Instituto Tecnológico de Puebla

Estadística Inferencial I
Horario: LMV 07:00-09:00
Profesor: José Emilio Guillermo
Ortega Balbuena
Ingeniería Industrial

Alumna: Juan Manuel Chávez De

Jesús

No. Control: 19222603

PORTAFOLIO DE EVIDENCIAS
 TECNOLÓGICO NACIONAL DE MÉXICO
Instituto Tecnológico de Puebla

Nombre del formato: Código: ITPUE-AC-PO-005-02

Control de avance académico del (la) estudiante Revisión: 4
Referencia a la Norma:
Página 1 de 4

SUBDIRECCIÓN ACADÉMICA
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL
Nombre del (la) estudiante: Juan Manuel Chávez De Jesús No. Control: 19222603

Nombre del (la) Profesor(a): José Emilio Guillermo Ortega Balbuena Grupo: AEF1024g Horario: LMV 07:00-09:00
Carrera: INGENIERÍA INDUSTRIAL Aula:
Asignatura: Estadística Inferencial 1 Periodo: ENERO
2021
JUNIO

Competencia específica del curso:

Emplea los métodos de muestreo adecuado para la obtención de la muestra experimental con la finalidad de
realizar inferencias sobre la población y el desarrollo de pruebas estadísticas

Indicadores de alcance Unidad 1 Valor del indicador

1. Trabajo en equipo: 0%
2. Creatividad 20%
3. Aportaciones a las actividades académicas desarrolladas 0%
4. Pensamiento critico 0%
5. Uso de tic´s 50%
6. Desarrollo autónomo y autorregulada 30%

Evidencia del
Temas/Subtemas Fecha Fecha %P Calif Observaciones
Aprendizaje
Del Conceptos básicos
31/08/2020 y Teorema del 11/09/2020 40
Al límite central
18/09/2020 selección de la 18/09/2020
1.1 Introducción a la muestra y
Estadística Inferencial. aplicación de las 60
1.2 Muestreo: Introducción distribuciones
al muestreo y tipos de muestreo muestrales
1.3 Teorema del límite 79
central
1.4 Distribuciones
fundamentales para el muestreo:
1.4.1 Distribución muestral de la media
1.4.2 Distribución muestral de la diferencia de la media 14/12/2020
1.4.3 Distribución muestral de la proporción 2a Oportunidad
1.4.4 Distribución muestral de la diferencia de
proporciones
1.4.5 Distribución t-Student
1.4.6 Distribución muestral
de la varianza
1.4.7 Distribución muestral de
la relación de varianzas
 Indicadores de alcance Unidad 2 Valor del indicador

1. Trabajo en equipo: 0%
2. Creatividad 20%
3. Aportaciones a las actividades académicas
0%
desarrolladas
4. Pensamiento critico 0%
5. Uso de tic´s 50%
6. Desarrollo autónomo y autorregulada 30%

Evidencia del
Temas/Subtemas Fecha Fecha %P Calif Observaciones
Aprendizaje
Del Conceptos básicos
21/09/2020 del modelo de 25/09/2020 40
Al estimación
2.1 Introducción. Solución y análisis
2.2 Características de un estimador.
09/10/2020
2.3 Estimación puntual.
del problema 09/10/2020 60
2.4 Estimación por intervalos. propuesto
2.4.1 Intervalo de confianza para la media.
2.4.2 Intervalo de confianza para la diferencia de
90.4
medias.
2.4.3 Intervalos de confianza para la proporción.
2.4.4 Intervalos de confianza para la diferencia de
proporciones.
2.4.5 Intervalos de confianza para la varianza. 2a Oportunidad 14/12/2020
2.4.6 Intervalos de confianza para la relación de
varianzas.
2.5 Determinación del tamaño de muestra.
2.5.1 Basado en la media de la Población.
2.5.2 Basado en la proporción de la Población..

Indicadores de alcance Unidad 3 Valor del indicador

1. Trabajo en equipo: 0%
2. Creatividad 20%
3. Aportaciones a las actividades académicas desarrolladas 0%
4. Pensamiento critico 0%
5. Uso de tic´s 50%
6. Desarrollo autónomo y autorregulada 30%

Evidencia del
Temas/Subtemas Fecha Fecha %P Calif Observaciones
Aprendizaje
Del Conceptos
12/10/2020 básicos de 40
3.1 Introducción. Al
30/10/2020
prueba de 16/10/2020
3.2 Confiabilidad y significancia.
3.3 Errores tipo I y tipo II. Hipótesis
3.4 Potencia de la prueba. Solución y
3.5 Formulación de Hipótesis estadísticas. análisis del 60
3.6 Prueba de hipótesis para la media.
3.7 Prueba de hipótesis para la diferencia de medias.
problema 30/10/2020
3.8 Prueba de hipótesis para la proporción. propuesto
3.9 Prueba de hipótesis para la diferencia de
proporciones. 71.2
3.10 Prueba de hipótesis para la varianza.
3.11 Prueba de hipótesis para la relación de varianzas

2a Oportunidad 16/12/2020
 Indicadores de alcance Unidad 4 Valor del indicador

1. Trabajo en equipo: 0%
2. Creatividad 20%
3. Aportaciones a las actividades académicas desarrolladas 0%
4. Pensamiento critico 0%
5. Uso de tic´s 50%
6. Desarrollo autónomo y autorregulada 30%

Evidencia del
Temas/Subtemas Fecha Fecha %P Calif Observaciones
Aprendizaje
Del Conceptos
02/11/2020 básicos de las
. 4.1 Bondad de ajuste. Al pruebas 40
20/11/2020 06/11/2020
4.1.1 Análisis Ji-Cuadrada. paramétricas y
4.1.2 Prueba de independencia. no paramétricas
4.1.3 Prueba de la bondad del ajuste.
Solución y
4.1.4 Tablas de contingencia.
4.2 Pruebas no paramétricas. análisis del 60
producto 20/11/2020
4.2.1 Escala de medición.
4.2.2 Métodos estadísticos contra no paramétricos. asignado
4.2.3 Prueba de Kolmogorov – Smirnov.
4.2.4 Prueba de Anderson – Darling.
100
4.2.5 Prueba de Ryan – Joiner.

4.2.6 Prueba de Shappiro – Wilk.

2a Oportunidad 16/12/2020

Indicadores de alcance Unidad 5 Valor del indicador

1. Trabajo en equipo: 0%
2. Creatividad 20%
3. Aportaciones a las actividades académicas desarrolladas 0%
4. Pensamiento critico 0%
5. Uso de tic´s 50%
6. Desarrollo autónomo y autorregulada 30%

Evidencia del
Temas/Subtemas Fecha Fecha %P Calif Observaciones
Aprendizaje
Del Conceptos 40
5.1 Prueba de hipótesis en la regresión lineal simple. 23/11/2020 básicos de
5.2 Calidad del ajuste en regresión lineal simple. Al regresión lineal 27/11/2020
5.3 Estimación y predicción por intervalo en 11/12/2020 simple
regresión lineal simple. Solución y análisis
del problema 04/12/2020 60
asignado

76
 2a Oportunidad 18/12/2020

Observaciones:

Bibliografía y apoyos didácticos:

Antología, software MINITAB 17

Cengage Learning.
2. Box, G. E. P. (2008). Estadística para investigadores : Diseño, innovación y descubrimiento.
(2ª. Ed.). España : Reverté
3. Berenson, M. (2006). Estadística para administración. (4ª. ed.) México : Pearson Educación.
4. Carot, V. (2006). Control estadístico de la calidad. España : Alfaomega.
5. Devore, J. L. (2012) Probabilidad y estadística para ingenierías y ciencia. (8ª. ed.) México
: Cengage Learning.
6. Fernández, A
 Competencia a desarrollar

Competencia específica de la asignatura

Emplea los métodos de muestreo adecuados para la obtención de la muestra experimental con la
finalidad de realizar inferencias sobre la población y el desarrollo de pruebas estadísticas.

1. Competencias previas
Aplica los conceptos de la teoría de la probabilidad y estadística para organizar, clasificar, analizar e interpretar
datos para la toma decisiones en aplicaciones de industrial y logística.

2. Temario
No. Temas Subtemas
1 Distribuciones Fundamentales para el 1.1 Introducción a la Estadística Inferencial
Muestreo. Muestreo: Introducción al muestreo y tipos de
muestreo.
1.3 Teorema del límite central.
1.4 Distribuciones fundamentales para el muestreo.
1.4.1 Distribución muestral de la media.
1.4.2 Distribución muestral de ladiferencia de
medias.
1.4.3 Distribución muestral de la proporción.
1.4.4 Distribución muestral de la diferencia
de proporciones.
1.4.5 Distribución t-student.
1.4.6 Distribución muestral de la varianza.
1.4.7 Distribución muestral de la relación de
varianzas.
2 Estimación. 2.1 Introducción.
2.2 Características de un estimador.
2.3 Estimación puntual.
2.4 Estimación por intervalos.
2.4.1 Intervalo de confianza para la media.
2.4.2 Intervalo de confianza para la diferencia de
medias.
2.4.3 Intervalos de confianza para la proporción.
2.4.4 Intervalos de confianza para la diferencia de
proporciones.
2.4.5 Intervalos de confianza para la varianza.
2.4.6 Intervalos de confianza para la relación de
varianzas.
2.5 Determinación del tamaño de muestra.
2.5.1 Basado en la media de la Población.
2.5.2 Basado en la proporción de la Población.
 3 Pruebas de hipótesis. 3.1 Introducción.
3.2 Confiabilidad y significancia.
3.3 Errores tipo I y tipo II.
3.4 Potencia de la prueba.
3.5 Formulación de Hipótesis estadísticas.
3.6 Prueba de hipótesis para la media.
3.7 Prueba de hipótesis para la diferencia de medias.
3.8 Prueba de hipótesis para la proporción.
Prueba de hipótesis para la diferencia de
proporciones.
3.10 Prueba de hipótesis para la varianza.
3.11 Prueba de hipótesis para la relación de varianzas.
4 Pruebas de bondad de ajuste y pruebas 4.1 Bondad de ajuste.
no paramétricas. 4.1.1 Análisis Ji-Cuadrada.
4.1.2 Prueba de independencia.
4.1.3 Prueba de la bondad del ajuste.
4.1.4 Tablas de contingencia.
4.2 Pruebas no paramétricas.
4.2.1 Escala de medición.
4.2.2 Métodos estadísticos contra no paramétricos.
4.2.3 Prueba de Kolmogorov – Smirnov.
4.2.4 Prueba de Anderson – Darling.
4.2.5 Prueba de Ryan – Joiner.
4.2.6 Prueba de Shappiro – Wilk.
5 Regresión Lineal Simple. 5.1 Prueba de hipótesis en la regresión lineal simple.
5.2 Calidad del ajuste en regresión lineal simple.
Estimación y predicción por intervalo en
regresión lineal simple.

3. Actividades de aprendizaje de los temas

Distribuciones Fundamentales para el Muestreo.
Competencias Actividades de aprendizaje
Competencia específica:  Buscar información sobre conceptos
Escoge el tipo de muestreo al que corresponde un relacionados con el muestreo.
experimento según la selección de la variable de  Discutir en grupo sobre los conceptos
estudio para observar su comportamiento. investigados.
 Distinguir entre muestreo aleatorio
Competencias genéricas: probabilístico y no probabilístico.
 Capacidad de abstracción, análisis y  Proporcionar al estudiante situaciones
síntesis. hipotéticas de procesos y/o poblaciones
 Capacidad de aplicar los conocimientos en finitas para que obtengan un conjunto de
la práctica. datos para su análisis.
 Capacidad para identificar, plantear y  Obtener los valores de probabilidad de t,
resolver problemas. χ2, F y Z de las diferentes distribuciones
muestrales.
 Interpretar los resultados obtenidos.
  Utilizar TIC’s para obtener las
probabilidades de las diferentes
distribuciones a utilizar.

Estimación.
Competencias Actividades de aprendizaje
Competencia específica:  Buscar información sobre conceptos
Aplica los fundamentos de la teoría de estimación relacionados con estimación.
en problemas que requieran el cálculo del tamaño  Discutir en grupo sobre los conceptos
de la muestra para determinar los diferentes investigados.
intervalos de confianza según la variable que se  Dado un conjunto de datos diferenciar la
está analizando en procesos industriales y importancia de utilizar estimadores
logísticos. puntuales y estimadores por intervalos.
 Proporcionar al estudiante situaciones
Competencias genéricas: hipotéticas de procesos y/o poblaciones
 Capacidad de abstracción, análisis y finitas para que obtengan un conjunto de
síntesis. datos para establecer una estimación por
 Capacidad de aplicar los conocimientos en intervalo dependiendo la variable que se
la práctica. está midiendo con el fin de obtener la
 Capacidad para identificar, plantear y muestra definitiva.
resolver problemas.  Interpretar el significado de los intervalos
de confianza para: la media, diferencia de
medias, la proporción, diferencia de
proporciones, varianza y relación de
varianzas.
 Utilizar TIC’s para obtener intervalos de
confianza y tamaños de muestra.

Pruebas de Hipótesis
Competencias Actividades de aprendizaje
Competencia específica:  Buscar información sobre conceptos
Realiza pruebas de hipótesis para comparar si los relacionados con pruebas de hipótesis.
valores de los estadísticos obtenidos de una  Discutir en grupo sobre los conceptos
muestra tienen una diferencia significativa con un investigados.
valor supuesto asumiendo cierto nivel de  Formular y resolver ejercicios aplicando la
confianza y tomando en cuenta los criterios de metodología de prueba de hipótesis para la
aceptación o rechazo en problemas de la industria variable que se está midiendo y obtener
y la logística que involucren errores tipo I o tipo tamaño de muestra para diferentes
II. situaciones error tipo I, error tipo II y
potencia de la prueba.
Competencias genéricas:  Simular un caso en donde se genere una
 Capacidad de abstracción, análisis y hipótesis para una situación en donde el
síntesis. interés pueda ser, la media, diferencia de
 Capacidad de aplicar los conocimientos en medias, proporción, diferencia de
la práctica. proporciones, varianza y relación de
 Capacidad para identificar, plantear y varianzas:
 resolver problemas. o Generar datos del caso.
o Probar la hipótesis del caso.
o Obtener conclusiones.
o Cambiar el tamaño de muestra y
mostrar su impacto.
 Utilizar TIC’s para realizar la prueba
de hipótesis.

Pruebas de bondad de ajuste y pruebas no paramétricas.

Competencias Actividades de aprendizaje
Competencia específica:  Buscar información sobre conceptos
Realiza pruebas de bondad de ajuste y no relacionados con pruebas de bondad de
paramétricas para determinar si el comportamiento ajuste y pruebas no paramétricas.
de un experimento se adecua a una distribución  Discutir en grupo sobre los conceptos
determinada en procesos de la industria y la investigados.
logística.  Resolver ejercicios aplicando:
o Prueba χ2.
Competencias genéricas: o Prueba de Kolmogorov-Smirnov.
 Capacidad de abstracción, análisis y o prueba de Anderson Darling.
síntesis. o Prueba de Ryan – Joiner.
 Capacidad de aplicar los conocimientos en o Prueba de Shappiro – Wilk.
la práctica.  Dado un conjunto de datos: aplicar las
 Capacidad para identificar, plantear y pruebas, analizar los resultados y
resolver problemas. contrastar las pruebas.
 Utilizar TIC’s para realizar las pruebas de
bondad y ajuste y pruebas no paramétricas.

Regresión lineal simple.

Competencias Actividades de aprendizaje
Competencia específica:  Buscar información sobre conceptos
Utiliza el diagrama de dispersión de datos relacionados con la regresión lineal simple.
bivariados de un experimento para hacer una  Discutir en grupo sobre los conceptos
estimación en procesos de la industria y la investigados.
logística aplicando los conceptos de regresión  Utilizar un modelo de regresión para
lineal simple. propósitos de estimación y predicción para
analizar la relación entre dos variables.
Competencias genéricas:  Comprender la importancia del análisis de
 Capacidad de abstracción, análisis y regresión lineal simple.
síntesis.  Aplicar las pruebas de hipótesis para
 Capacidad de aplicar los conocimientos en evaluar su calidad de ajuste.
la práctica.  Utilizar TIC’s para realizar la regresión
 Capacidad para identificar, plantear y lineal simple.
resolver problemas.
4. Práctica(s)
Proyecto de investigación en el que utilice los conceptos de muestreo.
Determinación de parámetros de la muestra y sus estimadores.
Pruebas de hipótesis, determinación del error tipo I y tipo II.
Pruebas de bondad de ajuste.
Determinar la relación entre variables por el análisis de regresión.
Problemas propuestos en el curso en el área logística e industrial, con análisis de resultados obtenidos en cada
tema utilizando TIC’s.

TIC’s propuestos a utilizar:

Microsoft Excel
Statgraphics

5. Proyecto de asignatura
El objetivo del proyecto que planteé el docente que imparta esta asignatura, es demostrar el desarrollo y alcance de la(s) co
Fundamentación: marco referencial (teórico, conceptual, contextual, legal) en el cual se fundamenta el proyecto de acuerdo
Planeación: con base en el diagnóstico en esta fase se realiza el diseño del proyecto por parte de los estudiantes con asesorí
Ejecución: consiste en el desarrollo de la planeación del proyecto realizada por parte de los estudiantes con asesoría del doc
Evaluación: es la fase final que aplica un juicio de valor en el contexto laboral-profesión, social e investigativo, ésta se debe r

6. Evaluación por competencias

Las técnicas, herramientas y/o instrumentos sugeridos que permiten obtener el producto del desarrollo las
actividades de aprendizaje: mapas conceptuales, reportes de prácticas, estudios de casos, exámenes,
exposiciones en clase, problemarios, portafolio de evidencias, proyecto de asignatura o integrador y
cuestionarios.

Las técnicas, herramientas y/o instrumentos sugeridos que me permite constatar el logro o desempeño de las
competencias del estudiante: listas de cotejo, listas de verificación, matrices de valoración, guías de
7. Fuentes de información
1. Anderson, D. R. (2008). Estadística para administración y economía. (10ª. ed.)
México : Cengage Learning.
2. Box, G. E. P. (2008). Estadística para investigadores : Diseño, innovación y
descubrimiento. (2ª. Ed.). España : Reverté
3. Berenson, M. (2006). Estadística para administración. (4ª. ed.) México : Pearson Educación.
4. Carot, V. (2006). Control estadístico de la calidad. España : Alfaomega.
5. Devore, J. L. (2012) Probabilidad y estadística para ingenierías y ciencia. (8ª. ed.) México
: Cengage Learning.
6. Fernández, A. M. (2006). Ejercicios de econometría. (2006). España : McGraw-Hill.
7. Gamiz, B. E. (2012). Probabilidad y estadística con prácticas en Excel. (3ª. ed). México :
JIT Press.
8. Gujarati, D. (2010). Econometría. (5ª. Ed.). México : McGraw-Hill.
9. Gutiérrez, P. H. (2012). Análisis y diseño de experimentos. (3ª. ed.) México : McGraw-Hill
10. Gutiérrez, P. H. (2009). Control estadístico de calidad y seis sigma. (2ª. ed) México :
McGraw- Hill.
11. Hines, W. (2009) Probabilidad y estadística para ingeniería (4ª. ed.) México : CECSA :
Grupo Editorial Patria.
12. Johnson, R. A. (2012) Probabilidad y estadística para ingenieros. (8ª. ed.) México :
Pearson Educación.
13. Kazmier, L. (2006). Estadística aplicada a administración y economía. (4ª. ed.)
México : McGraw-Hill.
14. Larson, H. J. (1992). Introducción a la teoría de probabilidades e inferencia
estadística. México : Limusa.
15. Levine, D. M. (2010) Estadística para administración y economía. (7ª. ed.) México :
Pearson Educación.
16. Mendenhall, W. (2010). Introducción a la Probabilidad y Estadística. (13ª. ed.)
México: Cengage Learning.
17. Montgomery, D. C. (2011). Probabilidad y estadística aplicadas a la ingeniería. (2ª.
ed.) México : Limusa : Wiley.
18. Quezada, L. (2010). Estadística para ingenieros. México : Empresa Editora Macro.
19. Rodríguez, F. J. (2008). Estadística para administración. México : Grupo Editorial Patria.
20. Ross, S. M. (2002). Probabilidad y estadística para ingenieros. México : McGraw-Hill.
21. Salvatore, D. (2004). Estadística y econometría. (2ª. Ed.). España : McGraw-Hill.
22. Spiegel, M. (2010). Fórmulas y tablas de matemática aplicada. (3ª. ed.) México : McGraw-Hill
23. Spiegel, M. (2010). Teoría y problemas de Probabilidad y estadística. (3ª. Ed.)
México : McGraw-Hill.
24. Wackerly, D. D. (2010). Estadística matemática con aplicaciones. (7ª. ed.) México :
Cengage Learning.
25. Walpole, R. E. (2012). Probabilidad y estadística para ingeniería y ciencias. (9ª. ed) México
: Pearson Educación.
 UNIDAD 1

Distribuciones
fundamentales
para el
muestreo
COMPETENCIAS POR DESARROLLAR
El alumno es competente si:
1. Define conceptos básicos como: población estadística, parámetros,
muestra, estadísticos, error de muestreo, error estándar, etc.
2. Determina las diferencias entre los métodos de muestreo aleatorio.
3. Calcula los parámetros de una población conocida (media, proporción, varianza
y desviación estándar).
4. Determina el número total de muestras distintas de tamaño n posibles de
extraer de una población N conocida.
5. Calcula los estadísticos de una muestra conocida (media, proporción, varianza y
desviación estándar).
6. Calcula la media y el error estándar de muestreo de las diferentes
distribuciones muestrales.
7. Concluye sobre el Teorema del Límite Central para hacer juicios sobre la
probabilidad
de estar en lo correcto cuando se hacen inferencias.
8. Realiza cálculos adecuado de probabilidad en el ámbito de las distribuciones
muestrales
de medias, proporciones, etc.
9. Hace uso adecuado de software estadístico, en apoyo a la solución de casos
que requieran del uso de las distribuciones muestrales.
10. Trabaja asertivamente en lo individual y en equipo.
Introducción a la estadística Inferencial
ESTADÍSTICA
La Estadística es una ciencia formal que estudia la recolección, análisis e
interpretación de datos de una muestra representativa, ya sea para ayudar en la
toma de decisiones o para explicar condiciones regulares o irregulares de algún
fenómeno o estudio aplicado, de ocurrencia en forma aleatoria o condicional. Sin
embargo, la estadística es más que eso, es decir, es el vehículo que permite llevar
a cabo el proceso relacionado con la investigación científica.
Es transversal a una amplia variedad de disciplinas, desde la física hasta las
ciencias sociales, desde las ciencias de la salud hasta el control de calidad. Se
usa para la toma de decisiones en áreas de negocios o instituciones
gubernamentales.
La estadística descriptiva: se dedica a la descripción, visualización y resumen de
datos originados a partir de los fenómenos de estudio. Los datos pueden ser
resumidos numérica o gráficamente. Ejemplos básicos de parámetros estadísticos
son: la media y la desviación estándar. Algunos ejemplos gráficos son:
histograma, pirámide poblacional, gráfico circular, entre otros.
La estadística inferencial: se dedica a la generación de los modelos, inferencias y
predicciones asociadas a los fenómenos en cuestión teniendo en cuenta la
aleatoriedad de las observaciones. Se usa para modelar patrones en los datos y
extraer inferencias acerca de la población bajo estudio. Estas inferencias pueden
tomar la forma de respuestas a preguntas si/no (prueba de hipótesis),
estimaciones de unas características numéricas (estimación), pronósticos de
futuras observaciones, descripciones de asociación (correlación) o modelamiento
de relaciones entre variables (análisis de regresión). Otras técnicas de
modelamiento incluyen anova, series de tiempo y minería de datos.
IMPORTANCIA DE LA ESTADISTICA INFERENCIAL
La Estadística Inferencial puede dar respuesta a muchas de las necesidades que
la sociedad actual puede requerir. Su tarea fundamental es el análisis de los datos
que se obtienen a partir de experimentos, con el objetivo de representar la realidad
y conocerla. Permite la recolección de datos importantes para el estudio de
situaciones que se presentan a diario y permite dar respuesta a los problemas de
una forma útil y significativa.
La Estadística Inferencial se centra en tomar una pequeña muestra representativa
de la población y a partir de ésta, infiere que el resto de la población tiene el
mismo comportamiento.
En caso de que no sea factible realizar un estudio completo por cuestiones de
tiempo, recursos o costo, se puede calcular un tamaño de muestra para medir solo
algunos elementos de la población, posteriormente se infiere que el resto de la
población se comporta igual que la muestra tomada.
El hecho es que la ciencia se basa en todo aquello que se pueda constatar
empíricamente, es medible, cuantificable y se puede hacer acopio de la
información para armar cuadros estadísticos... una vez con la información
acumulada resultado de diversos experimentos verificables, se puede inferir a
partir de la información estadística... en las ciencias sociales ocurre algo
semejante en tanto es con los datos que dan las encuestas que se puede armar o
articular la información estadística e inferir resultados a partir de una muestra que
deberá ser estadísticamente representativa para que resulte una verdadera
inferencia.
Importancia de la toma de muestras.
Es de gran importancia ya que con un muestreo de toda la población se puede
examinar y sacar conclusiones en base a una pequeña parte de la misma, dando
por sentado que los resultados obtenidos en la muestra es de hecho
representativa de toda la población, una ventaja muy grande es que es mucho
más sencillo trabajar con una pequeña parte de un todo que con su totalidad.
Además, en ocasiones, el muestreo puede ser más exacto que el estudio de toda
la población porque el manejo de un menor número de datos provoca también
menos errores en su manipulación.

TEORIA DEL MUESTREO

Uno de los propósitos de la estadística inferencial es estimar las características
poblacionales desconocidas, examinando la información obtenida de una muestra,
de una población. El punto de interés es la muestra, la cual debe ser
representativa de la población objeto de estudio.
Se seguirán ciertos procedimientos de selección para asegurar de que las
muestras reflejen observaciones a la población de la que proceden, ya que solo se
pueden hacer observaciones probabilísticas sobre una población cuando se usan
muestras representativas de la misma.
Una población está formada por la totalidad de las observaciones en las cuales
se tiene cierto observa.
Una muestra es un subconjunto de observaciones seleccionadas de una
población. Muestras Aleatorias
Cuando nos interesa estudiar las características de poblaciones grandes, se
utilizan muestras por muchas razones; una enumeración completa de la población,
llamada censo, puede ser económicamente imposible, o no se cuenta con el
tiempo suficiente.
 Practica

Título de la práctica: DISTRIBUCIONES MUESTRALES

Asignatura: ESTADISTICA I
Unidad temática: DISTRIBUCIONES FUNDAMENTALES PARA Fecha: 16/12/2020
EL MUESTREO
No. de participantes recomendados: Elaboró: Andrea Velázquez Ramírez
INDIVIDUAL
Duración: Lugar: Revisó: José Emilio Guillermo Ortega Balbuena

Objetivo de la práctica:
Investigar y documentar un caso práctico ya sea de la industria o el comercio y aplicar las distribución
muestral para la: media, proporción y varianza
Introducción:
La práctica introduce al estudiante en los conceptos, teoremas y contexto de la teoría del
muestreo probabilístico y no probabilístico, así como las distribuciones fundamentales para el
muestreo
Fundamentación Teórica:
 Obtener los valores de probabilidad de t, 𝜒 2, y Z de las diferentes distribuciones
muestrales.
 Interpretar los resultados obtenidos
 Utilizar TIC’s para obtener las probabilidades de las diferentes distribuciones a utilizar
Descripción de la práctica:
El alumno deberá investigar y documentar un caso práctico ya sea de la industria o el
comercio y aplicar los conceptos aprendidos de distribuciones muestrales, utilizando Excel y
Minitab como software de solución.
Material:
 Computadora que posea Excel y Minitab
 Datos obtenidos de una fuente real (proceso de producción)( utilizar el archivo de datos
proporcionado por el docente)
Requisitos:
 El docente le asignara el producto a analizar.
 Base de datos

Procedimiento:
1. El docente asignara el producto que será estudiado por el alumno.
2. Establecer variable a estudiar.(inyecciones, piezas o tiempo de producción)
3. Del archivo datos encontrar todos los relacionados con el producto asignado.
4. Con los datos recabados formar una tabla en una hoja de Excel.
Como se muestra en la tabla siguiente:
BASE CIRC. TOBI # 1

TIEMPO
MAQUINA
PRODUCCION
14 19.19
14 17.14
14 15.88
14 13.71
14 14.59
14 17.49
14 15.7
14 15

5. Grafique los datos para identificar los datos atípicos

TIEMPO PRODUCCION
40

35

30

25

20

15

10

0
0 500 1000 1500 2000 2500

6. Realice un análisis exploratorio de los datos incluya los límites para determinar los
valores atípicos.

Análisis exploratorio

Media 12.48205238 Varianza 3.17864298

Mediana 12.33 Q1 11.64

Moda 12 Q3 13.16

Máximo 36 RIQ 1.52

Mínimo 7.75 N 2100

 Rango 28.25 LI 9.36

Desviación 1.783299565 LS 15.44

7. Una vez eliminados los valores atípicos realice un análisis descriptivo numérico.

Análisis descriptivo numérico

Media 12.33112193
Mediana 12.27
Moda 12
Varianza
1.330084448
Poblacional
Desviación
Estándar 1.153292872
Poblacional
Coeficiente
9.352700255
de Variación
Coeficiente
0.13128415
de asimetría
Coeficiente
0.06900985
de Curtosis
Cuartil 1 11.66
Cuartil 3 13.02
Máximo 15.43
Mínimo 9.42
8. Concluya si el estándar actual es vigente
Rango según su opinión:
6.01
N 1952
Nuevo estándar
12.4
µ segundos

9. Organice los datos ahora por máquina (considere que cada máquina es una muestra) y
calcule los estadísticos (𝑥̅ , s, p y n) nota: tome p como la razón (x/n), entendido x como
los turnos en los que el tiempo de producción fue menor o igual a µ
10. Utilizando la distribución muestral de la media, realice los cálculos y preséntelos en una
tabla (y concluya para cada máquina de acuerdo con la probabilidad encontrada, la que
usted considera como confiabilidad)

11. Distribución muestral de la varianza, realice los cálculos y preséntelos en un tabla ( y

concluya para cada máquina de acuerdo a la probabilidad encontrada)

12. Distribución muestral de la proporción, realice los cálculos y preséntelos en un tabla ( y

concluya para cada máquina de acuerdo a la probabilidad encontrada)

13. Establezca las prioridades de asignación de las máquinas de acuerdo a su análisis.

Prioridad
1a Maq 2 Maq 3 Maq 12 Maq 13 Maq 16 Maq 20
2a Maq 11
3a Cuales maquinas
14. Maq 5 no programar
Maq 9

No programar
 Maq 4 Maq 14 Maq 15 Maq 22

Cuestionario:
¿Cuántos turnos programaron el producto?
¿A cuales máquinas, según su opinión requieren de mantenimiento?
¿Cuáles máquinas fueron más productivas?
¿Cuántas y cuales máquinas no sugiere que se programen?
Bibliografía
Mendenhall-Beaver-Beaver
INTRODUCCIÓN A LA PROBABILIDAD Y ESTADÍSTICA
CENGAGE Learning 14ª. Edición. México 2015. Cap. 7, págs. 242-280, Cap. 8, págs. 281-
323
UNIDAD 2

Estimación
La Estadística descriptiva y la teoría de la Probabilidad van a ser los pilares de un
nuevo procedimiento (Estadística Inferencial) con los que se va a estudiar el
comportamiento global de un fenómeno. La probabilidad y los modelos de
distribución junto con las técnicas descriptivas, constituyen la base de una nueva
forma de interpretar la información suministrada por una parcela de la realidad que
interesa investigar.
En definitiva, la idea es, a partir de una población se extrae una muestra por
algunos de los métodos existentes, con la que se generan datos numéricos que se
van a utilizar para generar estadísticos con los que realizar estimaciones o
contrastes poblacionales.
Existen dos formas de estimar parámetros: la estimación puntual y la
estimación por intervalo de confianza. En la primera se busca, con base en los
datos muestrales, un único valor estimado para el parámetro. Para la segunda, se
determina un intervalo dentro del cual se encuentra el valor del parámetro, con
una probabilidad determinada.
Si el objetivo del tratamiento estadístico inferencial, es efectuar generalizaciones
acerca de la estructura, composición o comportamiento de las poblaciones no
observadas, a partir de una parte de la población, será necesario que la parcela de
población examinada sea representativa del total. Por ello, la selección de la
muestra
requiere unos requisitos que lo garanticen, debe ser representativa y aleatoria.

Estimación puntual
En adelante, se considera que la va X sigue una distribución de probabilidad
conocida de la que se desconoce el valor de alguno(s) de sus parámetros.
Ejemplo, se sabe que el número de clientes diarios de una tienda sigue una
distribución de Poisson, pero se desconoce su media. O bien, se sabe que la nota
de estadística de un curso se distribuye como una normal, pero se desconocen su
media y su varianza. Lo que se estudia en el resto del capítulo es como estimar
estos parámetros.
Propiedades de los estimadores
En algunos casos, dependiendo del método elegido, se pueden obtener distintos
estimadores para un mismo parámetro. En estas situaciones, ¿cómo se elige el
más adecuado?, al ser los estimadores v.a que dependen de una muestra
aleatoria y cuyo objetivo es estimar el valor de un parámetro , algunas
propiedades “deseables” son:
1. Que su esperanza sea el valor .

2. Que su varianza con respecto a sea la mínima posible

[Link] aproveche toda la información que aporta la
muestra.
Título de la práctica: ESTIMACIÓN POR INTERVALOS
Asignatura: ESTADISTICA NFERENCIAL I
Unidad temática: DISTRIBUCIONES FUNDAMENTALES PARA EL Fecha: 16/12/2020
MUESTREO
No. de participantes recomendados: INDIVIDUAL Elaboró: Andrea Velázquez Ramírez
Duración: Lugar: Revisó: José Emilio Guillermo Ortega Balbuena

Objetivo de la práctica:
Aplica los fundamentos de la teoría de estimación en problemas que requieran el cálculo del tamaño de la muestra
para determinar los diferentes intervalos de confianza según la variable que se está analizando en procesos
industriales y logísticos
Introducción:
Utilizando los datos resultantes de la practica uno, y complementados con los conocimientos adquiridos el
alumno reasignara prioridades de programación de las maquinas utilizadas
Fundamentación Teórica:
 Establecer una estimación por intervalo dependiendo la variable que se está midiendo con el fin de
obtener la muestra definitiva.
 Interpretar el significado de los intervalos de confianza para: la media, diferencia de medias, la
proporción, diferencia de proporciones, varianza y relación de varianzas.
 Utilizar TIC’s para obtener intervalos de confianza y tamaños de muestra.
Descripción de la práctica:
El alumno deberá investigar y documentar un caso práctico ya sea de la industria o el comercio y aplicar
los conceptos aprendidos de distribuciones muestrales, utilizando Excel y Minitab como software de
solución.
Material:
 Computadora que posea Excel y Minitab
 Datos obtenidos de una fuente real (proceso de producción) (utilizar el archivo de datos
proporcionado por el docente)
Requisitos:
 El docente le asignara el producto a analizar.
 Base de datos

Procedimiento:
15. Utilizando los datos de la practica I, incluyendo la confiabilidad.
Máquinas Promedio Desviación Varianza n x p
13.528235 0.8244506 0.679718
2 51 48 0.941176
3 2 8
1.3540556 1.833466
3 15.668 25 12 0.48
4 7
17.103571 0.3822123 0.146086
4 14 0 0
4 3 3
15.848518 0.9824999 0.965306
5 108 15 0.138889
5 7 2
1.0715570 1.148234
6 14.064375 64 54 0.84375
6 5
0.7013518 0.491894
7 16.205 10 1 0.1
7 4
13.905178 1.6050522 2.576192
11 56 34 0.607143
6 4 7
0.9953292 0.990680
12 13.88 123 102 0.829268
6 3
 14.723571 1.3917743 1.937035
13 112 65 0.580357
4 3 8
16.167391 0.8372479 0.700984
15 46 1 0.021739
3 6 2
15.253541 0.9483170 0.899305
16 96 41 0.427083
7 5 2
15.802142 0.8349060 0.697068
20 56 3 0.053571
9 1 1
0.3924580 0.154023
24 13.247 10 10 1
7 3
13.773636 1.2083647 1.460145
27 11 9 0.818182
4 9 5
Parámetros 1.4319267 2.050414
14.842468 782 395 0.505115
poblacionales 6 2

16. Ordenar de menor a mayor las medias y proceda a calcular el intervalo de confianza de la media y
presente el cuadro resultante anexando su gráfica.

Máquinas Limite inf. Limite sup. lip lsp

24 12.9662524 13.5277476 14.7421069 14.9428292

2 13.1352432 13.9212274 14.7421069 14.9428292
27 12.9618459 14.5854269 14.7421069 14.9428292
12 13.6269442 14.1330558 14.7421069 14.9428292
11 13.5301409 14.2802162 14.7421069 14.9428292
6 13.7135594 14.4151906 14.7421069 14.9428292
13 14.4583798 14.9887631 14.7421069 14.9428292
16 14.9671019 15.5399814 14.7421069 14.9428292
3 15.1090733 16.2269267 14.7421069 14.9428292
20 15.4271052 16.1771805 14.7421069 14.9428292
5 15.5784605 16.1185765 14.7421069 14.9428292
15 15.7535918 16.5811908 14.7421069 14.9428292
7 15.7032831 16.7067169 14.7421069 14.9428292
4 16.8828886 17.3242543 14.7421069 14.9428292
 intervalo de la media
18

17

16

15

14

13

12
24 2 27 12 11 6 13 16 3 20 5 15 7 4

Máquinas Promedio
17. Calculo los intervalos Li Ls y presente los resultados.
para dos medias
24 13.2470
2 13.5282 -0.0510 0.6134
27 13.7736 -0.5037 0.9945
12 13.8800 -0.6291 0.8418
11 13.9052 -0.4305 0.4809
6 14.0644 -0.3364 0.6548
13 14.7236 0.2913 1.0271
16 15.2535 0.2099 0.8500
3 15.6680 -0.1492 0.9781
20 15.8021 -0.4399 0.7082
5 15.8485 -0.2402 0.3330
15 16.1674 0.0141 0.6236
7 16.2050 -0.4599 0.5351
4 17.1036 0.4200 1.3772

18. Calcule los intervalos para las proporciones presentar la tabla y la gráfica:

Máquinas Li Ls LIP LSP

 2 0.8766 1.0000 0.4701 0.5402
3 0.2842 0.6758 0.4701 0.5402
4 0.0000 0.0000 0.4701 0.5402
5 0.0737 0.2041 0.4701 0.5402
6 0.7548 0.9327 0.4701 0.5402
7 0.0000 0.2859 0.4701 0.5402
11 0.4792 0.7351 0.4701 0.5402
12 0.7628 0.8958 0.4701 0.5402
13 0.4890 0.6718 0.4701 0.5402
15 0.0000 0.0639 0.4701 0.5402
16 0.3281 0.5260 0.4701 0.5402
20 0.0000 0.1125 0.4701 0.5402
24 1.0000 1.0000 0.4701 0.5402
27 0.5903 1.0000 0.4701 0.5402

Intervalo de proporción
1.2000
1.0000
0.8000
0.6000
0.4000
0.2000
0.0000
2 3 4 5 6 7 11 12 13 15 16 20 24 27

Li Ls LIP LSP

19. Calcule y presente los resultados en forma de tabla de los intervalos de dos proporciones:
Máquinas LI LS
24
2 -0.0058 0.1234
6 -0.0125 0.2074
12 -0.0966 0.1255
27 -0.2263 0.2485
11 -0.0503 0.4724
13 -0.1304 0.1840
3 -0.1158 0.3165
16 -0.1665 0.2723
5 0.1697 0.4067
7 -0.1582 0.2359
20 -0.1486 0.2415
 15 -0.0407 0.1043
4 -0.0204 0.0639

20. Calcule los intervalos de las varianzas y presente la tabla y la gráfica obtenidas:

Máquinas Li LS LIP LSP

2 0.4759 1.0503 1.8613 2.2700
3 1.1179 3.5483 1.8613 2.2700
4 0.0768 0.3792 1.8613 2.2700
5 0.7511 1.2868 1.8613 2.2700
6 0.8331 1.6842 1.8613 2.2700
7 0.2327 1.6394 1.8613 2.2700
11 1.8311 3.8928 1.8613 2.2700
12 0.7825 1.2951 1.8613 2.2700
13 1.5136 2.5678 1.8613 2.2700
15 0.4823 1.1120 1.8613 2.2700
16 0.6898 1.2218 1.8613 2.2700
20 0.4955 1.0533 1.8613 2.2700
24 0.0729 0.5133 1.8613 2.2700
27 0.7129 4.4969 1.8613 2.2700

intervalos de varianzas
5.0000
4.0000
3.0000
2.0000
1.0000
0.0000
2 3 4 5 6 7 11 12 13 15 16 20 24 27

Li LS LIP LSP

21. Calcule los intervalos de dos varianzas y preséntelas en una tabla.

Máquinas LI LS
4
24 0.3112 2.5745
7 0.0985 0.9954
2 0.3490 2.0283
 20 0.6182 1.5471
15 0.6162 1.5842
16 0.5194 1.2142
5 0.6714 1.2976
12 0.7164 1.3301
6 0.5928 1.2255
27 0.3005 1.5607
3 0.3532 2.1799
13 0.5858 1.6981
11 0.5036 1.0905

22. Establezca las prioridades de asignación de las máquinas de acuerdo a su análisis.

Prioridad Maq
1 2
2 12
3 6
4 11
5 13

23. Cuales maquinas no programar

No programar Maq
3 16
4 20
5 24
7 27
15
Cuestionario:
¿Cambio la asignación de las maquinas en comparación de la practica I , porque ?
¿A cuales máquinas, según su opinión requieren de mantenimiento?
¿Cuáles máquinas fueron más productivas?
¿Cuántas y cuales máquinas no sugiere que se programen?
Bibliografía
Mendenhall-Beaver-Beaver
INTRODUCCIÓN A LA PROBABILIDAD Y ESTADÍSTICA
CENGAGE Learning 14ª. Edición. México 2015. Cap 8, pags. 281-322.
Unidad 3

Pruebas de
hipótesis
La aplicación de cálculos probabilísticos permite determinar a partir de qué valor
debemos rechazar la hipótesis garantizando que la probabilidad de cometer un
error es un valor conocido a priori. Las hipótesis pueden clasificarse en dos
grupos, según:
Especifiquen un valor concreto o un intervalo para los parámetros del modelo.
Determinen el tipo de distribución de probabilidad que ha generado los datos.
Planteamiento clásico del contraste de hipótesis
Se denomina hipótesis nula {\displaystyle H_{0}\,}H_{0}\, a la hipótesis que se
desea contrastar. El nombre de "nula" significa “sin valor, efecto o consecuencia”,
lo cual sugiere que {\displaystyle H_{0}\,}H_{0}\, debe identificarse con la hipótesis
de no cambio (a partir de la opinión actual); no diferencia, no mejora, etc. {\
displaystyle H_{0}\,}H_{0}\, representa la hipótesis que mantendremos a no ser
que los datos indiquen su falsedad, y puede entenderse, por tanto, en el sentido
de “neutra”. La hipótesis {\displaystyle H_{0}\,}H_{0}\, nunca se considera probada,
aunque puede ser rechazada por los datos. Por ejemplo, la hipótesis de que dos
poblaciones tienen la misma media puede ser rechazada fácilmente cuando
ambas difieren mucho, analizando muestras suficientemente grandes de ambas
poblaciones, pero no puede ser "demostrada" mediante muestreo, puesto que
siempre cabe la posibilidad de que las medias difieran en una cantidad {\
displaystyle \delta }\delta lo suficientemente pequeña para que no pueda ser
detectada, aunque la muestra sea muy grande.
A partir de una muestra de la población en estudio, se extrae un estadístico (esto
es, un valor que es función de la muestra) cuya distribución de probabilidad esté
relacionada con la hipótesis en estudio y sea conocida. Se toma entonces como
región de rechazo al conjunto de valores que es más improbable bajo la hipótesis,
esto es, el conjunto de valores para el que rechazaremos la hipótesis nula si el
valor del estadístico observado entra dentro de él.
Una hipótesis es una declaración sobre el valor de un parámetro de población
desarrollado con el propósito de prueba. Ejemplos de hipótesis acerca de un
parámetro de población son:
El ingreso mensual promedio de analistas de sistemas es $3.625.
El veinte por ciento de todos los clientes Chop House regresa para otra comida
dentro de un mes.
Prueba de hipótesis es un procedimiento, basado en la evidencia disponible
muestral y la teoría de las probabilidades, utilizada para determinar si la hipótesis,
es un enunciado razonable y no debe ser rechazada, o no es razonable y debe
rechazarse.
 Pasos de la prueba de hipótesis
-Determinar la Hipótesis Nula y la Alternativa correspondiente
-Seleccionar el nivel de significancia (α)
-Identificar la prueba correspondiente
-Determinar las regiones críticas para contrastar la hipótesis y calcular los
estadísticos de Prueba
-Tomar la decisión
Título de la práctica: PRUEBAS DE HIPÓTESIS
Asignatura: ESTADISTICA NFERENCIAL I
Unidad temática: PRUEBAS DE HIPÓTESIS Fecha: 16/12/2020
No. de participantes recomendados: INDIVIDUAL Elaboró: Andrea Velázquez Ramírez
Duración: Lugar: Revisó: José Emilio Guillermo Ortega Balbuena

Objetivo de la práctica:
Desarrollar los procedimientos estadísticos para las pruebas de hipótesis sobre un parámetro poblacional (media,
proporción y varianza).

Desarrollar los procedimientos estadísticos para las pruebas de hipótesis que evalúan la diferencia

entre dos parámetros poblacionales (medias, proporciones y varianzas).

Introducción:
Utilizando los datos resultantes de la practica dos, y complementados con los conocimientos adquiridos el
alumno reasignara prioridades de programación de las maquinas utilizadas, utilizando la metodología de
las pruebas de hipótesis.
Fundamentación Teórica:
 Desarrollar los procedimientos estadísticos para las pruebas de hipótesis sobre un parámetro
poblacional (media, proporción y varianza).

 Desarrollar los procedimientos estadísticos para las pruebas de hipótesis que evalúan la diferencia
entre dos parámetros poblacionales (medias, proporciones y varianzas).
Descripción de la práctica:
El alumno deberá investigar y documentar un caso práctico ya sea de la industria o el comercio y aplicar
los conceptos aprendidos de distribuciones muestrales, utilizando Excel y Minitab como software de
solución.
Material:
 Computadora que posea Excel y Minitab
 Datos obtenidos de una fuente real (proceso de producción)( utilizar el archivo de datos
proporcionado por el docente)
Requisitos:
 El docente le asignara el producto a analizar.
 Base de datos

Procedimiento:
24. Utilizando los datos de la practica 1, incluyendo la confiabilidad.
Máquinas Promedio Desviación Varianza n x p
13.528235 0.8244506 0.679718
2 51 48 0.941176
3 2 8
1.3540556 1.833466
3 15.668 25 12 0.48
4 7
17.103571 0.3822123 0.146086
4 14 0 0
4 3 3
15.848518 0.9824999 0.965306
5 108 15 0.138889
5 7 2
1.0715570 1.148234
6 14.064375 64 54 0.84375
6 5
 0.7013518 0.491894
7 16.205 10 1 0.1
7 4
13.905178 1.6050522 2.576192
11 56 34 0.607143
6 4 7
0.9953292 0.990680
12 13.88 123 102 0.829268
6 3
14.723571 1.3917743 1.937035
13 112 65 0.580357
4 3 8
16.167391 0.8372479 0.700984
15 46 1 0.021739
3 6 2
15.253541 0.9483170 0.899305
16 96 41 0.427083
7 5 2
15.802142 0.8349060 0.697068
20 56 3 0.053571
9 1 1
0.3924580 0.154023
24 13.247 10 10 1
7 3
13.773636 1.2083647 1.460145
27 11 9 0.818182
4 9 5
Parámetros 1.4319267 2.050414
14.842468 782 395 0.505115
poblacionales 6 2

25. Aplicar la prueba de Hipótesis de una media y presentar los resultados.

H0: µ= 14.8
H1: µ≠ 14.8
Calculado
Máquinas Promedio Desviación n tc Zc Calculado talfa Zalfa Alfa Decisión
24 13.2 0.3925 10 -12.86 -3.52 -12.86 2.26 1.96 2.26 Optimo
2 13.5 0.8245 51 -11.38 -6.55 -6.55 2.01 1.96 1.96 Optimo
27 13.8 1.2084 11 -2.93 -2.48 -2.93 2.23 1.96 2.23 Optimo
12 13.9 0.9953 123 -10.72 -7.45 -7.45 1.98 1.96 1.96 Optimo
11 13.9 1.6051 56 -4.37 -4.90 -4.90 2.00 1.96 1.96 Optimo
6 14.1 1.0716 64 -5.81 -4.35 -4.35 2.00 1.96 1.96 Optimo
13 14.7 1.3918 112 -0.90 -0.88 -0.88 1.98 1.96 1.96 Buena
16 15.3 0.9483 96 4.25 2.81 2.81 1.99 1.96 1.96 Mala
3 15.7 1.3541 25 3.05 2.88 3.05 2.06 1.96 2.06 Mala
20 15.8 0.8349 56 8.60 5.02 5.02 2.00 1.96 1.96 Mala
5 15.8 0.9825 108 10.64 7.30 7.30 1.98 1.96 1.96 Mala
15 16.2 0.8372 46 10.73 6.28 6.28 2.01 1.96 1.96 Mala
7 16.2 0.7014 10 6.14 3.01 6.14 2.26 1.96 2.26 Mala
4 17.1 0.3822 14 22.14 5.91 22.14 2.16 1.96 2.16 Mala
Parámetro
s
poblacion 14.8 1.4319 782
ales
 26. Realice los cálculos y tome las decisiones correspondientes para la prueba de hipótesis de la
proporción.
H0: p= 0.51
H1: p≠ 0.51
Máquinas n x p Zc Zalfa Decisión
24 10 10 1.00 3.13 1.96 Optimo
2 51 48 0.94 6.23 1.96 Optimo
27 11 9 0.82 2.08 1.96 Optimo
12 123 102 0.83 7.19 1.96 Optimo
11 56 34 0.61 1.53 1.96 Optimo
6 64 54 0.84 5.42 1.96 Optimo
13 112 65 0.58 1.59 1.96 Optimo
16 96 41 0.43 -1.53 1.96 Optimo
3 25 12 0.48 -0.25 1.96 Optimo
20 56 3 0.05 -6.76 1.96 Mala
5 108 15 0.14 -7.61 1.96 Mala
15 46 1 0.02 -6.56 1.96 Mala
7 10 1 0.10 -2.56 1.96 Mala
4 14 0 0.00 -3.78 1.96 Mala
Parámetros
poblacionales 782 395 0.505115

27. Realice los cálculos y tome las decisiones correspondientes para la prueba de hipótesis de la
varianza.
H0: σ2= 2.0504
H1: σ2≠ 2.0504

chi2 Chi2 1-
Máquinas Desviación n Varianza
alfa/2 alfa/2
Chi2 cal Decisión

24 0.3925 10 0.15 2.70 19.02 0.68 Optima

2 0.8245 51 0.68 32.36 71.42 16.58 Optima
27 1.2084 11 1.46 3.25 20.48 7.12 Buena
12 0.9953 123 0.99 93.32 154.46 58.95 Optima
11 1.6051 56 2.58 36.40 77.38 69.10 Buena
6 1.0716 64 1.15 42.95 86.83 35.28 Optima
13 1.3918 112 1.94 83.74 142.05 104.86 Buena
16 0.9483 96 0.90 69.92 123.86 41.67 Optima
3 1.3541 25 1.83 12.40 39.36 21.46 Buena
20 0.8349 56 0.70 36.40 77.38 18.70 Optima
5 0.9825 108 0.97 80.27 137.52 50.37 Optima
15 0.8372 46 0.70 28.37 65.41 15.38 Optima
7 0.7014 10 0.49 2.70 19.02 2.16 Optima
 4 0.3822 14 0.15 5.01 24.74 0.93 Optima
Parámetros
1.4319 782 2.0504
poblacionales

28. Realice los cálculos y tome las decisiones correspondientes para la prueba de hipótesis de dos
medias:
H0: µ1=µ2
H1: µ1≠µ2
Máquinas Promedio Desviación n Zcalculada Zalfa Decisión

24 13.25 0.39 10
2 13.53 0.82 51 -1.66 1.96 Las dos son iguales
27 13.77 1.21 11 -0.64 1.96 Las dos son iguales
12 13.88 1.00 123 -0.28 1.96 Las dos son iguales
11 13.91 1.61 56 -0.11 1.96 Las dos son iguales
6 14.06 1.07 64 -0.63 1.96 Las dos son iguales
13 14.72 1.39 112 -3.51 1.96 Media 2>media 1
16 15.25 0.95 96 -3.25 1.96 Media 2>media 1
3 15.67 1.35 25 -1.44 1.96 Las dos son iguales
20 15.80 0.83 56 -0.46 1.96 Las dos son iguales
5 15.85 0.98 108 -0.32 1.96 Las dos son iguales
15 16.17 0.84 46 -2.05 1.96 Media 2>media 1
7 16.21 0.70 10 -0.15 1.96 Las dos son iguales
4 17.10 0.38 14 -3.68 1.96 Media 2>media 1

poblacionale 14.842468 1.43192676 782

s

29. Realice los cálculos y tome las decisiones correspondientes para la prueba de hipótesis de dos
proporciones:
H0: p1=p2
H1: p1=p2
Máquinas n x p Pest Zcal Zalfa Decisión
24 10 10 1
2 51 48 0.94 0.95 0.79 1.96 Las dos son iguales
27 11 9 0.82 0.92 1.36 1.96 Las dos son iguales
12 123 102 0.83 0.83 -0.09 1.96 Las dos son iguales
11 56 34 0.61 0.76 3.23 1.96 Proporción 1 >Proporción 2
6 64 54 0.84 0.73 -2.92 1.96 Porpción 2>Proporción 1
 13 112 65 0.58 0.68 3.59 1.96 Proporción 1 >Proporción 2
16 96 41 0.43 0.51 2.20 1.96 Proporción 1 >Proporción 2
3 25 12 0.48 0.44 -0.48 1.96 Las dos son iguales
20 56 3 0.05 0.19 4.56 1.96 Proporción 1 >Proporción 2
5 108 15 0.14 0.11 -1.66 1.96 Las dos son iguales
15 46 1 0.02 0.10 2.18 1.96 Proporción 1 >Proporción 2
7 10 1 0.10 0.04 -1.21 1.96 Las dos son iguales
4 14 0 0.00 0.04 1.21 1.96 Las dos son iguales
poblacionales 782 395 0.50512

30. Realice los cálculos y tome las decisiones correspondientes para la prueba de hipótesis de dos
varianzas.
H0: σ21 =σ22
H0: σ21 =σ22
 31. Establezca las prioridades de asignación de las máquinas de acuerdo a su análisis.
Prioridad Máq.
1 24
2 2
3 27 y 12
4 11 y 6

Máquinas Desviación n Varianza Fcal Falfa/2 F1-alfa/2

24 0.39 10 0.15
2 0.82 51 0.68 0.23 0.29 2.38 Var 2>var1
27 1.21 11 1.46 0.47 0.43 3.22 son iguales
12 1.00 123 0.99 1.47 0.32 2.16 son iguales
11 1.61 56 2.58 0.38 0.65 1.61 Var 2>var1
6 1.07 64 1.15 2.24 0.59 1.67 VAR1>VAR2
13 1.39 112 1.94 0.59 0.64 1.53 Var 2>var1
16 0.95 96 0.90 2.15 0.68 1.48 VAR1>VAR2
3 1.35 25 1.83 0.49 0.56 2.03 Var 2>var1
20 0.83 56 0.70 2.63 0.48 1.90 VAR1>VAR2
5 0.98 108 0.97 0.72 0.62 1.56 son iguales
15 0.84 46 0.70 1.38 0.62 1.69 son iguales
7 0.70 10 0.49 1.43 0.41 3.49 son iguales
4 0.38 14 0.15 3.37 0.26 3.31 VAR1>VAR2
poblacionales 1.43 782 2.05
 5 13

32. Cuales maquinas no programar

No programar Máq
3 16
4 20
5 24
7 27
15
Cuestionario:
¿Cambio la asignación de las maquinas en comparación de la practica 3, porque?
¿A cuáles máquinas, según su opinión requieren de mantenimiento?
¿Cuáles máquinas fueron más productivas?
¿Cuántas y cuales máquinas no sugiere que se programen?
Bibliografía
Mendenhall-Beaver-Beaver
INTRODUCCIÓN A LA PROBABILIDAD Y ESTADÍSTICA
CENGAGE Learning 14ª. Edición. México 2015. Cap 9 y 10, pags. 325-424.
 Unidad 4

Pruebas no
paramédicas
Las pruebas paramétricas asumen distribuciones estadísticas subyacentes a los
datos. Por tanto, deben cumplirse algunas condiciones de validez, de modo que el
resultado de la prueba paramétrica sea fiable. Por ejemplo, la prueba t de Student
para dos muestras independientes será fiable solo si cada muestra se ajusta a una
distribución normal y si las varianzas son homogéneas.
Las pruebas no paramétricas no deben ajustarse a ninguna distribución. Pueden
por tanto aplicarse incluso aunque no se cumplan las condiciones de validez
paramétricas.
Las pruebas paramétricas tienen muchas veces sus equivalentes no paramétricos.
La ventaja de usar una prueba paramétrica en lugar de una no paramétrica
consiste en que la primera tiene más potencia estadística que la segunda. En
otras palabras, una prueba paramétrica tiene mayor capacidad para conducir a un
rechazo de H0. La mayoría de las veces, el valor p asociado a una prueba
paramétrica es menor que el valor p asociado a su equivalente no paramétrica
ejecutada sobre los mismos datos.
PRUEBAS DE NORMALIDAD
Los resultados de la prueba indican si usted debe rechazar o no puede rechazar la
hipótesis nula de que los datos provienen de una población distribuida
normalmente.
Puede realizar una prueba de normalidad y producir una gráfica de probabilidad
normal en el mismo análisis.
La prueba de normalidad y la gráfica de probabilidad suelen ser las mejores
herramientas para evaluar la normalidad.
Las pruebas de Anderson-Darling y Kolmogorov-Smirnov se basan en la función
de distribución empírica. La prueba de Ryan-Joiner (similar a la prueba de
Shapiro- Wilk) se basa en regresión y correlación.
Si está verificando la normalidad como preparación para un análisis de capacidad
normal, las colas son la parte más crítica de la distribución.
Es importante mencionar que, si la distribución de los datos se ajusta a un tipo de
distribución conocida, existen otras [pruebas] que, en la práctica, son más
aconsejables pero que así mismo requieren otros supuestos. En este caso, la
estadística a emplear es la estadística paramétrica, dentro de la cual muchas
veces podemos encontrar equivalencias entre pruebas, pero con diferencias en la
potencia entre ambas siendo siempre la potencia de las pruebas no paramétricas
menor que la potencia de las pruebas paramétricas equivalentes. Aun así, el uso
adecuado de los tamaños muestrales disminuye la posibilidad de cometer un [error
tipo II], puesto que aumenta al mismo tiempo la eficacia de la prueba. Es decir, a
medida que se aumenta el tamaño de la muestra, disminuye la posibilidad de
cometer un error tipo II (un falso negativo: No rechazar la hipótesis nula cuando
ésta en realidad es falsa).
La estadística no paramétrica es una rama de la estadística que estudia las
pruebas y modelos estadísticos cuya distribución subyacente no se ajusta a los
llamados criterios paramétricos. Su distribución no puede ser definida a priori,
pues son los datos observados los que la determinan. La utilización de estos
métodos se hace recomendable cuando no se puede asumir que los datos se
ajusten a una distribución conocida, cuando el nivel de medida empleado no sea,
como mínimo, de intervalo.
La prueba de los signos es quizá la prueba no paramétrica más antigua. En ella
está, basadas muchas otras. Se utiliza para contrastar hipótesis sobre el
parámetro de centralización y es usado fundamentalmente en el análisis de
comparación de datos pareados. Consideremos una muestra aleatoria de tamaño
n tal que sus observaciones estén o puedan estar clasificadas en dos categorías:
0 y 1, + y -, ... etc.
La mejor forma de entender este apartado es mediante un ejemplo práctico; De
modo que en la tabla que pondremos a continuación se pueden ver los resultados
de un experimento sobre comparación de sabores. Un fabricante de alubias está
considerando una nueva receta para la salsa utilizada en su producto. Eligio una
muestra aleatoria de ocho individuos y a cada uno de ellos le pedio que valorara
en una escala de 1 a 10 el sabor del producto original y el nuevo producto. Los
resultados se muestran en la tabla, donde también aparecen las diferencias en las
valoraciones para cada sabor y los signos de estas diferencias. Es decir,
tendremos un signo + cuando el producto preferido sea el original, un signo -
cuando el preferido sea el nuevo producto y un 0 si los dos productos son
valorados por igual. En particular en este experimento, dos individuos han
preferido el producto original y cinco el nuevo; Uno los valoro con la misma
puntuación.
La hipótesis nula es que ninguno de los dos productos es preferido sobre el otro.
Comparamos las valoraciones que indican la preferencia por cada producto,
descartando aquellos casos en los que los dos productos fueron valorados con la
misma puntuación. Así el tamaño muestral efectivo se reduce a siete, y la única
información muestral en que se basará nuestro contraste será la de los dos
individuos de los siete que prefirieron el producto original.
Unidad 5
Regresión
lineal
simple
En las estadísticas, la regresión lineal simple es un modelo de regresión lineal con
una única variable explicativa. [1][2] [3][4][5] es decir, se trata de puntos de
muestra bidimensionales con una variable independiente y una variable
dependiente (convencionalmente, las coordenadas x e y en un sistema de
coordenadas cartesianas)y encuentra una función lineal (una línea rectano
vertical) que, con la mayor precisión posible, predice los valores de variable
dependientes en función de la variable independiente. El adjetivo simple se refiere
al hecho de que la variable de resultado está relacionada con un solo predictor.
Es común hacer la estipulación adicional de que se debe utilizar el método
ordinario de mínimos cuadrados (OLS): la precisión de cada valor predicho se
mide por su residual cuadrado (distancia vertical entre el punto del conjunto de
datos y la línea ajustada), y el objetivo es hacer que la suma de estas
desviaciones cuadradas sea lo más pequeña posible. Otros métodos de regresión
que se pueden utilizar en lugar de mínimos cuadrados ordinarios incluyen
desviaciones menos absolutas (minimizando la suma de los valores absolutos de
los residuos) y el estimador Theil-Sen (que elige una línea cuya pendiente es la
mediana de los taludes determinados por pares de puntos de muestra). La
regresión de deming (total de mínimos cuadrados) también encuentra una línea
que se ajusta a un conjunto de puntos de muestra bidimensionales, pero (a
diferencia de los mínimos cuadrados ordinarios, menos desviaciones absolutas y
regresión de pendiente mediana) no es realmente una instancia de regresión
lineal simple, porque no separa las coordenadas en una variable dependiente y
una independiente y potencialmente podría devolver una línea vertical como su
ajuste.
El resto del artículo asume una regresión de mínimos cuadrados ordinarios. En
este caso, la pendiente de la línea ajustada es igual a la correlación entre y y x
corregida por la relación de desviaciones estándar de estas variables. La
interceptación de la línea ajustada es tal que la línea pasa a través del centro de
masa (x, y) de los puntos de datos.
La correlación de Spearman se emplea cuando los datos son ordinales, de
intervalo, o bien cuando no se satisface la condición de normalidad para variables
continuas y los datos se pueden transformar a rangos. Es un método no
paramétrico.
La correlación de Kendall es otra alternativa no paramétrica para el estudio de la
correlación que trabaja con rangos. Se emplea cuando se dispone de pocos datos
y muchos de ellos ocupan la misma posición en el rango, es decir, cuando hay
muchas ligaduras.
El coeficiente de correlación de Pearson resulta efectivo en ámbitos muy diversos.
Sin embargo, tiene la desventaja de no ser robusto frente a outliers a pesar de que
se cumpla la condición de normalidad. Si dos variables tienen un pico o un valle
común en una única observación, por ejemplo, por un error de lectura, la
correlación va a estar dominada por este registro a pesar de que entre las dos
variables no haya correlación real alguna. Lo mismo puede ocurrir en la dirección
opuesta. Si dos variables están altamente correlacionadas excepto para una
observación en la que los valores son muy dispares, entonces la correlación
existente quedará enmascarada. Una forma de evitarlo es recurrir a la Jackknife
correlation, que consiste en calcular todos los posibles coeficientes de correlación
entre dos variables si se excluye cada vez una de las observaciones. El promedio
de todas las Jackknife correlations calculadas atenuará en cierta medida el efecto
del outlier.