Академический Документы
Профессиональный Документы
Культура Документы
2014 2018
Capacitador y Consultor
Supervisor de Posada y Ganem Consultores
Producto Gobernación de
Terminado Córdoba – Coordinador de
Galipan - Seguridad Asesor de Apropiación y
Barranquilla Alimentaria Investigación Formación del
CUN Conocimiento CUN
Jefe de Analista de
Producción Calidad - Docente Medio Tiempo
Galipan - Codelac Uniremington
Barranquilla
MÓDULO
UNIDAD I. PROBABILIDAD
1.1. Técnicas de Conteo o Análisis Combinatorio.
Ejemplo:
R/ ½ o 0,5 o 50%.
TEMA 1. CONCEPTOS BÁSICOS
Ejemplos:
• El lanzamiento de una moneda para observar el lado que aparece.
• Examinar las unidades producidas por una máquina, a fin de detectar
el número de unidades defectuosas.
• Hacer girar la flecha de una ruleta, para observar en cual número se
detiene con mayor frecuencia.
• Extraer una carta de una baraja de 52 cartas.
• Entrevistar a los alumnos de la universidad acerca de una reciente
medida académica.
TEMA 1. CONCEPTOS BÁSICOS
Experimento Determinístico: Resultado cierto o seguro
Ejemplo: La gravedad, Movimiento de los planetas, las leyes, normas
A = (SSS)
A=1
Por Ejemplo: Al tirar un dado obtener una puntuación que sea menor a 7.
Ejemplos.
1. Al lanzar 3 monedas, defina el espacio Muestral del experimento.
2. En el lanzamiento de 2 dados, defina el espacio Muestral.
Ejemplos.
Solución.
P = 8/36 = 0,222
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
Se denominan Permutaciones de n elementos, los diferentes grupos o
arreglos que se pueden hacer tomándolos todos de una vez. Las
permutaciones implican orden en la colocación de los elementos.
Ejemplo:
Con los números 1, 2, 3 y 4 se van a efectuar permutaciones, tomándolos en su
totalidad. Se pueden obtener las siguientes cifras de cuatro dígitos:
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
La formula para calcular las permutaciones es:
𝑃𝑛 = 𝑛!
Se lee “Permutaciones de n elementos es igual a n factorial”.
𝑃4 = 4! = 4 x 3 x 2 x 1 = 24
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
Las Variaciones, son permutaciones, con la diferencia de que se toma
parte de los elementos.
Ejemplo:
Con los números 1, 2, 3, 4, formar cifras de dos dígitos.
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
La formula para calcular las variaciones es:
𝑛!
𝑉𝑟𝑛 =
𝑛−𝑟 !
Se lee “variación de n elementos tomados de r en r, es igual, a n factorial
dividido por (n-r) factorial”.
4! 4! 4𝑥3𝑥2𝑥1 24
𝑉24 = = = = = 12
4−2 ! 2! 2𝑥1 2
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
En las combinaciones, no se tiene en cuenta el orden de colocación
de los elementos.
Ejemplo:
¿Cuantas combinaciones se logran con las letras A, B, C y D?
Los resultados son: ABCD, BACD, ABDC, DBCA, CBDA, etc. En total se
obtiene una sola combinación, ya que da lo mismo ABCD que DBCA, y
así sucesivamente pues no se tiene en cuenta el orden de los
elementos.
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
La formula para calcular las combinaciones es:
𝑛!
𝐶𝑟𝑛 =
𝑛 − 𝑟 ! 𝑟!
Se lee “Combinación de n elementos tomados de r en r ”.
4! 4! 4𝑥3𝑥2𝑥1 24 24
𝐶24 = = = = = =6
4−2 ! 2! 2! 2! 2 𝑥 1 (2 𝑥 1) 2𝑥2 4
TEMA 3. PERMUTACIONES, VARIACIONES Y
COMBINACIONES
Ejercicios
U = (1, 2, 3, 4, 5, 6)
Existe una forma de Visualizar los elementos del espacio Muestral y es a través
del diagrama de Venn.
Ejemplo:
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
𝑃 𝐴′ = 1 − 𝑃(𝐴)
𝑃 𝐴 + 𝑃 𝐴′ = 1
𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 + … … + 𝑃(𝑛)
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
EJEMPLOS
𝑃 𝐴 𝑜 𝐵 𝑜 𝐶 = 𝑃 𝐴 + 𝑃 𝐵 + 𝑃(𝐶)
4 1 1 6
𝑃 𝐴𝑜𝐵𝑜𝐶 = + + = = 0,1154 = 11,54 %
52 52 52 52
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴𝑦𝐵)
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
𝑃 𝐴 𝑜 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴𝑦𝐵)
4 13 1 16
𝑃 𝐴𝑜𝐵 = + − = = 0,3077 = 30,77 %
52 52 52 52
Los Eventos A y B no
son mutuamente
excluyentes, ya que
tienen algunos
elementos en
común.
EVENTOS COMPATIBLES (Diagrama de Venn)
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
Ejercicio
Regla de la Multiplicación
Se dice que dos eventos o más son independientes entre sí, cuando la ocurrencia de
un evento no está relacionada con la ocurrencia de los otros. Si hay tres eventos
independientes A, B y C, la probabilidad de que ocurra A, B y C se obtiene al
multiplicar las tres probabilidades.
𝑃 𝐴 𝑦 𝐵 𝑦 𝐶 = 𝑃 𝐴 ∗ 𝑃 𝐵 ∗ 𝑃(𝐶)
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
Regla de la Multiplicación
Ejemplo.
Regla de la Multiplicación
Ejercicio
Regla de la Multiplicación
Ejercicio
Regla de la Multiplicación
Se dice que dos eventos o más son dependientes, cuando la ocurrencia de uno,
determina la ocurrencia de los otros en un orden determinado. En caso contrario
los eventos son independientes. Si hay tres eventos independientes A, B y C, la
probabilidad de que ocurra A, B y C se obtiene al multiplicar las tres probabilidades.
𝑃 𝐴 𝑦 𝐵 𝑦 𝐶 = 𝑃 𝐴 ∗ 𝑃 𝐵/𝐴 ∗ 𝑃(𝐶/𝐴𝑦𝐵)
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
Regla de la Multiplicación
Ejemplo:
De una baraja de 52 cartas, se desea extraer tres cartas de forma sucesiva sin
reposición, es decir, la carta que se extrae no se regresa a la baraja; ¿cuál es la
probabilidad de que en la primera extracción aparezca un As, en la segunda
extracción un Q de corazón, y en la tercera un 10 de diamantes?
4 1 1
𝑃 𝐴𝑦𝐵𝑦𝐶 = 52
∗ 51 ∗ 50
4
𝑃 𝐴𝑦𝐵𝑦𝐶 = = 0,00003 = 0,003%
132600
TEMA 4. LEYES O REGLAS DE PROBABILIDAD
Regla de la Multiplicación
Ejercicio:
1. Supongamos que se tiene una caja con 10 monedas de $1.000. y tres de
ellas son falsas. Se va a extraer dos monedas, una después de otra sin
reposición; ¿Cuál es la probabilidad de seleccionar una moneda falsa
seguida por otra también falsa?
“Un diagrama de árbol es una herramienta que se utiliza para determinar todos
los posibles resultados de un experimento aleatorio.
EJEMPLO
Una Universidad está formada por tres facultades:
La Primera con el 50% del total de los estudiantes.
La segunda con el 30% del total de los estudiantes.
La tercera con el 20% del total de los estudiantes.
EJEMPLO
0,2 Mujer
1 Facultad 0,8
Hombre
0,5
0,3 0,65 Mujer
2 Facultad
0,35 Hombre
Una variable es aleatoria cuando los valores que toma están determinados por factores
en los que interviene el azar.
Variables aleatorias discretas, es aquella que puede asumir un número finito de valores
y si los valores que asume se pueden contar.
Entre las distribuciones discretas los modelos más utilizados son: Bernoulli, Binomial,
Multinomial, Hipergeométrico, Poisson.
La variable aleatoria continua es aquella que puede asumir cualquier valor dentro de
un determinado intervalo, es decir, comprende un número infinito de valores posibles.
El modelo más importante y básico es la Distribución Normal.
TEMA 1. DISTRIBUCIÓN BINOMIAL
𝑛 𝑥
𝑃(𝑥) = 𝑝 ∗ 𝑞𝑛−𝑥
𝑥
“P”, probabilidad de éxito de un suceso en un solo ensayo.
q, probabilidad de fracaso.
n, es el tamaño de la muestra.
x, es el número de éxitos.
𝒏 𝑛!
𝒙
, son combinaciones. 𝐶𝑥𝑛 =
𝑛 − 𝑥 ! ∗ 𝑥!
TEMA 1. DISTRIBUCIÓN BINOMIAL
Ejemplo
Hallar la probabilidad de obtener exactamente 3 caras al lanzar 4 monedas,
mediante la distribución binomial.
3 4−3
4 1 1
𝑃(𝑥=3) = ∗ ∗
3 2 2
3 1
4! 1 1
𝑃(𝑥=3) = ∗ ∗
4 − 3 ! ∗ 3! 2 2
Ejemplo
Ampliemos el ejercicio anterior al lanzamiento de 8 monedas, si se quiere
obtener la probabilidad de obtener:
Ejemplo (Solución)
a)
6 8−6
8 1 1
𝑃(𝑥=6) = ∗ ∗
6 2 2
6 2
8! 1 1
𝑃(𝑥=3) = ∗ ∗
8 − 6 ! ∗ 6! 2 2
Ejemplo (Solución)
b)
𝑃(𝑥≤1) = 𝑃0 + 𝑃1
0 8−0 1 8−1
8 1 1 8 1 1
𝑃(𝑥≤1) = ∗ ∗ + ∗ ∗
0 2 2 1 2 2
Ejemplo (Solución)
c)
𝑃(𝑥≤5) = 𝑃0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 + 𝑃5
𝑃(𝑥≤5) = 1 − (𝑃6 + 𝑃7 + 𝑃8 )
8 1 0 1 8−0 8 1 1 1 8−1
𝑃(𝑥≤5) = 0
∗ 2
∗ 2 + 1
∗ 2
∗ 2 +…..
Ejemplo (Solución)
d)
𝑃(𝑥≥3) = 𝑃3 + 𝑃4 + 𝑃5 + 𝑃6 + 𝑃7 + 𝑃8
𝑃(𝑥≥3) = 1 − (𝑃0 + 𝑃1 + 𝑃2 )
8 1 0 1 8−0 8 1 1 1 8−1
𝑃(𝑥≥3) = 1 − 0
∗ 2
∗ 2 + 1
∗ 2
∗ 2 +…..
Ejemplo (Solución)
e)
5 8−5
8 1 1
𝑃(𝑥=5) = ∗ ∗
5 2 2
5 3
8! 1 1
𝑃(𝑥=3) = ∗ ∗
8 − 5 ! ∗ 5! 2 2
Ejemplo (Solución)
f)
𝑃(3≥𝑥≥7) = 𝑃0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃7 + 𝑃8
𝑃(𝑥≥3) = 1 − (𝑃4 + 𝑃5 + 𝑃6 )
8 1 4 1 8−4 8 1 5 1 8−5
𝑃(𝑥≥3) = 1 − 4
∗ 2
∗ 2 + 5
∗ 2
∗ 2 +…..
𝜇 =𝑛∗𝑝 𝜎 = 𝑛∗𝑝∗𝑞
TEMA 2. DISTRIBUCIÓN NORMAL
Para hallar el área bajo la curva, se utiliza la variante estadística “Z”, la cual
calculamos mediante la siguiente fórmula:
𝑋−𝜇
𝑍=
𝜎
TEMA 2. DISTRIBUCIÓN NORMAL
TEMA 2. DISTRIBUCIÓN NORMAL
Ejemplo:
Un test de inteligencia, que está normalizado tiene una media de 100 y una
desviación típica de 15.
a) ¿Entre que par de valores se presenta el 68,26%?
b) ¿Entre que par de valores se presenta el 95,44%?
c) ¿Entre que par de valores se presenta el 99,74%?
Solución:
a) 100-15 =85
100+15 = 115
El 68,26% de la población a la que se le aplique el test se le puntuará entre
85 y 115.
b) 100 – (2*15) = 70
100 + (2*15) = 130
El 95,44% de la población a la que se le aplique el test se le puntuará entre 70 y 130.
TEMA 2. DISTRIBUCIÓN NORMAL
Ejemplo:
Un test de inteligencia, que está normalizado tiene una media de 100 y una
desviación típica de 15.
a) ¿Qué porcentaje de la población tendrá un coeficiente intelectual entre
100 y 120?
120 − 100
𝑍= = 1,33
15
Ejemplo:
Un test de inteligencia, que está normalizado tiene una media de 100 y una
desviación típica de 15.
b) ¿Qué porcentaje de la población tendrá un coeficiente intelectual mayor
que 120?
120 − 100
𝑍= = 1,33
15
Ejemplo:
Un test de inteligencia, que está normalizado tiene una media de 100 y una
desviación típica de 15.
c) ¿Qué porcentaje de la población tendrá un coeficiente intelectual menor
que 120?
120 − 100
𝑍= = 1,33
15
Ejemplo:
Un test de inteligencia, que está normalizado tiene una media de 100 y una
desviación típica de 15.
d) ¿Qué porcentaje de la población tendrá un coeficiente intelectual entre
80 y 100?
80 − 100
𝑍= = −1,33
15
Ejemplo:
Si consideramos el ejemplo anterior de lanzar 4 monedas, la probabilidad de
obtener exactamente dos caras, sería:
2,5 − 2 1,5 − 2
𝑍= = 0,5 𝑍= = −0,5
1 1
TEMA 2. DISTRIBUCIÓN NORMAL
Ejemplo:
Para Z=0,5 el área será igual a 0,1915; por ser simétrico para Z=-0,5 se
tendrá el mismo valor de 0,1915, el área total de la región sombreada será
igual a la suma: 0,1915 + 0,1915 = 0,3830 = 38,3%.
Solución:
La probabilidad de que salga dos es un éxito por tanto X=1
1 1−1 1
1 1 𝑃𝑥=1 = ∗1
𝑃𝑥=1 = ∗ 1− 6
6 6
1
𝑃𝑥=1 = = 0,167 = 16,7%
6
0
1 1
𝑃𝑥=1 = ∗ 1−
6 6
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN DE POISSON
Es una distribución de probabilidad discreta que, a partir de una frecuencia de
ocurrencia media, expresa la probabilidad de que ocurra un determinado número de
eventos durante cierto periodo de tiempo.
𝑒 −𝜆 ∗ 𝜆𝑘
Está dada por la ecuación: 𝑃 𝑘, 𝜆 =
𝑘!
Donde:
K, es el número de ocurrencias del evento.
𝜆 , es un parámetro positivo (representa el número de veces que se espera ocurra el
fenómeno durante el intervalo de tiempo determinado.)
Por ejemplo si un suceso tiene lugar en promedio cada 2 segundos y se está
interesado de que ocurra k veces durante 15 segundos:
𝜆=15*2=30
e, es la base de logaritmo naturales e=2,71828……
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN DE POISSON
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN DE POISSON
Ejemplo:
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación
defectuosa. Obtener la probabilidad de que 5 de 400 libros encuadernados en este
taller tengan encuadernaciones defectuosas.
K = 5;
𝜆 = 2% * 400 = 8
𝑒 −8 ∗ 85
𝑃(5,8) = = 0,0916 = 9,16%
5!
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN EXPONENCIAL
Esta distribución describe procesos en los que:
✓ Nos interesa saber el tiempo hasta que ocurre determinado evento,
sabiendo que:
✓ El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que
t
ello ocurra en un instante f, no depende del tiempo transcurrido
anteriormente en el que no ha pasado nada.
𝑃(𝑥) = 𝜆𝑒 −𝜆𝑥
Si, 0 < x.
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN EXPONENCIAL
Se dice que sigue una distribución exponencial cuando integramos la
función de densidad. Un calculo inmediato nos dice que si X > 0, tenemos:
𝑥
𝑥
න 𝜆𝑒 −𝜆𝑡 = −𝜆𝑡
−𝑒 ൧0 = 1 − 𝑒 −𝜆𝑡
0
1 − 𝑒 −𝜆𝑡 𝑠𝑖 0 < 𝑥
𝑃𝑥 = ቊ
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN EXPONENCIAL
Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos
sigue una distribución exponencial con media de 16 años. ¿Cuál es la
probabilidad de que a una persona a la que se le ha implantado este
marcapasos se le deba reimplantar otro antes de 20 años?
DISTRIBUCIÓN EXPONENCIAL
Ejemplo:
Solución.
20 1
−16∗20
𝑃(𝑡≤20) = න 𝑃 𝑡 𝑑𝑡 = 𝑃(20) = 1 − 𝑒
0
20
−16
𝑃(𝑡≤20) = 1 −𝑒 = 0,7135 = 71,35%
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN EXPONENCIAL
Ejemplo:
Solución. En el segundo caso tenemos:
25
𝑃(5≤𝑡≤25) = න 𝑃 𝑡 𝑑𝑡 = 𝑃 25 − 𝑃 5
5
1 1
− ∗25 − ∗5
=1− 𝑒 16 −1 + 𝑒 16 = 0,522
+∞
𝑃(𝑡≥5) = න 𝑃 𝑡 𝑑𝑡 = 𝑃 +∞ − 𝑃 5
5
1
− ∗5
=1−1+𝑒 16 = 0,7316
TEMA 3. OTRAS DISTRIBUCIONES
DISTRIBUCIÓN EXPONENCIAL
Ejemplo:
Solución. En el segundo caso tenemos:
𝑃(5≤𝑡≤25) 0,522
𝑃(𝑡≤25ȁ𝑡≥5) = = = 0,7135 = 71,35%
𝑃(𝑡≥5) 0,7316
TEMA 3. OTRAS DISTRIBUCIONES
Otras Distribuciones
Distribución Beta.
Distribución de Cauchy.
Distribución F (Fisher).
Distribución Gamma.
Distribución Geométrica.
Distribución Hipergeométrica.
Distribución de Laplace.
Distribución Logística.
Distribución Loglogística.
Distribución Triangular.
Distribución Uniforme.
Distribución de Weibull.
Distribución Ji Cuadrado (Unidad I)
UNIDAD III. INTRODUCCIÓN A LA
INFERENCIA ESTADÍSTICA
TEMA 1. MUESTREO
TEMA 1. MUESTREO
VENTAJAS
✓ Menos costoso
✓ Menos manejo del producto, se reducen daños.
✓ Puede aplicarse cuando las muestras son destructivas.
✓ Menos personal implicado en la inspección
DESVENTAJAS
✓ Se pueden aceptar lotes malos y rechazar lotes buenos.
TEMA 1. MUESTREO
2 2 2 2
σ 𝑋𝑖 − 𝑁𝜇 σ 𝑋𝑖 𝑓𝑎𝑖 − 𝑁𝜇
𝜎2 = 𝑆2 = 𝜎2 = 𝑆2 =
𝑁−1 𝑁−1
Datos Agrupados
Datos Sin Agrupar
𝜎𝑝2 = 𝑆𝑝2 = 𝑃𝑄
Atributos
TEMA 1. MUESTREO
d) Tamaño Poblacional:
En muchos casos, la población puede ser conocida y se le considerará
como una población finita, en caso contrario, la población será definida
como infinita.
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población infinita
En la cual el investigador no conoce el número exacto de la población a
estudiar, y este número seguramente se modificará en el tiempo de
estudio. ( población mayor a 100.000 )
𝑍 2 𝑆𝑥2 𝑍 2 𝑃𝑄
𝑛= 2 Variable 𝑛= Atributo
𝐸 𝐸2
Donde:
n = tamaño de la muestra.
Z = Constante estadística que depende del nivel de confianza.
E = error de muestreo
P = Probabilidad de éxito
Q = Probabilidad de fracaso.
𝑆𝑥2 = Varianza poblacional.
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población infinita
Ejemplo:
Una corporación de ahorro y vivienda, localizada en una ciudad
intermedia, desea determinar a qué proporción de sus ahorradores le
pagan su sueldo en forma quincenal. En estudios similares se ha
encontrado que la proporción es del 72%. Si se establece que debe
haber una estimación correcta con aproximación de ± 6% de la
proporción verdadera y una confianza del 90%, ¿qué tamaño de muestra
se necesita, suponiendo que la población es infinita o demasiado
grande?
Solución:
Z=1,64 (1,64)2 ∗ 0,72 ∗ (0,28)
P=0,72 𝑛= 2
= 150,6 = 151
(0,06)
Q=0,28
E=0,06
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población infinita
Ejemplo:
En un instituto de educación intermedia, el departamento de bienestar
desea estimar el peso promedio de sus alumnos. El error debe ser más o
menos 3 libras y una confianza del 95%. ¿Cuál debe ser el tamaño de la
muestra, bajo el supuesto que no se conoce el tamaño de la población y
además se estima que la desviación típica es de 11 libras?
Solución:
Z=1,96
S=11
E=3
(1,96)2 ∗ (11)2
𝑛= 2
= 51,65 = 52 𝑎𝑙𝑢𝑚𝑛𝑜𝑠
(3)
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población infinita
Ejemplo:
Se requiere estudiar la valoración de la calidad de los servicios de la
salud en pacientes que acuden a hospitales públicos en los siguientes 5
años. Utilizando un nivel de confianza del 95% y asumiendo una
probabilidad de éxito de 96%. Calcule el tamaño de la muestra.
Solución:
Z=1,96
P=0,96
Q=0,04
E=0,05
(1,96)2 ∗ 0,96 ∗ (0,04)
𝑛= 2
= 59
(0,05)
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población finita
𝑍2𝑆2𝑁 𝑁𝑍 2 𝑃𝑄
𝑛= 𝑛=
𝑁𝐸 2 + 𝑍 2 𝑆 2 𝑁𝐸 2 + 𝑍 2 𝑃𝑄
Variable Atributo
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población finita
Ejemplo:
Una corporación de ahorro y vivienda, localizada en una ciudad
intermedia, desea determinar a qué proporción de sus ahorradores le
pagan su sueldo en forma quincenal. En estudios similares se ha
encontrado que la proporción es del 72%. Si se establece que debe
haber una estimación correcta con aproximación de ± 6% de la
proporción verdadera y una confianza del 90%, ¿qué tamaño de muestra
se necesita, suponiendo que la población es de 1.200 ahorradores?
Solución:
Z=1,64 (1,64)2 ∗ 0,72 ∗ 0,28 ∗ (1200)
P=0,72 𝑛= = 133
Q=0,28 [1200 ∗ 0,06 2 ] + [(1,64)2 ∗ 0,72 ∗ 0,28 ]
E=0,06
N=1200
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población finita
Ejemplo:
En un instituto de educación intermedia, el departamento de bienestar
desea estimar el peso promedio de sus alumnos. El error debe ser más o
menos 3 libras y una confianza del 95%. ¿Cuál debe ser el tamaño de la
muestra, si la población de estudiantes es de 800 y además se estima
que la desviación típica es de 11 libras?
Solución:
Z=1,96
S=11
E=3
N=800
(1,96)2 ∗ 800 ∗ (11)2
𝑛= 2 2 2 48,52 = 49 𝑎𝑙𝑢𝑚𝑛𝑜𝑠
[800 ∗ (3) ] + [ 1,96 ∗ 11 ]
TEMA 1. MUESTREO
MUESTREO ALEATORIO SIMPLE (M.A.S.)
Muestreo de población finita
Ejemplo:
Se requiere estudiar la valoración de la calidad de los servicios de salud
en pacientes que acudieron al servicio de ginecología del hospital Y, en el
mes de Abril del 2019. Para ello se conoce que el tamaño de la población
es 3.000 pacientes. Asumiendo un nivel de confianza del 95% y una
probabilidad de éxito del 96%, calcule el tamaño de la muestra.
Fin del Módulo
Muchas gracias……