UNIVERSIDAD TECNOLOGICA DE PANAMÁ

FACULTAD DE INGENIERIA INDUSCTRIAL

LIC. EN INGENIERIA INDUSTRIAL

NOMBRE: ANA VALERIA VEGA

CEDULA: 8-938-2127

TEMA: CUESTIONARIOS 1,2,3

PROFESORA: TERESA DE HANIS

GRUPO: 1II-134

FECHA: 16 DE SEPTIEMBRE DE 2019

 Universidad Tecnológica de Panamá
Facultad de Ingeniería industrial
Departamento de Ciencias e Ingeniería de Materiales

Carrera de:
Licenciatura en Ingeniería Industrial

Grupo:
1II134

Asignatura de:
Estadística II

Profesora:
Teresa de Hanis

ASIGNACION

“Cuestionarios 1,2,3”

Realizado por:

Vega, Ana Valeria Cedula: 8-938-2127

CUESTIONARIO 1

1. Que es la estadística inferencial

R// la estadística inferencia estudia cómo sacar conclusiones generales para
toda la población a partir del estudio de una muestra, y el grado de fiabilidad o
significación de los resultados obtenidos. La inferencia estadística emplea
conceptos de la probabilidad.
2. Que es el Muestreo de la media muestral
R// el muestreo de la media muestral es una técnica empleada para la selección
de la media de los valores de una muestra.
3. Que es el Muestreo de la varianza muestral
R// Es la extracción de todas las muestras posibles de una población normal. A
cada muestra se le calcula su varianza.
Que es un parámetro...ejemplos y simbología
Los parámetros estadísticos sirven para sintetizar la información dada por una
tabla o por una gráfica. Los hay de dos tipos: de centralización y de dispersión.
Los parámetros de centralización nos indican en torno a qué valor (centro) se
distribuyen los datos. Los parámetros de dispersión nos informan sobre cuánto
se alejan del centro los valores de la distribución.
Medidas de centralización
■ Media Si llamamos x1, x2, …, xn a los valores que toma una distribución
estadística, la media, o promedio, se designa por 𝑋̅ y se calcula así:

Abreviadamente,

■ Mediana Si ordenamos los datos de menor a mayor, la mediana, Me, es el

valor que está en medio; es decir, tiene tantos individuos por debajo como por
encima. Si el número de datos fuera par, a la mediana se le asigna el valor medio
de los dos términos centrales.
■ Moda La moda, Mo, es el valor con mayor frecuencia. Los parámetros media,
mediana y moda se llaman medidas de centralización, porque alrededor de ellos
se distribuyen los valores de la distribución.

Medidas de dispersión Vamos a estudiar ahora parámetros que sirven para

medir cómo de dispersos están los datos. En todos ellos, la idea clave es medir
el grado de separación de los datos a la media.
■ Recorrido o rango Es la diferencia entre el dato mayor y el menor. Es decir,
es la longitud del tramo dentro del cual están los datos.

■ Desviación media Es el promedio de las distancias de los datos a la media:

 ■ Varianza Es el promedio de los cuadrados de las distancias de los datos a la
media:

Esta fórmula es equivalente a la siguiente:

■ Desviación típica, Es la raíz cuadrada de la varianza: σ = √varianza A partir

de ahora prestaremos especial atención a los parámetros media (𝑋̅ ) y
desviación típica (σ). La información que da cada uno de ellos complementa a la
del otro
4. Que es un estadístico...ejemplos y simbología
R// un estadístico es un elemento que describe una muestra y sirve como una
estimación del parámetro de la población correspondiente. Además, se puede
decir que es cualquier función de las variables aleatorias que forman una
muestra aleatoria.
Algunos ejemplos de estadísticos son:
 La media muestral
𝑛
1
𝑋̅ = ∑ 𝑋𝑖
𝑛
𝑖=1
 Mediana muestral
𝑥(𝑛+1)/2 𝑠𝑖 𝑛 𝑒𝑠 𝑖𝑚𝑝𝑎𝑟
𝑥̅ = { 1
(𝑥𝑛 + 𝑥𝑛+1 𝑠𝑖 𝑛 𝑒𝑠 𝑝𝑎𝑟
2 2 2
 La moda muestral( 𝑀𝑜 ): es el valor que ocurre con mayor frecuencia en la
muestra.
 Varianza muestral
2
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆 =
𝑛−1

 Desviación estándar muestral

∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆=√
𝑛

 Rango muestral
𝑅 = 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛
5. Que es una población
// Población es la recolección de un conjunto, elementos, artículos o
sujetos que gozan de características comunes con el fin de estudiarlos
y de esta forma se sacar conclusiones específicas para determinar sus
resultados
6. Que es una muestra
 R// Muestra es una cantidad determinada de una sustancia o un fragmento de
un objeto que se utiliza para investigar o exponer la naturaleza y las propiedades
de la sustancia o el objeto del que esa muestra proviene
7. Que es una variable
R// Una variable es cada una de las características o cualidades que poseen los
objetos o los individuos que queremos estudiar.
8. Como se clasifican las variables en el contexto de la estadística
R// Las variables se pueden clasificar en:
 Variables cualitativas: son aquellas que no se pueden medir
numéricamente ejemplo: nacionalidad, color de la piel, sexo, etc.

A su vez, las variables cualitativas pueden ser:

Nominales: son datos que corresponden a categorías que por su

naturaleza no admiten un orden. Por ejemplo: sexo (masculino y
femenino); carrera de estudio: economía, contabilidad, administración,
etc.

Ordinales: son aquellos que corresponden a evaluaciones subjetivas

que se pueden ordenar o jerarquizar. Por ejemplo: en una competencia
artística las posiciones de los ganadores se ordenan o jerarquizan en
primer lugar, segundo lugar, tercer lugar, cuarto lugar, etc.

 Variables cuantitativas: son aquellas que tienen valor numérico como la

edad, el precio de un producto, ingresos anuales de un consumidor, etc.

A su vez, las variables cuantitativas pueden ser:

Discretas: estas son aquellas que sólo pueden tomar valores enteros
como 1, 2, 8, -4, etc. En este sentido, los hermano en una familia podrán
ser: 1, 2, 3..., etc. Sin embargo, nunca podrán ser 1.5 o 2.3.

Continuas: son aquellas que pueden tomar cualquier valor real dentro
de un intervalo o rango. Por ejemplo, los litros de leche ordeñados podrán
ser 1.5 o 10.3 etc.
9. Que es una muestra representativa de la población
R// una muestra representativa de la población consiste en determinar a través
de parámetros científicos cual es la parte precisa de una población
que debe escogerse para su estudio, teniendo como finalidad el poder inferir, en
base a los comportamientos o rasgos de dicho grupo, las tendencias generales
del total de esa población.
Este tipo de técnica se emplea cuando el estadista se topa con la imposibilidad
de realizare un censo que abarque a todos y cada uno de los miembros de la
sociedad.
10. Como se obtiene una muestra representativa de la población
 R// Existen varios tipos o formas de seleccionar una muestra representativa de
una población, aunque básicamente, la Estadística concibe dos clases de
muestreo: los de tipo probabilístico y los que no lo son.
 Muestreos de tipo Probabilístico: este tipo de muestreos se caracteriza por
basarse en la probabilidad que tienen todos los miembros de una
población de resultar elegidos como parte del muestreo que se quiere
realizar, es decir, que responde a un factor de equis probabilidad. Entre
los distintos tipos de muestreos probabilísticos que se conocen en la
Estadística se encuentran los de Muestreo Aleatorio Simple (cuando la
muestra se toma al azar); Muestreo Aleatorio Sistemático; Muestreo
Aleatorio Estratificado; Muestreo Aleatorio por Conglomerados.
 Muestreos de tipo No Probabilísticos: por su parte los muestreos de tipo no
probabilísticos se basan en estudios donde la muestre escogida no es
representativa, puesto que no se da bajo el término de las probabilidades
que tienen todos los sujetos de ser elegidos, sino que por el contrario se
establecen criterios claros para escoger a los sujetos a los cuales se le
realizará un estudio. De esta forma se delimita un espacio, un personal,
un horario y la asistencia de las personas a estudiar, a las cuales por lo
general se les reconoce su tiempo con un incentivo, el cual incluso resulta
mucho más económico de lo que puede representar un muestreo de tipo
probabilístico para una compañía pequeña. Entre los tipos de estudios
que pueden abarcar esta clase de muestreo se distinguen los siguientes:
Muestreo por Cuotas; Muestreo intencional o de Conveniencia; Bola de
Nieve; así como el Muestreo Discrecional.

11. Cuáles son las dos grandes áreas de la inferencia estadística

R// la inferencia estadística se puede dividir en dos áreas principales: estimación
y pruebas hipótesis.
12. Que es una distribución de probabilidad y como se clasifican
R// distribución de probabilidad es una representación de todas las
probabilidades de una variable aleatoria X usando una fórmula, la cual
necesariamente sería una función de los valores numéricos x que denotaremos
con f(x), g(x) y r(x) y así sucesivamente. Es decir, al conjunto de pares ordenados
(x, f(x)) se le llama distribución de probabilidad de la variable aleatoria discreta
X.
El conjunto de pares ordenados (x, f(x)) es una función de probabilidad de la
variable discreta X si, para cada resultado x posible,
1. F(x) ≥
2. ∑𝑥 𝑓(𝑥) = 1
3. 𝑃(𝑋 = 𝑥) = 𝑓(𝑥)
Clasificación de probabilidad
 Probabilidad clásica
 Probabilidad objetiva
 Probabilidad subjetiva
13. Que es el valor esperado
Es el promedio de una serie de eventos (valores de una variable aleatoria),
considerando la probabilidad de cada una de ellas.
14. Como se calcula el valor esperado para una variable aleatoria discreta
R// Si X una variable aleatoria con distribución de probabilidad f(x). el valor
esperado de la variable aleatoria g(x) es:

µ𝑔(𝑥) = 𝐸[𝑔(𝑥)] = ∑ 𝑔(𝑥)𝑓(𝑥)

𝑥

15. Como se calcula el valor esperado para una variable aleatoria continua
R// Si X una variable aleatoria con distribución de probabilidad f(x). el valor
esperado de la variable aleatoria g(x) es:
∞
µ𝑔(𝑥) = 𝐸[𝑔(𝑥)] = ∫ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥
−∞

16. Que es la varianza/que es la desviación estándar

R// la varianza es una medida de dispersión que refleja, da valor a las
variaciones, a las desviaciones, asume y contabiliza lo que de alguna manera
pudiera definirse como un posible margen de errores. Da el resultado en
unidades cuadradas.

La desviación estándar (σ) mide cuánto se separan los datos. Da el resultado es

unidades absolutas.
17. Como se calculan la varianza y desviación estándar para una variable aleatoria
discreta/para una variable aleatoria continua (presente las fórmulas en forma de
cuadro utilizando editor de ecuaciones)
R// sea X una variable aleatoria con distribución de probabilidad f(x) y media µ.
La varianza de X es:
Varianza para una variable aleatoria
discreta 𝜎 2 = 𝐸[(𝑋 − µ)2 ] = ∑(𝑋 − µ)2 𝑓(𝑥)
𝑥
∞
Varianza para una variable aleatoria
continua 𝜎 2 = 𝐸[(𝑋 − µ)2 ] = ∫ (𝑋 − µ)2 𝑓(𝑥)𝑑𝑥
−∞
Desviación estándar 𝜎= √𝜎 2
CUESTIONARIO 2 (Capitulo 8 y 9/walpole&Myers)
1. ¿Que es una población? /Que es una muestra?
R//Población o universo: representa la totalidad de artículos o casos que se
toman en consideración al momento de realizar la investigación.
Muestra: representa solo una parte de esa población, seleccionándose así, para
llevar a cabo el estudio.
2. ¿Qué es un estadístico?
R//Un estadístico es una medida de resumen que se calcula para describir una
característica proveniente solo de una muestra de la población. Cualquier
función de las variables aleatorias que forman una muestra aleatoria se llama
estadístico.
3. ¿Como se calcula la media de una muestra aleatoria de tamaño n?
R//Para calcular la media de una muestra aleatoria se debe tener presente si los
datos que serán tratados se encuentran en forma individual o si se han
agrupados en una tabla de distribución de frecuencias.
Datos individuales o no agrupados
∑𝑛 𝑋
𝑋̅ = 𝑖=1 𝑖
𝑛
𝑋𝑖 : 𝑒𝑠 𝑒𝑙 𝑎𝑣𝑙𝑜𝑟 𝑞𝑢𝑒 𝑡𝑜𝑚𝑎 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎
𝑛: 𝑒𝑠 𝑒𝑙 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎

Datos agrupados
∑𝑘𝑖=1 𝑋𝑖 𝑓𝑖
𝑋̅ =
∑𝑘𝑖=1 𝑓𝑖
𝑘: 𝑒𝑠 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜𝑠
𝑓𝑖 : 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑠𝑖𝑚𝑝𝑙𝑒 𝑎𝑠𝑖𝑔𝑛𝑎𝑑𝑎 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜
𝑋𝑖 : 𝑒𝑠 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑝𝑢𝑛𝑡𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜

4. ¿Que indica la variabilidad de una muestra?

R//La variabilidad en la muestra refleja cómo se dispersan las observaciones a
partir del promedio
La variabilidad de una muestra indica claramente la naturaleza de la muestra
cuando una medida de localización p tendencia central no da por si misma dicha
indicación. Permite comprar la dispersiones de diferentes muestras, proporciona
información adicional que nos permite juzgar la confiabilidad de nuestra medida
de tendencia central.
5. ¿Como se calcula la variabilidad de una muestra de tamaño n en unidades
cuadradas?
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆2 =
𝑛−1
𝑋𝑖 : 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑞𝑢𝑒 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑒𝑛 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑋̅: 𝑙𝑎 𝑚𝑒𝑑𝑖𝑑𝑎 𝑎𝑟𝑖𝑡𝑚é𝑡𝑖𝑐𝑎 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑛: 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑜 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑆 2 : 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
6. ¿Como se calcula la variabilidad de una muestra de tamaño n, en unidades
absolutas?
 ∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆=√
𝑛
7. Que es la distribución z
R//La distribución z es la distribución de probabilidad continua más importante
en todo el campo de la estadística. Esta es una distribución con forma de
campana donde las desviaciones estándar sucesivas con respecto a la media
establecen valores de referencia para estimar porcentajes de observaciones de
los datos. La importancia de esa distribución radica en que permite modelar
numerosos fenómenos naturales, sociales u psicológicos.
8. Como se puede verificar gráficamente el supuesto de normalidad
R// el supuesto de normalidad se puede verificar: se compara los cuantiles de la
distribución observada con los cuantiles teóricos de una distribución normal con
la misma media y desviación estándar de los datos. Cabe mencionar, que cuanto
mas se aproximen los datos a una normal , más alineados están los puntos
entorno a la recta.
9. Como se llama la distribución muestral de un estadístico
R//La distribución normal de un estadístico se llama “la distribución de
probabilidad de X ”.
10. Cuál es la distribución muestral de X
R//La distribución muestral de X con tamaño muestral n es la distribución que
resulta cuando un experimento se lleva a cabo una y otra vez (siempre con una
muestra de tamaño n) y resultan los diversos valores de X . Por lo tanto, esta
distribución muestral describe la variabilidad de los promedios muestrales
alrededor de la media de la población.
11. Explique el teorema del límite central
R//La teoría del límite central asegura que independientemente de la forma de la
distribución de los valores individuales que componen a una población, la
distribución de los valores promedios de las muestras tomadas de esa misma
población tendrá a poseer las características de una distribución normal. Cabe
indicar, que esta tendencia se hará más efectiva en la medida que aumente el
tamaño de la muestra.
Si 𝑋̅ es la media de una muestra aleatoria de tamaño n, tomada de una población
con media μ y varianza finita σ˄2, entonces la forma límite de la distribución de:
𝑋̅ − µ
𝑍=
𝜎/√𝑛

a medida que n → ∞, es la distribución normal estándar n(z; 0, 1).

12. Que es la distribución de muestreo de la media

R//La primera distribución muestral importante a considerar es la de la media 𝑋̅.
Suponga que de una población normal con media μ y varianza σ 2 se toma una
muestra aleatoria de n observaciones. Cada observación 𝑋𝑖 , i = 1, 2, ..., n, de la
muestra aleatoria tendrá entonces la misma distribución normal que la población
de donde se tomó.
13. Que es la distribución t y para que se utiliza
 R//La distribución de t es un estadístico natural a considerar para tratar con las
inferencias sobre μ en escenarios experimentales donde el conocimiento de σ
no es ciertamente más razonable que el conocimiento de la media de la
población μ. A menudo, de hecho, una estimación de σ debe ser proporcionada
por la misma información muestral que produce el promedio muestral 𝑋̅.
𝑋−µ
𝑇=
𝑆
√𝑛
La distribución t se usa ampliamente en problemas relacionados con inferencias
acerca de la media de la población o en problemas que implican muestras
comparativas (es decir, en casos donde se trata de determinar si las medias de dos
muestras son muy diferentes).
14. A que se parece la distribución t
R//La distribución de T se parece a la distribución de Z en que ambas son
simétricas alrededor de una media de cero. Ambas distribuciones tienen forma
de campana, pero la distribución t es más variable debido al hecho de que los
valores T dependen de las fluctuaciones de dos cantidades, 𝑋̅ y 𝑆 2 ; mientras que
los valores Z dependen sólo de los cambios en X ˉ de una muestra a otra. La
distribución de T difiere de la de Z en que la varianza de T depende del tamaño
de la muestra n y siempre es mayor que 1. Sólo cuando el tamaño de la muestra
n → ∞ las dos distribuciones serán iguales
15. Que es estimación por intervalo
R//Una estimación por intervalo de un parámetro de la población θ es un intervalo
de la forma 𝜃̂𝐿 < 𝜃 < 𝜃̂𝑈 , donde 𝜃̂𝐿 𝑦 𝜃̂𝑈 dependen del valor del estadístico Θ
para una muestra específi ca, y también de la distribución de muestreo de Θ
Hay muchas situaciones en que es preferible determinar un intervalo dentro del
cual esperaríamos encontrar el valor del parámetro.
16. Que es el nivel de confianza
R// El nivel de confianza es la probabilidad de que el parámetro a estimar se
encuentra en el intervalo de confianza 𝜃̂𝐿 < 𝜃 < 𝜃̂𝑈 el cual se calcula a partir de
la muestra seleccionada del 100(1 – α)%, la fracción 1 – α se denomina
coeficiente de confianza o grado de confianza, y los extremos, 𝜃̂𝐿 𝑦 𝜃̂𝑈 , se
denominan límites de confianza inferior y superior. Así, cuando α = 0.05,
tenemos un intervalo de confianza del 95%, y cuando α = 0.01 obtenemos un
intervalo de confianza más amplio del 99%. Cuanto más amplio sea el intervalo
de confianza, más confiaremos en que contiene el parámetro desconocido.
17. Cuál es la interpretación de la estimación por intervalo
R// Como muestras distintas suelen producir valores diferentes de un estadístico
o estimador (Θ ̂ ) y, por lo tanto, valores diferentes de límites superiores e
inferiores para el parámetro (θ̂𝑈 , θ̂𝐿 ), estos puntos extremos del intervalo son
valores de las variables aleatorias correspondientes límite superior e inferior del
estadístico(Θ ̂𝐿 , Θ
̂ 𝑈 ). De la distribución muestral del estimador o estadístico (Θ
̂)
seremos capaces de determinar los límites superiores e inferiores del estadístico
̂𝐿 , Θ
(Θ ̂ 𝑈 ) de manera que la probabilidad de que el parámetro se encuentre entre
los límites superiores e inferiores del estadístico sea igual a cualquier valor
 positivo de una fracción que queramos especificar. Sí por ejemplo calculamos
̂𝐿 𝑦 Θ
Θ ̂ 𝑈 , tales que
̂𝐿 < θ < Θ
𝑃(Θ ̂𝑈) = 1 − 𝛼

θ̂𝐿 < θ < θ̂𝑈 : INTERVARLO DE CONFIANZA DEL 𝟏𝟎𝟎(𝟏 − 𝜶)%

1 − 𝛼: COEFICIENTE O GRADO DE CONFIANZA (𝟎 < 𝜶 < 𝟏)

θ̂𝐿 : LÍMITE DE CONFIANZA INFERIOR

θ̂𝑈 : LÍMITE DE CONFIANZA SUPERIOR

Se tiene la probabilidad de 1 − 𝛼 de seleccionar una muestra aleatoria que produzca
un intervalo que contenga 𝜃.

Elabore un cuadro resumen de las fórmulas que se utilizan para estimar la media
de una población por intervalos de confianza, para los siguientes casos
a. Cuando se conoce la varianza de la población/muestra grande
b. Cuando no se conoce la varianza de la población/muestra grande
c. Cuando se conoce la varianza de la población/muestra pequeña
d. Cuando no se conoce la varianza de la población/muestra pequeña
Varianza de la población conocida µ(1−𝛼) = 𝑋̅ ± 𝑧𝛼/2 𝜎𝑋̅
Muestra grande
Varianza de la población µ 𝜎 𝜎
(1−𝛼) = 𝑥̅ − 𝑧𝛼 < µ < 𝑥̅ + 𝑧𝛼
desconocida Muestra grande 2 √𝑛 2 √𝑛
Varianza de la población conocida µ(1−𝛼) = 𝑋̅ ± 𝑧𝛼/2 𝜎𝑋̅
Muestra pequeña
Varianza de la población µ 𝜎 𝜎
(1−𝛼) = 𝑥̅ − 𝑧𝛼 < µ < 𝑥̅ + 𝑧𝛼
desconocida Muestra pequeña 2 √𝑛 2 √𝑛

18. Como se puede calcular el tamaño de la muestra cuando se conoce la

desviación estándar de la población
R//Para la población infinita
𝑧 2 𝑎2
𝑛= 2
𝑒
Para la población finita
𝑁𝑧 2 𝜎 2
𝑛=
(𝑁 − 1)𝑒 2 + 𝑧 2 𝜎 2
Donde:
σ = desviación estándar
e = error de muestra aceptable
z= intervalo de confianza
N = tamaño de población
19. Como se puede calcular el tamaño de la muestra cuando no se conoce la
desviación estándar de la población
R// Para la población infinita
𝑧 2 𝑝𝑞
𝑛= 2
𝑒
Para población finita

𝑁𝑧 2 𝑝𝑞
𝑛=
(𝑁 − 1)𝑒 2 + 𝑧 2 𝑝𝑞
P= probabilidad que ocurra el evento estudiado
Q= (1-p) = probabilidad de que no ocurra el evento estudiado
E= error de muestra aceptable
Z= intervalo de confianza
N= tamaño de población

20. Como se interpreta el intervalo de confianza para una sola muestra

R//Para el caso de un solo parámetro el intervalo de confianza simplemente
produce límites de error del parámetro. Los valores contenidos en el intervalo se
deberían ver como valores razonables, dados los datos experimentales.
La distribución muestral de X está centrada en µ y en la mayoría de las
aplicaciones la varianza es mas pequeña que la de cualesquiera otros
estimadores de µ. Por lo tanto, se utilizará la media muestral x como una
estimación puntual para la media de la población µ
CUESTIONARIO 3 (Capitulo 9/Walpole & Myers)
1. Como se calcula el IC de la diferencia de medias ( 1   2 ) para dos medias
de muestras aleatorias independientes de tamaño n1 y n2 de poblaciones con
varianzas conocidas (  12 y  22 ) respectivamente
R// Si 𝑋̅1 𝑦 𝑋̅2 son las medias de una muestra aleatorias independientes con
tamaños 𝑛1 𝑦 𝑛2 de población que tienen varianzas conocidas  12 y  22 ,
respectivamente, un intervalo de confianza del 100(1-α)% para ( 1   2 )
es dado por

 12  22 √ 1
2
 22
(𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼/2 √ + < 1   2 < 𝑧𝛼/2 +
𝑛1 𝑛2 𝑛1 𝑛2
Donde 𝑧𝑎/2 es el valor z que deja un área de α/2 a la derecha.

2. Como se calcula el IC de la diferencia de medias ( 1   2 ) para dos medias

de muestras aleatorias independientes de tamaño n1 y n2 de poblaciones con
varianzas desconocidas (  12 y  22 ) respectivamente, pero que se
consideran aproximadamente iguales
R// Si 𝑋̅1 𝑦 𝑋̅2 son las medias de una muestra aleatorias independientes con
tamaños 𝑛1 𝑦 𝑛2 , respectivamente, tomadas de población más o menos
normales con varianzas iguales pero desconocidas, un intervalo de confianza
del 100(1-α)% para ( 1   2 ) es dado por
1 1 1 1
(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼/2 𝑠𝑝 √ + < 1   2 < (𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼/2 𝑠𝑝 √ +
𝑛 𝑛1 2 𝑛 𝑛 1 2
Donde 𝑠𝑝 es la estimación agrupada de la desviación estándar de la
población y 𝑡𝑎/2 es el valor de t con v= 𝑛1 + 𝑛2 -2 agrupados de libertad, que
deja un área de α/2 a la derecha
3. Como se interpreta el intervalo de confianza para dos muestras
R// Para el caso de un solo parámetro el intervalo de confianza simplemente
produce límites de error del parámetro. Los valores contenidos en el intervalo
se deberían ver como valores razonables, dados los datos experimentales.
En el caso de una diferencia entre dos medias, la interpretación se puede
extender a una comparación de las dos medias. Para el caso de un solo
parámetro el intervalo de confianza simplemente produce límites de error del
parámetro. Los valores contenidos en el intervalo se deberían ver como
valores razonables, dados los datos experimentales. En el caso de una
diferencia entre dos medias, la interpretación se puede extender a una
comparación de las dos medias.
4. Como se calcula el IC de la diferencia de medias ( 1   2 ) para dos medias
de muestras aleatorias independientes de tamaño pequeño n 1 y n2 de
poblaciones con varianzas desconocidas y diferentes (  12 y  22 )
respectivamente
R// Si 𝑋̅1 𝑦 𝑠12 𝑦 𝑋̅2 𝑦 𝑠22 son las medias y varianzas de muestras aleatorias
independientes de tamaños 𝑛1 𝑦 𝑛2 , respectivamente, tomadas de
 poblaciones aproximadamente normales con varianza desconocidas y
diferentes, un intervalo de confianza aproximado de 100( 1-α) % para 1   2
es dado por
𝑠 2𝑠 2 2
𝑠 𝑠2
(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼/2 √ 1 + 2 < 1   2 < (𝑋̅1 − 𝑋̅2 ) + 𝑡𝛼/2 √ 1 + 2
𝑛 1𝑛 2 𝑛
1 𝑛2
Donde 𝑡𝛼/2 es el valor de t con
𝑠2 𝑠2
(𝑛1 + 𝑛2 )2
1 2
𝑣= 2 2
𝑠2 𝑠2
[(𝑛1 ) /(𝑛1 − 1)] + [(𝑛2 ) /(𝑛2 − 1)]
1 2
Grados de libertad, que deja un área de α a la derecha.
5. Porque es importante que los tamaños de muestra sean iguales cuando se
construye un intervalo de confianza
R// las desviaciones ligeras de la suposición de varianzas iguales o de
normalidad no alteran seriamente el grado de confianza del intervalo. Es
decir, aun se obtiene resultados razonables cuando las poblaciones son
normales, siempre y cuando 𝑛1 = 𝑛2 .
6. Explique en que consiste un experimento pareado
R//Un experimento pareado consiste en un procedimiento de estimación para
la diferencia de dos medidas cuando las muestras no son independientes y
las varianzas de las dos poblaciones no son necesariamente iguales.
Además, cada unidad experimental homogénea recibe ambas condiciones
de la población; como r3esultado, cada unidad experimental tiene un par de
observaciones, una para cada población.
7. Como se debe hacer el pareo
R//Para realizar un pareo se debe realizar lo siguiente:
 Escala nominal
 Se presenta al encuestado 2 objetos a la vez
 Se pide que se seleccione uno de los dos (de acuerdo a algún criterio)
 El numero de alternativas de ser reducido o limitado. Pares posibles:
n(n-1)/2 si n=5, resultado =10)
 1000 respuestas es una muestra adecuada.
8. Como se calcula el intervalo de confianza Ud para observaciones pareadas
R// Si d y 𝑠𝑑 son la media y desviación estándar, respectivamente, las
diferencias distribuidas normalmente de n pares aleatorias de mediciones, un
intervalo de confianza del 100(1-α) % para µ𝐷 = 1   2 es
𝑆𝑑 𝑆𝑑
𝑑 − 𝑡𝛼/2 < µ𝐷 <d + 𝑡𝛼/2
√𝑛 √𝑛
Donde 𝑡𝛼/2 es el valor de t con v=n-1 grados de libertad, que deja un área de
𝛼/2 a la derecha.
9. Elaborar un cuadro donde haga un resumen de las fórmulas anteriores de
acuerdo a las diferentes situaciones
el IC de la diferencia de medias (
√ 1  22
2
1   2 ) para dos medias de (𝑋̅1 − 𝑋̅2 ) − 𝑧𝛼/2 +
𝑛1 𝑛2
muestras aleatorias independientes
de tamaño n1 y n2 de poblaciones
√ 1  22
2
con varianzas conocidas < 1   2 < 𝑧𝛼/2 +
𝑛1 𝑛2

el IC de la diferencia de medias ( 1 1
(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼/2 𝑠𝑝 √ + <
1   2 ) para dos medias de 𝑛 𝑛 1 2

muestras aleatorias independientes 1   2 < (𝑋̅1 − 𝑋̅2 ) +

de tamaño n1 y n2 de poblaciones 1 1
con varianzas desconocidas 𝑡𝛼/2 𝑠𝑝 √𝑛 + 𝑛
1 2

IC de la diferencia de medias ( 𝑠 𝑠 2 2
(𝑋̅1 − 𝑋̅2 ) − 𝑡𝛼/2 √ 1 + 2 <
1   2 ) para dos medias de 𝑛 𝑛 1 2

muestras aleatorias independientes 1   2 < (𝑋̅1 − 𝑋̅2 ) +

de tamaño pequeño n1 y n2 de 𝑠2 𝑠2
poblaciones con varianzas 𝑡𝛼/2 √𝑛1 + 𝑛2
1 2
desconocidas y diferentes
intervalo de confianza Ud para 𝑆𝑑 𝑆𝑑
𝑑 − 𝑡𝛼/2 < µ𝐷 <d + 𝑡𝛼/2
observaciones pareadas √𝑛 √𝑛