UNIVERSIDAD NACIONAL DE

CAJAMARCA FILIAL JAÉN

“Norte de la Universidad del Perú”

ESTADÍSTICA APLICADA
EJERCICIOS DE MUESTREO

Docente: Ing. Rigoberto Marín Cubas

Ciclo: III

Grupo: B1

Integrantes:

• FLORES NEYRA, Edwin

• HEYSEN VÁSQUEZ, Adriana Lisset.
• MALDONADO NEYRA, Kevin Alexander.
• MEDINA CALLE, Hideycer Jhonel.
• ROMERO DELGADO, Jaime.
1. Un investigador, quiere comprobar la hipótesis de que son igualmente probables los
eventos “cara” y “sello” en el experimento de lanzar una moneda, para esto lanzó 160 veces
4 monedas similares y encontró la siguiente distribución de frecuencias del número de
caras.

Probar la hipótesis del investigador que es probar si sigue una distribución binomial. Con
un alfa = 0.05. ¿A qué conclusión llega?

# DE CARAS (x) # DE TIRADAS P(x) Ei (Oi-Ei)^2/Ei

0 17 0.0625 10 5
1 30 0.2500 40 3
2 64 0.3750 60 0
3 34 0.2500 40 1
4 15 0.0625 10 3
Total 160 1.0000 160 11
 Gl= k-1-m
Gl= 3
Gl(1;0.05)= 7.8147

2. Se propone que el número de defectos en las tarjetas de circuito impreso sigue una
distribución Poisson. Se reúne una muestra aleatoria de 60 tarjetas de circuito impreso y se
observa el número de defectos. Los resultados obtenidos son los siguientes:

¿Muestran estos datos suficiente evidencia para decir que provienen de una distribución
Poisson? Haga la prueba de la bondad del ajuste con un 𝛼 = 0.05
 NÚMERO DE DEFECTOS FRECUENCIA Probabilidad Poisson FE
OBSERVADA (Oi)
0 32 0.4724 28.3420
1 15 0.3543 21.2565
2 9 0.1329 7.97119
3 o más 4 0.0405 2.43033
Total 60 1.0000 60

Puesto que la frecuencia esperada en la última celda es menor que 5 se combinan las dos últimas
celdas.

NÚMERO DE DEFECTOS FRECUENCIA OBSERVADA Probabilidad Poisson FE (Oi-Ei)^2/Ei

0 32 0.4724 28.3420 0.4721
1 15 0.3543 21.2565 1.8415
2 o más 13 0.1734 10.4015 0.6492
Total 60 1 60 2.9628

3. Pruebe la hipótesis de que la distribución de frecuencia de las duraciones de baterías dadas

en la siguiente tabla, se puede aproximar mediante una distribución normal con media.
Utilice un 𝛼 = 0.05
 LÍMITES DE CLASE 2
𝐹𝑜 𝑋𝑖 𝑋𝑖 ∗ 𝐹𝑖 (𝑋𝑖 − 𝑋̅) ∗ 𝐹𝑖
L. INFERIOR L. SUPERIOR
1.45 1.95 2 1.7 3.4 5.8653
1.95 2.45 1 2.2 2.2 1.4702
2.45 2.95 4 2.7 10.8 2.0306
2.95 3.45 15 3.2 48 0.6773
3.45 3.95 10 3.7 37 0.8266
3.95 4.45 5 4.2 21 3.1008
4.45 4.95 3 4.7 14.1 4.9730
Total(n) 40 136.5 18.9438

𝑋̅ = 3.4125
Varianza= 0.4736
Desviación estándar= 0.6882

LÍMITES DE CLASE Fo z z Probabilidad Probabilidad Probabilidad Ei

L. INFERIOR L. SUPERIOR (Inferior) (Superior) (inferior) (superior)

1.45 1.95 2 -7.0000 -2.1252 0.0000 0.0168 0.0168 0.6715

1.95 2.45 1 -2.1252 -1.3986 0.0168 0.0810 0.0642 2.5671
2.45 2.95 4 -1.3986 -0.6721 0.0810 0.2508 0.1698 6.7923
2.95 3.45 15 -0.6721 0.0545 0.2508 0.5217 0.2710 10.8382
3.45 3.95 10 0.0545 0.7810 0.5217 0.7826 0.2609 10.4353
3.95 4.45 5 0.7810 1.5076 0.7826 0.9342 0.1516 6.0624
4.45 4.95 3 1.5076 7.0000 0.9342 1.0000 0.0658 2.6332
Total(n) 40 1.0000 40.0000
 LÍMITES DE CLASE F. observadas Probabilidad Ei (Oi-Ei)^2/Ei
L. INFERIOR L. SUPERIOR
1.45 2.95 7 0.2508 10.0309 0.9158
2.95 3.45 15 0.2710 10.8382 1.5981
3.45 3.95 10 0.2609 10.4353 0.0182
3.95 4.95 8 0.2174 8.6955 0.0556
Total 40 1.0000 40.0000 2.5877

m= 2
Gl= 1
Gl(1;0.05)= 3.8415

4. Un vendedor de la compañía ELECTRIC visita regularmente a 6 clientes por día. El gerente

de ventas opina que el número de ventas por día que realiza el vendedor es una variable
aleatoria que puede ser descrita mediante una distribución Binomial. Si durante 30 días ha
registrado las siguientes ventas por día de este vendedor

En el nivel de significación 0.05. ¿Está usted de acuerdo con la opinión del gerente de la
compañía?
Nº DE VENTAS DÍAS P(x) Ei
0 3 0.0467 1.3997
1 3 0.1866 5.5987
2 9 0.3110 9.3312
3 9 0.2765 8.2944
4 6 0.1382 4.1472
5 0 0.0369 1.1059
6 0 0.0041 0.1229
Total 30 1.0000 30
Puesto que la frecuencia esperada en varias celdas es menor que 5 así que vamos a combinar.

Nº DE VENTAS DÍAS P(x) Ei (Oi-Ei)^2/Ei

0 6 0.2333 6.9984 0.1424
1 9 0.3110 9.3312 0.0118
2 9 0.2765 8.2944 0.0600
3 6 0.1792 5.3760 0.0724
Total 30 1.0000 30 0.2866

Gl= k-1-m
Gl= 2
Gl(2,0.05)= 9.4877
5. En una empresa de acuicultura se quiere hacer un estudio sobre el nivel de parásitos en la
producción de doradas. Para ello, se tomó una muestra de 5 individuos cada día, repitiendo
el experimento durante 550 días. De cada muestra se analizaron los peces determinando
cuántos de ellos contenían parásitos. ¿Se ajusta a un modelo de distribución Binomial?
Utilice un alfa = 0.05

X Oi P(x) Ei (Oi-Ei)^2/Ei
0 17 0.0255 14.01 0.64
1 81 0.138 75.91 0.34
2 152 0.299 164.47 0.95
3 180 0.324 178.18 0.02
4 104 0.1755 96.51 0.58
5 16 0.038 20.91 1.15
TOTAL 550 1 549.99 3.68

n 5 p 0.52
MEDIA (U) 2.58 q 0.48
6. Se contaron los errores encontrados en 100 páginas de un libro, obteniéndose los siguientes
resultados:

Contrastar si el número de erratas por página se distribuye según una distribución de

Poisson, para un nivel de significación del 10%.
N° DE ERRATAS (NE) N° DE PAGINAS(FO) NE*FO PROB. POISSON FE
0 65 0 0.6250 62.5002
1 25 25 0.2938 29.3751
2 8 16 0.0690 6.9032
3 2 6 0.0112 1.2215
TOTAL 100 47 _ 100

n 100
 0.47

N° DE ERRATAS N° DE PAGINAS Probabilidad Poisson FE (FO-FE)^2/FE

0 65 0.6250 62.5002 0.1000

1 25 0.2938 29.3751 0.6516
2 10 0.0812 8.1247 0.4329
TOTAL 100 1.0000 100 1.1845
7. Con el fin de estudiar la distribución que siguen las estaturas de los alumnos de la Escuela
de Ingeniería Civil, se selecciona una muestra aleatoria de 100 alumnos, cuyas estaturas
podemos agrupar en la siguiente tabla:

Comprobar, con un 5% de significación, si la muestra procede de una población normal.

SOLUCIÓN:
 ESTRATURA EN METROS Nº DE 2 2
𝑋𝑖 𝑋𝑖 ∗ 𝐹𝑖 (𝑋𝑖 − 𝑋̅) (𝑋𝑖 − 𝑋̅) (𝑋𝑖 − 𝑋̅) ∗ 𝐹𝑖
L. INFERIOR L. SUPERIOR ALUMNOS
1.5 1.6 6 1.55 9.3 -0.19 0.0361 0.2166
1.6 1.7 28 1.65 46.2 -0.09 0.0081 0.2268
1.7 1.8 40 1.75 70 0.01 0.0001 0.0040
1.8 1.9 22 1.85 40.7 0.11 0.0121 0.2662
1.9 2 4 1.95 7.8 0.21 0.0441 0.1764
Total 100 174 0.8900

ESTRATURA EN METROS Nº DE F.Oi.R F.Oi.R.A F.Ei.R.A DIFEREN.|Sn(X)-Fi|

L. INFERIOR L. SUPERIOR ALUMNOS F.Oi.R.A-F.Ei.R.A
1.5 1.6 6 0.06 0.06 0.0689 -0.0089
1.6 1.7 28 0.28 0.34 0.3358 0.0042
1.7 1.8 40 0.4 0.74 0.7376 0.0024
1.8 1.9 22 0.22 0.96 0.9551 0.0049
1.9 2 4 0.04 1 0.9971 0.0029
Total 100 1 Max= 0.0049

Como 0.0049 < 0.1360

CONCLUSIÓN: Los datos no provienen de una distribución normal

8. En una investigación del Ministerio de Economía de profesionales liberales, se tomaron al

azar los expedientes de inspección abiertos a 60 profesionales, siendo las cantidades
defraudadas las que aparecen resumidas en el siguiente cuadro:

Utilizando Kolmogorov – Smirnov, verificar que las cantidades defraudadas por los
profesionales liberales con expediente de inspección abierto se distribuyen normalmente
con un nivel de significación del 5 %.
 CALIDAD EN MILES DE € Nº DE
𝑋𝑖 𝑋𝑖 ∗ 𝐹𝑖 (𝑋𝑖 − 𝑋̅) (𝑋𝑖 − 𝑋̅) 2 2
(𝑋𝑖 − 𝑋̅) ∗ 𝐹𝑖
L. INFERIOR L. SUPERIOR DEFRAUDADORES
0.6 3 7 1.8 12.6 - 142.4442 997.1096
11.935
3 6 15 4.5 67.5 -9.235 85.2852 1279.2784
6 12 18 9 162 -4.735 22.4202 403.5641
12 27 12 19.5 234 5.765 33.2352 398.8227
27 60 8 43.5 348 29.765 885.9552 7087.6418
TOTAL 60 824.1 10166.4165

CANTIDAD EN MILES DE € Nº DE F.Oi.R F.Oi.R.A F.Ei.R.A DIFEREN.|Sn(X)-Fi|

L. inferior L. superior DEFRAUDADORES F.Oi.R.A-F.Ei.R.A
0.6 3 7 0.12 0.12 0.3466 -0.2299
3 6 15 0.25 0.37 0.3881 -0.0214
6 12 18 0.30 0.67 0.4746 0.1921
12 27 12 0.20 0.87 0.6871 0.1796
27 60 8 0.13 1.00 0.9555 0.0445
Total 60 1.00 Max= 0.1921

Como 0.1921 > 0.1756

CONCLUSIÓN: Los datos no provienen de una distribución normal.

9. El servicio médico del grupo “Maquinaria Pesada” observó durante un período fijo la
cantidad de accidentes que sufrieron sus operarios de máquinas. Los resultados se dan en
la tabla que sigue:
Un analista opina que la distribución de los datos sigue el modelo de Poisson.
Al nivel de significancia 0.05 ¿Concuerda usted con la opinión del analista?

Nº DE PACIENTES Nº DE DÍAS Probabilidad FE

Poisson
0 40 0.3679 36.7879
1 34 0.3679 36.7879
2 16 0.1839 18.3940
3 7 0.0613 6.1313
4 2 0.0153 1.5328
5 1 0.0031 0.3066
6 o más 0 0.0006 0.0594
Total 100 1.0000 100
Nº DE PACIENTES Nº DE DÍAS Probabilidad FE (Oi-Ei)^2/Ei
Poisson
0 40 0.3679 36.7879 0.2805
1 34 0.3679 36.7879 0.2113
2 16 0.1839 18.3940 0.3116
3 o más 10 0.0803 8.0301 0.4832
Total 100 1.0000 100 1.2865

Gl= k-1-m
Gl= 2
Gl(1;0.05)= 5.9915
10. Asume que se generaron 100 números pseudoaleatorios uniformes entre 0 y 1, obteniendo
la siguiente tabla de frecuencias:

Aplique una prueba Chi - Cuadrado de bondad de ajuste para ver si los datos siguen una
distribución uniforme en [0,1), para un alfa = 0.01.

Nº Oi Ei (Oi-
ALEATORIOS Ei)^2/Ei
0.0-0.1 11 10 0.1
0.1-0.2 13 10 0.9
0.2-0.3 8 10 0.4
0.3-0.4 6 10 1.6
0.4-0.5 4 10 3.6
0.5-0.6 12 10 0.4
0.6-0.7 17 10 4.9
0.7-0.8 9 10 0.1
0.8-0.9 9 10 0.1
0.9-1.0 11 10 0.1
Total 100 12.2

Gl= k-1
Gl= 2
Gl(1;0.01)= 9.2103
11. Un ingeniero controla la calidad de lotes grandes escogiendo de cada lote una muestra
aleatoria de 5 unidades y observando en ellas el número de defectuosas. Si de 200 lotes
controlados obtuvo la siguiente distribución de frecuencias del número de defectuosos:

Pruebe la hipótesis de que la distribución del número de caras se ajusta por un modelo de
probabilidad binomial use un α=0.01
 Nº DEFECTUOSO Nº DE P(x) Ei
MUESTRAS
0 137 0.5905 118.0980
1 43 0.3281 65.6100
2 10 0.0729 14.5800
3 5 0.0081 1.6200
4 3 0.0005 0.0900
5 2 0.0000 0.0020
Total 200 1 200

Nº DEFECTUOSO Nº DE MUESTRAS P(x) Ei (Oi-

Ei)^2/Ei
0 137 0.5905 118.0980 3.0253
1 43 0.3281 65.6100 7.7917
2 o más 20 0.0815 16.2920 0.8439
Total 200 1.0000 200.0000 11.6609
 Gl= k-1-m
Gl= 1
Gl(1;0.01)= 6.6349

12. Durante 100 intervalos de tiempo cada uno de 3 minutos, se registró el número de llamadas
telefónicas recibidas en una central, resultando la siguiente distribución:

Puede usted concluir con probabilidad α=0.01, que la distribución de los datos sigue una
distribución Poisson de parámetro λ = 0.85.
 Nº DE Nº DE INTERVALOS Probabilidad Poisson FE
LLAMADAS
0 45 0.4274 42.7415
1 35 0.3633 36.3303
2 11 0.1544 15.4404
3 8 0.0437 4.3748
4 o más 1 0.0111 1.1131
Total 100 1.0000 100

Nº DE LLAMADAS Nº DE INTERVALOS Probabilidad Poisson FE (Oi-

Ei)^2/Ei
0 45 0.4274 42.7415 0.1193
1 35 0.3633 36.3303 0.0487
2 11 0.1544 15.4404 1.2770
3 9 0.0549 5.4879 2.2477
Total 100 1.0000 100.0000 3.6927
 Gl= k-1-m
Gl= 3
Gl(3;0.01)= 11.3449

13. El entrenador de salto de un grupo de atletas, desea conocer con vistas al procesamiento de
los datos por el obtenidos sobre salto de una muestra aleatoria de atletas de esa especialidad
en un CVD, si las mediciones realizadas por él están distribuidas normalmente. Los datos
son los siguientes (Utilizar un α=0.05):

1.60 - 1.65 - 1.55 - 1.62 - 1.64- 1.70 - 1.71- 1.68 - 1.66 - 1.67 - 1.65 - 1.68 - 1.69 - 1.70

Media 1.6571
desviación estandar 0.0441
Mínimo 1.55
Máximo 1.71
Rango 0.16
Números de datos 14
Número de intervalos sturges 4.8
Número de intervalos sturges 5
Entero
Tamaño de intervalos 0.0320
INTERVALOS LIMITES DE CLASE Oi
L. INFERIOR L.SUPERIOR
1 1.55 1.582 1
2 1.582 1.614 1
3 1.614 1.646 2
4 1.646 1.678 4
5 1.678 1.71 6
Total 14

m= 2
Gl= 2
Gl(2;0.05)= 5.99
14. En el proceso de llenado de sacos de arroz de 50 kilogramos, como es usual, el peso X de
un saco que pasa por este proceso tiene una distribución normal on una media de 50 y una
varianza de 0.5792 kilos2. Un ingeniero afirma que está de acuerdo con las
especificaciones de los parámetros pero que la distribución de los pesos presenta un cierto
grado de asimetría por lo que sospecha que la forma de la distribución no es normal. Para
resolver esta contradicción se escogió una muestra aleatoria de 50 sacos de arroz llenados
por el proceso, observándose la siguiente distribución de los pesos:
 INTERVALOS Nº DE SACOS Probabilidad Ei (Oi-Ei)^2/Ei
L. INFERIOR L. SUPERIOR OBSERVADOS
0 49.3 8 0.1134 5.6708 0.9567
49.3 49.9 12 0.3180 15.9024 0.9576
49.9 50.5 14 0.3745 18.7270 1.1932
50.5 100 16 0.1940 9.6999 4.0920
Total 50 1.0000 50.0000 7.1995

m= 0
Gl= k-1-m
Gl= 3
Gl(1;0.05)= 7.8147

15. A menudo se dice que los profesores tienden a clasificar a sus alumnos de acuerdo con la
curva normal. En un examen final del curso de estadística general las calificaciones de los
alumnos, han sido tabuladas en la distribución de frecuencias que sigue:
 ESTRATURA EN METROS Nº DE 2
Xi 𝑋𝑖 ∗ 𝐹𝑖 (𝑋𝑖 − 𝑋̅) (𝑋𝑖 − 𝑋̅)
2
(𝑋𝑖 − 𝑋̅ ) ∗ 𝐹𝑖
L. INFERIOR L. SUPERIOR ALUMNOS

2 5 4 3.5 14 -8.0 64.70 258.81

5 8 16 6.5 104 -5.0 25.44 407.03
8 11 55 9.5 522.5 -2.0 4.18 229.73
11 14 47 12.5 587.5 1.0 0.91 42.98
14 17 28 15.5 434 4.0 15.65 438.25
17 20 10 18.5 185 7.0 48.39 483.89
Total 160 1847 1860.69

ESTRATURA EN METROS Nº DE z z Probabilidad Probabilidad Probabilidad Ei

L. L. SUPERIOR ALUMNOS (Inferior) (Superior) (inferior) (superior)
INFERIOR
2 5 4 -7.0000 -1.9189 0.0000 0.0275 0.0275 4.3999
5 8 16 -1.9189 -1.0392 0.0275 0.1494 0.1219 19.4982
8 11 55 -1.0392 -0.1594 0.1494 0.4367 0.2873 45.9671
11 14 47 -0.1594 0.7203 0.4367 0.7643 0.3277 52.4261
14 17 28 0.7203 1.6000 0.7643 0.9452 0.1809 28.9406
17 20 10 1.6000 7.0000 0.9452 1.0000 0.0548 8.7681
Total 160 1.0000 160.0000

ESTRATURA EN METROS Nº DE Probabilidad Ei (Oi-Ei)^2/Ei

L. INFERIOR L. SUPERIOR ALUMNOS
2 8 20 0.1494 23.8981 0.6358
8 11 55 0.2873 45.9671 1.7751
11 14 47 0.3277 52.4261 0.5616
14 17 28 0.1809 28.9406 0.0306
17 20 10 0.0548 8.7681 0.1731
Total 160 1.0000 160.0000 3.1761
 m= 2
Gl= k-1-m
Gl= 2
Gl(2;0.01)= 9.2103