1
=75/1500 = 0.05 y p
2
= 80/2000 = 0.04. con el uso de la
tabla encontramos que z para un nivel de confianza del 90% es de 1.645.

-0.0017<P
1
-P
2
<0.0217
Como el intervalo contiene el valor de cero, no hay razn para creer que el nuevo
procedimiento producir una disminucin significativa en la proporcin de artculos
defectuosos comparado con el mtodo existente.
2. Un artculo relacionado con la salud, reporta los siguientes datos sobre la incidencia de
disfunciones importantes entre recin nacidos con madres fumadoras de marihuana y de
madres que no la fumaban:
Usuaria No Usuaria
Tamao Muestral 1246 11178
Nmero de disfunciones 42 294
Proporcin muestral 0.0337 0.0263
Encuentre el intervalo de confianza del 99% para la diferencia de proporciones.
Solucin:
Representemos P
1
la proporcin de nacimientos donde aparecen disfunciones entre todas las
madres que fuman marihuana y definamos P
2
, de manera similar, para las no fumadoras. El
valor de z para un 99% de confianza es de 2.58.

-0.0064<P
1
-P
2
<0.0212
Este intervalo es bastante angosto, lo cual sugiere que P
1
-P
2
ha sido estimado de manera
precisa.
Determinacin de Tamaos de Muestra para Estimaciones
Al iniciar cualquier investigacin, la primer pregunta que surge es: de qu tamao debe ser la
o las muestras?. La respuesta a esta pregunta la veremos en esta seccin, con conceptos que
ya se han visto a travs de este material.

Clculo del Tamao de la Muestra para Estimar una Media
Qu tan grande debe ser una muestra si la media muestral se va a usar para estimar la media
poblacional?. La respuesta depende del error estndar de la media, si este fuera cero,
entonces se necesitara una sola media que ser igual necesariamente a la media poblacional
desconocida , porque = 0. Este caso extremo no se encuentra en la prctica, pero
refuerza el hecho de que mientras menor sea el error estndar de la media, menor es el
tamao de muestra necesario para lograr un cierto grado de precisin.
Se estableci antes que una forma de disminuir el error de estimacin es aumentar el tamao
de la muestra, si ste incluye el total de la poblacin, entonces sera igual a cero. Con
esto en mente, parece razonable que para un nivel de confianza fijo, sea posible determinar un
tamao de la muestra tal que el error de estimacin sea tan pequeo como queramos, para ser
mas preciso, dado un nivel de confianza y un error fijo de estimacin , se puede escoger un
tamao de muestra n tal que P( ) = Nivel de confianza. Con el propsito de
determinar n. El error mximo de estimacin esta dado por:

Si se eleva al cuadrado ambos lados de esta ecuacin y se despeja n de la ecuacin
resultante, obtenemos:

Como n debe de ser un nmero entero, redondeamos hacia arriba todos los resultados
fraccionarios.
En el caso de que se tenga una poblacin finita y un muestreo sin reemplazo, el error de
estimacin se convierte en:

De nuevo se eleva al cuadrado ambos lados y se despeja la n, obteniendo:

Ejemplos:
1. Un bilogo quiere estimar el peso promedio de los ciervos cazados en el estado de
Maryland. Un estudio anterior de diez ciervos cazados mostr que la desviacin
estndar de sus pesos es de 12.2 libras. Qu tan grande debe ser una muestra para
que el bilogo tenga el 95% de confianza de que el error de estimacin es a lo ms de 4
libras?
Solucin:

En consecuencia, si el tamao de la muestra es 36, se puede tener un 95% de confianza
en que difiere en menos de 4 libras de .
2. Una empresa elctrica fabrica focos que tienen una duracin aproximadamente normal
con una desviacin estndar de 40 horas. De qu tamao se necesita una muestra si
se desea tener 96% de confianza que la media real est dentro de 10 horas de la media
real?

Se necesita una muestra de 68 focos para estimar la media de la poblacin y tener un
error mximo de 10 horas.
Qu pasara si en lugar de tener un error de estimacin de 10 horas slo se requiere
un error de 5 horas?

Se puede observar como el tamao de la muestra aumenta, pero esto tiene como
beneficio una estimacin ms exacta.
3. Suponga que en el ejercicio anterior se tiene una poblacin de 300 focos, y se desea
saber de que tamao debe de ser la muestra. El muestreo se realizar sin reemplazo.
Solucin:
Como se tiene una poblacin finita y un muestreo sin reemplazo es necesario utilizar la formula
con el factor de correccin.

Si se tiene una poblacin finita de 300 focos slo se tiene que extraer de la poblacin una
muestra sin reemplazo de 56 focos para poder estimar la duracin media de los focos restantes
con un error mximo de 10 horas.
Clculo del Tamao de la Muestra para Estimar una Proporcin
Se desea saber que tan grande se requiere que sea una muestra para asegurar que el error al
estimar P sea menor que una cantidad especfica .

Elevando al cuadrado la ecuacin anterior se despeja n y nos queda:

Esta frmula est algo engaosa, pues debemos utilizar p para determinar el tamao de la
muestra, pero p se calcula a partir de la muestra. Existen ocasiones en las cuales se tiene una
idea del comportamiento de la proporcin de la poblacin y ese valor se puede sustituir en la
frmula, pero si no se sabe nada referente a esa proporcin entonces se tienen dos opciones:
- Tomar una muestra preliminar mayor o igual a 30 para proporcionar una estimacin de
P. Despus con el uso de la frmula se podra determinar de forma aproximada cuntas
observaciones se necesitan para proporcionar el grado de precisin que se desea.
- Tomar el valor de p como 0.5 ya que sustituyendo este en la frmula se obtiene el
tamao de muestra mayor posible. Observe el siguiente ejemplo:
Se desconoce el valor de P, por lo que se utilizarn diferentes valores y se sustituirn en la
formula para observar los diferentes tamaos de muestras. El nivel de confianza que se
utilizar es del 95% con un error de estimacin de 0.30.
p

n
0.10

3.84
0.20

6.82
0.30

8.96
0.40

10.24
0.50

10.67
0.60

10.24
0.70

8.96
0.80

6.82
0.90

3.84
Como se puede observar en la tabla anterior cuando P vale 0.5 el tamao de la muestra
alcanza su mximo valor.
En el caso de que se tenga una poblacin finita y un muestreo sin reemplazo, el error de
estimacin se convierte en:

De nuevo se eleva al cuadrado ambos lados y se despeja la n, obteniendo:


Ejemplos:
1. En una muestra aleatoria de 500 familias que tienen televisores en la ciudad de
Hamilton, Canad, se encuentra que 340 estn suscritas a HBO. Qu tan grande se
requiere que sea una muestra si se quiere tener 95% de confianza de que la estimacin
de P est dentro de 0.02?
Solucin:
Se tratarn a las 500 familias como una muestra preliminar que proporciona una
estimacin de p=340/500=0.68.

Por lo tanto si basamos nuestra estimacin de P sobre una muestra aleatoria de tamao
2090, se puede tener una confianza de 95% de que nuestra proporcin muestral no
diferir de la proporcin real por ms de 0.02.
2. Una legisladora estatal desea encuestar a los residentes de su distrito para conocer qu
proporcin del electorado conoce la opinin de ella, respecto al uso de fondos estatales
para pagar abortos. Qu tamao de muestra se necesita si se requiere un confianza
del 95% y un error mximo de estimacin de 0.10?
Solucin:
En este problema, se desconoce totalmente la proporcin de residentes que conoce la opinin
de la legisladora, por lo que se utilizar un valor de 0.5 para p.

Se requiere un tamao de muestra de 97 residentes para que con una confianza del 95% la
estimacin tenga un error mximo de 0.10.
Clculo del Tamao de la Muestra para Estimar la Diferencia de Medias
Si se recuerda a la distribucin muestral de diferencia de medias se tiene que error esta dado
por:

En esta ecuacin se nos pueden presentar dos casos:
- Los tamaos de muestra son iguales.
- Los tamao de muestra son diferentes .
Para el primer caso no se tiene ningn problema, se eleva al cuadrado la ecuacin y se
despeja n ya que n
1
es igual a n
2.

Para el segundo caso se pondr una n en funcin de la otra. Este caso se utiliza cuando las
poblaciones son de diferente tamao y se sabe que una es K veces mayor que la otra.


Ejemplo:
Un director de personal quiere comparar la efectividad de dos mtodos de entrenamiento para
trabajadores industriales a fin de efectuar cierta operacin de montaje. Se divide un nmero de
operarios en dos grupos iguales: el primero recibe el mtodo de entrenamiento 1, y el segundo,
el mtodo 2. Cada uno realizar la operacin de montaje y se registrar el tiempo de trabajo.
Se espera que las mediciones para ambos grupos tengan una desviacin estndar
aproximadamente de 2 minutos. Si se desea que la estimacin de la diferencia en tiempo
medio de montaje sea correcta hasta por un minuto, con una probabilidad igual a 0.95,
cuntos trabajadores se tienen que incluir en cada grupo de entrenamiento?

Cada grupo debe contener aproximadamente 31 empleados.
Clculo del Tamao de la Muestra para Estimar la Diferencia de Proporciones
Si se recuerda a la distribucin muestral de diferencia de medias se tiene que error esta dado
por:

En esta ecuacin se nos pueden presentar dos casos:
- Los tamaos de muestra son iguales.
- Los tamao de muestra son diferentes .
Para el primer caso no se tiene ningn problema, se eleva al cuadrado la ecuacin y se
despeja n ya que n
1
es igual a n
2.

Para el segundo caso se pondr una n en funcin de la otra. Este caso se utiliza cuando las
poblaciones son de diferente tamao y se sabe que una es K veces mayor que la otra.


Ejemplo: Una compaa de productos alimenticios contrat a una empresa de investigacin de
mercadotecnia , para muestrear dos mercados, I y II, a fin de comparar las proporciones de
consumidores que prefieren la comida congelada de la compaa con los productos de sus
competidores. No hay informacin previa acerca de la magnitud de las proporciones P
1
y P
2
. Si
la empresa de productos alimenticios quiere estimar la diferencia dentro de 0.04, con una
probabilidad de 0.95, cuntos consumidores habr que muestrear en cada mercado?

Se tendr que realizar encuestas a 1201 consumidores de cada mercado para tener una
estimacin con una confianza del 95% y un error mximo de 0.04.
Problemas propuestos
1. Se prob una muestra aleatoria de 400 cinescopios de televisor y se encontraron 40
defectuosos. Estime el intervalo que contiene, con un coeficiente de confianza de 0.90, a
la verdadera fraccin de elementos defectuosos.
2. Se planea realizar un estudio de tiempos para estimar el tiempo medio de un trabajo,
exacto dentro de 4 segundos y con una probabilidad de 0.90, para terminar un trabajo de
montaje. Si la experiencia previa sugiere que = 16 seg. mide la variacin en el tiempo
de montaje entre un trabajador y otro al realizar una sola operacin de montaje,
cuntos operarios habr que incluir en la muestra?
3. El decano registr debidamente el porcentaje de calificaciones D y F otorgadas a los
estudiantes por dos profesores universitarios de matemticas. El profesor I alcanz un
32%, contra un 21% para el profesor II, con 200 y 180 estudiantes, respectivamente.
Estime la diferencia entre los porcentajes de calificaciones D y F otorgadas por los dos
profesores. Utilice un nivel de confianza del 95% e interprete los resultados.

4. Suponga que se quiere estimar la produccin media por hora, en un proceso que
produce antibitico. Se observa el proceso durante 100 perodos de una hora,
seleccionados al azar y se obtiene una media de 34 onzas por hora con una desviacin
estndar de 3 onzas por hora. Estime la produccin media por hora para el proceso,
utilizando un nivel de confianza del 95%.
5. Un ingeniero de control de calidad quiere estimar la fraccin de elementos defectuosos
en un gran lote de lmparas. Por la experiencia, cree que la fraccin real de defectuosos
tendra que andar alrededor de 0.2. Qu tan grande tendra que seleccionar la muestra
si se quiere estimar la fraccin real, exacta dentro de 0.01, utilizando un nivel de
confianza fe 95%?
6. Se seleccionaron dos muestras de 400 tubos electrnicos, de cada una de dos lneas de
produccin, A y B. De la lnea A se obtuvieron 40 tubos defectuosos y de la B 80. Estime
la diferencia real en las fracciones de defectuosos para las dos lneas, con un coeficiente
de confianza de 0.90 e interprete los resultados.
7. Se tienen que seleccionar muestras aleatorias independientes de n
1
=n
2
=n
observaciones de cada una de dos poblaciones binomiales, 1 y 2. Si se desea estimar la
diferencia entre los dos parmetros binomiales, exacta dentro de 0.05, con una
probabilidad de 0.98. qu tan grande tendra que ser n?. No se tiene informacin
anterior acerca de los valores P
1
y P
2
, pero se quiere estar seguro de tener un nmero
adecuado de observaciones en la muestra.
8. Se llevan a cabo pruebas de resistencia a la tensin sobre dos diferentes clases de
largueros de aluminio utilizados en la fabricacin de alas de aeroplanos comerciales. De
la experiencia pasada con el proceso de fabricacin se supone que las desviaciones
estndar de las resistencias a la tensin son conocidas. La desviacin estndar del
larguero 1 es de 1.0 Kg/mm
2
y la del larguero 2 es de 1.5 Kg/mm
2
. Se sabe que el
comportamiento de las resistencias a la tensin de las dos clases de largueros son
aproximadamente normal. Se toma una muestra de 10 largueros del tipo 1 obtenindose
una media de 87.6 Kg/mm
2
, y otra de tamao 12 para el larguero 2 obtenindose una
media de 74.5 Kg/mm
2
. Estime un intervalo de confianza del 90% para la diferencia en la
resistencia a la tensin promedio.
9. Se quiere estudiar la tasa de combustin de dos propelentes slidos utilizados en los
sistemas de escape de emergencia de aeroplanos. Se sabe que la tasa de combustin
de los dos propelentes tiene aproximadamente la misma desviacin estndar; esto es
1
=
2
= 3 cm/s. Qu tamao de muestra debe utilizarse en cada poblacin si se desea que el error
en la estimacin de la diferencia entre las medias de las tasas de combustin sea menor que 4
cm/s con una confianza del 99%?.

Respuesta a los Problemas propuestos
1. 0.07532 P 0.1246
2. n= 44
3. 0.0222 P
1
- P
2
0.1978
4. 33.412 34.588
5. n= 6147
6. 0.059 P
B
-P
A
0.141
7. n= 1086
8. 12.22
1
-
2
13.98
9. n= 8
UNIDAD II
PRUEBA DE HIPOTESIS
Las secciones anteriores han mostrado cmo puede estimarse un parmetro a partir de los
datos contenidos en una muestra. Puede encontrarse ya sea un slo nmero (estimador
puntual) o un intervalo de valores posibles (intervalo de confianza). Sin embargo, muchos
problemas de ingeniera, ciencia, y administracin, requieren que se tome una decisin entre
aceptar o rechazar una proposicin sobre algn parmetro. Esta proposicin recibe el nombre
de hiptesis. Este es uno de los aspectos ms tiles de la inferencia estadstica, puesto que
muchos tipos de problemas de toma de decisiones, pruebas o experimentos en el mundo de la
ingeniera, pueden formularse como problemas de prueba de hiptesis.
Una hiptesis estadstica es una proposicin o supuesto sobre los parmetros de una o ms
poblaciones.
Suponga que se tiene inters en la rapidez de combustin de un agente propulsor slido
utilizado en los sistemas de salida de emergencia para la tripulacin de aeronaves. El inters
se centra sobre la rapidez de combustin promedio. De manera especfica, el inters recae en
decir si la rapidez de combustin promedio es o no 50 cm/s. Esto puede expresarse de manera
formal como
H
o
; = 50 cm/s
H
1
; 50 cm/s
La proposicin H
o
; = 50 cm/s, se conoce como hiptesis nula, mientras que la proposicin
H
1
; 50 cm/s, recibe el nombre de hiptesis alternativa. Puesto que la hiptesis
alternativa especifica valores de que pueden ser mayores o menores que 50 cm/s, tambin
se conoce como hiptesis alternativa bilateral. En algunas situaciones, lo que se desea es
formular una hiptesis alternativa unilateral, como en
H
o
; = 50 cm/s H
o
; = 50 cm/s

H
1
; < 50 cm/s H
1
; > 50 cm/s
Es importante recordar que las hiptesis siempre son proposiciones sobre la poblacin o
distribucin bajo estudio, no proposiciones sobre la muestra. Por lo general, el valor del
parmetro de la poblacin especificado en la hiptesis nula se determina en una de tres
maneras diferentes:
1. Puede ser resultado de la experiencia pasada o del conocimiento del proceso, entonces
el objetivo de la prueba de hiptesis usualmente es determinar si ha cambiado el valor
del parmetro.
2. Puede obtenerse a partir de alguna teora o modelo que se relaciona con el proceso bajo
estudio. En este caso, el objetivo de la prueba de hiptesis es verificar la teora o
modelo.
3. Cuando el valor del parmetro proviene de consideraciones externas, tales como las
especificaciones de diseo o ingeniera, o de obligaciones contractuales. En esta
situacin, el objetivo usual de la prueba de hiptesis es probar el cumplimiento de las
especificaciones.
Un procedimiento que conduce a una decisin sobre una hiptesis en particular recibe el
nombre de prueba de hiptesis. Los procedimientos de prueba de hiptesis dependen del
empleo de la informacin contenida en la muestra aleatoria de la poblacin de inters. Si esta
informacin es consistente con la hiptesis, se concluye que sta es verdadera; sin embargo si
esta informacin es inconsistente con la hiptesis, se concluye que esta es falsa. Debe hacerse
hincapi en que la verdad o falsedad de una hiptesis en particular nunca puede conocerse
con certidumbre, a menos que pueda examinarse a toda la poblacin. Usualmente esto es
imposible en muchas situaciones prcticas. Por tanto, es necesario desarrollar un
procedimiento de prueba de hiptesis teniendo en cuenta la probabilidad de llegar a una
conclusin equivocada.
La hiptesis nula, representada por H
o
, es la afirmacin sobre una o ms caractersticas de
poblaciones que al inicio se supone cierta (es decir, la "creencia a priori").
La hiptesis alternativa, representada por H
1
, es la afirmacin contradictoria a H
o
, y sta es la
hiptesis del investigador.
La hiptesis nula se rechaza en favor de la hiptesis alternativa, slo si la evidencia muestral
sugiere que H
o
es falsa. Si la muestra no contradice decididamente a H
o
, se contina creyendo
en la validez de la hiptesis nula. Entonces, las dos conclusiones posibles de un anlisis por
prueba de hiptesis son rechazar H
o
o no rechazar H
o
.
Prueba de una Hiptesis Estadstica
Para ilustrar los conceptos generales, considere el problema de la rapidez de combustin del
agente propulsor presentado con anterioridad. La hiptesis nula es que la rapidez promedio de
combustin es 50 cm/s, mientras que la hiptesis alternativa es que sta no es igual a 50 cm/s.
Esto es, se desea probar:
H
o
; = 50 cm/s
H
1
; 50 cm/s
Supngase que se realiza una prueba sobre una muestra de 10 especmenes, y que se
observa cual es la rapidez de combustin promedio muestral. La media muestral es un
estimador de la media verdadera de la poblacin. Un valor de la media muestral que este
prximo al valor hipottico = 50 cm/s es una evidencia de que el verdadero valor de la media
es realmente 50 cm/s; esto es, tal evidencia apoya la hiptesis nula H
o
. Por otra parte, una
media muestral muy diferente de 50 cm/s constituye una evidencia que apoya la hiptesis
alternativa H
1
. Por tanto, en este caso, la media muestral es el estadstico de prueba.
La media muestral puede tomar muchos valores diferentes. Supngase que si 48.5 51.5,
entonces no se rechaza la hiptesis nula H
o
; = 50 cm/s, y que si <48.5 >51.5, entonces
se acepta la hiptesis alternativa H
1
; 50 cm/s.
Los valores de que son menores que 48.5 o mayores que 51.5 constituyen la regin crtica
de la prueba, mientras que todos los valores que estn en el intervalo 48.5 51.5 forman la
regin de aceptacin. Las fronteras entre las regiones crtica y de aceptacin reciben el
nombre de valores crticos. La costumbre es establecer conclusiones con respecto a la
hiptesis nula H
o
. Por tanto, se rechaza H
o
en favor de H
1
si el estadstico de prueba cae en la
regin crtica, de lo contrario, no se rechaza H
o
.
Este procedimiento de decisin puede conducir a una de dos conclusiones errneas. Por
ejemplo, es posible que el valor verdadero de la rapidez promedio de combustin del agente
propulsor sea igual a 50 cm/s. Sin embargo, para todos los especmenes bajo prueba, bien
puede observarse un valor del estadstico de prueba que cae en la regin crtica. En este
caso, la hiptesis nula H
o
ser rechazada en favor de la alternativa H
1
cuando, de hecho, H
o
en
realidad es verdadera. Este tipo de conclusin equivocada se conoce como error tipo I.
El error tipo I se define como el rechazo de la hiptesis nula H
o
cuando sta es verdadera.
Tambin es conocido como nivel de significancia.
Si tuviramos un nivel de confianza del 95% entonces el nivel de significancia sera del 5%.
Anlogamente si se tiene un nivel de confianza del 90% entonces el nivel de significancia sera
del 10%.
Ahora supngase que la verdadera rapidez promedio de combustin es diferente de 50 cm/s,
aunque la media muestral caiga dentro de la regin de aceptacin. En este caso se acepta H
o

cuando sta es falsa. Este tipo de conclusin recibe el nombre de error tipo II.
El error tipo II error se define como la aceptacin de la hiptesis nula cuando sta es
falsa.
Por tanto, al probar cualquier hiptesis estadstica, existen cuatro situaciones diferentes que
determinan si la decisin final es correcta o errnea.
Decisin H
o
es verdadera H
o
es falsa
Aceptar H
o
No hay error
Error tipo II
Rechazar H
o
Error tipo I No hay error
1. Los errores tipo I y tipo II estn relacionados. Una disminucin en la probabilidad de uno
por lo general tiene como resultado un aumento en la probabilidad del otro.
2. El tamao de la regin crtica, y por tanto la probabilidad de cometer un error tipo I,
siempre se puede reducir al ajustar el o los valores crticos.
3. Un aumento en el tamao muestral n reducir y de forma simultnea.
4. Si la hiptesis nula es falsa, es un mximo cuando el valor real del parmetro se
aproxima al hipottico. Entre ms grande sea la distancia entre el valor real y el valor
hipottico, ser menor
. PASOS PARA ESTABLECER UN ENSAYO DE HIPOTESIS
INDEPENDIENTEMENTE DE LA DISTRIBUCION QUE SE ESTE TRATANDO
1. Interpretar correctamente hacia que distribucin muestral se ajustan los datos del
enunciado.
2. Interpretar correctamente los datos del enunciado diferenciando los parmetros de los
estadsticos. As mismo se debe determinar en este punto informacin implcita como el
tipo de muestreo y si la poblacin es finita o infinita.
3. Establecer simultneamente el ensayo de hiptesis y el planteamiento grfico del
problema. El ensayo de hiptesis est en funcin de parmetros ya que se quiere
evaluar el universo de donde proviene la muestra. En este punto se determina el tipo de
ensayo (unilateral o bilateral).
4. Establecer la regla de decisin. Esta se puede establecer en funcin del valor crtico, el
cual se obtiene dependiendo del valor de (Error tipo I o nivel de significancia) o en
funcin del estadstico lmite de la distribucin muestral. Cada una de las hiptesis
deber ser argumentada correctamente para tomar la decisin, la cual estar en funcin
de la hiptesis nula o H
o
.
5. Calcular el estadstico real, y situarlo para tomar la decisin.
6. Justificar la toma de decisin y concluir.
Tipos de Ensayo
Se pueden presentar tres tipos de ensayo de hiptesis que son:
- Unilateral Derecho
- Unilateral Izquierdo
- Bilateral
Dependiendo de la evaluacin que se quiera hacer se seleccionar el tipo de ensayo.
- Unilateral Derecho. El investigador desea comprobar la hiptesis de un aumento en el parmetro,
en este caso el nivel de significancia se carga todo hacia el lado derecho, para definir las regiones
de aceptacin y de rechazo.
Ensayo de hiptesis:
H
o
; Parmetro x
H
1
; Parmetro > x
- Unilateral Izquierdo: El investigador desea comprobar la hiptesis de una disminucin en
el parmetro, en este caso el nivel de significancia se carga todo hacia el lado izquierdo,
para definir las regiones de aceptacin y de rechazo.
Ensayo de hiptesis:
H
o
; Parmetro x
H
1
; Parmetro < x

- Bilateral: El investigador desea comprobar la hiptesis de un cambio en el parmetro. El
nivel de significancia se divide en dos y existen dos regiones de rechazo.
Ensayo de hiptesis:
H
o
; Parmetro = x
H
1
; Parmetro x

Para realizar los ejemplos y ejercicios de ensayo de hiptesis se recomienda seguir los pasos
mencionados anteriormente. Los ejemplos siguientes se solucionarn por los pasos
recomendados, tenindose una variedad de problemas en donde se incluirn a todas las
distribuciones muestrales que se han visto hasta aqu.
Ejemplos:
1. Una muestra aleatoria de 100 muertes registradas en Estados Unidos el ao pasado
muestra una vida promedio de 71.8 aos. Suponga una desviacin estndar poblacional
de 8.9 aos, esto parece indicar que la vida media hoy en da es mayor que 70 aos?
Utilice un nivel de significancia de 0.05.
Solucin:
1. Se trata de una distribucin muestral de medias con desviacin estndar conocida.
2. Datos:
=70 aos
= 8.9 aos
= 71.8 aos
n = 100
= 0.05
3. Ensayo de hiptesis
H
o
; = 70 aos.
H
1
; > 70 aos.

4. Regla de decisin:
Si z
R
1.645 no se rechaza H
o
.
Si z
R
> 1.645 se rechaza H
o
.
5. Clculos:

6. Justificacin y decisin.
Como 2.02 >1.645 se rechaza H
o
y se concluye con un nivel de significancia del 0.05
que la vida media hoy en da es mayor que 70 aos.
Existe otra manera de resolver este ejercicio, tomando la decisin en base al estadstico real,
en este caso la media de la muestra. De la formula de la distribucin muestral de medias se
despeja la media de la muestra:



Regla de decisin:
Si 71.46 No se rechaza H
o
Si > 71.46 Se rechaza H
o
Como la media de la muestral es de 71.8 aos y es mayor al valor de la media muestral lmite
de 71.46 por lo tanto se rechaza H
o
y se llega a la misma conclusin.
2. Una empresa elctrica fabrica focos que tienen una duracin que se distribuye de forma
aproximadamente normal con una media de 800 horas y una desviacin estndar de 40
horas. Si una muestra aleatoria de 30 focos tiene una duracin promedio de 788 horas,
muestran los datos suficiente evidencia para decir que la duracin media ha cambiado?
Utilice un nivel de significancia del 0.04.
Solucin: Se trata de una distribucin muestral de medias con desviacin estndar conocida.
1. Datos:
=800 horas
= 40 horas
= 788 horas
n = 30
= 0.04
3. Ensayo de hiptesis
H
o
; = 800 horas
H
1
; 800 horas

4. Regla de Decisin:
Si 2.052 Z
R
2.052 No se rechaza H
o
Si Z
R
< -2.052 si Z
R
> 2.052 Se rechaza H
o
5. Clculos:


6. Justificacin y decisin:
Como 2.052 -1.643 2.052 por lo tanto, no se rechaza H
o
y se concluye con un nivel
de significancia del 0.04 que la duracin media de los focos no ha cambiado.
Solucin por el otro mtodo:
785.02 y 814.98

Regla de decisin:
Si 785.02 814.98 No se rechaza H
o
Si < 785.02 > 814.98 se rechaza H
o
Como la = 788 horas, entonces no se rechaza H
o
y se concluye que la duracin media de los
focos no ha cambiado.
3. Una muestra aleatoria de 64 bolsas de palomitas de maz pesan, en pomedio 5.23
onzas con una desviacin estndar de 0.24 onzas. Pruebe la hiptesis de que = 5.5
onzas contra al hiptesis alternativa,
< 5.5 onzas en el nivel de significamcia de 0.05.
Solucin: Se trata de una distribucin muestral de medias con desviacin estndar
desconocida, pero como el tamao de muestra es mayor a 30 se puede tomar la desviacin
muestral como un estimador puntual para la poblacional.
1. Datos:
= 5.5 onzas
s= 0.24 onzas
= 5.23 onzas
n = 64
= 0.05
3. Ensayo de hiptesis
H
o
; = 5.5 onzas
H
1
; < 5.5 onzas

4. Regla de decisin:
Si Z
R
-1.645 No se rechaza H
o
Si Z
R
< -1.645 Se rechaza H
o
5. Clculos:

6. Justificacin y decisin:
Como 9 < -1.645 por lo tanto se rechaza H
o
y se concluye con un nivel de significancia
del 0.05 que las bolsas de palomitas pesan en promedio menos de 5.5 onzas.
Solucin por el otro mtodo:


Regla de decisin:
Si 5.45 No se Rechaza H
o
Si < 5.45 Se rechaza H
o
Como la = 5.23 y este valor es menor que 5.45 pot lo tanto se rechaza H
o
.
4. Un constructor afirma que se instalan bombas de calor en 70% de todas las casas que
se construyen hoy en da en la ciudad de Richmond. Estara de acuerdo con esta
afirmacin si una investigacin de casas nuevas en esta ciudad muestra que 8 de 15
tienen instaladas bombas de calor? Utilice un nivel de significancia de 0.10.
Solucin:
1. Se trata de una distribucin muestral de proporciones.
2. Datos:
P= 0.70
p = 8/15 = 0.5333
n = 15
= 0.10
3. Ensayo de hiptesis
H
o
; P = 0.70
H
1
; P 0.70

4. Regla de Decisin:
Si 1.645 Z
R
1.645 No se rechaza H
o
Si Z
R
< -1.645 si Z
R
> 1.645 Se rechaza H
o
5. Clculos:

6. Justificacin y decisin:
Como 1.645 -1.41 1.645 No se rechaza H
o
y se concluye con un nivel de
significancia de 0.10 que la afirmacin del constructor es cierta.
Solucin por el otro mtodo:
= 0.505 y 0.894

Regla de decisin:
Si 0.505 p
R
0.894 No se rechaza H
o
Si p
R
< 0.505 si Z
R
> 0.894 Se rechaza H
o
Como el valor del estadstico real es de 0.533 por lo tanto no se rechaza H
o
y se llega a la
misma conclusin.
3. Un fabricante de semiconductores produce controladores que se emplean en
aplicaciones de motores automovilsticos. El cliente requiere que la fraccin de
controladores defectuosos en uno de los pasos de manufactura crticos no sea mayor
que 0.05, y que el fabricante demuestre esta caracterstica del proceso de fabricacin
con este nivel de calidad, utilizando
= 0.05. El fabricante de semiconductores toma una muestra aleatoria de 200 dispositivos y
encuentra que cuatro de ellos son defectuosos. El fabricante puede demostrar al cliente la
calidad del proceso?
Solucin:
1. Se trata de una distribucin muestral de proporciones.
2. Datos:
P= 0.05
p = 4/200 = 0.02
n = 200
= 0.05
3. Ensayo de hiptesis
H
o
; P = 0.05
H
1
; P < 0.05

4. Regla de decisin:
Si Z
R
-1.645 No se rechaza H
o
Si Z
R
< -1.645 Se rechaza H
o
5. Clculos:

6. Justificacin y decisin:
Puesto que 1.946<-1.645, se rechaza H
o
y se concluye con un nivel de significancia del
0.05 que la fraccin de artculos defectuosos es menor que 0.05.
6. Un diseador de productos est interesado en reducir el tiempo de secado de una
pintura tapaporos. Se prueban dos frmulas de pintura; la frmula 1 tiene el contenido
qumico estndar, y la frmula 2 tiene un nuevo ingrediente secante que debe reducir el
tiempo de secado. De la experiencia se sabe que la desviacin estndar del tiempo de
secado es ocho minutos, y esta variabilidad inherente no debe verse afectada por la
adicin del nuevo ingrediente. Se pintan diez especmenes con la frmula 1, y otros diez
con la frmula 2. Los dos tiempos promedio de secado muestrales son 121 min y 112
min respectivamente. A qu conclusiones puede llegar el diseador del producto sobre
la eficacia del nuevo ingrediente, utilizando
= 0.05?
Solucin:
1. Se trata de una distribucin muestral de diferencia de medias con desviacin estndar
conocida.
2. Datos:
1
=
2
= 8

n
1
=n
2
= 10
= 0.05
3. Ensayo de hiptesis
H
o
;
1
-
2
= 0
H
1
;
1
-
2
> 0 Se desea rechazar H
o
si el nuevo ingrediente disminuye el tiempo
promedio de secado, por eso se pone la diferencia mayor a cero o sea positiva para
poder probar que
2
es menor que
1
.

4. Regla de decisin:
Si z
R
1.645 no se rechaza H
o
.
Si z
R
> 1.645 se rechaza H
o
.
5. Clculos:

6. Justificacin y decisin:
Puesto que 2.52>1.645, se rechaza H
o
, y se concluye con un nivel de significancia de
0.05 que la adicin del nuevo ingrediente a la pintura si disminuye de manera
significativa el tiempo promedio de secado.




Solucin por el otro mtodo:


Regla de decisin:
Si 5.88 No se rechaza H
o
Si > 5.88 Se rechaza H
o
Puesto que = 121-112 = 9 y este nmero es mayor a 5.88 por lo tanto se
rechaza H
o
.
7. Se utilizan dos mquinas para llenar botellas de plstico con un volumen neto de 16.0
onzas. Las distribuciones de los volmenes de llenado pueden suponerse normales, con
desviaciones estndar
1
= 0.020 y
2
= 0.025 onzas. Un miembro del grupo de
ingeniera de calidad sospecha que el volumen neto de llenado de ambas mquinas es
el mismo, sin importar si ste es o no de 16 onzas. De cada mquina se toma una
muestra aleatoria de 10 botellas. Se encuentra el ingeniero en lo correcto? Utilice
= 0.05
MAQUINA 1 MAQUINA 2
16.03 16.01 16.02 16.03
16.04 15.96 15.97 16.04
16.05 15.98 15.96 16.02
16.05 16.02 16.01 16.01
16.02 15.99 15.99 16.00
Solucin:
1. Se trata de una distribucin muestral de diferencia de medias con desviacin estndar
conocida.
2. Datos:
1
= 0.020
2
= 0.025
Este dato se obtuvo calculando la media de los datos en la mquina 1.
Este dato se obtuvo calculando la media de los datos en la mquina 2.
n
1
=n
2
= 10
= 0.05
3. Ensayo de hiptesis
H
o
;
1
-
2
= 0
H
1
;
1
-
2
0 Si se cae en H
o
se podr probar que el volumen de llenado es el mismo
en las dos mquinas.

4. Regla de Decisin:
Si 1.96 Z
R
1.96 No se rechaza H
o
Si Z
R
< -1.96 si Z
R
> 1.96 Se rechaza H
o
5. Clculos:

6. Justificacin y decisin:
Como 1.96 0.987 1.96 entonces no se rechaza H
o
y se concluye con un nivel de
significancia de 0.05 que las dos mquinas tienen en promedio la misma cantidad de llenado.
Solucin por el otro mtodo:
-0.019 y 0.019

Regla de decisin:
Si 0-019 0.019 No se rechaza H
o
Si < -0.019 > 0.019 Se rechaza H
o
Como = 16.015 16.005 = 0.01, entonces cae en la regin de aceptacin y no
se rechaza H
o
.
8. Existen dos tipos de plstico apropiados para su uso por un fabricante de componentes
electrnicos. La tensin de ruptura de ese plstico es un parmetro importante . Se sabe
que
1
=
2
= 1.0 psi. De una muestra aleatoria de tamao 10 y 12 para cada plstico
respectivamente, se tiene una media de 162.5 para el plstico 1 y de 155 para el plstico
2. La compaa no adoptar el plstico 1 a menos que la tensin de ruptura de ste
exceda a la del plstico 2 al menos por 10 psi. Con base a la informacin contenida en la
muestra, la compaa deber utilizar el plstico 1? Utilice
= 0.05 para llegar a una decisin.
Solucin:
1. Se trata de una distribucin muestral de diferencia de medias con desviacin estndar
conocida.
2. Datos:
1
=
2
= 1.0 psi

n
1
= 10
n
2
= 12
= 0.05
3. Ensayo de hiptesis
H
o
;
1
-
2
= 10
H
1
;
1
-
2
> 10 Se desea rechazar H
o
si la media del plstico 1 supera a la media del
plstico 2 en por lo menos 10 psi.

4. Regla de decisin:
Si z
R
1.645 no se rechaza H
o
.
Si z
R
> 1.645 se rechaza H
o
.
5. Clculos:

6. Justificacin y decisin:
No existe evidencia suficiente para apoyar el uso del plstico 1 ya que
5.83 1.645, por lo tanto no se rechaza H
o
.
Solucin por el otro mtodo:


Regla de decisin:
Si 10.70 No se rechaza H
o
Si > 10.70 Se rechaza H
o
Puesto que = 162.5-155 = 7.5 y este nmero es no es mayor a 10.7 por lo tanto no se
rechaza H
o
.


8. Se evalan dos tipos diferentes de soluciones para pulir, para su posible uso en una
operacin de pulido en la fabricacin de lentes intraoculares utilizados en el ojo humano
despus de una ciruga de cataratas. Se pulen 300 lentes con la primera solucin y, de
stos, 253 no presentaron defectos inducidos por el pulido. Despus se pulen otros 300
lentes con la segunda solucin, de los cuales 196 resultan satisfactorios. Existe alguna
razn para creer que las dos soluciones para pulir son diferentes? Utilice
= 0.01

Solucin:
1. Se trata de una distribucin muestral de diferencia de proporciones.
2. Datos:
p
1
= 253/300= 0.8433
p
2
= 196/300= 0.6533
n
1
=n
2
= 300
3. Ensayo de hiptesis:
H
o
; P
1
-P
2
= 0
H
1
; P
1
-P
2
0

4. Regla de Decisin:
Si 2.575 Z
R
2.575 No se rechaza H
o
Si Z
R
< -2.575 si Z
R
> 2.575 Se rechaza H
o
5. Clculos:

En esta frmula se puede observar que en el denominador se tienen a las proporciones
poblacionales o sea los parmetros, los cuales no se conocen, por lo que en el ensayo
de hiptesis la frmula para poder calcular la Z
R
cambia, estimando a el parmetro
comn P de la siguiente forma:
bien


Entonces la frmula de Z
R
quedara de la siguiente manera:


Se calcular el valor de P:


6. Justificacin y decisin:
Puesto que 5.36>2.575, se rechaza la hiptesis nula y se concluye con un nivel de
significancia de 0.01 que los dos fluidos para pulir son diferentes.
10. Se tomar el voto entre los residentes de una ciudad y el condado circundante para
determinar si se debe construir una planta qumica propuesta. El lugar de construccin
est dentro de los lmites de la ciudad y por esta razn muchos votantes del condado
consideran que la propuesta pasar debido a la gran proporcin de votantes que
favorecen la construccin. Para determinar si hay una diferencia significativa en la
proporcin de votantes de la ciudad y votantes del condado que favorecen la propuesta,
se realiza una encuesta. Si 120 de 200 votantes de la ciudad favorecen la propuesta y
240 de 500 residentes del condado tambin lo hacen, estara de acuerdo en que la
proporcin de votantes de la ciudad que favorecen la propuesta es ms alto que la
proporcin de votantes del condado? Utilice un nivel de significancia de 0.025.
Solucin:
1. Se trata de una distribucin muestral de diferencia de proporciones.
2. Datos:
p
1
= 120/200= 0.60
p
2
= 240/500= 0.48
n
1
= 200
n
2
= 500
3. Ensayo de hiptesis:
H
o
; P
1
-P
2
= 0
H
1
; P
1
-P
2
> 0

4. Regla de decisin:
Si z
R
1.96 no se rechaza H
o
.
Si z
R
> 1.96 se rechaza H
o
.
5. Clculos:
Se calcular el valor de P:


6. Justificacin y decisin:
Puesto que 2.9>1.96, se rechaza la hiptesis nula y se concluye con un nivel de
significancia de 0.025 que la proporcin de votantes de la ciudad a favor de la propuesta
es ms alta que la proporcin de votantes del condado.

Uso de valores P para la toma de decisiones
Al probar hiptesis en las que la estadstica de prueba es discreta, la regin crtica se puede elegir de
forma arbitraria y determinar su tamao. Si es demasiado grande, se puede reducir al hacer un
ajuste en el valor crtico. Puede ser necesario aumentar el tamao de la muestra para
compensar la disminucin que ocurre de manera automtica en la potencia de la prueba
(probabilidad de rechazar H
o
dado que una alternativa especfica es verdadera).
Por generaciones enteras de anlisis estadstico, se ha hecho costumbre elegir un nivel de
significancia de 0.05 0.01 y seleccionar la regin crtica en consecuencia. Entonces, por
supuesto, el rechazo o no rechazo estricto de H
o
depender de esa regin crtica. En la
estadstica aplicada los usuarios han adoptado de forma extensa la aproximacin del valor P.
La aproximacin se disea para dar al usuario una alternativa a la simple conclusin de
"rechazo" o "no rechazo".
La aproximacin del valor P como ayuda en la toma de decisiones es bastante natural pues
casi todos los paquetes de computadora que proporcionan el clculo de prueba de hiptesis
entregan valores de P junto con valores de la estadstica de la prueba apropiada.
- Un valor P es el nivel (de significancia) ms bajo en el que el valor observado de la
estadstica de prueba es significativo.
- El valor P es el nivel de significancia ms pequeo que conduce al rechazo de la
hiptesis nula H
o
.
- El valor P es el mnimo nivel de significancia en el cual H
o
sera rechazada cuando se
utiliza un procedimiento de prueba especificado con un conjunto dado de informacin.
Una vez que el valor de P se haya determinado, la conclusin en cualquier nivel
particular resulta de comparar el valor P con
:
1. Valor P rechazar H
o
al nivel .
2. Valor P > No rechazar H
o
al nivel
.

Ensayo Unilateral Derecho:

Ensayo Unilateral Izquierdo:

Ensayo Bilateral:

Ejemplos:
1. Calcular el valor de P para el primer ejemplo de ensayo de hiptesis en donde se quera
probar que la edad media de los habitantes de Estados Unidos es superior a 70 aos.
Solucin:
1. Ensayo de hiptesis
H
o
; = 70 aos.
H
1
; > 70 aos.

2. Regla de decisin:
Si P 0.05 se rechaza H
o
.
Si P > 0.05 No se rechaza H
o
.
3. Clculos:


Esta es el valor de Z que se utilizar para calcular el valor de P, como es un ensayo
unilateral derecho se calcular el rea a la derecha de este valor.

4. Justificacin y decisin:
Como el valor de P es 0.217 y es menor al valor del nivel de significancia de 0.05 por lo
tanto se rechaza H
0
, y se concluye que la edad media de los habitantes es mayor a 70
aos.
1. Calcular el valor de P para el ejemplo 7 de esta seccin en donde se tiene dos mquinas
y se quiere ver si tienen la misma cantidad promedio de llenado en las botellas de
plstico.
Solucin:
1. Ensayo de hiptesis
H
o
;
1
-
2
= 0
H
1
;
1
-
2
0 Si se cae en H
o
se podr probar que el volumen de llenado es el mismo
en las dos mquinas.

2. Regla de Decisin:
Si P 0.05 Se rechaza H
o
Si P > 0.05 No se rechaza H
o
3. Clculos:

Como este es un ensayo bilateral se proceder a calcular el valor de P mediante el valor de la
Z
R
, positiva y negativa y luego se sumarn las reas.

Como el valor de P es mayor al de , se no se rechaza H
0
, y se concluye que las maquinas
tienen el mismo llenado promedio.
1. Se afirma que un automvil se maneja en promedio ms de 20,000 kilmetros por ao.
Para probar esta afirmacin, se pide a una muestra de 100 propietarios de automviles
que lleven un registro de los kilmetros que viajen. Est de acuerdo con esta
afirmacin si la muestra aleatoria tiene un promedio de 23,500 kilmetros y una
desviacin estndar de 3900 kilmetros? Utilice un valor P para su conclusin.
Solucin:
En este ejercicio no nos manejan ningn valor de , por lo que se proceder a plantear el
ensayo y luego calcular z para poder conocer el valor de P y llegar a una conclusin.
1. Ensayo de hiptesis
H
o
; = 20,000 kilmetros.
H
1
; > 20,000 kilmetros.
2. Clculos:

3. Decisin.
Se observa que este valor de Z es muy grande, ni siquiera se encuentra en la tabla,
entonces quiere decir que el rea a la derecha de ese valor es cero y este sera el valor
de P, por lo que no apoya a la hiptesis nula y se concluye que los automviles se
manejan en promedio ms de 20,000 kilmetros por ao.
4. Se estudia la fraccin de circuitos integrados defectuosos producidos en un proceso de
fotolitografa. Para ello se somete a prueba una muestra de 300 circuitos, en la que 13
son defectuosos. Utilice los datos para probar
H
o
: P=0.05 contra H
1
: P
0.05. Utilice un valor de P para su conclusin.
Solucin:
1. Ensayo de hiptesis
H
o
; P = 0.05
H
1
; P 0.05
2. Clculos:


3. Decisin:
Este valor de P de 0.596 es muy grande por lo que se concluye que la fraccin
defectuosa de circuitos integrados es de 0.05, o sea no se rechaza H
o
.
ERROR TIPO II
Al evaluar un procedimiento de prueba de hiptesis, tambin es importante examinar la
probabilidad del error tipo II, el cual se denota por . Esto es,
= P(error tipo II) = P(aceptar H
o
/ H
o
es falsa)
Para calcular se debe tener una hiptesis alternativa especfica; esto es, debe tenerse un
valor particular del parmetro. Por ejemplo, supngase que es importante rechazar la hiptesis
nula H
o
: = 50 cada vez que la rapidez promedio de combustin es mayor que 52 cm/s o
menor que 48 cm/s. Para ello, puede calcularse la probabilidad de un error tipo II para los
valores = 52 y = 48, y utilizar este resultado para averiguar algo con respecto a la forma en
que se desempear la prueba. De manera especfica, cmo trabajar el procedimiento de
prueba si se desea detectar, esto es, rechazar H
o
, para un valor medio de = 52 = 48?
Dada la simetra, slo es necesario evaluar uno de los dos casos, esto es, encontrar la
probabilidad de aceptar la hiptesis nula H
o
: = 50 cuando el valor verdadero es = 52.
Para hacer este clculo se tendr un tamao de muestra de 10 y una desviacin estndar de la
poblacin de 2.5 cm/s. Adems se evaluar el error tipo II con un nivel de significancia de 0.06.
H
o
: = 50
H
1
: 50
Como ya sabemos se trata de un ensayo bilateral por lo que se tendr que calcular el valor del
estadstico de la siguiente manera:

Para facilitar los clculos se redondearn estos nmeros a 48.5 y 51.5



Para poder comprender mejor el clculo del error tipo II se delimitar el rea de la regin de
aceptacin con dos lneas ya que es bilateral y se evaluar la probabilidad de caer en esa rea
cuando la media tiene un valor de 52 y de 48.

Como se puede observar en cada calculo del valor se tuvieron que evaluar los dos valores
de z. En el primer calculo de se tiene un valor de z=-4.43, esto quiere decir que no existe
rea del lado izquierdo del 48.5, por lo que slo ser el rea que corresponda a la z=-0.63.
Lo mismo pasa con el segundo clculo de . Como las medias de 52 y 48 son equidistantes
del 50 por este motivo los valores del error tipo II son los mismos.
En caso que no estn equidistantes se tienen que calcular por separado y calcular los valores
correspondientes de z porque en ocasiones se tiene un rea que no est dentro de la regin de
aceptacin, la cual no se tiene que tomar en cuenta para evaluar al error tipo II.
A continuacin se proceder a generar algunas curvas caractersticas de operacin para
evaluar al error tipo II, entre ms se aleja el valor verdadero de la media de la media de la
hiptesis nula, menor es la probabilidad del error tipo II para un tamao de muestra y nivel de
significancia dadas. A medida que el tamao de la muestra aumenta la probabilidad de cometer
el error tipo II disminuye. Esto se observar en los ejercicios siguientes.
Ejemplos:
1. Generar una curva caracterstica de operacin para el ejercicio nmero 1 de la seccin
de ensayo de hiptesis con las siguientes medias supuestas:
= 70.5, 71, 71.5, 72, 72.5, 73, 73.5, y 74.
2. Datos:
=70 aos
= 8.9 aos
= 71.8 aos
n = 100
= 0.05
3. Ensayo de hiptesis
H
o
; = 70 aos.
H
1
; > 70 aos.

Se calcular el estadstico lmite:





En la mayora de los libros de estadstica existen las curvas caractersticas de operacin para
diferentes tamaos de muestra y stas se proporcionan tanto para = 0.05 como para =
0.01 (son las ms comunes). Para poder utilizar las curvas se define un parmetro llamado d,
que estandariza para cualquier valor de y :

Si se quisiera consultar en un libro, cul es la probabilidad de cometer el error tipo II
cuando la media verdadera es de 72?; se tendra que calcular el valor de d y buscar en las
curvas la que pertenezca a un tamao de muestra de 100 con un = 0.05.

Este valor se encuentra en el eje de las x. Si se transforma la curva caracterstica de operacin
con el valor de d quedara de la siguiente manera:

Se coment anteriormente que si el tamao de la muestra aumenta los dos tipos de errores
y disminuyen. Para probar esto y especficamente en lo que se refiere al error tipo II se
realizar el ejercicio anterior suponiendo que en lugar de tener 100 personas, el tamao de la
muestra aumenta a 150 personas.
Se calcular el estadstico lmite:





1. Generar una curva caracterstica de operacin (CCO) para el ejercicio 5 de ensayo de
hiptesis. Suponer los siguientes valores de P; 0.04, 0.03, 0.025, 0.02 y 0.01. Enseguida
se proporciona la informacin necesaria para realizar la CCO:
Datos:
P= 0.05
p = 4/200 = 0.02
n = 200
= 0.05
Ensayo de hiptesis
H
o
; P = 0.05
H
1
; P < 0.05

Solucin:
Se proceder a calcular el estadstico lmite p
L
:




En una distribucin muestral de proporciones, para graficar la CCO, se necesita calcular
el valor de np, que es el que ir en el eje de las x para estandarizar la curva.
2. Genere un CCO para el ejercicio nmero 6 de la seccin anterior. Suponga las
siguientes diferencias de medias:
1
-
2
=2, 4, 6, 7, 9, 12 y 14.
Datos:
1
=
2
= 8

n
1
=n
2
= 10
= 0.05
Ensayo de hiptesis
H
o
;
1
-
2
= 0
H
1
;
1
-
2
> 0





Para graficar la curva se utilizar el valor de d, el cual para una distribucin muestral de
diferencia de medias tiene la siguiente frmula:


En los libros de estadstica lo que se acostumbra en algunos de los ejercicios es
preguntar slo un punto de la CCO, por lo que a continuacin se resolvern dos
problemas tipo.
3. Se require que la tensin de ruptura de un hilo utilizado en la fabricacin de material de
tapicera se al menos de 100 psi. La experiencia ha indicado que la desviacin estndar
de la tensin de ruptura es de 2 psi. Se prueba una muestra aleatoria de nueve
especmenes, y la tensin de ruptura promedio observada en ella es de 98 psi. Cual es
la probabilidad de aceptar la hiptesis nula con un = 0.05 si la tensin promedio de
ruptura verdadera de la fibra es 104 psi?
Solucin:
Ensayo de hiptesis:
H
o
; = 100
H
1
; > 100
Se calcula el estadstico lmite:


4. Del ejercicio nmero 7 de la seccin anterior encontrar el error tipo II
suponiendo que la diferencia verdadera entre las medias de las mquinas es fe 0.03
Datos:
1
= 0.020
2
= 0.025


n
1
=n
2
= 10
= 0.05
Solucin:
Ensayo de hiptesis
H
o
;
1
-
2
= 0
H
1
;
1
-
2
0


Por ser bilateral se calcularon dos valores de z, y como se puede observar del lado izquierdo
de 0.019 ya no se encuentra rea, por lo que el error tipo II slo ser el rea a la izquierda del
valor de la diferencia del estadstico lmite 0.019.
Problemas propuestos
1. En un estudio para estimar la proporcin de residentes de cierta ciudad y sus suburbios
que estn a favor de la construccin de una planta de energa nuclear, se encuentra que
63 de 100 residentes urbanos estn a favor de la construccin mientras que slo 59 de
125 residentes suburbanos la favorecen. Hay una diferencia significativa entre la
proporcin de residentes urbanos y suburbanos que favorecen la construccin de la
planta nuclear? Use un valor de P para su conclusin.
2. Una compaa petrolera afirma que un quinto de las casas en cierta ciudad se calientan
con petrleo. Tenemos razn en dudar de esta afirmacin si, en una muestra aleatoria
de 1000 casas en esta ciudad, se encuentra que 136 se calientan con petrleo? Utilice
un nivel de significancia de 0.01.
3. Se sabe que la duracin, en horas, de un foco de 75 watts tiene una distribucin
aproximadamente normal, con una desviacin estndar de 25 horas. Se toma una
muestra aleatoria de 20 focos, la cual resulta tener una duracin promedio de 1014
horas.
a. Existe evidencia que apoye la afirmacin de que la duracin promedio del foco es
mayor que 1000 horas? Utilice un = 0.05.
b. Cual es el valor P para la prueba?
c. Cul es el valor de
para la prueba del inciso a) si la verdadera duracin promedio del foco es de 1050 horas?
4. Se estudia la tasa de combustin de dos propelentes slidos utilizados en los sistemas
de escape de emergencia de aeroplanos. Se sabe que la tasa de combustin de los dos
propelentes tiene aproximadamente la misma desviacin estndar de 3 cm/s. Se
prueban dos muestras aleatorias de 20 especmenes cada una, obtenindose medias de
18 y 24 cm/s respectivamente.
a. Pruebe la hiptesis de que los dos combustibles slidos tienen la misma rapidez
promedio de combustin. Utilice un = 0.05.
b. Cul es el valor de P de la prueba?
c. Cul es el valor de
para la prueba del inciso a) si la verdadera diferencia en la rapidez promedio de combustin es
2.5 cm/s?
4. Un artculo publicado en Fortune afirma que casi la mitad de todos los ingenieros
continan sus estudios acadmicos despus de obtener la licenciatura. Un artculo
publicado en Engineering Horizons indica que 117 de 484 recin graduados planean
continuar sus estudios.
a. Los datos publicados en Engineering Horizons son consistentes con los publicados en
Fortune?
b. Encuentre el valor de P de la prueba.
6. En un invierno con epidemia de gripe, una compaa farmacutica bien conocida estudi
2000 bebes para determinar si la nueva medicina de la compaa era efectiva despus
de dos das. Entre 120 bebes que tenan gripe y se les administr la medicina, 29 se
curaron dentro de dos das. Entre 280 bebs que tenan gripe pero que no recibieron la
medicina, 56 se curaron dentro de dos das. Hay alguna indicacin significativa que
apoye la afirmacin de la compaa de la efectividad de la medicina? Calcule el valor P.
7. Se lanza 20 veces una moneda, con un resultado de cinco caras. Esta es suficiente
evidencia para rechazar la hiptesis de que la moneda esta balanceada a favor de la
alternativa de que las caras ocurren menos de 50% de las veces.? Realice la prueba con
un nivel de significancia de 0.03 y cite un valor P.
8. Se supone que los neumticos para automvil de cierto tipo recin comprados deben
llenarse a una presin de 30 lb/pulg
2
. Se representa con el verdadero promedio de
presin. Encuentre el valor P asociado con cada valor del estadstico z dado para probar
H
o
; = 30 contra H
1
; 30.
a) 2.10 b) 1.75 c) 0.55 d) 1.41 e) 5.3
9. Se realiz un experimento para comparar la resistencia a la fractura del acero con nquel
maragizado, con el acero de pureza comercial del mismo tipo. Para 32 especmenes, la
resistencia promedio muestral fue de 65.6 para el acero de alta pureza, mientras que se
obtuvo una media muestral de 59.8 en 38 especmenes del acero comercial. Debido que
el acero de alta pureza es ms costoso, su uso para cierta aplicacin puede justificarse
slo si su resistencia a la fractura excede la del acero de pureza comercial en ms de 5.
Suponga que ambas distribuciones de resistencias son normales.
a. Si se supone que
1
= 1.2 y
2
= 1.1, pruebe las hiptesis pertinentes usando =
0.001.
b. Calcule para la prueba del inciso anterior cuando
1

2
= 6.
10. Se cree que la portada y la naturaleza de la primera pregunta de encuestas por correo
influyen en la tasa de respuesta. Un artculo prob esta teora al experimentar con
diferentes diseos de portadas. Una portada sencilla, y la otra utiliz la figura de un
paracaidista. Los investigadores especularon que la tasa de devolucin sera menor
para la portada sencilla.
Portada Nmero de envos Nmero de devoluciones
Sencilla 207 104
Paracaidista 213 109
Esta informacin apoya la hiptesis de los investigadores? Haga la prueba con
un nivel de significancia de 0.10, calculando primero un valor P.
Respuesta a los Problemas propuestos
1. z= 2.40; s, P=0.01
2. P<0.0001; concluir que menos de 1/5 de las casas se calientan con petrleo.
3. a) z = 2.50; se rechaza H
o
b) P = 0.0062 c) 0
4. a) Se Rechaza H
o
, z= -6.32 b) 0 c) 0.248
5. a) Se rechaza H
o
, z= -11.36 b) valor P = 0
6. No se rechaza H
o
, z= 0.93, valor de P = 0.1762
7. Rechazar H
o
. Valor P = 0.0207
8. a) 0.0358 b) 0.0802 c) 0.5824 d) 0.1586 e) 0
9. a) z=2.89, no se debe usar el acero de alta pureza o se no se rechaza H
o
.
b) 0.2981
10. Valor P = 0.4247, no se rechaza H
o.

UNIDAD III
TEORIA DE PEQUEAS MUESTRAS O TEORIA EXACTA DEL MUESTREO
En las unidades anteriores se manej el uso de la distribucin z, la cual se poda utilizar
siempre y cuando los tamaos de las muestras fueran mayores o iguales a 30 en muestras
ms pequeas si la distribucin o las distribuciones de donde proviene la muestra o las
muestras son normales.
En esta unidad se podrn utilizar muestras pequeas siempre y cuando la distribucin de
donde proviene la muestra tenga un comportamiento normal. Esta es una condicin para
utilizar las tres distribuciones que se manejarn en esta unidad; t de student, X
2
ji-cuadrada y
Fisher.
A la teora de pequeas muestras tambin se le llama teora exacta del muestreo, ya que
tambin la podemos utilizar con muestras aleatorias de tamao grande.
En esta unidad se ver un nuevo concepto necesario para poder utilizar a las tres
distribuciones mencionadas. Este concepto es "grados de libertad".
Para definir grados de libertad se har referencia a la varianza muestral:

Esta frmula est basada en n-1 grados de libertad (degrees of freedom). Esta terminologa
resulta del hecho de que si bien s
2
est basada en n cantidades . . . , stas
suman cero, as que especificar los valores de cualquier n-1 de las cantidades determina el
valor restante. Por ejemplo, si n=4 y
; y , entonces automticamente tenemos , as que slo
tres de los cuatro valores de estn libremen te determinamos 3 grados de libertad.
Entonces, en esta unidad la frmula de grados de libertad ser n-1 y su simbologa
DISTRIBUCION "t DE STUDENT"
Supngase que se toma una muestra de una poblacin normal con media y varianza . Si
es el promedio de las n observaciones que contiene la muestra aleatoria, entonces la
distribucin es una distribucin normal estndar. Supngase que la varianza de la
poblacin
2
es desconocida. Qu sucede con la distribucin de esta estadstica si se
reemplaza por s? La distribucin t proporciona la respuesta a esta pregunta.
La media y la varianza de la distribucin t son = 0 y para >2,
respectivamente.
La siguiente figura presenta la grfica de varias distribuciones t. La apariencia general de la
distribucin t es similar a la de la distribucin normal estndar: ambas son simtricas y
unimodales, y el valor mximo de la ordenada se alcanza en la media = 0. Sin embargo, la
distribucin t tiene colas ms amplias que la normal; esto es, la probabilidad de las colas es
mayor que en la distribucin normal. A medida que el nmero de grados de libertad tiende a
infinito, la forma lmite de la distribucin t es la distribucin normal estndar.


Propiedades de las distribuciones t
1. Cada curva t tiene forma de campana con centro en 0.
2. Cada curva t, est ms dispersa que la curva normal estndar z.
3. A medida que aumenta, la dispersin de la curva t correspondiente disminuye.
4. A medida que , la secuencia de curvas t se aproxima a la curva normal
estndar, por lo que la curva z recibe a veces el nombre de curva t con gl =
La distribucin de la variable aleatoria t est dada por:

Esta se conoce como la distribucin t con grados de libertad.
Sean X
1
, X
2
, . . . , X
n
variables aleatorias independientes que son todas normales con media
y desviacin estndar . Entonces la variable aleatoria tiene una distribucin t con
= n-1 grados de libertad.
La distribucin de probabilidad de t se public por primera vez en 1908 en un artculo de W. S.
Gosset. En esa poca, Gosset era empleado de una cervecera irlandesa que desaprobaba la
publicacin de investigaciones de sus empleados. Para evadir esta prohibicin, public su
trabajo en secreto bajo el nombre de "Student". En consecuencia, la distribucin t normalmente
se llama distribucin t de Student, o simplemente distribucin t. Para derivar la ecuacin de
esta distribucin, Gosset supone que las muestras se seleccionan de una poblacin normal.
Aunque esto parecera una suposicin muy restrictiva, se puede mostrar que las poblaciones
no normales que poseen distribuciones en forma casi de campana an proporcionan valores de
t que se aproximan muy de cerca a la distribucin t.
La distribucin t difiere de la de Z en que la varianza de t depende del tamao de la muestra y
siempre es mayor a uno. Unicamente cuando el tamao de la muestra tiende a infinito las dos
distribuciones sern las mismas.
Se acostumbra representar con el valor t por arriba del cual se encuentra un rea igual a
. Como la distribucin t es simtrica alrededor de una media de cero,
tenemos ; es decir, el valor t que deja un rea de a la derecha y por tanto
un rea de a la izquierda, es igual al valor t negativo que deja un rea de en la cola
derecha de la distribucin. Esto es, t
0.95
= -t
0.05
, t
0.99
=-t
0.01
, etc.
Para encontrar los valores de t se utilizar la tabla de valores crticos de la distribucin t del
libro Probabilidad y Estadstica para Ingenieros de los autores Walpole, Myers y Myers.
Ejemplo:
El valor t con = 14 grados de libertad que deja un rea de 0.025 a la izquierda, y por tanto un
rea de 0.975 a la derecha, es
t
0.975
=-t
0.025
= -2.145

Si se observa la tabla, el rea sombreada de la curva es de la cola derecha, es por esto que se
tiene que hacer la resta de . La manera de encontrar el valor de t es buscar el valor de
en el primer rengln de la tabla y luego buscar los grados de libertad en la primer columna y
donde se intercepten y se obtendr el valor de t.
Ejemplo: Encuentre la probabilidad de t
0.025
< t < t
0.05.
Solucin:

Como t
0.05
deja un rea de 0.05 a la derecha, y t
0.025
deja un rea de 0.025 a la izquierda,
encontramos un rea total de 1-0.05-0.025 = 0.925.
P( t
0.025
< t < t
0.05
) = 0.925
Ejemplo:
Encuentre k tal que P(k < t < -1.761) = 0.045, para una muestra aleatoria de tamao 15 que se
selecciona de una distribucin normal.
Solucin:

Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos damos cuenta que a
este valor le corresponde un rea de 0.05 a la izquierda, por ser negativo el valor. Entonces si
se resta 0.05 y 0.045 se tiene un valor de 0.005, que equivale a . Luego se busca el valor
de 0.005 en el primer rengln con 14 grados de libertad y se obtiene un valor de t = 2.977, pero
como el valor de est en el extremo izquierdo de la curva entonces la respuesta es t = -
2.977 por lo tanto:
P(-2.977 < t < -1.761) = 0.045
Ejemplo: Un ingeniero qumico afirma que el rendimiento medio de la poblacin de cierto
proceso en lotes es 500 gramos por milmetro de materia prima. Para verificar esta afirmacin
toma una muestra de 25 lotes cada mes. Si el valor de t calculado cae entre t
0.05
y t
0.05
, queda
satisfecho con su afirmacin. Qu conclusin extraera de una muestra que tiene una media
de 518 gramos por milmetro y una desviacin estndar de 40 gramos? Suponga que la
distribucin de rendimientos es aproximadamente normal.
Solucin: De la tabla encontramos que t
0.05
para 24 grados de libertad es de 1.711. Por tanto,
el fabricante queda satisfecho con esta afirmacin si una muestra de 25 lotes rinde un valor t
entre 1.711 y 1.711.
Se procede a calcular el valor de t:

Este es un valor muy por arriba de 1.711. Si se desea obtener la probabilidad de obtener un
valor de t con 24 grados de libertad igual o mayor a 2.25 se busca en la tabla y es
aproximadamente de 0.02. De aqu que es probable que el fabricante concluya que el proceso
produce un mejor producto del que piensa.
INTERVALO DE CONFIANZA PARA ; CON DESCONOCIDA
Si y s son la media y la desviacin estndar de una muestra aleatoria de una poblacin
normal con varianza , desconocida, un intervalo de confianza de
( )100% para es:

donde
/2
es el valor t con = n-1 grados de libertad, que deja un rea de /2 a la
derecha.
Se hace una distincin entre los casos de conocida y desconocida al calcular las
estimaciones del intervalo de confianza. Se debe enfatizar que para el primer caso se utiliza el
teorema del lmite central, mientras que para desconocida se hace uso de la distribucin
muestral de la variable aleatoria t. Sin embargo, el uso de la distribucin t se basa en la
premisa de que el muestreo se realiza de una distribucin normal. En tanto que la distribucin
tenga forma aproximada de campana, los intervalos de confianza se pueden calcular cuando la
varianza se desconoce mediante el uso de la distribucin t y se puede esperar buenos
resultados.
Con mucha frecuencia los estadsticos recomiendan que aun cuando la normalidad no se
pueda suponer, con desconocida y n 30, s puede reemplazar a y se puede utilizar el
intervalo de confianza:

Por lo general ste se denomina como un intervalo de confianza de muestra grande. La
justificacin yace slo en la presuncin de que con una muestra grande como 30, s estar muy
cerca de la real y de esta manera el teorema del lmite central sigue valiendo. Se debe hacer
nfasis en que esto es solo una aproximacin y que la calidad de este enfoque mejora a
medida que el tamao de la muestra crece ms.
Ejemplos:
1. El contenido de siete contenedores similares de cido sulfrico son 9.8, 10.2, 10.4, 9.8,
10.0, 10.2, y 9.6 litros. Encuentre un intervalo de confianza del 95% para la media de
todos los contenedores si se supone una distribucin aproximadamente normal.
Solucin:
La media muestral y la desviacin estndar para los datos dados son:
10 y s= 0.283
En la tabla se encuentra que t
0.025
=2.447 con 6 grados de libertad, de aqu, el intervalo
de confianza de 95% para es:


Con un nivel de confianza del 95% se sabe que el promedio del contenido de los
contenedores est entre 9.47 y 10.26 litros.
2. Un artculo publicado en el Journal of Testing and Evaluation presenta las siguientes 20
mediciones del tiempo de combustin residual en segundos de especmenes tratados de
ropa de dormir para nios:
9.85 9.93 9.75 9.77 9.67
9.87 9.67 9.94 9.85 9.75
9.83 9.92 9.74 9.99 9.88
9.95 9.95 9.93 9.92 9.89
Se desea encontrar un nivel de confianza del 95% para el tiempo de combustin residual
promedio. Supngase que el tiempo de combustin residual sigue una distribucin
normal.
Solucin: La media muestral y la desviacin estndar para los datos dados son:
9.8525 y s= 0.0965
En la tabla se encuentra que t
0.025
=2.093 con 19 grados de libertad, de aqu, el intervalo de
confianza de 95% para es:


Por lo tanto, se tiene una confianza del 95% de que el tiempo de combustin residual promedio
se encuentra entre 9.8073 y 9.8977 segundos.
PRUEBA DE HIPOTESIS SOBRE LA MEDIA DE UNA DISTRIBUCION NORMAL, VARIANZA DESCONOCIDA
Ciertamente sospechamos que las pruebas sobre una media poblacional con
desconocida, debe incluir el uso de la distribucin t de Student. La estructura de la prueba
es idntica a la del caso de conocida, con la excepcin de que el valor en la estadstica
de prueba se reemplaza por la estimacin de s calculada y la distribucin normal estndar se
reemplaza con una distribucin t.
Ejemplos:
1. El Instituto Elctrico Edison publica cifras del nmero anual de Kilowatt-hora que gastan
varios aparatos elctrodomsticos. Se afirma que una aspiradora gasta un promedio de
46 kilowatt-hora al ao. Si una muestra aleatoria de 12 hogares que se incluye en un
estudio planeado indica que las aspiradoras gastan un promedio de 42 kilowatt-hora al
ao con una desviacin estndar de11.9 kilowatt-hora, esto sugiere con un nivel de
significancia de 0.05 que las aspiradoras gastan, en promedio, menos de 46 kilowatt-
hora anualmente? Suponga que la poblacin de kilowatt-hora es normal.
Solucin:
1. Datos:
= 46 kilowatt-hora
s= 11.9 kilowatt-hora
= 42 kilowatt-hora
n = 12
= 0.05

3. Ensayo de hiptesis
H
o
; = 46 kilowatt-hora
H
1
; < 46 kilowatt-hora

4. Regla de decisin:
Si t
R
-1.796 No se rechaza H
o
Si t
R
< -1.796 Se rechaza H
o
5. Clculos:

6. Justificacin y decisin:
Como 1.16 > -1.796, por lo tanto no se rechaza H
o
y se concluye con un nivel de
significancia del 0.05 que el nmero promedio de kilowwatt-hora que gastan al ao las
aspiradoras no es significativamente menor que 46.
Solucin por el otro mtodo:


Regla de decisin:
Si 39.83 No se Rechaza H
o
Si < 39.83 Se rechaza H
o
Como la = 42 y este valor no es menor que 39.83 por lo tanto no se rechaza H
o
.
Se puede aprovechar este ejemplo para calcular el valor de P , como el valor de t calculada es
de 1.16, se busca en la tabla y se ve que el area a la izquierda de este valor es de 0.135 con
11 grados de libertad, por lo tanto no se rechaza H
o
., ya que sera

un valor alto para un nivel de
significancia.

1. Un artculo publicado en la revista Materials Engineering describe los resultados de
pruebas de resistencia a la adhesin de 22 especmenes de aleacin U-700. La carga
para la que cada especmen falla es la siguiente en MPa:
19.8 18.5 17.6 16.7 15.8
15.4 14.1 13.6 11.9 11.4
11.4 8.8 7.5 15.4 15.4
19.5 14.9 12.7 11.9 11.4
10.1 7.9
Sugieren los datos que la carga promedio de falla es mayor que 10Mpa? Supngase
que la carga donde se presenta la falla tiene una distribucin normal, y utilicese =
0.05. Calcule el valor de P.
Solucin:
1. Datos:
= 10
s = 3.55
= 13.71
n = 22
= 0.05
3. Ensayo de hiptesis
H
o
; = 10
H
1
; > 10

4. Regla de decisin:
Si t
R
1.721 no se rechaza H
o
.
Si t
R
> 1.721 se rechaza H
o
.
5. Clculos:

6. Justificacin y decisin.
Como 4.90 >1.721 se rechaza H
o
y se concluye con un nivel de significancia del 0.05
que la carga de falla promedio es mayor que 10Mpa.
Existe otra manera de resolver este ejercicio, tomando la decisin en base al estadstico real,
en este caso la media de la muestra. De la frmula de la distribucin muestral de medias se
despeja la media de la muestra:


Regla de decisin:
Si 11.30 No se rechaza H
o
Si > 11.30 Se rechaza H
o
Como la media de la muestral es de 13.71 MPa y es mayor al valor de la media muestral lmite
de 11.30 por lo tanto se rechaza H
o
y se llega a la misma conclusin.
Para calcular el valor de P se va a la tabla y se busca en 21 grados de libertad el valor de t =
4.90. Se obseva que el valor mayor de t que se encuentra en la tabla con 21 grados de libertad
es de 3.819 el cual le corresponde un rea a la derecha de 0.0005, por lo que para el valor de
4.90 el valor de P es practicamente cero, y esto apoya la decisin de rechazar H
o
.
3. Los pesos en libras de una muestra aleatoria de bebs de seis meses son: 14.6, 12.5,
15.3, 16.1, 14.4, 12.9, 13.7 y 14.9. Haga una prueba con nivel de 5% de significancia
para determinar si el peso promedio de todos los bebs de seis meses es distinto a 14
libras, suponga que sus pesos se distribuyen normalmente y calcule el valor de P.
Solucin:
1. Datos:
= 14 libras
s = 1.21 libras
= 14.3 libras
n = 8
= 0.05
2. Ensayo de hiptesis
H
o
; = 14 libras
H
1
; 14 libras

3. Regla de Decisin:
Si 2.365 t
R
2.365 No se rechaza H
o
Si t
R
< -2.365 si t
R
> 2.365 Se rechaza H
o
4. Clculos:

5. Justificacin y decisin:
Como 2.365 0.7012 2.365 por lo tanto, no se rechaza H
o
y se concluye con un nivel
de significancia del 0.05 que el peso promedio de todos los bebs de seis meses es de
14 libras.
Solucin por el otro mtodo:
12.98 y 15.01





Regla de decisin:
Si 12.98 15.01 No se rechaza H
o
Si < 12.98 > 15.01 se rechaza H
o
Como la = 14.3 libras, entonces no se rechaza H
o
.
Para calcular el valor de P se busca en la tabla el valor de 0.7012 con 7 grados de libertad. Se
obseva que este valor no se encuentra pero se puede interpolar entre los valores de 0.549 y
0.896 con reas de 0.30 y 0.20 respectivamente. Interpolando linealmente se obtiene el valor
de 0.2561.

Error tipo II
El error tipo II se calcula de la misma forma en la que se calcul con la distribucin z. Se
realizarn algunos ejercicios en los cuales se determinar la probabilidad de cometer el error
tipo II, utilizando la tabla de la distribucin.
Existen curvas caractersticas de operacin en los libros con diferentes grados de libertad para
determinar los tamaos de muestra correspondientes segn el grado de error que se quiera,
recordando que entre mayor sea el tamao de muestra menor ser el error.
1. Se sabe que los voltajes de una marca de pilas tamao C se distribuyen normalmente,
se prob una muestra aleatoria de 15 y se encontr que la media es de 1.4 volts con una
desviacin estndar de 0.21 volts. En el nivel de significancia de 0.01:
a. Indica esto que la media de los voltajes es menor que 1.5 volts?
b. Calcular la probabilidad de cometer el error tipo II si el voltaje promedio real de las pilas
es de 1.3 volts.
Solucin:
1. Datos:
= 1.5 volts.
s= 0.21 volts
= 1.4 volts.
n = 15
= 0.01
2. Ensayo de hiptesis
H
o
; = 1.5 volts
H
1
; < 1.5 volts

3. Regla de decisin:
Si t
R
-2.624 No se rechaza H
o
Si t
R
< -2.624 Se rechaza H
o
5. Clculos:

6. Justificacin y decisin:
Como 1.84 > -2.624, por lo tanto no se rechaza H
o
y se concluye con un nivel de
significancia del 0.01 que los voltajes de las pilas tamao C no son menores a 1.5.
Para calcular el error tipo II se tiene que obtener el valor de de la siguiente forma:







Para encontrar el valor de se busca en la tabla de la distribucin t el valor de 1.05 con 14
grados de libertad. Como este valor no se encuentra en la tabla se interpola entre 0.868 y
1.076 con un rea de 0.20 y 0.15 respectivamente. Al interpolar se obtiene un rea de 0.15612
y esta es la probabilidad de cometer el error tipoII cuando la media verdadera es de 1.3 volts y
un tamao de muestra de 15.
2. Para el ejercicio del peso de los bebs de 6 meses, calcular el error tipo II, si los pesos
verdaderos hubieran sido de 11 y 14.5 libras.
Solucin: Primero se calculan los valores de :





En este ltimo clculo para se tendr que analizar las reas de los dos extremos, pues estas
no estn dentro de la regin de aceptacin, por lo tanto no se deben de tomar en cuenta para
el error tipo II.
Se busca en la tabla el valor de 3.55 con 7 grados de libertad, y al interpolar nos da un rea de
0.00475. El rea correspondiente a 1.19 con 7 grados de libertad es de 0.1479. Por lo que
=1-(0.00475+0.1479)= 0.8473
3. Para el ejercicio en donde se dan los resultados de pruebas de resistencia a la adhesin
de 22 especmenes de aleacin U-700., encontrar la probabilidad de cometer el error
tipo II si la carga promedio de falla es igual a 11.
Solucin: Primero se obtendr el valor del estadstico lmite:





DISTRIBUCION JI-CUADRADA (X
2
)
En realidad la distribucin ji-cuadrada es la distribucin muestral de s
2
. O sea que si se extraen todas las
muestras posibles de una poblacin normal y a cada muestra se le calcula su varianza, se obtendr la
distribucin muestral de varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el estadstico X
2
. Si se
elige una muestra de tamao n de una poblacin normal con varianza , el estadstico:

tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de
libertad y se denota X
2
(X es la minscula de la letra griega ji). El estadstico ji-cuadrada esta
dado por:

donde n es el tamao de la muestra, s
2
la varianza muestral y la varianza de la poblacin
de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede dar con la
siguiente expresin:

Propiedades de las distribuciones ji-cuadrada
1. Los valores de X
2
son mayores o iguales que 0.
2. La forma de una distribucin X
2
depende del gl=n-1. En consecuencia, hay un nmero
infinito de distribuciones X
2
.
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X
2
no son simtricas. Tienen colas estrechas que se extienden a la
derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X
2
es n-1 y la varianza es 2(n-1).
6. El valor modal de una distribucin X
2
se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X
2
. Note que el valor modal aparece en el valor (n-
3) = (gl-2).

La funcin de densidad de la distribucin X
2
esta dada por:
para x>0
La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica de
Walpole, la cual da valores crticos (gl) para veinte valores especiales de . Para denotar
el valor crtico de una distribucin X
2
con gl grados de libertad se usa el smbolo (gl); este
valor crtico determina a su derecha un rea de bajo la curva X
2
y sobre el eje horizontal.
Por ejemplo para encontrar X
2
0.05
(6) en la tabla se localiza 6 gl en el lado izquierdo y
a o largo del lado superior de la misma tabla.

Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para saber como
se va a comportar la varianza o desviacin estndar en una muestra que proviene de una
distribucin normal.
Ejemplos:
1. Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus
destinos en una ciudad grande forman una distribucin normal con una desviacin
estndar =1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la
probabilidad de que la varianza muestral sea mayor que 2.
Solucin: Primero se encontrar el valor de ji-cuadrada correspondiente a s
2
=2 como
sigue:

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad y se
encuentra que a este valor le corresponde un rea a la derecha de 0.01. En
consecuencia, el valor de la probabilidad es P(s
2
>2)

2. Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una
poblacin normal con varianza
, tenga una varianza muestral:
a. Mayor que 9.1
b. Entre 3.462 y 10.745
Solucin. Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da un rea a la derecha de
0.05. Por lo que la P(s
2
>9.1) = 0.05
1. Se calcularn dos valores de ji-cuadrada:
y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados de libertad. Al buscar el
valor de 13.846 se encuentra un rea a la derecha de 0.95. El valor de 42.98 da un rea a la
derecha de 0.01. Como se est pidiendo la probabilidad entre dos valores se resta el rea de
0.95 menos 0.01 quedando 0.94.
Por lo tanto la P(3.462 s
2
10.745) = 0.94

Estimacin de la Varianza
Para poder estimar la varianza de una poblacin normal se utilizar la distribucin ji-cuadrada.

Al despejar esta frmula la varianza poblacional nos queda:

Los valores de X
2
dependern de nivel de confianza que se quiera al cual le llamamos .
Si nos ubicamos en la grfica se tiene:

Ejemplos:
1. Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas de pasto
distribuidas por cierta compaa: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46.
Encuentre un intervalo de confianza de 95% para la varianza de todos los paquetes de
semillas de pasto que distribuye esta compaa, suponga una poblacin normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la muestra s
2
= 0.286.
Para obtener un intervalo de confianza de 95% se elige un = 0.05. Despus con el
uso de la tabla con 9 grados de libertad se obtienen los valores de X
2
.

Se puede observar en la grfica anterior que el valor de X
2
corre en forma normal, esto
es de izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:


Graficamente:

Se observa que la varianza corre en sentido contrario, pero esto es slo en la grfica. La
interpretacin quedara similar a nuestros temas anteriores referentes a estimacin. Con
un nivel de confianza del 95% se sabe que la varianza de la poblacin de los pesos de
los paquetes de semillas de pasto esta entre 0.135 y 0.935 decagramos al cuadrado.

2. En trabajo de laboratorio se desea llevar a cabo comprobaciones cuidadosas de la
variabilidad de los resultados que producen muestras estndar. En un estudio de la
cantidad de calcio en el agua potable, el cual se efecta como parte del control de
calidad, se analiz seis veces la misma muestra en el laboratorio en intervalos
aleatorios. Los seis resultados en partes por milln fueron 9.54, 9.61, 9.32, 9.48, 9.70 y
9.26. Estimar la varianza de los resultados de la poblacin para este estndar, usando
un nivel de confianza del 90%.
Solucin: Al calcular la varianza de la muestra se obtiene un valor de s
2
= 0.0285.
Se busca en la tabla los valores correspondientes con 5 grados de libertad, obtenindose dos
resultados. Para X
2
(0.95,5)
= 1.145 y para X
2
(0.0,5)
= 11.07.
Entonces el intervalo de confianza esta dado por:
y

Ensayo de Hiptesis para la Varianza de una Poblacin Normal
En la mayora de los casos se tiene el problema de desconocer la varianza o desviacin
estndar de la poblacin, en donde las distribuciones son normales. Si se desea probar una
hiptesis acerca de la varianza se puede hacer utilizando las medidas estadsticas con las que
se construy el intervalo de confianza , esto es con la distribucin Ji- cuadrada.
Ejemplos:
1. Una compaa que produce una parte maquinada para un motor, afirma que tiene una
varianza de dimetro no mayor a 0.0002 pulgadas. Una muestra aleatoria de 10 de
dichas partes dio una varianza de muestra s
2
= 0.0003. Si se supone que las medidas
del dimetro se distribuyen en forma normal, hay evidencia para refutar lo que afirma el
proveedor? Use = 0.05.
Solucin: Como en todos los ensayos de hiptesis que se han realizado anteriormente
el procedimiento es el mismo. Despus de que se identifican los datos, se plantea la
hiptesis para determinar el tipo de ensayo.
Datos:
= 0.0002
n = 10
s
2 =
0.0003
= 0.05
Ensayo de hiptesis:
H
o
; = 0.0002
H
1
; > 0.0002

Regla de decisin:
Si X
2
R
16.919 no se rechaza H
o
.
Si X
2
R
>16.919 se rechaza H
o
.
Clculos:

Justificacin y decisin:
Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza H
o
y se concluye con un
nivel de significancia de 0.05 que no se puede refutar la afirmacin del proveedor.
Este ejercicio se puede aprovechar para calcular el valor de P. En la tabla se busca el
valor de 13.5 en el rengln de 9 grados de libertad. Interpolando entre 0.10 y 0.20 se
obtiene un valor de P de 0.1484.

2. El contenido de azcar del almbar de los duraznos enlatados tiene una distribucin
normal, donde se cree que la varianza es = 18 mg
2
. Se toma una muestra de 10
latas dieron una desviacin estndar de 4.8 mg. Muestran estos datos suficiente
evidencia para decir que la varianza ha cambiado?. Use un = 0.05 y calcule el valor
de P.
Solucin:
Datos:
= 18
n = 10
s
=
4.8
= 0.05
Ensayo de hiptesis:
H
o
; = 18
H
1
; 18

Regla de decisin:
Si 2.7 X
2
R
19.023 no se rechaza H
o
.
Si X
2
R
<2.7 si X
2
R
>19.023 se rechaza H
o
.
Clculos:

Justificacin y decisin:
Como 11.52 est entre 2.7 y 19.023, no se rechaza H
o,
y se concluye con un nivel de
significancia de 0.05 que la varianza del contenido de azcar del almbar no ha
cambiado, esto es es de 18 mg
2
.
Si recordamos al principio de este tema se dijo que la media de la distribucin ji-
cuadrada es (n-1), por lo tanto la media de este ejercicio es de 9. Como el valor real de
X
2
R
= 11.52 este nmero se encuentra a la derecha de la media, lo cual quiere decir que
el valor de P/2 ser el rea a la derecha del valor de X
2
R
. Al buscar el valor de 11.52 en
la tabla se obtiene un rea de 0.2423, por lo tanto P/2 = 0.2423 y P= (2)(0.2423) =
0.4846

3. Experiencia anterior indica que el tiempo que se requiere para que los estudiantes de
ltimo ao de preparatoria completen una prueba estandarizada es una variable aletoria
normal con una desviacin estndar de seis minutos. Se toma una muestra aleatoria de
20 estudiantes de ltimo ao de preparatoria y se obtiene una desviacin estndar de
4.51. Muestran estos datos suficiente evidencia para decir que la desviacin estndar
disminuy?. Utilice el valor de P para su decisin.
Solucin:
Datos:
= 6
n = 20
s
=
4.51
Ensayo de hiptesis:
H
o
; = 6
H
1
; < 6
Clculos:

Para obtener el valor de P, se busca en la tabla el 10.735 con 19 grados de libertad, y el rea
que se encuentra es la que est a la derecha de este valor. Como la media de esta distribucin
ji-cuadrada es de 19, por lo tanto el valor de 10.735 queda a la izquierda de la media. El valor
de P es de 0.07, y con esto se puede concluir que si hubiramos utilizado un nivel de
significancia de 0.10, se rechaza H
o
y se concluye que la desviacin estndar disminuyo, pero
si se utiliza un valor de = 0.05, entonces no se rechaza H
o
y se concluira que la desviacin
estndar no disminuy. La decisin depende del error tipo I que est dispuesto a tolerar el
investigador.

Error tipo II
El error tipo II se calcula de la misma forma en la que se calcul con la distribucin z. Se
realizarn algunos ejercicios en los cuales se determinar la probabilidad de cometer el error
tipo II, utilizando la tabla de la distribucin Ji-cuadrada.
1. Se tiene un ensayo de hiptesis unilateral derecho, con n=20 y = 0.05
H
o
; = 0.10
H
1
; > 0.10
Se quiere calcular el error tipo II si las desviaciones estndar verdaderas fueran de
0.12 y 0.14.
Solucin: Para poder calcular el error tipo II, primero se debe encontrar el valor de la
varianza muestral lmite, esto es s
2
L
, para poder calcular los valores de X
2
y
posteriormente calcular el rea. Al buscar en la tabla X
2
(0.05,19)
=30.144, este valor se
sustituir en la formula. Al despejar de la frmula original de X
2
se obtiene:


2. Encontrar el error tipo II para el ejercicio 2 de esta seccin, en donde el ensayo es
bilateral pues se quiere ver si la varianza del contenido de azcar en el almbar de los
duraznos ha cambiado. Suponga una varianza real de 20 y 26.

Solucin: Como este es un ensayo bilateral se tendrn dos valores de s
2
L
. Los cuales se
calcularn utilizando las ji-cuadradas lmites que eran de de 2.7 y 19.023.

y

Estos dos valores se utilizarn para calcular las nuevas ji-cuadradas para calcular el valor de
.


DISTRIBUCION "F" FISHER
La necesidad de disponer de mtodos estadsticos para comparar las varianzas de dos
poblaciones es evidente a partir del anlisis de una sola poblacin. Frecuentemente se desea
comparar la precisin de un instrumento de medicin con la de otro, la estabilidad de un
proceso de manufactura con la de otro o hasta la forma en que vara el procedimiento para
calificar de un profesor universitario con la de otro.
Intuitivamente, podramos comparar las varianzas de dos poblaciones, y , utilizando la
razn de las varianzas muestrales s
2
1
/s
2
2
. Si s
2
1
/s
2
2
es casi igual a 1, se tendr poca evidencia
para indicar que y no son iguales. Por otra parte, un valor muy grande o muy pequeo
para s
2
1
/s
2
2
, proporcionar evidencia de una diferencia en las varianzas de las poblaciones.
La variable aleatoria F se define como el cociente de dos variables aleatorias ji-cuadrada
independientes, cada una dividida entre sus respectivos grados de libertad. Esto es,

donde U y V son variables aleatorias ji-cuadrada independientes con grados de libertad
1
y
2
respectivamente.
Sean U y V dos variables aleatorias independientes que tienen distribucin ji cuadradas con
grados de libertad, respectivamente. Entonces la distribucin de la variable aleatoria
est dada por:


y se dice que sigue la distribucin F con grados de libertad en el numerador y grados de
libertad en el denominador.
La media y la varianza de la distribucin F son:
para
para

La variable aleatoria F es no negativa, y la distribucin tiene un sesgo hacia la derecha. La
distribucin F tiene una apariencia muy similar a la distribucin ji-cuadrada; sin embargo, se
encuentra centrada respecto a 1, y los dos parmetros proporcionan una flexibilidad
adicional con respecto a la forma de la distribucin.
Si s
1
2
y s
2
2
son las varianzas muestrales independientes de tamao n
1
y n
2
tomadas de
poblaciones normales con varianzas
1
2
y
2
2
, respectivamente, entonces:

Para manejar las tablas de Fisher del libro de Introduccin a la Inferencia Estadstica del autor
Genther, se tendr que buscar primero los grados de libertad dos para luego localizar el rea
correspondiente, relacionndola con los grados de libertad uno, para calcular el valor de F.
Las tablas tienen la siguiente estructura:


P
1 2 3 . .. 500
6
0.0005


0.001


0.005


.

.

0.9995 30.4
El valor de 30.4 es el correspondiente a una Fisher que tiene 3 grados de libertad uno y 6
grados de libertad dos con un rea de cero a Fisher de 0.995. Si lo vemos graficamente:

Como nos podemos imaginar existen varias curvas Fisher, ya que ahora su forma depende de
dos variables que son los grados de libertad.


Ejemplos :
1. Encontrar el valor de F, en cada uno de los siguientes casos:
a. El rea a la derecha de F, es de 0.25 con =4 y =9.
b. El rea a la izquierda de F, es de 0.95 con =15 y =10.
c. El rea a la derecha de F es de 0.95 con con =6 y =8.
o. El rea a la izquierda de F, es de 0.10 con con =24 y
=24
Solucin:
a. Como el rea que da la tabla es de cero a Fisher, se tiene que localizar primero los
grados de libertad dos que son 9, luego un rea de 0.75 con 4 grados de libertad uno.

b. En este caso se puede buscar el rea de 0.95 directamente en la tabla con sus
respectivos grados de libertad.

c. Se tiene que buscar en la tabla un rea de 0.05, puesto que nos piden un rea a la
derecha de F de 0.95.

d. Se busca directamente el rea de 0.10, con sus respectivos grados de libertad.

1. Si s
1
2
y s
2
2
son las varianzas muestrales de muestras aleatorias independientes de
tamaos n
1
=10 y n
2
=20, tomadas de poblaciones normales que tienen las mismas
varianzas, encuentre P(s
1
2
/s
2
2
2.42).
Solucin: Primero se establecen los grados de libertad. Como en el numerador est la
poblacin uno y en el denominador la poblacin dos, entonces los grados de libertad uno
equivalen a 10-1=9 y los grados de libertad dos a 20-1=19.
Se procede a ir a la tabla a buscar los grados de libertad dos que son 19 y se observa
que no estn, por lo tanto se tiene que interpolar entre 15 y 20 grados de libertad,
buscando el valor de fisher que quedara:

Este valor de 2.42 se busca en la columna de 9 grados de libertad uno, con 15 grados
de libertad dos, y se encuentra los siguiente:
Area

0.90 2.09
0.95 2.59
Al interpolar entre estos dos valores nos queda un rea de 0.933.
Se procede a hacer lo mismo pero con 20 grados de libertad dos:
Area

0.95 2.39
0.975 2.84
Al interpolar entre estos dos valores nos queda un rea de 0.9516.
Ahora ya se tienen las dos reas referentes a los grados de libertad dos, por lo que se
interpolar para ver cunto le corresponde a los grados libertad dos con un valor de 19.

Area
15 0.933
20 0.9516
Al interpolar nos queda que para 9 grados de libertad uno y 19 grados de libertad dos
con un valor de Fisher de 2.42 el rea a la izquierda es de 0.9478.

2. Si s
1
2
y s
2
2
representan las varianzas de las muestras aleatorias independientes de
tamao n
1
= 25 y n
2
= 31, tomadas de poblaciones normales con varianzas
1
2
=10 y

2
2
= 15, respectivamente, encuentre P(s
1
2
/s
2
2
> 1.26).
Solucin: Calcular el valor de Fisher:

Luego se va a la tabla de Fisher a buscar 30 grados de libertad 2 con 24 grados de libertad
uno. Cuando se este en esta posicin se busca adentro de la tabla el valor de Fisher de 1.89.
Al localizarlo y ver a la izquierda de este valor se obtiene un rea de 0.95, pero esta rea
correspondera a la probabilidad de que las relaciones de varianzas muestrales fueran menor a
1.26, por lo que se calcula su complemento que sera 0.05, siendo esta la probabilidad de que
s
1
2
/s
2
2
> 1.26.

Intervalo de Confianza para el Cociente de Varianzas de Dos Distribuciones Normales
Supngase que se tienen dos poblaciones normales e independientes con varianzas
desconocidas
1
2
y
2
2
, respectivamente. De este par de poblaciones, se tienen disponibles
dos muestras aleatorias de tamaos n
1
y n
2
, respectivamente, sean s
1
2
y s
2
2
las dos varianzas
muestrales. Se desea conocer un intervalo de confianza del 100( ) por ciento para el
cociente de las dos varianzas,
1
2
/
2
2
.
Para construir el intervalo de confianza para el cociente de dos varianzas poblacionales, se
coloca la varianza muestral mayor en el numerador del estadstico F.
Ejemplos:
1. Un fabricante de automviles pone a prueba dos nuevos mtodos de ensamblaje de
motores respecto al tiempo en minutos. Los resultados se muestran el la tabla:
Mtodo 1 Mtodo 2
n
1
= 31 n
2
= 25
s
1
2
= 50 s
2
2
= 24
2. Construya un intervalo de confianza del 90% para
1
2
/
2
2
.
3. Solucin:
4. Por la recomendacin de que la varianza muestral mayor va en el numerador se tiene la
siguiente frmula:
5.
6. al despejar: .
7. F toma dos valores dependiendo del nivel de confianza y de los grados de libertad. En
este caso los grados de libertad uno valen 30 y los grados de libertad dos 24.
8.
9. y
10. Estos resultados los podemos interpretar de la siguiente manera:
11. Con un nivel de confianza del 90% se sabe que la relacin de varianzas
1
2
/
2
2
esta
entre 1.07 y 3.93. Esto supondra que la varianza de la poblacin 1 es mayor a la
varianza de la poblacin 2 entre 1.07 y 3.93.
12. Una compaa fabrica propulsores para uso en motores de turbina. Al ingeniero de
manufactura le gustara seleccionar el proceso que tenga la menor variabilidad en la
rugosidad de la superficie. Para ello toma una muestra de n
1
=16 partes del primer
proceso, la cual tiene una desviacin estndar s
1
= 4.7 micropulgadas, y una muestra
aleatoria de n
2
=12 partes del segundo proceso, la cual tiene una desviacin estndar s
2

= 5.1 micropulgadas. Se desea encontrar un intervalo de confianza del 90% para el
cociente de las dos varianzas
1
2
/
2
2
. Suponga que los dos procesos son independientes y que la rugosidad de la superficie est
distribuida de manera normal.
Solucin:
Por la recomendacin de que la varianza muestral mayor va en el numerador se tiene la
siguiente frmula:

al despejar: .
En este caso los grados de libertad uno valen 11 y los grados de libertad dos 15.

y
Estos resultados los podemos interpretar de la siguiente manera:
Puesto que este intervalo de confianza incluye a la unidad, no es posible afirmar que las
desviaciones estndar de la rugosidad de la superficie de los dos procesos sean diferentes con
un nivel de confianza del 90%.
Ensayo de Hiptesis
Supngase que se tiene inters en dos poblaciones normales independientes, donde las
medias y las varianzas de la poblacin son desconocidas. Se desea probar la igualdad de las
dos varianzas, ya que para poder comparar las medias de estas dos poblaciones se utiliza la
distribucin t de Student, en la cual podemos tener varianzas iguales o diferentes en la
poblacin.
Para conocer esto ltimo se requiere de la distribucin Fisher, y despus de utilizarla, se
tomar la decisin de tener o no varianzas iguales en la poblacin, dando pi a realizar la
comparacin de las dos medias segn estemos hablando. Primer caso en que las varianzas de
la poblacin son desconocidas pero iguales, o en el caso dos donde se tienen varianzas
desconocidas pero dismiles.
Para el ensayo de hiptesis se utilizar la relacin de varianzas, la cual puede dar tres
resultados:

En base a lo que se quiera probar, el ensayo podr ser unilateral derecho, izquierdo o bilateral.
Ejemplos:
1. La variabilidad en la cantidad de impurezas presentes en un lote de productos qumicos,
utilizada para un proceso en particular, depende del tiempo que tarda el proceso. Un
fabricante que emplea dos lneas de produccin 1 y 2, hizo un pequeo ajuste al
proceso 2, con la esperanza de reducir la variabilidad, as como la cantidad media de
impurezas en los productos qumicos. Muestras de n
1
=25 y n
2
=20 mediciones de dos
lotes produjeron las siguientes medias y varianzas:

Presentan los datos evidencia suficiente para indicar que las variaciones del proceso
son menores para el 2? Realice una prueba con un = 0.05.

Solucin:
Datos:
Poblacin 1 Poblacin 2


n
1
= 25 n
2
= 20
= 0.05
Ensayo de hiptesis:


Estadstico de prueba:
La sugerencia que se hace es que el numerador sea el de valor mayor .
Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos
uno.
1
= 25-1 = 24 y
2
= 20-1=19.



Regla de decisin:
Si F
c
2.11 No se rechaza H
o
,
Si la F
c
> 2.11 se rechaza H
o
.
Clculo:

Decisin y Justificacin:
Como 2.04 es menor que 2.11 no se rechaza H
o
, y se concluye con un = 0.05 que no existe
suficiente evidencia para decir que la varianza del proceso 2 es menor que la del proceso 1.

2. En su incansable bsqueda de un sistema de llenado adecuado, cierta empresa prueba
dos mquinas. Robo-fill se usa para llenar 16 tarros y da una desviacin estndar de 1.9
onzas en el llenado. Con Automat-fill se llenan 21 frascos que dan una desviacin
estndar de 2.1 onzas. Si la empresa tiene que elegir uno de estos sistemas en funcin
de la uniformidad de llenado. Cual deber seleccionar? Use un
= 0.10.
Solucin:
Datos:
Robo-Fill
s
RF
= 1.9
n
RF
= 16
= 0.10
Automat-Fill
s
AF
= 2.1
n
AF
= 21

Ensayo de hiptesis:



Estadstico de prueba:
La sugerencia que se hace es que el numerador sea el de valor mayor .
Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos
uno.
1
= 21-1 = 20 y
2
= 16-1=15.

Regla de decisin:
Si F
c
2.20 No se rechaza H
o
,
Si la F
c
> 2.20 se rechaza H
o
.
Clculo:

Decisin y Justificacin:
Como 1.22 es menor que 2.20 no se rechaza H
o
, y se concluye con un = 0.10 que la
variacin de llenado de la mquina Robo-Fill no es menor a la de Automat-Fill, por lo que se
selecciona cualquier mquina.
3. Las capas de xido en las obleas semiconductoras son depositadas en una mezcla de
gases para alcanzar el espesor apropiado. La variabilidad del espesor es una
caracterstica crtica de la oblea, y lo deseable para los siguientes pasos de la
fabricacin es tener una variabilidad baja. Para ello se estudian dos mezclas diferentes
de gases con la finalidad de determinar con cul se obtienen mejores resultados en
cuanto a la reduccin en la variabilidad del espesor del xido. Veintin obleas son
depositadas en cada gas. Las desviaciones estndar de cada muestra del espesor del
xido son s
1
= 1.96 angstroms y s
2
= 2.13 angstroms. Existe evidencia que indique una
diferencia en las desviaciones? Utilice
=0.05.
Solucin:
Datos:
s
1
= 1.96
n
1
= 21
s
2
= 2.13
n
2
= 21
Ensayo de hiptesis:


Estadstico de prueba:
La sugerencia que se hace es que el numerador sea el de valor mayor .
Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos
uno.
1
= 21-1 = 20 y
2
= 21-1=20.

Regla de decisin:
Si 0.406 F
c
2.46 No se rechaza H
o
,
Si la F
c
< 0.406 si F
c
> 2.46 se rechaza H
o
.
Clculo:
Decisin y Justificacin: Como 0.85 esta entre los dos valores de H
o
no se rechaza , y se
concluye con un = 0.05 que existe suficiente evidencia para decir que las varianza de las
poblaciones son iguales.
Error Tipo II
1. Para el ejercicio anterior, encontrar la probabilidad de cometer error tipo II si la
verdadera relacin
1
2
/
2
2
= 2.
Solucin:






1. Del ejercicio nmero 1 del ensayo de hiptesis en donde la variabilidad en la cantidad de
impurezas presentes en un lote de productos qumicos dependa del tiempo que tardaba
el proceso y el fabricante empleaba dos lneas de produccin 1 y 2, e hizo un pequeo
ajuste al proceso 2, calcular la probabilidad de cometer error tipo II si le relacin
1
2
/
2
2
= 1.5.
Solucin:
por lo tanto s
1
2
/s
2
2
= 2.11 ya que esto fue lo que dio la tabla y al despejar nos
queda los mismo. Se calcula un nuevo valor de F con la relacin de varianzas de 1.5.

Si se recuerda para este ejercicio se tienen 24 grados de libertad uno y 19 de grados de
libertad dos, por lo que se tiene que hacer una doble interpolacin ya que 19 grados de libertad
dos no vienen en la tabla.
Primero se interpolar para 24 grados de libertad uno y 15 grados de libertad dos:
Area Valor de F
0.50 1.02
0.75 1.41
Al interpolar para un valor de Fisher de 1.406 se ve que este valor est muy cercano a 1.41, el
cual le corresponde un rea de 0.75, por lo que queda un resultado de 0.7474
Ahora se procede a interpolar para 24 grados de libertad uno y 20 grados de libertad dos:
Area Valor de F
0.75 1.35
0.90 1.77
La interpolacin para un valor de Fisher de 1.406 es de 0.77.
Teniendo los dos valores, se puede calcular el rea correspondiente a 24 grados de libertad
uno y 19 grados de libertad dos:
2

Area
15 0.7474
20 0.77
Por lo tanto al interpolar para 19 grados de libertad dos nos da un valor de 0.76548



INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS
DISTRIBUCIONES NORMALES, VARIANZAS DESCONOCIDAS
En esta seccin se ver el caso en donde se tienen dos poblaciones con medias y varianzas desconocidas,
y se desea encontrar un intervalo de confianza para la diferencia de dos medias
1

2
. Si los tamaos
de muestras n
1
y n
2
son mayores que 30, entonces, puede emplearse el intervalo de confianza
de la distribucin normal. Sin embargo, cuando se toman muestras pequeas se supone que
las poblaciones de inters estn distribuidas de manera normal, y los intervalos de confianza se
basan en la distribucin t.
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS
DISTRIBUCIONES NORMALES, VARIANZAS DESCONOCIDAS PERO IGUALES
Si s
1
2
y s
2
2
son las medias y las varianzas de dos muestras aleatorias de tamao n
1
y n
2
,
respectivamente, tomadas de dos poblaciones normales e independientes con varianzas
desconocidas pero iguales, entonces un intervalo de confianza del 100( ) por ciento para
la diferencia entre medias es:

en donde:

es el estimador combinado de la desviacin estndar comn de la poblacin con n
1
+n
2
2
grados de libertad.
Ejemplos:
1. Un artculo publicado dio a conocer los resultados de un anlisis del peso de calcio en
cemento estndar y en cemento contaminado con plomo. Los niveles bajos de calcio
indican que el mecanismo de hidratacin del cemento queda bloqueado y esto permite
que el agua ataque varias partes de una estructura de cemento. Al tomar diez muestras
de cemento estndar, se encontr que el peso promedio de calcio es de 90 con una
desviacin estndar de 5; los resultados obtenidos con 15 muestras de cemento
contaminado con plomo fueron de 87 en promedio con una desviacin estndar de 4.
Supngase que el porcentaje de peso de calcio est distribuido de manera normal.
Encuntrese un intervalo de confianza del 95% para la diferencia entre medias de los
dos tipos de cementos. Por otra parte, supngase que las dos poblaciones normales
tienen la misma desviacin estndar.
Solucin:
El estimador combinado de la desviacin estndar es:

Al calcularle raz cuadrada a este valor nos queda que s
p
= 4.41

expresin que se reduce a 0.72
1

2
6.72
Ntese que el intervalo de confianza del 95% incluye al cero; por consiguiente, para este
nivel confianza, no puede concluirse la existencia de una diferencia entre las medias.

2. Se realiz un experimento para comparar el tiempo promedio requerido por el cuerpo
humano para absorber dos medicamentos, A y B. Suponga que el tiempo necesario para
que cada medicamento alcance un nivel especfico en el torrente sanguneo se
distribuye normalmente. Se eligieron al azar a doce personas para ensayar cada
frmaco registrndose el tiempo en minutos que tard en alcanzar un nivel especfico en
la sangre. Calcule un intervalo de confianza del 95% para la diferencia del tiempo
promedio. Suponga varianzas iguales.
Medicamento A Medicamento B
n
A
= 12 n
B
= 12

S
A
2
= 15.57 S
B
2
= 17.54
Solucin:


2.35
B

A
9.25
Con un nivel confianza del 95% se sabe que el tiempo promedio para alcanzar un nivel
especfico es mayor para el medicamento B.

PRUEBA SOBRE DOS MEDIAS, POBLACIONES NORMALES, VARIANZAS
DESCONOCIDAS PERO IGUALES
Las situaciones que ms prevalecen e implican pruebas sobre dos medias son las que tienen varianzas
desconocidas. Si el cientfico prueba mediante una prueba F, que las varianzas de las dos poblaciones son
iguales, se utiliza la siguiente frmula:

donde:

Los grados de libertad estn dados por:

Ejemplos:
1. Para encontrar si un nuevo suero detiene la leucemia, se seleccionan nueve ratones,
todos con una etapa avanzada de la enfermedad. Cinco ratones reciben el tratamiento y
cuatro no. Los tiempos de sobrevivencia en aos, a partir del momento en que comienza
el experimento son los siguientes:
Con Tratamiento 2.1 5.3 1.4 4.6 0.9
Sin Tratamiento 1.9 0.5 2.8 3.1
Se puede decir en el nivel de significancia del 0.05 que el suero es efectivo? Suponga
que las dos poblaciones se distribuyen normalmente con varianzas iguales.
Solucin:
Primero se probar el supuesto de varianzas iguales con un ensayo de hiptesis bilateral
utilizando la distribucin Fisher.
Datos:
Con tratamiento

s= 1.97
n = 5
Sin tratamiento

s = 1.1672
n = 4
Ensayo de hiptesis:


Estadstico de prueba:
La sugerencia que se hace es que el numerador sea el de valor mayor .
Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos
uno.
1
= 5-1 = 4 y
2
= 4-1=3.

Regla de decisin:
Si 0.10 F
c
15.1 No se rechaza H
o
,
Si la F
c
< 0.10 si F
c
> 15.1 se rechaza H
o
.
Clculo:

Decisin y Justificacin:
Como 2.85 esta entre los dos valores de H
o
no se rechaza , y se concluye con un = 0.05
que existe suficiente evidencia para decir que las varianza de las poblaciones son iguales.
Con la decisin anterior se procede a comparar las medias:
Ensayo de Hiptesis
H
o
;
CT
-
ST
=0
H
1
;
CT
-
ST
>0

Los grados de libertad son (5+4-2) = 7
Regla de decisin:
Si t
R
1.895 No se Rechaza H
o
Si t
R
> 1.895 se rechaza H
o
Clculos:

por lo tanto s
p
= 1.848

Justificacin y decisin:
Como 0.6332 es menor que 1.895, no se rechaza H
o
, y se concluye con un nivel de
significancia del 0.05 que no existe suficiente evidencia para decir que el suero detiene la
leucemia.
2. Se realiz un experimento para comparar el tiempo promedio requerido por el cuerpo
humano para absorber dos medicamentos, A y B. Suponga que el tiempo necesario para
que cada medicamento alcance un nivel especfico en el torrente sanguneo se
distribuye normalmente. Se eligieron al azar a doce personas para ensayar cada
frmaco registrndose el tiempo en minutos que tard en alcanzar un nivel especfico en
la sangre. Calcule con
= 0.05 si existe diferencia entre los tiempos promedio y obtenga el valor de P. Suponga
varianzas iguales.
Medicamento A Medicamento B
n
A
= 12 n
B
= 12

S
A
2
= 15.57 S
B
2
= 17.54
Solucin: Primero se pondr a prueba el supuesto de varianzas iguales mediante una prueba
de hiptesis con = 0.10.
Ensayo de hiptesis:


Estadstico de prueba:
La sugerencia que se hace es que el numerador sea el de valor mayor .
Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos
uno.
1
=12-1=11 y
2
=12-1=11.

Regla de decisin:
Si 0.355 F
c
2.82 No se rechaza H
o
,
Si la F
c
< 0.355 si F
c
> 2.82 se rechaza H
o
.
Clculo:

Decisin y Justificacin:
Como 1.13 esta entre los dos valores de H
o
no se rechaza , y se concluye con un = 0.10
que existe suficiente evidencia para decir que las varianza de las poblaciones son iguales.
Con la decisin anterior se procede a comparar las medias:
Ensayo de Hiptesis
H
o
;
B
-
A
=0
H
1
;
B
-
A
0

Los grados de libertad son (12+12-2) = 22
Regla de decisin:
Si 2.074 t
c
2.074 No se rechaza H
o
,
Si la t
c
< -2.074 si t
c
> 2.074 se rechaza H
o
.
Clculos:


Justificacin y decisin:
Como 3.49 es mayor que 2.074, no se rechaza H
o
, y se concluye con un nivel de significancia
del 0.05 que la media del tiempo para que el medicamento A llegue a un nivel especfico en el
torrente sanguneo es distinta de la que toma al frmaco B alcanzar ese mismo nivel.
Para calcular el valor de P se ubicar la t calculada en la grfica para proceder a buscar el rea
y multiplicarla por dos ya que es bilateral.

P = (2)(0.00139) = 0.00278

INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS
DISTRIBUCIONES NORMALES, VARIANZAS DESCONOCIDAS PERO DIFERENTES
Consideremos ahora el problema de encontrar una estimacin por intervalos de
1

2
cuando
no es probable que las varianzas poblacionales desconocidas sean iguales. La estadstica que
se usa con ms frecuencia en este caso es:

que tiene aproximadamente una distribucin t con grados de libertad, donde:

Como rara vez es nmero entero, lo redondeamos al nmero entero ms cercano menor.
Esto es si el valor de nu es de 15.9 se redondear a 15.
Al despejar la diferencia de medias poblacionales de la formula de t nos queda:

Ejemplos:
1. El departamento de zoologa de la Universidad de Virginia llev a cabo un estudio para
estimar la diferencia en la cantidad de ortofsforo qumico medido en dos estaciones
diferentes del ro James. El ortofsforo se mide en miligramos por litro. Se reunieron 15
muestras de la estacin 1 y se ontuvo una media de 3.84 con una desviacin estndar
de 3.07 miligramos por litro, mientras que 12 muestras de la estacin 2 tuvieron un
contenido promedio de 1.49 con una desviacin estndar 0.80 miligramos por litro.
Encuentre un intervalo de confianza de 95% para la diferencia del contenido promedio
real de ortofsforo en estas dos estaciones, suponga que las observaciones vienen de
poblaciones normales con varianzas diferentes.
Solucin:
Datos:
Estacin 1 Estacin 2
n
1
= 15 n
2
= 12

S
1
= 3.07 S
2
= 0.80
Primero se proceder a calcular los grados de libertad:

Al usar =0.05, encontramos en la tabla con 16 grados de libertad que el valor de t es 2.120,
por lo tanto:

que se simplifica a:
0.60
1

2
4.10
Por ello se tiene una confianza del 95% de que el intervalo de 0.60 a 4.10 miligramos por litro
contiene la diferencia de los contenidos promedios reales de ortofsforo para estos dos
lugares.

PRUEBA SOBRE DOS MEDIAS, POBLACIONES NORMALES, VARIANZAS
DESCONOCIDAS PERO DIFERENTES



Ejemplo:
1. Un fabricante de monitores prueba dos diseos de microcircuitos para determinar si
producen un flujo de corriente equivalente. El departamento de ingeniera ha obtenido
los datos siguientes:
Diseo 1 n
1
= 16

s
1
2
= 10
Diseo 2 n
2
= 10

s
2
2
= 40
2. Con = 0.05, se desea determinar si existe alguna diferencia significativa en el flujo
de corriente promedio entre los dos diseos, donde se supone que las dos poblaciones
son normales, pero no es posible suponer que las varianzas desconocidas sean iguales.
3. Solucin:
4. Primero se probarn varianzas desiguales.
5. Ensayo de hiptesis:
6.
7.
8. Estadstico de prueba:
9. La sugerencia que se hace es que el numerador sea el de valor mayor .
10. Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno
menos uno.
1
= 10-1 = 9 y
2
= 16-1=15.
11.
12. Regla de decisin:
13. Si 0.265 F
c
3.12 No se rechaza H
o
,
14. Si la F
c
< 0.265 si F
c
> 3.12 se rechaza H
o
.
15. Clculo:
16.
17. Decisin y Justificacin:
18. Como 4 es mayor que 3.12 se rechaza H
o
, y se concluye con un = 0.05 que existe
suficiente evidencia para decir que las varianza de las poblaciones son diferentes.
19. Con la decisin anterior se procede a comparar las medias:
20. Ensayo de Hiptesis
21. H
o
;
1
-
2
=0
22. H
1
;
1
-
2
0
23. Para poder buscar el valor de t en la tabla, se necesita saber el valor de los grados de
libertad:
24.
25. Este valor se redondea al prximo menor que sera 11.
26.
27. Regla de decisin:
28.
Si 2.201 t
R
2.201 No se rechaza H
o
29.
Si t
R
< -2.201 si t
R
> 2.201 se rechaza H
o
30. Clculos:
31.
32. Justificacin y decisin:
33. Como 0.1395 esta entre 2.201 y 2.201, no se rechaza H
o
y se concluye con un =
0.05, que no existe diferencia significativa en el flujo de corriente promedio entre los dos
diseos.
34. Dos proveedores fabrican un engrane de plstico utilizado en una impresora lser. Una
caracterstica importante de estos engranes es la resistencia al impacto la cual se mide
en pies-libras. Una muestra aleatoria de 10 engranes suministrados por el primer
proveedor arroja los siguientes resultados: y s
1
= 12. Del segundo proveedor se
toma una muestra aleatoria de 16 engranes, donde los resultados son
y s
2
= 45. Existe evidencia que apoye la afirmacin de que los engranes del proveedor 2
tienen una mayor resistencia promedio al impacto. Use un nivel de significancia de 0.05.
Calcule el valor de P.
Solucin:
Datos:
Proveedor 1 Proveedor 2
n
1
= 10 n
2
= 16

S
1
= 12 S
2
= 45

Primero se probarn varianzas desiguales.
Ensayo de hiptesis:


Estadstico de prueba:
La sugerencia que se hace es que el numerador sea el de valor mayor .
Entonces los grados de libertad uno ser el tamao de la muestra de la poblacin uno menos
uno.
1
= 16-1 = 15 y
2
= 10-1=9.

Regla de decisin:
Si 0.320 F
c
3.01 No se rechaza H
o
,
Si la F
c
< 0.320 si F
c
> 3.01 se rechaza H
o
.
Clculo:

Decisin y Justificacin:
Como 14.06 es mayor que 3.01 se rechaza H
o
, y se concluye con un = 0.05 que existe
suficiente evidencia para decir que las varianza de las poblaciones son diferentes.
Con la decisin anterior se procede a comparar las medias:
Ensayo de Hiptesis
H
o
;
2
-
1
=0
H
1
;
2
-
1
>0
Para poder buscar el valor de t en la tabla, se necesita saber el valor de los grados de libertad:

Este valor se redondea al prximo menor que sera 18.

Regla de decisin:
Si t
R
1.734 No se rechaza H
o
Si t
R
> 1.734 se rechaza H
o
Clculos:

Justificacin y decisin:
Como 2.61 es mayor que 1.734, se rechaza H
o
y se concluye con un =0.05, que existe
evidencia suficiente para decir que el promedio de resistencia de los engranes del proveedor 2
es mayor a el promedio de resistencia de los engranes del proveedor 1.
Para calcular el valor de P se busca adentro de la tabla de t el valor de 2.61 con 18 grados de
libertad y se observa que se encuentra entre dos reas que son 0.01 y 0.0075, al interpolar nos
da un valor de P = 0.00894.


INFERENCIA RESPECTO A LA DIFERENCIA DE DOS MEDIAS CUANDO SE USAN
MUESTRAS DEPENDIENTES PEQUEAS
Para hacer inferencias estadsticas sobre dos poblaciones, se necesita tener una muestra de cada
poblacin. Las dos muestras sern dependientes o independientes de acuerdo a la forma de seleccionarlas.
Si la seleccin de los datos de una poblacin no est relacionada con la de los datos de la otra, son
muestras independientes. Si las muestras se seleccionan de manera que cada medida en una de ellas pueda
asociarse naturalmente con una medida en la otra muestra, se llaman muestras dependientes. Cada dato
sale de alguna fuente; una fuente es algo, una persona o un objeto, que produce datos. Si dos medidas se
obtienen de la misma fuente, se puede pensar que las medidas estn pareadas. En consecuencia dos
medidas que se obtienen del mismo conjunto de fuentes son dependientes. Note que si dos muestras son
dependientes, entonces necesariamente tienen el mismo tamao.
Muchas aplicaciones prcticas requieren hacer comparaciones entre dos poblaciones con base en datos
pareados o en muestras dependientes. Las aplicaciones que pueden involucrar muestras dependientes
incluyen:
- Medicina.- Poner aprueba los efectos de una dieta mediante la obtencin de las medidas del peso
en la misma persona antes y despus de aplicar una dieta.
- Enseanza.- Probar la efectividad de una estrategia de enseanza aplicando exmenes antes y
despus a los mismos individuos.
- Agricultura.- Poner a prueba los efectos de dos fertilizantes en la produccin de frijol de soya
comparando la produccin de parcelas similares en las mismas condiciones.
- Finanzas.- Comparar las estimaciones de dos talleres de autos chocados para las mismas
unidades.
- I ndustria.- Poner a prueba dos marcas de llantas en cuanto al desgaste del piso colocando una de
cada marca en los rines traseros de una muestra de coches del mismo tipo.
Si se tienen dos muestral aleatorias dependientes de tamao n, donde cada elemento de la primera muestra
es pareja de un elemento de la segunda, entonces estas dos muestras dan lugar a una de parejas o a una
diferencias, como lo indica la siguiente figura. La muestra de diferencias d = x
1
x
2
se puede pensar
como una muestra de la poblacin de diferencias de datos pareados de dos poblaciones. La media de la
poblacin de diferencias es igual a la diferencias de las medias poblacionales.






Se puede demostrar que la media de las diferencias es la diferencias de las mismas considerando las dos
poblaciones siguientes con cuyos elementos se han formado parejas:
Poblacin 1 Poblacin 2 Diferencia d
2 5 2 5 = -3
4 6 4 6 = -2
6 2 6 2 = 4
8 4 8 4 = 4
10 8 10 8 = 2
Suma 30 25 5
Media 6 5 1
La diferencia entre medias poblacionales es:
1

2
= 6 5 = 1
y la media de la poblacin de diferencias se representa:

En consecuencia se ve que la media de la poblacin de diferencias es igual a la diferencia
entre las medias poblacionales. Siguiendo la misma lnea de razonamiento, se puede
demostrar que, para dos muestras dependientes, la media de sus diferencias muestrales es
igual a la diferencia entre sus medias muestrales. Esto es, si x
1
x
2
= d, entonces
Si se tiene una muestra aleatoria de n pares de datos y si las diferencias d se distribuyen
normalmente, entonces el estadstico:
tiene una distribucin muestral que es una distribucin t con gl=n-1, donde s
d
representa
la desviacin estndar de la muestra de puntajes diferencia.
Estadstico

donde g.l = n-1

Lmites del intervalo de confianza para
1

2
cuando se usa muestras dependientes


Ejemplos:
1. Se hizo un estudio para definirse si los ejercicios aerbicos reducen el ritmo cardiaco de
una persona durante el descanso, y al examinar a diez voluntarios antes y despus de
seguir un programa de ese tipo durante seis meses, sus pulsaciones, en latidos por
minuto, dieron los siguientes registros:
Voluntario 1 2 3 4 5 6 7 8 9 10
Antes 73 77 68 62 72 80 76 64 70 72
Despus 68 72 64 60 71 77 74 60 64 68
2. Use = 0.05 para calcular si los ejercicios aerbicos reducen el ritmo cardiaco
durante el reposo. Calcule el valor de P.
3. Solucin:
4. Ensayo de hiptesis:
5. H
o
;
A

D
= 0
6. H
1
;
A

D
> 0
7.
8. Regla de decisin:
9.
Si t
R
1.833 No se rechaza H
o
10.
Si t
R
> 1.833 se rechaza H
o
11. Clculos:
12. Se proceder a calcular las diferencias de cada par:
Voluntario 1 2 3 4 5 6 7 8 9 10
Antes 73 77 68 62 72 80 76 64 70 72
Despus 68 72 64 60 71 77 74 60 64 68
Diferencia 5 5 4 2 1 3 2 4 6 4
13. Al calcular la media de las diferencias nos da 3.6 con una s
d
= 1.58.
14.
15. Justificacin y decisin:
16. Como 7.20 es mayor que 1.833, se rechaza H
0
, y se concluye cn un nivel de
significancia de 0.05 que los datos indican que los ejercicios aerbicos disminuyen
significativamente el ritmo cardiaco durante el reposo.
17. Para calcular el valor de P se busca el 7.20 en el rengln de 9 grados de libertad en la
tabla t, y se observa que el valor mayor que aparece en dicha tabla es 4.781 al cual le
corresponde una rea a la derecha de 0.0005, entonces se puede concluir que el valor
de P es prcticamente cero.
18. Diez hombres se sometieron a una dieta especial registrando sus pesos antes de
comenzarla y despus de un mes de estar en ella. Los resultados de los pesos, en
libras, se muestran a continuacin:
Hombre A B C D E F G H I J
Antes 181 172 190 186 210 202 166 173 183 184
Despus 178 175 185 184 207 201 160 168 180 189
19. Haga una prueba con = 0.05 para determinar si la dieta logr alguna diferencia, ya
sea positiva o negativa. Calcule el valor de P.
20. Solucin:
21. Ensayo de hiptesis:
22. H
o
;
A

D
= 0
23. H
1
;
A

D
0
24.
25. Regla de decisin:
26. Si 2.262 t
c
2.262 No se rechaza H
o
,
27. Si la t
c
< -2.262 si t
c
> 2.262 se rechaza H
o
.
28. Clculos:
29. Se proceder a calcular las diferencias de cada par:
Hombre A B C D E F G H I J
Antes 181 172 190 186 210 202 166 173 183 184
Despus 178 175 185 184 207 201 160 168 180 189
Diferencia 3 -3 5 2 3 1 6 5 3 -5
30. Al calcular la media de las diferencias nos da 2 con una s
d
= 3.53.
31.
32. Justificacin y decisin:
33. Como 1.79 est entre los dos valores crticos de 2.262 y 2.262, por lo tanto no se
rechaza H
0
, y se concluye con un = 0.05 que no existe evidencia estadstica que
apoye la efectividad de la dieta para variar el peso.
34. Para calcular el valor de P se interpola entre 0.10 y 0.05, con 9 grados de libertad
obteniendo un rea de 0.0574, pero como el ensayo es bilateral este sera un valor de
P/2, por lo tanto el valor de P = (2)(0.0574) = 0.1148
35.
36. Calcula el intervalo de confianza del 95% para la diferencia de medias poblacionales del
ejercicio anterior.
Solucin:

El intervalo de confianza del 95% es 0.53 y 4.53 y como contiene a cero, no podemos concluir
que la dieta sea efectiva para cambiar el peso.
Problemas Propuestos
1. Un economista considera que el nmero de galones de gasolina que consume
mensualmente cada automvil en Estados Unidos es una variable aleatoria normal con

=50 y varianza desconocida.
a. Supngase que una muestra aleatoria de nueve observaciones presenta una varianza
muestral de 36. Cul es la probabilidad de que x sea mayor que 54?
b. Cul es la probabilidad de que x sea menor que 44?
c. Cul es la probabilidad de que x este comprendida entre 44 y 55 ?
d. Cmo modificaran las respuestas a las preguntas anteriores si n = 36 ?
2. Una mquina produce las varillas de metal utilizadas en el sistema de suspensin de un
automvil. El dimetro de la varilla est distribuido en forma normal, con media y
varianza desconocida. Se toma una muestra aleatoria de 10 piezas, y se encuentra que
los dimetros son: 2.25, 2.24, 2.27, 2.26, 2.23, 2.25, 2.24, 2.27, 2.22 y 2.23 pulgadas.
Encuentre el intervalo de confianza del 99% para el dimetro promedio de todas las
varillas de metal.
3. Una muestra de 12 latas de sopa producida por cierta compaa produjo los siguientes
pesos netos, medidos en onzas:
11.9 12.2 11.6 12.1 12.1 11.8
11.9 11.8 12.0 12.3 11.8 12.0
4. Si se supone normalidad en los pesos, construya un intervalo de confianza del 95% para
el peso promedio de todas las latas de sopa producidas por la compaa.
5. Los siguientes datos registrados en das, representan el tiempo de recuperacin para
pacientes que se tratan al azar con uno de los medicamentos para curar infecciones
graves de la vejiga:
Medicamento 1 Medicamento 2
n
1
= 14 n
2
= 16
x
1
= 17 x
2
= 19
s
1
2
= 1.5 s
2
2
= 1.8
6. Encuentre un intervalo de confianza de 99% para la diferencia promedio en el tiempo de
recuperacin para los dos medicamentos, suponga poblaciones normales con varianzas
iguales.
7. Un experimento compara las economas en combustible para dos tipos de camiones
compactos a diesel equipados de forma similar. Suponga que se utilizaron 12 camiones
Volkswagen y 10 Toyota en pruebas de velocidad constante de 90 kilmetros por hora.
Si los 12 VW promedian 16 Km/lto con una desviacin estndar de 1.0 km/lto, y los 10
Toyota promedian 11 km/lto con una desviacin estndar de 0.8 km/lto, construya un
intervalo de confianza de 90% para la diferencia entre los kilmetros promedio por litro
de estos dos camiones. Suponga poblaciones normales con varianzas iguales.
8. Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una
poblacin normal con varianza
= 6, tenga una varianza s
2
a. Mayor que 9.1
b. Entre 3.462 y 10.745
7. Encuentre el intervalo de confianza del 90% para la varianza del dimetro de las varillas
del ejercicio 2 e interprete resultado.
8. Una mquina que produce bolas para cojinetes se le detiene peridicamente para
verificar el dimetro. En este caso en particular no interesa el dimetro medio, sino la
variabilidad de los dimetros. Supngase que se toma una muestra de 31 bolas y se
encuentra que la varianza de los dimetros es de 0.94 mm
2
. Construya un intervalos de
confianza de 95% para la varianza, e interprete los resultados, suponiendo normalidad
en la poblacin.
9. Si s
1
2
y s
2
2
representan las varianzas de muestras aleatorias independientes de tamao
n
1
=8 y n
2
=12, tomadas de poblaciones normales con varianzas iguales, encuentre
P(s
1
2
/s
2
2<
4.89).
10. Los siguientes datos representan los tiempos de duracin de las pelculas que producen
dos compaas cinematogrficas.

Compaa Tiempo (minutos)
I 103, 94, 110, 87, 98
II 97, 82, 123, 92, 175, 88, 118
Construya un intervalo de confianza del 90% para la relacin de varianzas.
11. Construya un intervalo de confianza de 98% para la relacin de desviaciones estndar
del problema nmero 5, y de acuerdo con los resultados obtenidos, diga si estuvo bien el
supuesto de varianzas iguales.
12. Pruebe la hiptesis de que el contenido promedio de los envases de un lubricante en
particular es de 10 litros si los contenidos de una muestra aleatoria de 10 envases son:
10.2, 9.7, 10.1, 10.3, 10.1, 9.8, 9.9, 10.4, 10.3 y 9.8 litros. Utilice un nivel de significancia
de 0.01 y suponga que la distribucin del contenido es normal.
13. De acuerdo con un estudio diettico una ingesta alta de sodio se puede relacionar con
lceras, cncer de estmago y migraa. El requerimiento humano de sal es de slo 220
miligramos por da, el cual se rebasa en la mayora de las porciones individuales de
cereales listos para comerse. Si una muestra aleatoria de 20 porciones similares de
Special K tiene un contenido medio de 244 miligramos de sodio y una desviacin
estndar de 24.5 miligramos esto sugiere, en el nivel de significancia del 0.05, que el
contenido promedio de sodio para porciones individuales de Special K es mayor que 220
miligramos? Suponga que la distribucin de contenidos de sodio es normal.
14. Una compaa armadora de automviles grandes trata de decidir si compra llantas de la
marca o de la B para sus modelos nuevos. Se lleva a cabo un experimento para ayudar
a llegar a una decisin, en el que se usan 12 llantas de cada marca. Los resultados son:
Marca A: xA = 37,900 Kilmetros; SA = 5,100 Kilmetros.
Marca B: xB = 39,800 Kilmetros; SB = 5,900 Kilmetros
Pruebe la hiptesis de que no hay diferencia en las dos marcas de llantas con un nivel
de significancia de 0.05. Tambin calcule el valor de P, suponiendo normalidad y
varianzas iguales.
15. Dos secciones de un curso de estadstica son sometidas a un mismo examen final. De
las calificaciones obtenidas se extrae una muestra aleatoria de tamao 9 en la grupo "A",
y otra de tamao 4 en el grupo "B".
Grupo "A": 65, 68, 72, 75, 82, 85, 87, 91, 95
Grupo "B": 50, 59, 71, 80
a. Con un nivel de significacin de 0.05 podra decirse que los dos grupos tienen las
mismas calificaciones promedio?. Suponga que provienen de poblaciones normales con
varianzas iguales.
b. Calcule el valor de P para este ensayo e interprete su resultado
c. Por medio de un ensayo de hiptesis diga si estuvo acertada la suposicin de las
varianzas iguales en el inciso a). Haga la prueba con un nivel de significacin de 0.10.
15. Una mquina automtica empacadora de azcar se usa para llenar bolsas de 5 libras.
Una muestra aleatoria de 15 bolsas indic una media de 4.94 libras y una desviacin
estndar de 0.02; si se supone que la distribucin de los pesos es normal, y de la
experiencia pasada se sabe que la desviacin estndar de los pesos es de 0.015 libras,
muestran los datos suficiente evidencia para decir que hubo un aumento en la
variabilidad?. Haga la prueba con un nivel de significancia del 0.05 y calcule el valor de
P.
17. Una empresa empacadora de azcar est considerando una mquina nueva para
reemplazar su mquina actual. Los pesos de una muestra de 21 paquetes de 5 libras
empacados por la mquina vieja producen una varianza de 0.16, mientras que los pesos
de 20 paquetes de 5 libras empacados por la mquina nueva dan una varianza de
0.09.En base a estos datos, aconsejara usted al gerente a comprar la mquina nueva?
Use un
= 0.05.
18. La Metro Bus Company en una ciudad grande afirma tener una varianza en los tiempos
de llegada de sus carros, medidos en minutos, a las distintas paradas, de no ms de 5;
un ejecutivo de la compaa orden tomar los tiempos de llegada en varias paradas para
determinar si los conductores estn cumpliendo con sus horarios. Si una muestra de 12
llegadas a una parada particular produjo una varianza de 5.7 y se supone que los
tiempos de llegada se distribuyen normalmente, muestran estos datos suficiente
evidencia para contradecir a la compaa? Use un nivel de significancia de 0.10 y
calcule el valor de P.
Respuesta a los Problemas Propuestos
1. a) 0.0421, b) 0.00862, c) 0.97276
2. 2.2284 2.2635
3. 11.859 12.11
4. 0.70
2

1
3.30
5. 4.3
vw
-
T
5.7
6. a) 0.05, b) 0.94
7.
4.689 x 10
-5

2
1.559 x 10
-4
8. 0.60
2
1.679
9. 0.99
10. 2.20 (
2
/
1
)
2
61.50
11. 0.549 (
Vw
/
T
) 2.69. Estuvo bien la suposicin puesto que el uno esta dentro del
intervalo.
12. Regin crtica -3.25 t 3.25. t = 0.77 por lo tanto no rechaza Ho.
13. Regin crtica t>1.729. t= 4.30 rechazar Ho.
14. Regin crtica -2.074 t 2.074. t = -0.84 no rechazar Ho. P = 0.411
15. a) Regin crtica -2.201 t 2.201. t = 2.27 rechazar Ho. b) P = 0.0445 c) Regin crtica
0.1129 F 4.07. F = 1.578, no rechaza Ho, estuvo bien la suposicin de varianzas
iguales.
16. Regin crtica X
2
> 23.685. X
2
= 24.88 rechazar Ho. P = 0.0377
17. Regin critica F > 2.16. F = 1.77, no se rechaza Ho y no conviene comprar la mquina
nueva.
18. Regin crtica X
2
> 17.275. X
2
= 12.54 no se rechaza Ho. P = 0.3280
UNIDAD IV
PRUEBAS CHI-CUADRADA Y ESTADISTICA NO PARAMETRICA
Como ya se ha visto varias veces, los resultados obtenidos de muestras no siempre
concuerdan exactamente con los resultados tericos esperados, segn las reglas de
probabilidad. Por ejemplo, aunque consideraciones tericas conduzcan a esperar 50 caras y 50
cruces cuando se lanza 100 veces una moneda bien hecha, es raro que se obtengan
exactamente estos resultados.
Supngase que en una determinada muestra se observan una serie de posibles sucesos E
1
,
E
2
, E
3
, . . . , E
K
, que ocurren con frecuencias o
1
, o
2
, o
3
, . . ., o
K
, llamadas frecuencias
observadas y que, segn las reglas de probabilidad, se espera que ocurran con frecuencias
e
1
, e
2
, e
3
, . . . ,e
K
llamadas frecuencias tericas o esperadas.
A menudo se desea saber si las frecuencias observadas difieren significativamente de las
frecuencias esperadas. Para el caso en que solamente son posibles dos sucesos E
1
y E
2
como,
por ejemplo, caras o cruces, defectuoso, etc., el problema queda resuelto satisfactoriamente
con los mtodos de las unidades anteriores. En esta unidad se considera el problema general.
Definicin de X
2
Una medida de la discrepancia existente entre las frecuencias observadas y esperadas es
suministrada por el estadstico X
2
, dado por:

donde si el total de frecuencias es N,

Si X
2
= 0, las frecuencias observadas y esperadas concuerdan exactamente, mientras que si
X
2
>0, no coinciden exactamente. A valores mayores de X
2
, mayores son las discrepancias
entre las frecuencias observadas y esperadas.
Si las frecuencias esperadas son al menos iguales a 5, la aproximacin mejora para valores
superiores.
El nmero de grados de libertad est dado por:
= k 1 m
en donde:
K = nmero de clasificaciones en el problema.
m = nmero de parmetros estimados a partir de los datos muestrales para obtener los valores
esperados.
Ensayo de Hiptesis
En la prctica, las frecuencias esperadas se calculan de acuerdo con la hiptesis H
o
. Si bajo
esta hiptesis el valor calculado de X
2
dado es mayor que algn valor crtico, se deduce que las
frecuencias observadas difieren significativamente de las esperadas y se rechaza H
o
al nivel de
significacin correspondiente. En caso contrario, no se rechazar. Este procedimiento se llama
ensayo o prueba de chi-cuadrado de la hiptesis.
Debe advertirse que en aquellas circunstancias en que X
2
est muy prxima a cero debe
mirarse con cierto recelo, puesto que es raro que las frecuencias observadas concuerden
demasiado bien con las esperadas. Para examinar tales situaciones, se puede determinar si el
valor calculado de X
2
es menor que las X
2
crticas o de tabla (ensayo unilateral izquierdo), en
cuyos casos se decide que la concordancia es bastante buena.
Ejemplos:
1. La siguiente tabla muestra las frecuencias observadas al lanzar un dado 120 veces.
Ensayar la hiptesis de que el dado est bien hecho al nivel de significacin del 0.05.
Cara 1 2 3 4 5 6
Frecuencia
Observada
25 17 15 23 24 16
2. Solucin:
3. Ensayo de Hiptesis:
4. H
o
; Las frecuencias observadas y esperadas son significativamente iguales
5. (dado bien hecho)
6. H
1
; Las frecuencias observadas y esperadas son diferentes (dado cargado).
7. Primero se procede a calcular los valores esperados. Como es bien sabido por todos la
probabilidad de que caiga cualquier nmero en un dado no cargado es de 1/6. Como la
suma de los valores observados es de 120, se multiplica este valor por 1/6 dando un
resultado de 20 para cada clasificacin.
Cara 1 2 3 4 5 6 Total
Frecuencia Observada 25 17 15 23 24 16 120
Frecuencia esperada 20 20 20 20 20 20
8. Grados de libertad = k-1-m = 6-1-0 = 5
9. No se tuvo que calcular ningn parmetro para obtener las frecuencias esperadas.
10.
11. Regla de decisin:
12. Si X
2
R
11.1 no se rechaza H
o
.
13. Si X
2
R
>11.1 se rechaza H
o
.
14. Clculos:
15.
16. Justificacin y decisin:
17. Como 5 es menor a 11.1 no se rechaza H
o
y se concluye con una significacin de 0.05
que el dado est bien hecho.
18. En los experimentos de Mendel con guisantes, observ 315 lisos y amarillos, 108 lisos y
verdes, 101 rugosos y amarillos y 32 rugosos y verdes. De acuerdo con su teora, estos
nmeros deberan presentarse en la proporcin 9:3:3:1. Hay alguna evidencia que
permita dudar de su teora al nivel de significacin del 0.01?
Solucin:
Ensayo de Hiptesis:
H
o
; La teora de Mendel es acertada.
H
1
; La teora de Mendel no es correcta.
El nmero total de guisantes es 315+108+101+32=556. Puesto que los nmeros
esperados estn el la proporcin 9:3:3:1 (9+3+3+1=16), se esperara:
lisos y amarillos
lisos y verdes
rugosos y amarillos
rugosos y verdes
Grados de libertad = k-1-m = 4-1-0 = 3
No se tuvo que calcular ningn parmetro para obtener las frecuencias esperadas.

Regla de decisin:
Si X
2
R
11.3 no se rechaza H
o
.
Si X
2
R
>11.3 se rechaza H
o
.
Clculos:

Justificacin y decisin:
Como 0.470 es menor que 11.3 no se rechaza H
o
y se concluye con un nivel de
significacin de 0.01 que la teora de Mendel es correcta.
Como el valor de 0.470 est cercano a cero, se procede a hacer un ensayo unilateral
izquierdo:
Ensayo de Hiptesis:
H
o
; La teora de Mendel es acertada.
H
1
; La teora de Mendel es muy acertada.

Regla de decisin:
Si X
2
R
0.115 no se rechaza H
o
.
Si X
2
R
< 0.115 se rechaza H
o
.
Como el valor de 0.470 no es menor a 0.115 se concluye que el experimento o la teora
de Mendel solo es buena.
19. Una encuesta sobre 320 familias con 5 nios dio la distribucin que aparece en la
siguiente tabla. Es el resultado consistente con la hiptesis de que el nacimiento de
varn y hembra son igualmente posibles? Use = 0.05.
Nmero de nios 5 4 3 2 1 0
Nmero de nias 0 1 2 3 4 5
Nmero de familias 18 56 110 88 40 8
20. Solucin:
21. Ensayo de hiptesis:
22. H
0
; El nacimiento de nios y nias es igualmente probable.
23. H
1
; El nacimiento de nios y nias no es igualmente probable.
24. Este experimento tiene un comportamiento binomial, puesto que se tienen dos posibles
resultados y la probabilidad de xito se mantiene constante en todo el experimento.
25. Se le llamar xito al nacimiento de un varn o nio. Por lo que la variable aleatoria "x"
tomar valores desde 0 hasta 5.
26. Como se quiere ver si es igualmente probable el nacimiento de nios y nias, la
probabilidad de xito ser de 0.5.
27. Utilizando la frmula de la distribucin binomial se calcularn las probabilidades, que
multiplicadas por el nmero total de familias nos darn los valores esperados en cada
clasificacin.
28. Recordando la frmula de la distribucin binomial:
29.
30. en donde n = 5 y "x" es el nmero de nios .
31. Probabilidad de 5 nios y 0 nias =
32. Probabilidad de 4 nios y 1 nia =
33. Probabilidad de 3 nios y 2 nias =
34. Probabilidad de 2 nios y 3 nias =
35. Probabilidad de 1 nio y 4 nias =
36. Probabilidad de 0 nios y 5 nias =
37. Si cada una de estas probabilidades se multiplican por 320 se obtienen los valores
esperados:
Nmero de nios 5 4 3 2 1 0
Total
Nmero de nias 0 1 2 3 4 5
Nmero de familias 18 56 110 88 40 8 320
Frecuencias esperadas 10 50 100 100 50 10
38. Grados de libertad: k-1-m = 6-1-0 = 5
39.
40. Regla de decisin:
41. Si X
2
R
11.1 no se rechaza H
o
.
42. Si X
2
R
>11.1 se rechaza H
o
.
43. Clculos:
44.
45. Justificacin y decisin:
46. Como el 12 es mayor a 11.1, se rechaza H
0
y se concluye con un = 0.05 que el
nacimiento de hombres y mujeres no es igualmente probable.
47. Una urna contiene 6 bolas rojas y 3 blancas. Se extraen al azar dos bolas de la urna, se
anota su color y se vuelven a la urna. Este proceso se repite un total de 120 veces y los
resultados obtenidos se muestran en la siguiente tabla. Determinar al nivel de
significacin del 0.05 si los resultados obtenidos son consistentes con los esperados.
0 1 2
Bolas blancas 2 1 0
Nmero de extracciones 6 53 61
Solucin: Este experimento tiene las caractersticas de una distribucin hipergeomtrica, por
lo cual se calcularn los valores esperados con el razonamiento de esta distribucin.
Se llamara "x" a la variable aleatoria de inters que en este caso sern las bolas rojas. Por lo
tanto "x" puede tomar valores desde 0 hasta 2.
La frmula de la distribucin hipergeomtrica es:

Se tiene:

Probabilidad de extraer 0 rojas y 2 blancas:

Probabilidad de extraer 1 roja y 1 blanca:

Probabilidad de extraer 2 rojas y 0 blancas:

Con las probabilidades anteriores se obtendrn los valores esperados multiplicando por 120.
0 1 2
Bolas blancas 2 1 0
Nmero de extracciones 6 53 61
Frecuencias esperadas 10 60 50
Grados de libertad: k-1-m = 3-1-0 = 2

Regla de decisin:
Si X
2
R
5.991 no se rechaza H
o
.
Si X
2
R
>5.991 se rechaza H
o
.
Clculos:

Justificacin y decisin:
Como el 4.83 no es mayor a 5.991, no se rechaza H
0
y se concluye con un
= 0.05 que los resultados son los mismos que los esperados.
PRUEBA CHI-CUADRADA PARA LA BONDAD DEL AJUSTE
A lo largo de este curso nos ocupamos de la prueba de hiptesis estadsticas acerca de parmetros de una
poblacin como , y P. Ahora se considera una prueba para determinar si una poblacin
tiene una distribucin terica especfica. La prueba se basa en qu tan buen ajuste se tiene
entre la frecuencia de ocurrencia de las observaciones en una muestra observada y las
frecuencias esperadas que se obtienen a partir de la distribucin hipottica.
La formula que se utilizar para calcular el valor de chi-cuadrada es igual a la de la seccin
anterior, con el mismo concepto de grados de libertad.
Ejemplo:
1. Una moneda fue lanzada al aire 1000 series, de 5 veces cada serie y se observ el
nmero de caras de cada serie. El nmero de series en los que se presentaron 0, 1, 1,
3, 4 y 5 caras se muestra en la siguiente tabla.
Nmero de
caras
Nmero de series
(frecuencia
observada)
0 38
1 144
2 342
3 287
4 164
5 25
Total
1000
2. Ajustar una distribucin binomial a los datos con un = 0.05.
3. Solucin:
4. H
0
; Los datos se ajustan a una distribucin binomial.
5. H
1
; Los datos no se ajustan a una distribucin binomial.
6. Para obtener los valores esperados se tiene que utilizar la formula de la distribucin
binomial: , donde n en este ejercicio vale 5, p y q son las probabilidades
respectivas de cara y sello en un solo lanzamiento de la moneda. Para calcular el valor
de p, se sabe que =np en una distribucin binomial, por lo que = 5p.
7. Para la distribucin de frecuencias observada, la media del nmero de caras es:
8.
9. Por lo tanto . As pues, la distribucin binomial ajustada viene dada
por p(x) = .
10. Al seguir esta frmula se calcula la probabilidad de obtener caras, segn el valor de la
variable aleatoria. La probabilidad multiplicada por 1000 nos dar el valor esperado. Se
resumen los resultados en la tabla siguiente:
Nmero de caras
(x)
P(x caras)
Frecuencia
esperada
Frecuencia
observada
0 0.0332 33.2 38
1 0.1619 161.9 144
2 0.3162 316.2 342
3 0.3087 308.7 287
4 0.1507 150.7 164
5 0.0294 29.4 25
11. Para los grados de libertad el valor de m ser uno, ya que se tuvo que estimar la media
de la poblacin para poder obtener el valor de p y as poder calcular los valores
esperados.
12. Grados de libertad: k-1-m = 6-1-1 = 4
13.
14. Regla de decisin:
15. Si X
2
R
9.49 no se rechaza H
o
.
16. Si X
2
R
>9.49 se rechaza H
o
.
17. Clculos:
18.
Justificacin y decisin:
19. Como el 7.54 no es mayor a 9.49, no se rechaza H
0
y se concluye con un
= 0.05 que el ajuste de los datos a una distribucin binomial es bueno.
20. Se propone que el nmero de defectos en las tarjetas de circuito impreso sigue una
distribucin Poisson. Se rene una muestra aleatoria de 60 tarjetas de circuito impreso y
se observa el nmero de defectos. Los resultados obtenidos son los siguientes:
Nmero de
defectos
Frecuencia
observada
0 32
1 15
2 9
3 ms 4
21. Muestran estos datos suficiente evidencia para decir que provienen de una distribucin
Poisson?. Haga la prueba de la bondad del ajuste con un = 0.05.
22. Solucin:
23. H
0
; La forma de la distribucin de los defectos es Poisson.
24. H
1
; La forma de la distribucin de los defectos no es Poisson.
25. La media de la distribucin Poisson propuesta en este ejemplo es desconocida y debe
estimarse a partir de los datos contenidos en la muestra.
26.
27. A partir de la distribucin Poisson con parmetro 0.75, pueden calcularse las
probabilidades asociadas con el valor de x. Esto es la frmula de la Poisson es:
28.
29. Con esta frmula se calculan las probabilidades, mismas que se multiplican por 60 para
obtener los valores esperados.
Nmero de
defectos
Probabilidad
Frecuencia
esperada
Frecuencia
observada
0 0.472 28.32 32
1 0.354 21.24 15
2 0.133 7.98 9
3 ms 0.041 2.46 4
30. Puesto que la frecuencia esperada en la ltima celda es menor que 5, se combinan las
dos ltimas celdas.
Nmero de
defectos
Frecuencia
esperada
Frecuencia
observada
0 28.32 32
1 21.24 15
2 ms 10.44 13
31. Los grados de libertad seran 3-1-1=1, debido a que la media de la distribucin Poisson
fue estimada a partir de los datos.
32.
33. Regla de decisin:
34. Si X
2
R
3.84 no se rechaza H
o
.
35. Si X
2
R
>3.84 se rechaza H
o
.
36. Clculos:
37.
38. Justificacin y decisin:
39. Como el 2.94 no es mayor a 3.84, no se rechaza H
0
y se concluye con un
= 0.05 que la distribucin de defectos en las tarjetas de circuito impreso es Poisson.
40. Pruebe la hiptesis de que la distribucin de frecuencia de las duraciones de bateras
dadas en la siguiente tabla, se puede aproximar mediante una distribucin normal con
media = 3.5 y desviacin estndar =0.7. Utilice un
= 0.05.
Lmites
de clase
Frecuencias
observadas
1.45 1.95 2
1.95 2.45 1
2.45 2.95 4
2.95 3.45 15
3.45 3.95 10
3.95 4.45 5
4.45 4.95 3
Solucin: Se procede a elaborar el histograma, para visualizar los datos:

Como se puede observar el histograma tiene una forma que aparenta ser normal, se
probar esta hiptesis.
H
0
; Los datos provienen de una distribucin normal.
H
1
; Los datos no provienen de una distribucin normal.
En este ejercicio en particular se cuenta con la media y desviacin estndar de la poblacin,
por lo que no se tiene que estimar. En caso de que no se tuviera, se estimaran a partir de los
datos agrupados con las frmulas que se vieron en la Unidad III del curso de probabilidad y
estadstica, tomando en cuenta que para los grados de libertad el valor de m sera 2, ya que se
estimara la media y la desviacin estndar.
Se proceder a calcular los valores de z para encontrar las probabilidades en la tabla.
Recordando que , se sustituye el valor de x por los lmites de clase comenzando con
el lmite de 1.95
Lmite real

P(x)
1.95 -2.21
P(x 1.95) = 0.01355
2.45 -1.50
P(x 2.45) = 0.06680
2.95 -0.79
P(x 2.95) = 0.21476
3.45 -0.07
P(x 3.45) = 0.47210
3.95 0.64
P(x 3.95) = 0.26109
4.45 1.36
P(x 4.45) = 0.08691
La razn por la cual se comienza con el lmite de 1.95 y se termina con el lmite de 4.45,
es porque la suma de todas las probabilidades debe ser 1, bajo la curva normal.
A continuacin se muestra la curva normal con sus respectivas probabilidades, segn
los limites reales. Las probabilidades que no se muestran en la tabla anterior y estn en
la curva se calcularon por diferencias.

P(1.95 x 2.45) = 0.0668-0.013553 = 0.053254
P(2.45 x 2.95) = 0.21476-0.0668 = 0.147953
P(2.95 x 3.45) = 0.4721-0.21476 = 0.25734
P(3.45 x 3.50) = 0.50-0.4721 = 0.0279
P(3.50 x 3.95) = 0.50-0.26109= 0.23891
P(3.95 x 4.45) = 0.26109-0.086915 = 0.17417
Con estas probabilidades se calcularn los valores esperados, multiplicando cada probabilidad
por 40.
Lmites
de clase
Frecuencias
observadas
Probabilidad
Frecuencia
esperada
1.45 1.95 2 0.01355 0.54212
1.95 2.45 7 1 0.05325 2.13016
2.45 2.95 4 0.14795 5.91812
2.95 3.45 15 0.25734 10.29360
3.45 3.95 10 0.26681 10.67240
3.95 4.45 8 5 0.17417 6.96680
4.45 4.95 3 0.08691 3.47660
Grados de libertad: k-1-m = 4-1-0 = 3

Regla de decisin:
Si X
2
R
7.815 no se rechaza H
o
.
Si X
2
R
>7.815 se rechaza H
o
.
Clculos:

Justificacin y decisin:
Como el 3.06 no es mayor de 7.815, no se rechaza H
0
y se concluye con un
= 0.05 que el ajuste de los datos a una distribucin normal es bueno.
TABLAS DE CONTINGENCIA
En muchas ocasiones, los n elementos de una muestra tomada de una poblacin pueden
clasificarse con dos criterios diferentes. Por tanto, es interesante saber si los dos mtodos de
clasificacin son estadsticamente independientes. Supngase que el primer mtodo de
clasificacin tiene r niveles, y que el segundo tiene c niveles. O sea O
ij
la frecuencia observada
para el nivel i del primer mtodo de clasificacin y el nivel j del segndo mtodo de
clasificacin. En general, los datos aparecern como se muestra en la siguiente tabla. Una
tabla de este tipo usualmente se conoce como tabla de contingencia r x c.
Columnas
Renglones
1 2 . . . c
1 O
11
O
12
. . . O
1c

2 O
21
O
22
. . . O
2c

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
r O
r1
O
r2
. . . O
rc

El inters recae en probar la hiptesis de que los dos mtodos de clasificacin rengln-columna
son independientes. Si se rechaza esta hiptesis, entonces se concluye que existe alguna
interaccin entre los dos criterios de clasificacin. Los procedimientos de prueba exactos son
difciles de obtener, pero puede obtenerse un estadstico de prueba aproximado vlido para n
grande.
Sea p
ij
la probabilidad de que un elemento seleccionado al azar caiga el la
ij-sima celda, dado que las dos clasificaciones son independientes. Entonces, p
ij
=u
i
v
j,
donde u
i
es la probabilidad de que un elemento seleccionado al azar pertenezca al rengln de la clase i,
y v
j
es la probabilidad de que un elemento seleccionado pertenezca a la columna de la clase j.
Ahora bien, si se supone independencia, los estimadores de u
i
y v
j
son:


Por lo tanto, la frecuencia esperada de la celda es:

Entonces, para n grande, el estadstico

tiene una distribucin aproximada ji-cuadrada con (r-1)(c-1) grados de libertad si la hiptesis
nula es verdadera. Por consiguiente, la hiptesis de independencia debe rechazarse si el valor
del estadstico de prueba X
2
calculado es mayor que X
2
crtico o de tabla.
Ejemplos:
1. Una asociacin de profesores universitarios quiere determinar si la satisfaccin en el
trabajo es independiente del rango acadmico. Para ello realiz un estudio nacional
entre los acadmicos universitarios y encontr los resultados mostrados son la tabla
siguiente. Con =0.05, haga una prueba para saber si son dependientes la
satisfaccin en el trabajo y el rango.

Rango
Satisfaccin
en el
trabajo
Instructor
Profesor
asistente
Profesor
asociado
Profesor
Mucha 40 60 52 63
Regular 78 87 82 88
Poca 57 63 66 64
2. Solucin:
3. H
o
; La satisfaccin en el trabajo y el rango son independientes.
4. H
1
; La satisfaccin en el trabajo y el rango son dependientes.
5. Grados de libertad: (r-1)(c-1) = (3-1)(4-1)=(2)(3) = 6
6.
7. Regla de decisin:
8. Si X
2
R
12.592 no se rechaza H
o
.
9. Si X
2
R
> 12.592 se rechaza H
o
.
10. Se proceder a calcular los valores esperados de cada celda. Como los grados de
libertad son 6, esto quiere decir que necesitamos calcular nicamente 6 frecuencias
esperadas, y las faltantes se encuentran por diferencia.
11. Se calcularn los valores esperados E
11
, E
12
, E
13,
E
21
, E
22
y E
23
.
12. Como se necesitan los totales de rengln y columna se mostrarn en la tabla:


Satisfaccin
en el
trabajo
Rango
Instructor
Profesor
asistente
Profesor
asociado
Profesor Total
Mucha 40 60 52 63 215
Regular 78 87 82 88 335
Poca 57 63 66 64 250
Total 175 210 200 215 800
13.
14.

15. Rango
Satisfaccin Instructor
Profesor
asistente
Profesor
asociado
Profesor Total
Mucha
40
(47.03)
60
(56.44)
52
(53.75)
63
(57.78)
215
Regular
78
(73.28)
87
(87.94)
82
(83.75)
88
(90.03)
335
Poca
57
(54.69)
63
(65.62)
66
(62.50)
64
(67.19)
250
Total 175 210 200 215 800
16. Los valores entre parntesis son los esperados, los que no se calcularon por frmula se
obtuvieron por diferencia con respecto a los totales.
17.
18. Decisin y justificacin:
Como el valor de 2.75 es menor que el de tabla 12.592, por lo tanto no se rechaza H
o
y
se concluye con un =0.05 que la satisfaccin en el trabajo y el rango son
independientes.
19. En un estudio de un taller, se rene un conjunto de datos para determinar si la
proporcin de defectuosos producida por los trabajadores es la misma para el turno
matutino, vespertino o nocturno. Se reunieron los siguientes datos:
Turno
Matutino Vespertino Nocturno
Defectuosos 45 55 70
No defectuosos 905 890 870
Utilice un nivel de significancia de 0.025 para determinar si la proporcin de defectuosos
es la misma para los tres turnos.
Solucin:
H
o
; La proporcin de artculos defectuosos es la misma para los tres turnos.
H
1
; La proporcin de artculos defectuosos no es la misma para los tres turnos.
Grados de libertad: (r-1)(c-1) = (2-1)(3-1)=(1)(2) = 2



Regla de decisin:
Si X
2
R
7.378 no se rechaza H
o
.
Si X
2
R
> 7.378 se rechaza H
o
.
Se proceder a calcular los valores esperados de cada celda. Como los grados de libertad son
2, esto quiere decir que necesitamos calcular nicamente 2 frecuencias esperadas, y las
faltantes se encuentran por diferencia.
Se calcularn los valores esperados E
11
, y E
22
.
Como se necesitan los totales de rengln y columna se mostrarn en la tabla:
Matutino Vespertino Nocturno
Total
Defectuosos 45 55 70
170
No defectuosos 905 890 870 2665
Total 950 945 940 2835


Matutino Vespertino Nocturno
Total
Defectuosos
45
(57.0)
55
(56.7)
70
(56.3)
170
No defectuosos
905
(893.0)
890
(888.3)
870
(883.7)
2665
Total 950 945 940 2835

Decisin: Si se busca este valor dentro de la tabla de ji-cuadrada con 2 grados de libertad nos
dar un valor de P aproximado a 0.04. Si se observa el valor de la ji-cuadrada calculada de
6.29 con el valor de tabla de 7.378, se llega a la decisin de no rechazar H
o
. Sin embargo sera
riesgoso concluir que la proporcin de defectuosos producidos es la misma para todos los
turnos por tener un valor de P de 0.04.
Tablas de Contingencia para probar Homogeneidad
El uso de la tabla de contingencia de dos clasificaciones para probar independencia entre dos
variables de clasificacin en una muestra tomada de una poblacin de inters, es slo una de
las aplicaciones de los mtodos de tablas de contingencia. Otra situacin comn se presenta
cuando existen r poblaciones de inters y cada una de ellas est dividida en las mismas c
categoras. Luego se toma una muestra de la i-sima poblacin, y los conteos se introducen en
las columnas apropiadas del i-simo rengln. En esta situacin se desea investigar si las
proporciones son o no las mimas en las c categoras de todas las poblaciones. La hiptesis
nula de este problema establece que las poblaciones son homogneas con respecto a las
categoras (como el ejemplo pasado de los diferentes turnos), entonces la prueba de
homogeneidad es en realidad una prueba sobre la igualdad de r parmetros binomiales. El
clculo de las frecuencias esperadas, la determinacin de los grados de libertad y el clculo de
la estadstica ji-cuadrada para la pruebe de homogeneidad son idnticos a los de la prueba de
independencia.
ESTADISTICA NO PARAMETRICA
La mayor parte de los procedimientos de prueba de hiptesis que se presentan en las unidades
anteriores se basan en la suposicin de que las muestras aleatorias se seleccionan de
poblaciones normales. Afortunadamente, la mayor parte de estas pruebas an son confiables
cuando experimentamos ligeras desviaciones de la normalidad, en particular cuando el tamao
de la muestra es grande. Tradicionalmente, estos procedimientos de prueba se denominan
mtodos paramtricos. En esta seccin se consideran varios procedimientos de prueba
alternativos, llamados no paramtricos mtodos de distribucin libre, que a menudo no
suponen conocimiento de ninguna clase acerca de las distribuciones de las poblaciones
fundamentales, excepto que stas son continuas.
Los procedimientos no paramtricos o de distribucin libre se usan con mayor frecuencia por
los analistas de datos. Existen muchas aplicaciones en la ciencia y la ingeniera donde los
datos se reportan no como valores de un continuo sino mas bien en una escala ordinal tal que
es bastante natural asignar rangos a los datos.
Un ejemplo donde se aplica una prueba no paramtrica es el siguiente, dos jueces deben
clasificar cinco marcas de cerveza de mucha demanda mediante la asignacin de un grado de
1 a la marca que se considera que tiene la mejor calidad global, un grado 2 a la segunda mejor,
etctera. Se puede utilizar entonces una prueba no paramtrica para determinar donde existe
algn acuerdo entre los dos jueces.
Se debe sealar que hay varias desventajas asociadas con las pruebas no paramtricas. En
primer lugar, no utilizan la informacin que proporciona la muestra, y por ello una prueba no
paramtrica ser menos eficiente que el procedimiento paramtrico correspondiente, cuando
se pueden aplicar ambos mtodos. En consecuencia, para lograr la misma potencia, una
prueba no paramtrica requerir la correspondiente prueba no paramtrica.
Como se indic antes, ligeras divergencias de la normalidad tienen como resultado
desviaciones menores del ideal para las pruebas paramtricas estndar. Esto es cierto en
particular para la prueba t y la prueba F. En el caso de la prueba t y la prueba F, el valor P
citado puede ser ligeramente errneo si existe una violacin moderada de la suposicin de
normalidad.
En resumen, si se puede aplicar una prueba paramtrica y una no paramtrica al mismo
conjunto de datos, debemos aplicar la tcnica paramtrica ms eficiente. Sin embargo, se debe
reconocer que las suposiciones de normalidad a menudo no se pueden justificar, y que no
siempre se tienen mediciones cuantitativas.
PRUEBA DEL SIGNO
La prueba del signo se utiliza para probar la hiptesis sobre la mediana de una distribucin
continua. La mediana de una distribucin es un valor de la variable aleatoria X tal que la
probabilidad de que un valor observado de X sea menor o igual, o mayor o igual, que la
mediana es 0.5. Esto es, .
Puesto que la distribucin normal es simtrica, la media de una distribucin normal es igual a la
mediana. Por consiguiente, la prueba del signo puede emplearse para probar hiptesis sobre la
media de una poblacin normal.
Suponga que las hiptesis son:


Supngase que X
1
, X
2
, . . . , X
n
es una muestra aleatoria tomada de la poblacin de inters.
Frmense las diferencias

Ahora bien si la hiptesis nula es verdadera, cualquier diferencia tiene la
misma probabilidad de ser negativa o positiva. Un estadstico de prueba apropiado es el
nmero de estas diferencias que son positivas, por ejemplo R
+
. Por consiguiente, la prueba de
la hiptesis nula es en realidad una prueba de que el nmero de signos positivos es un valor de
una variable aleatoria binomial con parmetro P = . Puede calcularse un valor P para el
nmero observado de signos positivos r
+
directamente de la distribucin binomial. Al probar la
hiptesis que se muestra al principio, se rechaza H
0
en favor de H
1
slo si la proporcin de
signos positivos es suficientemente menor que ( o de manera equivalente, cada vez que el
nmero observado de signos positivos r
+
es muy pequeo). Por tanto, si el valor P calculado
P = P(R
+
r
+
cuando p = 1/2)
es menor o igual que algn nivel de significancia seleccionado previamente, entonces se
rechaza H
0
y se concluye que H
1
es verdadera.
Para probar la otra hiptesis unilateral


se rechaza H
0
en favor de H
1
slo si el nmero observado de signos ms, r
+
, es grande o, de
manera equivalente, cada vez que la fraccin observada de signos positivos es
significativamente mayor que . En consecuencia, si el valor P calculado P = P(R
+
r
+
cuando
p = 1/2) es menor que , entonces H
0
se rechaza y se concluye que H
1
es verdadera.
Tambin puede probarse la alternativa bilateral. Si las hiptesis son:



se rechaza H
0
si la proporcin de signos positivos difiere de manera significativa de (ya se
por encima o por debajo). Esto es equivalente a que el nmero observado de signos r
+
sea
suficientemente grande o suficientemente pequeo. Por tanto, si r
+
>n/2 el valor P es
P=2P(R
+
r
+
cuando p = )
Y si r
+
>n/2 el valor P es
P=2P(R
+
r
+
cuando p = )
Si el valor P es menor que algn nivel preseleccionado , entonces se rechaza H
0
y se
concluye que H
1
es verdadera.
Ejemplos:
1. Un artculo informa cerca de un estudio en el que se modela el motor de un cohete
reuniendo el combustible y la mezcla de encendido dentro de un contenedor metlico.
Una caracterstica importante es la resistencia al esfuerzo cortante de la unin entre los
dos tipos de sustancias. En la siguiente tabla se muestran los resultados obtenidos al
probar 20 motores seleccionados al azar. Se desea probar la hiptesis de que la
mediana de la resistencia al esfuerzo cortante es 2000 psi, utilizando
= 0.05.
Solucin:
Se mostrar la tabla del ejercicio y es funcin del investigador poner los signos con respecto a
la mediana.


Observacin
Resistencia
al esfuerzo
cortante
x
i

Signo de la
diferencia
x
i
-2000
Observacin
Resistencia
al esfuerzo
cortante
x
i

Signo de la
diferencia
x
i
-2000
1 2158.70 + 11 2165.20 +
2 1678.15 - 12 2399.55 +
3 2316.00 + 13 1779.80 -
4 2061.30 + 14 2336.75 +
5 2207.50 + 15 1765.30 -
6 1708.30 - 16 2053.50 +
7 1784.70 - 17 2414.40 +
8 2575.10 + 18 2200.50 +
9 2357.90 + 19 2654.20 +
10 2256.70 + 20 1753.70 -
De la tabla se puede observar que el estadstico de prueba r
+
= 14.
Regla de decisin:
Si el valor de P correspondiente a r
+
=14 es menor o igual que =0.05 se rechaza H
0
.
Clculos:
Puesto que r
+
=14 es mayor que n/2=20/2=10, el valor de P se calcula de
P=2P(R
+
14

cuando p = )
La P se calcula con la frmula de la distribucin binomial:

Conclusin:
Como P=0.1153 no es menor que =0.05, no es posible rechazar la hiptesis nula de que la
mediana de la resistencia al esfuerzo constante es 2000 psi.
Otra manera de resolver el problema es con Aproximacin normal:
Cuando p=0.5, la distribucin binomial esta bien aproximada por la distribucin normal cuando
n es al menos 10. Por tanto, dado que la media de la distribucin binomial es np y la varianza
es npq, la distribucin de R
+
es aproximadamente normal con media 0.5n y varianza 0.25n,
cada vez que n es moderadamente grande. Por consiguiente las hiptesis pueden probarse
con el estadstico:

Las reglas de decisin se establecern como cualquier ensayo en una distribucin muestral en
donde se utiliza la distribucin normal.
Para resolver el problema anterior:


Como la es mayor que 10 se utilizar la aproximacin normal.

Regla de Decisin:
Si 1.96 Z
R
1.96 No se rechaza H
o
Si Z
R
< -1.96 si Z
R
> 1.96 Se rechaza H
o
Clculos:

Decisin y Conclusin:
Como 1.789 esta entre 1.96 y 1.96, no se rechaza H
0
y se concluye con un =0.05 que la
mediana es de 2000 psi.
Prueba del Signo para Muestras Pareadas
Tambin se puede utilizar la prueba de signo para probar la hiptesis nula para
observaciones pareadas. Aqu se reemplaza cada diferencia, d
i
, con un signo ms o menos dependiendo si
la diferencia ajustada, d
i
-d
0
, es positiva o negativa. A lo largo de esta seccin suponemos que las
poblaciones son simtricas. Sin embargo, aun si las poblaciones son asimtricas se puede llevar a cabo el
mismo procedimiento de prueba, pero las hiptesis se refieren a las medianas poblacionales en lugar de
las medias.
Ejemplo:
1. Una compaa de taxis trata de decidir si el uso de llantas radiales en lugar de llantas regulares con
cinturn mejora la economa de combustible. Se equipan 16 automviles con llantas radiales y se
manejan por un recorrido de prueba establecido. Sin cambiar de conductores, se equipan los
mismos autos con llantas regulares con cinturn y se manejan una vez ms por el recorrido de
prueba. Se registra el consumo de gasolina, en kilmetros por litro, de la siguiente manera:
Automvil Llantas radiales Llantas con cinturn
1 4.2 4.1
2 4.7 4.9
3 6.6 6.2
4 7.0 6.9
5 6.7 6.8
6 4.5 4.4
7 5.7 5.7
8 6.0 5.8
9 7.4 6.9
10 4.9 4.9
11 6.1 6.0
12 5.2 4.9
13 5.7 5.3
14 6.9 6.5
15 6.8 7.1
16 4.9 4.8
Se puede concluir en el nivel de significancia de 0.05 que los autos equipados
con llantas radiales obtienen mejores economas de combustible que los
equipados con llantas regulares con cinturn?
Solucin:



Regla de decisin:
Si z
R
1.645 no se rechaza H
o
.
Si z
R
> 1.645 se rechaza H
o
.
Se procede ha realizar las diferencias entre de los kilmetros por litro entre llantas radiales y
con cinturn:
Automvil Llantas radiales Llantas con cinturn d
1 4.2 4.1 +
2 4.7 4.9 -
3 6.6 6.2 +
4 7.0 6.9 +
5 6.7 6.8 -
6 4.5 4.4 +
7 5.7 5.7 0
8 6.0 5.8 +
9 7.4 6.9 +
10 4.9 4.9 0
11 6.1 6.0 +
12 5.2 4.9 +
13 5.7 5.3 +
14 6.9 6.5 +
15 6.8 7.1 -
16 4.9 4.8 +
Al observar las diferencias se ve que slo existe una n=14, ya que se descartan los valores de
cero. Se tiene r
+
= 11

Decisin y conclusin:
Como 2.14 es mayor a 1.645 se rechaza H
0
y se concluye con un = 0.05 que las llantas
radiales mejoran la economa de combustible.
PRUEBA DE RANGO CON SIGNO DE WILCOXON
Se puede notar que la prueba de signo utiliza slo los signos ms y menos de las diferencias
entre las observaciones y
0
en el caso de una muestra, o los signos ms y menos de las
diferencias entro los pares de observaciones en el caso de la muestra pareada, pero no toma
en consideracin la magnitud de estas diferencias. Una prueba que utiliza direccin y magnitud,
propuesta en 1945 por Frank Wilcoxon, se llama ahora comnmente prueba de rango con
signo de Wilcoxon. Esta prueba se aplica en el caso de una distribucin continua simtrica.
Bajo esta condicin se puede probar la hiptesis nula =
0
. Primero se resta
0
de cada
valor muestral y se descarta todas las diferencias iguales a cero. Se asigna un rango de 1 a la
diferencia absoluta ms pequea, un rango de 2 a la siguiente ms pequea, y as
sucesivamente. Cuando el valor absoluto de dos o ms diferencias es el mismo, se asigna a
cada uno el promedio de los rangos que se asignaran si las diferencias se distinguieran. Por
ejemplo, si la quinta y sexta diferencia son iguales en valor absoluto, a cada una se le asignara
un rango de 5.5. Si la hiptesis =
0
es verdadera, el total de los rangos que corresponden a
las diferencias positivas debe ser casi igual al total de los rangos que corresponden a las
diferencias negativas. Se representan esos totales como w
+
y w
-
, respectivamente. Se designa
el menor de w
+
y w
-
con w.
Al seleccionar muestras repetidas esperaramos que variaran w
+
y w
-
, y por tanto w. De esta
manera se puede considerar a w
+
y w
-
, y w como valores de las correspondiente variables
aleatorias W
+
, W
-
, y W. La hiptesis nula =
0
se puede rechazar a favor de la alternativa
<
0
slo si w
+
es pequea y w
-
es grande. Del mismo modo, la alternativa >
0
se puede
aceptar slo si w
+
es grande y w
-
es pequea. Para una alternativa bilateral se puede rechazar
H
0
a favor de H
1
si w
+
o w
-
y por tanto w son suficientemente pequeas. No importa cul
hiptesis alternativa puede ser, rechazar la hiptesis nula cuando el valor de la estadstica
apropiada W
+
, W
-
, o W es suficientemente pequeo.
Dos Muestras con Observaciones Pareadas
Para probar la hiptesis nula de que se muestrean dos poblaciones simtricas continuas con
1
=
2
para el caso de una muestra pareada, se clasifican las diferencias de las
observaciones paradas sin importar el signo y se procede como en el caso de una muestra.
Los diversos procedimientos de prueba para los casos de una sola muestra y de una muestra
pareada se resumen en la siguiente tabla:

No es difcil mostrar que siempre que n<5 y el nivel de significancia no exceda 0.05 para una
prueba de una cola 0.10 para una prueba de dos colas, todos los valores posibles de w
+
, w
-,
o
w conducirn a la aceptacin de la hiptesis nula. Sin embargo, cuando 5 n 30, la tabla
A.16 muestra valores crticos aproximados de W
+
y W
-
para niveles de significancia iguales a
0.01, 0.025 y 0.05 para una prueba de una cola, y valores crticos de W para niveles de
significancia iguales a 0.02, 0.05 y 0.10 para una prueba de dos colas. La hiptesis nula se
rechaza si el valor calculado w
+
, w
-,
o w es menor o igual que el valor de tabla apropiado. Por
ejemplo, cuando n=12 la tabla A.16 muestra que se requiere un valor de w
+
17 para que la
alternativa unilateral <
0
sea significativa en el nivel 0.05.
Ejemplos:
1. Los siguientes datos representan el nmero de horas que un compensador opera antes
de requerir una recarga: 1.5, 2.2, 0.9, 1.3, 2.0, 1.6, 1.8, 1.5, 2.0, 1.2 y 1.7. Utilice la
prueba de rango con signo para probar la hiptesis en el nivel de significancia de 0.05
que este compensador particular opera con una media de 1.8 horas antes de requerir
una recarga.
Solucin:
H
0
; = 1.8
H
1
; 1.8
Se proceder a efectuar las diferencias y a poner rango con signo a los datos.
Dato d
i
= dato - 1.8 Rangos
1.5 -0.3 5.5
2.2 0.4 7
0.9 -0.9 10
1.3 -0.5 8
2.0 0.2 3
1.6 -0.2 3
1.8 0 Se anula
1.5 -0.3 5.5
2.0 0.2 3
1.2 -0.6 9
1.7 -0.1 1
Regla de decisin:
Para una n = 10, despus de descartar la medicin que es igual a 1.8, la tabla A.16
muestra que la regin crtica es w 8.
Clculos:
w
+
= 7 + 3 + 3 = 13
w
-
= 5.5 + 10 + 8 + 3 + 5.5 + 9 + 1 = 42
por lo que w = 13 (menor entre w
+
y w
-
).
Decisin y Conclusin: Como 13 no es menor que 8, no se rechaza H
0
y se concluye
con un = 0.05 que el tiempo promedio de operacin no es significativamente
diferente de 1.8 horas.

2. Se afirma que un estudiante universitario de ltimo ao puede aumentar su calificacin
en el rea del campo de especialidad del examen de registro de graduados en al menos
50 puntos si de antemano se le proporcionan problemas de muestra. Para probar esta
afirmacin, se dividen 20 estudiantes del ltimo ao en 10 pares de modo que cada par
tenga casi el mismo promedio de puntos de calidad general en sus primeros aos en la
universidad. Los problemas y respuestas de muestra se proporcionan al azar a un
miembro de cada par una semana antes del examen. Se registran las siguientes
calificaciones del examen:
Par
Con
problemas
de
muestra
Sin
problemas
de
muestra
1 531 509
2 621 540
3 663 688
4 579 502
5 451 424
6 660 683
7 591 568
8 719 748
9 543 530
10 575 524
Pruebe la hiptesis nula en el nivel de significancia de 0.05 de que los problemas
aumentan las calificaciones en 50 puntos contra la hiptesis alternativa de que el
aumento es menor a 50 puntos.
Solucin: La prueba de rango con signo tambin se puede utilizar para probar la hiptesis nula
1

2
= d
0
. En este caso las poblaciones no necesitan ser simtricas. Como con la prueba de
signo, se resta d
0
de cada diferencia, se clasifican las diferencias ajustadas sin importar el
signo y se aplica el mismo procedimiento.
En este caso d
0
= 50, por lo que se procede a calcular las diferencias entre las muestras y
luego restarles el valor de 50. Se representara con
1
y
2
la calificacin media de todos los
estudiantes que resuelven el examen en cuestin con y sin problemas de muestra,
respectivamente.
H
0
;
1

2
= 50
H
1
;
1

2
< 50
Regla de decisin:
Para n=10 la tabla muestra que la regin crtica es w
+
11.
Clculos:

Par
Con
problemas
de
Sin
problemas
de
d
i
d
i
d
0
Rangos
muestra muestra
1 531 509 22 -28 5
2 621 540 81 31 6
3 663 688 -25 -75 9
4 579 502 77 27 3.5
5 451 424 27 -23 2
6 660 683 -23 -73 8
7 591 568 23 -27 3.5
8 719 748 -29 -79 10
9 543 530 13 -37 7
10 575 524 51 1 1
w
+
= 6 + 3.5 + 1 = 10.5
Decisin y Conclusin:
Como 10.5 es menor que 11 se rechaza H
0
y se concluye con un = 0.05 que los problemas
de muestra, en promedio, no aumentan las calificaciones de registro de graduados en 50
puntos.
Aproximacin Normal para Muestras Grandes
Cuando n 15, la distribucin muestral de W
+
W
-
se aproxima a la distribucin normal con
media y varianza .
Por tanto, cuando n excede el valor ms grande en la tabla A.16, se puede utilizar la estadstica

para determinar la regin crtica de la prueba.
Problemas Propuestos
1. Se lanza 180 veces un dado con los siguientes resultados:
X 1 2 3 4 5 6
f 28 36 36 30 27 23
2. Es un dado balanceado? Utilice un = 0.01.
3. Se supone que una mquina mezcla cacahuates, avellanas, anacardos y pacanas a
razn de 5:2:2:1. Se encuentra que una lata que contiene 500 de estas nueces
mezcladas tiene 269 cacahuates, 112 avellanas, 74 anacardos y 45 pacanas. Al nivel de
significancia de 0.05 pruebe la hiptesis de que la mquina mezcla las nueces a razn
de 5:2:2:1.
4. Se seleccionan tres canicas de una urna que contiene cinco canicas rojas y tres verdes.
Despus de registrar el nmero x de canicas rojas, las canicas se reemplazan en la urna
y el experimento se repite 112 veces. Los resultados que se obtienen son los siguientes:
x 0 1 2 3
f 1 31 55 25
5. Pruebe la hiptesis con un nivel de significancia de 0.05, de que los datos registrados se
pueden ajustar a una distribucin hipergeomtrica.
6. Se lanza una moneda hasta que sale cara y se registra el nmero de lanzamientos x.
Despus de repetir el experimento 256 veces, se obtuvieron los siguientes resultados:
X 1 2 3 4 5 6 7 8
f 136 60 34 12 9 1 3 1
7. Pruebe la hiptesis con un nivel de significancia de 0.05 de que la distribucin
observada de x se puede ajustar por una distribucin geomtrica g(x;1/2), x = 1, 2, 3,
8. Con los siguientes datos, pruebe la bondad de ajuste entre las frecuencias de clase que
se observan y las frecuencias esperadas correspondientes de una distribucin normal
con = 65 y = 21, utilice un nivel de significancia de 0.05.
Lmite de clase Frecuencia
10 - 19 3
20 29 2
30 39 3
40 49 4
50 59 5
60 69 11
70 79 14
80 89 14
90 - 99 4
9. En un experimento para estudiar la dependencia de la hipertensin de los hbitos de
fumar, se tomaron los siguientes datos de 180 individuos:

No
fumadores
Fumadores
moderados
Fumadores
empedernidos
Con hipertensin 21 36 30
Sin hipertensin 48 26 19
10. Pruebe la hiptesis de que la presencia o ausencia de hipertensin es independiente de
los hbitos de fumar. Utilice un nivel de significancia de 0.05.
11. Una muestra aleatoria de 200 hombres casados, todos retirados, se clasifica de acuerdo
con la educacin y el nmero de hijos:

Nmero de hijos
Educacin 0 - 1 2 - 3 Ms de 3
Elemental 14 37 32
Secundaria 19 42 17
Universidad 12 17 10
Pruebe la hiptesis, con un nivel de significancia de 0.05, de que el tamao de la familia
es independiente del nivel de instruccin del padre.
12. Se comparan dos tipos de instrumentos para medir la cantidad de monxido de azufre
en la atmsfera en un experimento de contaminacin atmosfrica. Se registraron las
siguientes lecturas diarias en un perodo de dos semanas:
Da Instrumento A Instrumento B
1 0.96 0.87
2 0.82 0.74
3 0.75 0.63
4 0.61 0.55
5 0.89 0.76
6 0.64 0.70
7 0.81 0.69
8 0.68 0.57
9 0.65 0.53
10 0.84 0.88
11 0.59 0.51
12 0.94 0.79
13 0.91 0.84
14 0.77 0.63
13. Con el uso de la aproximacin normal a la distribucin binomial, realice una prueba de
signo para determinar si los diferentes instrumentos conducen a diferentes resultados.
Utilice un nivel de significancia de 0.05.
14. Los siguientes datos representan el tiempo, en minutos, que un paciente tiene que
esperar durante 12 visitas al consultorio de una doctora antes de ser atendido por sta:
17 15 20 20
32 28 12 26
25 25 35 24
Utilice la prueba de rango con signo al nivel de significancia de 0.05 para probar la
afirmacin de la doctora de que la media del tiempo de espera para sus pacientes no es
mayor que 20 minutos antes de entrar al consultorio.
15. Los pesos de cuatro personas antes de que dejan de fumar y cinco semanas despus
de dejar de fumar, en kilogramos, son los siguientes:
Individuo 1 2 3 4 5
Antes 66 80 69 52 75
Despus 71 82 68 56 73
Utilice la prueba de rango con signo para observaciones pareadas para probar la
hiptesis, en el nivel de significancia de 0.05, de que dejar de fumar no tiene efecto en el
peso de una persona contra la alternativa del que el peso aumenta si deja de fumar.
16. Los siguientes son los nmeros de recetas surtidas por dos farmacias en un perodo de
20 das:
Da Farmacia A Farmacia B
1 19 17
2 21 15
3 15 12
4 17 12
5 24 16
6 12 15
7 19 11
8 14 13
9 20 14
10 18 21
11 23 19
12 21 15
13 17 11
14 12 10
15 16 20
16 15 12
17 20 13
18 18 17
19 14 16
20 22 18
17. Utilice la prueba de rango con signo al nivel de significancia de 0.01 para determinar si
las dos farmacias, en promedio, surten el mismo nmero de recetas contra la alternativa
de que la farmacia A surte ms recetas que la farmacia B.
18. Se afirma que una nueva dieta reducir el peso de una persona 4.5 kilogramos, en
promedio, en un perodo de dos semanas. Se registran los pesos de 10 mujeres que
siguen esta dieta antes y despus de un perodo de dos semanas, y se obtienen los
siguientes datos:
Mujer Peso antes Peso despus
1 58.5 60.0
2 60.3 54.9
3 61.7 58.1
4 69.0 62.1
5 64.0 58.5
6 62.6 59.9
7 56.7 54.4
8 63.6 60.2
9 68.2 62.3
10 59.4 58.7
19. Utilice la prueba de rango con signo al nivel de significancia de 0.05 para probar la
hiptesis de que la dieta reduce la mediana del peso en 4.5 kilogramos contra la
hiptesis alternativa de que la mediana de la diferencia en pesos es menor que 4.5
kilogramos.
20. Se toman 10 muestras de un bao de cultivo sobre placa utilizado en un proceso de
fabricacin de componentes electrnicos, y se mide el pH del bao. Los valores de pH
medidos son 7.91, 7.85, 6.82, 8.01, 7.46, 6.95, 7.05, 7.35, 7.25, 7.42. Los ingenieros
creen que el valor de la mediana del pH es 7.0. La muestra indica que esta
proposicin es correcta? Utilice la prueba del signo con = 0.05 para investigar esta
hiptesis. Encuentre el valor P de esta prueba.
21. Se mide de manera rutinaria el nivel de impurezas (en ppm) en un producto qumico
intermedio. En una prueba reciente se observan los datos siguientes:
2.4 2.5 1.7 1.6 1.9 2.6 1.3 1.9 2.0 2.5 2.6
2.3 2.0 1.8 1.3 1.7 2.0 1.9 2.3 1.9 2.4 1.6
Puede afirmarse que la mediana del nivel de impureza es menor que 2.5 ppm?
Establezca y pruebe la hiptesis apropiada utilizando la prueba de signo con = 0.05.
Cul es el valor P de esta prueba?

Respuestas a los Problemas Propuestos
1. Regin crtica X
2
> 15.086,

X
2
= 4.47 por lo tanto no rechazar H
0
, el dado est
balanceado.
2. Regin crtica X
2
> 7.815, X
2
= 10.14, rechazar H
0
. Las nueces no estn mezcladas en la
proporcin 5:2:2:1.
3. Regin crtica X
2
> 5.991, X
2
= 1.67, no rechazar H
0
. Los datos se ajustan a una
distribucin hipergeomtrica.
4. Regin crtica X
2
> 11.07, X
2
= 2.57, no rechazar H
0
. Los datos se ajustan a una
distribucin geomtrica.
5. Regin crtica X
2
> 12.592, X
2
= 12.78, rechazar H
0
. Los datos no se ajustan a una
distribucin normal.
6. Regin crtica X
2
> 5.991, X
2
= 14.6, rechazar H
0
. La presencia o ausencia de
hipertensin y hbitos de fumar no son independientes.
7. Regin crtica X
2
> 9.488, X
2
= 7.54, no rechazar H
0
. El tamao de la familia es
independiente del nivel se educacin del padre.
8. Regin crtica 1.96 z 1.96, z= 2.67, rechazar H
0
.
9.
Regin crtica w
-
11 para una n=10, w
-
= 12.5, no rechazar H
0.
10. Regin crtica w
+
1 para n = 5, w
+
= 3.5, no rechazar H
0
.
11. Regin crtica z>2.575. z= 2.80, rechazar H
0
, la farmacia A surte ms recetas que la
farmacia B.
12. Regin crtica w
+
11 para una n = 10. w
+
= 17.5, no rechazar H
0
.
13. 2P(R
+
8 / p = 0.5) = 0.109 , como no es menor a 0.05, no se rechaza H
0
.
14. H
0
; H
1
; P(R
+

2/ p = 0.5) = 0.0002, se rechaza H
0
.
Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y Ciencias, Quinta Edicin, Thomson
Learning.
Mendenhall, W. (1998). Estadstica para Administradores, Segunda Edicin, Grupo Editorial
Iberoamrica.
Montgomery, D.C. y Runger G.C. (1996). Probabilidad y Estadstica Aplicadas a la Ingeniera, Primera
Edicin, Mc Graw Hill.
Sheaffer, R. L. y McClave, J.T. (1990). Probabilidad y Estadstica para Ingeniera, Primera Edicin,
Grupo Editorial Iberoamrica.
Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum, Mc Graw Hill


DI STRI BUCI N BET A


I N T R O D U C C I N
Una distribucin que permite generar una gran variedad de perfiles es la
distribucin beta. Se ha utilizado para representar variables fsicas cuyos valores
de encuentran restringidos a un intervalo de longitud finita y para encontrar
ciertas cantidades que se conocen como lmites de tolerancia sin necesidad de la
hiptesis de una distribucin normal. Adems, la distribucin beta juega un gran
papel en la estadstica bayesiana.
D E F I N I C I N
Se dice que una variable aleatoria continua X sigue una distribucin beta de
parmetros y ambos mayores que 0 si su funcin de densidad est definida
como:


Las cantidades y de la distribucin beta son, ambas, parmetros de perfil.
Valores distintos de y darn distintos perfiles para la funcin de densidad
beta. Si tanto como son menores que uno, la distribucin beta tiene un perfil
en forma de U. Si <1 y 1 , la distribucin tiene un perfil de J transpuesta, y si
<1 y 1, el perfil es una J. Cuando los dos valores son mayores que uno, la
distribucin presenta un pico en x = ( - 1)/( + - 2). Finalmente, la distribucin
beta es simtrica cuando = . Se pueden obtener ejemplos de todas estas formas
mediante la utilizacin del applet situado ms abajo, donde dando diferentes
valores a y se podrn apreciar los diferentes perfiles de la funcin segn estos
valores.
La funcin de distribucin acumulativa se encuentra definida por:




E S P E R A N Z A Y V A R I A N Z A



A P L I C A C I O N E S
Algunas reas, en las que se emplea la distribucin beta como modelo de
probabilidad incluyen la distribucin de artculos defectuosos sobre un intervalo
de tiempo especfico; la distribucin del intervalo de tiempo necesario para
completar una fase de proyecto PERT, evaluacin de programas y tcnicas de
revisin; la distribucin de la proporcin de los valores que deben caer entre dos
observaciones extremas. La esencia de esta ltima rea tiene relacin con los
lmites estadsticos de tolerancia. Estos lmites son muy importantes,
especialmente en el control estadstico de calidad donde el control de variabilidad
de un producto es esencial. Este control, en general, se lleva a cabo mediante la
medicin de algunas propiedades del producto o determinando los ajustes que
deben hacerse al proceso de produccin para mejorar la calidad del producto. Los
lmites estadsticos de tolerancia no son iguales a las tolerancias fsicas o
especificaciones lmite. stos son conjuntos de criterios diseados para un
proceso de produccin en particular y que se espera que todas las unidades
cumplan.
E J E M P L O 1
Los sensores de infrarrojos de un sistema robtico computarizado envan
informacin a otros sensores en diferentes formatos. El porcentaje y de las
seales que se envan y que son directamente compatibles para todos los sensores
del sistema sigue una distribucin beta con = = 2.
a) Calcule la probabilidad de que ms del 30% de las seales de infrarrojos
enviadas en el sistema sean directamente compatibles para todos los sensores.
b) Calcula la media y la varianza de y.
a) La funcin de densidad de probabilidad para y est dada por:

Si sustituimos = = 2 en la expresin para f(y), obtenemos:

La probabilidad que buscamos es P(y>0.30). Al integrar f(y) obtenemos:


b) La media y la varianza seran: