Академический Документы
Профессиональный Документы
Культура Документы
2
Distribución muestral para 2 medias con σ21 y σ22 desconocidas ......................... 28
3
COMPETENCIA ESPECÍFICA A DESARROLLAR
4
INTRODUCCIÓN
Desde el punto de vista práctico, suele ser más importante poder inferir información
acerca de una población a partir de muestras obtenidas de ella. De estos problemas
se ocupa la inferencia estadística en la que se usan los principios de la teoría del
muestreo.
Un problema importante de la inferencia estadística es la estimación de parámetros
poblacionales, o simplemente parámetros (como, por ejemplo, la media y la varianza
poblacionales), a partir de los correspondientes estadísticos muestrales, o
simplemente estadísticos (por ejemplo, la media y la varianza muestral.
5
- TEMAS DE INVESTIGACIÓN CONCEPTUAL -
6
parámetro de interés, ese estadístico podría ser un estimador del
parámetro.
Contrastes de hipótesis
Una hipótesis estadística es una asunción relativa a una o varias
poblaciones, que puede ser cierta o no. Las hipótesis estadísticas se
pueden contrastar con la información extraída de las muestras y tanto si se
aceptan como si se rechazan se puede cometer un error.
La hipótesis formulada con intención de rechazarla se llama hipótesis nula y
se representa por H0. Rechazar H0 implica aceptar una hipótesis
alternativa (H1).
La situación se puede esquematizar:
H0 cierta H0 falsa
H1 cierta
H0 rechazada Error tipo I Decisión
(a ) correcta (*)
H0 no Decisión Error tipo II
rechazada correcta (b )
(*) Decisión correcta que se busca
= p(rechazar H0|H0 cierta)
b = p(aceptar H0|H0 falsa)
Potencia =1-b = p(rechazar H0|H0 falsa)
Detalles a tener en cuenta
1 a y b están inversamente relacionadas.
2 Sólo pueden disminuirse las dos, aumentando n.
Los pasos necesarios para realizar un contraste relativo a un
parámetro q son:
1. Establecer la hipótesis nula en términos de igualdad
7
5. Calcular el estadístico para una muestra aleatoria y compararlo con la
región crítica, o equivalentemente, calcular el "valor p" del estadístico
(probabilidad de obtener ese valor, u otro más alejado de la H0, si H0 fuera
cierta) y compararlo con a.
Ejemplo:
Estamos estudiando el efecto del estrés sobre la presión arterial. Nuestra
hipótesis es que la presión sistólica media en varones jóvenes estresados
es mayor que 18 cm de Hg. Estudiamos una muestra de 36 sujetos y
encontramos
2. la hipótesis alternativa
8
Problema al respecto: en la hipótesis de que un mazo de cartas esté bien
barajado, la probabilidad de que al sacar dos cartas sean, p.e.:1 el as de
oros y 2 el rey de bastos es 1/40 x 1/39=0,000833.
Si hacemos la experiencia y obtenemos ese resultado ¿rechazaríamos la
hipótesis de que el mazo está bien barajado? ¿Cuánto se parece esto a la
lógica del contraste de hipótesis?
Volvamos al problema del estrés. Como no se rechaza H0, se puede
cometer un error tipo II. ¿Cuál es b?. De hecho, sería la información
relevante a comunicar en este estudio (la probabilidad del error que se pude
cometer en él). Habitualmente, sin embargo, no se da porque los paquetes
estadísticos no la calculan.
Para calcularla se debe concretar H1, p.e. m = 20 (el criterio para este
valor no es estadístico)
es decir, se acepta H0 si
¿Qué probabilidad hay de encontrar si m = 20 (zona verde del
gráfico)? En esta hipótesis lo que se distribuye como una z es
9
Razones del muestreo
Las razones por las cuales se utiliza el muestreo y no toda la población
(censo) son varias; los grandes progresos hechos en la teoría del muestreo
durante las últimas décadas, hacen posible medir las propiedades de
cantidades masivas de datos con precisión calculada sobre la base dé
muestras.
Además del hecho de que pueden obtenerse resultados fidedignos de
procedimientos de muestreo correctos, hay otras importantes razones para
su amplia adopción. Primero, las poblaciones que se investigan pueden ser
infinitas, y en tales casos la muestra es el único procedimiento posible.
Segundo, aún en el caso de poblaciones finitas, muy frecuentemente el
muestreo es el único procedimiento práctico, pues, una población finita
puede constar de millares o millones de elementos y su enumeración
completa es prácticamente imposible.
En tercer lugar, la medición de las propiedades de una población a veces
requiere de la destrucción de sus elementos; por ejemplo si el productor
desea averiguar si la resistencia a la tracción de un lote de alambres de
acero cumple con las normas especificadas, se ejerce presión sobre el
alambre hasta que se rompe. Un censo significaría entonces la destrucción
completa de todos los alambres de acero, y no quedarían productos
después de concluida la prueba.
Por último, aunque financiera, práctica y físicamente sea posible observar
toda la población, el muestreo puede ser aún el procedimiento más
eficiente.
Los resultados obtenidos por el estudio de una muestra pueden ser iguales
o aún más precisos que los hallados de una cuenta completa del conjunto.
Como se explicará en seguida, cualquier encuesta estadística muestreo o
censo, siempre contiene cierto error. Los errores estadísticos son de dos
clases: no de muestreo y de muestreo. El error no de muestreo es
generalmente grande para un censo, pero puede ser reducido mucho con el
muestreo bien realizado. Además el error no de muestreo a menudo no
puede ser estimado objetivamente, mientras que esto generalmente es
posible en el error de muestreo. Por estas razones, no solo puede
esperarse que el error total sea menor en un estudio de muestra, sino que
los resultados de ella también pueden ser usados con un mayor grado de
confianza por nuestro conocimiento del tamaño probable del error.
El muestreo aleatorio
Muestreo aleatorio:
10
Permite que cada muestra posible pueda ser elegida con la misma
probabilidad. Por su parte cada elemento de la población tiene la misma
oportunidad igual de ser incluido en la muestra.
b) muestreo sistemático:
c) Muestreo estratificado:
Métodos de muestreo
La muestra para que sea representativa de la población, requiere que todas
las unidades de la población tengan la misma probabilidad de ser
seleccionadas, es decir, debe ser aleatoria, al azar o probabilística.
El muestreo aleatorio, realizado bajo ciertas condiciones y sometido a
cumplir ciertos requisitos, se constituye en un procedimiento práctico,
económico y rápido para generalizar conclusiones obtenidas a través de
una muestra, aplicables a toda la población de la que forma parte, dentro de
ciertos límites de confiabilidad, establecidos de antemano.
11
resultara un error de muestreo. El error de muestreo es la diferencia entre el
estadístico de la muestra utilizada para calcular el parámetro de la
población y el valor real pero desconocido del parámetro.
12
13
Distribución de muestreo
Muchas decisiones se toman con base en los resultados muestrales. Por
ejemplo, un gerente administrativo puede tomar una muestra de un producto
para determinar si cumple con ciertas especificaciones de producción. Una
aplicación muy común y de gran utilidad en una distribución muestral es la de
determinar la probabilidad de que una media muestral clasifique dentro de un
rango dado. En este caso se usa la fórmula de conversión pero alterándola para
ser usada en una muestra completa y no solo en una observación única.
Las muestras aleatorias obtenidas de una población son, por naturaleza propia,
impredecibles. No se esperaría que dos muestras aleatorias del mismo tamaño y
tomadas de la misma población tenga la misma media muestral o que sean
completamente parecidas; puede esperarse que cualquier estadístico, como la
media muestral, calculado a partir de las medias en una muestra aleatoria, cambie
su valor de una muestra a otra, por ello, se quiere estudiar la distribución de todos
los valores posibles de un estadístico. Tales distribuciones serán muy importantes
en el estudio de la estadística inferencial, porque las inferencias sobre las
poblaciones se harán usando estadísticas muestrales. Como el análisis de las
distribuciones asociadas con los estadísticos muestrales, podremos juzgar la
confiabilidad de un estadístico muestral como un instrumento para hacer
inferencias sobre un parámetro poblacional desconocido.
Como los valores de un estadístico, tal como x, varían de una muestra aleatoria a
otra, se le puede considerar como una variable aleatoria con su correspondiente
distribución de frecuencias.
La distribución de frecuencia de un estadístico muestral se denomina distribución
muestral. En general, la distribución muestral de un estadístico es la de todos
sus valores posibles calculados a partir de muestras del mismo tamaño.
Suponga que se han seleccionado muestras aleatorias de tamaño 20 en una
población grande. Se calcula la madia muestral x para cada muestra; la colección
de todas estas medias muestrales recibe el nombre de distribución muestral de
medias, lo que se puede ilustrar en la siguiente figura:
14
Suponga que se eligen muestras aleatorias de tamaño 20, de una población
grande, y se calcula la deviación estándar de cada una. La colección de todas
estas desviaciones estándar muestrales se llama distribución muestral de la
desviación estándar, y lo podemos ver en la siguiente figura:
Ejemplo 1.6
Se eligen muestras ordenadas de tamaño 2, con reemplazo, de la población de
valores 0, 2, 4 y 6. Encuentre:
, la media poblacional.
, la desviación estándar poblacional.
x, la media de la distribución muestral de medias.
15
b. La desviación estándar de la población es:
16
demostrar que la distribución muestral de medias tiene una media igual a la media
poblacional. Esto es:
Distribuciones muestrales
Después de haber realizado el ejercicio anterior se puede ver que una distribución
muestral se genera extrayendo todas las posibles muestras del mismo tamaño de
la población y calculándoles a éstas su estadístico.
Si la población de la que se extraen las muestras es normal, la distribución
muestral de medias será normal sin importar el tamaño de la muestra.
17
18
Una de las estadísticas más importantes es la media de un conjunto de variables
aleatorias independientes e idénticamente distribuidas. Sea 𝑋1 , 𝑋2, … 𝑋𝑛 una
muestra aleatoria que consiste de n variables aleatorias IID tales que 𝐸(𝑋𝑖 ) = 𝜇
y 𝑉𝑎𝑟(𝑋𝑖 ) = 𝜎 2 para toda 𝑖 = 1,2, … 𝑛. Entonces la estadística:
𝑋̅ = (𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 )/𝑛
Se define como a media de las n variables aleatorias IID o sencillamente media
muestral. El valor esperado y la varianza de 𝑋̅ son:
19
Distribución muestral para una media, σ2 desconocida, la distribución
“t” de Student
Características
El estadístico de prueba
¿Cómo se usa la tabla de esta distribución?
20
21
22
23
Distribución muestral para una proporción
Aproximación d/la dist. normal a la binomial
Características
El estadístico de prueba
¿Cómo se usa la tabla de esta distribución?
Al tratar una variable categórica en la que cada individuo o elemento de la
población puede clasificarse como poseedor o no poseedor de una característica
particular como masculino o femenino, a los dos posibles resultados se le
podrían asignar valores de 1 o 0 para representar la presencia o ausencia de la
característica. Al tratar con datos categóricos, la media de muestra 𝑋̅ es la misma
24
proporción de muestra P, que tiene la característica de interés. Así pues, la
proporción de muestra p, puede definirse como:
25
Utiliza la TABLA N(0,1) para comprobar la probabilidad correspondiente al valor
z
26
Distribución muestral para 2 medias σ21 y σ22 conocidas
- El estadístico de prueba
27
Un estadístico de prueba es una variable aleatoria que se calcula a partir de datos
de muestra y se utiliza en una prueba de hipótesis. Puede utilizar los estadísticos
de prueba para determinar si puede rechazar la hipótesis nula. El estadístico de
prueba compara sus datos con lo que se espera bajo la hipótesis nula. El
estadístico de prueba se utiliza para calcular el valor p.
Un estadístico de prueba mide el grado de concordancia entre una muestra de
datos y la hipótesis nula. Su valor observado cambia aleatoriamente de una
muestra aleatoria a una muestra diferente. Un estadístico de prueba contiene
información acerca de los datos que es relevante para decidir si se puede
rechazar la hipótesis nula. La distribución del muestreo del estadístico de prueba
bajo la hipótesis nula se denomina distribución nula. Cuando los datos muestran
evidencia clara en contra de los supuestos de la hipótesis nula, la magnitud del
estadístico de prueba se vuelve demasiado grande o demasiado pequeña
dependiendo de la hipótesis alternativa. Esto hace que el valor p de la prueba se
vuelva lo suficientemente pequeño como para rechazar la hipótesis nula.
Por ejemplo, el estadístico de prueba para una prueba Z es el estadístico Z, que
sigue la distribución normal estándar bajo la hipótesis nula. Supongamos que
usted realiza una prueba Z de dos colas con un nivel de significancia (α) de 0.05 y
un obtiene un estadístico Z (también denominado valor Z) de 2.5 basado en sus
datos. Este valor Z corresponde a un valor p de 0.0124. Puesto que este valor p es
menor que α, usted declara significancia estadística y rechaza la hipótesis nula.
Las diferentes pruebas de hipótesis utilizan diferentes estadísticos de prueba
según el modelo de probabilidad asumido en la hipótesis nula. Las pruebas
comunes y sus respectivos estadísticos de prueba incluyen:
Prueba de hipótesis Estadístico de prueba
Prueba Z Estadístico Z
Pruebas t Estadístico t
ANOVA Estadístico F
Pruebas de chi-cuadrada Estadístico de chi-cuadrada
28
29
30
Distribución muestral para 2 proporciones
- El estadístico de prueba
Muchas aplicaciones involucran poblaciones de datos cualitativos que deben
compararse utilizando proporciones o porcentajes. A continuación se citan algunos
ejemplos:
Educación.- ¿Es mayor la proporción de los estudiantes que aprueban
matemáticas que las de los que aprueban inglés?
Medicina.- ¿Es menor el porcentaje de los usuarios del medicamento A que
presentan una reacción adversa que el de los usuarios del fármaco B que
también presentan una reacción de ese tipo?
31
Administración.- ¿Hay diferencia entre los porcentajes de hombres y
mujeres en posiciones gerenciales.
Ingeniería.- ¿Existe diferencia entre la proporción de artículos defectuosos
que genera la máquina A a los que genera la máquina B?
Cuando el muestreo procede de dos poblaciones binomiales y se trabaja con dos
proporciones muestrales, la distribución muestral de diferencia de proporciones es
aproximadamente normal para tamaños de muestra grande (n1p1 5, n1q1 5,n2p2
5 y n2q2 5). Entonces p1 y p2 tienen distribuciones muestrales aproximadamente
normales, así que su diferencia p1-p2también tiene una distribución muestral
aproximadamente normal.
que y que .
La fórmula que se utilizará para el calculo de probabilidad del estadístico de
diferencia de proporciones es:
Ejemplo:
Los hombres y mujeres adultos radicados en una ciudad grande del norte difieren
en sus opiniones sobre la promulgación de la pena de muerte para personas
culpables de asesinato. Se cree que el 12% de los hombres adultos están a favor
de la pena de muerte, mientras que sólo 10% de las mujeres adultas lo están. Si
se pregunta a dos muestras aleatorias de 100 hombres y 100 mujeres su opinión
sobre la promulgación de la pena de muerte, determine la probabilidad de que el
porcentaje de hombres a favor sea al menos 3% mayor que el de las mujeres.
Solución:
Datos:
PH = 0.12
32
PM = 0.10
nH = 100
nM = 100
p(pH-pM 0.03) = ?
Se recuerda que se está incluyendo el factor de corrección de 0.5 por ser una
distribución binomial y se está utilizando la distribución normal.
33
También debe de comprenderse la pregunta que nos hace este problema, ¿cuál
sería la probabilidad de que su porcentaje muestral de trabajadores sin empleo
durante por lo menos dos años, difiera del porcentaje obtenido en la encuesta de
Boston College, en 5% o más?, la palabra difiera quiere decir que puede existir
una diferencia a favor de la muestra uno, o a favor de la muestra dos, por lo que
se tendrán que calcular dos áreas en la distribución y al final sumarlas.
Datos:
p1 = 0.20
n1 = 320 trabajadores
n2 = 320 trabajadores
P1 = P 2
Ejemplo:
Se sabe que 3 de cada 6 productos fabricados por la máquina 1 son defectuosos y
que 2 de cada 5 objetos fabricados por la máquina 2 son defectuosos; se toman
muestras de 120 objetos de cada máquina:
a. ¿cuál es la probabilidad de que la proporción de artículos defectuosos de la
máquina 2 rebase a la máquina 1 en por lo menos 0.10?
b. ¿cuál es la probabilidad de que la proporción de artículos defectuosos de la
máquina 1 rebase a la máquina 2 en por lo menos 0.15?
Solución:
Datos:
P1 = 3/6 = 0.5
P2 = 2/5 = 0.4
n1 = 120 objetos
34
n2 = 120 objetos
a. p(p2-p1 0.10) = ?
35
Tipos de estimaciones y sus características
Tipos de estimadores:
Dada una variable aleatoria con distribución Normal N(μ, σ), el objetivo es la
construcción de un intervalo de confianza para el parámetro μ, basado en una
muestra de tamaño n de la variable.
Desde el punto de vista didáctico hemos de considerar dos posibilidades sobre la
desviación típica de la variable: que sea conocida o que sea desconocida y
tengamos que estimarla a partir de la muestra. El caso de σ conocida, ya
comentado anteriormente, no pasa de ser un caso académico con poca aplicación
en la práctica, sin embargo es útil desde del punto de vista didáctico.
36
se distribuye según una Normal estándar. Por tanto, aplicando el método del
pivote podemos construir la expresión
donde zα/2 es el valor de una distribución Normal estándar que deja a su derecha
una probabilidad de α/2, de la que se deduce el intervalo de confianza
37
primer caso se utiliza el teorema del límite central, mientras que
para desconocida se hace uso de la distribución muestral de la variable
aleatoria t. Sin embargo, el uso de la distribución t se basa en la premisa de que el
muestreo se realiza de una distribución normal. En tanto que la distribución tenga
forma aproximada de campana, los intervalos de confianza se pueden calcular
cuando la varianza se desconoce mediante el uso de la distribución t y se puede
esperar buenos resultados.
Con mucha frecuencia los estadísticos recomiendan que aun cuando la
normalidad no se pueda suponer, con desconocida y n 30, s puede
reemplazar a y se puede utilizar el intervalo de confianza:
Con un nivel de confianza del 95% se sabe que el promedio del contenido
de los contenedores está entre 9.47 y 10.26 litros.
2. Un artículo publicado en el Journal of Testing and Evaluation presenta las
siguientes 20 mediciones del tiempo de combustión residual en segundos
de especímenes tratados de ropa de dormir para niños:
9.85 9.93 9.75 9.77 9.67
38
9.87 9.67 9.94 9.85 9.75
9.83 9.92 9.74 9.99 9.88
9.95 9.95 9.93 9.92 9.89
Se desea encontrar un nivel de confianza del 95% para el tiempo de
combustión residual promedio. Supóngase que el tiempo de combustión
residual sigue una distribución normal.
Solución:
La media muestral y la desviación estándar para los datos dados son:
9.8525 y s= 0.0965
En la tabla se encuentra que t0.025=2.093 con 19 grados de libertad, de aquí, el
intervalo de confianza de 95% para es:
Por lo tanto, se tiene una confianza del 95% de que el tiempo de combustión
residual promedio se encuentra entre 9.8073 y 9.8977 segundos.
39
Determinación del tamaño de muestra para llevar a cabo un análisis
estadístico
c. Para una media
d. Para una proporción
40
Se estableció antes que una forma de disminuir el error de estimación es
aumentar el tamaño de la muestra, si éste incluye el total de la población,
entonces sería igual a cero. Con esto en mente, parece razonable que para
un nivel de confianza fijo, sea posible determinar un tamaño de la muestra tal que
el error de estimación sea tan pequeño como queramos, para ser mas preciso,
dado un nivel de confianza y un error fijo de estimación , se puede escoger un
Como n debe de ser un número entero, redondeamos hacia arriba todos los
resultados fraccionarios.
En el caso de que se tenga una población finita y un muestreo sin reemplazo, el
error de estimación se convierte en:
Ejemplos:
1. Un biólogo quiere estimar el peso promedio de los ciervos cazados en el
estado de Maryland. Un estudio anterior de diez ciervos cazados mostró
que la desviación estándar de sus pesos es de 12.2 libras. ¿Qué tan grande
debe ser una muestra para que el biólogo tenga el 95% de confianza de
que el error de estimación es a lo más de 4 libras?
Solución:
41
Se necesita una muestra de 68 focos para estimar la media de la población
y tener un error máximo de 10 horas.
¿Qué pasaría si en lugar de tener un error de estimación de 10 horas sólo
se requiere un error de 5 horas?
Si se tiene una población finita de 300 focos sólo se tiene que extraer de la
población una muestra sin reemplazo de 56 focos para poder estimar la duración
media de los focos restantes con un error máximo de 10 horas.
Cálculo del Tamaño de la Muestra para Estimar una Proporción
Se desea saber que tan grande se requiere que sea una muestra para asegurar
que el error al estimar P sea menor que una cantidad específica .
Esta fórmula está algo engañosa, pues debemos utilizar p para determinar el
tamaño de la muestra, pero p se calcula a partir de la muestra. Existen ocasiones
en las cuales se tiene una idea del comportamiento de la proporción de la
población y ese valor se puede sustituir en la fórmula, pero si no se sabe nada
referente a esa proporción entonces se tienen dos opciones:
Tomar una muestra preliminar mayor o igual a 30 para proporcionar una
estimación de P. Después con el uso de la fórmula se podría determinar de
forma aproximada cuántas observaciones se necesitan para proporcionar el
grado de precisión que se desea.
Tomar el valor de p como 0.5 ya que sustituyendo este en la fórmula se
obtiene el tamaño de muestra mayor posible. Observe el siguiente ejemplo:
42
Se desconoce el valor de P, por lo que se utilizarán diferentes valores y se
sustituirán en la formula para observar los diferentes tamaños de muestras. El
nivel de confianza que se utilizará es del 95% con un error de estimación de 0.30.
p n
0.10 3.84
0.20 6.82
0.30 8.96
0.40 10.24
0.50 10.67
0.60 10.24
0.70 8.96
0.80 6.82
0.90 3.84
43
En el caso de que se tenga una población finita y un muestreo sin reemplazo, el
error de estimación se convierte en:
Ejemplos:
1. En una muestra aleatoria de 500 familias que tienen televisores en la
ciudad de Hamilton, Canadá, se encuentra que 340 están suscritas a HBO.
¿Qué tan grande se requiere que sea una muestra si se quiere tener 95%
de confianza de que la estimación de P esté dentro de 0.02?
Solución:
Se tratarán a las 500 familias como una muestra preliminar que proporciona
una estimación de p=340/500=0.68.
44
Esta fórmula está algo engañosa, pues debemos utilizar p para determinar el
tamaño de la muestra, pero p se calcula a partir de la muestra. Existen ocasiones
en las cuales se tiene una idea del comportamiento de la proporción de la
población y ese valor se puede sustituir en la fórmula, pero si no se sabe nada
referente a esa proporción entonces se tienen dos opciones:
Tomar una muestra preliminar mayor o igual a 30 para proporcionar una
estimación de P. Después con el uso de la fórmula se podría determinar de
forma aproximada cuántas observaciones se necesitan para proporcionar el
grado de precisión que se desea.
Tomar el valor de p como 0.5 ya que sustituyendo este en la fórmula se
obtiene el tamaño de muestra mayor posible. Observe el siguiente ejemplo:
Se desconoce el valor de P, por lo que se utilizarán diferentes valores y se
sustituirán en la formula para observar los diferentes tamaños de muestras. El
nivel de confianza que se utilizará es del 95% con un error de estimación de 0.30.
P n
0.10 3.84
0.20 6.82
0.30 8.96
0.40 10.24
0.50 10.67
0.60 10.24
45
0.70 8.96
0.80 6.82
0.90 3.84
Ejemplos:
1. En una muestra aleatoria de 500 familias que tienen televisores en la
ciudad de Hamilton, Canadá, se encuentra que 340 están suscritas a HBO.
¿Qué tan grande se requiere que sea una muestra si se quiere tener 95%
de confianza de que la estimación de P esté dentro de 0.02?
Solución:
Se tratarán a las 500 familias como una muestra preliminar que proporciona
una estimación de p=340/500=0.68.
46
En este problema, se desconoce totalmente la proporción de residentes que
conoce la opinión de la legisladora, por lo que se utilizará un valor de 0.5 para p.
Para el segundo caso se pondrá una n en función de la otra. Este caso se utiliza
cuando las poblaciones son de diferente tamaño y se sabe que una es K veces
mayor que la otra.
47
BIBLIOGRAFÍA
Estadística para administración y economía, Anderson – Sweeney –
Williams, editorial Thomson, 10a edición, pp. 272
Probabilidad Y Estadística Aplicadas A La Ing., Montgomery – Runger,
Editorial Limusa, 2ª Edición, pp.285, 330 y 331
Estadística básica en administración, Berenson – Levine, editorial Prentice Hall, 6a
edición, pp.329
Probabilidad y estadística para ciencias química – biológica, Ma. José Márquez de
Cantú, 1a edición, pp. 161
Estadistica aplicada a los negocios y la economía, Webster, editorial
IRWIN-McGraw-HILL, 1a edición, pp. 180 y 181
Estadistica y Muestreo, Martínez Bencardino, Editorial Bogotá ECOE
Ediciones, 13ª ED., Pp. 274, 275, 276
g
WEBGRAFÍA
http://www.hrc.es/bioest/Introducion.html
http://www.hrc.es/bioest/Introducion_est.html
http://www.hrc.es/bioest/Introducion_ch.html
http://frecuenciaestadistica.blogspot.mx/2009/04/muestreo.html
https://es.wikipedia.org/wiki/Muestreo_(estad%C3%ADstica)
http://www.ugr.es/~bioestad/_private/Tema_6.pdf
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/
cap01d.html#u01calculoestimarproporcion
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/
cap01.html#distribucionesmuestrales
https://support.minitab.com/es-mx/minitab/18/help-and-how-
to/statistics/basic-statistics/supporting-topics/basics/what-is-a-test-
statistic/
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/
Capitulo8/B0C8m1t8.htm
https://riuma.uma.es/xmlui/bitstream/handle/10630/10390/8%20PI
E-%20MODELOS%20PROBABILIDAD%20VAC.pdf?sequence=1
48