Segunda Especialidad de Ingeniería 

de Proyectos

"Estadística para Ingeniería"

Docente: Ing. Cecilia Cuadros Arévalo

INFERENCIA ESTADISTICA

I. ESTIMACION POR INTERVALOS DE CONFIANZA

II.1. Para muestras grandes

II.2. Para muestras pequeñas

II. PRUEBAS DE HIPOTESIS

III.1. Para muestras grandes

III.2. Para muestras pequeñas
ngeniería"

DISTICA
 INFERENCIA ESTADISTICA

2.1. Estimaciones Puntuales

Muestras
grandes

1 Estimaciones Estimaciones por

2.2.
Intervalo de
Confianza

Muestras
pequeñas

Muestras
grandes

2 Pruebas de
Hipotesis

Muestras
pequeñas
E.I. Medias

E.I. Dif de Medias

Curva Normal
E.I. Proporciones

E.I. Dif de Proporciones

E.I. Medias
Dist. Student ó "t"
E.I. Dif de Medias

E.I. Varianza Dist. Ji Cuadrado ó "X2"

E.I. Cociente de Varianza Distribución F

E.I. Medias

E.I. Dif de Medias

Curva Normal
E.I. Proporciones

E.I. Dif de Proporciones

E.I. Medias
Dist. Student ó "t"
E.I. Dif de Medias

E.I. Varianza Dist. Ji Cuadrado ó "X2"

E.I. Cociente de Varianza Distribución F
ESTIMACION POR INTERVALOS DE CONFIANZA: Muestras Gr

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.1. ESTIMACION PARA MUESTRAS GRANDES

A.1.1. Estimación de Intervalo para la Media

1) Un distribuidor de repuestos de carros necesita una estimación de la vida media que puede esperar para los
limpiadores de parabrisas en condiciones normales de manejo. Conocen que la desviación estándar de la vida
de la población es de 6 meses. Se trabajar en función de una sola muestra de 100 limpiadores y se averiguó
que la vida media de estos es de 21 meses. Estimar un intervalo para la media al 95% de nivel de confianza

Datos 1. Error de la Distribucion muestral de medias

* Población 6 
sx x 
m = Ö100 n
s= 6
meses sx 0.6 Li Ls
19.82 22.18
* Muestra 2. NC --> Z
𝑥 ̅= 21 N.C. = 95%
s= z = 1.96
n= 100 x-m
Z=
3. Intervalo Confianza sx
N.C. = 95%
 s
z= 1.96 Li =
21-1.96*0.6 IC : x  Z 2 x
Li = 19.824 n
Ls = 21+1.96*0.6
Ls = 22.176 Interpretar considerar n
Considerar NC
Li / Ls
A: Muestras Grandes

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.1. ESTIMACION PARA MUESTRAS GRANDES

A.1.2. Estimación de Intervalo para la Proporción

2) Un fabricante americano de tostadores ha recibido reclamos sobre la calidad de sus productos. Para
resolver este problema quiere conocer primero el porcentaje de tostadores vendidos que tienen
problemas de funcionamiento. Se escogen 1800 nombres de compradores de los vendidos en los 6
últimos meses y se les envía un cuestionario. Respondieron un total de 1675. El 12% de ellos
contestaron haber experimentado problemas con el tostador. Establecer un intervalo al 90% que
contenga al porcentaje de compradores insatisfechos

Datos 1. Error de la Distribucion muestral de proporciones

* Población 0.1056
P =
sp
Ö1675 p 
p*q
Q = n
Li Ls
sp 0.0079401
10.69 13.31
* Muestra
p= 0.12 2. NC --> Z
q= 0.88 N.C. = 90%
n= 1675 z = 1.645

p̂(1  p̂s)p
N.C. = 0.90 3. Intervalo Confianza IC : p̂  Z 2
z= 1.645 n
Li = 0.12 - 1.645(0.00794)
Li = 0.1069
Li = 10.69

Ls = 0.12 + 1.645(0.00794)
Ls = 0.1331
Ls = 13.31
A. ESTIMACION POR INTERVALO DE CONFIANZA

A.1. ESTIMACION PARA MUESTRAS GRANDES

A.1.3. Estimación de Intervalo para la Diferencia de Medias

3) Considere un fabricante de llantas quien desea estimar con un 99% de confianza, la diferencia entre las
vidas medias de dos tipos de llantas, tipo A y tipo B, como preludio para una importante campaña
publicitaria. Se toma una muestra de 100 llantas de cada proceso de producción. Las duraciones medias
son de 30100 millas y 25200 millas para las llantas A y B respectivamente. Las varianzas son 1500000
milla2 y 2400000 milla2. Calcule el intervalo de confianza. ¿Cuál hubiera sido el intervalo si la media de la
llanta B fuera igual a 29800 millas, siendo igual todo el resto?

Datos A. 1. Diferencia
d= (𝑥1) ̅− (𝑥2) ̅
* Muestra A d= 4900.00
(𝑥1) ̅= 30100
s21 = 1500000 2. Error de la Distribucion muestral de medias
n1 = 100

* Muestra B
s𝑥1-𝑥2  = Ö 30100
100
+
2400000
100
(𝑥2) ̅= 25200
s22 = 2400000
n2 = 100
s𝑥1-𝑥2  =
Ö 24301

N. C. = 99%
s𝑥1-𝑥2  = 155.89

(𝑥2) ̅= 29800 3. NC --> Z

N.C. = 99%
z = 2.575
12  22
L.I .  1   2  z 
4. Intervalo Confianza n1 n 2
sx1-x2
Li = 4900 - 2.575(155.89)
Li = 4498.59

Ls = 4900 + 2.575(155.89)
Ls = 5301.41
 12  22
L.I .  1   2  z 
n1 n2

12  22
B. 1. Diferencia L.S .  1   2  z 
d= (𝑥1) ̅− (𝑥2) ̅ n1 n 2
d= 300.00

3. Intervalo Confianza

Li = 300 - 2.575(155.89)
Li = -101.41

Ls = 300 + 2.575(155.89)
Ls = 701.41
A. ESTIMACION POR INTERVALO DE CONFIANZA

A.1. ESTIMACION PARA MUESTRAS GRANDES

A.1.4. Estimación de Intervalo para la Diferencia de Proporción

4) Se tiene dos muestras provenientes de dos procesos productivos diferentes de galletas, la primera es
de 250 unidades y la segunda es de 350 unidades. Las galletas rotas para el primer procedimiento son
0.10 y las del segundo proceso son 0.08. Establecer un intervalo de confianza al 95%

Datos

* Muestra A 1. Diferencia
p1 = 0.10 d= (𝑝1) ̅− (𝑝2) ̅
q1 = 0.90 d= 0.02
n1 = 250
2. Error de la Distribucion muestral de proporciones
* Muestra B

Ö
p2= 0.08 0.09 0.0736
q2= 0.92
sp1-p2  =
250
+ 350
n2= 350

N. C. = 95%
sp1-p2  =
Ö 0.0005703

sp1-p2  = 0.0238807

3. NC --> F
p1(1  p1) p 2(1  p 2)
L.I .  p1  p 2  z 
N. C. = 95% n1 n2 sp1-p2
z = 1.96

p1(1  p1) p 2(1  p 2)

4. Intervalo Confianza L.S .  p1  p 2  z 
n1 n2

Li = 0.02 - 1.96*0.023881
Li = -0.03

Ls = 0.02 + 1.96*0.023881
Ls = 0.07
12  22

n1 n2
ESTIMACION POR INTERVALOS DE CONFIANZA: Muestras Pe

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

A.2.1. Estimación de Intervalo para la Media

5) Se desea verificar que la comida rápida, por ejemplo, hamburguesas, contribuyen altamente al
colesterol. Para ello se compra un kilo de carne de 9 carniceras diferentes elegidas al azar. Se cocino
la carne, se escurrió y se peso la grasa, como resultado se tienen los siguientes datos:
3.3 4.8 5.1 4.5 4 3.9 4.7 5 3.6
Se desea calcular una estimación por intervalo con el 90% de confianza para el contenido promedio de
grasa/kl. De carne para hamburguesas

Datos Fila1
Media 4.3222222
* Población Error típico 0.2145912
m = Mediana 4.5
s= Moda #N/A
Desviación 0.6437736
* Muestra Varianza de0.4144444
𝑥 ̅ = 4.32 Curtosis -1.363668
s= 0.6438 Coeficiente -0.363304
n= 9 Li 𝑥 ̅ Ls Rango 1.8
gl = 8 3.92 4.72 Mínimo 3.3
N. C. = 90% Máximo 5.1
Suma 38.9
1. Error de la Distribucion muestral de medias Cuenta 9

0.6438
s
sx 
Sx
Ö9
n
Sx 0.2145912

2. Nivel de Confianza --> t

N.C. = 90%
a= 0.10
t= 1.860 Fx: Estadistica/INV.T.2C

3. Intervalo Confianza
Li = 4.32 - 1.86*0.2146
Li = 3.92 s
x  t ,n 1
Ls = 4.32 - 1.86*0.2146 n
Ls = 4.72
Muestras Pequeñas

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

A.2.2. Estimación de Intervalo para la Diferencia de Medias

6) Para comparar el rendimiento de una nueva variedad de uva de clima tropical con la variedad actual, se
diseñó un experimento en el “Viñedo P&C” de San Antonio de Cumbaza en San Martín, los pesos en
gramos de 10 y 9 racimos de uvas escogidos al azar de la variedad nueva y antigua respectivamente
dieron los siguientes resultados:
400 410 420 380 390
Variedad Nueva:
405 405 400 410 400

390 395 380 390 400

Variedad Antigua:
380 370 390 380
Asumiendo que la distribución de los pesos en cada variedad es normal, aplicando un intervalo de
confianza del 95% para la diferencia de los pesos promedios por racimo de toda la producción, ¿es válido
inferir que las dos variedades rinden igual? Si no es así, ¿cuál de las dos variedades rinde más?

Datos Variedad Nueva: Variedad Antigua:

* Muestra VN Media 402 Media 386.11

(𝑥1) ̅= 402 t= 3.362 Error típico 3.51 Error típico 3.09
s1 = 11.11 Mediana 402.5 Mediana 390
n1 = 10 Moda 400 Moda 390
Desviación 11.11 Desviación 9.28 𝑥 ̅ =
* Muestra VA Varianza de 123.33 Varianza de 86.11
(𝑥2) ̅= 386.11 Curtosis 0.95 Curtosis -0.39
s2 = 9.28 Coeficiente -0.56 Coeficiente -0.26
n2 = 9 Rango 40 Rango 30
Mínimo 380 Mínimo 370

N. C. = 90% Máximo 420 Máximo 400

Suma 4020 Suma 3475
Cuenta 10 Cuenta 9
 Li d= Ls

1. Diferencia
d= (𝑥1) ̅− (𝑥2) ̅
d= 15.89

2. Error de la Distribucion muestral de medias

s12 ( n1  1)  s22 ( n2  1)
scomb =
Ö 1798.89
17 Ö 105.81699 = 10.287 scomb 
n1  n2  2

1 1
s𝑥1-𝑥2  = 10.287 Ö 0.2111111 = 4.73 s x1  x 2  scomb 
n1 n2

3. Nivel de Confianza --> t

N.C. = 0.90 t= 1.740 Fx: Estadistica/INV.T.2C
a= 0.10
gl = 17
L.i.   1   2  t.s x1  x 2
4. Intervalo Confianza
Li = 7.67 L.s.   1   2  t.s x1  x 2
Ls = 24.11

Fx: Datos/ Analisis de Datos/Prueba t para dos muestras suponiendo varianzas desiguales

Variedad Nueva: Variedad Antigua: Prueba t para dos muestras suponiendo

400 390 varianzas desiguales
410 395 Variedad Nueva:
Variedad Antigua:
420 380 Media 402.00 386.11
380 390 Varianza 123.33 86.11
390 400 Observacione 10 9
405 380 Diferencia hip 0
405 370 Grados de libe 17
400 390 Estadístico t 3.3951521
410 380 P(T<=t) una co0.0017219
400 Valor crítico d 1.3333794
P(T<=t) dos co0.0034437
Valor crítico d 1.7396067
A. ESTIMACION POR INTERVALO DE CONFIANZA

A.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

A.2.3. Estimación de Intervalo para la Varianza

7) Una cadena de moteles tiene un número telefónico gratuito para recibir reservaciones telefónicas. Un
índice de calidad de este servicio es el tiempo de espera. El estándar de la cadena es el tiempo
promedio de espera que no debería ser mayor a 30 segundos. La cadena tiene inspectores que viajan
a todos los moteles y verifican los servicios, para ello realizan 30 llamadas para hacer reservaciones y
registran el tiempo de espera de cada uno de ellas.

12 13 13 14 14 14 15 15 16 17
17 18 18 19 19 25 25 26 27 30
33 34 35 40 40 51 51 58 59 83
Calcule un intervalo de confianza al 95% para la desviación estándar.

Columna1

Datos Media 28.37

Error típico 3.1704394
* Población Mediana 22
m = Moda 14
s = Desviación 17.37
Varianza de 301.55
* Muestra Li Ls Curtosis 2.07
𝑥 ̅ = 28.37 13.83 23.34 Coeficiente 1.49
s= 17.37 Rango 71
n= 30 Mínimo 12
Máximo 83
N. C. = 95% Suma 851
Cuenta 30

1. Nivel de Confianza --> c2

N. C. = 0.95
a= 0.05
gl = 29
a/2 = 0.025
c2 cola Izq 16.047072 Fx: Estadistica/INV.CHICUAD

1 - a = 0.975
c2 cola Der 45.722286 Fx: Estadistica/INV.CHICUAD
 2. Intervalo de Confianza

Li Ls
8744.9667 8744.9667
45.722286
≤ a2 ≤ 16.047072 ( n  1)s 2 (n  1)s 2
  2

 2 / 2 12 / 2
191.26 ≤ a2 ≤ 544.96

13.83 ≤a≤ 23.34

𝑥 ̅
A. ESTIMACION POR INTERVALO DE CONFIANZA

A.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

A.2.4. Estimación de Intervalo para el Cociente de la Varianza

8) Se realiza un estudio para comparar la variabilidad a la resistencia de secciones de una pulgada

cuadrada de una fibra sintética producida bajo procedimientos distintos. Se toman muestras de 9 pulg2
producidas por cada procedimiento obteniéndose las siguientes resistencias:

Proced. 1 74 90 103 86 75 102 97 85 69

Proced. 2 59 66 73 68 70 71 82 69 74

Construya un intervalo de confianza que permita comparar las 2 desviaciones estándar de las dos
muestras al 95% de nivel de confianza

Datos Proced. 1 Proced. 2

* Muestra P1 Media 86.78 Media 70.22

(𝑥1) ̅= 86.78 Error típico 4.14 Error típico 2.08
s1 = 12.41 Mediana 86 Mediana 70
n1 = 9 Moda #N/A Moda #N/A
Desviación 12.41 Desviación 6.24
* Muestra P2 Varianza de 153.94 Varianza de 38.94
(𝑥2) ̅= 70.22 Curtosis -1.41 Curtosis 1.74
s2 = 6.24 Coeficiente -0.04 Coeficiente 0.14
n2 = 9 Rango 34 Rango 23
Mínimo 69 Mínimo 59
N. C. = 95% Máximo 103 Máximo 82
Suma 781 Suma 632
Cuenta 9 Cuenta 9

Li Ls

1. Nivel de Confianza --> F

N. C. = 95%
a= 0.05
 n1 = 9
gl1 = 8
n2 = 9
gl2 = 8
F= 3.4381012 Fx: Estadistica/INV.F.CD

2. Intervalo de Confianza
s12 1 12 s12
  2 F
s 22 F  22 s2
Li Ls
3.95 0.2908582 ≤ a2
≤ 3.95 3.44
a2

a2
1.150 ≤ ≤ 13.591
a2

a1
1.072 ≤ ≤ 3.687
a2
PRUEBAS DE HIPOTESIS: Muestras Grandes

B. PRUEBAS DE HIPOTESIS

B.1. PRUEBAS DE HIPOTESIS PARA MUESTRAS GRANDES

B.1.1. P. H. para la Media

9)
Un fabricante suministra los ejes traseros para camiones y deben soporta 80,000 lbs por pulg2. En las pruebas
de carga, un eje excesivamente resistente eleva demasiado los costos. La experiencia indica que la desviación
estándar de la fuerza de los ejes es de 4000 lbs/pulg2. El fabricante selecciona una muestra de 100 ejes de la
producción y la prueba encuentra que la capacidad de carga media es de 79,600 lb/plg2. Si el fabricante utiliza
un nivel de significancia de 0.05 ¿satisfarán los ejes los requerimientos de carga?

79600
Datos 1. Hipótesis
Ho : m = 80000
* Población H1 : m ¹ 80000
m = 80000
s = 4000 2. Error de la Distribucion muestral de medias m = 80000
X1 X2
4000 79216.01 80783.99
sx 
* Muestra Ö100 x 
n
𝑥 ̅= 79600
s= sx 400
n= 100
3. NS --> Z
N.S. = 0.05 a= 0.05
a/2 = 0.025
Z= -1.00 z
0.025 -1.960
0.975 1.960
x
z 4. Puntos "X"
x X1 = 80000-1.96*400
X1 = 79216.014

X2= 80000+1.96*400
X2= 80783.986

5. Comparación
Z critico VS Z Muestra
-1.000 -1.96
X critico 𝑥 ̅
79216.01 79600.00
80783.99

6. Conclusión
Cae en zona de Aceptación
Ho = þ El lote pasa la revisión
H1 = ý
 B. PRUEBAS DE HIPOTESIS

B.1. PRUEBAS DE HIPOTESIS PARA MUESTRAS GRANDES

B.1.2. P. H. para la Proporción

10) Una empresa de productos arquitectónicos está verificando la producción de cables conductores de
acero en su planta principal. Como estos componentes por lo general se hallan encerrados en paredes u
otras estructuras, el nivel de calidad debe ser bastante alto. Se ha puesto en práctica un programa de
mejoras de la calidad de la línea de conductores durante los últimos 6 meses y el supervisor asegura que
se ha reducido la tasa anterior de defectos del 2%. Se decide probar esta aseveración. Se selecciona
para ello una muestra aleatoria de conductores a lo largo de 2 semanas, se escoge un total de 358
cables y de estos se encuentra que 4 unidades son defectuosas. La empresa opta por una probabilidad
de rechazo del 10%

Datos 1. Hipótesis 1.12%

Ho : P = 0.02
* Población H1 : P < 0.02
Defecto P = 0.02
No Defecto Q = 0.98 2. Error de la Distribucion muestral de medias P = 2%
X =1.05%
0.0196
* Muestra
sp
Ö 358
p 
p*q
n
x= 4
p= 0.0112 1.12
sp 0.00740
q= 0.9888
n= 358
3. NS --> Z
N.S. = 0.10 a= 0.10

Z= -1.19 Z
0.100 -1.282
x
P
z n
p 4. Puntos "X"

X= 0.02 - 1.282(0.0074)
X= 0.0105175
1.05%

5. Comparación
Z critico VS Z Muestra
-1.282 -1.19
X critico 𝒑 ̅
0.01052 0.0112

6. Conclusión

Ho = þ
H1 = ý
B. PRUEBAS DE HIPOTESIS

B.1. PRUEBAS DE HIPOTESIS PARA MUESTRAS GRANDES

B.1.3. P. H. para la Diferencia de Medias

11) Al preparar las negociaciones con el sindicato, la negociadora de una empresa desea saber si se
produce más ausentismo entre los empleados afiliados al sindicato que entre los que no lo son. Para
averiguarlo se toma una muestra de trabajadores a cada grupo a los afiliados como los no afiliados. Se
calcula media y la desviación estándar de los días no trabajados para cada grupo: La negociadora
decide trabajar a un nivel de significancia de 0.05.

Afiliados No afiliados
0.6
Tamaño de muestra 50 45
Media 9.3 8.7
Desviación estándar 3.1 2.3

Datos 1. Hipótesis d = 0
Ho : m1-m 2 = 0 X =0.8

* Muestra A H1 : m1-m 2 ≥ 0
(𝑥1) ̅= 9.3
s1 = 3.1 1. Diferencia
n1 = 50 d=
(𝑥1) ̅− (𝑥2) ̅ 12  22
d= 0.60 dias
1   2  
n1 n 2
* Muestra NA
(𝑥2) ̅= 8.7 2. Error de la Distribucion muestral de medias
s2 = 2.3

Ö
n2 = 45 9.61 5.29
s𝑥1-𝑥2  =
50
+ 45
N. S. = 5%

Z= 1.232
s𝑥1-𝑥2  =
Ö 0.2371111
1   2 s𝑥1-𝑥2  = 0.49
z
1   2
3. NS --> Z
N.S. = 5%

Z
 0.950 1.645

4. Punto "X"

X= 0.0 + 1.645(0.49)
X= 0.801

5. Comparación

Z critico VS Z Muestra
1.232 1.645
X critico d
0.80 0.6000

6. Conclusión
Cae en zona de Aceptación
Ho = þ Los sindicalizados no faltan mas
H1 = ý
B. PRUEBAS DE HIPOTESIS

B.1. PRUEBAS DE HIPOTESIS PARA MUESTRAS GRANDES

B.1.4. P. H. para la Diferencia de Proporción

12) Un sindicato sospecha que hay más hombres que mujeres que trabajan horas extras por semana en
una planta grande. El sindicato plantea una queja a la administración sobre la discriminación de las
mujeres. El sindicato y la empresa acuerdan usar una muestra aleatoria de trabajadores usando los
registros del año anterior para decidir sobre el asunto. Al examinar 875 mujeres se encuentra que 114
trabajaron tiempo extra, y de un total de 950 hombres, 162 trabajaron tiempo extra. Deciden utilizar un
nivel de significancia de 0.05 para la prueba.

0.0402
Datos 1. Hipótesis
Ho : (𝑝𝐻) ̅−(𝑝𝑀) ̅ 0
* Muestra M H1 : =(𝑝𝐻) ̅−(𝑝𝑀) ̅ 0
x1 = >
114
p1 = 0.1303 1. Diferencia
q1 = 0.8697 (𝑝𝐻) ̅−(𝑝𝑀) ̅ d = 0
d= =
n1 = 875 d= 0.1705 - 0.1303 X =0.028

d= 0.0402
* Muestra H
x2 = 162 2. Error de la Distribucion muestral de proporciones
p2= 0.1705 2.1. Calculo de p combinada
q2= 0.8295
n2= 950 276 x1  x 2
p comb  = p
1825 n1  n 2
N. S. = 5%
p comb  = 0.1512
Z = 2.40

p1  p 2 q comb  = 0.8488
z
p1  p 2
1 1
2.2. Calculo del error p1  p 2  ( p.q ) 
n1 n 2

sp1-p2  =
Ö 0.1283615 0.0021955
sp1-p2  =
Ö 0.0002818
 sp1-p2  = 0.0167874

3. NS --> Z
N.S. = 5%

Z
0.950 1.645

4. Punto "X"

X= 0.0 + 1.645(0.0168)
X= 0.028

5. Comparación

Z critico VS Z Muestra
1.645 2.397
X critico d
0.028 0.0402

6. Conclusión
Cae en zona de Rechazo
Ho = ý
H1 = þ Si hay discriminación hacia las mujeres
PRUEBAS DE HIPOTESIS: Muestras Pequeñas

B. ESTIMACION POR INTERVALO DE CONFIANZA

B.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

B.2.1. P. H. para la Media

13) El gerente de un autoservicio investiga si la cantidad promedio que gastan los clientes en comestibles
durante un periodo de una semana ha variado, se sabe que está alrededor de S/. 120,00. Los
siguientes datos representan las cantidades gastadas la semana anterior en una muestra aleatoria de
12 clientes:
65 153 80 131 75 250
191 93 85 99 55 182
Desarrolle una prueba para evaluar si el promedio se ha modificado, trabajar con un nivel de
significancia del 10%. A
𝑥 ̅ =121.58 B

Datos Columna1

* Población Media 121.58

m = 120 Error típico 17.46
s = Mediana 96
X1 𝑥 ̅ = 120 X2 Moda #N/A
* Muestra 88.65 151.35 Desviación 60.48
𝑥 ̅ = 121.58 Varianza de3657.7197
s= 60.48 Curtosis 0.0865379
n= 12 1. Hipótesis Coeficiente 0.972182
gl = 11 Ho : m = 120 Rango 195
N. S. = 10% H1 : m ¹ 120 Mínimo 55
Máximo 250
t= 0.0906897 Suma 1459
Cuenta 12
2. Error de la Distribucion muestral de medias
60.4791
s
sx 
Sx
x Ö12
t 
s n
n

Sx 17.458808

3. NS --> t
N. S. = 10% Fx: Estadistica/INV.T.2C
a= 0.1000
t= 1.796

4. Puntos "X"

X1 = 120-1.796*17.46
X1 = 88.65

X2= 120+1.796*17.46
X2= 151.35

5. Comparación

t critico VS t Muestra
1.796 0.09
X critico 𝑥 ̅
88.65 121.58
151.35

6. Conclusión
Cae en zona de Aceptación
Ho = þ La media de consumo no se ha modificado
H1 = ý
B. ESTIMACION POR INTERVALO DE CONFIANZA

B.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

B.2.2. P. H. para la Diferencia de Medias

14)
Una compañía de taxis quiere probar dos programas para mejorar el rendimiento de sus choferes.
Programa A, asigna un rendimiento objetivo a los choferes y reciben modestos bonos cuando lo
superan. Programa B, a los choferes les otorga una cuota mensual máxima de gasolina; si ésta se
agota, el chofer deberá pagar de su bolsillo la gasolina extra. Todos los taxis son de modelo estándar y
se les da el mismo mantenimiento. Después de 3 meses se calcula el rendimiento de cada chofer en
millas recorridas por galón de combustible. Los datos son los siguientes

15.9 17.5 19.1 18.9 18.3 17.3 17 16.2 16.8 17.1

16.1 15.8 15.3 16.5 14.9 15.5 16.4 16 16.7 17.2

Probar la diferencia de rendimiento a un nivel de significancia del 0,01.

𝑥 ̅ =

Datos A B

* Muestra A Media 17.41 Media 16.04

(𝑥1) ̅= 17.41 t= 3.4022759 Error típico 0.3377869 Error típico 0.2191904
s1 = 1.07 Mediana 17.2 Mediana 16.05
n1 = 10 Moda #N/A Moda #N/A
Desviación 1.068176 Desviación 0.693141
* Muestra B Varianza de 1.141 Varianza de0.4804444
(𝑥2) ̅= 16.04 Curtosis -0.779815 Curtosis -0.425593
s2 = 0.69 Coeficiente 0.3759333 Coeficiente -0.027326
n2 = 10 Rango 3.2 Rango 2.3
Mínimo 15.9 Mínimo 14.9
N. S. = 1% Máximo 19.1 Máximo 17.2
Suma 174.1 Suma 160.4
Cuenta 10 Cuenta 10
𝑑 ̅ =1.73
 X1 d=0 X2
-0.70 0.70

1. Hipótesis
Ho : m1-m 2 = 0
H1 : m1-m 2 ¹ 0

2. Diferencia
d= (𝑥𝐴) ̅− (𝑥𝐵) ̅
d= 1.37

3. Error de la Distribucion muestral de medias

s12 ( n1  1)  s22 ( n2  1)
Ö Ö
14.59 scomb 
scomb = 0.8107222 = 0.900
18 n1  n2  2

1 1
s x1  x 2  scomb 
s𝑥1-𝑥2  = 0.900
Ö 0.2 = 0.40
n1 n2

4. NS --> t
N. S. = 0.90 t= 1.734 Fx: Estadistica/INV.T.2C
a= 0.10
gl = 18

4. Puntos "X"
X1 = 0 - 1.734*0.4
X1 = -0.70

X2= 0 + 1.734*0.4
X2= 0.70

5. Comparación

t critico VS t Muestra
1.734 3.40
X critico 𝑑

-0.70
0.70 1.37

6. Conclusión
Cae en zona de Rechazo
Ho = ý El plan A tiene mejor rendimiento que el Plan B
H1 = þ
B. ESTIMACION POR INTERVALO DE CONFIANZA

B.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

B.2.3. P. H. para la Varianza

15) Suponga que una compañía farmacéutica quiere que la desviación estándar de las potencias en cualquier
lote de tabletas no sea mayor que 1.40 ¿Se puede rechazar esta hipótesis a un nivel de significancia del
0.10 si una muestra de 30 tabletas tiene una varianza de 2.1583?

Datos
2 =31.93

* Población 1. Hipótesis
m = Ho : s2 = 1.96
s= 1.4 H1 : s2 ≥ 1.96

* Muestra 2. NS --> c2 (Critico)

𝑥 ̅ = N. S. = 0.10
s =
2 2.1583 a= 0.10 c2 = 39.09
n= 30 gl = 29
c 2
cola Der 39.09 Fx: Estadistica/INV.CHICUAD.CD
N. S. = 0.1
3. c2 Calculado

62.5907
c2 = (n  1)s 2
1.96  
2

2
c2 = 31.93

4. Comparación

c2 critico VS c2 calculado
39.087 31.93

5. Conclusión
Cae en zona de Aceptación
Ho = þ La muestra no queda rechaza
H1 = ý
𝑥 ̅
B. ESTIMACION POR INTERVALO DE CONFIANZA

B.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

B.2.3. P. H. para el Cociente de la Varianza

16) ¿Son iguales las varianzas de dos poblaciones de edades de los artículos en inventario o la población 2
tiene una mayor varianza? Para contestar esta pregunta, se toman unas muestras aleatorias de artículos
de cada población de inventario y se calculan las varianzas muestrales. La prueba ha de llevarse a cabo
con un nivel de significancia de 0.01. Los resultados de las muestras son

Sucursal 1 Sucursal 2
Tamaño de muestra 21 25
Desviación estándar 3.79 2.48
𝐹=2.335

Datos 1. Hipótesis
Ho : s12 - s 2
2
= 0
* Muestra S1 H1 : s12 - s 2
2
≥ 0
s1 = 3.79
n1 = 21 2. NS --> F (Critico)
N. S. = 0.01
a= 0.01 Fcritico=2.74
* Muestra S2 n1 = 21
s2 = 2.48 gl S1= 20
n2 = 25 n2 = 25
gl S2= 24
F= 2.738 Fx: Estadistica/INV.F.CD
N. S. = 1%

3. F Calculado s12
F 2
14.3641 s2
F=
6.1504

F= 2.335

4. Comparación
F critico VS F calculado
2.738 2.34

5. Conclusión
Cae en zona de Aceptación
Ho = þ Si son iguales las varianzas de las dos sucursales
H1 = ý
CASO DE ESTUDIO: ESTADÍSTICA DESCRIPTIVA PARA DATOS AG

La empresa Textiles Naturales, ha proporcionado los datos de ventas de sus tiendas de Lima, en prendas y valorizadas. Se requie
Frecuencia - T.D.F., grafique los resultados e interprete el comportamiento de las variables.

VENTAS GAMARR A(PZAS)

ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
2015 2126 2241 3000 1559 2486 2565 2642
2016 2091 1329 1586 1613 2860 2206 2379
2017 1864 1382 1576 1886 2358 2362 2376
2018 1596 2008 1948 1802 2068 1750 2026
2019 1394 1602 1538 1540 2394 2282 2304

VARIABLE DISCRETA

1. Seleccionar datos 2. Construir tabla

2509 TEMA 1: CONSTRUCCION DE LA TABLA DE DISTRIBUCION DE FRECUENCIA

2509 COMANDOS
2377 X max 3262 FX: ESTADISTICAS: Max
3000
2282 X min 1538 FX: ESTADISTICAS: Min
2544
2345 Rango 1724
1540
1864 n 35 FX: ESTADISTICAS: Conta
1935
1538 N° Interva m 6.10 6 FX: MATEMATICAS: Log
1792
1802 Amplitud Intervalo C 287.33 288
2170 FX: ESTADISTICAS: Frecue
3000
2544 LS =LI+ (C-1) Li Ls fi Fj hi
1792 1 1537 1824 8 8 0.2286
2308 2 1825 2112 7 15 0.2000
2170 3 2113 2400 9 24 0.2571
1559 4 2401 2688 8 32 0.2286
1864 5 2689 2976 0 32 0.0000
2384 6 2977 3264 3 35 0.0857
1750 35 1.0000
2565
2090 TEMA 2: MEDIDAS DE TENDENCIA CENTRAL
2026
2486 Li Ls fi Xi Xi.fi
1586 1537 1824 8 1680.50 13444.00
3262 1825 2112 7 1968.50 13779.50
2379 Mediana/ Moda 2113 2400 9 2256.50 20308.50
1990 2401 2688 8 2544.50 20356.00
2384 2689 2976 0 2832.50 0.00
2544 2977 3264 3 3120.50 9361.50
1935 35 77249.50
2509

TEMA 3: MEDIDAS DE VARIABILIDAD

Li Ls fi Xi Xi-Med
1537 1824 8 1680.50 -526.63
1825 2112 7 1968.50 -238.63
2113 2400 9 2256.50 49.37
2401 2688 8 2544.50 337.37
2689 2976 0 2832.50 625.37
2977 3264 3 3120.50 913.37
35

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.1. ESTIMACION PARA MUESTRAS GRANDES

A.1.1. Estimación de Intervalo para la Media

Datos 1. Error de la Distribucion muestral de medias

* Población 0.00 
m =
sx
Ö
x 
n
s =
sx #DIV/0!

* Muestra 2. NC --> Z
𝑥 ̅= N.C. =
s= z=0
n=
Z=
3. Intervalo Confianza
N.C. =
z= Li = #DIV/0!
Ls = #DIV/0!
RA DATOS AGRUPADOS

das y valorizadas. Se requiere organice la data en Tablas de Distribución de

AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE TOTAL

3433 2550 2377 2345 2493 29817 12
2544 1935 2170 1988 2509 25210 24
2486 1990 2066 1792 2352 24490 36
4386 2090 2190 2016 2226 26106 48
2384 2308 3262 2540 2466 26014 60

E FRECUENCIA
OMANDOS
X: ESTADISTICAS: Max

X: ESTADISTICAS: Min X min

1538
0.33 0.33 0.33 0.33 0.33 0.33
1537
X: ESTADISTICAS: Contar 1536 1537
BALANCEAR LA TABLA
X: MATEMATICAS: Log Sturgen m=1+3.3*log(n)

C=R/m
X: ESTADISTICAS: Frecuencia

Hj Xi
0.2286 1680.5
0.4286 1968.5 288
0.6857 2256.5 288
0.9143 0.4857 2544.5 288
0.9143 2832.5 288
1.0000 3120.5 288

n 
  Fm 1 
M ed  LMed  C 2 
 fm 
 
 
 n 
k   Fm 1 
2
f X i i M ed  LMed  C
 fm


x i 1
 
n  

Fj Media 2207.13
8 C Mediana 2193.00 n/2 17.5
15 288.00 Moda 2305.00
24 288.00
32 288.00 Lo 2113 Lo 2113
32 288.00 C 288.00 C 288.00
35 288.00 n 35 d1 = 9-7 2
Fj-1 15 d2 = 9-8 1
fm 9

2
(Xi-Med)2 fi.(Xi-Med)2 Varianza 172929.78 prendas2  k _

277337.65 2218701.22 DE 415.85 Variabilidad  f i i

X  x 

56943.60 398605.17 CV 18.84 s 
2 i 1

n
2437.54 21937.84
113819.48 910555.85
391089.42 0.00
834247.37 2502742.10 Media 2207.13 2622.98 3704
6,052,542.17 DE 415.85 Media 2207.13
CV 18.84 % 1791.28 710

Li Ls


x-m
sx
IC : x  Z 2
n
sx
 posiciones
1 52
2308 2016 2 6
2540 2068 3 48
2066 1586 4 41
2126 2394 5 8
2026 2565 6 15
2394 2376 7 48
1559 2486 8 36
1886 2345 25 7
2384 2190 26 47
2565 1538
2016 2379
2376 2068
1792 2466
2170 2304
2486 1988 9
3000 2352 8
X max 1540 3000 7
3262 3263 3264 3265
6
0.33
5
3264 OPCION 1
3263 OPCION 2 4
A 3
2
1
0
1 2

10

n  5
  Fm 1 
M ed  LMed  C 2  4
 fm 
 
  3

2
 8

n  5
  Fm 1 
M ed  LMed  C 2   d1 
 fm M  o  LMo  C   4
 d1  d 2 
 
  3

0
1 2 3

Mo Med Media

Los datos no son uniformes ni simetricos

2
_
 S 
 x
 C.V .    x100%
X Media Med Moda
2305.00
Los datos no presenta asimetria
Los datos tienen un comportamiento irregular

Rango promedio de la data

 32 1750
21 1935
44
26
25
4
14
9
37
46

Histograma Escalonado

35

30

25

20

15

10

1 2 3 4 5 6 0
1 2 3 4 5
Poligono de Frecuencias
Ojiva
40

35

30

25

20

15
 35

30

25

20

15

10

5
2 3 4 5 6
0
1 2 3 4
scalonado

4 5 6

Ojiva
4 5 6
CASO DE ESTUDIO: ESTADÍSTICA DESCRIPTIVA PARA DATOS AG

La empresa Textiles Naturales, ha proporcionado los datos de ventas de sus tiendas de Lima, en prendas y valorizadas. Se requie
Frecuencia - T.D.F., grafique los resultados e interprete el comportamiento de las variables.

VENTAS GAMARR A(PZAS)

ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
2015 2126 2241 3000 1559 2486 2565 2642
2016 2091 1329 1586 1613 2860 2206 2379
2017 1864 1382 1576 1886 2358 2362 2376
2018 1596 2008 1948 1802 2068 1750 2026
2019 1394 1602 1538 1540 2394 2282 2304

VARIABLE DISCRETA

1. Seleccionar datos 2. Construir tabla

2509 TEMA 1: CONSTRUCCION DE LA TABLA DE DISTRIBUCION DE FRECUENCIA

2509 COMANDOS
2377 X max 3262 FX: ESTADISTICAS: Max
3000
2282 X min 1538 FX: ESTADISTICAS: Min
2544
2345 Rango 1724
1540
1864 n 35 FX: ESTADISTICAS: Conta
1935
1538 N° Interva m 6.10 6 FX: MATEMATICAS: Log
1792
1802 Amplitud Intervalo C 287.33 288
2170 FX: ESTADISTICAS: Frecue
3000
2544 LS =LI+ (C-1) Li Ls fi Fj hi
1792 1 1537 1824 8 8 0.2286
2308 2 1825 2112 7 15 0.2000
2170 3 2113 2400 9 24 0.2571
1559 4 2401 2688 8 32 0.2286
1864 5 2689 2976 0 32 0.0000
2384 6 2977 3264 3 35 0.0857
1750 35 1.0000
2565
2090 TEMA 2: MEDIDAS DE TENDENCIA CENTRAL
2026
2486 Li Ls fi Xi Xi.fi
1586 1537 1824 8 1680.50 13444.00
3262 1825 2112 7 1968.50 13779.50
2379 Mediana/ Moda 2113 2400 9 2256.50 20308.50
1990 2401 2688 8 2544.50 20356.00
2384 2689 2976 0 2832.50 0.00
2544 2977 3264 3 3120.50 9361.50
1935 35 77249.50
2509

TEMA 3: MEDIDAS DE VARIABILIDAD

Li Ls fi Xi Xi-Med
1537 1824 8 1680.50 -526.63
1825 2112 7 1968.50 -238.63
2113 2400 9 2256.50 49.37
2401 2688 8 2544.50 337.37
2689 2976 0 2832.50 625.37
2977 3264 3 3120.50 913.37
35

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.1. ESTIMACION PARA MUESTRAS GRANDES

A.1.1. Estimación de Intervalo para la Media

Datos 1. Error de la Distribucion muestral de medias

* Población 415.85 
m =
sx
Ö35
x 
n
s =
sx 70.29

* Muestra 2. NC --> Z
𝑥 ̅= 2207.13 N.C. = 95%
s= 415.85 z = 1.96
n= 35
Z=
3. Intervalo Confianza
N.C. = 95%
z= 1.96 Li = 2069.36
Ls = 2344.90
RA DATOS AGRUPADOS

das y valorizadas. Se requiere organice la data en Tablas de Distribución de

AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE TOTAL

3433 2550 2377 2345 2493 29817 12
2544 1935 2170 1988 2509 25210 24
2486 1990 2066 1792 2352 24490 36
4386 2090 2190 2016 2226 26106 48
2384 2308 3262 2540 2466 26014 60

E FRECUENCIA
OMANDOS
X: ESTADISTICAS: Max

X: ESTADISTICAS: Min X min

1538
0.33 0.33 0.33 0.33 0.33 0.33
1537
X: ESTADISTICAS: Contar 1536 1537
BALANCEAR LA TABLA
X: MATEMATICAS: Log Sturgen m=1+3.3*log(n)

C=R/m
X: ESTADISTICAS: Frecuencia

Hj Xi
0.2286 1680.5
0.4286 1968.5 288
0.6857 2256.5 288
0.9143 0.4857 2544.5 288
0.9143 2832.5 288
1.0000 3120.5 288

n 
  Fm1 
M ed  LMed  C  2 
 fm 
 
 
 n 
k   Fm1 
f X i i M ed  LMed  C  2 
x i 1  fm 
 
n  
Fj Media 2207.13
8 C Mediana 2193.00 n/2 17.5
15 288.00 Moda 2305.00
24 288.00
32 288.00 Lo 2113 Lo 2113
32 288.00 C 288.00 C 288.00
35 288.00 n 35 d1 = 9-7 2
Fj-1 15 d2 = 9-8 1
fm 9

2
(Xi-Med)2 fi.(Xi-Med)2 Varianza 172929.78 prendas2  k_

277337.65 2218701.22 DE 415.85 Variabilidad  f
i 1 
i  X i  x 

56943.60 398605.17 CV 18.84 s 
2

2437.54 21937.84
n
113819.48 910555.85
391089.42 0.00
834247.37 2502742.10 Media 2207.13 2622.98 3704
6,052,542.17 DE 415.85 Media 2207.13
CV 18.84 % 1791.28 710

Li Ls
2069.36 2344.90


IC : x  Z 2
x-m
sx
n
sx
 posiciones
1 28
2308 2016 2 44
2540 2068 3 15
2066 1586 4 13
2126 2394 5 27
2026 2565 6 26
2394 2376 7 35
1559 2486 8 55
1886 2345 25 8
2384 2190 26 25
2565 1538
2016 2379
2376 2068
1792 2466
2170 2304
2486 1988 9
3000 2352 8
X max 1540 3000 7
3262 3263 3264 3265
6
0.33
5
3264 OPCION 1
3263 OPCION 2 4
A 3
2
1
0
1 2

10

n  5
  Fm1 
M ed  LMed  C  2  4
 fm 
 
  3

2
 8

n  5
  Fm1 
M ed  LMed  C  2   d 
 fm  M o  LMo  C  1  4



  d1  d 2  3

0
1 2 3

Mo Med Media

Los datos no son uniformes ni simetricos

2
_
S 
i  x
 C.V .    x100%
X Media Med Moda
2305.00
Los datos no presenta asimetria
Los datos tienen un comportamiento irregular

Rango promedio de la data

 32 1750
21 1935
44
26
25
4
14
9
37
46

Histograma Escalonado

35

30

25

20

15

10

1 2 3 4 5 6 0
1 2 3 4 5
Poligono de Frecuencias
Ojiva
40

35

30

25

20

15
 35

30

25

20

15

10

5
2 3 4 5 6
0
1 2 3 4
scalonado

4 5 6

Ojiva
4 5 6
CASO DE ESTUDIO: ESTADÍSTICA DESCRIPTIVA PARA DATOS AG

La empresa Textiles Naturales, ha proporcionado los datos de ventas de sus tiendas de Lima, en prendas y valorizadas. Se requie
Frecuencia - T.D.F., grafique los resultados e interprete el comportamiento de las variables.

VENTAS GAMARR A(PZAS)

ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
2015 2126 2241 3000 1559 2486 2565 2642
2016 2091 1329 1586 1613 2860 2206 2379
2017 1864 1382 1576 1886 2358 2362 2376
2018 1596 2008 1948 1802 2068 1750 2026
2019 1394 1602 1538 1540 2394 2282 2304

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

A.2.1. Estimación de Intervalo para la Media

Datos

* Población
m =
s =

* Muestra
𝑥 ̅ =
s=
n= Li 𝑥 ̅ Ls
gl = 3.92 4.72
N. C. = 90%

1. Error de la Distribucion muestral de medias

0.0000
s
Sx
Ö12 sx 
n

Sx #DIV/0!
 Sx #DIV/0!

2. Nivel de Confianza --> t

N.C. = 90%
a= 0.10
t= Err:502 Fx: Estadistica/INV.T.2C

3. Intervalo Confianza

Li = Err:502 s
x  t ,n 1
Ls = Err:502 n
RA DATOS AGRUPADOS

das y valorizadas. Se requiere organice la data en Tablas de Distribución de

AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE TOTAL

3433 2550 2377 2345 2493 29817
2544 1935 2170 1988 2509 25210
2486 1990 2066 1792 2352 24490
4386 2090 2190 2016 2226 26106
2384 2308 3262 2540 2466 26014

2019

Media
Error típico
Mediana
Moda
Desviación estándar
Varianza de la muestra
Curtosis
Coeficiente de asimetría
Rango
Mínimo
Máximo
Suma
Cuenta
CASO DE ESTUDIO: ESTADÍSTICA DESCRIPTIVA PARA DATOS AG

La empresa Textiles Naturales, ha proporcionado los datos de ventas de sus tiendas de Lima, en prendas y valorizadas. Se requie
Frecuencia - T.D.F., grafique los resultados e interprete el comportamiento de las variables.

VENTAS GAMARR A(PZAS)

ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
2015 2126 2241 3000 1559 2486 2565 2642
2016 2091 1329 1586 1613 2860 2206 2379
2017 1864 1382 1576 1886 2358 2362 2376
2018 1596 2008 1948 1802 2068 1750 2026
2019 1394 1602 1538 1540 2394 2282 2304

A. ESTIMACION POR INTERVALO DE CONFIANZA

A.2. ESTIMACION PARA MUESTRAS PEQUEÑAS

A.2.1. Estimación de Intervalo para la Media

Datos

* Población
m =
s =

* Muestra
𝑥 ̅ = 2167.83
s= 546.3568
n= 12 Li Ls
𝑥 ̅
gl = 11 3.92 4.72
N. C. = 90%

1. Error de la Distribucion muestral de medias

546.3568
s
sx 
Sx
Ö12
n
Sx 157.71963202
 Sx 157.71963202

2. Nivel de Confianza --> t

N.C. = 90%
a= 0.10
t= 1.796 Fx: Estadistica/INV.T.2C

3. Intervalo Confianza

Li = 1884.59 s
x  t ,n 1
Ls = 2451.08 n
RA DATOS AGRUPADOS

das y valorizadas. Se requiere organice la data en Tablas de Distribución de

AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE TOTAL

3433 2550 2377 2345 2493 29817
2544 1935 2170 1988 2509 25210
2486 1990 2066 1792 2352 24490
4386 2090 2190 2016 2226 26106
2384 2308 3262 2540 2466 26014

2019

Media 2167.8333333
Error típico 157.71963202
Mediana 2306
Moda #N/A
Desviación está 546.35683201
Varianza de la 298505.78788
Curtosis -0.0722557806
Coeficiente de a 0.1836512356
Rango 1868
Mínimo 1394
Máximo 3262
Suma 26014
Cuenta 12