Estadistica Inferencial

Jorge Luis Bustos Galindo
Autor
Profesional en Matemáticas y Estadística
Copyright 2016 - Editorial – COLOMBIA

Sello Editorial
Todos los derechos reservados. Ninguna parte de esta publicación puede ser reproducida,
almacenada en sistema alguno de tarjetas perforadas o trasmitida por otro medio – electrónico,
mecánico, fotocopiador, registrador, etcétera sin permiso previo por escrito del autor.
All rights reserved. No part of this publication may be reproduced, stored in a retrieval system, or
transmitted in any form by any means, electronic, mechanical, photocopying, recording or
otherwise, without the prior writing permission from author.
TABLA DE CONTENIDO
PROBABILIDADES........................................................................................................................... 5
ESPACIO MUESTRAL .................................................................................................................. 5
EVENTO O SUCESO MUESTRAL ................................................................................................. 5
PROBABILIDAD CLÁSICA ............................................................................................................ 6
AXIOMAS ELEMENTALES DE LA PROBABILIDAD........................................................................ 6
PROBABILIDAD CONDICIONAL .................................................................................................. 7
TEOREMA DE LA PROBABILIDAD TOTAL ................................................................................... 8
TEOREMA DE BAYES .................................................................................................................. 8
INDEPENDENCIA DE EVENTOS .................................................................................................. 9
GUÍA DE TRABAJO N°1 ................................................................................................................ 10
DISTRIBUCIÓN DE PROBABILIDAD ............................................................................................... 12
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA ............................................. 13
DISTRIBUCIONES DISCRETAS ....................................................................................................... 16
Distribución Binomial .............................................................................................................. 16
Distribución Hipergeométrica ................................................................................................. 17
Distribución de Poisson ........................................................................................................... 18
GUÍA DE TRABAJO Nº2 ................................................................................................................ 19
DISTRIBUCIÓN CONTINUA........................................................................................................... 21
DISTRIBUCIÓN NORMAL.......................................................................................................... 21
APLICACIONES DE LA DISTRIBUCIÓN NORMAL ....................................................................... 24
GUÍA DE TRABAJO Nº3 ................................................................................................................ 27
MUESTREO .................................................................................................................................. 28
Técnicas de muestreo estadístico ............................................................................... 28
Muestreo probabilístico .......................................................................................................... 28
Muestreo aleatorio simple (MAS): .......................................................................................... 28
Muestreo sistemático: ............................................................................................................ 29
Muestreo estratificado:........................................................................................................... 29
Muestreo por estadios múltiples: ........................................................................................... 30
Muestreo por conglomerados: ............................................................................................... 30
Homogeneidad de las poblaciones o sus subgrupos: ............................................................. 30
Muestreo no probabilístico ..................................................................................................... 31
Estadística Inferencial Página 2

Muestreo por cuotas: .............................................................................................................. 31
Muestreo de bola de nieve: .................................................................................................... 31
Muestreo subjetivo por decisión razonada: ........................................................................... 31
TAMAÑO DE MUESTRA ............................................................................................................... 32
TAMAÑO DE MUESTRA CON VARIANZA POBLACIONAL CONOCIDA ...................................... 32
Población infinita o muestreo con repetición ..................................................................... 32
Población finita y muestreo sin repetición ......................................................................... 32
TAMAÑO DE MUESTRA PROPORCIONAL A LA POBLACIÓN .................................................... 33
Población infinita o muestreo con repetición ..................................................................... 33
Población finita y muestreo sin repetición ......................................................................... 33
GUÍA DE TRABAJO N° 4................................................................................................................ 34
DISTRIBUCIÓN MUESTRAL .......................................................................................................... 35
TEOREMA DEL LÍMITE CENTRAL .............................................................................................. 35
GUÍA DE TRABAJO N°5 ................................................................................................................ 39
ESTIMACIÓN POR INTERVALOS ................................................................................................... 40
LÍMITES DE CONFIANZA .......................................................................................................... 40
GUÍA DE TRABAJO N°6 ................................................................................................................ 42
PRUEBAS DE HIPÓTESIS ............................................................................................................... 43
Planteamiento clásico del contraste de hipótesis................................................................... 43
Procedimientos de prueba ...................................................................................................... 43
Errores en el contraste ............................................................................................................ 45
Pasos en una prueba de hipótesis........................................................................................... 46
PRUEBAS DE HIPÓTESIS RESPECTO DE LAS MEDIAS EN POBLACIONES NORMALES................... 47
Pruebas para una muestra ...................................................................................................... 47
Varianza poblacional conocida ............................................................................................ 47
Varianza poblacional desconocida y muestra pequeña ...................................................... 48
Pruebas para dos muestras independientes ........................................................................... 49
Pruebas sobre medias cuando las observaciones son pareadas ............................................ 51
GUÍA DE TRABAJO N°7 ................................................................................................................ 53
PRUEBAS DE HIPÓTESIS RESPECTO DE LAS VARIANZAS EN POBLACIONES NORMALES ............. 55
GUÍA DE TRABAJO N°8 ................................................................................................................ 57
REGRESIÓN Y CORRELACIÓN SIMPLES ........................................................................................ 58
La recta de regresión ............................................................................................................... 58

Estimación de 𝜶 y 𝜷 ................................................................................................................ 58
Estimación de 𝜶 y 𝜷 para el ejemplo hipotético..................................................................... 64
GUÍA DE TRABAJO N°9 ................................................................................................................ 66
MÉTODOS NO PARAMÉTRICOS ................................................................................................... 68
Prueba de rangos signados ..................................................................................................... 68
Prueba de independencia ....................................................................................................... 70
GUÍA DE TRABAJO N°10 .............................................................................................................. 73
Tabla I. Distribución Normal Estándar 𝒁 ~ 𝑵𝟎, 𝟏 .............................................................. 75
Tabla II. Distribución T−Student ......................................................................................... 76
Tabla III. Distribución 𝑿𝟐.................................................................................................... 77
Tabla IV. Distribución F ....................................................................................................... 79

PROBABILIDADES
La probabilidad nos permite estudiar o analizar los fenómenos o procesos llamados aleatorios,
es decir, es el cálculo matemático de las posibilidades que existen de que un evento se cumpla
o suceda al azar.
ESPACIO MUESTRAL
Es el conjunto de todos los resultados posibles de un experimento aleatorio y se denota S.
Ejemplo 1. Experimento: Se lanza una moneda una vez.
Entonces el espacio muestral es, S={c, s}.
EVENTO O SUCESO MUESTRAL
Un evento o suceso A es un subconjunto del espacio muestral S. Como un evento es un conjunto,

podemos combinar eventos para formar nuevos eventos usando las varias operaciones entre
conjuntos:
(1) 𝐴 ∪ 𝐵 es el evento que ocurre siempre y cuando ocurra o 𝐴 o 𝐵 (o ambos).
(2) 𝐴 ∩ 𝐵 es el evento que ocurre siempre y cuando ocurran tanto 𝐴 como 𝐵.
(3) 𝐴𝑐 el complemento de 𝐴, es el evento que ocurre siempre y cuando no ocurra 𝐴.
Ejemplo 2. Experimento: Lance un dado y observe el número que resulta.
El espacio muestral es, S = {1, 2, 3, 4, 5, 6}.
Sea A el evento de que salga un número par, B de que salga un número menor o igual que cuatro
y C de que salga un número primo.
A={
B={
C={
Encuentre:
𝐴∪𝐵 = {
𝐵∩𝐶 ={
𝐴𝑐 = {

PROBABILIDAD CLÁSICA
Se da el nombre de probabilidad clásica cuando ésta se toma objetivamente (en sentido práctico)
y se puede considerar de dos maneras: a priori y a posteriori.
Sea S un espacio muestral finito y A un evento del espacio muestral, entonces la probabilidad de
A se denota P(A) y se define:
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴

𝑃(𝐴) =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒𝑙 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 𝑆
Ejemplo 3. Se lanza un dado dos veces; halle la probabilidad de los eventos siguientes: A la
suma de los puntos es siete y B la suma de los puntos es menor o igual a cinco.
S={
A={
B={
P(A) =
P(B) =
AXIOMAS ELEMENTALES DE LA PROBABILIDAD
Las reglas generales de probabilidad las podemos dividir en dos grupos. Un primer grupo
formado por las reglas que podríamos llamar primarias o básicas, llamadas axiomas. Estas reglas
no se aprecian directamente en la solución de problemas, pero son las que dan un soporte lógico
a las que se utilizan directamente en la solución de tales problemas y que se llaman teoremas.
Establecemos en primera instancia los axiomas.
Axioma 1. Si A es un evento del espacio muestral S, entonces P(A) representa un número entre
0 y 1 incluidos. Esto es,
0 ≤ 𝑃(𝐴) ≤ 1.
Axioma 2. Si S es el espacio muestral asociado a un experimento aleatorio, entonces P(S) es

igual a 1, o sea,
𝑃(𝑆) = 1.
Axioma 3. Si A y B son eventos mutuamente excluyentes, entonces la probabilidad de A o B,

𝑃(𝐴 ∪ 𝐵), es igual a la suma de las probabilidades individuales. Esto es,
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵).
Dos eventos 𝐴 y 𝐵 se llaman mutuamente excluyentes si son disyuntos, o sea, 𝐴 ∩ 𝐵 = ∅. En

otras palabras, 𝐴 y 𝐵 son mutuamente excluyentes si y sólo si no ocurren simultáneamente.
A partir de los tres axiomas anteriores se deducen los teoremas que constituyen reglas para
calcular probabilidades de situaciones más o menos complejas.
Teorema 1. Si A es el evento vacío entonces su probabilidad es cero. Es decir,
𝑃(∅) = 0.

Teorema 2. Si A es un evento y Ac su complemento, entonces la probabilidad de Ac es igual a
uno menos la probabilidad de A. Esto es,
𝑃(𝐴𝑐 ) = 1 − 𝑃(𝐴).
Ejemplo 4. Suponga que en una urna hay cuatro bolas blancas y seis rojas. De la urna se extrae
al azar una bola y sea A: la bola extraída es roja. Hallar la probabilidad de que la bola extraída
no sea roja.
𝑃(𝐴𝑐 ) =
Teorema 3. Si A y B son dos eventos del espacio muestral S, entonces
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).
Ejemplo 5. En un curso de 10 hombres y 20 mujeres, la mitad de los hombres y la mitad de las

mujeres tienen ojos pardos. Encuentre la probabilidad de que una persona escogida al azar sea
hombre o tenga ojos pardos.
A={
B={
𝑃(𝐴 ∪ 𝐵) =
PROBABILIDAD CONDICIONAL
Sean A y B dos eventos, la probabilidad condicional de A dado B se denota y se define de la

manera siguiente:
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴/𝐵) = , 𝑃(𝐵) > 0
𝑃(𝐵)
Igualmente se tiene que
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵/𝐴) = , 𝑃(𝐴) > 0
𝑃(𝐴)
como la probabilidad de B dado A.
Ejemplo 6. La oficina de Acción Social lleva a cabo un censo de todas las personas que viven
en una pequeña comunidad. Los encuestadores anotan en una relación el número de visitas que
una persona hace al centro de salud y las condiciones sanitarias de la vivienda que habita. Los
resultados son los siguientes:
Tabla 1. Número de visitas que una persona hace al centro de salud y las condiciones sanitarias
de la vivienda que habita.
Condiciones sanitarias
Número de visitas Total
Buenas Malas
Dos o menos 700 100 800
Más de dos 800 400 1200
Total 1 500 500 2 000
Con base en esta tabla, ¿cuál es la probabilidad de que una persona escogida al azar viva en
malas condiciones sanitarias, dado que visita dos veces o menos el centro de salud?

A={
B={
P(A/B) =
TEOREMA DE LA PROBABILIDAD TOTAL
Este teorema o regla de probabilidad total nos indica cómo calcular la probabilidad de un
evento A cuando conocemos las probabilidades condicionales 𝑃[𝐴⁄𝐵𝑖 ] en donde los 𝐵𝑖 forman
una partición del espacio muestral S.
Supongamos que {𝐵𝑖 }𝑛𝑖=1 es una partición de un espacio muestral S. Si A es un evento de S.

Entonces, 𝑃[𝐴] = 𝑃[𝐴⁄𝐵1 ]𝑃[𝐵1 ] + 𝑃[𝐴⁄𝐵2 ]𝑃[𝐵2 ] + ⋯ + 𝑃[𝐴⁄𝐵𝑛 ]𝑃[𝐵𝑛 ] = ∑𝑛𝑖=1 𝑃[𝐴⁄𝐵𝑖 ]𝑃[𝐵𝑖 ]
Ejemplo 7. En una fábrica de tornillos, las máquinas A, B y C fabrican 20, 30 y 50% de la

producción total respectivamente. De lo que producen 2, 3 y 5% respectivamente son tornillos
defectuosos. Con la producción total se hace un solo lote y se extrae un tornillo; halle la
probabilidad de que sea defectuoso.
Sean los eventos,
A: el tornillo escogido es defectuoso.

𝐵1 :el tornillo proviene de la máquina A.
𝐵2 :el tornillo proviene de la máquina B.
𝐵3 :el tornillo proviene de la máquina C.
De lo anterior se tiene que,
𝑃[𝐵1 ] = 0.2, 𝑃[𝐵2 ] = 0.3 y 𝑃[𝐵3 ] = 0.5. Además, 𝑃[𝐴⁄𝐵1 ] = 0.02, 𝑃[𝐴⁄𝐵2 ] = 0.03 y 𝑃[𝐴⁄𝐵3 ] =
0.05.
Aplicando el teorema o regla de la probabilidad total,
𝑃[𝐴] = (0.02)(0.2) + (0.03)(0.3) + (0.05)(0.5) = 0.038
Hay una probabilidad del 3.8% de que el artículo escogido sea defectuoso.
TEOREMA DE BAYES
El teorema o regla de Bayes es una técnica que nos permite obtener la probabilidad
condicional de un evento cuando mediante el efecto tratamos de determinar la probabilidad de
la causa. Este resultado ha sido muy utilizado para estudiar fenómenos sociales; sin embargo,
por el empleo de probabilidades subjetivas ha sido muy cuestionado su uso.
El teorema de Bayes trata de responder los interrogantes tales como: si el evento B ocurrió,
¿cuál es la probabilidad de que haya sido generado por el evento 𝐴1 ?,¿Cual por 𝐴2 ?, etc.
Sea {𝐵𝑖 }𝑛𝑖=1 es una partición de un espacio muestral S con 𝑃[𝐵𝑖 ] > 0 y A un evento de S.
Entonces,
𝑃[𝐴⁄𝐵𝑘 ]𝑃[𝐵𝑘 ]
𝑃[𝐵𝑘 ⁄𝐴] =
𝑃[𝐴⁄𝐵1 ]𝑃[𝐵1 ] + 𝑃[𝐴⁄𝐵2 ]𝑃[𝐵2 ] + ⋯ + 𝑃[𝐴⁄𝐵𝑛 ]𝑃[𝐵𝑛 ]
Ejemplo 8. A partir del problema de la fábrica de tornillos (ejemplo 7), halle la probabilidad de
que el tornillo provenga de la máquina C, dado que es defectuoso.

En este caso debemos calcular la probabilidad 𝑃[𝐵3 ⁄𝐴], por el teorema de Bayes nos da
𝑃[𝐴⁄𝐵3 ]𝑃[𝐵3 ]
𝑃[𝐵3 ⁄𝐴] =
𝑃[𝐴⁄𝐵1 ]𝑃[𝐵1 ] + 𝑃[𝐴⁄𝐵2 ]𝑃[𝐵2 ] + 𝑃[𝐴⁄𝐵3 ]𝑃[𝐵3 ]
(0.05)(0.5) 0.025
𝑃[𝐵3 ⁄𝐴] = = = 0.66
(0.02)(0.2) + (0.03)(0.3) + (0.05)(0.5) 0.038
Hay una probabilidad del 66% de que el tornillo defectuoso provenga de la máquina C.
INDEPENDENCIA DE EVENTOS
Cuando la ocurrencia de un evento A no está influenciada ni influye sobre la ocurrencia de otro,

decimos que los eventos son independientes. Formalmente la independencia se define de la
manera siguiente:
Dados dos eventos A y B, se dicen independientes si cumplen que
𝑃(𝐴)𝑃(𝐵) = 𝑃(𝐴 ∩ 𝐵)
Ejemplo 9. Suponga que se lanza una moneda dos veces. Sean los eventos, A el primer
resultado es “cara” y B el segundo resultado es “sello”. Son mutuamente independientes los
eventos.
𝑃(𝐴) =
𝑃(𝐵) =
𝑃(𝐴 ∩ 𝐵)=
𝑃(𝐴)𝑃(𝐵) = 𝑃(𝐴 ∩ 𝐵)

GUÍA DE TRABAJO N°1
1. Explique el significado de los siguientes términos:

a. Experimento aleatorio
b. Espacio muestral
c. Evento o suceso
2. Se lanza una moneda cuatro veces. Encuentre todos los sucesos elementales del espacio
muestral.
3. Supongamos que lanzamos una moneda y un dado, y que el espacio muestral S consta de
doce elementos:
S = C1, C2, C3, C4, C5, C6, S1, S2, S3, S4, S5, S6}
a. Exprese explícitamente los siguientes eventos:

A = sale cara y un número par}
B = {sale un número primo}
C = {sale sello y un número impar}
b. Exprese explícitamente el evento: (a) ocurre A o B, (b) ocurre B y C, y (c) no ocurre en
A.
c. ¿Cuáles parejas de eventos A, B Y C son mutuamente excluyentes?
4. Determine la probabilidad de cada evento:

a. Sale un número impar en el lanzamiento de un dado no cargado.
b. Al sacar una sola carta de una baraja de 52 cartas sale una J.
c. Sale por lo menos un sello al lanzar tres monedas no cargadas.
d. Sale una bola blanca al sacar una sola bola de una bolsa con cuatro bolas blancas, tres
rojas y cinco azules.
5. En un curso de 20 hombres y 30 mujeres, un quinto de los hombres y un quinto de las mujeres

son becados. Encuentre la probabilidad de que una persona escogida al azar sea mujer o la
persona sea becada.
6. En la tabla que sigue se da el cargo y sexo de los empleados de una empresa.
Sexo Total
Cargo
Hombres Mujeres
Operarios 80 113 193
Administrativos 30 17 47
Directivos 4 6 10
Total 114 136 250
Recursos humanos de la empresa desea otorgar un premio como estímulo especial y para
ello decide seleccionar al alzar uno de los trabajadores. Calcular: (a) la probabilidad de que
la persona sea administrativo dado que es mujer y (b) la probabilidad de que la persona sea
hombre dado que es directivo.
7. Se lanza un dado no cargado. Considere los eventos:

A = {2, 4, 6}
B = {1, 2}
C = {1, 2, 3, 4}
a. Encuentre P(A∩B), P(AUB).
b. Encuentre P(A/B) y P(B/A).
c. Encuentre P(A/C) y P(C/A).
d. ¿Son A y B, B y C y A y C independientes?

8. Sean A y B eventos con P(A) = ⅓, P(B) =¼ , y P(AUB) = ½.
a. Encuentre P(A/B) y P(B/A).
b. ¿Son A y B independientes?
9. Supongamos que lanzamos tres monedas una vez. Y sea:

A = {todas las caras o todas sellos}
B = {por lo menos dos caras}
C = {cuando más dos caras}
a. Encuentre P(AUB), P(AUC) y P(BUC).
b. Encuentre P(A/B) y P(C/A).
10. Sean A y B eventos independientes con P(A) = 0.3 y P(B) = 0.4. Encuentre:
a. P(A∩B) y P(AUB).
b. P(A/B) y P(B/A).
11. En la sala de pediatría de un hospital, el 60% de los pacientes son niñas. De los niños el 35%
son menores de 24 meses. El 20% de las niñas tienen menos de 24 meses. Un pediatra que
ingresa a la sala selecciona un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una niña.
12. Un médico cirujano se especializa en cirugías estéticas. Entre sus pacientes, el 20% se
realizan correcciones faciales, un 35% implantes mamarios y el restante en otras cirugías
correctivas. Se sabe además, que son de género masculino el 25% de los que se realizan
correcciones faciales, 15% implantes mamarios y 40% otras cirugías correctivas. Si se
selecciona un paciente al azar, determine:
a. Determine la probabilidad de que sea de género masculino
b. Si resulta que es de género masculino, determine la probabilidad que se haya realizado
una cirugía de implantes mamarios.

DISTRIBUCIÓN DE PROBABILIDAD
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones.
Un mismo experimento aleatorio se puede llevar a cabo para tomar distintas decisiones. Sin
embargo, a pesar de que el propósito sea distinto cuando se lleva a cabo un experimento
aleatorio, éste no cambia su comportamiento por el simple hecho de que los propósitos cambien.
Lo anterior nos está indicando que una cosa son los distintos resultados de un experimento y
otra los propósitos que perseguimos cuando lo realizamos. El medio por el cual expresamos
nuestro aspecto de interés al llevar a cabo un experimento aleatorio es el de variable aleatoria.
Variable Aleatoria
Una variable aleatoria es aquella que asume valores de acuerdo con los resultados de un
experimento aleatorio. Las variables aleatorias generalmente son designadas por las letras X, Y,
Z.
En el siguiente ejemplo se ilustra cómo se asocia una variable aleatoria a un experimento.
Ejemplo 1. Se lanza una moneda tres veces. Sabemos que el espacio muestral correspondiente
a este experimento aleatorio está dado por:
S = {ccc, ccs, csc, css, scc, scs, ssc, sss}.
Si de los resultados del lanzamiento de la moneda nos interesa el número de “caras” que se
obtienen en cada lanzamiento, entonces definimos la variable X= número de caras en los tres
lanzamientos. Los valores posibles de esta variable son:
X = 0, que indica que no se obtienen caras, o sea, {sss}.

X = 1, que indica que se obtiene una cara, {css, scs,ssc}.
X = 2, que indica que se obtiene dos caras, {ccs, csc,scc}.
X = 3, que indica que se obtiene tres caras, {ccc}.
Por lo anterior se tiene que las probabilidades respectivas son,
P[X = 0] = 1/8, P[X = 1] = 3/8, P[X = 2] = 3/8, P[X = 3] = 1/8.
Estos resultados se pueden resumir en una tabla como la siguiente, llamada distribución de
probabilidad.
X 0 1 2 3
1 3 3 1
P[X = x]
8 8 8 8
Observemos que la suma de las probabilidades,

1 3 3 1
P[X = 0] + P[X = 1] + P[X = 2] + P[X = 3] = + + + = 1. En general, para cualquier distribución
8 8 8 8
de probabilidad discreta debe darse que la suma de las probabilidades de todos los valores que
pueda asumir la variable aleatoria de un experimento debe ser igual a 1.
Ejemplo 2. Consideremos el lanzamiento de dos dados una vez. Sea X= suma de puntos de las
dos caras. Hallar la distribución de probabilidad de esta variable aleatoria.
P[X = x]
Una vez que se haya definido la variable, hallar las siguientes probabilidades:

(a) 𝑃[𝑋 ≤ 5]
(b) 𝑃[𝑋 > 9]
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA
La distribución de probabilidad de una variable aleatoria proporciona un modelo para distribución

teórica de la variable. La distribución de probabilidad de una población es análoga a la
distribución de frecuencia relativa de los datos (muestra). Luego, es de esperarse que cada
distribución de probabilidad tenga asociada medidas similares a las medidas descriptivas que se
han señalado para los datos (muestra).
Valor esperado
El valor esperado o esperanza matemática de una variable aleatoria X, desempeña o equivale

al concepto de la media aritmética (𝑥̅ ).
Sea X una variable aleatoria discreta que asume los valores x 1, x2, x3, …, xn, con probabilidades
respectivas P[X = x1], P[X = x2], P[X = x3], …,P[X = xn] el valor esperado de X se denota y define
de la manera siguiente:
𝜇𝑥 = 𝐸[𝑋] = 𝑥1 P[X = 𝑥1 ] + 𝑥2 P[X = 𝑥2 ] + 𝑥3 P[X = 𝑥3 ] + ⋯ + 𝑥𝑛 P[X = 𝑥𝑛 ]

𝑛
= ∑ 𝑥𝑖 P[X = 𝑥𝑖 ]
𝑖=1
Ejemplo 3. Consideremos la variable aleatoria X= número de puntos que muestra la cara

superior de un dado después de un lanzamiento. Entonces la distribución de probabilidad es,
X 1 2 3 4 5 6
1 1 1 1 1 1
P[X = x]
6 6 6 6 6 6
El valor esperado o esperanza matemática,
1 1 1 1 1 1 7
𝜇𝑥 = 𝐸[𝑋] = 1 ( ) + 2 ( ) + 3 ( ) + 4 ( ) + 5 ( ) + 6 ( ) = = 3.5
6 6 6 6 6 6 2
¿Cómo interpretar este resultado? Si dijéramos que es el puntaje que usted debe esperar que le
dé cuando lanza el dado muchas veces, con justa razón podría decir que eso es imposible,
puesto que podrán verse en el dado tres o cuatro puntos, pero jamás 3.5 puntos. Estamos de
acuerdo con usted, pero le proponemos que no cuente los puntos de cada lanzamiento sino que
sume el puntaje de los dos lanzamientos y los promedie, puede hallar la lógica al valor de 3.5.
Además se convencerá que lo dicho a cerca de 3.5 es cierto. A pesar de que esta interpretación
que le hemos dado al valor de 3.5 es acertada, en la práctica el valor esperado se interpreta de
una manera un poco distinta, que en el ejemplo presente es: “si lanzamos el dado un número
grande de veces y tomamos la media aritmética de la suma de los distintos puntajes que se van
obteniendo entonces, la media tiende a 3.5”. Igual interpretación seria para cualquier otra
situación.
Ejemplo 4. Supongamos que dos jugadores A y B, se enfrentan en un juego que consiste en el

lanzamiento de una moneda al aire. Si sale “cara” A gana $1; pero si sale “sello” A pierde $1.
La variable que representa la ganancia de A por cada jugada está dada por:
$1, 𝑠𝑖𝑠𝑎𝑙𝑒𝑐𝑎𝑟𝑎
𝑋={
−$1, 𝑠𝑖𝑠𝑎𝑙𝑒𝑠𝑒𝑙𝑙𝑜

Si suponemos que la moneda está balanceada, la probabilidad de obtener cara (sello) es 0.5,
entonces la variable X tiene la siguiente distribución:
X -$1 $1
P[X = x] 0.5 0.5
Así que el valor esperado de X (ganancia esperada del jugador) está dado por E[X] = (-1)(0.5) +
(1)(0.5) = 0, lo que quiere decir que si estas personas juegan un gran número de veces, a la larga
no hay ganancias, es decir, no hay ganador ni perdedor.
Pero si ahora vamos a suponer que la moneda está diseñada de tal forma que la posibilidad de
obtener “cara” es de 2/3 y la de obtener “sello” es de 1/3. En este caso la distribución de X sería:
X -$1 $1
1 2
P[X = x]
3 3
1 2 1
Y la ganancia esperada (por jugada) para a sería E[X] = (−1) ( ) + (1) ( ) = , lo que quiere
3 3 3
decir que si juegan unas 3000 veces, se espera que A gane $1000.
Propiedades del valor esperado
(1) 𝐸[𝑐] = 𝑐 , al ser 𝑐 una constante (un número).
(2) 𝐸[𝑐𝑋] = 𝑐𝐸[𝑋], al ser 𝑐 una constante y 𝑋 una variable aleatoria.
(3) 𝐸[𝑋 ± 𝑐] = 𝐸[𝑋] ± 𝑐 , al ser 𝑐 una constante y 𝑋 una variable aleatoria.
(4) 𝐸[𝑋 ± 𝑌] = 𝐸[𝑋] ± 𝐸[𝑌], al ser 𝑋 y 𝑌 variables aleatorias.
(5) 𝐸[𝑋 2 ] = 𝑥12 P[X = 𝑥1 ] + 𝑥22 P[X = 𝑥2 ] + 𝑥32 P[X = 𝑥3 ] + ⋯ + 𝑥𝑛2 P[X = 𝑥𝑛 ]
= ∑𝑛𝑖=1 x𝑖2 P[X = 𝑥𝑖 ], al ser 𝑋 una variable aleatoria.

Ejemplo 5. Una variable aleatoria X tiene distribución de probabilidad como se indica:
X 0 1 2 3
1 1 1 1
P[X = x]
8 4 2 8
Calcule:
(a) E[X – 1]
(b) E[X2]
(c) E[3X]
(d) E[(X + 2)2]
Varianza y Desviación estándar

Así como las medidas de posición tienen su generalización mediante el valor esperado, la
variabilidad de los datos (muestra) también tiene su generalización mediante la varianza de la
variable.
La varianza es una medida del grado de concentración de los valores de la variable aleatoria
alrededor de su media 𝜇𝑥 , mientras más dispersos estén los valores respecto de la media, mayor
será la varianza. La cual se denota y define de la manera siguiente:
Sea X una variable aleatoria que asume valores x 1, x2, x3, …, xn, con probabilidades respectivas
P[X = x1], P[X = x2], P[X = x3], …,P[X = xn], la varianza de X se denota y define
𝜎𝑥2 = 𝑉[𝑋] = (𝑥1 − 𝜇𝑥 )2 𝑃[𝑋 = 𝑥1 ] + (𝑥2 − 𝜇𝑥 )2 𝑃[𝑋 = 𝑥2 ] + ⋯ + (𝑥𝑛 − 𝜇𝑥 )2 𝑃[𝑋 = 𝑥𝑛 ]

𝑛
= ∑(𝑥𝑖 − 𝜇𝑥 )2 𝑃[𝑋 = 𝑥𝑖 ]
𝑖=1
La raíz cuadrada de la varianza se llama desviación estándar y se denota 𝜎𝑥 .
Ejemplo 6. Vamos a calcular la varianza para la variable X que corresponde al número de puntos
de la cara superior del dado (Ver ejemplo 3).
1 1 1 1 1
𝜎𝑥2 = 𝑉[𝑋] = (1 − 3.5)2 ( ) + (2 − 3.5)2 ( ) + (3 − 3.5)2 ( ) + (4 − 3.5)2 ( ) + (5 − 3.5)2 ( )
6 6 6 6 6
2
1 35
+ (6 − 3.5) ( ) =
6 12
La desviación estándares
35
𝜎𝑥 = √ = 1.7
12
Propiedades de la varianza
(1) La varianza no pude ser negativa.
(2) Si 𝑐 es una constante, entonces 𝑉[𝑐] = 0.
(3) 𝑉[𝑋] = 𝐸[𝑋 2 ] − (𝐸[𝑋])2, al ser 𝑋 una variable aleatoria.
(4) 𝑉[𝑐𝑋] = 𝑐 2 𝑉[𝑋], al ser 𝑐 una constante y 𝑋 una variable aleatoria.
(5) 𝑉[𝑋 ± 𝑐] = 𝑉[𝑋], al ser 𝑐 una constante y 𝑋 una variable aleatoria.

Ejemplo 7. Una variable aleatoria X tiene distribución de probabilidad como se indica (Ver
ejemplo 5):
X 0 1 2 3
1 1 1 1
P[X = x]
8 4 2 8
Calcule:
(a) V[X]
(b) V[X+1]
(c) V[5X]

DISTRIBUCIONES DISCRETAS
Los valores que puede asumir la variable aleatoria en una distribución discreta es X = números
enteros.
Distribución Binomial
La distribución binomial está ligada a un tipo de experimento llamado ensayo de Bernoulli, en

honor a Jacques Bernoulli (1654-1705).
Un ensayo de Bernoulli es un experimento aleatorio que sólo puede concluir de dos maneras
distintas mutuamente excluyentes e independientes. Uno de los resultados se llama éxito y el
otro fracaso. Los ensayos de Bernoulli dan origen a una variable aleatoria y toma sólo dos
valores, y cuyos valores de probabilidad (distribución) están dados por la siguiente fórmula:
𝑝, 𝑦 = 1
𝑃[𝑌 = 𝑦] = { 𝑞, 𝑦 = 0
0, 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
En donde p corresponde a la probabilidad de que se dé o de que ocurra un éxito y q = 1 – p, la

probabilidad de que ocurra un fracaso.
De las definiciones de valor esperado y de varianza dadas anteriormente, se tiene que para una
variable con distribución de Bernoulli, su valor esperado es
𝜇𝑌 = 𝐸[𝑌] = 𝑝
Y su varianza es, 𝜎𝑌2 = 𝑉[𝑌] = 𝑝. 𝑞.
Se tiene que la desviación estándar está dada por, 𝜎𝑌 = √𝑝. 𝑞.
Un proceso de Bernoulli es una sucesión de ensayos con las características siguientes:
(1) En cada ensayo, el éxito tiene una probabilidad p y el fracaso una probabilidad q = 1 – p de
ocurrir.
(2) La distribución Bernoulli se basa en el supuesto de que la población es infinita y de que la

probabilidad de éxito y de fracaso permanece constante durante el proceso.
(3) Los ensayos son independientes, es decir, el resultado de cualquier ensayo particular no es
afectado por el resultado de cualquier otro ensayo.
Suponga que se lleva a cabo un proceso de Bernoulli y sea la variable X = número de éxitos en
n ensayos de Bernoulli, tiene valores de probabilidad (distribución), como se indica en la siguiente
fórmula:
𝑛
( ) 𝑝 𝑥 𝑞 𝑛−𝑥 , 𝑥 = 0,1,2, … , 𝑛
𝑃[𝑋 = 𝑥] = { 𝑥
0, 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑛
Siendo p = probabilidad de éxito; q = probabilidad de fracaso y ( ): combinatoria.
𝑥
Combinatoria: se llama combinatoria de x elementos tomados de n elementos,
con n ≥ x, a todas las agrupaciones posibles que pueden hacerse con los x
elementos y está dada por la fórmula:
𝑛 𝑛!
( )=
𝑥 (𝑛 − 𝑥)! 𝑥!
donde, 𝑥!: número factorial.

𝑿!
El número factorial en algunas calculadoras se procede con la opción: SHIFT 𝑿−𝟏
Y la combinatoria se procede en las calculadoras con la opción: nCr
Cuando una variable aleatoria tiene valores de probabilidad dados por la fórmula anterior, se dice
que la variable tiene distribución binomial.
Ejemplo 1. Suponga que el 10% de las partes que produce una máquina automática sea
defectuoso. Si se toma al azar una muestra de 20 partes, defina la variable que le permita
determinar las probabilidades siguientes:
(a) Que en la muestra haya dos partes defectuosas.
(b) Que en la muestra haya máximo tres partes defectuosas.
(c) Que en la muestra haya 18 partes defectuosas como mínimo.
(d) Que en la muestra haya entre dos y cinco partes defectuosas.
(e) Que en la muestra haya mínimo tres partes defectuosas.
Solución:
El problema que nos enfrentamos es el de precisar que se va a tomar como éxito. Para tal
propósito el éxito siempre se tomará como aquel aspecto en el cual centramos nuestra atención
“partes defectuosas”, por tanto, al definir la variable, X = número de partes defectuosas, entonces
p = 10% = 0.1 y q = 90% =0.9; con una muestra de n=20.
20
(a) 𝑃[𝑋 = 2] = ( ) (0.1)2 (0.9)20−2 = 190(0.1)2 (0.9)18 = 0.2851
2
Hay una probabilidad del 28.51% de que en una muestra de 20 partes, dos sean defectuosas.
Distribución Hipergeométrica
La distribución binomial se basa en el supuesto de que la población es infinita y de que la

probabilidad de éxito permanece constante, lo cual se consigue en tales poblaciones o cuando
se toman muestras con repetición (reemplazo) en poblaciones finitas. Cuando la población es
finita y el muestreo se hace sin reemplazo, la probabilidad cambiará para cada nueva
observación. En tales circunstancias, se tendrá una distribución de probabilidad que se llama
distribución hipergeométrica.
Para aplicar la distribución hipergeométrica, ésta debe estar formada por dos grupos de
individuos u objetos. Un primer grupo constituido por aquellos individuos que poseen la
característica objeto de estudio, y su número de elementos lo denotaremos como N1 y el otro
estará conformado por los que no poseen la característica y el número de sus elementos lo
denotamos N2.
La variable con distribución hipergeométrica debe ser de la forma: X = número de éxitos en los
n ensayos, los valores de probabilidad asociados a esta variable con distribución hipergeométrica
están dados por
𝑁1 𝑁
( )( 2 )
𝑥 𝑛−𝑥
𝑃[𝑋 = 𝑥] = 𝑁 , 𝑥 = 0,1,2, … , 𝑛 𝑠𝑖 𝑛 ≤ 𝑁2
( )
𝑛
{ 0, 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Siendo, 𝑁 = 𝑁1 + 𝑁2 .

Ejemplo 2. Suponga que una empresa produce 100 unidades de las cuales 90 son buenas y 10
son defectuosas. Se escogen 20 unidades sin reemplazo; halle la probabilidad de que resulten
cinco defectuosas.
Solución:
X = Unidades defectuosas.
N = 100, N1 = 10 y N2 =90.
10 90
( )( )
𝑃[𝑋 = 5] = 5 15 = 0.0215
100
( )
20
Hay una probabilidad del 2.15% de que al escoger 20 unidades, cinco sean defectuosas.
Distribución de Poisson
Otra familia de distribuciones de probabilidad, es la llamada distribución de Poisson, llamada así

por Simeon Dennis Poisson (1781-1840).
Esta distribución es aplicable a muchos procesos en los que ocurren determinados sucesos por
unidad de tiempo, espacio, área, volumen, etc.
Una variable con distribución de Poisson debe tener la estructura o responder los interrogantes
mediante el siguiente planteamiento:
X = número de veces que ocurre un suceso en la unidad de tiempo, espacio, área, volumen, etc.
Los valores de probabilidad de una variable con distribución de Poisson están dados por,
𝑒 −𝜆 𝜆𝑥
𝑃[𝑋 = 𝑥] = { 𝑥! , 𝑥 = 0,1,2, …
0, 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
En donde 𝜆 = 𝜇𝑥 (promedio de ocurrencia del suceso en la unidad de tiempo, espacio, volumen,

etc.), 𝜎𝑥2 = 𝜆 y 𝑥!: número factorial.
𝑒𝑥
𝑥
La función exponencial 𝑒 en algunas calculadoras se procede con la opción: SHIFT ln
Ejemplo 3. Suponga que el número de llamadas que llegan a un conmutador es de 0.5 por
minuto en promedio, halle la probabilidad de que:
(a) En un minuto no lleguen llamadas.
(b) En un minuto lleguen más de tres llamadas.
(c) En tres minutos lleguen más de dos llamadas.
(d) ¿Cuántas llamadas se espera que lleguen en cinco minutos?
Solución:
X = número de llamadas en un minuto.
𝜆 = 0.5
𝑒 −0.5 (0.5)0
(a) 𝑃[𝑋 = 0] = = 0.6065
0!
Hay una probabilidad del 60.65% de que en un minuto no lleguen llamadas al conmutador.

GUÍA DE TRABAJO Nº2
1. Se lanza una moneda cuatro veces. Si de los resultados del lanzamiento de la moneda nos
interesa el número de “sellos” que se obtienen en cada lanzamiento, entonces definimos la
variable X= número de “sellos” en los cuatro lanzamientos. Hallar la distribución de
probabilidad de esta variable aleatoria.
Calcule:
a. E[X]
b. V[X]
2. Una variable aleatoria X tiene distribución de probabilidad como se indica:

X 0 1 2 3
11 1 1
P[X = x]
63 3 6
Calcule:
a. E[X + 1]
b. E[X2]
c. E[2X]
d. V[X]
e. V[X − 1]
f. V[8X]
3. Suponga que cierta población, el 65% de los nacimientos registrados son niñas. Si
tomamos tres registros, defina la variable que permita calcular las probabilidades que a
continuación se piden.
a. Que tres registros corresponda a niñas.
b. Menos de dos sean niña.
4. Una caja tiene 15 baterías para radio, de las cuales cinco son defectuosas. De la caja se
escogen al azar seis baterías. Halle la probabilidad de que:
a. Cuatro sean defectuosas.
b. Ninguna sea defectuosa.
5. Se ha determinado que en una autopista se da en promedio 10 animales vagabundos muertos

por kilómetro. Halle la probabilidad de que en 100 metros,
a. Se encuentren dos o más animales muertos.
b. Menos de tres animales muertos.
6. Si el 5% de los conductores de transmilenio en Bogotá, son mujeres. Suponga que se

selecciona al azar 10 conductores para una encuesta acerca de las condiciones de trabajo.
¿Cuál es la probabilidad:
a. Que dos conductores sean mujeres?
b. Menos de dos sean mujeres?
7. Una caja tiene 20 bombillos, de las cuales cinco son defectuosos. De la caja se escogen al
azar diez bombillos. Halle la probabilidad de que:
a. Tres sean defectuosos.
b. Ninguna sea defectuoso.
8. El promedio de personas que llegan a la ventanilla de un banco por minuto durante las horas
hábiles es una. Halle la probabilidad de que en un minuto:
a. No aparezcan clientes.
b. Haya tres o más clientes.

9. Una institución universitaria establece nuevos métodos de aprendizaje y de evaluación, con
el resultado donde el 85% de sus estudiantes aprueban todas las asignaturas. Supongamos
que se seleccionan 8 estudiantes de dicho plantel, ¿cuál es la probabilidad:
a. ¿Exactamente tres aprueben todas las asignaturas?
b. ¿Por lo menos dos aprueben todas las asignaturas?
10. El número de clientes que llegan a una corporación de ahorro y vivienda los días sábados
es en promedio 40 por hora. ¿Cuál es la probabilidad de que lleguen por lo menos dos
clientes en media hora?
11. En la producción de cierto artículo, se sabe que por cada 50 producidos en 30 su terminado
es excelente. Si se toma una muestra de 20 artículos, ¿cuál es la probabilidad de que diez
sean clasificados excelentes?
12. Plantee y desarrolle un ejercicio (Problema de aplicación en su área de conocimiento) de

cada una de las distribuciones de Binomial, Hipergeométrica y Poisson. Cada ejercicio debe
ser de su autoría.

DISTRIBUCIÓN CONTINUA
Los valores que puede asumir la variable aleatoria en una distribución continua es X = números
reales.
DISTRIBUCIÓN NORMAL
Una de las distribuciones continúas y tal vez la más importante es la distribución normal, la cual
ocupa un lugar destacado en la inferencia estadística. Su gráfica, que recibe el nombre de curva
normal, es la curva en forma de campana , la cual describe de forma aproximada muchos
fenómenos que suceden en la naturaleza, tales como la estaturas de los seres humanos, el
coeficiente intelectual de las personas, la industria y la investigación. Además, los errores en las
mediciones científicas se aproximan hasta límites extremadamente pequeños gracias a la
distribución normal. A las anteriores consideraciones podemos agregar otra que nos muestra el
porqué de la importancia de la distribución normal; se refiere al aspecto de inferencia estadística
y particularmente a lo que tiene que ver con el análisis de datos, puesto que las distribuciones
de muchas estadísticas muestrales tienden a la distribución normal, conforme crece el tamaño
de muestra.
Los valores de probabilidad de eventos definidos mediante una variable aleatoria continua se
mantiene mediante valores de integrales definidas de una función llamada función de densidad
continua (área bajo la curva). Al ser la normal una variable de tipo continuo, debe tener una
función de densidad que nos permita obtener valores de probabilidad relacionados con esta
variable.
La función de densidad de la variable aleatoria X, con media 𝜇 y varianza 𝜎 2 , es
1 (𝑥−𝜇)2
−
𝐹(𝑋) = 𝑒 2𝜎2 ; 𝑥𝜖𝑅
(√2𝜋)𝜎
Cuando nos referimos a una variable aleatoria con distribución normal con media 𝜇 y varianza
𝜎 2 , lo denotamos de la siguiente manera 𝑋~𝑁(𝜇, 𝜎 2 ).
La dificultad que se encuentra al resolver las integrales de las funciones de densidad normal
hace necesaria una tabulación de las áreas de la curva normal para una referencia rápida. No
obstante sería una tarea de nunca acabar elaborar una tabla para cada valor posible de 𝜇 y de
𝜎. Afortunadamente, es posible transformar todas las observaciones de cualquier variable
aleatoria normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z,
con media cero y varianza 1. Esto puede realizarse por medio de la transformación:
𝑥−𝜇
𝑍= .
𝜎

La distribución de una variable aleatoria con media cero y varianza 1, se llama distribución
normal estándar. Se denota Z~𝑁(0, 1).
Se ha reducido ahora el número requerido de tablas de las áreas de la curva normal a sólo una,
la Distribución Normal Estándar (Tabla I), Página 75.
A continuación se ilustra gráficamente como obtener los valores de probabilidad, según las
siguientes propiedades:
(1) P[Z < z] = valor de probabilidad de tabla
Ejemplo 1. P[Z < 1.23] = 0.8907
(2) P[Z > z] = 1 – P[Z ≤ z]
Ejemplo 2. P[Z > 0.42] = 1 – P[Z ≤ 0.42]

= 1 – 0.6628
= 0.3372
(3) P[Z ≤ –z] = 1 – P[Z < z]
Ejemplo 3. P[Z ≤ –1.23] = 1 – P[Z < 1.23]

= 1 – 0.8907
= 0.1093

(4) P[Z > – z] = P[Z < z]
Ejemplo 4. P[Z > – 2.3] = P[Z < 2.3]

= 0.9893
(5) P[Z ≤ z] = 1 ; cuando z ≥ 3.60.
Ejemplo 5. P[Z ≤ 4.0] = 1
(6) P[z1 ≤ Z ≤ z2] = P[Z ≤ z2] – P[Z ≤ z1]
Ejemplo 6. P[1.3 ≤ Z ≤ 2.5] = P[Z ≤ 2.5] – P[Z ≤ 1.3]

= 0.9938 – 0.9032
= 0.0906
Ejemplo 7. P[–1.24 < Z < 2.3] =
En algunos casos lo que nos interesa es calcular el valor de z t (valor de z de tabla), que satisfaga
P[Z ≤ zt] = valor de probabilidad de tabla. En este caso el proceso es a la inversa.
Ejemplo 8. Encuentre el valor de zt, que tiene una probabilidad de 0.9732.
Para darle desarrollo a este ejemplo, primero hay que determinar la región (desigualdad) que
corresponde a la probabilidad indicada. Como no se da la región, entonces se toma como
defecto, menor o menor igual, siendo así, simbólicamente queda: P[Z ≤ zt] = 0.9732,
posteriormente, hay que determinar si el valor de z t es negativo o positivo, para ello, tengamos
en cuenta las siguientes condiciones:
+𝒛, 𝒔𝒊 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅: 𝑷 > 𝟎. 𝟓

𝑷[𝒁 < 𝒛]; 𝒛 = {
−𝒛, 𝒔𝒊 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅: 𝑷 < 𝟎. 𝟓
−𝒛, 𝒔𝒊 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅: 𝑷 > 𝟎. 𝟓

𝑷[𝒁 > 𝒛]; 𝒛 = {
+𝒛, 𝒔𝒊 𝒆𝒍 𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅: 𝑷 < 𝟎. 𝟓
Como el valor de probabilidad es mayor de 0.5, por tanto el valor de z es positivo y al buscar el
valor de probabilidad de 0.9732 en la Tabla I, tenemos que el valor de zt = 1.93.

Ejemplo 9. Encuentre el valor de zt, para P[Z ≤ zt] = 0.3707
APLICACIONES DE LA DISTRIBUCIÓN NORMAL
Ejemplo 10. Suponga que 𝑋~𝑁(50, 100), encuentre la probabilidad de que asuma:
(a) Un valor menor que 66.

(b) Un valor entre 45 y 62.
(c) Un valor mayor que 71.
(d) Halle el valor de x, que tiene una probabilidad del 42.07%.
Solución:
Como la variable 𝑋~𝑁(𝜇, 𝜎 2 ), por lo tanto 𝜇 = 50, 𝜎 2 = 100 y 𝜎 = 10.
(a) Para dar solución a la P[X < 66], es necesario realizar la transformación llamada
estandarización, con la cual se obtiene el valor de z.
66 − 50
𝑧= = 1.6
10
Calculando la probabilidad tenemos,

P[X < 66] = P[Z < 1.6] = 0.9452.
(d) Para expresar simbólicamente esta probabilidad y como no se da la región (desigualdad) que
se está tomando, entonces se procede a tomar por defecto la desigualdad de menor o menor
igual, como se ilustra en seguida:
P[X < x] = 0.4207
Como el valor de la probabilidad no se encuentra en la tabla de la Distribución Normal

Estándar (Tabla I), entonces se recomienda realizar la gráfica para una rápida visualización
de la situación planteada.

A la anterior expresión de la probabilidad se puede escribir como:
P[Z < z] = 0.4207
Como se debe hallar el valor de z y el valor de probabilidad no se encuentra en la Tabla I,
esto nos indica que el valor de z es negativo (–z),
P[Z < –z] = 0.4207
Aplicando la propiedad 3,
1 – P[Z < z] = 0.4207
Despejando P[Z < z] tenemos,
P[Z < z] = 1 – 0.4207
= 0.5793
Éste valor de probabilidad se encuentra en la Tabla I, entonces el valor de z es, z = 0.2 y
como debe ser negativo, queda –z = –0.2.
El objetivo de este ejercicio es encontrar el valor de x, para ello se toma la fórmula de
estandarización y se despeja a x,
𝒙−𝝁
𝒁= 𝑿 = 𝝁 + 𝒛𝝈
𝝈
Sustituyendo en la ecuación de x los valores de 𝜇, z y 𝜎, se tiene
X = 50 + (–0.2)(10) = 48
Ejemplo 11. Una fábrica de alimentos empaca productos cuyos pesos están normalmente
distribuidos con media de 450 gramos y desviación estándar de 20 gramos. Encuentre la
probabilidad de que un paquete escogido al azar pese entre 425 y 486 gramos.
Solución:
Para este problema tenemos que𝜇 = 450 gramos y 𝜎 = 20 gramos, por lo tanto debemos calcular
P[425 ≤ X ≤ 486].
Estandarizando, tenemos:
425−450 486−450
𝑧1 = = −1.25 , 𝑧2 = = 1.8
20 20
P[425 ≤ X ≤ 486] = P[–1.25≤ Z ≤1.8]

= P[Z ≤ 1.8] – P[Z ≤ –1.25]
= P[Z ≤ 1.8] – (1 - P[Z ≤ 1.25])
= 0.9641 – (1 – 0.8944)
= 0.8585
Hay una probabilidad del 85.85% de que un paquete escogido al azar pese entre 425 y 486
gramos.

Ejemplo 12. En un examen la calificación promedio fue 3.5 y la desviación estándar 0.3. Las
calificaciones siguen una distribución normal. ¿Qué porcentaje de estudiantes tuvo notas por
debajo de 2.0? ¿Qué porcentaje de estudiantes obtuvo notas por encima de 4.0?
Solución:
Para este problema tenemos que𝜇 = 3.5 y 𝜎 = 0.3, por lo tanto debemos calcular P[X < 2.0] y
P[X > 4.0], estandarizamos tenemos
2.0−3.5 4.0−3.5
𝑧1 = = −5 , 𝑧2 = = 1.67
0.3 0.3
Para las preguntas tenemos,
P[X < 2.0] = P[Z < –5] y P[X > 4.0] = P[Z > 1.67]
= 1 – P[Z ≤ 5] = 1– P[Z ≤ 1.67]
=1–1 = 1 – 0.9525
=0 = 0.0475
hay una probabilidad del 0% de que los estudiantes obtengan una nota menor de 2.0 y del 4.75%
de que obtengan una nota mayor a 4.0.

GUÍA DE TRABAJO Nº3
1. Dada una distribución normal, encuentre el área bajo la curva que cae:
a. A la izquierda de z = 1.52
b. A la derecha de z = − 0.9
c. Entre 1.8 y 2.7
d. A la izquierda de z = − 1.93
2. Encuentre el valor z si el área bajo la curva estándar:

a. A la derecha es 0.3510
b. Entre 0 y z es 0.4838, con z  0
c. A la izquierda es 0.1234
3. Sea X N(100, 225). Halle las probabilidades siguientes:

a. P[X  92.5]
b. P[X  76 ]
c. P[77.5  X  100]
4. Para la variable definida en el problema 3, halle el valor x que satisface:

a. P[X  x] = 0.75
b. P[X  x] = 0.10
c. P[X  x] = 0.05
5. Suponga un test normal de puntuación media de 75 y una desviación estándar de 6, tres

estudiantes A, B y C fueron notificados de tener puntuaciones Z normales estándares de 1.8,
0.5 y −0.8 respectivamente. Halle las notas obtenidas por A, B y C.
6. Una fábrica de harina empaqueta en sacos de tela. El saco de harina se acepta como de
distribución normal con media y desviación estándar iguales a 25 y 0.5 respectivamente. Si
se toma al azar un saco, ¿cuál es la probabilidad de que:
a. Pese cuando más 24.75?
b. Pese por lo menos 26.25?
7. Una máquina despachadora de refrescos está ajustada para servir en promedio 200 mililitros
por vaso. Si la cantidad de refrescos es normalmente distribuidas con una desviación estándar
igual a 15 mililitros.
a. ¿Qué fracción de los vasos contendrá más de 224 mililitros?
b. ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 mililitros?
c. ¿Cuántos vasos probablemente se derramarán si se utilizan vasos de 230 mililitros en los
siguientes 1000 refrescos?
d. ¿Bajo qué valor se obtiene el 25% más pequeño de los refrescos?
8. La vida útil de cierta marca de batería para automóvil se admite con distribución normal con
media  = 38 meses y desviación estándar 𝜎 = 2 meses. Si la compañía no desea reemplazar
más del 5% de las baterías vendidas, ¿qué tiempo de garantía debe ofrecer?
9. Los estudiantes de cierta escuela secundaria tiene un coeficiente intelectual promedio de 106
y varianza 256. Al suponer la distribución normal, halle la proporción de estudiantes con
coeficiente intelectual.
a. Igual o menor que 98.
b. Igual o menor que 130.
c. Igual o mayor que 127.
d. Entre 94 y 118.
10. Plantee y desarrolle un ejercicio (Problema de aplicación en su área de conocimiento) de la

distribución de Normal. El ejercicio debe ser de su autoría.

MUESTREO
En estadística se conoce como muestreo a la técnica para la selección de una muestra a partir
de una población.
Al elegir una muestra se espera conseguir que sus propiedades sean extrapolables a
la población. Este proceso permite ahorrar recursos, y a la vez obtener resultados parecidos a
los que se alcanzarían si se realizase un estudio de toda la población.
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio adecuado
(que consienta no solo hacer estimaciones de la población sino estimar también los márgenes
de error correspondientes a dichas estimaciones), debe cumplir ciertos requisitos. Nunca
podremos estar enteramente seguros de que el resultado sea una muestra representativa, pero
sí podemos actuar de manera que esta condición se alcance con una probabilidad alta.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la población, se
puede extraer dos o más muestras de la misma población. Al conjunto de muestras que se
pueden obtener de la población se denomina espacio muestral. La variable que asocia a cada
muestra su probabilidad de extracción, sigue la llamada distribución muestral.
Técnicas de muestreo estadístico

Existen dos métodos para seleccionar muestras de poblaciones: el muestreo probabilístico o
aleatorio (incorpora el azar como recurso en el proceso de selección) y el muestreo no
probabilístico o no aleatorio (no se incorpora el azar como recurso en el proceso de selección,
es decir, la muestra que se toma es intencionada).
Muestreo probabilístico
Forman parte de este tipo de muestreo todos aquellos métodos para los que puede calcular la
probabilidad de extracción de cualquiera de las muestras posibles. Este conjunto de técnicas de
muestreo es el más aconsejable, aunque en ocasiones no es posible optar por él. En este caso
se habla de muestras probabilísticas, pues no es en rigor correcto hablar de muestras
representativas dado que, al no conocer las características de la población, no es posible tener
certeza de que tal característica se haya conseguido. Las técnicas de muestreos pueden ser:
Sin reposición de los elementos: Cada elemento extraído se descarta para la subsiguiente
extracción. Por ejemplo, si se extrae una muestra de una "población" de bombillas para estimar
la vida media de las bombillas que la integran, no será posible medir más que una vez la bombilla
seleccionada.
Con reposición de los elementos: Las observaciones se realizan con remplazo de los
individuos, de forma que la población es idéntica en todas las extracciones. En poblaciones muy
grandes, la probabilidad de repetir una extracción es tan pequeña que el muestreo puede
considerarse con reposición aunque, realmente, no lo sea.
Con reposición múltiple: En poblaciones muy grandes, la probabilidad de repetir una extracción
es tan pequeña que el muestreo puede considerarse con reposición.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy útil la extracción
de números aleatorios mediante ordenadores, calculadoras o tablas construidas al efecto. Pero
no es exacto. A continuación, se muestran algunas técnicas de muestreo probabilístico.
Muestreo aleatorio simple (MAS):
Es aquel en que cada elemento de una población finita pequeña, tiene la misma probabilidad de
ser seleccionado para integrar la muestra. Cada uno de los elementos de la muestra, se
selecciona aleatoriamente uno por uno.
Existen dos formas de realizar el muestreo:

Muestreo con reemplazo: Es aquel en que un elemento puede ser seleccionado más de una
vez en la muestra para ello se extrae un elemento de población se observa y se devuelve a la
población, por lo que esta forma se pueden hacer infinitas extracciones de la población aun
siendo esta finita.
Muestreo sin reemplazo: No se devuelve los elementos extraídos a la población hasta que no
se hallan extraídos todos los elementos que conforman la muestra.
Hay diversos procedimientos para extraer los individuos de una muestra aleatoria:
Una de ellas consiste en realizar un sorteo aleatorio con papeles o bolas enumeradas y sacar
uno a uno tantos como lo indique el tamaño de la muestra. Otra forma, es utilizar la tabla de
números aleatorios, pero solamente para poblaciones finitas, la utilización de estas tablas puede
realizarse de diferentes modos.
También se puede encontrar un intervalo constante (𝑁⁄𝑛), para escoger a cada individuo de la
muestra seleccionada; por ejemplo, en una institución educativa tienen 90 estudiantes en el
grado undécimo y se desea extraer una muestra de 30 estudiantes. En primer lugar se numeran
𝑁 90
los estudiantes del 1 al 90, luego se calcula el intervalo constante entre cada individuo = =
𝑛 30
3, se sortea un número al azar del 1 al 3, supongamos que el 2, los siguientes estudiantes se
obtienen 3 hasta llegar los 30 estudiantes de la muestra, teniendo así los estudiantes
seleccionados son: 2, 5, 8, 11,…, 89.
Muestreo sistemático:
Se utiliza cuando el universo o población es de gran tamaño, o ha de extenderse en el tiempo.

Primero hay que identificar las unidades y relacionarlas con el calendario (cuando proceda).
Luego hay que calcular una constante, que se denomina coeficiente de elevación K= N/n; donde
N es el tamaño del universo y n el tamaño de la muestra. Determinar en qué fecha se producirá
la primera extracción, para ello hay que elegir al azar un número entre 1 y K; de ahí en adelante
tomar uno de cada K a intervalos regulares. Ocasionalmente, es conveniente tener en cuenta la
periodicidad del fenómeno.
Esto quiere decir que si tenemos un determinado número de personas que es la población (N) y
queremos escoger de esa población un número más pequeño el cual es la muestra (n), dividimos
el número de la población por el número de la muestra que queremos tomar y el resultado de
esta operación será el intervalo, entonces escogemos un número al azar desde uno hasta el
número del intervalo, y a partir de este número escogemos los demás siguiendo el orden.
Muestreo estratificado:
Consiste en la división previa de la población de estudio en grupos o clases que se suponen

homogéneos con respecto a alguna característica de las que se van a estudiar. A cada uno de
estos estratos se le asignaría una cuota que determinaría el número de miembros del mismo que
compondrán la muestra. Dentro de cada estrato se suele usar la técnica de muestreo sistemático,
una de las técnicas de selección más usadas en la práctica.
Según la cantidad de elementos de la muestra que se han de elegir de cada uno de los estratos,
existen dos técnicas de muestreo estratificado:
Asignación proporcional: el tamaño de la muestra dentro de cada estrato es proporcional al

tamaño del estrato dentro de la población.
Asignación óptima: la muestra recogerá más individuos de aquellos estratos que tengan más
variabilidad. Para ello es necesario un conocimiento previo de la población.
Por ejemplo, para un estudio de opinión, puede resultar interesante estudiar por separado las
opiniones de hombres y mujeres pues se estima que, dentro de cada uno de estos grupos, puede
haber cierta homogeneidad. Así, si la población está compuesta de un 55% de mujeres y un 45%

de hombres, se tomaría una muestra que contenga también esos mismos porcentajes de
hombres y mujeres.
Para una descripción general del muestreo estratificado y los métodos de inferencia asociados
con este procedimiento, suponemos que la población está dividida en h subpoblaciones o
estratos de tamaños conocidos N1, N2,..., Nh tal que las unidades en cada estrato sean
homogéneas respecto a la característica en cuestión.
Muestreo por estadios múltiples:
Esta técnica es la única opción cuando no se dispone de lista completa de la población de

referencia o bien cuando por medio de la técnica de muestreo simple o estratificado se obtiene
una muestra con unidades distribuidas de tal forma que resultan de difícil acceso. En el muestreo
a estadios múltiples se subdivide la población en varios niveles ordenados que se extraen
sucesivamente por medio de un procedimiento de embudo. El muestreo se desarrolla en varias
fases o extracciones sucesivas para cada nivel.
Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un país
determinado, éstos pueden subdividirse en unidades primarias representadas por
circunscripciones didácticas y unidades secundarias que serían los propios profesores. En primer
lugar extraemos una muestra de las unidades primarias (para lo cual debemos tener la lista
completa de estas unidades) y en segundo lugar extraemos aleatoriamente una muestra de
unidades secundarias de cada una de las primarias seleccionadas en la primera extracción.
Muestreo por conglomerados:
Se utiliza cuando la población se encuentra dividida de manera natural, en grupos que se supone
que contienen toda la variabilidad de la población, es decir, la representan fielmente respecto a
la característica a elegir, pueden seleccionarse sólo algunos de estos grupos
o conglomerados para la realización del estudio.
Dentro de los grupos seleccionados se ubicarán las unidades elementales, por ejemplo, las
personas a encuestar, y podría aplicársele el instrumento de medición a todas las unidades, es
decir, los miembros del grupo, o sólo se les podría aplicar a algunos de ellos, seleccionados al
azar. Este método tiene la ventaja de simplificar la recogida de información muestral.
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos para integrar
la muestra, el diseño se llama muestreo bietápico.
Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer método
funciona mejor cuanto más homogénea es la población respecto del estrato, aunque más
diferentes son éstos entre sí. En el segundo, ocurre lo contrario. Los conglomerados deben
presentar toda la variabilidad, aunque deben ser muy parecidos entre sí.
Homogeneidad de las poblaciones o sus subgrupos:
Homogéneo significa, en el contexto de la estratificación, que no hay mucha variabilidad. Los

estratos funcionan mejor cuanto más homogéneos son cada uno de ellos respecto a la
característica a medir. Por ejemplo, si se estudia la estatura de una población, es bueno distinguir
entre los estratos mujeres y hombres porque se espera que, dentro de ellos, haya menos
variabilidad, es decir, sean menos heterogéneos. Dicho de otro modo, no hay tantas diferencias
entre unas estaturas y otras dentro del estrato que en la población total.
Por el contrario, la heterogeneidad hace inútil la división en estratos. Si se dan las mismas
diferencias dentro del estrato que en toda la población, no hay por qué usar este método de
muestreo. En los casos en los que existan grupos que contengan toda la variabilidad de la
población, lo que se construyen son conglomerados, que ahorran algo del trabajo que supondría
analizar toda la población. En resumen, los estratos y los conglomerados funcionan bajo
principios opuestos: los primeros son mejores cuanto más homogéneo es el grupo respecto a la
característica a estudiar y los conglomerados, si representan fielmente a la población, esto es,
contienen toda su variabilidad, o sea, son heterogéneos.

Muestreo no probabilístico
Es aquél para el que no puede calcularse la probabilidad de extracción de una determinada

muestra. Se busca seleccionar a individuos que se juzga de antemano tienen un conocimiento
profundo del tema bajo estudio, por lo tanto, se considera que la información aportada por esas
personas es vital para la toma de decisiones. A continuación se muestran algunas técnicas de
muestreo no probabilístico.
Muestreo por cuotas:
Es la técnica más difundida sobre todo en estudios de mercado y sondeos de opinión. En primer
lugar es necesario dividir la población de referencia en varios estratos definidos por algunas
variables de distribución conocida (como el género o la edad). Posteriormente se calcula el peso
proporcional de cada estrato, es decir, la parte proporcional de población que representan.
Finalmente se multiplica cada peso por el tamaño de n de la muestra para determinar la cuota
precisa en cada estrato. Se diferencia del muestreo estratificado en que una vez determinada la
cuota, el investigador es libre de elegir a los sujetos de la muestra dentro de cada estrato.
Muestreo de bola de nieve:
Indicado para estudios de poblaciones clandestinas, minoritarias o muy dispersas pero en

contacto entre sí. Consiste en identificar sujetos que se incluirán en la muestra a partir de los
propios entrevistados. Partiendo de una pequeña cantidad de individuos que cumplen los
requisitos necesarios estos sirven como localizadores de otros con características análogas.
Muestreo subjetivo por decisión razonada:
En este caso las unidades de la muestra se eligen en función de algunas de sus características
de manera racional y no casual. Una variante de esta técnica es el muestreo compensado o
equilibrado, en el que se seleccionan las unidades de tal forma que la media de la muestra para
determinadas variables se acerque a la media de la población. La cual funciona en base a
referencias o por recomendación.

TAMAÑO DE MUESTRA
El tamaño de la muestra que debemos escoger para hacer una estimación del parámetro con las
características especificadas (nivel de confianza y error de estimación) es un problema que tarde
o temprano tenemos que resolver. La determinación el tamaño de la muestra es de importancia
debido a que:
• Si se toma una muestra más grande de lo indicada para alcanzar los resultados
presupuestados, constituye un desperdicio de recursos (tiempo, dinero, etc.).
• Al tomar una muestra demasiado pequeña conduce a menudo a resultados poco confiables.
• Cuando elegimos una muestra de tamaño n sólo revisamos una fracción o parte de la
población y con base en ella tomamos decisiones que afectan a toda la población. Es evidente
que este procedimiento existe una posibilidad de que nos equivoquemos en nuestras
decisiones, pero esta posibilidad depende en gran medida del tamaño de muestra de la
población que se haya escogido y por tanto analizado.
El tamaño que debe tener la muestra cuando se estima la media o proporción depende del nivel
de confianza propuesto para el intervalo, así como el máximo error que estemos dispuestos a
admitir entre el valor estimado y el valor real del parámetro que corresponde al error de
estimación.
TAMAÑO DE MUESTRA CON VARIANZA POBLACIONAL CONOCIDA.
Población infinita o muestreo con repetición

Supongamos que hemos fijado en d el error de estimación (precisión) y el nivel de confianza de
100(1 − 𝛼⁄2) para la estimación de la media 𝜇𝑥 de una población normal con varianza
desconocida, siendo así, tenemos la ecuación,
𝜎𝑥
𝑑 = 𝑍(1−𝛼⁄2)
√𝑛
De la ecuación anterior, se tiene
𝑍2 𝜎 2
𝑛=
𝑑2
Ejemplo 1. Un ingeniero trata de ajustar una máquina dispensadora de gaseosas de tal forma
que el promedio del líquido dispensado se encuentra dentro de cierto rango. Sabe que la cantidad
de líquido vertida por la máquina sigue una distribución normal con una desviación estándar de
0.15 decilitros. También desea que el valor estimado que vaya a obtener de la media comparado
con el verdadero no sea superior a 0.02 decilitros, con una confianza del 95%. ¿De qué tamaño
debe escoger la muestra, o sea cuántas mediciones debe realizar para que cumpla el plan
propuesto?
Solución:
La información dada es: 𝜎 = 0.15, d = 0.02 y un nivel de confianza del 95% por lo tanto, el nivel
de significancia 𝛼 = 5% y 𝑍(1−𝛼⁄2) = 𝑍0.975 = 1.96.
Reemplazando tenemos,
(1.96)2 (0.15)2
𝑛= (0.02)2
= 216.09 ≈ 216 mediciones.
El ingeniero tendría que escoger una muestra de 216 mediciones.
Población finita y muestreo sin repetición

El tamaño de muestra en una población finita está dado por la ecuación,
𝑁𝑍 2 𝜎 2
𝑛=
(𝑁 − 1)𝑑 2 + 𝑍 2 𝜎 2

Ejemplo 2. Para efectos de una planeación económica en cierta zona del país, es necesario
estimar entre 10 000 establos lecheros, el número de vacas lecheras por establo con un error de
estimación de 4 y un nivel de confianza del 90%. Si se sabe que 𝜎 2 = 1000. ¿Cuántos establos
deben visitarse para satisfacer estos requerimientos?
Solución:
La información dada es:
N=10 000,𝜎 2 = 1000, d = 4 y un nivel de confianza del 90% por lo tanto, el nivel de significancia
𝛼 = 10% y 𝑍0.95 = 1.645.
(10 000)(1.645)2 (1000)
𝑛 = (10 = 166.3 ≈ 166 establos.
000−1)(4)2 +(1.645)2 (1000)
Se debe visitar a 166 establos.
TAMAÑO DE MUESTRA PROPORCIONAL A LA POBLACIÓN
Población infinita o muestreo con repetición

Cuando es el caso de tomar el tamaño de una muestra proporcional a una población infinita o un
muestreo con repetición, utilizaremos la fórmula,
𝑧 2 𝑝̅(1 − 𝑝̅ )
𝑛=
𝑑2
En donde 𝒑 ̅ corresponde a la proporción estimada, d el error de estimación. Cuando no se da
estimación alguna de 𝒑̅, el cálculo de la muestra se hace tomando a 𝒑 ̅ = 𝟎. 𝟓, o sea, el 50%.
Esto arroja por lo general una muestra mucho mayor de la indicada, pero es el precio que
debemos pagar por no tener mayor información sobre el caso.
Ejemplo 3. Se está planeando una encuesta con el fin de determinar la proporción de familias
que carecen de medios económicos para atender los problemas de salud. Existe la impresión de
que esta proporción está próxima a un 35%. Se desea determinar un intervalo de confianza del
99% con un error de estimación de 0.05. ¿De qué tamaño debe tomarse la muestra?
Solución:
La información dada es:
𝑝̅ = 0.35, d = 0.05, un nivel de confianza del 99% por lo tanto, el nivel de significancia 𝛼 = 1% y
𝑍0.995 = 2.575.
(2.575)2 (0.35)(1−0.35)
𝑛= (0.05)2
= 603.3 ≈ 603familias.
Se debe encuestar a 603 familias.
Población finita y muestreo sin repetición

Si el tamaño de la población debe ser tenido en cuenta el tamaño de muestra está dado por
𝑁𝑧 2 𝑝̅ (1 − 𝑝̅)
𝑛=
(𝑁 − 1)𝑑 2 + 𝑧 2 𝑝̅ (1 − 𝑝̅)
Ejemplo 4. El decano de una facultad desea realizar una encuesta para determinar la proporción
de estudiantes que está a favor del cambio de sede. Ya que entrevistar a 2000 estudiantes es
una tarea casi imposible, determine el tamaño de muestra necesario para estimar la proporción
de estudiantes que están a favor, con un error de estimación de 0.05 y un nivel de confianza del
95%.

Solución:
N=2000, como se desconoce la proporción, entonces 𝑝̅ = 0.5, d = 0.05, un nivel de confianza del
95% por lo tanto, el nivel de significancia 𝛼 = 5% y 𝑍0.975 = 1.96.
(2000)(1.96)2 (0.5)(0.5)
𝑛 = (2000−1)(0.05)2 = 322.3 ≈ 322estudiantes.
+(1.96)2 (0.5)(0.5)
Se debe encuestar a 322 estudiantes.
GUÍA DE TRABAJO N° 4
1. Explique qué clase de muestreo emplearía, en las siguientes situaciones:

a. La Secretaría de Salud de cierta ciudad, quiere realizar un estudio de las personas que
contraen una infección de transmisión sexual (ITS) y teniendo en cuenta que mucha de
esta población no ha sido diagnóstica por los centros de salud, entonces no se tienen los
registros verdaderos de aquellas personas que padecen de estas enfermedades.
b. Bienestar universitario quiere realizar un estudio de cómo se encuentran los 250
egresados laboralmente. Para ello se decide realizar un tipo de muestreo.
2. Suponga que las estaturas de los hombres tienen distribución normal con desviación estándar
de 2.5 pulgadas. ¿De qué tamaño se debe tomar la muestra si se desea determinar un
intervalo de confianza del 95% para una media con un error de estimación de 0.5?
3. Un químico ha preparado un producto diseñado para matar el 80% de un tipo particular de
insectos, ¿de qué tamaño se debe escoger la muestra para estimar la verdadera proporción
si se requiere un intervalo de confianza del 95% y un error de estimación del 2%?
4. Un técnico desea determinar el tiempo promedio que los operarios tardan en preparar sus
equipos. ¿Qué tamaño debe tener la muestra si se necesita una confianza del 95% de que
su media muestral estará dentro de 15 segundos del promedio real? Suponga que por
estudios anteriores se sabe que 𝜎 = 45 segundos.
5. Se desea estimar el peso promedio de un lote de 500 naranjas. Para ello se va escoger
aleatoriamente cierto número de naranjas. Se desea que el error de estimación sea máximo
de 2 onzas con un nivel de confianza del 90%. ¿Cuántas naranjas deben seleccionarse?
Suponga que 𝜎 = 5.
6. Se desea estimar la proporción de estudiantes que están a favor de la legalización de las
drogas prohibidas. El error de estimación se requiere del 1% y un nivel de confianza del 99%.
¿Cuántos estudiantes deben incluirse en la muestra?
7. Se desea estimar la fuerza promedio para levantar a un niño de seis años. Como no se tenía
información sobre la varianza de esta población se procedió a tomar una muestra piloto para
estimarla; los resultados fueron los siguientes: 2.24, 2.26, 2.47, 1.56, 1.72, 1.48, 2.40, 2.03,
1,72, 2.10, 1.74, 1.55. Si se desea estimar un intervalo del 95% de confianza con un error de
estimación de 0.1. ¿De qué tamaño se debe escoger la muestra? Suponga que estos datos
provienen de una distribución normal.
8. El jefe de personal de una empresa desea realizar una encuesta para determinar la proporción
de trabajadores que está a favor de un cambio del horario de trabajo. Como es imposible
consultar a los 500 trabajadores en un lapso razonable, procede a escoger aleatoriamente
cierto número de trabajadores para entrevistarlos; determine el número de trabajadores que
debe entrevistarse si se desea que la proporción estimada presente un error máximo del 5%
y un nivel de confianza del 95%.
9. Plantee y desarrolle un ejercicio (Problema de aplicación en su área de conocimiento) de

tamaño de muestra. El ejercicio debe ser de su autoría.

DISTRIBUCIÓN MUESTRAL
Teniendo en cuenta, que una misma población se pueden tomar muchas muestras diferentes
del mismo tamaño. El desarrollo de un ejercicio en donde se obtienen los valores muestrales de
una variable (la media muestral) de acuerdo con los datos observados y al encontrar los valores
de probabilidad para cada uno de los valores muestrales, con lo cual se llega así a lo que se
conoce como distribución muestral.
TEOREMA DEL LÍMITE CENTRAL
̅ es la media de una muestra aleatoria de tamaño 𝒏 que se toma de una población con media
Si 𝑿
𝝁 y varianza 𝝈𝟐 , entonces la variable:
√𝑛(𝑥̅ − 𝜇)
𝑍=
𝜎
Donde,
𝑋̅: Media muestral
𝜇: Media poblacional
𝜎: Desviación estándar poblacional
𝑛: Tamaño de muestra
𝑍
La variable 𝒁 tiende a la normal estándar a medida que 𝒏 tiende a infinito.
La importancia de este resultado radica en que nos proporciona un medio para trabajar con 𝑋̅
aun si desconocemos que distribución tiene 𝑋 (la variable objeto de estudio), de ahí su gran
utilidad práctica.
El teorema del límite central, lo podemos escribir de otra manera para su mejor interpretación.
“Si 𝑋 es una variable aleatoria de media 𝜇 y varianza 𝜎 2 , la distribución muestral de la media 𝑋̅
de una muestra aleatoria de tamaño 𝑛 es aproximadamente normal con media 𝜇 y varianza 𝜎 2 /𝑛
si n es suficientemente grande. Simbólicamente, se escribe 𝑋̅~𝑁(𝜇, 𝜎 2 ⁄𝑛).
Para el teorema del límite central, hay que tener las siguientes consideraciones:
i. Sin importar la distribución de la población las medias muestrales tienen distribución normal.
ii. La media de la media muestral coincide con la media poblacional.
iii. La varianza de las medias muestrales, está relacionada con la varianza poblacional.
iv. A mayor tamaño de muestra 𝑛, la variabilidad disminuye.
v. Si no se tiene la varianza, se puede decir que la varianza muestral es igual a la varianza
poblacional.
Ejemplo 1. Una industria está produciendo actualmente cables para la suspensión de puentes.
La característica más importante de este producto es su resistencia, el peso que puede soportar
antes de que se reviente. Por experiencias pasadas se sabe que el promedio de la resistencia
es de 6 toneladas con desviación estándar de ¾ de tonelada. Para efectos de control, se
selecciona una muestra de 9 cables y se adopta la siguiente regla de decisión:
Si la resistencia promedio está por encima de 6.5 toneladas o por debajo de 5.5 toneladas, se
suspende el proceso. Si está entre 5.5 y 6.5 se continua el proceso.

(a) ¿Cuál es la probabilidad de detener el proceso, si la media de la producción es aún de
6 toneladas?
(b) ¿Cuál es la probabilidad de detener el proceso, si la media de la producción ya no es
de 6 toneladas sino 6?18 toneladas?
(c) ¿Cuál es la probabilidad de continuar el proceso, si el promedio es en realidad de 6?4
toneladas?
(d) ¿Cuál es la probabilidad de continuar el proceso, si el promedio es en realidad de 5?8
toneladas?
Solución:
Del ejemplo, tenemos que: 𝜇 = 6 toneladas, 𝜎 = 0.75 toneladas y 𝑛 = 9.
(a) Para dar solución primero calcularemos la 𝑃[5.5 ≤ 𝑋̅ ≤ 6.5],
√9(5.5−6) √9(6.5−6)
𝑧1 = 0.75
= −2 y 𝑧2 = 0.75
=2
Entonces, tenemos que:
𝑃[−2 ≤ 𝑍 ≤ 2] = 𝑃[𝑍 ≤ 2] − 𝑃[𝑍 ≤ −2] = 0.9772 − (1 − 0.9772) = 0.9544,
El 95.44 % es la probabilidad de dejarlo tal y como está, pero la pregunta es la detener

el proceso, si la media de la producción es aún de 6 toneladas, por lo tanto tomamos el
complemento de esta probabilidad, 1 − 0.9544 = 0.0456
Entonces, concluimos que hay una probabilidad del 4.56% de detener el proceso si la
media de la producción es de 6 toneladas.
(b) 𝑃[5.5 ≤ 𝑋̅ ≤ 6.5]
√9(5.5−6.18) √9(6.5−6.18)
𝑧1 = = −2.72 y 𝑧2 = = 1.28
0.75 0.75
𝑃[−2.72 ≤ 𝑍 ≤ 1.28] = 𝑃[𝑍 ≤ 1.28] − 𝑃[𝑍 ≤ −2.72] = 0.8997 − (1 − 0.9967) = 0.8964,
Como la pregunta es la detener el proceso, si la media de la producción es de 6.18

toneladas, por lo tanto tenemos que, 1 − 0.8964 = 0.1036. Hay una probabilidad del
10.36% de detener el proceso si la media de la producción es de 6.18 toneladas.
(c) 𝑃[5.5 ≤ 𝑋̅ ≤ 6.5]
√9(5.5−6.4) √9(6.5−6.4)
𝑧1 = 0.75
= −3.6 y 𝑧2 = 0.75
= 0.4

𝑃[−3.6 ≤ 𝑍 ≤ 0.4] = 𝑃[𝑍 ≤ 0.4] − 𝑃[𝑍 ≤ −3.6] = 0.6554 − (1 − 1) = 0.6554,

Hay una probabilidad del 65.54% de continuar el proceso, si la media de la producción
es de 6.4 toneladas.
La distribución de medias muestrales, cuando la población es finita es:
𝑥̅ − 𝜇
𝑍=
𝜎 𝑁−𝑛
( 𝑛) √ 𝑁−1
√
Ejemplo 2. La altura media de 400 estudiantes de un colegio es de 1.50 m. y su desviación

estándar es de 0.25 m. ¿Cuál es la probabilidad, en una muestra de 36 estudiantes, de que la
media sea superior a 1?60 m.?
Solución
La información dada es: 𝜇 = 1.50 m, 𝜎 = 0.25 m, 𝑁 = 400 y 𝑛 = 36.
Nos piden, 𝑃[𝑋̅ > 1.60],
1.60 − 1.50
𝑧= = 2.51
0.25 400−36
( )√
√36 400−1
𝑃[𝑍 > 2.51] = 1 − 𝑃[𝑍 ≤ 2.51] = 1 − 0.9940 = 0.0060
Por lo tanto, hay una probabilidad del 0.6% de una muestra de 36 estudiantes, de que la media
sea superior a 1.60 m.
En muchos casos, se puede utilizar la distribución normal para evaluar la distribución muestral
de proporciones, siendo así:
𝑝−𝑃
𝑍=
𝑃𝑄
√
𝑛
Donde, 𝑝: proporción muestral, 𝑃: proporción poblacional y 𝑄 = 1 − 𝑃.
Ejemplo 3. Se tiene que el 4% de las piezas producidas por cierta máquina son defectuosas,
¿cuál es la probabilidad de que en un grupo de 200 piezas, el 3% o más sean defectuosas.
Solución
La información dada es: 𝑃 = 0.04, 𝑝 = 0.03 y 𝑛 = 200.
Nos piden, 𝑃[𝑝 ≥ 0.03]

0.03 − 0.04
𝑧= = −0.72
(0.04)(0.96)
√
200
𝑃[𝑍 ≥ −0.72] = 𝑃[𝑍 ≤ 0.72] = 0.7642
Hay una probabilidad del 76.42% de que en un grupo de 200 piezas, el 3% o más sean
defectuosas.
La distribución muestral de proporciones en poblaciones finitas es:
𝑝−𝑃
𝑍=
𝑃𝑄 𝑁−𝑛
√ √
𝑛 𝑁−1
Ejemplo 4. En una universidad de 1200 estudiantes, se ha determinado que el 65% de los

estudiantes de esta universidad consumen bebidas alcohólicas. Se toma una muestra de 100
estudiantes. ¿Cuál es la probabilidad de que no más del 60% de los estudiantes consuman
bebidas alcohólicas?
Solución
La información dada es: 𝑃 = 0.65, 𝑝 = 0.60, 𝑁 = 1200 y 𝑛 = 100.
Nos piden, 𝑃[𝑝 ≤ 0.60]
0.60 − 0.65
𝑧= = −1.09
(0.65)(0.35) 1200−100
√ √
100 1200−1
𝑃[𝑍 ≤ −1.09] = 1 − 𝑃[𝑍 < 1.09] = 1 − 0.8621 = 0.1379
Hay una probabilidad del 13.79% de que no más del 60% de los estudiantes consuman bebidas
alcohólicas.

1. Suponga que el contenido de nicotina de cierta marca de cigarrillos tiene distribución normal
con media de 25 miligramos y desviación estándar de 4 miligramos. Se toma una muestra
aleatoria de 25 cigarrillos, ¿cuál es la probabilidad de que la media sea mayor o igual a 26
miligramos?
2. Un fabricante de lámparas asegura que la vida promedio de las lámparas que produce es de
1000 horas con una desviación estándar de 100 horas. Un comprador potencial decide probar
si la vida promedio es como lo garantiza el fabricante y para ello toma una muestra de 64
lámparas, ¿cuál es la probabilidad de la que la media de la vida útil de las lámparas sea menor
a 957 horas?
3. Quinientos cojines de bolas tienen un peso medio de 5.02 onzas y una desviación de 0.30
onzas. Hallar la probabilidad de que una muestra al azar de 100 cojines, elegidos entre este
grupo, tenga un peso de más de 5.10 onzas?
4. Un fabricante de desodorantes recibe cada semana lotes de 10000 válvulas para los frascos
rociadores. Para aceptar o rechazar dichos lotes, seleccionan al azar 400 válvulas de cada
lote; si el 2% o más resultan defectuosas, se rechaza el lote. En caso contrario se acepta el
lote. ¿Cuál es la probabilidad de rechazar un lote que contenga el 1% de las válvulas
defectuosas?
5. Una empresa recibe un lote grande de artículos provienen de un fabricante, el cual asegura
que el porcentaje de artículos defectuosos es del 2%. Al seleccionar una muestra aleatoria de
200 artículos, ¿cuál es la probabilidad de que el porcentaje de artículos defectuosos de la
muestra sea superior al 5%?
6. En una gran ciudad la proporción de personas que padecen de problemas pulmonares debido
a la polución es del 30%. Se escogen 100 personas al azar; halle la probabilidad de que la
proporción de los que tengan problemas pulmonares motivados por la polución sea, a) menos
del 38% y b) sea superior al 20%.
7. Un auditor toma una muestra de 49, de una población de 800 cuentas por cobrar. La
desviación estándar de la población es de $93800 y la media es de $226000. ¿Cuál es la
probabilidad de que la media de la muestra, sea menor o igual a $206000?
8. El jefe de bodega de un almacén de cadena, recibe semanalmente 15000 unidades de un
determinado artículo, que debe ser examinado para su aceptación. El tiempo disponible para
esta revisión es pequeño dado el volumen de los artículos, por lo cual se consideró necesario
la selección al azar de 300 artículos, con la recomendación de que el 5% o más de ellos no
están en buen estado, se devuelve la mercancía. ¿Cuál probabilidad de devolver las 15000
unidades, si sabemos que el 3% de los artículos se consideran en mal estado?
9. Un profesor de deportes, afirma que el promedio de peso de los que practican un determinado
deporte es de 58 kilos, con una desviación estándar de 6 kilos. Si se realiza una encuesta,
entre las preguntas se incluye el peso de 25 deportistas. ¿Cuál es la probabilidad de que el
promedio obtenido sea mayor de 60 kilos?
10.Plantee y desarrolle un ejercicio de cada uno de los casos de la distribución muestral (Los
problemas de aplicación tienen que ser de su área de conocimiento). Los ejercicios deben ser
de su autoría.

ESTIMACIÓN POR INTERVALOS
El procedimiento para obtener un intervalo de confianza para un parámetro, la media 𝜇, por

ejemplo, requiere de la determinación de un estimador del parámetro y de la distribución del
estimador.
LÍMITES DE CONFIANZA
Los límites de confianza también denominada como intervalos de confianza. En ésta sección
abordaremos los intervalos de confianza para una media y la proporción; además la fijación de
los niveles de significación (confianza), que generalmente son del 95%, cuyo resultado se
considera significativo, del 99% altamente significativo y del 90% poco significativo.
Límite de confianza para una media
Los límites de confianza para la estimación de la media aritmética, cuando se tiene la desviación
estándar de la muestra y el tamaño de la muestra mayor a 30 (>30). Llegado el caso, de que se
conozca la desviación estándar poblacional, ésta podrá utilizarse en cambio de la muestral, sin
importar el tamaño de la muestra. A continuación, daremos las fórmulas de los límites o intervalos
de confianza para población infinita y finita:
𝑠
𝜇̂ = 𝑥̅ ± 𝑍1−𝛼⁄2 , (Población infinita)
√𝑛
𝑠 𝑁−𝑛
𝜇̂ = 𝑥̅ ± 𝑍1−𝛼⁄2 √ , (Población finita)
√𝑛 𝑁−1
Ejemplo 1. Una fábrica de zapatos de seguridad, promociona su nuevo producto ofreciendo

garantía en la resistencia del material. En un día fabrican 1200 pares de zapatos, tomando una
muestra de 25 pares de zapatos, se encontró una resistencia promedio de 3.0 kg/cm2 en el cuero
del calzado, con una desviación estándar de 0.2 kg/cm 2. Determine los límites de confianza de
la resistencia de los zapatos de seguridad, con una confianza del 95%.
Solución
La información dada es: 𝑥̅ = 3.0 𝑘𝑔⁄𝑐𝑚2 , 𝑠 = 0.2 𝑘𝑔⁄𝑐𝑚2 y 𝑛 = 25
0.2
𝜇̂ = 3.0 ± 1.96
√25
𝜇̂ = (2.92, 3.08)
Podemos concluir que el fabricante puede dar una garantía de la resistencia del material del
calzado entre 2.92 kg/cm2 y 3.08 kg/cm2 con una confianza del 95%.
Si producción diaria la tomamos como el tamaño de la población, 𝑁 = 1200 pares de zapatos,

el intervalo de confianza sería:
0.2 1200 − 25
𝜇̂ = 3.0 ± 1.96 √
√25 1200 − 1
𝜇̂ = (2.92, 3.08)

La diferencia al calcular el intervalo de confianza entre población infinita y finita, en este caso
son de milésimas. Por lo tanto, concluimos que el fabricante puede dar una garantía de la
resistencia del material del calzado entre 2.92 kg/cm2 y 3.08 kg/cm2 con una confianza del
95%.
Límite de confianza para una proporción
Las fórmulas para calcular los límites o intervalos de confianza son:
𝑝𝑞
𝜇̂ = 𝑝 ± 𝑍1−𝛼⁄2 √ , (Población infinita)
𝑛
𝑝𝑞 𝑁−𝑛
𝜇̂ = 𝑝 ± 𝑍1−𝛼⁄2 √ √ , (Población finita)
𝑛 𝑁−1
Ejemplo 2. El departamento de calidad de la fábrica de zapatos de seguridad, por estudios

anteriores sabe que por factores de materia prima, equipos y operarios, un porcentaje de la
producción es rechazada por algún motivo en su acabado. Si se toma una muestra de 25 pares
de zapatos y se obtiene que el porcentaje es del 5%. Determine los límites de confianza
proporcional en que puede ser rechazados los zapatos de seguridad, con una confianza del 95%.
Solución
La información dada es: 𝑝 = 0.05, 𝑞 = 1 − 0.05 = 0.95 y 𝑛 = 25
(0.05)(0.95)
𝜇̂ = 0.05 ± 1.96√
25
𝜇̂ = (−0.035, 0.135)
La proporción de la producción que puede ser rechazada está entre 0% y el 13.5%, con una
confianza del 95%.

1. La vida útil en millas de cierta llanta, se distribuye normalmente. Se tomó una muestra de 25
llantas y se obtuvo una vida promedio de 30000 millas y una desviación estándar de 4000
millas. Calcule e interprete un intervalo de confianza del 95% para la verdadera vida útil
promedio de estas llantas.
2. Con el propósito de estimar la proporción de estudiantes regulares que asistirán a los cursos
intersemestrales, los profesores analizaron una muestra aleatoria de 200 estudiantes, el 45%
de estos indicaron que asistirán a los cursos. Construya e interprete un intervalo de confianza
del 90% para la verdadera proporción de los que asistirán a los cursos intersemestrales.
3. Se administra un test estándar a una numerosa clase de estudiantes, la puntuación promedio
de 100 estudiantes escogidos al azar fue de 75 puntos. Suponga que las puntuaciones tienen
distribución normal con varianza de 2500 y determine un intervalo de confianza del 99% para
la verdadera puntuación promedio, interprete el intervalo hallado.
4. Una máquina produce arandelas, se toma una muestra de 9 piezas y se les mide el diámetro
interior, los resultados fueron: 0.99, 0.95, 1.01, 1.03, 0.97, 0.96, 0.97, 0.99 y 1.01 cm.
Encuentre e interprete un intervalo del 95% de confianza para el diámetro promedio.
5. Se obtiene una muestra de 16 estudiantes con un promedio de 68 y una varianza de 9 en un
examen de estadística. Suponga que las calificaciones tienen distribución normal y determine
un intervalo del 90% de confianza para las calificaciones.
6. Se selecciona una muestra de 250 fumadores de cigarrillo y se encuentra que 75 prefieren la
marca A. Encuentre e interprete un intervalo del 99% de confianza para la verdadera
proporción. Si el fabricante de estos cigarrillos asegura que el 40% de los fumadores prefieren
la marca A, ¿qué puede decirse según el intervalo hallado?
7. En un conjunto residencial habitan 300 personas, de las cuales a 90 de ellas se le aplica un
test en el que se le mide el grado de satisfacción sobre el cuidado de las zonas verdes. El
administrador del conjunto estima que el 80% de los residentes están de acuerdo con el
cuidado de las zonas verdes. Construya e interprete un intervalo de confianza del 95% para
la verdadera proporción de habitantes que están de acuerdo con el cuidado de estas zonas.
8. Una fábrica de tornillos realiza un pedido de 50000 tornillos. Se toma una muestra de 2000
tornillos y se obtuvo que la longitud promedio es de 6 cm y una desviación estándar de 0.3
cm. Determine un intervalo de confianza del 99% para el verdadero promedio de la longitud
de los tornillos.
9. Una muestra de 49 observaciones tiene una media de 30 y una desviación estándar de 3.5.
Encuentre los intervalos de confianza para el 90%, 95% y 99% para la media de la población.
10. Plantee y desarrolle un ejercicio de cada uno de los casos de los límites de confianza (Los
problemas de aplicación tienen que ser de su área de conocimiento). Los ejercicios debe ser
de su autoría.

PRUEBAS DE HIPÓTESIS
Dentro de la inferencia estadística, una prueba de hipótesis (también denominado test de

hipótesis o prueba de significación) es un procedimiento para juzgar si una propiedad que se
supone en una población estadística es compatible con lo observado en una muestra de dicha
población. Fue iniciada por Ronald Fisher y fundamentada posteriormente por Jerzy
Neyman y Karl Pearson.
Mediante esta teoría, se aborda el problema estadístico considerando una hipótesis nula (𝑯𝟎 ) y
una hipótesis alternativa (𝑯𝒂 ), y se intenta averiguar cuál de las dos es la hipótesis verdadera,
tras aplicar el problema estadístico a un cierto número de experimentos.
Está fuertemente asociada a los considerados errores de tipo I y II en estadística, que definen
respectivamente, la posibilidad de tomar un suceso falso como verdadero, o uno verdadero como
falso.
Existen diversos métodos para desarrollar dicho test, minimizando los errores de tipo I y II, y
hallando por tanto con una determinada potencia, la hipótesis con mayor probabilidad de ser
correcta. Los tipos más importantes son los test centrados, de hipótesis y alternativa simple,
aleatorizados, etc. Dentro de los test no paramétricos, el más extendido es probablemente el test
de la U de Mann-Whitney.
Planteamiento clásico del contraste de hipótesis
Se denomina hipótesis nula a la hipótesis (𝑯𝟎 ) que se desea contrastar. El nombre de "nula"
significa “sin valor, efecto o consecuencia”, lo cual sugiere que (𝑯𝟎 ) debe identificarse con la
hipótesis de no cambio (a partir de la opinión actual); no diferencia, no mejora,
etc. (𝑯𝟎 ) 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 (𝑯𝟎 ) nunca se considera
probada, aunque puede ser rechazada por los datos. La hipótesis alternativa (𝑯𝒂 ) es la que
establece que el parámetro de la población es diferente del valor del parámetro de la población
de la hipótesis nula (𝑯𝟎 ), es también lo que se podría pensar que es cierto o se espera probar
que es cierto "sospecha". 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 𝜹 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.
La probabilidad de que se obtenga un valor del estadístico que entre en la región de rechazo aun
siendo cierta la hipótesis puede calcularse. De esta manera, se puede escoger dicha región de
tal forma que la probabilidad de cometer este error sea suficientemente pequeña.
Siguiendo con el anterior ejemplo de la moneda trucada, la muestra de la población es el conjunto
de los treinta lanzamientos a realizar, el estadístico escogido es el número total de caras
obtenidas, y la región de rechazo está constituida por los números totales de caras iguales o
superiores a 25. La probabilidad de cometer el error de admitir que la moneda está trucada a
pesar de que no lo está es igual a la probabilidad binomial de tener 25 "éxitos" o más en una
serie de 30 ensayos de Bernoulli con probabilidad de "éxito" 0,5 en cada uno, entonces: 0,0002,
pues existe la posibilidad, aunque poco probable, que la muestra nos dé más de 25 caras sin
haber sido la moneda trucada.
Procedimientos de prueba
Un procedimiento de prueba es una regla con base en datos muestrales, para determinar si se
rechaza 𝑯𝟎 .

Ejemplo 1. El ingeniero de control de calidad de una fábrica de tornillos tiene la sospecha de que
el proceso de producción de tales tornillos no se está cumpliendo la especificación en cuanto la
longitud promedio que debe ser de 5 cm, y que ésta, por el contrario, es menor. Si ello es así,
será necesario detener la producción para hacer los ajustes del caso. Como podemos apreciar
en este caso, la decisión que se tome traerá sus consecuencias; por ello se debe ser consciente
al tomar la decisión. En la consideración anterior podemos apreciar dos posibilidades la
hipótesis estadística, constituidas por:
• La proposición o afirmación que el ingeniero espera aceptar, denominada 𝑯𝒂 , y denominada
hipótesis alterna. En nuestro caso esta hipótesis corresponde a la afirmación: “La longitud
media de los tornillos es menor de 5 cm”. Simbólicamente la denotaremos 𝑯𝒂 : 𝝁 < 5, siendo
𝜇 = longitud promedio de los tornillos.
• La proposición que el ingeniero espera rechazar, denotada 𝑯𝟎 , llamada hipótesis nula, que
en el presente caso corresponde a la afirmación: “La longitud promedio de los tornillos es de
5 cm”. Simbólicamente la denotaremos 𝑯𝟎 : 𝝁 = 𝟓.
Las dos anteriores hipótesis se escriben conjuntamente de la manera siguiente:
𝑯𝟎 : 𝝁 = 𝟓 𝒗𝒔. 𝑯𝒂 : 𝝁 < 5
La escritura nos indica que existe una confrontación de afirmaciones y sólo la evidencia de los
datos nos podrá indicar hacia dónde debemos inclinarnos, lo que no requiere decir que queda
demostrada, sino que no queda validada ante la evidencia de la muestra. Esto hay que tenerlo
en cuenta porque olvidarlo o desconocerlo da origen a las muchas conclusiones erradas que se
hacen y que motivan una crítica injustificada a las conclusiones con base en la inferencia
estadística.
Un procedimiento de prueba se especifica por lo siguiente:
1. Un estadístico de prueba: una función de los datos muestrales en los cuales se basa la
decisión de rechazar 𝑯𝟎 o no rechazar 𝑯𝟎 .
2. Una región de rechazo, el conjunto de todos los valores del estadístico de prueba para los
cuales 𝑯𝟎 será rechazada.
Entonces, la hipótesis nula será rechazada si y solo si el valor observado o calculado del
estadístico de prueba se ubica en la región de rechazo.
La región de aceptación es un conjunto de valores, determinado bajo ciertas reglas, tal que si el
valor de la estadística de prueba cae dentro, la hipótesis nula 𝑯𝟎 se declara no contraria al valor
de la estadística (esto no significa que sea verdadera sino que su falsedad no ha sido probada).
La región de rechazo, también llamada región crítica, es un conjunto de valores distinto a los
anteriores; si la estadística de prueba asume un valor que esté dentro, la hipótesis nula 𝑯𝟎 se
declara contraria a la evidencia de la muestra y por lo tanto debe ser rechazada.
El valor crítico es aquel número que separa la región de aceptación de la región de rechazo.
̅ < 5, entonces 5 es un valor
Así por ejemplo, si la regla de decisión es rechazar 𝑯𝟎 : 𝝁 = 𝟓 si 𝑿
crítico.
Cuando la región de rechazo está localizada en un solo extremo de la curva de la distribución de

la estadística de prueba, la prueba se dice de una cola. Cuando la región de rechazo está
localizada en ambos extremos la prueba se dice de dos colas.
Si se trata de una prueba de una media para población normal, las distintas pruebas respecto de
las posibilidades para la hipótesis alterna son:
1. 𝐻0 : 𝜇 = 𝑎 𝑣𝑠. 𝑯𝒂 : 𝝁 > 𝑎.

2. 𝐻0 : 𝜇 = 𝑎 𝑣𝑠. 𝑯𝒂 : 𝝁 < 𝑎.
3. 𝐻0 : 𝜇 = 𝑎 𝑣𝑠. 𝑯𝒂 : 𝝁 ≠ 𝒂.
En los casos anteriores la hipótesis nula también puede formularse como 𝐻0 : 𝜇 ≥ 𝑎, para el caso
1, y 𝐻0 : 𝜇 ≤ 𝑎 para el caso 2. Sin embargo, en los cálculos siempre se tomará 𝜇 = 𝑎.
En el mejor de los casos podrían desarrollarse procedimientos de prueba para los cuales ningún
tipo de error es posible. Pero esto puede alcanzarse solo si una decisión se basa en un examen
de toda la población, lo que casi nunca es práctico. La dificultad al usar un procedimiento basado
en datos muestrales es que debido a la variabilidad en el muestreo puede resultar una muestra
no representativa.
Un buen procedimiento es aquel para el cual la probabilidad de cometer cualquier tipo de error
es pequeña. La elección de un valor particular de corte de la región de rechazo fija las
probabilidades de errores tipo I y II. Estas probabilidades de error son representadas por α y β,
respectivamente.
Errores en el contraste
Una vez realizado el contraste de hipótesis, se habrá optado por una de las dos
hipótesis, 𝑯𝟎 o 𝑯𝒂 , y la decisión escogida coincidirá o no con la que en realidad es cierta. Se
pueden dar los cuatro casos que se exponen en el siguiente cuadro:
Decisión
Estado de naturaleza
Aceptar𝑯𝟎 Descartar 𝑯𝟎
𝑯𝟎 es cierta Acción correcta Error de tipo I
(1 − 𝛼) (𝛼)
𝑯𝟎 es falsa Error d tipo II Acción correcta
(𝛽) (1 − 𝛽)
Si la probabilidad de cometer un error de tipo I está unívocamente determinada, su valor se suele
denotar por la letra griega α, y en las mismas condiciones, se denota por β la probabilidad de
cometer el error de tipo II, esto es:
𝑃(𝑒𝑠𝑐𝑜𝑔𝑒𝑟𝐻𝑎 / 𝐻0 𝑒𝑠 𝑐𝑖𝑒𝑟𝑡𝑎) = 𝛼

𝑃(𝑒𝑠𝑐𝑜𝑔𝑒𝑟𝐻0 / 𝐻𝑎 𝑒𝑠 𝑐𝑖𝑒𝑟𝑡𝑎) = 𝛽
En este caso, se denomina Potencia del contraste al valor 1-β, esto es, a la probabilidad de
escoger 𝑯𝒂 cuando ésta es cierta
𝑃(𝑒𝑠𝑐𝑜𝑔𝑒𝑟𝐻𝑎 / 𝐻𝑎 𝑒𝑠 𝑐𝑖𝑒𝑟𝑡𝑎) = 1 − 𝛽
Cuando es necesario diseñar un contraste de hipótesis, sería deseable hacerlo de tal manera
que las probabilidades de ambos tipos de error fueran tan pequeñas como fuera posible. Sin
embargo, con una muestra de tamaño prefijado, disminuir la probabilidad del error de tipo I, α,
conduce a incrementar la probabilidad del error de tipo II, β.
Ejemplo 2. En un procedimiento judicial, cuando se acusa a alguien de un asesinato, cuando se
llama a juicio se presume que el acusado es inocente, es decir, no culpable hasta que se
demuestra lo contrario. El error tipo I corresponde al caso de condenar a un inocente y el error
tipo II al dejar libre a un culpable.
Cuando tomamos decisiones con base en los datos muestrales, cualquier cosa puede ocurrir,
desde lo más grave (cometer el error tipo I) hasta lo más acertado (tomar una decisión correcta),
y aun lo menos grave que sería cometer el error tipo II. Ante la gravedad de cometer el error tipo
I y ante la imposibilidad de descartarlo, la única alternativa que nos queda es la asignarle una
probabilidad, obviamente pequeña, de que éste ocurra; llegamos de esta manera al concepto de
nivel de significancia.
El nivel de significancia de una prueba corresponde a la probabilidad de cometer el error tipo
I. Es decir, es la probabilidad de rechazar 𝑯𝟎 siendo 𝑯𝟎 verdadera. Esta probabilidad se denota
con la letra 𝜶 y corresponde al área de rechazo; de tal forma que se igualará al total del área
derecha o izquierda, si se trata de pruebas de una cola o se repartirá en partes iguales entre las
dos colas, si se trata de una prueba bilateral.
Usualmente, se diseñan los contrastes de tal manera que la probabilidad α sea el 5% (0,05),
aunque a veces se usan el 10% (0,1) o 1% (0,01) para adoptar condiciones más relajadas o más
estrictas. El recurso para aumentar la potencia del contraste, esto es, disminuir β, probabilidad
de error de tipo II, es aumentar el tamaño muestral, lo que en la práctica conlleva un incremento
de los costes del estudio que se quiere realizar.
Pasos en una prueba de hipótesis

Primer paso. Formular la hipótesis o asegurar que es verdadera. Esta formulación puede ser
literal, pero generalmente traducida en término de parámetros (𝜇, 𝜎).
Segundo paso. Establecer el tamaño de muestra (n) y el nivel de significancia (𝛼).
Tercer paso. Determinar una estadística de prueba o una regla que sea lógica en el contexto
del problema formulado por la hipótesis. La estadística de prueba proporciona un número a partir
de los datos muestrales.
Cuarto paso. Formular una regla de decisión. Esto es, definir la posición que se asumirá para
cada resultado posible del experimento. La regla de decisión debe especificar qué valores de la
estadística de prueba se toman para aceptar 𝐻0 y cuales para rechazarla.
Quinto paso. Recolectar los datos mediante algún procedimiento de muestreo y calcular el
correspondiente valor de la estadística de prueba.
Sexto paso. Aplicar la regla de decisión. Si el valor de la estadística de prueba cae en la región
de rechazo, entonces rechazamos 𝐻0 ; si el valor cae en la región de aceptación, entonces no
rechazamos 𝐻0 o mejor dicho, no hay evidencia para rechazarla.
El rechazo o no rechazo de la hipótesis nula conduce a una decisión clínica, administrativa,
científica, etc.

PRUEBAS DE HIPÓTESIS RESPECTO DE LAS MEDIAS EN POBLACIONES
NORMALES
Es un procedimiento estadístico que nos permite decidir si los datos muestrales son consistentes
o no con algun valor que hemos fijado para la media de una población normalmente distribuida.
Existen dos casos relacionados: cuando la varianza de la población es conocida y cuando ésta
es desconocida.
Pruebas para una muestra
Varianza poblacional conocida

En este caso la prueba estadística se desarrolla con base en la distribución normal:
√𝑛(𝑥̅ − 𝜇)
𝑍=
𝜎
Ejemplo 1. Los siguientes datos corresponden a la longitud medida en centímetros de 18

pedazos de cable sobrantes en cada rollo utilizado: 9.00, 3.41, 6.13, 1.99, 6.92, 3.12, 7.86, 2.01,
5.98, 4.15, 6.87, 1.97, 4.01, 3.56, 8.04, 3.24, 5.05, 7.37. Basados en estos datos, ¿podemos
decir que la longitud media de los pedazos de cables es mayor de 4 cm? Suponga población
normal y tome el nivel de significancia 𝛼 = 0.05.
Solución:
Aplicando los pasos de una prueba de hipótesis tenemos:
1. Hipótesis
𝜇 = Longitud promedio de los pedazos de cable.
𝐻0 : 𝜇 ≤ 4 𝑣𝑠𝐻𝑎 : 𝜇 > 4
2. n = 18, 𝛼 = 0.05.
3. Estadística de prueba.
√𝑛(𝑥̅ − 𝜇)
𝑧𝑐 = ~ 𝑁(0, 1)
𝜎
4. Regla de decisión.
Se rechaza H0, si 𝑧𝑐 > 𝑧∝ .
5. Cálculos.
𝑥̅ = 5.04, 𝜎 = 2.3, 𝑛 = 18
√18(5.04 − 4)
𝑧𝑐 = = 1.918
2.3
El valor de tabla (𝑧𝛼 ):
𝑧(1−∝) = 𝑧0.95 = 1.645

6. Decisión.
Como 𝑧𝑐 > 𝑧∝ , entonces se rechaza H0 de que la longitud promedio es menor o igual a 4 cm.
Varianza poblacional desconocida y muestra pequeña

En este caso se toma como estadística de prueba a la distribución t-student:
√𝑛(𝑥̅ − 𝜇)
𝑇=
𝑠
con (n – 1) grados de libertad.
Ejemplo 2. Un agrónomo mide el contenido promedio de humedad en cierta variedad de trigo

que fue secado especialmente en una muestra de 16 toneladas: 7.2, 6.8, 7.3, 7.0, 7.3, 7.3, 7.5,
7.3, 7.4, 7.2, 7.6, 7.1, 7.4, 6.7, 7.4, 6.9. Si el promedio de humedad excede de 7.1, el proceso de
secado debe continuar. ¿Deberá continuarse con el proceso de secado, de acuerdo con esta
evidencia? Tome 𝛼 = 5%.
Solución:
1. Hipótesis
𝜇 = Contenido promedio de humedad de cada tonelada de trigo.
𝐻0 : 𝜇 ≤ 7.1 𝑣𝑠 𝐻𝑎 : 𝜇 > 7.1
2. n = 16, 𝛼 = 0.05.
√𝑛(𝑥̅ − 𝜇)
𝑡𝑐 = ~ 𝑡(𝑛 − 1)
𝑠
Se rechaza H0, si 𝑡𝑐 > 𝑡∝ .
5. Cálculos.
𝑥̅ = 7.213, 𝑠 = 0.253, 𝑛 = 16
√16(7.213 − 7.1)
𝑡𝑐 = = 1.786
0.253
El valor de tabla (𝑡𝛼 ):

𝑡(𝑛−1, 𝛼) = 𝑡(15, 0.05) = 1.753

6. Decisión.
Como𝑡𝑐 > 𝑡∝ , entonces se rechaza H0 de que el promedio de humedad de cada tonelada de trigo
es menor o igual a 7.1, ante esta evidencia el proceso de secado debe continuar.
Pruebas para dos muestras independientes
Cuando se trata de pruebas de dos medias relacionadas con poblaciones independientes, las
hipótesis a probar son:
1. 𝐻0 : 𝜇1 = 𝜇 2 𝑣𝑠 𝐻𝑎 : 𝜇1 > 𝜇2
Equivalente a:
𝐻0 : 𝜇1 − 𝜇 2 = 0 𝑣𝑠 𝐻𝑎 : 𝜇1 − 𝜇2 > 0. Prueba de una cola a la derecha.
2. 𝐻0 : 𝜇1 = 𝜇 2 𝑣𝑠 𝐻𝑎 : 𝜇1 < 𝜇2
Equivalente a:
𝐻0 : 𝜇1 − 𝜇 2 = 0 𝑣𝑠 𝐻𝑎 : 𝜇1 − 𝜇2 < 0. Prueba de una cola a la izquierda.
3. 𝐻0 : 𝜇1 = 𝜇 2 𝑣𝑠 𝐻𝑎 : 𝜇1 ≠ 𝜇2
Equivalente a:
𝐻0 : 𝜇1 − 𝜇 2 = 0 𝑣𝑠 𝐻𝑎 : 𝜇1 − 𝜇2 ≠ 0. Prueba de dos colas.
También se tienen en cuenta dos casos, cuando las varianzas de las poblaciones son conocidas
o cuando las varianzas son desconocidas.
Si las varianzas poblacionales son conocidas, se utiliza como estadística de prueba la variable
con distribución normal estándar:
(𝑥̅1 − 𝑥̅2 ) − (𝜇1 − 𝜇2 )
𝑍=
√𝜎12 ⁄𝑛1 + 𝜎22 ⁄𝑛2
Cuando las varianzas poblacionales son desconocidas pero supuestas iguales con muestras
pequeñas, se utiliza como estadística de prueba a la distribución t-student:
(𝑥̅1 − 𝑥̅2 ) − (𝜇1 − 𝜇2 )
𝑇=
𝑆𝑝 √1⁄𝑛1 + 1⁄𝑛2
con (n1 + n2 – 2) grados de libertad y donde,
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22
𝑆𝑝2 =
(𝑛1 + 𝑛2 − 2)
𝑆𝑝2 se llama varianza ponderada.
Ejemplo 3. Mediciones del diámetro transversal del corazón de los adultos del sexo masculino y
femenino dieron los resultados siguientes:
Grupo Tamaño de muestra ̅ en cm.

𝒙 S en cm.
Hombres 12 13.21 1.05
Mujeres 9 11.00 1.01

Suponga que las varianzas de las dos poblaciones son iguales. ¿Proporcionan estos datos
suficiente evidencia que indique que el diámetro transversal promedio del corazón de los
hombres es igual al de las mujeres? Tome 𝛼 = 5%.
Solución:
1. Hipótesis
𝜇1 =Diámetro transversal promedio de los hombres.
𝜇2 =Diámetro transversal promedio de las mujeres.
𝐻0 : 𝜇1 = 𝜇 2 𝑣𝑠𝐻𝑎 : 𝜇1 ≠ 𝜇2
2. n1 = 12, n2 =9, 𝛼 = 0.05.
(𝑥̅1 − 𝑥̅2 ) − (𝜇1 − 𝜇2 )

𝑡𝑐 = ~ 𝑡(𝑛1 + 𝑛2 − 2)
𝑆𝑝 √1⁄𝑛1 + 1⁄𝑛2
Se rechaza H0, si 𝑡𝑐 < −𝑡∝ , 𝑜, 𝑡𝑐 > 𝑡∝ .
5. Cálculos.
(12 − 1)(1.05)2 + (9 − 1)(1.01)2

𝑆𝑝2 = = 1.0678
12 + 9 − 2
𝑆𝑝 = 1.033
(13.21 − 11.00) − 0
𝑡𝑐 = = 4.851
(1.0333)√1⁄12 + 1⁄9
𝑡(𝑛1+𝑛2−2, 𝛼) = 𝑡(19, 0.05) = 2.093
6. Decisión.
Como𝑡𝑐 > 𝑡∝ , entonces se rechaza H0 de que el diámetro transversal promedio del corazón de
los hombres es igual al de las mujeres.

Pruebas sobre medias cuando las observaciones son pareadas
Esta prueba aparece cuando por ejemplo, comparamos los pesos de las personas antes y
después de un tratamiento para bajar peso. La aplicación de esta prueba requiere que las
unidades que formen la pareja tengan las mismas características, como sucede en los siguientes
casos:
✓ Los mismos individuos reciben el tratamiento antes y después.
✓ Las parejas son gemelos que reciben tratamientos distintos.
✓ Dos partes del mismo material son sometidos a tratamientos distintos.
El procedimiento estadístico para analizar el comportamiento de la variable de interés se basa
en la diferencia de las mediciones de las unidades que forman la pareja y es similar al que se
sigue para la prueba de una media al utilizar la distribución t-student, sólo que se toma como
estadística de prueba a la variable:
√𝑛(𝑥̅𝑑 − 𝜇𝑑 )
𝑇=
𝑆𝑑
con (n – 1) grados de libertad.

𝑥̅𝑑 = diferencia promedio de los datos muestrales, Sd = desviación estándar de las diferencias.
Ejemplo 4. Diez personas fueron sometidas a un test antes y después de recibir cierta
instrucción. Los resultados fueron los siguientes:
Individuo 1 2 3 4 5 6 7 8 9 10
Antes 70 84 88 110 105 100 110 67 79 86
Después 115 148 176 191 158 178 179 140 161 157
¿Proporcionan estos datos evidencia suficiente para decir que la instrucción fue efectiva? Tome
𝛼 = 1%.
Solución:
1. Hipótesis
𝜇𝑑 =diferencia promedio del test aplicado a diez individuos.
𝐻0 : 𝜇𝑑 ≤ 0 𝑣𝑠𝐻𝑎 : 𝜇𝑑 > 0
2. n = 10, 𝛼 = 0.01.
√𝑛(𝑥̅𝑑 − 𝜇𝑑 )
𝑡𝑐 = ~ 𝑡(𝑛 − 1)
𝑆𝑑
Se rechaza H0, si 𝑡𝑐 > 𝑡∝ .
5. Cálculos.

𝑥𝑑 = 45, 64, 88, 81, 53, 78, 69, 73, 82, 71.
𝑥̅𝑑 = 70.4, 𝑆𝑑 = 13.385, 𝑛 = 10
√10(70.4 − 0)
𝑡𝑐 = = 16.63
13.385

𝑡(𝑛−1, 𝛼) = 𝑡(9, 0.01) = 2.821
6. Decisión.
Como𝑡𝑐 > 𝑡∝ , entonces se rechaza H0, los datos evidencian que la instrucción fue efectiva.

1. Una fábrica de pilas garantiza que su producto tiene una vida media de 1000 horas y una
desviación estándar de 50. Pruebe la hipótesis de que 𝜇 = 1000 en contraposición de la
alterna 𝜇 ≠ 1000 horas, si una muestra aleatoria de 30 baterías tiene una duración promedio
de 950 horas. Utilice 𝛼 = 5%.
2. Una muestra aleatoria de 36 refrescos de una máquina despachadora tiene un contenido

promedio de 19.8 decilitros, con una desviación estándar de 1.3 decilitros. Pruebe la hipótesis
de 𝜇 = 20 decilitros en contraposición a la hipótesis alterna 𝜇 < 20. Use el nivel de
significancia 𝛼 = 1%.
3. Los siguientes datos representan el contenido de grasa en los cuerpos de 10 hombres: 4.22,
3.99, 5.41, 4.23, 4.29, 4.62, 4.55, 4.13, 4.23, 4.48. ¿Evidencian estos datos que el contenido
promedio de grasa en los hombres es menor de 4.464? Considere 𝛼 = 5% y tome 𝜎 = 0.4.
4. Se espera que dos operarios produzcan en promedio el mismo número de unidades

terminadas en el mismo tiempo. Los siguientes datos dan los números de las unidades
terminadas para ambos trabajadores en una semana de trabajo.
Operario 1 Operario 2
10 12
9 16
16 16
14 15
11 14
Si supone que el número de unidades terminadas diariamente por los trabajadores son
variables aleatorias independientes distribuidas normalmente con varianzas iguales, ¿puede
concluirse alguna diferencia entre las medias? Tome 𝛼 = 5%.
5. Las siguientes son las distancias en metros que cierto animal se aleja de su morada: 194,
202, 335, 515, 184, 369, 142, 552, 200, 344, 421, 590, 301, 439. ¿Podemos concluir que la
distancia promedio en que se aleja es mayor de 338 m? Suponga 𝜎 = 140 y tome 𝛼 = 5%.
6. Pruebe la hipótesis según la cual el contenido promedio de un aceite comestible es de 5 litros.

Si los contenidos de una muestra aleatoria de 10 recipientes son: 5.2, 4.7, 5.1, 5.3, 5.1, 4.8,
4.9, 5.4, 5.3, 4.8. Utilice un nivel de significancia de 𝛼 = 1% y suponga que la distribución de
los contenidos es normal.
7. Se desea comparar dos métodos para enseñar estadística. Para ello se tomaron 10 pares de
estudiantes del mismo nivel de aprovechamiento en estadística. De cada par, a uno se le
asigna al azar el método A y al otro al método B. Después de un periodo de cuatro semanas,
cada estudiante se sometió a un examen, con las puntuaciones siguientes:
Par 1 2 3 4 5 6 7 8 9 10
Método A 36 37 41 42 36 35 42 33 40 38
Método B 35 35 42 41 36 34 40 31 39 37
¿Proporcionan estos datos suficiente evidencia como para indicar que los niveles medios de
aprovechamiento de los métodos son distintos? Sea 𝛼 = 5%.
8. Los siguientes datos son los tiempos que tardan dos grupos de estudiantes para resolver un
examen de estadística.
Grupo Tiempo mínimo

1 100 84 96 107 89
2 79 163 95 132 91 85

Considere que se trata de poblaciones normales de igual varianza y pruebe que el tiempo de
duración promedio para responder el examen del grupo 1 es mayor que el promedio del grupo
2. Tome 𝛼 = 2.5%.
9. Los siguientes datos corresponden a los diámetros de dos muestras de arandelas producidas
por dos máquinas distintas.
Muestra 1 0,91 1,82 1,46 1,95 1,57 1,61 1,32

Muestra 2 1,03 1,99 1,65 2,07 1,66 1,76 1,28 2,01
Considere que los diámetros se distribuyen normalmente y que las varianzas respectivas son
𝜎12 = 0.12 𝑦𝜎22 = 0.13. ¿Evidencian estos datos que los diámetros promedios de las arandelas
producidas por las dos máquinas son iguales? Tome 𝛼 = 5%.
10. Cinco personas con exceso de peso se pusieron a dieta durante tres meses. Fueron
observados sus pesos al comienzo y al final de la dieta. Estos datos se muestran en la tabla
que sigue:
Individuo 1 2 3 4 5
Peso inicial 295 305 323 299 310
Peso final 251 259 267 265 263
¿Se puede concluir según estos datos que la dieta es efectiva? Tome 𝛼 = 10%.
11. Suponga que tienen dos poblaciones X y Y independientes, distribuidas normalmente y de

igual varianza. De cada una de estas poblaciones se extrae una muestra. En la tabla que
sigue se dan los resultados:
Población Media Desviación estándar Tamaño de muestra

X 4.52 1.40 5
Y 5.31 1.95 23
¿Se puede concluir a partir de estos datos, que 𝜇𝑌 − 𝜇𝑋 es mayor de 1?

Tome 𝛼 = 5%.
12. Suponga que la varianza de los cocientes intelectuales de los estudiantes de enseñanza
secundaria media en una ciudad es de 225. Una muestra aleatoria de 25 estudiantes arroja
un coeficiente intelectual de 106. ¿Se puede concluir a partir de estos datos que el
coeficiente intelectual medio de los estudiantes es superior a 100? Tome 𝛼 = 5%.
13. Una muestra aleatoria de tamaño n1 = 25, tomada de una población normal con desviación
estándar de 𝜎1 = 4.8, tiene una media 𝑋̅1 = 75. Una segunda muestra aleatoria de tamaño
n2 = 36, tomada de una población normal diferente con desviación estándar 𝜎2 = 3.5, tiene
media 𝑋̅2 = 70. Pruebe la hipótesis de 𝜇1 = 𝜇2 , en contraposición a la alterna𝜇1 > 𝜇2 . Tome
𝛼 = 5%.
14. Se conduce una prueba sobre la potencia de fricción producida por ciertas máquinas
lubricadas con dos aceites comerciales. Los resultados fueron:
Marca 1 Marca2
𝑛1 = 9 𝑛2 = 11
𝑋̅1 = 10.4 𝑋̅2 = 14.1
𝑆12 = 1.0 𝑆22 = 0.9
Considere que se trata de poblaciones normales con igual varianza. ¿Evidencian estos
datos que las potencias promedios son iguales? Tome 𝛼 = 2%.

PRUEBAS DE HIPÓTESIS RESPECTO DE LAS VARIANZAS EN POBLACIONES
NORMALES
Las pruebas referentes a varianzas pueden ser para una o dos varianzas. Si se trata de una sola
varianza utilizamos como estadístico de prueba la variable con distribución Ji cuadrado:
(𝑛 − 1)𝑆 2
𝑋2 =
𝜎2
y con un valor de tabla (𝑋𝛼2 ):𝑋 2 (𝑘, 𝑞), en donde k = (n – 1) grados de libertad y q la medida de la
cola derecha.
Ejemplo 1. Se tomó una muestra aleatoria de tamaño n= 25 se obtuvo un valor S=150, con estos
datos. Pruebe la hipótesis 𝐻𝑜 : 𝜎 2 = 10 000 vs.𝐻𝑜 : 𝜎 2 > 10 000.
Solución
1. Hipótesis
𝐻𝑜 : 𝜎 2 = 10 000 vs. 𝐻𝑜 : 𝜎 2 > 10 000
2. n = 25
(𝑛 − 1)𝑆 2
𝑋𝑐2 =
𝜎2
Se rechaza H0, si𝑋𝑐2 > 𝑋𝛼2 .
5. Cálculos.
(25 − 1)(150)2
𝑋𝑐2 = = 54
10000
El valor de tabla (𝑋𝛼2 ):

𝑋 2 (𝑘, 𝑞) = 𝑋 2 (24, 0.05) = 36.415
6. Decisión.
Como, 𝑋𝑐2 > 𝑋𝛼2 entonces rechaza H0.
Cuando se trata de comparar varianzas se utiliza la variable con distribución F:
𝑆12
𝐹=
𝑆22

En donde 𝑆12 y 𝑆22 son las varianzas muestrales de las dos poblaciones y con un valor de tabla
(Fα): 𝐹(𝛼,(𝑛1−1),(𝑛2−1)) , con q la medida de la cola derecha, n1grados de libertad del numerador y
n2 grados de libertad del denominador.
Se recomienda colocar siempre en el numerador la varianza muestral asociada a la varianza
poblacional mayor. Esto es,
𝑆12
i) Si𝐻𝑎 : 𝜎12 > 𝜎22, entonces el estadístico de prueba se toma como 𝐹 =
𝑆22
𝑆22
ii) Si 𝐻𝑎 : 𝜎22 > 𝜎12 , entonces el estadístico de prueba se toma como 𝐹 = .
𝑆12
iii) Si 𝐻𝑎 : 𝜎12 ≠ 𝜎22 , entonces el estadístico de prueba se toma de tal manera que la mayor de
las variables aparezca en el numerador.
Ejemplo 2. Se comparó la eficiencia de dos tipos de aceites para evitar el desgaste en ciertas
piezas sometidas a intenso trabajo. En trece piezas se utilizó el aceite 1 y en otras trece el aceite
2. Las varianzas muestrales fueron 𝑆12 = 64, 𝑆22 = 16. Pruebe la hipótesis nula según la cual las
varianzas de las dos poblaciones son iguales. Tome 𝛼 = 5%.
Solución
1. Hipótesis
𝐻0 : 𝜎12 = 𝜎22 𝑣𝑠. 𝐻𝑎 : 𝜎12 ≠ 𝜎22
2. n1 = 13, n2 = 13, 𝛼 = 0.05.
𝑆12
𝐹𝑐 = 2
𝑆2
1
Se rechaza H0, si 𝐹𝑐 > 𝐹𝛼 , 𝑜, 𝐹𝑐 < .
𝐹𝛼
5. Cálculos.
64
𝐹𝑐 = =4
16
El valor de tabla (𝐹𝛼 ):

1 1 1
𝐹(𝛼⁄2,(𝑛1−1),(𝑛2−1)) = 𝐹(0.05⁄2, 12, 12) = 3.28, y, 1⁄𝐹∝ = = = = 0.305
𝐹(𝛼⁄2,(𝑛 −1),(𝑛 −1)) 𝐹(0.05⁄2, 12, 12) 3.28
1 2
6. Decisión.
Como 𝐹𝑐 > 𝐹𝛼 , entonces rechaza H0, de que las varianzas de las dos poblaciones son iguales.

1. Se afirma que un dispensador de gaseosas está fuera de control si la varianza de los

contenidos excede de 1.0 decilitros. Si una muestra aleatoria de 16 vasos despachados por
este dispensador dio una varianza muestral de 1.9 decilitros, ¿qué puede decirse del mismo
acerca de si está bajo control? Tome 𝛼 = 5%.
2. Se sabe que el contenido de nicotina de una marca de cigarrillos tiene distribución normal con
varianza de 1.3 miligramos. Pruebe la hipótesis de que 𝜎 2 = 1.3, si una muestra aleatoria de
8 de estos cigarrillos tiene una desviación estándar 𝑆 = 1.8. use 𝛼 = 5%.
3. Se conduce una prueba sobre la potencia de fricción producida por ciertas máquinas
lubricadas con dos aceites comerciales. Los resultados fueron:
Marca 1 Marca2
𝑛1 = 9 𝑛2 = 11
𝑋̅1 = 10.4 𝑋̅2 = 14.1
𝑆12 = 1.0 𝑆22 = 0.9
¿Proporcionan estos datos una evidencia de que 𝜎 2 = 0.16? Tome 𝛼 = 5%.
4. Se compara el nivel de colesterol en la sangre de los pacientes seleccionados al azar y

sometidos a dos dietas distintas; una baja en grasa y la otra normal. Las varianzas y tamaños
de muestra se dan a continuación:
Baja en grasas 𝑆12 = 198 𝑛1 = 19

Normal 𝑆22 = 435 𝑛2 = 24
¿Proporcionan estos datos suficiente evidencia que indique una diferencia en la variabilidad
de las dos poblaciones de donde se obtuvieron las muestras? Tome 𝛼 = 10%.
5. Una firma fabricante de detergentes elabora dos marcas. Si se encuentra que 56 amas de
casa de 200 consultadas prefieren la marca A; y que 29 de 150 la marca B. ¿Es esto evidencia
suficiente para sostener que la marca A es preferida a la B? Tome 𝛼 = 1%.
6. Se realizó una encuesta para determinar la diferencia que pueda existir entre las fracciones
de casados y solteros entre 20 y 30 años que fuman. Se entrevistaron 200 personas de cada
grupo y se encontraron 64 casados y 80 solteros que fuman. ¿Contienen los datos suficiente
evidencia que indique que existe una diferencia entre las dos fracciones de fumadores para
las dos poblaciones? Tome 𝛼 = 10%.
7. Dos máquinas diferentes A y B se utilizan para producir pernos idénticos que se suponen de
2 pulgadas de longitud. Se toman dos muestras aleatorias de 25 pernos cada una de la
producción de ambas máquinas Y arrojan dos varianzas𝑆12 = 0.03 pulgadas para la máquina
A, y 𝑆22 = 0.04 pulgadas para la máquina B. ¿Evidencian estos datos que las varianzas son
iguales? Tome 𝛼 = 5%.
8. La desviación estándar de cierto proceso de producción es de 4 pulgadas. Se sospecha que

la varianza se ha hecho demasiado grande. Se toma una muestra de 9 partes producidas en
dicho proceso y sus medidas son: 5, 7, 2, 4, 8, 9, 8, 6 y 5 pulgadas. Pruebe la hipótesis de
que el proceso conserva aún la varianza 𝜎 2 = 4. Tome 𝛼 = 1%.

REGRESIÓN Y CORRELACIÓN SIMPLES
La técnica del análisis de la regresión no es otra cosa que un procedimiento de estimación o

predicción. El análisis de la regresión se clasifica generalmente en dos tipos: simple y múltiple.
La regresión simple es aquella en que entran solamente dos variables, tales como la regresión
de Y respecto a X. La regresión múltiple es aquella en la intervienen tres o más variables, una
de las cuales es una variable dependiente, la que se va a asociar con los valores de todas las
demás. En este caso trataremos la regresión simple.
El estudio se restringirá a la regresión simple solamente, o sea, aquella en que la ecuación que
describe la relación entre X y Y es lineal y se representa gráficamente por una recta.
Cuando se encuentra que unas variables están relacionadas entre sí, suele ser útil averiguar
cuán estrecha es la relación. El grado de relación entre éstas se denomina también correlación
entre las variables. El problema de correlación está íntimamente asociado al de la regresión y es
parte integrante del análisis de dos variables.
La recta de regresión
Cuando tratamos la estimación observamos que para llevar a cabo tal proceso, partíamos de la
propuesta de un modelo para la población, por ejemplo: distribución normal. A partir de este
modelo supuesto y mediante una estadística adecuada obteníamos estimadores o estimaciones
del parámetro en discusión.
En el análisis de dos variables interesa el modelo particular, la recta de regresión de la población.

Ésta, la cual se refiere a la población, no puede ser conocida y por tanto, debe ser estimada con
base en los datos muestrales y se obtiene la recta de regresión estimada. Como es de esperarse,
para dar validez a las conclusiones acerca de la citada recta, hay que fijar ciertos supuestos.
Entre los de mayor relevancia están los siguientes:
1. Los valores de la variable dependiente x se toman previamente y de manera arbitraria; se
considera que tales valores están libres de errores, por ello la denotamos con letra minúscula
y se considera un variable determinística; esto es, su valor está prefijado de antemano en el
experimento. La variable dependiente Y se considera de naturaleza aleatoria y su valor es
sólo una respuesta de las tantas que pueden corresponder a un mismo valor de x.
2. Se supone que en la entre x y Y existe una verdadera relación dada por la ecuación
𝑌𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜖𝑖 (1)
donde 𝛼 y 𝛽 son parámetros, es decir, son valores poblacionales y 𝜖𝑖 es un valor aleatorio

llamado error o perturbación, determinado por la diferencia entre 𝑌𝑖 y el valor esperado de Y
como variable aleatoria determinada por el 𝑥𝑖 particular.
Estimación de 𝜶 y 𝜷
Con el fin de explicar las nociones básicas de la estimación de la recta de regresión con
utilización de los datos muestrales, consideremos el siguiente problema.
Ejemplo 1. Suponga que un profesor de estadística desea predecir la nota final que obtendrán
en el próximo curso sus estudiantes utilizando como base el puntaje de ingreso de los mismos.
Para ello, escogió al azar 10 estudiantes que iniciaron el curso; esperó luego el final de semestre
y registró la nota definitiva que obtuvo cada uno de ellos. Los resultados fueron los que se dan
en la siguiente tabla.

Tabla 1. Puntaje de ingreso y nota definitiva en estadística de diez estudiantes.
Estudiante Puntaje de ingreso Nota definitiva en estadística
1 39 65
2 43 78
3 21 52
4 64 82
5 57 92
6 47 89
7 28 73
8 75 98
9 34 56
10 52 75
Nuestro propósito es el de determinar una relación matemática (si existe) entre estas variables
determinadas por el puntaje de ingreso y nota definitiva en estadística.
Lo primero que debe hacerse es precisar cuál va a ser la variable independiente (determinística)
y cuál la dependiente (aleatoria).
La variable independiente es aquella que representa la característica que parece influir sobre la
otra que se toma como respuesta, la que a su vez se constituye en la dependiente. En el caso
que nos ocupa parece ser claro que esta variable es la que corresponde al puntaje de ingreso.
Lógicamente, fijada ésta como variable independiente, la que representa las notas definitivas en
estadística corresponderá a la variable dependiente.
Una vez que hemos precisado las variables independiente y dependiente, sería deseable hacer
una representación gráfica de los datos muestrales. Esta representación se lleva a cabo en plano
cartesiano al registrar en el eje horizontal los valores de la variable independiente, la cual se
denota con la x; y en el eje vertical los valores de la variable dependiente que se denota con la
Y. Con estos valores individuales se forman las parejas ordenas (x, y) que determina un punto
en el plano cartesiano; estos puntos forman en conjunto una nube de puntos que se llama
diagrama de dispersión. La construcción de este diagrama es de mucha importancia puesto que
a partir de él podemos tener una idea visual de la posible relación entre las variables y de esta
forma poder sugerir el modelo que más se pueda ajustar a los datos.
El diagrama de dispersión para los datos de la tabla 1 se muestra en la figura 1. Indica que existe
una relación (correlación) positiva entre el puntaje de ingreso y la nota definitiva de estadística.
Sugiere además que la relación entre las dos variables es de tipo lineal (recta) en promedio, ya
que se tendría una recta al trazar una línea de ajuste por el centro de la nube de puntos al partir
de la parte inferior de la nube a la superior (figura 2)
Figura 1. Diagrama de dispersión de los puntajes de admisión y las notas definitivas en

estadística

Figura 2. Diagrama de dispersión de los puntajes de admisión y las notas definitivas en
estadística con la recta o línea de ajuste.
Una vez que se tiene la evidencia o mejor, que resulta razonable considerar una relación de tipo
lineal, la tarea siguiente es estimar la verdadera relación. El método más usual para elegir una
recta de este tipo es el de mínimos cuadrados, y la resultante se llama recta de mínimos
cuadrados. Este nombre se debe a que la suma de cuadrados de las desviaciones verticales de
los puntos respecto de esta recta es menor que la suma de los cuadrados de dichas desviaciones
respecto de cualquier recta.
El procedimiento de los mínimos cuadrados para determinar la recta de regresión parte de que
cada 𝑌𝑖 es de la forma
𝑌𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜖𝑖
A partir de esta ecuación de tiene que 𝜖𝑖 = 𝑌𝑖 − (𝛼 + 𝛽𝑥𝑖 ) y de aquí obtenemos la ecuación

cuadrática 𝜖𝑖 2 = [𝑌𝑖 − (𝛼 + 𝛽𝑥𝑖 )]2 . Ahora bien, si se tiene n observaciones (𝑥𝑖 , 𝑌𝑖 ), entonces
∑𝑛𝑖=1 𝜖𝑖 2 = ∑𝑛𝑖=1[𝑌𝑖 − (𝛼 + 𝛽𝑥𝑖 )]2 . (2), nos da la suma de cuadrados de las desviaciones verticales
respecto de la recta 𝑌 = 𝛼 + 𝛽𝑥.
El proceso matemático que se sigue es el determinar los valores de 𝛼 y 𝛽 que hacen mínimo a
(2). Estos valores los denotamos 𝛼̂ y 𝛽̂ , y se obtienen mediante métodos de optimización para
funciones de dos variables que se estudian en cursos avanzados de cálculo, razón por la cual lo
omitimos aquí. Basta saber que mediante la aplicación del mencionado método obtenemos el
sistema de ecuaciones llamado sistema de ecuaciones normales, que sigue
(3)
A partir del sistema de ecuaciones normales despejamos a 𝛼̂ y 𝛽̂ , y obtenemos
(4)
El numerador que aparece en (4) puede ser reconocido como la covarianza de la muestra de x
y Y, y el denominador como la varianza de la muestra de los datos x. Esto es,
(5)

Otra forma de expresar el cociente que define a 𝛽̂ es al tomar como numerador 𝑆𝐶𝑥𝑌 =
∑𝑛𝑖=1 𝑥𝑖 𝑌𝑖 − ∑𝑛𝑖= 𝑥𝑖 ∑𝑛𝑖=1 𝑌𝑖 ⁄𝑛 y como denominador 𝑆𝐶𝑥 = ∑𝑛𝑖=1 𝑥𝑖2 − (∑𝑛𝑖=1 𝑥𝑖 )2⁄𝑛. De esta forma (5)
toma la forma,
(6)
Una vez obtenido el valor de 𝛽̂ , se puede calcular el valor de 𝛼̂ al sustituir el valor de 𝛽̂ en

cualquiera de las ecuaciones del sistema (3). Si lo hacemos en la primera ecuación se tiene
(7)
Así pues, que para obtener los valores de 𝛼̂ y de 𝛽̂ es necesario conocer los de n, ∑𝑛𝑖=1 𝑥𝑖 , ∑𝑛𝑖=1 𝑌𝑖 ,
∑𝑛𝑖=1 𝑥𝑖 𝑌𝑖 , ∑𝑛𝑖=1 𝑥𝑖2 . También hay que conocer ∑𝑛𝑖=1 𝑌𝑖2 para cálculos posteriores. Una vez obtenidos
los valores de 𝛼̂ y 𝛽̂ formamos la ecuación 𝑌̂ = 𝛼̂ + 𝛽̂ 𝑥 que recibe el nombre de recta estimada o
ecuación de predicción.
En la tabla 2 aparecen los cálculos de estos términos con base en los datos de la tabla 1.
Tabla 2. Cálculo de la regresión del puntaje de ingreso (Y) respecto de la nota definitiva de
estadística (x).
Puntaje de Nota definitiva en xY x2 Y2

ingreso estadística
x Y
39 65 2235 1521 4225
43 78 3354 1849 6084
21 52 1092 441 2704
64 82 5248 4096 6724
57 92 5244 3249 8464
47 89 4183 2209 7921
28 73 2044 784 5329
75 98 7350 5625 9604
34 56 1904 1156 3136
52 75 3900 2704 5625
∑ = 460 ∑ = 760 ∑= ∑= ∑=
36854 23634 59816
460 760
De la tabla anterior podemos calcular, 𝑥̅ = = 46 y 𝑌̅ = = 76.
10 10
Al reemplazar en la ecuación (4) se tiene que
36854⁄10 − (46)(76) 3685.4 − 3496 189.4

𝛽̂ = = = = 0.766
23634⁄10 − (46)2 2363.4 − 2116 247.4
y en la ecuación (7),
𝛼̂ = 76 − (0.766)(46) = 40.76
De lo anterior se tiene que la ecuación de la recta de regresión (estimada) es
𝑌̂ = 40.76 + (0.766)𝑥
Que se representa en la figura 3 en donde aparece también el diagrama de dispersión.

Figura 3. Recta de regresión estimada de las notas en estadística respecto al puntaje de ingreso.
En la estimación de los parámetros de 𝛼 y 𝛽, en realidad lo importante es el parámetro 𝛽 puesto

que representa una estimación de la variación promedio de los valores de la variable dependiente
Y para cada variación del valor de la variable independiente x. En este ejemplo en particular, el
valor de 0.766 para 𝛽 significa que la nota de estadística puede variar, según se estima, es
aproximadamente 0.766 e igual sentido que la variación del puntaje de ingreso.
La ecuación de regresión lineal basada en datos muestrales se utiliza ampliamente para fines de
predicción. Dado un valor x, se puede predecir cuál será el valor de Y asociado, en promedio.
Por ejemplo, si un estudiante ingresó con un puntaje de x=60, la nota definitiva provista en
estadística será 𝑌̂ = 40.76 + (0.766)(60) = 87(aproximadamente) lo cual es una estimación
puntual de la media condicional 𝜇𝑌⁄𝑥 .
¿Cuál buena es entonces esta estimación? O bien, ¿cuál es el grado de precisión del valor
predicho? Para responder a esta pregunta hay que considerar la estimación por intervalo que se
tratará más tarde.
Antes de continuar precisando conceptos es conveniente que expliquemos un poco el porqué y

que características buenas tiene la estimación de mínimos cuadrados que hemos hecho.
Como ya se señaló, la determinación de la recta mediante el método de “mano alzada” no es lo

mejor que podamos hacer. Ahora bien, si tomamos como buen ajuste aquel que minimiza el
residuo total, entendiéndose como residuo la distancia vertical del Y observado a la línea
ajustada, o sea (𝑌𝑖 − 𝑌̂𝑖 ), donde 𝑌̂𝑖 es el “valor ajustado de 𝑌” o la ordenada de la línea. Véase
figura 4.
Figura 4. Error cometido al ajustar puntos con una recta.

El error total se puede intentar minimizar de varias formas como son:
1. Al considerar la suma de todos los errores. Esto es, ∑𝑛𝑖=1(𝑌𝑖 − 𝑌̂𝑖 ).
Si se utiliza este criterio, las dos rectas que aparecen en la figura 4 se ajustan bien con las
observaciones, a pesar de que el ajuste en a) es intuitivamente un ajuste bueno y b) es muy
malo.
2. Hay un problema de signo; en ambos casos los errores positivos neutralizan los negativos y
hacen que la suma sea igual a cero. Este criterio debe ser rechazado porque no permite
distinguir entre los ajustes buenos y malos.
Figura 5. Suma de errores igual a cero.
Como los errores positivos no pueden anularse entre sí con los errores negativos, este criterio
eliminaría los malos ajustes, tal como el ajuste de la figura 6b. Sin embargo, todavía tiene una
desventaja. Es claro que la figura 6 el ajuste de (b) satisface mejor el criterio de minimizar la
suma de los valores absolutos (∑|𝑌𝑖 − 𝑌̂𝑖 |) que el ajuste (a). Intuitivamente se puede ver que la
línea que une en (b) los puntos extremos satisface este criterio mejor que cualquier otra. No
obstante, no parece ser la mejor solución al problema puesto que se ignora totalmente el punto
medio. Tal vez en ese sentido es mejor el ajuste (a), porque en él se consideran los tres puntos.
Figura 6. Dos ajustes que minimizan la suma de los valores absolutos de las desviaciones.

3. Finalmente, el problema del signo también puede ser superado si se intenta minimizar la suma
2
de los cuadrados de los errores, ∑𝑛𝑖=1(𝑌𝑖 − 𝑌̂𝑖 ) que ya fue estudiada como los mínimos
cuadrados. Su justificación comprende los puntos siguientes:
i) Al elevar al cuadrado se suprime el problema del signo.
ii) La operación de elevar al cuadrado destaca los errores grandes y cuando se trata de
satisfacer este criterio se evitan esos errores siempre que sea posible. Por consiguiente,
se toman en cuenta todos los puntos y mediante este criterio, se elige el ajuste en la figura
6ª, el cual es preferible al de la figura 6b.
iii) El algebra de mínimos cuadrados es sencilla de manipular.
iv) Existen justificaciones teóricas importantes para los mínimos cuadrados, como el criterio
de máxima verosimilitud.
Estimación de 𝜶 y 𝜷 para el ejemplo hipotético
Ejemplo 2. Supongamos que se tiene una población de 50 personas adultas del género
masculino. De esta muestra nos interesa estudiar la relación entre la estatura (Y), medida en
centímetros y el peso (x).
Tabla 3. Relación de las estatura y los pesos de 50 personas adultas del género masculino.
Peso (X)
60 65 70 75 80
159 164 164 189 171
160 166 164 170 173
Estaturas por persona (Y)
162 167 165 171 175

165 167 166 171 179
168 168 168 172 180
170 169 169 173 184
171 170 171 174
170 172 175
171 173 176
174 177
175 177
175 178

176 178
176
177
Supongamos que para cada valor dado de (X) escogemos aleatoriamente un valor de (Y)
mediante un muestreo aleatorio simple (MAS). Ahora organizamos estos valores en una tabla
como sigue:
𝑿 60 65 70 75 80
𝒀 162 168 169 175 171
El diagrama de dispersión es:
Los valores estimados de 𝛼 y de 𝛽 por el método de mínimos cuadrados son: 𝛼̂ = 134 y 𝛽̂ = 0.5.
La ecuación de la recta de regresión estimada es 𝑌̂ = 134 + (0.5)𝑥
La verdadera ecuación de la recta de regresión es 𝑌 = 129 + 0.6𝑥
Los valores 𝑌̂ determinados por la anterior ecuación son estimaciones de 𝐸[𝑌⁄𝑋 = 𝑥0 ], es posible
comprobarse fácilmente: Para 𝑋 = 60, se tiene al reemplazar en la ecuación 𝑌̂ = 164. El valor
exacto es 𝐸[𝑌⁄𝑋 = 60] = 165, como puede verse en la tabla 3. Las demás estimaciones se
obtienen de forma similar.

1. Suponga que al estudiar la relación entre el costo Y y la producción de unidades de camisa

x, se estimó una ecuación para la recta de regresión de la forma:
𝑌̂ = 500000 + (1000)𝑥
a. ¿Qué significado económico tendría 500000?
b. ¿Qué significado económico tendría 1000?
2. En la tabla que sigue se dan los tiempos se dan los tiempos de retraso medidos en minutos,
en la llegada a sus puestos de trabajo y la antigüedad en años de siete empleados de una
compañía, escogidos al azar en un día cualquiera laboral.
Tiempo de retraso 7 1 10 11 9 10 6
Antigüedad 8 10 3 5 10 4 8
a. Determine la variable independiente y la variable dependiente.

b. Construya el diagrama de dispersión
c. Obtenga la ecuación de la recta de regresión
d. Si una persona llega con 8 minutos de retraso, ¿cuántos años de antigüedad se espera
que lleve trabajando en la compañía?
e. Si una persona lleva 12 años en la compañía, ¿cuántos minutos se espera que se atrase?
3. Los datos que se dan en la tabla que sigue corresponden a la cantidad de fertilizante (en
libras) y la producción de trigo (en toneladas).
Fertilizante Producción de trigo

(Libras) (Toneladas)
2 8
4 9
5 11
7 11
10 12
11 14
12 15
15 16

c. Obtenga la ecuación de la recta de la regresión
d. Estime la producción de trigo cuando se utilicen 13 libras de fertilizante

e. Si se obtiene una producción de 10 toneladas de trigo, ¿cuántas libras de fertilizante se
han podido emplear?
4. Diez secretarías de una compañía escogida al azar fueron sometidas a una prueba que
consistió en un dictado con cierto tiempo de duración y luego contar el número de errores
cometidos al transcribirlos a un computador. Los resultados fueron los siguientes:
Tiempo dictado 7 6 5 4 5 8 7 8 9 6
Número de errores 8 7 6 6 7 10 9 9 10 8

d. Si una secretaria se le dicta durante diez minutos, ¿cuántos errores se espera que
cometa?
5. Los siguientes datos corresponden a una comparación entre el rendimiento académico a final
de año y el puntaje obtenido en una prueba para medir el coeficiente intelectual de diez
estudiantes.
Promedio 3,6 3,7 3,8 4,6 4,9 4,4 4,4 4,2 3,6 3,2
C.I. 120 130 125 120 135 130 125 128 115 120

d. Si un estudiante tiene coeficiente intelectual de 118, ¿cuál sería el rendimiento
académico?
e. Si un estudiante tuvo un rendimiento académico de 4,0, ¿cuánto se espera que tenga de
coeficiente intelectual?
6. El jefe de personal de una empresa cree existe una relación entre la ausencia al trabajo y la
edad del empleado. Con el propósito de estudiar el problema tomó en cuenta la edad de diez
trabajadores escogidos al azar y contabilizó los días de ausencia durante el año. Los
resultados fueron como se observa en la tabla que sigue:
Edad 25 50 35 20 45 50 30 40 62 40
Ausencia 20 5 10 20 8 2 15 12 1 8
a. Construya el diagrama de dispersión

b. Obtenga la ecuación de la recta de la regresión
c. Si un trabajador tiene 38 años, ¿cuántos días se espera que falten al año?
d. Si un trabajador faltó 3 días al año, ¿qué edad se puede esperar que tenga este
trabajador?

MÉTODOS NO PARAMÉTRICOS
Hemos visto en casi todas las pruebas hasta ahora estudiadas permitían que se estimaran
algunos valores desconocidos de los parámetros a partir de valores calculados gracias a
muestras elegidas al azar en una población dada.
Las hipótesis se enunciaban en función del valor o valores especificados de los parámetros de
la población.
Como se presentan muchas situaciones en las que no cumplen los supuestos, se han
desarrollado recientemente numerosas pruebas estadísticas que no exigen supuestos rigurosos
acerca de la distribución de la población y que no requieren enunciar las hipótesis en términos
de valores especificados de los parámetros, son por consiguiente, pruebas que se pueden llamar
de distribución libre o no paramétricos. El término de distribución libre describe un método de
probar hipótesis o de definir un intervalo de confianza que no depende de la naturaleza de la
distribución de la población que se esté considerando; el término no paramétrico se utiliza para
indicar que no hay hipótesis enunciada en términos de valores especificados de parámetros.
No obstante, los métodos no paramétricos tienen sus ventajas por ser fáciles de aplicar. Son
relativamente sencillos, claros de exponer y de comprender en comparación con los métodos
paramétricos. De ahí que a veces se les llame métodos “abreviados” y que se les emplee a
menudo, al aumentar el tamaño de la muestra, incluso en situaciones en que se cumplen en
realidad supuestos paramétricos. En esta guía nos ocuparemos al estudio de algunos métodos
más frecuentemente empleados.
Prueba de rangos signados
La prueba de signos deja completamente de lado la magnitud de la diferencia entre cada par de
valores. Frank Wilcoxon, en 1945, sugirió un método para mejorar la prueba de signos. Ésta
mejora, llamada prueba de rangos signados de Wilcoxon, toma en consideración la magnitud de
las diferencias. Para llevarla a cabo, el primer paso consiste en ordenar todos los valores
absolutos de las diferencias entre observaciones pareadas, del menor al mayor. El rango de la
diferencia más pequeña es entonces 1, el que sigue es 2 y así sucesivamente. Como se asigna
rangos a las diferencias independientemente del signo, por ejemplo a las diferencias -1 y +1 se
les da el mismo rango, es decir, cada diferencia le corresponde un rango y como se omite el
signo entonces ocuparía el mismo rango, entonces se promedia los rangos que le corresponde
y ese sería el rango para cada uno de ellos. Una vez ordenadas por rangos las diferencias, se
da a cada rango el signo de la diferencia. Se calculan entonces por aparte la suma de de rangos
positivos y la suma de los rangos negativos y la suma menor omitido el signo, es la estadística
de prueba que se suele designar por T.
Si la hipótesis nula según la cual las dos poblaciones tienen idéntica distribución (relativa) es
cierta, podría esperarse que las dos sumas sean aproximadamente iguales, y si las dos sumas
son muy diferentes entre y sí, habría que concluir que las dos poblaciones no son idénticas; es
decir, habría que descartar la hipótesis nula. La estadística de prueba T se puede emplear para
pruebas de una o dos colas. Para de una cola es necesario anticipar el signo de la suma de los
rangos menor, en caso de ser falsa la hipótesis nula. Si la suma más pequeña tiene signo distinto
del que se anticipó, no se rechaza la hipótesis nula.

Ejemplo 1. Suponga que se desea averiguar si un periodo de vacaciones aumentaría la
productividad de los trabajadores. Suponga además que para este fin se recolectan datos sobre
las producciones semanales de 22 trabajadores de una fábrica en la semana anterior y posterior
a las vacaciones. Sean X y Y las producciones semanales antes y después de las vacaciones.
Como se trata de una prueba de una cola y la hipótesis alterna es la de que un periodo de
vacaciones aumentaría la productividad de los trabajadores, se anticipa que la suma menor tiene
signo negativo.
Diferencias Rango signado

Trabajadores X Y Rango
Y–X Negativo Positivo
A 83 79 -4 12 -12
B 85 87 +2 4 +4
C 75 70 -5 15 -15
D 91 93 +2 4 +4
E 80 85 +5 15 +15
F 75 75 0 -
G 90 80 -10 19 -19
H 65 71 +6 17 +17
I 78 80 +2 4 +4
J 85 88 +3 8 +8
K 83 82 -1 1.5 -1.5
L 75 71 -4 12 -12
M 78 75 -3 8 -8
N 80 85 +5 15 +15
O 82 86 +4 12 +12
P 88 85 -3 8 -8
Q 85 82 -3 8 -8
R 80 87 +7 18 +18
S 78 78 0 -
T 81 84 +3 8 +8
U 70 85 +15 20 +20
V 80 81 +1 1.5 +1.5
T= -83.5 126.5
La menor suma es la negativa -83.5 y por consiguiente la estadística de prueba es 83.5, al omitir
el signo. El valor T se refiere entonces a la tabla de T construida por Wilcoxon para compararlo
con el valor crítico para un valor de significancia dado. En la tabla I se da una porción de la tabla
T. La tabla da los valores críticos de T a valores especificados de α de 0.005, 0.01 y 0.025 para
una cola y 0.01, 0.02 y 0.05 para dos colas. Para una cola con n = 20, el valor crítico de T a α =
0.01 es 43, el cual o debajo del cual se encuentra la región crítica. Como el valor observado es
83.5, no se rechaza la hipótesis nula o sea que un periodo de vacaciones no obtiene efecto
favorable de alguna significancia en la productividad de los trabajadores.
Tabla I. Valores críticos de T para la prueba de rangos signados de Wilcoxon.

Observe que si se desea llevar a cabo una prueba de dos colas el valor crítico 43 viene asociado
a un nivel de significancia de 0.02 para n = 20.
En pares mayores de 25 la tabla de valores T ya no puede emplearse. Afortunadamente, para n

grande la distribución de T es aproximadamente normal y lo usual es emplear el método de
aproximación normal. En efecto, T es aproximadamente N[𝐸(𝑇), 𝜎𝑇2 ] con n no inferior de 8.
Damos en seguida las fórmulas para calcular la media y la desviación estándar de la distribución
T:
𝑛(𝑛+1) 𝑛(𝑛+1)(2𝑛+1)
𝐸(𝑇) = y 𝜎𝑇 = √
4 24
El valor Z se calcula como sigue:
𝑇 − 𝐸(𝑇)
𝑍=
𝜎𝑇
En el ejemplo anterior se tiene
20(20 + 1)
𝐸(𝑇) = = 105
4
20(20 + 1)(40 + 1)
𝜎𝑇 = √ = 26.78
24
83.5 − 105
𝑍= = −0.83
26.78
Que es mayor que el valor crítico -1.645 con 𝛼 = 5%. Por consiguiente, no se rechaza la hipótesis
nula de que el periodo de vacaciones no da por resultado aumento de la productividad. Este
resultado es el mismo obtenido por la prueba de signos estudiada antes.
Prueba de independencia
Entre todas las aplicaciones que se ofrecen de la distribución Ji cuadrado, es tal vez la prueba
de independencia la que mayor empleo tiene. Este procedimiento consiste en probar la hipótesis
nula según la cual dos criterios de clasificación cuando se aplican a dos conjuntos de entidades,
son independientes. Por ejemplo, probar que el hábito de fumar es independiente del sexo o
probar que los retrasos en la llegada al trabajo de las personas que laboran en una empresa es
independiente del tiempo de vinculación del trabajador.
La clasificación de un conjunto de entidades, de acuerdo con dos criterios, puede presentarse
mediante una tabla en la que los renglones (filas) representan los diversos niveles de uno de los

criterios de clasificación y las columnas representan los diversos niveles del segundo criterio.
Una tabla construida de esta forma se denomina, como una tabla de contingencia. La
intersección de un renglón con una columna se denomina celda.
La hipótesis nula (H0) corresponde a la proposición: “Los dos criterios de clasificación son
independientes”. Si se llega rechazar H0, se concluirá que los dos criterios de clasificación no
son independientes en esta población.
El procedimiento para realizar la prueba incluye los siguientes pasos básicos:
1. Se especifica cada criterio con sus distintos niveles. Esto determinará los renglones y las
columnas.
2. Se registra en cada celda el número de individuos o entidades que satisfacen el nivel dado
por el renglón y la columna simultáneamente.
3. Se calculan las frecuencias esperadas, las cuales se colocan en la parte inferior derecha de
la celda o al lado de la frecuencia observada, entre paréntesis.
4. Se calcula la suma, valor de la estadística de prueba,
𝑘
(𝑋𝑖 − 𝐸𝑖 )2
𝑋𝐶2 =∑
𝐸𝑖
𝑖=1
en donde,
𝑋𝑖 = Número de entidades o individuos clasificados en las celdas 𝑖.
𝐸𝑖 = Frecuencia esperada para la celda 𝑖.
k = Número de celdas.
2
5. Se busca en la tabla de Ji cuadrado el valor𝑋[1−𝛼,(𝑟−1)(𝑐−1)] , r = número de renglones y c =
número de columnas.
Si el valor𝑋𝑐2 > 𝑋𝛼2 , entonces se rechaza H0 al nivel de significancia 𝛼.
Ejemplo 2. Suponga que se desea averiguar si existe alguna relación entre el nivel de formación
académica y el rendimiento laboral para un grupo de 200 empleados. El nivel de formación
académica se clasifica en tres clases: escuela media o primaria, escuela superior y escuela de
especialización, en tanto que el rendimiento en el trabajo se clasifican como “excelente”, “bueno”
o “regular”. La distribución de frecuencia conjunta de las 200 observaciones está representada
en la siguiente tabla.
Formación académica
Rendimiento Media o primaria Superior Especialización Total
Excelente 10 (15) 40 (30) 10 (15) 60
Bueno 30 (20) 30 (40) 20 (20) 80
Regular 10 (15) 30 (30) 20 (15) 60
Total 50 100 50 200
La frecuencia esperada (número que aparece entre el paréntesis) se obtiene al multiplicar el total
de la columna por el total del respectivo renglón y dividir por el total de observaciones. Ejemplo
de las primeras frecuencias esperadas:
50×60 100×60 50×60 50×80
𝐸1 = = 15, 𝐸2 = = 30, 𝐸3 = = 15, 𝐸4 = = 20, …
200 200 200 200
A partir de la tabla anterior se obtiene 𝑋𝑐2 como sigue:
(10 − 15)2 (40 − 30)2 (10 − 15)2 (30 − 20)2 (30 − 40)2 (20 − 20)2 (10 − 15)2
𝑋𝑐2 = + + + + + +
15 30 15 20 40 20 15
(30 − 30) 2 (20 − 15) 2
+ ⋯+ +
30 15
2
2100
𝑋𝑐 = = 17.5
120
Este valor calculado se confronta con el valor de tabla Ji cuadrado (𝑋𝛼2 ), con∝= 0.05 tenemos,
2 2 2 2
𝑋[1−𝛼,(𝑟−1)(𝑐−1)] = 𝑋[1−0.05,(3−1)(3−1)] = 𝑋[0.9,4] = 9.48773y con ∝= 0.01, 𝑋[0.99,4] = 13.2767.
El valor calculado es considerablemente superior a estos valores. Así que aunque se fijara el
nivel de significancia al 1%, se podría rechazar la hipótesis nula de que no hay relación
significativa entre la formación académica de los empleados y su rendimiento en el trabajo.

Un caso especial en la prueba de independencia es aquel que emplea una tabla de contingencia
de 2x2. Si se utiliza tal tabla pude aplicarse una fórmula simplificada para calcular 𝑋𝑐2 .
Suponga que las frecuencias observadas en una tabla de contingencia 2x2, sean a, b, c y d como
sigue:
Individuos o entidades A B Total

X a b a+b
Y c d c+d
Total a+c b+d n
El valor 𝑋𝑐2 puede calcularse entonces por la fórmula siguiente:
𝑛(𝑎𝑑−𝑏𝑐)2
𝑋𝑐2 (𝑎+𝑏)(𝑎+𝑐)(𝑐+𝑑)(𝑏+𝑑) (1)
con (2 – 1)(2 – 1) =1 grado de libertad.
Con frecuencia se aplica la correlación por continuidad de Yates, análoga a la corrección de

continuidad de la aproximación normal a la binomial, para mejorar la aproximación a la
probabilidad multinominal exacta. El valor 𝑋 2 corregido se calcula así:
𝑛(|𝑎𝑑−𝑏𝑐|−𝑛⁄2)2
𝑋𝑐2 = (𝑎+𝑏)(𝑎+𝑐)(𝑐+𝑑)(𝑏+𝑑) (2)
Ejemplo 3. En un estudio para determinar si existía relación entre el sexo y el propósito de elegir
una carrera técnica se entrevistaron 120 aspirantes a la universidad. Los resultados fueron los
siguientes:
Aspira a carrera técnica

Sexo Si No Total
Hombre 40 30 70
Mujer 10 40 50
Total 50 70 120
Aplicando la fórmula (1) tenemos,
120(40 × 40 − 10 × 30)2
𝑋𝑐2 = = 16.56
70 × 50 × 50 × 70
De la tabla III tenemos que para un grado de libertad el valor crítico 𝑋 2 que separa 0.1% superior
es 10.828. Por lo tanto, la hipótesis según la cual existe independencia entre el sexo y el propósito
de elegir una carrera técnica debe ser rechazada.
Si se tiene en cuenta la corrección por continuidad de Yates (2) obtenemos:
120(|40 × 40 − 10 × 30| − 120/2)2

𝑋𝑐2 = = 15.06
70 × 50 × 50 × 70
que es ligeramente menor que el valor antes obtenido, pero aun así la hipótesis de independencia
debe ser rechazada.

1. Se desea determinar la eficacia de cierta dieta para adelgazamiento. Se sometieron a la dieta

17 personas y se les tomaron sus pesos antes y después de la dieta. Los resultados se dan
a continuación:
Personas A B C D E F G H I J K L M N O PQ
Pesos antes 210 197 203 175 234 178 252 230 190 195 154 179 243 195 198 169
217
Pesos 208 196 195 175 229 170 242 221 213 180 150 173 235 204 193 169
después 210
Aplique la prueba T de Wilcoxon para determinar si la dieta ha reducido significativamente los

pesos de las personas del experimento a un nivel del 1%.
2. Los datos que siguen se reunieron con el propósito de determinar si las edades de los
esposos se pueden considerar superiores a las de las esposas.
Esposos 58 46 30 35 53 20 45 35 38 43 25 22 37 61 78
Esposas 47 35 25 38 49 21 42 40 38 38 26 24 39 60 68
¿Qué puede decir, de acuerdo con estos datos? Empleando la prueba T de Wilcoxon. Emplee
el nivel de significancia 𝛼 = 1%.
3. Se desea determinar si un alza en los salarios incrementaría la producción por hora de los
trabajadores. Sea X esta producción por hora antes de alza de salarios y sea Y la misma
producción después del alza. Una muestra de 20 trabajadores arroja los siguientes datos:
Trabajadores A B C D E F G H I J K L M N O P Q R S T
X 91 83 70 64 85 86 91 66 72 60 75 84 71 80 70 85 65 75 75 65
Y 88 87 67 69 83 81 94 67 76 55 74 86 72 90 75 83 75 82 65 67
Utilice la estadística de prueba T para probar la hipótesis nula de que el alza de salarios no
tiene efecto sobre la producción horaria de los trabajadores, con la hipótesis alterna de que:
a. La producción por hora tras el alza es superior a la de antes del alza a un nivel de
significancia del 𝛼 = 1%.
b. La producción por hora tras el alza difiere de la producción anterior al alza a un nivel de
significancia del 𝛼 = 5%.

4. Suponga que la siguiente es una muestra aleatoria de 1 000 electores clasificados por
afiliación a partidos y preferencias de voto sobre determinada cuestión:
Preferencia Izquierdista Derechista

Pro 400 150
Contra 250 200
Pruebe la hipótesis según la cual la afiliación al partido no tiene nada que ver con la
preferencia del voto. Tome 𝛼 = 5%.
5. Cierta compañía desea determinar si el ausentismo se relaciona con la edad. Se toma una
muestra de 200 empleados al azar y se clasifican según edad y causa de ausentismo así:
Edad
Causa
Menos de 30 30 – 50 Más de 50
Enfermedad 40 28 52
Otras 20 36 24
¿Se encuentra la edad relacionada con el ausentismo? Tome 𝛼 = 0.01.
6. Una fábrica de automóviles quieren averiguar si el sexo de sus posibles clientes no tienen
relación con la preferencia del modelo. Se toma una muestra aleatoria de 2 000 posibles
clientes y se clasifican así:
Modelo
Sexo
I II III
Varón 350 270 380
Mujer 340 400 260
Pruebe la hipótesis según la cual el sexo no tiene relación con la preferencia del modelo.
Tome 𝛼 = 0.01.
7. La administración de cierta firma elaboró una encuesta para determinar si el tipo de empleo
se relaciona con preferencias por una póliza de seguros. Una muestra de 300 empleados a
los que se entrevistó arrojó los datos siguientes:
Póliza de seguro
Tipo de empleados
I II III
Inspectores 18 6 12
Empleados de oficina 42 24 30
Obreros 36 72 60
Pruebe la hipótesis según la cual el tiempo de empleo es independiente de la preferencia

por la póliza de seguros. Tome 𝛼 = 0.01.

Tabla I. Distribución Normal Estándar 𝒁 ~ 𝑵(𝟎, 𝟏)
𝜎=1

Tabla II. Distribución T−Student
La tabla da áreas 1 − y valores 𝑐 = 𝑡1−∝, 𝑟 , donde, 𝑃[𝑇 ≤ 𝑐] = 1−∝, y donde T tiene

distribución t-Student con r grados de libertad.

r 0.75 0.80 0.85 0.90 0.95 0.975 0.99 0.995
1 1.000 1.376 1.963 3.078 6.314 12.706 31.821 63.657
2 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925
3 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841
4 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604
5 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032
6 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707

7 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499
8 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355
9 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250
10 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169
11 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106

12 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055
13 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012
14 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977
15 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947
16 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921

17 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898
18 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878
19 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861
20 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845
21 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831

22 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819
23 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807
24 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797
25 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787
26 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779

27 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771
28 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763
29 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756
30 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750
40 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704

60 0.679 0.848 1.046 1.296 1.671 2.000 2.390 2.660
120 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617
 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576
Tabla III. Distribución 𝑿𝟐
𝑋𝛼2
Grados libertad 0,1 0,05 0,025 0,01 0,005
1 2,71 3,84 5,02 6,63 7,88

2 4,61 5,99 7,38 9,21 10,60
3 6,25 7,81 9,35 11,34 12,84
4 7,78 9,49 11,14 13,28 14,86
.
5 9,24 11,07 12,83 15,09 16,75
6 10,64 12,59 14,45 16,81 18,55
7 12,02 14,07 16,01 18,48 20,28
8 13,36 15,51 17,53 20,09 21,95
9 14,68 16,92 19,02 21,67 23,59
10 15,99 18,31 20,48 23,21 25,19

11 17,28 19,68 21,92 24,73 26,76
12 18,55 21,03 23,34 26,22 28,30
13 19,81 22,36 24,74 27,69 29,82
14 21,06 23,68 26,12 29,14 31,32
.
15 22,31 25,00 27,49 30,58 32,80
16 23,54 26,30 28,85 32,00 34,27
17 24,77 27,59 30,19 33,41 35,72
18 25,99 28,87 31,53 34,81 37,16
19 27,20 30,14 32,85 36,19 38,58
.
20 28,41 31,41 34,17 37,57 40,00
21 29,62 32,67 35,48 38,93 41,40
22 30,81 33,92 36,78 40,29 42,80
23 32,01 35,17 38,08 41,64 44,18
24 33,20 36,42 39,36 42,98 45,56
.
25 34,38 37,65 40,65 44,31 46,93
26 35,56 38,89 41,92 45,64 48,29
27 36,74 40,11 43,19 46,96 49,65
28 37,92 41,34 44,46 48,28 50,99
29 39,09 42,56 45,72 49,59 52,34
.
30 40,26 43,77 46,98 50,89 53,67
40 51,81 55,76 59,34 63,69 66,77
50 63,17 67,50 71,42 76,15 79,49
60 74,40 79,08 83,30 88,38 91,95
70 85,53 90,53 95,02 100,43 104,21

80 96,58 101,88 106,63 112,33 116,32
90 107,57 113,15 118,14 124,12 128,30
100 118,50 124,34 129,56 135,81 140,17

Tabla IV. Distribución F
F
𝛼 =0.10 superior
𝒏𝟏 ⁄𝒏𝟐 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 39.8634 49.5000 53.5932 55.8329 57.24 58.2044 58.9059 59.4389 59.8575 60.1949 60.7052 61.2203 61.7402 62.002 62.2649 62.529 62.7942 63.0606 63.3281
2 8.52632 9.00000 9.16179 9.24342 9.29263 9.32553 9.34908 9.36677 9.38054 9.39157 9.40813 9.42471 9.44131 9.44962 9.45793 9.46624 9.47456 9.48289 9.49122
3 5.53832 5.46238 5.39077 5.34264 5.30916 5.28473 5.26619 5.25167 5.24 5.23041 5.21562 5.20031 5.18448 5.17636 5.16811 5.15972 5.15119 5.14251 5.1337
4 4.54477 4.32456 4.19086 4.10725 4.05058 4.00975 3.97897 3.95494 3.93567 3.91988 3.89553 3.87036 3.84434 3.83099 3.81742 3.80361 3.78957 3.77527 3.76073
5 4.06042 3.77972 3.61948 3.5202 3.45298 3.40451 3.3679 3.33928 3.31628 3.2974 3.26824 3.23801 3.20665 3.19052 3.17408 3.15732 3.14023 3.12279 3.105
6 3.77595 3.4633 3.28876 3.18076 3.10751 3.05455 3.01446 2.98304 2.95774 2.93693 2.90472 2.87122 2.83634 2.81834 2.79996 2.78117 2.76195 2.74229 2.72216
7 3.58943 3.25744 3.07407 2.96053 2.88334 2.82739 2.78493 2.75158 2.72468 2.70251 2.66811 2.63223 2.59473 2.57533 2.55546 2.5351 2.51422 2.49279 2.47079
8 3.45792 3.11312 2.9238 2.80643 2.72645 2.66833 2.62413 2.58935 2.56124 2.53804 2.50196 2.46422 2.42464 2.4041 2.38302 2.36136 2.3391 2.31618 2.29257
9 3.3603 3.00645 2.81286 2.69268 2.61061 2.55086 2.50531 2.46941 2.44034 2.41632 2.37888 2.33962 2.29832 2.27683 2.25472 2.23196 2.20849 2.18427 2.15923
10 3.28502 2.92447 2.72767 2.60534 2.52164 2.46058 2.41397 2.37715 2.34731 2.3226 2.28405 2.24351 2.20074 2.17843 2.15543 2.13169 2.10716 2.08176 2.05542
11 3.2252 2.85951 2.66023 2.53619 2.45118 2.38907 2.34157 2.304 2.2735 2.24823 2.20873 2.16709 2.12305 2.10001 2.07621 2.05161 2.02612 1.99965 1.97211
12 3.17655 2.8068 2.60552 2.4801 2.39402 2.33102 2.28278 2.24457 2.21352 2.18776 2.14744 2.10485 2.05968 2.03599 2.01149 1.9861 1.95973 1.93228 1.90361
13 3.13621 2.76317 2.56027 2.43371 2.34672 2.28298 2.2341 2.19535 2.16382 2.13763 2.09659 2.05316 2.00698 1.98272 1.95757 1.93147 1.90429 1.87591 1.8462
14 3.10221 2.72647 2.52222 2.39469 2.30694 2.24256 2.19313 2.1539 2.12195 2.0954 2.05371 2.00953 1.96245 1.93766 1.91193 1.88516 1.85723 1.828 1.79728
15 3.07319 2.69517 2.48979 2.36143 2.27302 2.20808 2.15818 2.11853 2.08621 2.05932 2.01707 1.97222 1.92431 1.89904 1.87277 1.84539 1.81676 1.78672 1.75505
16 3.04811 2.66817 2.46181 2.33274 2.24376 2.17833 2.128 2.08798 2.05533 2.02815 1.98539 1.93992 1.89127 1.86556 1.83879 1.81084 1.78156 1.75075 1.71817
17 3.02623 2.64464 2.43743 2.30775 2.21825 2.15239 2.10169 2.06134 2.02839 2.00094 1.95772 1.91169 1.86236 1.83624 1.80901 1.78053 1.75063 1.71909 1.68564
18 3.00698 2.62395 2.41601 2.28577 2.19583 2.12958 2.07854 2.03789 2.00467 1.97698 1.93334 1.88681 1.83685 1.81035 1.78269 1.75371 1.72322 1.69099 1.65671
19 2.9899 2.60561 2.39702 2.2663 2.17596 2.10936 2.05802 2.0171 1.98364 1.95573 1.9117 1.86471 1.81416 1.78731 1.75924 1.72979 1.69876 1.66587 1.63077
20 2.97465 2.58925 2.38009 2.24893 2.15823 2.09132 2.0397 1.99853 1.96485 1.93674 1.89236 1.84494 1.79384 1.76667 1.73822 1.70833 1.67678 1.64326 1.60738

21 2.96096 2.57457 2.36489 2.23334 2.14231 2.07512 2.02325 1.98186 1.94797 1.91967 1.87497 1.82715 1.77555 1.74807 1.71927 1.68896 1.65691 1.62278 1.58615
22 2.94858 2.56131 2.35117 2.21927 2.12794 2.0605 2.0084 1.9668 1.93273 1.90425 1.85925 1.81106 1.75899 1.73122 1.70208 1.67138 1.63885 1.60415 1.56678
23 2.93736 2.54929 2.33873 2.20651 2.11491 2.04723 1.99492 1.95312 1.91888 1.89025 1.84497 1.79643 1.74392 1.71588 1.68643 1.65535 1.62237 1.58711 1.54903
24 2.92712 2.53833 2.32739 2.19488 2.10303 2.03513 1.98263 1.94066 1.90625 1.87748 1.83194 1.78308 1.73015 1.70185 1.6721 1.64067 1.60726 1.57146 1.5327
25 2.91774 2.52831 2.31702 2.18424 2.09216 2.02406 1.97138 1.92925 1.89469 1.86578 1.82 1.77083 1.71752 1.68898 1.65895 1.62718 1.59335 1.55703 1.5176
26 2.90913 2.5191 2.30749 2.17447 2.08218 2.01389 1.96104 1.91876 1.88407 1.85503 1.80902 1.75957 1.70589 1.67712 1.64682 1.61472 1.5805 1.54368 1.5036
27 2.90119 2.51061 2.29871 2.16546 2.07298 2.00452 1.95151 1.90909 1.87427 1.84511 1.79889 1.74917 1.69514 1.66616 1.6356 1.6032 1.56859 1.53129 1.49057
28 2.89385 2.50276 2.2906 2.15714 2.06447 1.99585 1.9427 1.90014 1.8652 1.83593 1.78951 1.73954 1.68519 1.656 1.62519 1.5925 1.55753 1.51976 1.47841
29 2.88703 2.49548 2.28307 2.14941 2.05658 1.98781 1.93452 1.89184 1.85679 1.82741 1.78081 1.7306 1.67593 1.64655 1.61551 1.58253 1.54721 1.50899 1.46704
30 2.88069 2.48872 2.27607 2.14223 2.04925 1.98033 1.92692 1.88412 1.84896 1.81949 1.7727 1.72227 1.66731 1.63774 1.60648 1.57323 1.53757 1.49891 1.45636
40 2.83535 2.44037 2.22609 2.09095 1.99682 1.92688 1.87252 1.82886 1.7929 1.76269 1.71456 1.66241 1.60515 1.57411 1.54108 1.50562 1.46716 1.42476 1.37691
60 2.79107 2.39325 2.17741 2.04099 1.94571 1.87472 1.81939 1.77483 1.73802 1.70701 1.65743 1.60337 1.54349 1.51072 1.47554 1.43734 1.3952 1.34757 1.29146
120 2.74781 2.34734 2.12999 1.9923 1.89587 1.82381 1.76748 1.72196 1.68425 1.65238 1.6012 1.545 1.48207 1.44723 1.40938 1.3676 1.32034 1.26457 1.19256
∞ 2.70554 2.30259 2.0838 1.94486 1.84727 1.77411 1.71672 1.6702 1.63152 1.59872 1.54578 1.48714 1.4206 1.38318 1.34187 1.29513 1.23995 1.1686 1

Tabla Vi. Distribución F (Continuación)
𝛼 =0.05 superior
𝒏𝟏 ⁄ 𝒏𝟐 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
df2=1 161.447 199.5 215.707 224.583 230.161 233.986 236.768 238.882 240.543 241.881 243.906 245.949 248.013 249.051 250.095 251.143 252.195 253.252 254.314
2 18.5128 19 19.1643 19.2468 19.2964 19.3295 19.3532 19.371 19.3848 19.3959 19.4125 19.4291 19.4458 19.4541 19.4624 19.4707 19.4791 19.4874 19.4957
3 10.128 9.5521 9.2766 9.1172 9.0135 8.9406 8.8867 8.8452 8.8123 8.7855 8.7446 8.7029 8.6602 8.6385 8.6166 8.5944 8.572 8.5494 8.5264
4 7.7086 6.9443 6.5914 6.3882 6.2561 6.1631 6.0942 6.041 5.9988 5.9644 5.9117 5.8578 5.8025 5.7744 5.7459 5.717 5.6877 5.6581 5.6281
5 6.6079 5.7861 5.4095 5.1922 5.0503 4.9503 4.8759 4.8183 4.7725 4.7351 4.6777 4.6188 4.5581 4.5272 4.4957 4.4638 4.4314 4.3985 4.365
6 5.9874 5.1433 4.7571 4.5337 4.3874 4.2839 4.2067 4.1468 4.099 4.06 3.9999 3.9381 3.8742 3.8415 3.8082 3.7743 3.7398 3.7047 3.6689
7 5.5914 4.7374 4.3468 4.1203 3.9715 3.866 3.787 3.7257 3.6767 3.6365 3.5747 3.5107 3.4445 3.4105 3.3758 3.3404 3.3043 3.2674 3.2298
8 5.3177 4.459 4.0662 3.8379 3.6875 3.5806 3.5005 3.4381 3.3881 3.3472 3.2839 3.2184 3.1503 3.1152 3.0794 3.0428 3.0053 2.9669 2.9276
9 5.1174 4.2565 3.8625 3.6331 3.4817 3.3738 3.2927 3.2296 3.1789 3.1373 3.0729 3.0061 2.9365 2.9005 2.8637 2.8259 2.7872 2.7475 2.7067
10 4.9646 4.1028 3.7083 3.478 3.3258 3.2172 3.1355 3.0717 3.0204 2.9782 2.913 2.845 2.774 2.7372 2.6996 2.6609 2.6211 2.5801 2.5379
11 4.8443 3.9823 3.5874 3.3567 3.2039 3.0946 3.0123 2.948 2.8962 2.8536 2.7876 2.7186 2.6464 2.609 2.5705 2.5309 2.4901 2.448 2.4045
12 4.7472 3.8853 3.4903 3.2592 3.1059 2.9961 2.9134 2.8486 2.7964 2.7534 2.6866 2.6169 2.5436 2.5055 2.4663 2.4259 2.3842 2.341 2.2962
13 4.6672 3.8056 3.4105 3.1791 3.0254 2.9153 2.8321 2.7669 2.7144 2.671 2.6037 2.5331 2.4589 2.4202 2.3803 2.3392 2.2966 2.2524 2.2064
14 4.6001 3.7389 3.3439 3.1122 2.9582 2.8477 2.7642 2.6987 2.6458 2.6022 2.5342 2.463 2.3879 2.3487 2.3082 2.2664 2.2229 2.1778 2.1307
15 4.5431 3.6823 3.2874 3.0556 2.9013 2.7905 2.7066 2.6408 2.5876 2.5437 2.4753 2.4034 2.3275 2.2878 2.2468 2.2043 2.1601 2.1141 2.0658
16 4.494 3.6337 3.2389 3.0069 2.8524 2.7413 2.6572 2.5911 2.5377 2.4935 2.4247 2.3522 2.2756 2.2354 2.1938 2.1507 2.1058 2.0589 2.0096
17 4.4513 3.5915 3.1968 2.9647 2.81 2.6987 2.6143 2.548 2.4943 2.4499 2.3807 2.3077 2.2304 2.1898 2.1477 2.104 2.0584 2.0107 1.9604
18 4.4139 3.5546 3.1599 2.9277 2.7729 2.6613 2.5767 2.5102 2.4563 2.4117 2.3421 2.2686 2.1906 2.1497 2.1071 2.0629 2.0166 1.9681 1.9168
19 4.3807 3.5219 3.1274 2.8951 2.7401 2.6283 2.5435 2.4768 2.4227 2.3779 2.308 2.2341 2.1555 2.1141 2.0712 2.0264 1.9795 1.9302 1.878
20 4.3512 3.4928 3.0984 2.8661 2.7109 2.599 2.514 2.4471 2.3928 2.3479 2.2776 2.2033 2.1242 2.0825 2.0391 1.9938 1.9464 1.8963 1.8432

21 4.3248 3.4668 3.0725 2.8401 2.6848 2.5727 2.4876 2.4205 2.366 2.321 2.2504 2.1757 2.096 2.054 2.0102 1.9645 1.9165 1.8657 1.8117
22 4.3009 3.4434 3.0491 2.8167 2.6613 2.5491 2.4638 2.3965 2.3419 2.2967 2.2258 2.1508 2.0707 2.0283 1.9842 1.938 1.8894 1.838 1.7831
23 4.2793 3.4221 3.028 2.7955 2.64 2.5277 2.4422 2.3748 2.3201 2.2747 2.2036 2.1282 2.0476 2.005 1.9605 1.9139 1.8648 1.8128 1.757
24 4.2597 3.4028 3.0088 2.7763 2.6207 2.5082 2.4226 2.3551 2.3002 2.2547 2.1834 2.1077 2.0267 1.9838 1.939 1.892 1.8424 1.7896 1.733
25 4.2417 3.3852 2.9912 2.7587 2.603 2.4904 2.4047 2.3371 2.2821 2.2365 2.1649 2.0889 2.0075 1.9643 1.9192 1.8718 1.8217 1.7684 1.711
26 4.2252 3.369 2.9752 2.7426 2.5868 2.4741 2.3883 2.3205 2.2655 2.2197 2.1479 2.0716 1.9898 1.9464 1.901 1.8533 1.8027 1.7488 1.6906
27 4.21 3.3541 2.9604 2.7278 2.5719 2.4591 2.3732 2.3053 2.2501 2.2043 2.1323 2.0558 1.9736 1.9299 1.8842 1.8361 1.7851 1.7306 1.6717
28 4.196 3.3404 2.9467 2.7141 2.5581 2.4453 2.3593 2.2913 2.236 2.19 2.1179 2.0411 1.9586 1.9147 1.8687 1.8203 1.7689 1.7138 1.6541
29 4.183 3.3277 2.934 2.7014 2.5454 2.4324 2.3463 2.2783 2.2229 2.1768 2.1045 2.0275 1.9446 1.9005 1.8543 1.8055 1.7537 1.6981 1.6376
30 4.1709 3.3158 2.9223 2.6896 2.5336 2.4205 2.3343 2.2662 2.2107 2.1646 2.0921 2.0148 1.9317 1.8874 1.8409 1.7918 1.7396 1.6835 1.6223
40 4.0847 3.2317 2.8387 2.606 2.4495 2.3359 2.249 2.1802 2.124 2.0772 2.0035 1.9245 1.8389 1.7929 1.7444 1.6928 1.6373 1.5766 1.5089
60 4.0012 3.1504 2.7581 2.5252 2.3683 2.2541 2.1665 2.097 2.0401 1.9926 1.9174 1.8364 1.748 1.7001 1.6491 1.5943 1.5343 1.4673 1.3893
120 3.9201 3.0718 2.6802 2.4472 2.2899 2.175 2.0868 2.0164 1.9588 1.9105 1.8337 1.7505 1.6587 1.6084 1.5543 1.4952 1.429 1.3519 1.2539
∞ 3.8415 2.9957 2.6049 2.3719 2.2141 2.0986 2.0096 1.9384 1.8799 1.8307 1.7522 1.6664 1.5705 1.5173 1.4591 1.394 1.318 1.2214 1

𝛼 =0.025superior
𝒏𝟏 ⁄ 𝒏𝟐 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 647.789 799.5 864.163 899.583 921.847 937.111 948.216 956.656 963.284 968.627 976.707 984.866 993.102 997.249 1001.41 1005.59 1009.8 1014.02 1018.258
2 38.5063 39 39.1655 39.2484 39.2982 39.3315 39.3552 39.373 39.3869 39.398 39.4146 39.4313 39.4479 39.4562 39.465 39.473 39.481 39.49 39.498
3 17.4434 16.0441 15.4392 15.101 14.8848 14.7347 14.6244 14.5399 14.4731 14.4189 14.3366 14.2527 14.1674 14.1241 14.081 14.037 13.992 13.947 13.902
4 12.2179 10.6491 9.9792 9.6045 9.3645 9.1973 9.0741 8.9796 8.9047 8.8439 8.7512 8.6565 8.5599 8.5109 8.461 8.411 8.36 8.309 8.257
5 10.007 8.4336 7.7636 7.3879 7.1464 6.9777 6.8531 6.7572 6.6811 6.6192 6.5245 6.4277 6.3286 6.278 6.227 6.175 6.123 6.069 6.015
6 8.8131 7.2599 6.5988 6.2272 5.9876 5.8198 5.6955 5.5996 5.5234 5.4613 5.3662 5.2687 5.1684 5.1172 5.065 5.012 4.959 4.904 4.849
7 8.0727 6.5415 5.8898 5.5226 5.2852 5.1186 4.9949 4.8993 4.8232 4.7611 4.6658 4.5678 4.4667 4.415 4.362 4.309 4.254 4.199 4.142
8 7.5709 6.0595 5.416 5.0526 4.8173 4.6517 4.5286 4.4333 4.3572 4.2951 4.1997 4.1012 3.9995 3.9472 3.894 3.84 3.784 3.728 3.67
9 7.2093 5.7147 5.0781 4.7181 4.4844 4.3197 4.197 4.102 4.026 3.9639 3.8682 3.7694 3.6669 3.6142 3.56 3.505 3.449 3.392 3.333
10 6.9367 5.4564 4.8256 4.4683 4.2361 4.0721 3.9498 3.8549 3.779 3.7168 3.6209 3.5217 3.4185 3.3654 3.311 3.255 3.198 3.14 3.08
11 6.7241 5.2559 4.63 4.2751 4.044 3.8807 3.7586 3.6638 3.5879 3.5257 3.4296 3.3299 3.2261 3.1725 3.118 3.061 3.004 2.944 2.883
12 6.5538 5.0959 4.4742 4.1212 3.8911 3.7283 3.6065 3.5118 3.4358 3.3736 3.2773 3.1772 3.0728 3.0187 2.963 2.906 2.848 2.787 2.725
13 6.4143 4.9653 4.3472 3.9959 3.7667 3.6043 3.4827 3.388 3.312 3.2497 3.1532 3.0527 2.9477 2.8932 2.837 2.78 2.72 2.659 2.595
14 6.2979 4.8567 4.2417 3.8919 3.6634 3.5014 3.3799 3.2853 3.2093 3.1469 3.0502 2.9493 2.8437 2.7888 2.732 2.674 2.614 2.552 2.487
15 6.1995 4.765 4.1528 3.8043 3.5764 3.4147 3.2934 3.1987 3.1227 3.0602 2.9633 2.8621 2.7559 2.7006 2.644 2.585 2.524 2.461 2.395
16 6.1151 4.6867 4.0768 3.7294 3.5021 3.3406 3.2194 3.1248 3.0488 2.9862 2.889 2.7875 2.6808 2.6252 2.568 2.509 2.447 2.383 2.316
17 6.042 4.6189 4.0112 3.6648 3.4379 3.2767 3.1556 3.061 2.9849 2.9222 2.8249 2.723 2.6158 2.5598 2.502 2.442 2.38 2.315 2.247
18 5.9781 4.5597 3.9539 3.6083 3.382 3.2209 3.0999 3.0053 2.9291 2.8664 2.7689 2.6667 2.559 2.5027 2.445 2.384 2.321 2.256 2.187
19 5.9216 4.5075 3.9034 3.5587 3.3327 3.1718 3.0509 2.9563 2.8801 2.8172 2.7196 2.6171 2.5089 2.4523 2.394 2.333 2.27 2.203 2.133
20 5.8715 4.4613 3.8587 3.5147 3.2891 3.1283 3.0074 2.9128 2.8365 2.7737 2.6758 2.5731 2.4645 2.4076 2.349 2.287 2.223 2.156 2.085

21 5.8266 4.4199 3.8188 3.4754 3.2501 3.0895 2.9686 2.874 2.7977 2.7348 2.6368 2.5338 2.4247 2.3675 2.308 2.246 2.182 2.114 2.042
22 5.7863 4.3828 3.7829 3.4401 3.2151 3.0546 2.9338 2.8392 2.7628 2.6998 2.6017 2.4984 2.389 2.3315 2.272 2.21 2.145 2.076 2.003
23 5.7498 4.3492 3.7505 3.4083 3.1835 3.0232 2.9023 2.8077 2.7313 2.6682 2.5699 2.4665 2.3567 2.2989 2.239 2.176 2.111 2.041 1.968
24 5.7166 4.3187 3.7211 3.3794 3.1548 2.9946 2.8738 2.7791 2.7027 2.6396 2.5411 2.4374 2.3273 2.2693 2.209 2.146 2.08 2.01 1.935
25 5.6864 4.2909 3.6943 3.353 3.1287 2.9685 2.8478 2.7531 2.6766 2.6135 2.5149 2.411 2.3005 2.2422 2.182 2.118 2.052 1.981 1.906
26 5.6586 4.2655 3.6697 3.3289 3.1048 2.9447 2.824 2.7293 2.6528 2.5896 2.4908 2.3867 2.2759 2.2174 2.157 2.093 2.026 1.954 1.878
27 5.6331 4.2421 3.6472 3.3067 3.0828 2.9228 2.8021 2.7074 2.6309 2.5676 2.4688 2.3644 2.2533 2.1946 2.133 2.069 2.002 1.93 1.853
28 5.6096 4.2205 3.6264 3.2863 3.0626 2.9027 2.782 2.6872 2.6106 2.5473 2.4484 2.3438 2.2324 2.1735 2.112 2.048 1.98 1.907 1.829
29 5.5878 4.2006 3.6072 3.2674 3.0438 2.884 2.7633 2.6686 2.5919 2.5286 2.4295 2.3248 2.2131 2.154 2.092 2.028 1.959 1.886 1.807
30 5.5675 4.1821 3.5894 3.2499 3.0265 2.8667 2.746 2.6513 2.5746 2.5112 2.412 2.3072 2.1952 2.1359 2.074 2.009 1.94 1.866 1.787
40 5.4239 4.051 3.4633 3.1261 2.9037 2.7444 2.6238 2.5289 2.4519 2.3882 2.2882 2.1819 2.0677 2.0069 1.943 1.875 1.803 1.724 1.637
60 5.2856 3.9253 3.3425 3.0077 2.7863 2.6274 2.5068 2.4117 2.3344 2.2702 2.1692 2.0613 1.9445 1.8817 1.815 1.744 1.667 1.581 1.482
120 5.1523 3.8046 3.2269 2.8943 2.674 2.5154 2.3948 2.2994 2.2217 2.157 2.0548 1.945 1.8249 1.7597 1.69 1.614 1.53 1.433 1.31
∞ 5.0239 3.6889 3.1161 2.7858 2.5665 2.4082 2.2875 2.1918 2.1136 2.0483 1.9447 1.8326 1.7085 1.6402 1.566 1.484 1.388 1.268 1

𝛼 =0.01 superior
𝒏𝟏 ⁄𝒏𝟐 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞
1 4052.18 4999.5 5403.35 5624.58 5763.65 5858.98 5928.35 5981.07 6022.47 6055.84 6106.32 6157.28 6208.73 6234.63 6260.64 6286.78 6313.03 6339.39 6365.86
2 98.503 99 99.166 99.249 99.299 99.333 99.356 99.374 99.388 99.399 99.416 99.433 99.449 99.458 99.466 99.474 99.482 99.491 99.499
3 34.116 30.817 29.457 28.71 28.237 27.911 27.672 27.489 27.345 27.229 27.052 26.872 26.69 26.598 26.505 26.411 26.316 26.221 26.125
4 21.198 18 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.374 14.198 14.02 13.929 13.838 13.745 13.652 13.558 13.463
5 16.258 13.274 12.06 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.888 9.722 9.553 9.466 9.379 9.291 9.202 9.112 9.02
6 13.745 10.925 9.78 9.148 8.746 8.466 8.26 8.102 7.976 7.874 7.718 7.559 7.396 7.313 7.229 7.143 7.057 6.969 6.88
7 12.246 9.547 8.451 7.847 7.46 7.191 6.993 6.84 6.719 6.62 6.469 6.314 6.155 6.074 5.992 5.908 5.824 5.737 5.65
8 11.259 8.649 7.591 7.006 6.632 6.371 6.178 6.029 5.911 5.814 5.667 5.515 5.359 5.279 5.198 5.116 5.032 4.946 4.859
9 10.561 8.022 6.992 6.422 6.057 5.802 5.613 5.467 5.351 5.257 5.111 4.962 4.808 4.729 4.649 4.567 4.483 4.398 4.311
10 10.044 7.559 6.552 5.994 5.636 5.386 5.2 5.057 4.942 4.849 4.706 4.558 4.405 4.327 4.247 4.165 4.082 3.996 3.909
11 9.646 7.206 6.217 5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.397 4.251 4.099 4.021 3.941 3.86 3.776 3.69 3.602
12 9.33 6.927 5.953 5.412 5.064 4.821 4.64 4.499 4.388 4.296 4.155 4.01 3.858 3.78 3.701 3.619 3.535 3.449 3.361
13 9.074 6.701 5.739 5.205 4.862 4.62 4.441 4.302 4.191 4.1 3.96 3.815 3.665 3.587 3.507 3.425 3.341 3.255 3.165
14 8.862 6.515 5.564 5.035 4.695 4.456 4.278 4.14 4.03 3.939 3.8 3.656 3.505 3.427 3.348 3.266 3.181 3.094 3.004
15 8.683 6.359 5.417 4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.666 3.522 3.372 3.294 3.214 3.132 3.047 2.959 2.868
16 8.531 6.226 5.292 4.773 4.437 4.202 4.026 3.89 3.78 3.691 3.553 3.409 3.259 3.181 3.101 3.018 2.933 2.845 2.753
17 8.4 6.112 5.185 4.669 4.336 4.102 3.927 3.791 3.682 3.593 3.455 3.312 3.162 3.084 3.003 2.92 2.835 2.746 2.653
18 8.285 6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.371 3.227 3.077 2.999 2.919 2.835 2.749 2.66 2.566
19 8.185 5.926 5.01 4.5 4.171 3.939 3.765 3.631 3.523 3.434 3.297 3.153 3.003 2.925 2.844 2.761 2.674 2.584 2.489
20 8.096 5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.231 3.088 2.938 2.859 2.778 2.695 2.608 2.517 2.421

21 8.017 5.78 4.874 4.369 4.042 3.812 3.64 3.506 3.398 3.31 3.173 3.03 2.88 2.801 2.72 2.636 2.548 2.457 2.36
22 7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.121 2.978 2.827 2.749 2.667 2.583 2.495 2.403 2.305
23 7.881 5.664 4.765 4.264 3.939 3.71 3.539 3.406 3.299 3.211 3.074 2.931 2.781 2.702 2.62 2.535 2.447 2.354 2.256
24 7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.032 2.889 2.738 2.659 2.577 2.492 2.403 2.31 2.211
25 7.77 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 2.993 2.85 2.699 2.62 2.538 2.453 2.364 2.27 2.169
26 7.721 5.526 4.637 4.14 3.818 3.591 3.421 3.288 3.182 3.094 2.958 2.815 2.664 2.585 2.503 2.417 2.327 2.233 2.131
27 7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.926 2.783 2.632 2.552 2.47 2.384 2.294 2.198 2.097
28 7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.12 3.032 2.896 2.753 2.602 2.522 2.44 2.354 2.263 2.167 2.064
29 7.598 5.42 4.538 4.045 3.725 3.499 3.33 3.198 3.092 3.005 2.868 2.726 2.574 2.495 2.412 2.325 2.234 2.138 2.034
30 7.562 5.39 4.51 4.018 3.699 3.473 3.304 3.173 3.067 2.979 2.843 2.7 2.549 2.469 2.386 2.299 2.208 2.111 2.006
40 7.314 5.179 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.665 2.522 2.369 2.288 2.203 2.114 2.019 1.917 1.805
60 7.077 4.977 4.126 3.649 3.339 3.119 2.953 2.823 2.718 2.632 2.496 2.352 2.198 2.115 2.028 1.936 1.836 1.726 1.601
120 6.851 4.787 3.949 3.48 3.174 2.956 2.792 2.663 2.559 2.472 2.336 2.192 2.035 1.95 1.86 1.763 1.656 1.533 1.381
∞ 6.635 4.605 3.782 3.319 3.017 2.802 2.639 2.511 2.407 2.321 2.185 2.039 1.878 1.791 1.696 1.592 1.473 1.325 1

FUENTES DE INFORMACION
Lincoln L., C. (1984). Estadística para las ciencias Administrativas. (Vol. Tercera edición).
Colombia: Editorial McGraw Hill.
Martínez, C., Levin, R., & David, R. (2011). Estadística Aplicada (Primera ed.). México: Pearson
Educación.
Martínez Bencardino, C. (2005). Estadística y Muestreo. Bogotá, D.C.: Ecoe Ediciones.
Ritchey, F. J. (2008). Estadística para las ciencias sociales. México, D.F.: Mc Graw Hill
.
• FUENTES DE INTERNET
http://es.wikipedia.org/wiki/Probabilidad
http://www.slideshare.net/milit/muestreo-aleatorio-simple
http://es.wikipedia.org/wiki/Muestreo_en_estad%C3%ADstica
http://es.wikipedia.org/wiki/Contraste_de_hip%C3%B3tesis

Estadistica Inferencial

Cargado por

Copyright:

Formatos disponibles

Estadistica Inferencial

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica Inferencial

Cargado por

Copyright:

Formatos disponibles

Jorge Luis Bustos Galindo

Copyright 2016 - Editorial – COLOMBIA

Estadística Inferencial Página 2

Jorge Luis Bustos Galindo

Estadística Inferencial Página 3

Jorge Luis Bustos Galindo

Estadística Inferencial Página 4

Jorge Luis Bustos Galindo

Es el conjunto de todos los resultados posibles de un experimento aleatorio y se denota S.

Ejemplo 1. Experimento: Se lanza una moneda una vez.

Entonces el espacio muestral es, S={c, s}.

EVENTO O SUCESO MUESTRAL

Un evento o suceso A es un subconjunto del espacio muestral S. Como un evento es un conjunto,

(1) 𝐴 ∪ 𝐵 es el evento que ocurre siempre y cuando ocurra o 𝐴 o 𝐵 (o ambos).

(2) 𝐴 ∩ 𝐵 es el evento que ocurre siempre y cuando ocurran tanto 𝐴 como 𝐵.

(3) 𝐴𝑐 el complemento de 𝐴, es el evento que ocurre siempre y cuando no ocurra 𝐴.

Ejemplo 2. Experimento: Lance un dado y observe el número que resulta.

El espacio muestral es, S = {1, 2, 3, 4, 5, 6}.

Jorge Luis Bustos Galindo

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴

AXIOMAS ELEMENTALES DE LA PROBABILIDAD

Axioma 2. Si S es el espacio muestral asociado a un experimento aleatorio, entonces P(S) es

Axioma 3. Si A y B son eventos mutuamente excluyentes, entonces la probabilidad de A o B,

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵).

Dos eventos 𝐴 y 𝐵 se llaman mutuamente excluyentes si son disyuntos, o sea, 𝐴 ∩ 𝐵 = ∅. En

Teorema 1. Si A es el evento vacío entonces su probabilidad es cero. Es decir,

Estadística Inferencial Página 6

Jorge Luis Bustos Galindo

Teorema 3. Si A y B son dos eventos del espacio muestral S, entonces

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵).

Ejemplo 5. En un curso de 10 hombres y 20 mujeres, la mitad de los hombres y la mitad de las

Sean A y B dos eventos, la probabilidad condicional de A dado B se denota y se define de la

Igualmente se tiene que

como la probabilidad de B dado A.

Jorge Luis Bustos Galindo

TEOREMA DE LA PROBABILIDAD TOTAL

Supongamos que {𝐵𝑖 }𝑛𝑖=1 es una partición de un espacio muestral S. Si A es un evento de S.

Ejemplo 7. En una fábrica de tornillos, las máquinas A, B y C fabrican 20, 30 y 50% de la

Sean los eventos,

A: el tornillo escogido es defectuoso.

Aplicando el teorema o regla de la probabilidad total,

𝑃[𝐴] = (0.02)(0.2) + (0.03)(0.3) + (0.05)(0.5) = 0.038

Estadística Inferencial Página 8

Jorge Luis Bustos Galindo

Cuando la ocurrencia de un evento A no está influenciada ni influye sobre la ocurrencia de otro,

Dados dos eventos A y B, se dicen independientes si cumplen que

Estadística Inferencial Página 9

Jorge Luis Bustos Galindo

1. Explique el significado de los siguientes términos:

a. Exprese explícitamente los siguientes eventos:

4. Determine la probabilidad de cada evento:

5. En un curso de 20 hombres y 30 mujeres, un quinto de los hombres y un quinto de las mujeres

6. En la tabla que sigue se da el cargo y sexo de los empleados de una empresa.

7. Se lanza un dado no cargado. Considere los eventos:

Estadística Inferencial Página 10

Jorge Luis Bustos Galindo

9. Supongamos que lanzamos tres monedas una vez. Y sea:

Estadística Inferencial Página 11

Jorge Luis Bustos Galindo