INFERENCIA ESTADISTICA
TAREA 3: RESIGNIFICAR, REFINAR, PROFUNDIZAR Y CONTEXTUALIZAR EL CONOCIMIENTO DE LA
UNIDAD 2
Tutor:
VICTOR MANUEL MENDOZA
GRUPO 551112_764
Participantes:
JOSEHINER GUERRERO HUERTAS cod. 5207887
ANA PATRICIA QUENORAN C. cod. 27456056
GERMAN SANCHEZ
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD
FACULTAD CIENCIAS DE LA EDUCACION
NOVIEMBRE 30 DE 2020
Introducción
El siguiente trabajo tiene como propósito conocer mediante una consulta individual, La
importancia de una hipótesis bien elaborada es que en ella se puede observar claramente la
relación o vínculo entre dos o más variables y es factible que el investigador pueda elaborar el
conjunto de objetivos que se desea alcanzar en el desarrollo de la investigación. y tiene como
objeto decidir si puede aceptarse la hipótesis de que una muestra dada procede de una población
con una distribución de probabilidad totalmente especificada en la hipótesis nula. Estos contrastes
se basan en la comparación de las frecuencias observadas en la muestra con aquellas que cabría
esperar si la hipótesis nula fuera cierta. La hipótesis nula se rechaza si existe una diferencia
significativa entre las frecuencias observadas y las esperadas. También uno puede seleccionar los
recursos, tanto humanos como materiales, que se emplearan a llevar a feliz término la
investigación planteada.
Se desarrollará en 2 momentos
Parte a que son todos los argumentos teóricos acerca de la hipótesis y su manera de desarrollar
hipótesis
Parte b ejercicios prácticos de hipótesis
PARTE A
1. Realizar un análisis sobre los métodos de inferencia paramétricos y no paramétricos,
identificando sus ventajas y desventajas en términos de la información muestral.
Solución:
Los métodos de inferencia paramétricos se aplican a muestras grandes, mayores a 20 elemento,
se realizan sobre variables de tipo nominal o de intervalo, las hipótesis se basan sobre valores
numéricos, sobre todo en promedio. Las pruebas están basadas en distribuciones normales
donde se utilizan como parámetros solo la media y la desviación estándar.
Ventajas:
Los cálculos de la probabilidad son muy exactos.
Hay muy poca posibilidad de error.
Tienen mucha más eficiencia.
Gran herramienta para la toma de decisiones con exactitud.
Desventajas:
Solo se realizan sobre variables numéricas.
Hay cierta dificultad en la realización de sus cálculos.
Los datos son muy limitados
Hay que tener en cuenta que las variables deben seguir una ley normal.
Los métodos de inferencia no paramétricos o pruebas de distribución libre se aplican a muestras
menores a 20 elementos, se utilizan solamente en variables categóricas (cualitativas), las
hipótesis nula y alternativa se redactan sobre rangos, mediana o frecuencia de datos observados,
no tienen una organización normal, contienen resultados estadísticos que provienen de su
ordenación.
Ventajas.
Son muy fáciles de comprender.
Se pueden aplicar en situaciones diferentes, pues no cumplen con parámetros estrictos.
Se aplican sobre datos no numéricos.
La información particular es fácil de obtener.
Desventajas.
Tienen limitaciones como que no son suficientemente fuertes cuando se cumple una hipótesis
normal, además necesita que la hipótesis se cambie cuando la prueba no corresponde a la
pregunta del procedimiento, si la muestra no es proporcional.
Su método es difícil de aplicar.
2. Consultar la definición, propiedades, cuando o para qué se utiliza de las
siguientes palabras:
El estadístico de prueba
Es Valor que se toma a partir de una muestra y a partir de este se compara con el criterio de
contraste para rechazar o aceptar la hipótesis, Un estadístico de prueba es una variable aleatoria
que se calcula a partir de datos de muestra y se utiliza en una prueba de hipótesis. Puede utilizar
los estadísticos de prueba para determinar si puede rechazar la hipótesis nula. El estadístico de
prueba compara sus datos con lo que se espera bajo la hipótesis nula. El estadístico de prueba se
utiliza para calcular el valor p.
Un estadístico de prueba mide el grado de concordancia entre una muestra de datos y la
hipótesis nula. Su valor observado cambia aleatoriamente de una muestra aleatoria a una
muestra diferente. Un estadístico de prueba contiene información acerca de los datos que es
relevante para decidir si se puede rechazar la hipótesis nula. La distribución del muestreo del
estadístico de prueba bajo la hipótesis nula se denomina distribución nula. Cuando los datos
muestran evidencia clara en contra de los supuestos de la hipótesis nula, la magnitud del
estadístico de prueba se vuelve demasiado grande o demasiado pequeña dependiendo de la
hipótesis alternativa. Esto hace que el valor p de la prueba se vuelva lo suficientemente pequeño
como para rechazar la hipótesis nula.
Aplicando la siguiente fórmula:
1. Siempre se calcula considerando la hipótesis nula como verdadera.
𝝁
̂ − 𝝁𝟎
𝒛= 𝝈
√𝒏
2. Para el especifico de la media
poblacional
𝟐
𝝁 𝒆𝒍 𝒆𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓 𝒆𝒔 𝝁 ̅ 𝒄𝒖𝒚𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝝈 ⁄𝒏
̂= 𝑿
Parámetros poblacionales
Se denomina parámetro poblacional X al valor de la distribución de una característica ó variable
en una población. Es interesante considerar que para una población dada, el valor de cada
parámetro es constante.
Los parámetros que con más frecuencia son utilizados en inferencia son los siguientes:
a. Total poblacional de una característica X.
Se define como la suma del valor de dicha característica en todos los elementos de la
población; se representa como X de forma que podemos expresarlo:
b. Media poblacional de una característica X.
Utilizado para describir el valor medio de la distribución en la población de características que
son medibles, cuantificables, por conteo ó con unidades de medida (tiempo, altura, peso,
colesterol, etc). Se representa como
c. Proporción poblacional.
Se trata de un parámetro utilizado para describir características que representan la presencia
ó ausencia de un atributo dicotómico, es decir con dos posibles valores (sexo femenino;
presencia de enfermedad; muerte; etc.). Se representa como Px y puede expresarse como:
d. Varianza y desviación típica poblacional.
.
Son de interés porque expresan la dispersión de la distribución de una característica en la
población.
e. La varianza poblacional de una característica X medible se representa como y viene dada
por:
La varianza poblacional de una característica que representa la presencia de un atributo
dicotómico (Px ) viene dada por
f. La desviación típica poblacional es la raíz cuadrada positiva de la varianza.
Prueba de hipótesis
Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar una
afirmación acerca de una población dependiendo de la evidencia proporcionada por una muestra
de datos.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis nula y
la hipótesis alternativa. La hipótesis nula es el enunciado que se probará. Por lo general, la
hipótesis nula es un enunciado de que "no hay efecto" o "no hay diferencia". La hipótesis
alternativa es el enunciado que se desea poder concluir que es verdadero de acuerdo con la
evidencia proporcionada por los datos de la muestra.
Características prueba de hipótesis
Siempre es sobre parámetros (características poblacionales).
El juego de hipótesis es de dos, la H 0 , llamada "nula" y la H a , o "alternativa". El investigador
solamente puede fijar la probabilidad del Error Tipo I.
Supone temporalmente que la H 0 es cierta.
La decisión se basa en los estimadores de los parámetros que se calculan con la información
maestral.
Elementos de una prueba estadística
Hipótesis nula,H 0
Hipótesis alternativa, H a
Estadístico de prueba
Región de rechazo
La hipótesis nula H 0 , es una hipótesis que el investigador trata de refutar, rechazar o anular,
H 0 : μ =μ 0
H 0 : μ≤ μ0
H 0 : μ≥ μ0
La hipótesis alternativa H 1 , indica que un parámetro de población es más pequeño, más grande
o diferente del valor hipotético de la hipótesis nula. Es una alternativa de lo que se podría pensar
que es cierto o se espera probar que sea cierto, y puede tener cuatro formas:
H 1 : μ = μ0
H 1 : μ ≤ μ0
H 1 : μ≠ μ0
H 1 : μ≥ μ0
Hipótesis de investigación.
A las hipótesis de investigación también se les denomina hipótesis de trabajo y se definen como
proposiciones tentativas acerca de las posibles relaciones entre dos o más variables.
Las hipótesis de investigación pueden ser: descriptivas, comparativas, correlacionadas, de
casualidad.
Las hipótesis descriptivas son proposiciones del valor de las variables que se va a observar en un
contexto o en la expresión de otra variable, son utilizadas en estudios descriptivos
Hipótesis comparativas y explicativas: Las hipótesis comparativas se diseñan en investigaciones
orientadas a establecer comparaciones entre grupos. Pueden ser parte de estudios
correlacionales, si establecen que hay diferencia entre los grupos. Si en adición explican el
porqué de las diferencias en base a las causas o razones de éstas, entonces son catalogadas
como hipótesis de estudios explicativos.
Hipótesis correlacionales: Las hipótesis correlacionales especifican las relaciones entre dos o más
variables, corresponden a los estudios correlacionales y establecen la asociación entre dos
variables de estudio.
Hipótesis de causalidad: Las hipótesis de causalidad establecen relaciones de causa – efecto
entre dos o más variable
Hipótesis nula
consiste en una afirmación acerca de la población de origen de la muestra. Usualmente, es más
simple (menor número de parámetros, por ejemplo) que su antagonista. Se designa a la hipótesis
nula con el símbolo H0.
Suposición que se hace sobre la base, la experiencia del pasado, el conocimiento a priori, se
representa como H0
Hipótesis alternativa
La hipótesis alternativa es igualmente una afirmación acerca de la población de origen. Muchas
veces, aunque no siempre, consiste simplemente en negar la afirmación de H0. La hipótesis
alternativa se designa con el símbolo H1.
Nivel de prueba y bondad de prueba
Se utiliza para decidir cuándo un conjunto de datos se ajusta a una distribución dada
Considérese una muestra aleatoria de tamaño n de la distribución de una variable aleatoria X
dividida en k clases exhaustivas e incompatibles, y sea Ni i = 1, 2, …, k. el número de
observaciones en la i-ésima clase. Considérese la hipótesis nula
H0: F(x)=F0(x)
En donde el modelo de probabilidad propuesto F0(x) se encuentra especificado de manera
completa, con respecto a todos los parámetros.
Es posible, pues, calcular pi: probabilidad de obtener una observación en la i-ésima clase, bajo H0.
Es obvio, también, que
Sea ni la realización de Ni para i = 1,2,…, k de manera que
La probabilidad de obtener de manera exacta ni observaciones en la i-ésima clase es
Dado que existen k categorías mutuamente excluyentes con probabilidades p1, p2, …, pk;
entonces bajo la hipótesis nula la probabilidad de la muestra agrupada es igual a la función de
probabilidad de una distribución multinomial determinada.
Para deducir una prueba estadística para H0, considérese el caso de k = 2. Este es el caso de la
distribución binomial con x = n1, p = p1, n-x =n2 y 1-p =p2. Sea la variable aleatoria estandarizada:
Para n grande, esta variable aleatoria se distribuye según una N(0;1). Además sabemos que el
cuadrado de una variable aleatoria N(0,1) se distribuye según una chi-cuadrado con un grado de
libertad. Entonces el estadístico
Si se sigue este razonamiento, puede demostrarse que para k≥2 categorías distintas
Nótese que Ni es la frecuencia observada en la i-ésima clase y npi la esperada bajo la hipótesis
nula.
Esta estadística recibe el nombre de prueba de bondad de ajuste chi-cuadrada de Pearson.
Si existe una concordancia perfecta entre las frecuencias observadas y las esperadas, el
estadístico tendrá un valor igual a cero; por otra parte si las discrepancias entre estas frecuencias
son grandes, el estadístico tomará un valor, también muy grande. Por ello se desprende que para
un valor dado del error de tipo I, la región crítica estará en el extremo superior la distribución chi-
cuadrada con k-1 grado de libertad.
Una ventaja de la prueba de bondad de ajuste chi-cuadrada es que para valores grandes de n, la
distribución límite chi-cuadrada de la estadística, es independiente de la forma que tenga la
distribución F0(x) propuesta en la hipótesis H0. Como consecuencia de esto se tiene que la prueba
de bondad se utiliza también para distribuciones de probabilidad en las que F 0(x) es continua. Sin
embargo, debe insistirse en que la prueba de bondad es discreta, en el sentido de que ésta
compara frecuencias que se observan y se esperan para un número finito de categorías.
De acuerdo con lo anterior, si F0(x) es continua, la prueba no compara las frecuencias que se
observan aisladas con la función de densidad propuesta tal y como implica la hipótesis nula; sino,
más bien, la comparación se lleva a cabo aproximando la distribución continua bajo H 0 con un
número finito de intervalos de clase.
No obstante, esta prueba es un procedimiento razonablemente adecuado para probar
suposiciones de normalidad siempre y cuando el tamaño de la muestra sea suficientemente
grande.
¿Qué tan grande debe ser el tamaño de la muestra? Se ha encontrado que con n igual a 5 veces
el número de clases, los resultados son aceptables. Una regla conservadora es que ninguna clase
tenga una frecuencia inferior a 5; si esto sucediera, se agruparían clases vecinas.
A menos que se especifique una hipótesis alternativa que consista en un modelo alternativo
particular F1(x), la potencia de la prueba (probabilidad de que un valor se encuentre en la región
crítica cuando H0 es falsa) es muy difícil de determinar. Por otra parte, puede demostrarse que la
potencia tiende a 1 cuando n tiende a infinito. Esto implica que cuando n es muy grande es casi
seguro que se rechaza H0, pues es muy difícil especificar una F0(x) lo suficientemente cercana a la
distribución. Por tanto esta prueba es cuestionable para muestras muy grandes.
Recuérdese que el modelo de probabilidad propuesto F0(x) se especificó completamente. Por
regla general, solo se conoce la normalidad de F0(x), necesitándose estimar la media y la varianza,
en consecuencia las frecuencias esperadas npi; i =1,2,…,k no pueden determinarse.
Sea T el estadístico del parámetro desconocido θ de F0(x). Tanto Ni (frecuencias observadas)
como npi(T) frecuencias esperadas son variables aleatorias, donde pi(T) indica que la probabilidad
bajo la hipótesis nula es función del estadístico T de θ.
Puede demostrarse que si T es el estimador de máxima verosimilitud de θ, entonces:
En donde r es el número de parámetros que se está intentando estimar.
Región de rechazo (RR),
La Región de Rechazo es el conjunto de valores tales que si la prueba estadística cae dentro de
este rango, decidimos rechazar la Hipótesis Nula. El complemento de la región de rechazo es 1−α
y es conocido como el Coeficiente de Confianza
Su localización depende de la forma de la Hipótesis Alternativa:
Si H 1: μ > μ0 entonces la región se encuentra en la cola derecha de la distribución de la
estadística de la prueba.
Si H 1: μ < μ0 Entonces la región se encuentra en la cola izquierda de la distribución de la
Estadística de prueba.
Si H 1 : μ≠ μ0 Entonces la región se divide en dos partes, una parte estará en la cola derecha de
la distribución de la estadística de prueba y la otra en la cola izquierda de la distribución de la
estadística de prueba.
Tipos de errores en prueba de hipótesis
La Probabilidad de cometer un error Tipo I se conoce como Nivel de Significancia, se denota
como α y es el tamaño de la región de rechazo, se comete un error tipo I si H0 es rechazada
cuando H0 es verdadera. La probabilidad de un error tipo I está denotada por
a. El valor de a se denomina nivel de la prueba.
Se comete un error tipo II si Ho es aceptada cuando Ha es verdadera. La probabilidad de un
error tipo II está denotada por β.
En conclusión
-Si rechazamos la Hipótesis Nula, concluimos que “hay suficiente evidencia estadística para inferir
que la hipótesis nula es falsa”
-Si no rechazamos la Hipótesis Nula, concluimos que “no hay suficiente evidencia estadística para
inferir que la hipótesis nula es falsa”
PARTE B
Realizar los siguientes ejercicios presentando el paso a paso del desarrollo y justificar los
resultados.
Ejercicio 1
1. Se sabe que la proporción de artículos defectuosos en un proceso de manufactura es de 0.05. El
proceso de vigila en forma periódica tomando muestras aleatorias de tamaño 20 e inspeccionando
las unidades. Si se encuentran dos o más unidades defectuosas en la muestra, el proceso se detiene
y se considera como “fuera de control”.
a. Enunciar las hipótesis nula y alternativa apropiadas.
b. Obtener la probabilidad del error tipo I.
c. Obtener y graficas la función de potencia para los siguientes valores aleatorios de la proporción
de artículos defectuosos: 0.06, 0.08, 0.1, 0.15, 0.2 y 0.25
Solución
a. Sea p los artículos defectuoso tenemos: Hipótesis nula
𝐻0 : 𝑝 ≤ 0,05
Hipótesis alternativa
𝐻1 : 𝑝 > 0,05
b.
𝛼 = 𝑃(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 𝑐𝑢𝑎𝑛𝑑𝑜, 𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎)
∞
1
𝛼 = 𝑃(𝑥 ≤ 0,05) = ∫ 𝑒 −𝑥/0.05 𝑑𝑥 = 𝑒 −1/0.05 = 0,2642
0,05
0,05
Hay una probabilidad de 26,42 % de rechazar que la H0 sea 0.05 cuando en realidad si es
Ejercicio 2
Una muestra aleatoria de 100 muertes registradas en Estados Unidos durante el año pasado
mostró una vida promedio de 71.8 años. Suponiendo una desviación estándar poblacional de 8.9
años y un nivel de significancia de 0.05. ¿Es apropiado indicar que la vida promedio hoy en día es
mayor que 70 años? Justifique su respuesta.
Datos: μ = 70 años
σ = 8.9 años Ensayo de hipótesis
𝑥̅ = 71,8 𝑎ñ𝑜𝑠 H0; μ = 70 años.
n = 100 H1; μ > 70 años
α = 0,05
Regla de decisión
Si ZR ≤ ZL se acepta H0
Si ZR > ZL se rechaza H0
Se calcula el valor de ZR
𝑋̅ − 𝜇 71,8−70
𝑍𝑅 = 𝜎 = 8,9 = 2,02
√𝑛 √100
Teniendo en cuenta el nivel de significancia de 0,05 se halla el valor de ZL
ZL = 1,645
Justificación
2,02 > 1,645 se rechaza H0, teniendo en cuenta el nivel de significancia de 0,05 se puede concluir
que la vida promedio hoy en día es mayor que 70 años
Ejercicio 3
Para justificar su petición de aumento de salario, los empleados del departamento de despachos
de una firma de ventas por correo, sostienen que en promedio el departamento completa una
orden en 13 minutos.
Si usted es el gerente general de la firma ¿qué conclusión obtiene si en una muestra de 400
ordenes da un tiempo medio de terminación del pedido de 14 minutos, con una desviación
estándar de 10 minutos y un nivel de significancia de 0.05.
Solución:
Hagamos una prueba de hipótesis: Ho y H1.
Ho= 13 minutos.
H1= 14 minutos.
H1>Ho
Paso uno. Proponer las hipótesis
Ho= 13 minutos.
H1= 14 minutos.
H1>Ho
Paso dos. Especificar la significancia.
En este caso 𝛼=0.05
O sea que el nivel de confiabilidad es del 95 %.
Paso tres. Calcular el valor crítico y el valor de prueba, definiendo las zonas de aceptación y
rechazo de Ho (hipótesis nula).
Al hacer el grafico la cola que hacia la derecha, pues H1>Ho.
Como el tamaño de la muestra es 400 y es mayor que 30, entonces utilizamos Zc.= 1.64
Ahora Zp la encontramos con la fórmula:
𝑥̅ − 𝑢
𝑍𝑝 = 𝜎
√𝑛
14 − 13
𝑍𝑝 =
10
√400
1
𝑍𝑝 =
10
20
1
𝑍𝑝 =
1
2
𝑍𝑝 = 2
Este valor cae dentro de la zona de rechazo, por lo tanto:
Paso cuatro: Se rechaza la hipótesis nula y se acepta la hipótesis alternativa.
La hipótesis nula decía que en promedio el departamento completa una orden en 13 minutos y
la hipótesis alternativa decía que la completaba en 14 minutos.
Por lo tanto, se le debe negar el aumento de salario a los empleados.
Ejercicio 4
La cantidad promedio que se coloca en un recipiente en un proceso de llenado se supone que es
20 onzas. En forma periódica, se escogen al azar 25 recipientes y el contenido de
𝑐𝑎𝑑𝑎 𝑢𝑛𝑜 𝑑𝑒 𝑒𝑠𝑡𝑜𝑠 𝑠𝑒 𝑝𝑒𝑠𝑎. 𝑆𝑒 𝑗𝑢𝑧𝑔𝑎 𝑎𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 𝑐𝑜𝑚𝑜 𝑓𝑢𝑒𝑟𝑎 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑢𝑎𝑛𝑑𝑜 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎
muestral es menor o igual a 19.8 o mayor o igual a 202 onzas. Se supone que la cantidad que se
vacía en cada recipiente se encuentra aproximada, en forma adecuada, por una distribución
normal con una desviación estándar de 0.5 onzas.
a. Enunciar las hipótesis nula y alternativa que son propias para esta situación.
Solución:
Ho: 𝜇 = 20 𝑜𝑛𝑧𝑎𝑠
H1: 𝜇 ≠ 𝑜𝑛𝑧𝑎𝑠
b. Obtener la probabilidad de error tipo 1.
Se comete un error de tipo uno cuando se rechaza la hipótesis nula, a pesar que es verdadera.
Rechazar Ho No rechazar Ho: Rechazar Ho.
𝜇 ≠ 20 𝜇 = 20 𝜇 ≠ 20
19.8 20.2
19.8 − 20
𝑍1 =
0.5
( )
√25
𝑍1 = −2
20.2 − 20
𝑍2 =
0.5
( )
√25
𝑍2 = 2
𝛼 = 𝑃(𝑥̅ <19.8 +P(𝑥̅ > 20.2)
𝛼 = 𝑃(𝑧 < −2.0 ) +P(𝑧 > 2.0)
Según tablas:
𝛼 = 0.025 + 0,025
𝛼 = 0.05; o sea 5%.
c. Obtener y gráficas la función de potencia para los siguientes valores medios de llenado: 19.5,
19.6, 19.7, 19.8, 19.9, 20.0, 20.1, 20.2, 20.3, 20.4, 20.5.
Solución.
La potencia estadística se refiere a la probabilidad de rechazar la hipótesis nula
cuando es falsa.
Ejercicio 5
La media de llenado de las cajas de un cereal en una empresa de empacados es de 368gr. El
proceso es tan rápido que en algunas cajas hay excesos y en otras hay faltantes. Supóngase que
en una muestra de 25 cajas la desviación estándar de la población es de15 gr. Y la media
muestral es de 372,5 gr. Se rechaza o se acepta la prueba de hipótesis nula, teniendo en cuenta
un nivel de significancia del 5%. Es equivalente al intervalo de confianza del 95%.
Solución
La hipótesis nula.
𝐻0 : 𝜇 = 368𝑔𝑟
La hipótesis alternativa.
𝐻1 : 𝜇 ≠ 368𝑔𝑟
Nivel de significancia: 5%
5%
5% = 0,05 𝑐𝑜𝑙𝑎𝑠: = 2,5% = 0,025
2
Estadísticos de prueba para
𝑋: 372,5 𝑛 = 25 𝜎 = 15
La desviación estándar de la media muestral es:
𝜎 15 15
𝜎𝑥 = = = = 3𝑔𝑟
√𝑛 √25 5
El valor de unidades estandarizadas según la tabla es
𝑍1 = −1,96 𝑦 𝑍2 = +1,96
Intervalo de los valores críticos para 𝑍: − 1,96 < 𝑍 + 1,96
Calculamos los valores limites del intervalo.
Para 𝑍1 = −1,96 𝑋𝐶𝑅 = 𝜇 ± 𝑍𝜎𝑥
𝑋1 𝐶𝑅 = 368 − (1,96)(3)
𝑋1 𝐶𝑅 = 368 − 5,88
𝑋1 𝐶𝑅 = 362,12
Para 𝑍2 = +1,96 𝑋𝐶𝑅 = 𝜇 ± 𝑍𝜎𝑥
𝑋2 𝐶𝑅 = 368 + (1,96)(3)
𝑋2 𝐶𝑅 = 368 + 5,88
𝑋2 𝐶𝑅 = 373,88
Conclusiones
Bibliografía
[Link]
[Link]
[Link]
