ESTADISTICA INFERENCIAL

NINA MARIA NIO ALDANA

Trabajo escrito

Presentado a : Martha Charris

Docente Universitaria,Master en Estadistica

UNIVERSIDAD LIBRE
FACULTAD DE INGENIERIA
INGENIERIA INDUSTRIAL 4 SEMESTRE
BARRANQUILLA
2016
ndice

1. INTRODUCCION 6

2. OBJETIVOS 7
2.1. OBJETIVOS GENERALES . . . . . . . . . . . . 7
2.2. OBJETIVOS ESPECIFICOS . . . . . . . . . . . . 7

3. CONTENIDO DE ESTADISTICA INFERENCIAL 9

3.1. DISTRIBUCIONES CONTINUAS DE PROBA-
BILIDAD . . . . . . . . . . . . . . . . . . . . . . 9
3.1.1. EJERCICIO 1. . . . . . . . . . . . . . . . 10
3.1.2. EJERCICIO 2. . . . . . . . . . . . . . . . 11
3.2. DISTRIBUCION NORMAL . . . . . . . . . . . . 13
3.3. DISTRIBUCION NORMAL ESTANDAR . . . . . 14
3.3.1. EJERCICIO DISTRIBUCION NORMAL
ESTANDAR . . . . . . . . . . . . . . . . 15
3.3.2. EJERCICIO 2. DISTRIBUCION NOR-
MAL ESTANDAR . . . . . . . . . . . . . 16
3.3.3. EJERCICIO 3. DISTRIBUCION NORMAL 17
3.3.4. EJERCICIO 4. DISTRIBUCION NORMAL 18
3.3.5. EJERCICIO 4. DISTRIBUCION NORMAL 18
3.4. DISTRIBUCIN BINOMIAL A LA NORMAL . 19
3.4.1. TEOREMA DE MOVIRE-LAPLACE 1756 21
3.4.2. CORRECCIN DE CONTINUIDAD O
DE YATES . . . . . . . . . . . . . . . . . 21
3.4.3. EJERCICIO DE APLICACIN APRO-
XIMACIN DE LA NORMAL A LA
BINOMIAL . . . . . . . . . . . . . . . . 22
3.4.4. EJERCICIO DE APLICACIN APRO-
XIMACIN DE LA BINOMIAL A LA
NORMAL . . . . . . . . . . . . . . . . . 23
3.5. DISTRIBUCIN POISSON A LA NORMAL . . 24
 3.5.1. EJERCICIOS DE APLICACIN APRO-
XIMACIN DE LA NORMAL A LA
POISSON . . . . . . . . . . . . . . . . . . 25
3.5.2. EJERCICIO 1 . . . . . . . . . . . . . . . 25
3.5.3. EJERCICIO 2 . . . . . . . . . . . . . . . 26
3.6. DISTRIBUCION GAMMA Y EXPONENCIAL . 26
3.6.1. DISTRIBUCION EXPONENCIAL . . . . 28
3.6.2. EJERCICIO 1. DISTRIBUCION EXPO-
NENCIAL . . . . . . . . . . . . . . . . . 28
3.6.3. EJERCICIO 2. DISTRIBUCION GAM-
MA . . . . . . . . . . . . . . . . . . . . . 30
3.7. DISTRIBUCION WEIBULL . . . . . . . . . . . 31
3.7.1. GRAFICO DISTRIBUCION WEIBULL . 32
3.7.2. EJERCICIO DE APLICACION . . . . . . 33
3.8. DISTRIBUCIN BETA . . . . . . . . . . . . . . 34
3.8.1. CAMPO DE APLICACIN DE LA DIS-
TRIBUCIN BETA . . . . . . . . . . . . 35
3.8.2. EJERCICIO DE APLICACIN DE LA
DISTRIBUCIN BETA . . . . . . . . . . 35
3.9. DISTRIBUCIN ERLAN . . . . . . . . . . . . . 36
3.9.1. CAMPO DE APLICACION DISTRIBU-
CIN ERLANH . . . . . . . . . . . . . . 37
3.9.2. EJERCICIO DE APLICACIN DISTRI-
BUCIN ERLAN . . . . . . . . . . . . . 37
3.10. DISTRIBUCIONES FUNDAMENTALES DEL
MOSTREO . . . . . . . . . . . . . . . . . . . . . 38
3.10.1. DISTRIBUCION MUESTRAL DE LA
MEDIA . . . . . . . . . . . . . . . . . . . 39
3.10.2. EJERCICIO DE APLICACION DISTRI-
BUCION MUESTRAL DE LA MEDIA . . 39
3.11. DISTRIBUCIONES MUESTRAL DE LA DIFE-
RENCIA DE MEDIAAS . . . . . . . . . . . . . . 41
3.12. DISTRIBUCIN MUESTRAL DE UNA PRO-
PORCIN . . . . . . . . . . . . . . . . . . . . . . 44
3.13. INTERVALOS DE CONFIANZA . . . . . . . . . 45
3.13.1. EJERCICIO INTERVALOS DE CON-
FIANZA . . . . . . . . . . . . . . . . . . 45
3.14. INTERVALOS DE CONFIANZA PARA LA
PROPORCIN Y DIFERENCIA DE PROPOR-
CIONES . . . . . . . . . . . . . . . . . . . . . . 46
3.15. HIPOTESIS ESTADISTICAS . . . . . . . . . . . 47
3.16. EJERCICIO PRUEBA PARA LA MEDIA . . . . 48
3.16.1. EJERCICIO PRUEBA DE HIPOTESIS
PROPORCION . . . . . . . . . . . . . . 50
3.17. BONDAD DE AJUSTE , INDEPENDENCIA Y
HOMOGENEIDAD . . . . . . . . . . . . . . . . . 51
3.17.1. BONDAD DE AJUSTE . . . . . . . . . . 51
3.17.2. PRUEBA DE HOMOGENEIDAD . . . . . 51
3.17.3. PRUEBA DE INDEPENDENCIA . . . . 52
3.17.4. EJERCICIOS DE PRACTICA BONDAD
DE AJUSTE . . . . . . . . . . . . . . . . 52
3.17.5. EJERCICIO DE PRUEBA DE HOMOGE-
NEIDAD . . . . . . . . . . . . . . . . . . 55
3.17.6. EJERCICIO DE PRUEBA DE INDEPEN-
DENCIA . . . . . . . . . . . . . . . . . . 58
3.18. REGRESION LINEAL . . . . . . . . . . . . . . 61
3.18.1. EJERCICIO 1. . . . . . . . . . . . . . . . 62
3.18.2. EJERCICIO 2. . . . . . . . . . . . . . . . 62
3.18.3. EJERCICIO 3. . . . . . . . . . . . . . . . 62
3.18.4. EJERCICIO 4. . . . . . . . . . . . . . . . 64
3.18.5. EJERCICIO 5. . . . . . . . . . . . . . . . 64
3.18.6. STATGRAPHICS REGRESION SIMPLE . 64
3.18.7. EJERCICIO 4. . . . . . . . . . . . . . . . 64
3.18.8. EJERCICIO 5. . . . . . . . . . . . . . . . 64
 3.18.9. STATGRAPHICS REGRESION SIMPLE . 71
3.18.10.STATGRAPHICS ANALISIS DE VA-
RIANZA ANOVA SIMPLE . . . . . . . . 71
3.18.11.STATGRAPHICS ANALISIS DE UNA
MUESTRA . . . . . . . . . . . . . . . . . 71

4. CONCLUSIONES 79

5. BIBLIOGRAFIA 80
1. INTRODUCCION

La productividad y optimizacin de procesos son pilares sobre los

que descansa la ingeniera industrial, los cuales adems de apoyar-
se en los mtodos sistmicos de la ingeniera , tambin se utilizan
los mtodos estadsticos no solo como herramienta cientfica sino
tambin como soporte fundamental en acciones tan importantes y
cruciales como lo es la Toma de Decisiones. Las condiciones glo-
balizadas de la economa obligan a nuestros pases tercermundistas
a competir en un mercado exigente y cambiante, lo cual posibilita
la aplicacin de mtodos ms certeros y confiables en el control y
manejo de los procesos productivos, utilizando software especiali-
zado en la simulacin y modelacin de procesos que exigen un alto
conocimiento de mtodos estadsticos univariados y multivariado.
 2. OBJETIVOS

2.1. OBJETIVOS GENERALES

Obtener informacin, a partir de una muestra, de las caractersti-

cas de una poblacin, tendencias, parmetros, elaborar pronsticos
e hiptesis del comportamiento del fenmeno aleatorio, su compor-
tamiento probabilstico y cualquier propiedad que presente la po-
blacin objeto de la investigacin.

2.2. OBJETIVOS ESPECIFICOS

Identifica y maneja a cabalidad los modelos de probabilidad conti-

nuos, normal, exponencial, t de student, F de snedecor, chi-cuadrado,
erlang, weibool y los asocia con la caracterstica del fenmeno alea-
torio dado.
Utiliza correctamente la aproximacin del modelo normal a los
modelos binomial y poisson.
Diferencia e interpreta los parmetros muestrales de los poblacio-
nales.
Realiza operaciones con funciones de probabilidad y soluciona
problemas de forma grafica y matemtica.
Identifica, comprende y diferencia los conceptos de estimacin,
margen de error y nivel de confianza.
Analiza e identifica la distribucin muestral de los diversos esta-
dsticos muestrales aplicando el modelo de probabilidad correspon-
diente.
Selecciona y aplica correctamente los diversos modelos de esti-
macin en problemas relacionados con pronsticos de parmetros
poblacionales.
 Establece diferencias entre un estimador insesgado y un estima-
dor sesgado.
Identifica , selecciona y calcula el tamao de muestra acorde al
tipo de poblacin finita o infinita.
Plantea y desarrolla correctamente el procedimiento correspon-
diente a una preueba de hiptesis.
Interpreta correctamente los errores tipo I y tipo II.
Diferencia y reconoce la repercusin del valor P en una prueba de
hiptesis.
Construye grficos de dispersin y establece la ecuacin de corre-
lacin lineal entre dos o mas variables.
Evala el grado de asociacin lineal entre dos o mas variables uti-
lizando los coeficientes de correlacin y regresin.
Propone y evala hiptesis en estudios de investigacin.
Investiga y establece razonamientos lgicos del comportamiento
a posteriori de cualquier variable o fenmeno aleatorio.
3. CONTENIDO DE ESTADISTICA INFERENCIAL

3.1. DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Es una de las distribuciones ms simples en la estadstica caracte-

rstica:
La funcin de densidad de probabilidad es plana, por tanto es
uniforme en un intervalo cerrado.
Aplicaciones:
No son muy abundantes, sin embargo es apropiada para el princi-
piante.

Figura 1: DISTRIBUCION CONTINUA

La funcin de densidad forma un rectngulo con base B A y al-

tura constante 1/(B A) , como resultado, la distribucin uniforme
a menudo es conocida como distribucin rectangular. la aplicacin
de esta distribucin se basa en el supuesto de que la probabilidad de
caer en un intervalo de longitud fija dentro de [A, B] es constante.
La funcin de densidad de la variable aleatoria uniforme continua
X en el intervalo [A, B] es:
Valor esperado : = A+B
2
2 (BA)2
V arianza : = 12

9
 Figura 2: DISTRIBUCION CONTINUA

3.1.1. EJERCICIO 1.

Suponga que se puede reservar una sala de conferencias

grande para cierta compaa por no ms de cuatro horas.
Sin embargo, el uso el uso de la sala de conferencias es
tal que muy a menudo tienen lugar conferencias largas
y cortas. De hecho, se puede suponer que la duracin X
de una conferencia tiene una distribucin uniforme en el
intervalo [0, 4].
1.Cul es la funcin de densidad de la probabilidad? In-
tervalos (0,4)
X: Tiempo de duracion de una conferencia.
X' U nif orme(A = 0, B = 4)

Z 4 1 1
P (X > 3) = .dx = x (1)
3 4 4

Evaluar de 4 a 3
1
(4 3) = 0, 25 (2)
4
10
 Figure 3: Distribucion Continua

En un 25% de los casos es posible que la conferencia dure

como minimo 3 horas

3.1.2. EJERCICIO 2.

La cantidad de caf diaria, en litros, que sirve una maquina

que se localiza en el vestbulo de un aeropuerto es una
variable aleatoria X que tiene una distribucin continua
uniforme con A = 7 y B = 10. Calcule la probabilidad de
que en un da determinado la cantidad de caf que sirve
esta maquina sea
a) a lo sumo 8.8 litros;
b) mas de 7.4 litros, pero menos de 9.5 litros;
c) al menos 8.5 litros.

11
X: Cantidad de cafe diaria en litros que sirve una maquina
en un aeropuerto. X Uniforme : (A=7 , B=10)
a) a lo sumo 8.8 litros :

Figure 4: Distribucion Continua

R 8.8 1
P(X<8,8) = 7 3 dx

Evaluar de 7 a 8,8
1
(8.8 7) = 0, 6 (3)
3
En un 60% de los casos los que una maquina de cafe sirva
a lo mucho 8,8 litros de cafe diariamente en un vestibulo
de cafe.

12
b) Mas de 7.4 litros, pero menos de 9.5 litros.
x U nif orme.
A = 7, B = 10
R 9,5 1
P(7,4<X<9,5 ) = = 7,4 3 dx

1
(9, 5 7, 4) = 0, 7 (4)
3
En un 70% de los casos es posible que una maquina de
cafe sirva entre 7,4 y 9,5 litros diariariamente.
c) al menos 8.5 litros.
x U nif orme.
A = 7, B = 10
R 2,5 1
P(x>8,5 ) = 10 3 dx

1
(1.5) = 0, 5 (5)
3
En un 50% de los casos es posible que una maquina de cafe
sirva al menos 8,5 diariamente en un vestibulo de cafe.

3.2. DISTRIBUCION NORMAL

La distribucin de probabilidad continua mas importante

en todo el campo de la estadstica es la distribucin nor-
mal. Su grfica, denominada curva normal, es la curva
con forma de campana, la cual describe de manera apro-
ximada muchos fenmenos que ocurren en la naturaleza,
la industria y la investigacin. La distribucin normal a
menudo se denomina distribucin gaussiana. Una variable
aleatoria continua X que tiene la distribucin en forma de
campana se denomina variable aleatoria normal. La ecua-
cin matemtica para la distribucin de probabilidad de

13
la variable normal depende de los dos parmetros y , su
media y su desviacin estndar, respectivamente. Por ello,
denotamos los valores de la densidad de X por n(x; , ).

3.3. DISTRIBUCION NORMAL ESTANDAR

La distribucin de una variable aleatoria normal con media

0 y varianza 1 se llama distribucin normal estndar.

14
La dificultad que se enfrenta al resolver las integrales de
funciones de densidad normal exige tabular las reas de
la curva normal para una referencia rpida. Sin embargo,
seria intil tratar de establecer tablas separadas para cada
posible valor de y . Por fortuna, podemos transformar
todas las observaciones de cualquier variable aleatoria nor-
mal X en un nuevo conjunto de observaciones de una va-
riable aleatoria normal Z con media 0 y varianza 1.

X
Z= (6)

3.3.1. EJERCICIO DISTRIBUCION NORMAL ESTANDAR

Dada una distribucin normal estndar, calcule el rea

bajo la curva que se localiza
a) a la derecha de z = 1.84
b) entre z = 1.97 y z = 0.86.

X:
X N ormal( = , =)
a) a la derecha de z = 1.84, y

15
El sigma es el ancho de la campana y es en Normal Estan-
dar Z es 1 y 0 el
P(ZZ1,84)= 1-0,9671 = 0,0329
b) entre z = 1.97 y z = 0.86.
Encontramos la desviacion estandar de cada una esto es
igual a z=-1,97 es 0,8051 y z=0,89 es 0,0244
P(Z<0,86)-P(Z<-1,97)
= 0,8050-0,0244
= 0,7807

3.3.2. EJERCICIO 2. DISTRIBUCION NORMAL ESTANDAR

Dada una distribucin normal estndar, calcule el valor de

k tal que
a) P (Z > k) = 0.3015
1-0,3015 = 0,6985 F(x): distribucion estandar inv(0,6985)
= 0,52.
P(Z<K) = K Aproximado 0,52
b) P (k < Z < 0.18) = 0.4197

Acoumalado izquierda excel : 0,4286-0,4197 = 0,0089

Distribucion normal estandar inversa = -2,36
Nota : Si tenemos el numero y desconocemos el area utii-
lizamos Dist.normal.est.n
Si desconocemos el numero y tenemos el area utilizamos
Distr.normal.est.inv

16
3.3.3. EJERCICIO 3. DISTRIBUCION NORMAL

Dada una variable aleatoria X que tiene una distribucin

normal con = 50 y = 10, calcule la probabilidad de que
X tome un valor entre 45 y 62.
X Contunua
X N ormal( = 50, = 10)
P (45 < x < 62) =

Utilizamos distribucion normal , cuando tenemos x:62 aco-

mulado 1 , media : 50 y desviacion estandar:10.
Resultado : 0,8849
Despues Dist.normal de 45 = 0,3085
P(45<X<62) = 0,3085-0,8849 = 0,5764

17
3.3.4. EJERCICIO 4. DISTRIBUCION NORMAL

Dado que X tiene una distribucin normal con = 300 y =

50, calcule la probabilidad de que X tome un valor mayor
que 362.

X: X N ormal( = 300, = 50)

P(X>362) = 0,1075 Distribucion Normal = 0,8925
1-0,8925 = 0,1075

3.3.5. EJERCICIO 4. DISTRIBUCION NORMAL

Cierto tipo de batera de almacenamiento dura, en pro-

medio, 3.0 anos, con una desviacin estndar de 0.5 aos.
Suponga que la duracin de la batera se distribuye nor-
malmente y calcule la probabilidad de que una batera
determinada dure menos de 2.3 aos.
X: Tiempo de duracion.
= 0, 5
= 3.0
X N ormal( = 3.0, = 0.5)
P (X < 2, 3) =?
Realizar la distribucion normal = 0,0808

18
En un 8 % de los casos es posible que una bateria escogida
dure menos de 2,3 aos.
P(X<1) = 0,00003

3.4. DISTRIBUCIN BINOMIAL A LA NORMAL

La principal distribucin de probabilidad es la normal puesto

que esta posee una caracterstica que le permite en casi
cualquier otra distribucin de probabilidad tanto discreta
como continua, se puede aproximar a esta en ciertas con-
diciones.
La distribucin de probabilidad normal y la curva normal
que la representa, tienen las siguientes caractersticas:

19
 La curva normal tiene forma de campana y un punto
central en la distribucin
La media , la mediana y la moda son iguales y se
localizan en el punto central.
Esta distribucion es simetrica alrededor de su media.
la curva se acerca cada vez ms al eje X pero jams
llega a tocarlo.
Para indicar que una variable aleatoria (v.a.) sigue una
distribucin normal media y desviacin estndar uti-
lizaremos la expresin:
X ' N (,)
En algunos casos una Distribucin Binomial puede apro-
ximarse por una Distribucin Normal (que tenga la misma
media y varianza).
La distribucin normal se puede utilizar como una aproxi-
macin de distribuciones discretas, en particular cuando el
tamao de la muestra "n" tiende a infinito, p y q cercanos
a 0.5 se puede aproximar a la distribucin binomial, con
resultados altamente satisfactorios.

Principalmente antes que todo se debe confirmar que se

trate de una distribucin binomial y que cumpla con los
requisitos que sean pruebas independientes que solo pueda
tener dos resultas mutuamente excluyentes un xito y un
fracaso , y la probabilidad permanece igual de una prueba
a la siguiente.
Se estn evaluando probabilidades asociadas a una variable
discreta x, con una distribucin que evala variables de
tipo continuo como es la Normal, Por lo que z sufre un
pequeo cambio como se muestra a continuacin:

20
la razn por la que se suma o se resta 1/2 a x es porque
es Este es un factor de correccin debido a que se est
evaluando una variable discreta con una distribucin con-
tinua, por lo que hay que delimitar claramente desde que
punto se va a evaluar la variable, dicho de otra forma, en
que lmite de la barra (inferior o superior) nos debemos po-
sicionar para determinar la probabilidad requerida, cada
barra de probabilidad a evaluar tiene como base la unidad.
Por lo tanto la distribucin aproximada estar dada por:

3.4.1. TEOREMA DE MOVIRE-LAPLACE 1756

Si X es una variable discreta que sigue una distribucin

binomial de parmetros n y p, B(n,p) y se cumple que
n>10, np>5 y nq>5 resulta una aproximacin bastante
buena suponer que la variable X recordemos que en la
binomial = np y varianza 2 = npq y nos aproximamos a

la normal N(n.p, 2 n.p.q)
Resulta mucho ms sencillo trabajar con la variable normal
X que con la binomial X, pues recordemos que los valores
de la normal estn tabulados.

3.4.2. CORRECCIN DE CONTINUIDAD O DE YATES

Cuando aproximamos una distribucin binomial mediante

una normal, estamos convirtiendo una variable X discreta
(toma un nmero determinado de valores) en una continua
X (toma valores en un intervalo).
Los valores de la probabilidad para valores fijos de la va-
riable continua son cero (ya que sera el rea de un punto),
y necesitamos definir un intervalo. Para evitar este pro-
blema en la aproximacin de los valores fijos estos se corri-

21
gen (correccin de continuidad o de Yates) sustituyndolos
por un intervalo centrado en el punto y de valor unidad.
Para la probabilidad de que al menos X ocurra, se
utilizar el rea por encima de la curva (X-0,5)
Para la probabilidad de que ocurra ms que X, se uti-
lizar el rea por encima de la curva (X+0,5)
Para la probabilidad de que ocurra X o menos, se uti-
lizar el rea por debajo de la curva (X+0,5)
Para la probabilidad de que ocurra menos de X, se
utilizar el rea por debajo de la curva (X-0,5)

3.4.3. EJERCICIO DE APLICACIN APROXIMACIN DE LA NORMAL A

LA BINOMIAL

En un dos porciento de los tornillos fabricados por una

maquina presentan defectos. Si tenemos un lote de 2000
tornillos Cul es la probabilidad de que haya menos de
50 defectuosos
Es una distribucin binomial, los tornillos solo pueden ser
defectuosos o no defectuosos.
P= 0.02
q= 1-p = 0.98
n= 2000
B(np) B(2000, 0, 02)
La n es grande podemos hacer la aproximacin de la bino-
mial a la normal comprobemos que:
n.p5 (2000x0, 02) 40
n.q5 (2000x0.98)1960
Calculamos la media y la desviacion tipica de la distribu-
cion normal.

22
 = n.p
= 2000 x 0.02
= 40

2 n.p.q) 2 2000 0.02 0.95) =6.26

X es B(2000*0,02) Correccin x en N (40; 6, 26)

Tipificamos z en N (0,1)
p(x<50) = p (x < 49.5 ) = p ( Z 49,5-40/6.26 )
p(Z 1,52) = 0.9357
Respuesta : En un 94 % de los casos es muy probable que
en un lote de 2000 tornillos fabricados por una maquina
encontremos menos de 50 defectuosos.

3.4.4. EJERCICIO DE APLICACIN APROXIMACIN DE LA BINOMIAL

A LA NORMAL

En un bombo de lotera tenemos 10 bolas idnticas nume-

radas del 0 al 0, cada vez que hacemos la extraccin de
una bola despus la devolvemos al bombo.
Si hacemos 100 extracciones , cual es la probabilidad de
que el 0 salga mas de 12 veces.
= n.p
= 100 x 0.1
= 10

2 n.p.q) 2 100 01 0.9) =3
X es B(100,0.1) Correccin x en N (10;3)
Para calcular las diferentes probabilidades debemos de ti-
pificar la variable y obtener las correspondientes probabi-
lidades en la tabla de distribucin

23
p(x > 12) = p ( Z 12-10/3)
p(Z 0.67) = 0.2514
p ( Z 0,67)= 1-p ( Z 0,67)= = 0,2514
Respuesta : La probabilidad de obtener mas de 12 veces
la bola del cero al realizar 100 extracciones es 0,2514 o lo
que es lo mismo ,al extraer una bola del bombo se estima
que el 25,14% de las veces sale el cero.

3.5. DISTRIBUCIN POISSON A LA NORMAL

Sea X una variable aleatoria que representa el nmero de

eventos aleatorios independientes que ocurren con igual
rapidez en un intervalo de medida.
Se da un intervalo de medida que divide un todo de n-
meros reales y donde el conto de ocurrencias es aleatorio.
Esa divisin puede ser un subintervalo de medida.
El nmero de ocurrencias de resultados en el intervalo
subintervalo de medida, es independiente de los dems
intervalos subintervalos. por eso se dice que el proceso
de Poisson no tiene memoria.
La probabilidad de que un solo resultado ocurra en un in-
tervalo de medida muy corto pequeo es la misma para
todos los dems intervalos de igual tamao y es propor-
cional a la longitud del mismo al tamao de medida.
La probabilidad de que ms de un resultado ocurra en
un intervalo subintervalo corto es tan pequea que se
considera insignificante (cercana igual a cero).
Procesos que se ajustan a estos criterios, se dice, son pro-
cesos de Poisson.

24
Aunque para n finito las distribuciones de Poisson y Nor-
mal nocoinciden, es posible aproximar la primera por la
segunda, de acuerdo a la regla siguiente:
10 aproximar a la Normal de media , varianza
< 10 no aproximar, calcular con la variable original
En esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar
y que cada intervalo de tiempo es independiente de otro
intervalo dado, as como cada rea es independiente de
otra rea dada y cada producto es independiente de otro
producto dado.
[?]]devore2008probabilidad
Se puede aproximar tambin la poisson a travs de la nor-
mal cuando es grande
Poisson () = N (, Cuanto mayor sea mejor ser la
aproximacin

3.5.1. EJERCICIOS DE APLICACIN APROXIMACIN DE LA NORMAL

A LA POISSON

3.5.2. EJERCICIO 1

Se cuenta en un hospital del sector salud en el estado de

Tabasco con los aparatos de anlisis de rin
Cul es la probabilidad de que exactamente 3 aparatos es-
tn fuera de servicio el mismo da, si tiene un valor de .8?

Solucin:
px=n.px (e)-np x!
px=3=.83 (2.71828)-.8 3!
p(x=3)=0.0383

25
En un 4% es la probabilidad en que exactamente 3 apa-
ratos del hospital del sector de la salud en el estado de
tabasco estn fuera de servicio el mismo dia.

3.5.3. EJERCICIO 2

Imagine que trabaja en una compaa de telfonos y le

piden dirigir el departamento de atencin al cliente. Para
ellos se pone un telfono de atencin al cliente que recoge
las quejas y al cabo de un tiempo sabe que recibe unas 4
quejas diarias.
1. Porcentaje de das en los que no recibe ninguna queja.
X = numero de quejas diarias. E(X) = = 4 P(X=x) =
x e /x!
P(X=0) = o e 4/0!
p(X=0) = 0,0183
Respuesta : En un 2% de los casos es muy poco probable
que una compaia de telfonos en su rea de atencin al
cliente no reciba ninguna queja.

3.6. DISTRIBUCION GAMMA Y EXPONENCIAL

Aunque la distribucin normal se puede utilizar para re-

solver muchos problemas en la ingeniera y las ciencias,
hay numerosas situaciones que requieren diferentes tipos
de funciones de densidad. Tal es el caso de las distribu-
ciones gamma y exponencial. Estas distribuciones juegan
un rol fundamental en los problemas de confiabilidad. Los
tiempos entre llegadas en instalaciones de servicio, y tiem-
pos de fallas de partes componentes y sistemas elctricos,
frecuentemente son bien modelados mediante la distribu-
cin exponencial.

26
La distribucin gamma deriva su nombre de la conocida
funcin gamma, que se estudia en muchas reas de la ma-
temtica.
La funcin gamma se define como:

Curva por debajo (area)

Solo Gamma funcion de densidad:

: Gamma
=
2 = 2

27
3.6.1. DISTRIBUCION EXPONENCIAL

Funcion de densidad :
=
2 = 2
Tiempo promedio de ocurrencias :

Numero de ocurrencias especifico :

= 1

3.6.2. EJERCICIO 1. DISTRIBUCION EXPONENCIAL

Suponga que un sistema contiene cierto tipo de compo-

nente cuyo tiempo de operacin antes de fallar, en aos,
est dado por T. La variable aleatoria T se modela bien
mediante la distribucin exponencial con tiempo medio de
operacin antes de fallar Beta=5 Si se instalan 5 de estos
componentes en diferentes sistemas, cul es la probabili-
dad de que al final de 8 aos al menos dos an funcionen?
Pautas para la solucin:
T:?
T?
:?
a)Cual es la probabilidad de que un componente dado aun
funcione despues de 8 aos.
b)Cul es la probabilidad de que al menos dos componen-
tes dados an funcionen despus de 8 aos si se instalan 5
en el sistema?
X: ?
n=?
p=?

28
X ?

Desarrollo del ejercicio :

T = tiempo (aos) de operacion antes de fallar cierto tipo
de componente.
T Exponencial( = 5, = 1)
Soloseaceptalaocurrencia.
T Exponencuial( = 5)
El numero de pruebas o ensayos es n=5 x = Numero de
componentes que siguen funcionando al final de 8 aos.
P(X>2) = ?
X = Numero de componentes que siguen funcionando al
final de los 8 aos.
P(X>2) = ?

Encontrar primero T que es el tiempo de duracion 8 aos.

P(T>8) = 1-P(T<8)
P= 1-0,7981 = 0,2019
Distri.exponen x=8 ,
= 1/ = 1/5
En un 0X : Discreta Bernulli n,p P(X>2) = 1-P(X<2)
X Binomial (n=5 , p:0,2019)
Excel Binomial
P(X>2) = 1-P(X<2) = 1-P(X<1)
Numero de exitos : 1
Ensayos : 5

29
Probabilidad : 0,2019
Acomulado : 1
Respuesta :
Respuesta : En un 27% aproximadamente es posible que
al final de 8 aos al menos dos sigan funcionando.

3.6.3. EJERCICIO 2. DISTRIBUCION GAMMA

Supongamos que las llamadas telefnicas que llegan a una

central siguen un proceso de Poisson con un promedio de
cinco llamadas que llegan por minuto. Cul es la probabi-
lidad de que pase ms de un minuto hasta que lleguen dos
llamadas a la central? Pautas para la solucin: Dnde
se aplica el proceso de Poisson? Se aplica al tiempo que
pasa hasta la ocurrencia de un nmero especfico de even-
tos de Poisson, que en este caso son dos (. . . hasta que
lleguen dos llamadas telefnicas, teniendo en cuenta que
dice: Supongamos que las llamadas telefnicas que llegan
a una central siguen un proceso de Poisson )
T:?
=?
=?
T ?
a)Cul es la probabilidad de que pase ms de un minuto
hasta que lleguen dos llamadas a la central.
P(X>1)=?
= 1/5
=5
=2
T: Tiempo que transcurre para que lleguen 2 llamadas a
la central.

30
P(T>1) = 1-P(T<1)

Si es discreta hubiese cambiado a 0. P(T<0)

T Gamma( = 2, = 1/5)

Es gama por proceso de poisson tiempos de sobrevivencia.

P(T<1)= 0,9595
1-P(T<1) = 0,040

Respuesta : En un 40% aproximadamente de los casos que

lleguen 2 llamadas a la central haya pasado mas 1 numero.

3.7. DISTRIBUCION WEIBULL

La tecnologa actual permite que los ingenieros diseen

muchos sistemas complicados cuya operacin y seguridad
dependen de la confiabilidad de los diversos componentes
que conforman los sistemas. Por ejemplo:
Un fusible se puede quemar Una columna de acero se puede
torcer Un dispositivo sensor de calor puede fallar. Compo-
nentes idnticos, sujetos a idnticas condiciones ambienta-
les, fallaran en momentos diferentes e impredecibles.
Ya examinamos el papel que desempean las distribucio-
nes gamma y exponencial en estos tipos de problemas.
Otra distribucin que se ha utilizado ampliamente en aos
recientes para tratar con tales problemas es la distribucin
de Weibull, introducida por el fsico sueco Waloddi Wei-
bull en 1939.
La variable aleatoria X tiene una distribucin de Weibull,
con parmetros alpha>0, beta 0, si su funcin de densidad
est dada por :

31
 3.7.1. GRAFICO DISTRIBUCION WEIBULL

Calcular el tiempo antes de que falle.

Calcular la confiabilidad

Notas que si alfa=1, la distribucin de Weibull se reduce

a la distribucin exponencial
La distribucin acumulada F(x) de la Weibul

La media y la varianza de la distribucin de Weibull

32
3.7.2. EJERCICIO DE APLICACION

Acomulada hasta la izquiera la funcion Weibull

Rt
R(t) = P(T>t ) = f (x)dx = 1 f (t)
El periodo de vida de una broca en una operacin me-
cnica, en horas, tiene una distribucin de Weibull con
Alfa=2 y Beta=50.

a) Calcule la probabilidad de que la broca falle antes de

10 horas de uso.
T= Tiempo de operacion de la broca antes de fallar. T
W eibull(Alf a = 2yBeta = 50)
P(T<10) = =Distr.weibull(10;2;50;1)
= 0,3921.
En un 3,9 % es posible que una broca falle antes de 10
horas.
Cul es la confiabilidad de la broca, es decir cul es la pro-
babilidad de que funcione aproximadamente por lo menos
10 horas bajo condiciones experimentales especficas?

R(T) = P(T>10) = 1-P(T<10)

= 1-0,0392
= 0,9608

33
3.8. DISTRIBUCIN BETA

Es una distribucion de probabilidad continua con dos

parametros a y b cuya funcion de densidad para valores
0 x 1 es:

(a + b) a1
x (1 x)b1
(a + b)
es una funcin gamma
El valor esperado y la varianza de una variable aleatoria x
con distribucion beta son:

a
E(X) =
a+b

ab
V (X) =
(a + b + 1)(a + b)2

Para > 0, > 0, Se define la funcion beta por la

integral :

Z 2
B(, ) = x1 (1 x) 1 dx
1
3.8.1. CAMPO DE APLICACIN DE LA DISTRIBUCIN BETA

En la teora de probabilidad y estadstica, la distribucin

beta representa una familia de distribuciones de probabi-
lidad continuas con soporte en el intervalo (0,1). La den-
sidad beta es caracterizada por dos parmetros positivos,
indicados generalmente por y o u y v, que son par-
metros de localizacin y de escala. La distribucin beta
ha sido aplicada para modelar el comportamiento de va-
riables aleatorias limitadas a intervalos de amplitud finita,
en una gran variedad de reas
La distribucin beta se usa generalmente para estudiar las
variaciones, a travs de varias muestras, de un porcentaje
que representa algn fenmeno, por ejemplo, el tiempo
diario que la gente dedica a mirar televisin.

3.8.2. EJERCICIO DE APLICACIN DE LA DISTRIBUCIN BETA

En cierto pas, la proporcin de tramos de autopista que

requieren reparacin de un ao, determinado es una varia-
ble aleatoria con distribucin beta, a = 3, b =2, calcula
a) En promedio qu porcentaje de tramos de autopista
requieren reparacin en un ao cualquiera.
a
E(X) = = 0.6
a+b
EJERCICIO 2:
Sea X una variable aleatoria con distribucion (4,2) El
calculo de E[X], V[X] , Y P(0<X 0, 7)es :
4 2 8
E[X] = , = V [X] = 2
6 3 6 .7
R 0.5 1 3 1 x4 x5
P(0<X 0.7) = 0 20 (x x4 ) dx = 20 ( 4 5) =
0, 00132
 Figure 5: DISTRIBUCIONES BETA

3.9. DISTRIBUCIN ERLAN

La Distribucin Erlang es una distribucin de probabili-

dad continua con una amplia aplicabilidad debido princi-
palmente a su relacin con la exponencial y la distribucin
gamma dada por la suma de un nmero de variables alea-
torias independientes que poseen la misma distribucin ex-
ponencial.
Es una distribucin de probabilidad continua, con una am-
plia aplicabilidad debido a su relacin con la exponencial
y la distribucin gamma, dada por la suma aleatoria inde-
pendiente que poseen la misma distribucin exponencial.
Este proceso se aplica donde el servicio tiene que aplicar
dos operaciones cada una con tiempo de servicio exponen-
cial
Una v.a de Erlang mide la distancia hasta que ocurran
r conteos en un proceso poisson. La v.a x es igual a la
longitud del intervalo hasta que ocurren r ocurrencia en
proceso poisson con media > 0 tiene una distribucion
Erlang con parmetros y r la funcin de densidad de
probabilidad es:
 r xr1 e x
f (x) =
(r 1)!

3.9.1. CAMPO DE APLICACION DISTRIBUCIN ERLANH

La distribucin Erlang se aplica en modelos de sistemas

de servicio masivo, ejemplo:En situaciones donde el servi-
cio tiene que realizar dos operaciones c/u con tiempo de
servicio exponencial.
La distribucin Erlang es el resultado del trabajo reali-
zado por el matemtico dans Agner KrarupErlang (1878
- 1929) quien fue un pionero en la aplicacin de mtodos
estadsticos para el anlisis de las redes telefnicas.
La distribucin se deriva del modelo el total de tiempo de
espera asociado con una cola de solicitudes en una central
telefnica, por lo cual es de especial inters para nuestro
curso de teora de colas.

3.9.2. EJERCICIO DE APLICACIN DISTRIBUCIN ERLAN

Las fallas en la (CPU) de los sistemas de computadores

grandes se moldean con frecuencia como un proceso de
poisson. por lo general las fallas no son causadas por des-
gaste si no por otros factores.
suponga que las unidades que fallan se reparan de inme-
diato y que el numero promedio de fallas por hora es de
0.0001. sea que X denote el tiempo hasta que ocurran
4 fallas en un sistema. determine la probabilidad que X
exceda 40000 horas
SOLUCIN
X= 40000 Horas
 = 0.0001 fallas/hora
r=4 fallas
P(X>40000)
Z + r xr1 e x
= = 0.433
40000 (r 1)!

VARIANZA Y ESPERANZA
Si X es una v.a de erlang con parmetros yr, entonces
la media y varianza de X son:
r
= E(X) =

r
2 = V (X) = 2

La investigacin realizada ha contribuido de manera muy

importante para identificar y resaltar los puntos que son
necesarios para el entendimiento de la estadstica y to-
das sus herramientas de probabilidad , se adquiri conoci-
miento a lo referente que la distribucin beta utilizada ge-
neralmente para estudiar las variaciones a travs de varias
muestras de un porcentaje que representa algn fenmeno,
y la Erlang distribucin de probabilidad continua con una
amplia aplicabilidad debido principalmente a su relacin
con la exponencial y la distribucin gamma dada por la
suma de un numero de variables aleatorias independientes
que poseen la misma distribucin exponencial.

3.10. DISTRIBUCIONES FUNDAMENTALES DEL MOSTREO

El Ingeniero que desea conocer las actitudes de los em-

pleados frente a las nuevas polticas de la empresa, no em-
prende la tarea de entrevistar a todos los empleados que
hay en la empresa, ms bien elige una muestra de ellos y
los entrevista.

3.10.1. DISTRIBUCION MUESTRAL DE LA MEDIA

Gasto promedio muestral mensual en fotocopias de estu-

diantes X
X =?
M edia :
M uestral : X
V ariaza 2 poblacional.
S 2 M uestral.

3.10.2. EJERCICIO DE APLICACION DISTRIBUCION MUESTRAL DE LA

MEDIA

Un estudiante gasta mensualmente en fotocopias un valor

medio de 10000 pesos con una desviacin estndar de 500
pesos.
a) Cul es la probabilidad de que el gasto promedio de
una muestra aleatoria de 40 estudiantes oscile entre 9900
y 10200 pesos? R/ 0,8905
b) Si el tamao muestral hubiese sido 15, en lugar de 40,
podra calcularse la probabilidad pedida en el inciso a) a
partir de la informacin dada? R/ No
c) Suponga que los gastos mensuales en fotocopias estn
normalmente distribuidos y que se tom una muestra alea-
toria de 20 estudiantes que arrojaron una desviacin estn-
dar de 550 pesos (suponga que la desviacin estndar po-
blacional es desconocida), establezca la cantidad requerida
para que 0,1 sea la probabilidad de que la media muestral
del gasto est por debajo de la media poblacional R/ -
163,31
Desarrollo del ejercicio :
: 10, 000
= 500
n = 40
P( 9900 < X < 10200 ) = ?
Cual distribucion usar?
-F.P cual es la forma de la poblacion , es desconocida
-Varianza poblacional conocida.
-n pequea o grande
-Grande mayor que 30
-Pequea menor que 30.
-n es grande.
Utilizamos los supestos:
Estamos en el tercer supuesto.
n= tamao de muestra.
N= tamao poblacion

n
> 0, 05f inita (15)
N
para escoger con reemplazo:
n
X = = 0, 05 (16)
2
n N
Si es mayor :

N n
X = ( ). (17)
N 1 2n
Resolviendo el ejercio :

X = (18)
2
n
 500
X =
2
(19)
40

X = 79, 95Aproximado = 79, 1 (20)

P(9900 <X<10200) = ?
Dist.normal(X;Media;Desv.est;Acomulado)
Dist.normal(10200;10000;79.05;1)
= 0,994
= 0.9943-0.031
= 0.8912
En un 89% de los casos es un posible que al tomar una
muestra de 40 estudiantes el promedio de gasto mensual
oxcile entre 9900 y 10200.

3.11. DISTRIBUCIONES MUESTRAL DE LA DIFERENCIA DE

MEDIAAS

La empresa H dispone de dos talleres de fabricacin A

y B. Por informaciones previas se supone que el nmero
medio de unidades terminadas diariamente por cada tra-
bajador es el mismo en ambos talleres, si bien en el taller
A la variabilidad del nmero de unidades terminadas por
cada trabajador es menor que el taller B. Para realizar un
estudio de rendimientos se seleccionaron aleatoriamente
20 trabajadores de A y 24 trabajadores de B. Tras ello,
se cont el nmero de unidades terminadas diariamente
por cada trabajador, obtenindose para el estudio los si-
guientes resultados: las medias muestrales de las unidades
terminadas en A y B son respectivamente, 5.6 y 5.5; las
varianzas muestrales de las unidades terminadas en A y B
son, respectivamente 0.48 y 0.45. Suponiendo normalidad
en las unidades terminadas diariamente R/ 0,79
Desarrollo del ejercicio :
Taller A y Taller B
2 < 2
n1= 20
n2= 24
X1 = 5, 6
X2 = 5, 5
S12 = 0, 48
s22 = 0, 45
cul es la probabilidad de que la diferencia entre las me-
dias muestrales sea menor que la observada en el estudio?
El promedio muestras de las unidades terminadas en el ta-
ller A.
El promedio muestral de las unidades terminadas en el ta-
ller B.

P(X1 X2 < 5, 6 5, 5)
P (X1 X2 < 0, 1) =?

Hay que mirar los supuestos La forma de la poblacion es

normal
2 < 2 Desconocidasdif erentes
n1,n2 Pequeas
Tercer caso :
X1 X2 = T deestudent
Grados de libertad :

( 0,48
20 +
0,45 2
24 )
V = 2 2 (21)
( 0,48 ) ( 0,48
20 )
( 2019 + ( 23 )
V=40,07 V= 40
Media: X1 X2 = 1 2
= 0 iguales
Varizada estimada :
v
u 1
X2
= 2 S
u S2
X1 t
+ (22)
n1 N 2
v
2 0, 48 0, 45
u
X2
=
u
X1 t
+ = 0, 21 (23)
20 24
Distribucion T.N = 0,6901
P(X1 X2 < 0, 1) =?
Para tener x en excel debemos convertir a

X1 X2 (24)
En t student debemos estandarizar 0,1.
X2
X1 X1
X2

t= X2
(25)
X1
Estandarizando a 0,1
0, 1 0
= 0, 5(Excel)
0, 2
< A la derecha significa que no restaremos a uno R/ 0,6901
si fuera > seria 1-0,6901.

X2
P( X1 < 0, 1) = P (t < 0, 5) = 0, 6901(26)
En el 69% es posible que la diferencia entre las medias
muestrales de unidades del taller terminadas en taller a y
b sea menor que la observada en el estadio.
3.12. DISTRIBUCIN MUESTRAL DE UNA PROPORCIN

Una entidad bancaria est considerando una nueva emisin

de bonos convertibles. Sus directores saben que la oferta
resultar atractiva para el 20% de los accionistas actuales
y se toma una muestra aleatoria de 130 accionistas. Cul
es la probabilidad de que la proporcin muestral de accio-
nistas que encontrarn atractiva la oferta sea superior a
0.15?est entre 0.18 y 0.22?
20% Si p= 0,2 80% no. n= 130
Proporcion de muestra de accionistas que estan a favor de
los bonos convertibles = p
P (p > 0, 15) =
2 = N I)
F.P Desconocida (NI)
n=Grande) p= proporcion poblacional.
Si la n es grande la distribucion es normal.

p = p = 0, 2 (27)
v
2 p(1 p)
u
u
p = t
(28)
n
v
2 0, 2(1 0, 2)
u
u
p = t
= 0, 035 = 0, 04 (29)
130
=distribucion.normal.n = 0,1056
x= 0,5
media = 0,2
= 0,04
Acomulado:1
P(P > 0, 15) = 1 0, 1056 = 0, 8944
En un 89,4 de los casos es muy probable que los accionistas
digan que si a los bonos convertibles.

3.13. INTERVALOS DE CONFIANZA

Poblacion - parametrico Muestra - Estadistico.

Estimar parametros de la poblacion con intervalos de con-
fianza.
Media poblacional :
P roporcionP oblacional : P
2 : V arianza
Dif.medias : 1 2
Dif.proporcionalp1 p2
2
Razondevarianza : 122
M edia : X
P roporcion : p
V arianzaproporcion : S 2

3.13.1. EJERCICIO INTERVALOS DE CONFIANZA

Una muestra aleatoria de 110 estudiantes de primer grado

de cierta escuela pblica alcanzaron una altura promedio
muestral de 0.81 metros con una desviacin estndar mues-
tral de 0.34 metros. Calcule un intervalo de confianza de
99% para la verdadera altura promedio media e interprete
el intervalo resultante. R/ 0.73 0.89 Con una confianza
del 99
Estatura (M) n = 110
Media : X S = 0, 34(0, 1)
Confianza: 1- = 0, 99
Signif icancia : 0, 99

Si el problema no dice el nivel de significancia utilizaremos

0,05. = 1 0, 99 = 0, 01

Porque dice promedio esta diciendo sobre la media.

?< <?
Intervalodeconf ianza
Supuestos : F.P desconocida
2 : Desconocida
n : grande
Mirar parametros, diapositiva 14.
Punto Critico :
1. Siempre positvo
0,01
= 0, 01 2 = 2 = Z0, 005(30)
Se necesita el numero y tienes el area es normal inversa.

Z = Z0, 005 = 2, 580, 73 < < 0, 89 (31)
2
Con una confianza del 99% podemos afirmar que la ver-
dadera altura promedio de todos los nios estudiantes de
primer grado de cierca escuela se encuentra entre 0,73 0,89
metros.

3.14. INTERVALOS DE CONFIANZA PARA LA PROPORCIN

Y DIFERENCIA DE PROPORCIONES

De una muestra aleatoria de 140 estudiantes de una univer-

sidad, 74 indicaron que provienen de estratos altos. Cons-
truya un intervalo de confianza del 90% para estimar la
proporcin de estudiantes en toda la universidad que pro-
vienen de estratos altos. RTA/ 0.46- 0.60

q q
p Z P (1 P )/n < p < p + Z P (1 P )/n (32)
2 2
n=140
74
p = 140

Grados de confianza (1-Alfa)= 0,90

= 0, 1
?<p<?
F.P Desconocida
2 = Desconocida
n = grande
= 1 0, 90 = 0, 10
/2 = 0, 05
Z/2 = Z0, 05 = 1, 65
0,46< p < 0,60
Con una confianza del 90% se afirma que la proporcion
de estudiantes en toda la universidad que provienen de
estratos altos esta entre 46% 60%.

3.15. HIPOTESIS ESTADISTICAS

Identificar la hiptesis nula y la alternativa Un empresa-

rio afirma que el peso medio poblacional (en gramos) de
lapiceros por caja es de por lo menos 300 gramos.

R/ H0: 300
H1 : < 300
Una empresa decide aceptar envos de piezas siempre y
cuando no tenga evidencia para sospechar que ms del 4%
son defectuosas.

R/ H0: p 0.04
H1: p > 0.04

Supongamos que la conjetura de una profesora es que la

utilizacin de la tecnologa no produce diferencias en el
promedio de las calificaciones del examen final.

R/ H0: 12 = 0
H1 : 12 > 0

3.16. EJERCICIO PRUEBA PARA LA MEDIA

Un vendedor de coches nuevos calcula que su compaa

tiene que promediar ms de 4.8% de ganancias en las ven-
tas de los autos nuevos asignados. Una muestra aleatoria
de 80 coches, proporcion una media y una desviacin es-
tndar del porcentaje de ganancias por vehculo de 4.87%
y 3.9%, respectivamente. Aportan los datos evidencia es-
tadstica suficiente que indique que la poltica del gerente
de ventas al aprobar los precios genera una ganancia media
superior a 4.8% por coche?. Utilice un nivel de significan-
cia del 1%.

Ho : Alternativa
H1 : N ula
Ho : < 4, 8V alorhipotetico
H1 : > 4, 8V endedor
n : 80
X = 4, 87
S = 3, 9
Nivel de significancia alfa = 0,01 , confianza del 99%
Supuestos :
F.P: Desconocida
2 = Desconocida
n = grande
Estadistico de prueba:
X o
Z = (33)
/ n
o = 4, 8
4, 87 4, 8
Z = = 0, 16V.o (34)
3, 9/ 80
Valor observado :
Z Alfa = Z0,001 = 2,33
Si es cola a la derecha.
Analizamos el valor observado
0,16 < 2,33
Decision : No se rechaza Ho.

Interpretacion:
Con una confianza del 99% no hay evidencia estadistica
espeficia suficiente para afirmar la hipotesis del vendedor.
P- VALOR
Alfa: 0,01 No se rechaza H0.
P(Z>0,16)= distrubucion normal estandar inversa.
El excel lo da a la derecha.
1-0,5636 = 0,4364
3.16.1. EJERCICIO PRUEBA DE HIPOTESIS PROPORCION

Un consultor de ventas afirma haber obtenido pedidos de

cuando menos 30 por cierto de las personas que contact.
Suponga que en una muestra de 100 prospectos se reci-
ben rdenes de compra de 20 de ellos. Concediendo al
consultor el beneficio de la duda, Se puede rechazar la
afirmacin con 5% como nivel de significancia?.
Ho > 30
Si en si o no proporcion.
Ho: p > 0,30
H1 : p < 0,30
n = 100
p = 20/100 = 0, 20 = 0, 05
Supuestos:
F.P Desconocida
2 = desconocida
n = grande
po = 0, 30
p po
Z= r (35)
2 po(1po)
n
0, 2 0, 30
Z= r = 2, 8V.O (36)
2 0,30(10,30)
100
P-VALOR
P-VALOR = P(Z<-2,18)
Distribucion Normal Estandar.n = 0,015
Alfa = 0,05 Decision : Se rechaza Ho. Con una confianza
del 95% se afirma que el consultor de ventas no tiene la
razon.

3.17. BONDAD DE AJUSTE , INDEPENDENCIA Y HOMOGE-

NEIDAD

3.17.1. BONDAD DE AJUSTE

La bondad de ajuste de un modelo estadstico describe lo

bien que se ajusta un conjunto de observaciones. Las me-
didas de bondad en general resumen la discrepancia entre
los valores observados y los k valores esperados en el mo-
delo de estudio. Tales medidas se pueden emplear en el
contraste de hiptesis, e.g. el test de normalidad de los
residuos, comprobar si dos muestras se obtienen a partir
de dos distribuciones idnticas (ver test de Kolmogorov-
Smirnov), o si las frecuencias siguen una distribucin es-
pecfica Chi cuadrado.

3.17.2. PRUEBA DE HOMOGENEIDAD

Se plantea el problema de la existencia de homogeneidad

entre r poblaciones, para lo cual se realizan muestras in-
dependientes en cada una de ellas. Los datos muestrales
vienen clasificados en s clases y sus frecuencias absolutas
se presentan en forma de una matriz r x s:
Para ver el grfico seleccione la opcin "Descargar" del
men superior siendo nij el nmero de observaciones en
la i-sima poblacin pertenecientes a la j-sima clase. Se
quiere contrastar la hiptesis nula de que las probabilida-
des asociadas a las s clases son iguales en las r poblaciones
El estadstico L se distribuye como una con (r - 1)(s - 1)
grados de libertad. El contraste se realiza con un nivel de
significacin del 5

3.17.3. PRUEBA DE INDEPENDENCIA

Cuando cada individuo de la poblacin a estudio se puede

clasificar segn dos criterios A y B, admitiendo el primero
a posibilidades diferentes y b el segundo, la representacin
de las frecuencias observadas en forma de una matriz a x
b recibe el nombre de Tabla de contingencia. Los datos se
disponen de la forma siendo nij el nmero de individuos
que presentan simultneamente la i-sima modalidad del
carcter A y la j-sima del B.
La hiptesis nula a contrastar admite que ambos carac-
teres, A y B, se presentan de forma independiente en los
individuos de la poblacin de la cual se extrae la muestra;
siendo la alternativa la dependencia estocstica entre am-
bos caracteres. La realizacin de esta prueba requiere el
clculo del estadstico el tamao muestral total.
El estadstico L se distribuye como una con (a - 1)(b - 1)
grados de libertad. El contraste se realiza con un nivel de
significacin del 5%.

3.17.4. EJERCICIOS DE PRACTICA BONDAD DE AJUSTE

Los aportes economicos realizados al proyecto de auto solar

estan indicados por una muestra aleatoria de estudiantes
de fisica electrica la Universidad Libre seccional Barran-
 Figure 6: Prueba de Independencia

quilla. De esta muestra se logro la informacion registrada

en la siguiente tabla.
Ref. Nombre Valor Ref. Nombre Valor
1 Jeffer 12000 16 Isamar 12000
2 Andres 10000 17 Jonathan 16000
3 Leidy 15000 18 Karina 15000
4 Nina 11000 19 Ana 12000
5 Mary Luz 18000 20 David 11000
6 Tatiana 11000 21 Iveth 13000
7 Tatiana 16000 22 Luis 10000
8 Jesus 15000 23 Andres 13000
9 Libia 16000 24 Maria 12000
10 Michelle 15000 25 Jose 15000
11 Jean Carlos 12000 26 Geraldine 16000
12 Fener 13000 27 Ana 17000
13 Dhizzy 12000 28 Eder 15000
14 Dayanis 10000 29 Efrain 14000
15 Daniel 12000 30 Giovanni 16000
Haga una prueba con nivel de significacia del 0.05 para
determinar si los aportes economicos realizados al proyecto
de auto solar son con distribucion normal.
Ho:Aportes economicos realizados al proyecto de auto so-
lar de los estudiantes de fisica electrica de la UNiversidad
 Figure 7: Frecuencia de datos

Figure 8: Frecuencia de datos

Libre seccional Barranquilla se distribuye normalmente.

H1:Ho:Aportes economicos realizados al proyecto de auto
solar de los estudiantes de fisica electrica de la Universidad
Libre seccional Barranquilla no se distribuye normalmente.
TABLA DE FRECUENCIA AGRUPADA
Um : 1
n : 30
c: 6
R : 8000
w : 1334
Um/2 : 0,5
l1 : 10000
L1 : 11334

Teniendo en cuenta la informacion de la tabla anterior el

estadistico de prueba viene dado por :

(6 5.10)2 (7 5.61)2 (4 6.91)2

X2 = + + + (37)
5.10 5.61 6.91
 Figure 9: Estadistico de prueba

(6 6.10)2 (7 6.28)2
+ = 1.81V.O (38)
6.10 6.28
P-VALOR = P (X2 (2) > 1.81)
Grados de libertad para la probabilidad Chi-Cuadrado
Gl = 5-1-2 = 2
Distr.chicuad.cd(1,81;2)=0.405
Nivel de significancia es de 0,05
Decisin : No se rechaza Ho
Con una confianza del 95 % no hay evidencia estadistica
suficiente para decir que los aportes economicos realizados
por los estudiantes de fisica electrica de la Universidad Li-
bre seccional Barranquilla no se distribuyen normalmente.

3.17.5. EJERCICIO DE PRUEBA DE HOMOGENEIDAD

Al final de un semestre , las calificaciones de un curso

de estadistica en cirta universidad fueron tabuladas en la
tabla que se muestra abajo , para estudiar la relacion entre
la inasistencia a clase y el hecho de haber ganado el curso.
 Inasistencia No gan el curso Gan el curso
0-2 110 135
3-6 4 36
6 o mas 6 9
Con un nivel de significancia del 0,05 Indican los datos
que son distintas las proporciones de estudiantes que ga-
naron el curso en las tres categorias de ausencia?
SOLUCION :
Inasistencia No gan el curso Gan el curso totales
0-2 110 135 245
3-6 4 36 40
6 o mas 6 9 15
Totales 120 180 300
Ho : La proporcion entre inasistencia a clase y el hecho
de haber ganado el curso se mantiene homogenea con res-
pecto a las calificaciones del curso de estadistica en cierta
universidad.
H1 : La proporcion entre inasistencia a clase y el hecho de
haber ganado el curso no se mantiene homogenea con res-
pecto a las calificaciones del curso de estadistica en cierta
universidad.

(T otaldelaf ila)(T otaldelacolumna)

Eij = (39)
n

(245)(120)
Eij = = 98 (40)
300

(245)(180)
Eij = = 147 (41)
300
 (40)(120)
Eij = = 16 (42)
300

(40)(180)
Eij = = 24 (43)
300

(15)(120)
Eij = =6 (44)
300

(15)(180)
Eij = =9 (45)
300
Inasistencia No gan el curso Gan el curso totales
0-2 110(98) 135(147) 245
3-6 4(16) 36(24) 40
6 o mas 6(6) 9(9) 15
Totales 120 180 300
Estadistico de prueba :

Figure 10: Estadistico de prueba

2 (110 98)2 (135 147)2 (4 16)2

X = + + (46)
98 147 16

(36 24)2 (6 6)2 (9 9)2

+ + + = 17, 44V.O (47)
24 6 9
P-VALOR = P (X2 (2) > 17.44)
Grados de libertad para la probabilidad Chi-Cuadrado
 Figure 11: Se rechaza Ho

Gl = (2-1)(3-1)=2
Distr.chicuad.cd(17.44;2)=0.00016
Nivel de significancia es de 0,05
Con una confianza del 95 % hay evidencia estadistica sufi-
ciente para decir que la proporcion entre la inasistencia a
clase y el hecho de haber ganado el curso no se mantiene
homogenea con respecto a las calificaciones del curso de
estadistica en cierta universidad. [?]]llinas2006estadistica

3.17.6. EJERCICIO DE PRUEBA DE INDEPENDENCIA

En un esfuerzo para determinar si el estatus social y el

puntaje de las pruebas del estado en cierto pais estan re-
lacionados , una muestra hecha al azar en estudiantes de
diferentes colegios del pais proporciono los datos que se
muestran en la siguiente tabla:

Estatus/puntaje Inferior Medio Superior

Medio-Bajo 10 15 20
Medio 35 70 40
Medio-Alto 40 60 70
Medio-Alto 25 30 60
Haga una prueba con nivel de significancia para conocer
si el estatus social y el puntaje de las pruebas del estado
son independientes. [?]]devore2008probabilidad
SOLUCION:
Ho: El puntaje de las pruebas de estado es independiente
del estatus social.
H1: El puntaje de las pruebas de estado depende del es-
tatus social.
Estatus/puntaje Inferior Medio Superior Total
Medio-Bajo 10 15 20 45
Medio 35 70 40 145
Medio-Alto 40 60 70 170
Alto 25 30 60 115
Total 110 175 190 475
(T otaldelaf ila)(T otaldelacolumna)
Eij = (48)
n
(45)(110)
Eij = = 10.42 (49)
475
(45)(175)
Eij = = 16.6 (50)
475
(45)(190)
Eij = = 18 (51)
475
(145)(110)
Eij = = 33.58 (52)
475
(145)(175)
Eij = = 53.4 (53)
475
(145)(190)
Eij = = 58 (54)
475
(170)(110)
Eij = = 39.37 (55)
475
(170)(175)
Eij = = 62.6 (56)
475
 Figure 12: Estadistico de prueba

(170)(190)
Eij = = 68 (57)
475
(115)(110)
Eij = = 26.6 (58)
475
(115)(175)
Eij = = 42.4 (59)
475
(115)(190)
Eij = = 46 (60)
475
Estatus/puntaje Inferior Medio Superior Total
Medio-Bajo 10(10,4) 15(16,6) 20(18) 45
Medio 35(33,5) 70(53,4) 40(58) 145
Medio-Alto 40(39,3) 60(62,6) 70 (68) 170
Alto 25(26,16) 30(42,4) 60(46) 115
Total 110 175 190 475

Estadistico de prueba :

(10 10.42)2 (15 16.6)2 (20 18)2

X2 = + + + (61)
10.42 16.6 18

(35 33.58)2 (70 53.4)2 (40 58)2

+ + + (62)
33.58 53.4 58

(40 39.37)2 (60 62.6)2 70 68)2

+ + + (63)
39.37 62.6 68
 (25 26.6)2 (30 42.4)2 (60 46)2
+ + = 19.3 (64)
26.6 42.4 46
P-VALOR = P (X2 (6) > 19.3)
Grados de libertad para la probabilidad Chi-Cuadrado
Gl = (3-1)(4-1)=6
Distr.chicuad.cd(19,3;6)=0.003
Nivel de significancia es de 0,01

Figure 13: Se rechaza Ho

Decision : Se rechaza Ho
Con una confianza del 99% hay evidencia estadistica sufi-
ciente para decir que los puntajes de las pruebas de estado
son dependientes del estatus social.

3.18. REGRESION LINEAL

Establecer un modelo lineal que relacione una variable res-

puesta con una , el cual debe ser sometido a rigurosos
mtodos de examen que evalen la calidad del mismo
Modelo Lineal Simple. Calculo de la Ecuacin de Mejor
Ajuste. Prediccin de Valores Especficos de la Variable
Dependiente
Calculo de Errores de Estimaciones. Coeficiente de Co-
rrelacin. Coeficiente de Determinacin. Inferencias y
Pruebas de Hiptesis de los Parmetros de la Ecuacin
de Lnea.[?]]llinas2006estadistica
 Figure 14: DISPERSION

3.18.1. EJERCICIO 1.

Ejemplo :
X = INDEPENDIENTE
Y= DEPENDIENTE

3.18.2. EJERCICIO 2.

Observa el diagrama de dispersin para buscar un patrn

lineal en forma alargada en las coordenadas.
Especifica la ecuacin de regresin.
Calcula el coeficiente de regresin (pendiente), 1.
Calcula la interseccin de Y, 0.

3.18.3. EJERCICIO 3.

Calcular la covariacin entre X y Y

Esto se realiza en datos , analisis de datos y seleccionamos
la opcion de coovarianza.
Figure 15: COOVARIANZA

Figure 16: COOVARIANZA

 Figure 17: COOVARIANZA

3.18.4. EJERCICIO 4.

Calcula el coeficiente de correlacin

3.18.5. EJERCICIO 5.

Calcula la regresion simple y los residuos

3.18.6. STATGRAPHICS REGRESION SIMPLE

En esta seccion encontramos el Estadstico Durbin-Watson

= 1,96728 (P=0,4468) que nos permite realizar el supuesto
de Independencia y el valor del modelo para saber si es
adecuado.

3.18.7. EJERCICIO 4.

Calcula el coeficiente de correlacin

3.18.8. EJERCICIO 5.

Calcula la regresion simple y los residuos

Figure 18: COEFICIENTE

Figure 19: COOVARIANZA

Figure 20: COOVARIANZA

Figure 21: REGRESION

Figure 22: REGRESION

Figure 23: REGRESION

Figure 24: STATGRAPHICS

Figure 25: COEFICIENTE

Figure 26: COOVARIANZA

Figure 27: COOVARIANZA

Figure 28: REGRESION

Figure 29: REGRESION

 Figure 30: REGRESION

3.18.9. STATGRAPHICS REGRESION SIMPLE

En esta seccion encontramos el Estadstico Durbin-Watson

= 1,96728 (P=0,4468) que nos permite realizar el supuesto
de Independencia y el valor del modelo para saber si es
adecuado.

3.18.10. STATGRAPHICS ANALISIS DE VARIANZA ANOVA SIMPLE

En esta seccion encontramos el Estadstico de Bartlett

(P=0,579016) que nos permite realizar el supuesto de Ho-
mogeneceidad

3.18.11. STATGRAPHICS ANALISIS DE UNA MUESTRA

En esta seccion encontramos el Estadstico de Shapiro Wilks

(P=0,3845) que nos permite realizar el supuesto de Homo-
geneidad
Figure 31: STATGRAPHICS REGRESION SIMPLE 1

Figure 32: STATGRAPHICS

Figure 33: STATGRAPHICS REGRESION SIMPLE 2

Figure 34: STATGRAPHICS REGRESION SIMPLE 3

Figure 35: STATGRAPHICS REGRESION SIMPLE 4

Figure 36: STATGRAPHICS REGRESION SIMPLE 5

 Figure 37: STATGRAPHICS REGRESION SIMPLE 6

Figure 38: STATGRAPHICS ANALISIS DE VARIANZA ANOVA SIMPLE 1

Figure 39: STATGRAPHICS ANALISIS DE VARIANZA ANOVA SIMPLE 2

Figure 40: STATGRAPHICS ANALISIS DE VARIANZA ANOVA SIMPLE 3

Figure 41: STATGRAPHICS ANALISIS DE VARIANZA ANOVA SIMPLE 4

Figure 42: STATGRAPHICS ANALISIS DE UNA MUESTRA 1

Figure 43: STATGRAPHICS ANALISIS DE UNA MUESTRA 2

Figure 44: STATGRAPHICS ANALISIS DE UNA MUESTRA 3

4. CONCLUSIONES

Son muchos los fenmenos o sucesos que no tienen res-

puesta, es por esto que se debe realizar estudios pertinen-
tes queaclaren la situacin que se desea analizar. Dicho
estudio se logra por medio de la experimentacin cons-
tante, que muestra cada uno de los resultados que se van
obteniendo con ayuda de la estadstica.La Estadstica In-
ferencial puede dar respuesta a muchas de las necesidades
que la sociedad actual puede requerir. Su tarea funda-
mental es el anlisis de los datos que se obtienen a partir
deexperimentos, con el objetivo de representar la realidad
y conocerla.
La Estadstica Inferencial permite la recoleccin de datos
importantes para el estudio de situaciones que se presentan
a diario ypermite dar respuesta a los problemas de una
forma til y significativa.
5. BIBLIOGRAFIA

References

Llins, H., Rojas, C. (2006). Estadstica descriptiva y

distribuciones de probabilidad. Colombia: Ediciones Uni-
norte.
Llins, H. (2006). Estadstica inferencial. Barranquilla:
Ediciones Uninorte.[Links].