Estadística Inferencial Actividad 1: María Luisa Martinez Aguilar Ana Gladys Robles Mundo
Estadística Inferencial Actividad 1: María Luisa Martinez Aguilar Ana Gladys Robles Mundo
Estadística Inferencial Actividad 1: María Luisa Martinez Aguilar Ana Gladys Robles Mundo
Actividad 1
21/03/2022
ACTIVIDAD 1:
EJERCICIOS SOBRE DISTRIBUCIONES MUESTRALES
• Con base en el material consultado en la unidad resuelve los ejercicios que se plantean acerca
de los siguientes temas:
➢ Distribuciones muestrales
➢ Teorema del Límite Central (TLC)
Técnicas básicas
1. Una población consta de cinco números: 2,3,6,8,11. Considere todas las muestras posibles
de tamaño dos que pueden extraerse con reemplazo de esta población. Encontrar:
a. La media de la población
∑
2+3+6+8+11
μ= 𝑛
= 5
=6
2
∑(𝑥1−μ) 2 2 2 2 2
(2−6) +(3−6) +(6−6) +(8−6) +(11−6) 54
σ= 𝑛
= 5
= 5
= 10. 8 = 3. 286
4 4.5 6 7 8.5
5 5.5 7 8 9.5
150
25
=6
2
∑(𝑥1−μ) 2 2
(2−6) +(2.5−6) +........ 135
σ = 𝑛
= 25
= 25
= 54 = 2. 323
2. Se seleccionaron muestras aleatorias de tamaño nde poblaciones con las medias y varianzas
dadas aquí. Encuentre la media y desviación estándar de la distribución de muestreo de la
media muestral Xen cada caso:
a.2
n = = = 36, 10, 9 μ σ
σ 9
σ1 = 𝑛
= = 0. 5
36
b.2
n = = = 100, 5, 4 μ σ
σ 4
σ1 = 𝑛
= = 0. 20
100
c.2
n = = = 8, 120, 1 μ σ
σ 1
σ1 = 𝑛
= = 0. 355
8
De acuerdo con el Teorema del Límite Central, si las poblaciones muestreadas no son
normales, ¿qué se puede decir acerca de la distribución muestral de Xpara los incisos a, b y c?
1
a.n =1 =1
1
1
b.n = 2 = 0. 71
2
1
c.n = 4 = 0. 5
4
1
d.n = 9 = 0. 33
9
1
e.n = 16 = 0. 25
16
1
f.n = 25 = 0. 20
25
1
g.n = 100 = 0. 1
100
𝑝𝑞
μê = 𝑝 σ = 𝑛
𝑞=1−9
(0.3)(0.7)
σê = 100
= 0. 0458
(0.1)(0.9)
σê = 400
= 0. 015
(0.06)(0.04)
σê = 250
0. 0309
5. ¿Es adecuado utilizar la distribución normal para aproximar la distribución de muestreo dePˆ
en las siguientes circunstancias?
n>30 np>5
𝑝𝑞 (0.5)(0.95)
σê = 𝑛
= 50
= 0. 031
(0.01)(0.09)
σê = 75
= 0. 035
(0.99)(0.01)
σê = 250
= 0. 0062
Página 2 de 6
Aplicaciones
𝑥−μ
σ 7−8
𝑧1 = = 0.7303
=− 1. 3693
𝑛
𝑃(𝑥 < 7) = 𝑝(𝑧 < 1. 397) = 𝑝(𝑧 < 0) − 𝑝(− 1. 397 < 2 < 0) = 0. 5 − 0. 4147 = 0. 853
b. La duración promedio excede de 7 años
𝑃(𝑥 > 7) = 𝑃(2 >− 1. 37) = 1 − 𝑃(2 <− 1. 37) = 1 − 0. 0853 = 0. 9147
c. La duración promedio está a no más de un año de la media poblacional μ = 8
Grafique el error estándar de la media (SE) contra el tamaño muestral ny enlace los puntos con
una curva suave. ¿Cuál es el efecto de aumentar el tamaño de muestra sobre el error estándar?
𝑃(7 < 𝑥 < 9) = 𝑝(1. 37 > 2 > 1. 37) = 𝑝(𝑧 > 1. 37) − 𝑃(𝑧 <− 1. 37) = 0. 9147 − 0. 0853 = 0. 8294
2. Salarios de profesores. Suponga que los profesores de una universidad en E.U.A. -con rango
de profesor en instituciones públicas que imparten programas académicos de dos años-,
ganan un promedio de 71,802 dólares por año, con una desviación estándar de 4,000
dólares. En un ejercicio por verificar este nivel de salario se seleccionó una muestra aleatoria
de 60 profesores de una base de datos del personal académico de todas las instituciones
públicas que imparten programas de dos años en E.U.A.
μ = 71802
σ 4000 4000
σ= = = 7.746
= 516. 395
𝑛 60
0.05
1 − 0. 95 = 2
= 0. 025
𝑧 = 0. 025 = 1. 96
σ
𝑥 = 𝑧( )+μ
𝑛
4000
1. 96( ) + 71802 = 72814. 1396 𝑑𝑜𝑙𝑎𝑟𝑒𝑠
60
4000
− 1. 96( ) + 71802 = 70789. 8603 𝑑𝑜𝑙𝑎𝑟𝑒𝑠
60
c. Calcule la probabilidad de que la media muestral xsea mayor que 73,000 dólares.
𝑥−μ 73000−71802
σ
= 400 = 2. 32
60
422+432+409
μ= 3
= 422
4. Duración de baterías para automóvil. Un fabricante de baterías para automóvil afirma que la
distribución del tiempo de duración (tiempo de vida) de las baterías de su mejor marca tiene
una media μ = 54meses y una desviación estándar σ = 6meses. Suponga que un grupo de
consumidores decide verificar la afirmación y para ello compran una muestra de 50 baterías y
las somete a prueba para medir su tiempo de vida.
𝑥−μ 𝑥−54
z= σ = 6 = 54
𝑛 50
b. Suponiendo que la afirmación del fabricante es verdadera, ¿cuál es la probabilidad
de que la muestra de 50 baterías tenga un tiempo de vida de 52 meses o menos?
𝑥−μ 52.54
𝑧= σ =𝑧 6 =− 2. 36 = 0. 0092 + 1 = 0. 99079
𝑛 50
σ 0.4
σ𝑥 = = 130
= 0. 035
𝑛
𝑥−μ (36.8−37)/0.4
𝑧= σ = 11.40
=− 5. 7 = 0
𝑛
𝑝(𝑥 ≤ 36. 8) = 1 − 0 = 1
𝑥−μ 65000−62000
𝑧= σ
= 4200
= 0. 714
𝑥−μ 3000
𝑧= σ = 4200 = 1. 01
𝑛 2
𝑝−𝑝 0.61−0.5
𝑧= 𝑝𝑞
= 0.475
= 1. 43
𝑛 80
𝑝−𝑝 0.44−0.5
𝑧= 𝑝𝑞
= 0.475
=− 0. 78
𝑛 80
p(z≥ 2. 27) = 1 − 0. 98 = 0. 01
0.2−0.2
𝑧= 0.044
=0
𝑝(𝑧 ≤ 0)1 − 0. 5 = 0. 5
Referencias
Dennis D., W., Mendenhall, W. I., & Scheaffer, R. L. (2009). Estadística Matemática con
Aplicaciones (7 ed.). Mexico, México: Cengage Learning.
McClave, J., & Sincich, T. (2014). Statistics (12 ed.). Harlow: Pearson.
Sweeney, D. J., Anderson, D. R., & Williams, T. (2011). Estadistica para Negocios y Economia
(11 ed.). Cengage Learning. Retrieved from https://elibro.net/es/lc/uvm/titulos/39949
Página 5 de 6
• Redacta una conclusión en la que expliques en qué consisten los siguientes conceptos:
- ¿Qué es un parámetro poblacional?
- ¿Qué es una estadística muestral?
- ¿Qué entendemos por la distribución de muestreo de una estadística muestral? -
¿Qué entendemos por el error estándar de una distribución de muestreo?
Bowker, A. H., & Lieberman, G. J. (1989). Estadistica Para Ingenieros (1.a ed., Vol. 1).
Prentice Hall.
• Al finalizar, vuelve a la plataforma y sigue los pasos que se indican para enviar tu actividad.
***
Página 6 de 6