Curso Estadística Inferencial - 2018-01 PDF

Curso
Estadística Inferencial
Alba Isabel García Giraldo | Economista | Curso de Estadística Inferencial | Facultad de Ciencias Económicas y Administrativas | USBBOGOTÁ
Teoría básica de probabilidad
Fundamentos
La probabilidad
• Camino para cuantificar resultados que no pueden predecirse.
• Medida numérica de la posibilidad de ocurrencia de un evento/suceso.
• Su relación con la estadística:
• Apoya toma de decisiones en condiciones de incertidumbre
0 0.5 1
Improbable Tan probable como improbable Muy probable
El mundo del azar
• Determinación del género de un recién nacido.
• Lanzamiento de un dado.
• Preferencia de un cliente por una marca.
• Pronóstico del clima.
Fundamentos
La teoría básica de probabilidad requiere de la especificación de algunos conceptos:
Probabilidad Valor numérico que indica el grado de certeza con el que se puede
obtener un resultado.
Experimento Experimento cuyo resultado no puede predecirse. La fecundación de un

aleatorio óvulo, el lanzamiento de una moneda.
Suceso Posible resultado de un experimento aleatorio.
Espacio Conjunto de todos los resultados posibles de un experimento aleatorio.

muestral Se denota con la letra M.
Evento Resultado que es de interés para el experimentador.
Eventos y espacio muestral
Experimento Sucesos aleatorios

𝑀 = 𝑐𝑎𝑟𝑎, 𝑠𝑒𝑙𝑙𝑜
aleatorio (posibles resultados) Espacio muestral
Diagrama de árbol
Cara 𝐴 = 𝑐𝑎𝑟𝑎
Lanzamiento de Evento A: cae cara
una moneda
Sello
𝐵 = 𝑠𝑒𝑙𝑙𝑜
Evento B: cae sello
Eventos y espacio muestral
Sucesos
Experimento aleatorios
aleatorio (posibles 𝑀 = 1,2,3,4,5,6
resultados)
Espacio muestral
1
Diagrama de árbol
2 𝐴 = 2,4,6
Evento A: cae número par
3
Lanzamiento
de un dado
4
𝐵 = 1,3,5
5
Evento B: cae número impar
Probabilidad de un evento
Un evento 𝐸 puede ocurrir en ℎ de 𝑁 maneras posibles, así la probabilidad de que ocurra 𝐸 (a lo que
se le llama éxito) se denota como:
ℎ
𝑝=𝑃 𝐸 =
𝑁
La probabilidad de que no ocurra el evento 𝐸 (a lo que se denomina fracaso) estará dada por:
ℎ
𝑞 =1−𝑝 =1−𝑃 𝐸 =1−
𝑁
La negación del evento 𝐸 se denota como 𝐸.

ത Así: 𝑞 = 𝑃(𝐸)
ത
Definiciones de probabilidad
Existen tres formas de definir la probabilidad:
1. Clásica:
• Definida como el número de formas en que se presenta un evento sobre el total de las posibilidades.
• 𝑃 𝐸 = ℎΤ𝑁.
2. Como frecuencia relativa:
• Cuando el experimento se repite indefinidamente.
• Cuando se aplican encuestas.
• Registros de 1000 nacimientos corroborarán que la probabilidad de que un recién nacido sea mujer y
hombre es de 50%.
• Una encuesta a 900 personas sobre su grado de acuerdo con una aseveración.
• En este escenario la probabilidad se asume como una proporción (en el lenguaje de frecuencia
relativa).
3. Subjetiva
Definiciones de probabilidad
• Ejemplos:
1. Clásica:
➢ Dentro de una bolsa hay 5 bolas rojas, 3 azules y 1 negra. ¿Cuál es la probabilidad de extraer una bola de color
azul?
2. Como frecuencia relativa:
➢ “Considero que el fenómeno de la inmigración es una amenaza contra la identidad de una región”.
➢ “Considero que los inmigrantes tienen derecho a crear sus propios partidos políticos”.
Escala Frecuencia absoluta Frecuencia relativa

Total acuerdo 225 0,25
De acuerdo 450 0,5
Indiferente 108 0,12
En desacuerdo 72 0,08
Total desacuerdo 45 0,05
Total 900 1
Relación entre eventos
Una pareja no ha decidido sobre si van a ir a una fiesta o no, Lourdes desea ir pero Rafael prefiere ir a
cine. Deciden dejarlo a la suerte, así que cada uno lanza una moneda. Si ambas caen iguales irán a la
fiesta, si caen diferentes irán al cine.
Primer Segundo
lanzamiento lanzamiento El espacio muestral está definido por:
𝑀 = 𝑐𝑐, 𝑐𝑠, 𝑠𝑐, 𝑠𝑠
Cara
Cara El evento A denota “caen caras iguales”:
Sello
Inicio
𝐴 = 𝑐𝑐, 𝑠𝑠
Cara
Sello El evento B denota “caen caras diferentes”:
Sello
𝐵 = 𝑐𝑠, 𝑠𝑐
Para entender la forma en que dos o más eventos se relacionan, existen tres
operaciones básicas entre conjuntos:
1. Evento no A: 𝐴𝑐
2. Evento A ó B: 𝐴 ∪ 𝐵
3. Evento A y B: 𝐴 ∩ 𝐵
1. Evento no A: 𝐴𝑐
• Se lee: “A complemento”
• Es el conjunto de todos los elementos que no están en A.
• Es posible confirmar que 𝐴𝑐 = 𝑀 − 𝐴
• Su probabilidad está definida como: 𝑃 𝐴𝑐 = 1 − 𝑃(𝐴)
• Se denomina ley del complemento.
𝐴
𝐴𝑐
2. Evento A ó B: 𝐴 ∪ 𝐵
• Es el conjunto de todos los elementos que están en A ó en B ó en ambos.
• Los eventos tienen elementos en común, pueden ocurrir al mismo tiempo, ser simultáneos, no
ser mutuamente excluyentes.
• Su probabilidad está definida como: 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃 𝐴 ∩ 𝐵
• Se denomina ley de la adición.
• Se resta 𝑃 𝐴 ∩ 𝐵 para evitar el doble conteo cuando no son eventos mutuamente excluyentes.
𝑀
𝐴 𝐵
3. Evento A y B: 𝐴 ∩ 𝐵
• Es el conjunto de todos los elementos que están en A y en B al mismo tiempo.
• Es el evento en el que suceden A y B simultáneamente.
• Cuando A y B son mutuamente excluyentes, este conjunto está vacío 𝜙.
• 𝑃 𝐴∩𝐵 =0
• Su probabilidad está definida como: 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃(𝐵)
• Se denomina ley de la multiplicación.
𝑀 𝑀
𝐴 𝐴𝐵 𝐵 𝐴 𝐵
Probabilidad condicional
Hemos visto que 𝐴 ∩ 𝐵 implica que sucede el evento A y el evento B simultáneamente.
Cuando la probabilidad de ocurrencia de B no depende de la ocurrencia de A se dice que son eventos

independientes:
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃(𝐵)
Cuando la ocurrencia de B sí depende de A, los eventos se llaman dependientes, y se lee “probabilidad

de que ocurra B dado que A ha ocurrido”.
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝑃(𝐵|𝐴)
Probabilidad condicional
Una caja contiene 6 pelotas rojas, 4 blancas y 5 azules. Determinar la probabilidad de que al extraer
una bola ésta sea de color:
a) Rojo
b) Blanco
c) Azul
d) No roja
e) Blanca o roja
Se extraen sucesivamente 3 bolas del ejemplo anterior. Hallar la probabilidad de que sean extraídas en
el siguiente orden: roja, blanca y azul.
a) Haciendo muestreo con reemplazamiento.
b) Haciendo muestreo sin reemplazamiento.
Análisis combinatorio
Análisis combinatorio
• Busca encontrar el número de formas en que un conjunto de objetos puede
ordenarse.
• Su finalidad es la enumeración de todas las posibilidades de un suceso.
Principio fundamental
Un equipo de trabajo está conformado por 5 personas.
𝐸 = 𝐼𝑟𝑎𝑡𝑖, 𝐿𝑜𝑢𝑟𝑑𝑒𝑠, 𝐽𝑜𝑠𝑒𝑚𝑎𝑟í𝑎, 𝐺𝑒𝑟𝑚á𝑛, 𝑅𝑎𝑓𝑎𝑒𝑙
Necesitamos formar un equipo de supervisores que conste de un hombre y una

mujer. ¿De cuántas formas es posible organizar el equipo?
Josemaría
Lourdes Germán
Rafael
Josemaría
Irati Germán
Rafael
6 formas posibles, 2 × 3 = 6.
Del equipo de trabajo anterior, se debe nombrar un coordinador y un secretario, ¿De cuántas maneras
se pueden elegir ambos representantes?
1. Existen 5 maneras de elegir el coordinador.

2. Una vez el coordinador es elegido, restan 4 posibles candidatos para escoger el secretario.
3. En la primera elección hay 5 formas, en la segunda hay 4. Existirán 20 formas diferentes de elegir
los representantes 5 × 4 = 20.
Este procedimiento puede extenderse a más elecciones y se conoce como el principio de la

multiplicación.
Factorial de 𝑛
El factorial de 𝑛 se denota como 𝑛! y está definido por:
𝑛! = 𝑛 𝑛 − 1 𝑛 − 2 … 1
Así el factorial de 5 será:
5! = 5 × 4 × 3 × 2 × 1 = 120
Conviene recordar que 0! = 1
Principio de la permutación
Permite conocer el número de acomodaciones posibles de objetos en un orden
determinado.
𝑛!
𝑛 𝑃𝑟 =
𝑛−𝑟 !
Donde 𝑛: número de objetos, 𝑟: forma de ordenarlos
𝑛 > 𝑟 siempre
Principio de la combinación
Permite conocer el número de acomodaciones posibles de objetos sin importar su
orden.
𝑛 𝑛!
𝑛 𝐶𝑟 = 𝐶 𝑛, 𝑟 = 𝐶𝑛,𝑟 =
𝑟
=
𝑟! 𝑛 − 𝑟 !
Donde 𝑛: número de objetos, 𝑟: forma de ordenarlos
𝑛 > 𝑟 siempre
Ejemplo
¿Cuál es el número de permutaciones posibles de las letras a, b, c tomadas de dos en dos?
𝑛! 3!
𝑛 𝑃𝑟 = = 3 𝑃2 = =6
𝑛−𝑟 ! 3−2 !
(𝑎, 𝑏)(𝑎, 𝑐)(𝑏, 𝑎)(𝑏, 𝑐)(𝑐, 𝑎)(𝑐, 𝑏)
¿Cuál es el número de combinaciones posibles?
𝑛! 3!
𝑛 𝐶𝑟 = = 3 𝐶2 = =3
𝑟! 𝑛 − 𝑟 ! 2! 3 − 2 !
(𝑎, 𝑏)(𝑎, 𝑐)(𝑏, 𝑐)
Distribuciones de probabilidad
Variables aleatorias
• Una variable aleatoria es un número que representa el resultado de un experimento
aleatorio.
• Asocia un valor numérico con cada resultado posible.
Experimento Variable aleatoria 𝑥 Valores posibles para 𝑥
Lanzamiento de un dado Posibles valores de la cara del dado {1, 2, 3, 4, 5, 6}

Número de clientes que hacen un
Llamar a cinco clientes {0, 1, 2, 3, 4, 5}
pedido
Inspeccionar un lote de producción
Número de elementos defectuosos {0 a 2500}
de 2500 unidades
Lanzamiento de una moneda Cara de la moneda Cara (0), sello (1)
Vender un automóvil Género del cliente Hombre (0), mujer (1)
Variables aleatorias
Discretas
Número de vehículos que llegan a un peaje
Pueden asumir una cantidad
Género de un entrevistado
finita de valores como 0, 1, 2…n
Número de estudiantes en un aula
Continuas
Tiempo de espera en línea para hacer un pedido.
Toman cualquier valor
Altura de un edificio
numérico en un intervalo
Capacidad de un recipiente
• Muestra las probabilidades asociadas a los posibles valores que puede tomar una
variable aleatoria, tras un experimento aleatorio.
• Discretas: función de probabilidad/masa ⇒ 𝑓(𝑥)
• Continuas: función de densidad ⇒ 𝑓(𝑥)
Cara del dado 1 2 3 4 5 6

Probabilidad 1/6 1/6 1/6 1/6 1/6 1/6
𝑝(𝑥) 0,16666667 0,16666667 0,16666667 0,16666667 0,16666667 0,16666667
෍𝑓 𝑥 = 1
Discretas
Distribución de probabilidad para los días de estancia en el hospital.
Días de estancia Frecuencia Distribución de

Frecuencia
(𝑥) relativa probabilidad 𝑓(𝑥)
4 12 0,0421 4%
5 34 0,1193 12%
6 120 0,4211 42%
7 86 0,3018 30%
8 24 0,0842 8%
9 7 0,0246 2%
10 2 0,007 1%
¿Cuál es la probabilidad de que un paciente pase 5 días en el hospital? 𝑝 𝑥 = 5 = 12%

¿Cuál la de que paciente dure más de 6 días? 𝑝 𝑥 > 6 = 41%
Discretas
Distribución de probabilidad de días de estancia en un hospital Días de estancia Distribución de
45% (𝑥) probabilidad 𝑓(𝑥)
40% 4 4%
35%
5 12%
30%
Probabilidad
6 42%
25%
20% 7 30%
15% 8 8%
10% 9 2%
5%
10 1%
0%
4 5 6 7 8 9 10
𝑝(5 ≤ 𝑥 ≤ 7)
𝑝(4 ≤ 𝑥 ≤ 8)
Discretas
• Valor esperado ⇒ 𝐸 𝑥 = σ 𝑥 ∙ 𝑓 𝑥 = 𝜇
• Varianza ⇒ 𝑉𝑎𝑟 𝑥 = 𝜎 2 = σ(𝑥 − 𝜇) ∙ 𝑓(𝑥)
Días de estancia ෍𝑥 ∙ 𝑓 𝑥
𝑓(𝑥) 𝑥∙𝑓 𝑥
(𝑥)
4 4%
5 12%
6 42%
7 30%
8 8%
9 2%
10 1%
Discretas
Existen principalmente cuatro distribuciones de probabilidad discreta:
1. Binomial
2. Poisson
3. Hipergeométrica
Discretas: la binomial
Características:
• Es un experimento que acepta sólo dos posibilidades de respuesta.
• Éxito o fracaso.
• Se dispone de una probabilidad “empírica”.
• Ésta no varía a lo largo del experimento. La obtención de un éxito en un ensayo no condiciona el
resultado del siguiente ensayo.
• Se tiene un número de ensayos determinado.
• Número de ensayos fijo.
𝑥 𝑛−𝑥
𝑛!
𝑝 𝑥 = 𝑛 𝐶𝑥 𝑝 𝑞 = 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥! 𝑛 − 𝑥 !
𝑛 ⇒ número de ensayos (fijo)

𝑥 ⇒ valor que toma la variable aleatoria
𝑝 ⇒ probabilidad de éxito empírica (dada)
𝑞 ⇒ 1 − 𝑝 (probabilidad de fracaso)
Aplicación
Por experiencia se sabe que 4 de 50 artículos son defectuosos. Hallar la
probabilidad de que en un lote de producción de 25 elementos, 7 sean
defectuosos.
• ¿Cuál es el experimento aleatorio?

• ¿Cuál la variable aleatoria 𝑥? ¿Cuáles sus posibles valores?
• ¿Cuál es el valor de la 𝑝 empírica? 𝑝 = 4Τ50 = 0,08
• ¿Cuál es el valor de la variable aleatoria 𝑥? 𝑥 = 7
• ¿Cuál es el número de ensayos 𝑛? 𝑛 = 25
Con la distribución de probabilidad binomial es posible hallar:
• Función de distribución (distribuciones de probabilidad acumuladas) fda ó fd.
• 𝑝(𝑥) = 0, 1, 2, 3 … 𝑛
• 𝑝 𝑥 > ò ≥ 0, 1, 2, 3 … 𝑛
• 𝑝 𝑥 < ó ≤ 0, 1, 2, 3 … 𝑛
• 𝑝 𝑎 >𝑥 >𝑏 ó𝑃 𝑎 ≥𝑥 ≥𝑏
• 𝑝 𝑎 < 𝑥 < 𝑏 ó 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) donde 𝑎 y 𝑏 son ℤ+ .
Excel permite el cálculo mediante la función +DISTR.BINOM.N
Discretas
• Valor esperado ⇒ 𝐸 𝑥 = 𝑛𝑝 = 𝜇
• Varianza ⇒ 𝑉𝑎𝑟 𝑥 = 𝜎 2 = 𝑛𝑝(1 − 𝑝)
Días de estancia ෍𝑥 ∙ 𝑓 𝑥
𝑓(𝑥) 𝑥∙𝑓 𝑥
(𝑥)
4 4%
5 12%
6 42%
7 30%
8 8%
9 2%
10 1%
Continuas
Las probabilidades de variables aleatorias continuas se definen como el
área bajo la curva de una distribución.
1. Normal
2. Normal estándar
3. t-Student
4. Chi cuadrado 𝜒 2
5. La F.
Continuas: la normal
• Es la distribución de probabilidad más común debido la normalidad aproximada
con la que ocurren naturalmente muchas situaciones de mediciones físicas,
biológicas y sociales.
• Muchos análisis estadísticos requieren que los datos provengan de poblaciones
normalmente distribuidas.
Está determinada por dos parámetros, media y desviación estándar (μ, σ).
1 − 𝑥−𝜇 2 /(2𝜎 2 )
𝑓 𝑥 = 𝑒
𝜎 𝜎 2𝜋
𝑥 ~ 𝑁(𝜇, 𝜎 2 )
𝜇
Con el archivo “Base Pruebas Saber”:
1. Trazaremos un histograma para conocer cómo se distribuyen los puntajes nacionales de las
pruebas Saber.
2. También su polígono de frecuencias.
3. Obtenemos la tabla de resumen de estadísticas descriptivas.
Histograma de la distribución de los puntajes de las Pruebas
Resumen de estadísticas
Saber año 2014
Media 𝜇 305,24
450
Mediana 299
400
Moda 301
350
Desviación estándar 𝜎 55,60
300
Varianza de la muestra 3.091,23
Densidad
250
Curtosis 0,43
200
Coeficiente de asimetría 0,61
150
Rango 352
100
Mínimo 148
50
Máximo 500
0 Cuenta 11.667
229
327
181
409
474
278
262
295
376
392
360
458
148
213
311
441
197
344
164
246
425
490
Clase
La distribución normal es el modelo teórico que explica o aproxima la distribución de la variable aleatoria de
una muestra.
Características:
• La media es el centro o pico de la campana.
• Media = mediana = moda.
• La distribución es simétrica alrededor de μ: coeficiente de asimetría de cero.
• El 50% de las observaciones está por debajo de la media, y el restante 50% de las
observaciones está por encima de ella.
• Las colas de la curva normal se extienden al infinito en ambas direcciones y en teoría jamás
tocan el eje horizontal.
• El área total bajo la curva es 1.
• La desviación estándar determina la dispersión en los datos. Determina qué tan plana y ancha
es la curva normal.
Histograma de la distribución de los puntajes de las Pruebas
Saber año 2014
450
400
350
300
Densidad
250
200
150
100
50
0
229
327
181
409
474
262
278
295
360
376
392
458
148
213
311
441
246
344
164
197
425
490
Clase
𝜇1 𝜇2 𝜇3 𝜇1 𝜇2 𝜇3
Diferentes medias 𝜇 pero desviaciones estándar 𝜎 iguales Diferentes medias 𝜇 y desviaciones estándar 𝜎
𝜇
Medias 𝜇 iguales pero desviaciones estándar 𝜎 diferentes
Continuas: la normal estándar
𝑥−𝜇
𝑧=
𝜎 𝜎 1
𝜇 0
𝑥 𝑧
*En la distribución normal estándar, la probabilidad también puede ser considerada como una proporción.
Aplicación
La media de estatura para un grupo de 250 mujeres es de 1,62 metros, con una
desviación estándar de 0,17 metros. Vamos a hallar:
1. La probabilidad de que las mujeres de este grupo midan más de 1,65 metros.
2. Cuántas mujeres de este grupo miden más de 1,65 metros.
3. La probabilidad de que las mujeres de este grupo midan menos de 1,65 metros.
4. Cuántas miden menos de 1,65 metros.
5. La probabilidad de que las mujeres de este grupo midan 1,60 metros o menos.
6. 1,63 metros exactamente.
Teoría elemental de muestreo
Inferencia estadística
El objetivo de la inferencia estadística es obtener información de una población a
través de una muestra.
Inferencia
estadística
Población Muestreo Muestra
Teoría elemental de muestreo
• Estudio de la relación existente entre una población y las muestras que se obtienen
de ella.
• Es el fundamento de la inferencia estadística.
Media 𝜇
Desviación
Poblacionales Parámetros
estándar 𝜎
Varianza 𝜎 2
Medidas
Media 𝑥ҧ
Desviación
Muestrales Estadísticos
estándar 𝑠
Varianza 𝑠 2
Distribuciones muestrales
Una población consta de los cinco números 2, 3, 6.
Considerar todas las posibles muestras de tamaño 2 que pueden extraerse de esta
población (con reemplazamiento), calcular:
1. La media de la población.
2. La desviación estándar de la población
3. La media de las medias muestrales.
4. La desviación estándar de las medias muestrales.
Desvest
No. Muestras Medias muestrales
muestrales Media poblacional:
1 (2,2) 2,0 0,0 𝜇 = 3,66ത
2 (2,3) 2,5 0,7
3 (2,6) 2,8 Desvest poblacional:
4,0
𝜎 = 1,70
4 (3,2) 2,5 0,7
5 (3,3) 3,0 0,0 Media de las medias:
6 (3,6) 4,5 2,1 𝜇𝑥ҧ = 3,66ത
7 (6,2) 4,0 2,8
Desvest de la distribución muestral:
8 (6,3) 4,5 2,1
𝜎𝑥ҧ = 1,20
9 (6,6) 6,0 0,0
Distribución muestral de la media
1. Surgen de considerar todas las posibles muestras que pueden extraerse de una
población.
2. Para cada muestra es posible calcular estadísticos que varían de una muestra a
otra, obteniendo la distribución muestral del estadístico.
3. Indican todos los posibles valores que puede tomar un estadístico de una
muestra a otra.
De medias
Distribución muestral de 𝑥:ҧ
Es posible confirmar que la distribución

muestral de medias distribuye normalmente o se
Frecuencia
aproxima.
¿Qué es posible si distribuye normalmente?
Posibles valores para la media muestral
𝜇 Media poblacional
𝜎 Desviación estándar poblacional
𝜇𝑥ҧ Media de la distribución muestral de medias
𝜎𝑥ҧ Desviación estándar de la distribución muestral de medias (error estándar).
Valor esperado de 𝑥ҧ ⟹ 𝐸 𝑥ҧ = 𝜇𝑥ҧ = 𝜇
Desviación estándar ⟹ Depende del tipo de población:
𝜎 𝑁−𝑛
𝜎𝑥ҧ = ⟹ Población finita | n/N > 0,05
𝑛 𝑁−1
𝜎
𝜎𝑥ҧ = ⟹ Población infinita
𝑛
Teorema del límite central:
La población de La distribución muestral de medias también

la que se extraen distribuirá normalmente.
las muestras 𝜇 ~ 𝑁(𝜇, 𝜎)
distribuye Es posible hallar probabilidades.
normalmente
No se conoce la ¿Es posible aplicar probabilidad?

forma en que
distribuye la 𝜇~?
población Se puede suponer distribución muestral normal
a medida que la muestra se hace grande n > 30.
Teorema del límite central
Aplicación
Una escuela cuenta con un total de 400 estudiantes, su altura promedio
es de 1.50 m, con una desviación típica de 0.25 m. Determinar la
probabilidad de que en una muestra de 36 alumnos, el promedio de la
altura sea superior a 1.60 m.
Un ejemplo
Procedimiento:
1. ¿Se conoce el total de la población?
2. ¿Cuál es el 𝑛 muestral? ¿Es el 𝑛 inferior al 5% de la población?
3. ¿Cuál es el valor de la media 𝜇?
4. ¿Cuál es el valor de la desviación estándar 𝜎?
5. ¿Cuál es el valor de la media 𝑥ҧ que queremos probar?
Un ejemplo
Desarrollo:
1. Hallamos 𝜎𝑥ҧ .
2. Dado que buscamos una probabilidad que es un área bajo la curva normal,
debemos estandarizar a 𝑧 la media 𝑥ҧ que queremos probar.
4. Hallamos el área pedida.
5. Multiplicamos por 100 para obtener la probabilidad en términos de porcentaje.
6. Interpretamos.
Relación entre 𝑛 y la
distribución muestral de 𝑥ҧ
• A mayor 𝑛, mejor estimación de 𝜇.
• 𝜇 siempre será la misma, independientemente de 𝑛.
• 𝜎𝑥ҧ sí está relacionado con el tamaño de la muestra.
• Mientras 𝑛 crezca, 𝜎𝑥ҧ será menor.
• Si 𝑛 es grande la variabilidad entre las muestras será menor y habrá mayor
precisión en la estimación de de 𝜇.
De proporciones
Distribución muestral de 𝑝ҧ
Indica todos los posibles valores que puede tomar una proporción de una muestra a otra y
con qué frecuencia.
La distribución binomial es aproximada por la normal siempre y

cuando:
Frecuencia
𝑛𝑝 ≥ 5 y/o 𝑛(1 − 𝑝) ≥ 5
¿Qué es posible si se asume que distribuye normalmente?
Posibles valores para la proporción muestral
𝑝, 𝑝ҧ Proporción poblacional / muestral
𝜇𝑝ҧ Media de la distribución muestral de proporciones
𝜎𝑝ҧ Desviación estándar de la distribución muestral de proporciones (error estándar).
Distribución muestral de 𝑝:ҧ
Valor esperado de 𝑝ҧ ⟹ 𝐸 𝑝ҧ = 𝜇𝑝ҧ = 𝑝
Desviación estándar ⟹ Depende del tipo de población:
𝑝𝑞 𝑁 − 𝑛
𝜎𝑝ҧ = ⟹ Población finita | n/N > 0,05
𝑛 𝑁−1
𝑝𝑞
𝜎𝑝ҧ = ⟹ Población infinita
𝑛
Aplicación
Se sabe que el 2% de los elementos producidos por una máquina son
defectuosos. ¿Cuál es la probabilidad de que en un pedido de 400
elementos, el 3% o más resulte defectuoso?
Ejemplo
Procedimiento:
1. ¿Se conoce el total de la población?
2. ¿Cuál es el 𝑛 muestral? ¿𝑛/𝑁 > 5%?
3. ¿Cuál es el valor de la proporción 𝑝 poblacional con la cualidad?
4. ¿Cuál es el valor de la proporción 𝑝ҧ que queremos probar?
5. ¿Es 𝑛𝑝 ≥ 5? ¿Es 𝑛(1 − 𝑝) ≥ 5?
Distribución muestral de 𝑝:ҧ
Ejemplo
Desarrollo:
1. Hallamos 𝜎𝑝ҧ .
2. Dado que buscamos una probabilidad que es un área bajo la curva normal,
debemos estandarizar a 𝑧 la proporción 𝑝ҧ que queremos probar.
3. Hallamos el área pedida.
4. Multiplicamos por 100 para obtener la probabilidad en términos de porcentaje.
5. Interpretamos.
Estimación de parámetros
2
𝜇, 𝑝, 𝜎, 𝜎
Es posible mediante la estimación de sus correspondientes estadísticos
Estimación puntual:
𝑥ҧ ⟹ 𝜇
Estadísticos 𝑠 ⟹ 𝜎 Parámetros
𝑠2 ⟹ 𝜎2
Estimación por intervalos:
𝑥ҧ ± 𝛿 ⟹ 𝜇
Puntual
Estimadores puntuales:
Propiedades
Supóngase:
𝛽መ ⟹ 𝛽
𝛽መ será un buen estimador de 𝛽 si cumple con las propiedades de:
1. Insesgadez
2. Eficiencia
3. Consistencia
Propiedades
1. Insesgadez:
• 𝐸 𝛽መ = 𝛽
• La media de la distribución muestral del estadístico es igual al parámetro 𝜇𝑥ҧ = 𝜇
2. Eficiencia:
• Varianza mínima: tendrá el menor error estándar.
• La varianza de la distribución muestral de un estimador es menor que la de otro estimador.
• Por ejemplo 𝑥ҧ y 𝑀𝑒 .
• Todo estimador eficiente es insesgado.
3. Consistencia:
• Se aproxima al verdadero valor del parámetro cuando 𝑛 aumenta.
• Una muestra grande tiende a proporcionar mejor estimación puntual que una pequeña.
Por intervalos de confianza
Intervalos de confianza
• No proporcionan el valor exacto de un parámetro poblacional
• Fluctuaciones muestrales
𝛽መ ≠ 𝛽 𝑥ҧ ≠ 𝜇 𝑠≠𝜎 𝑠2 ≠ 𝜎2
Estimación por intervalos:

Plantea límites alrededor de la estimación puntual.
(𝛽መ + 𝛿, 𝛽መ − 𝛿)
Intervalos de confianza
• Indican la probabilidad de que el verdadero valor del parámetro se encuentre entre dos límites.
• 𝛽መ ± 𝛿 donde:
» መ estimación puntual (estadístico muestral).
𝛽:
» 𝛿: margen de error
» 𝛽መ + 𝛿 y 𝛽መ − 𝛿: posibles límites
Pr(𝛽መ − 𝛿 ≤ 𝛽 ≤ 𝛽መ + 𝛿) = 1 − 𝛼
1 − 𝛼: coeficiente de confianza (0,90; 0,95; 0,99)
Alpha 𝛼: nivel de significancia (0 < 𝛼 < 1) (probabilidad de errar)
Construcción del IC y 𝛿:
σ conocida
Intervalo de confianza para la media
La determinación del error dependerá del nivel de confianza elegido.
Si la distribución muestral del estadístico (en este caso la media) ~ 𝑁:
Pr −1,96 ≤ 𝑧 ≤ 1,96 = 0,95
𝑥ҧ − 𝜇
Pr −1,96 ≤ ≤ 1,96 = 0,95
95% 𝜎𝑥ҧ
−1,96 𝝁 =? 1,96 Pr 𝑥ҧ − 1,96𝜎𝑥ҧ ≤ 𝜇 ≤ 𝑥ҧ + 1,96𝜎𝑥ҧ = 0,95

Pr 𝛽መ − 𝛿 ≤ 𝛽 ≤ 𝛽መ + 𝛿 = 1 − 𝛼
σ conocida
Intervalo de confianza para la media
Supongamos:
𝑥ҧ = 82; 𝜎𝑥ҧ = 2; 𝑧𝑐 = 1,96
Pr −1,96 ≤ 𝑧 ≤ 1,96 = 0,95
82 − 𝜇
Pr −1,96 ≤ ≤ 1,96 = 0,95
95% 2
−1,96𝜎𝑥ҧ 𝝁 =? 1,96𝜎𝑥ҧ Pr 82 − 3,92 ≤ 𝜇 ≤ 82 + 3,92 = 0,95

3,92 3,92
Cálculo del margen de error 𝛿:
σ conocida
95%
𝝁 =?
3,92 3,92
Intervalo dado por

𝑥1ҧ ± 1,96𝜎𝑥ҧ 𝑥ҧ1
Cálculo del margen de error 𝛿:
σ conocida
95%
𝝁 =?
3,92 3,92
Intervalo dado por

𝑥1ҧ ± 1,96𝜎𝑥ҧ 𝑥ҧ1
Intervalo dado por
𝑥ҧ 2 𝑥ҧ2 ± 1,96𝜎𝑥ҧ
Intervalo dado por
Intervalo dado por 𝑥ҧ 3 𝑥ҧ3 ± 1,96𝜎𝑥ҧ
𝑥ҧ4 ± 1,96𝜎𝑥ҧ 𝑥ҧ 4
Intervalo dado por
𝑥ҧ 5 𝑥ҧ5 ± 1,96𝜎𝑥ҧ
σ conocida
Intervalo para 𝜇:
Pr 𝑥ҧ − 𝑧𝛼Τ2 𝜎𝑥ҧ ≤ 𝜇 ≤ 𝑥ҧ + 𝑧𝛼Τ2 𝜎𝑥ҧ = 1 − 𝛼
𝒛𝜶Τ𝟐: valor de 𝒛 que proporciona un área de 𝜶Τ𝟐
en la cola superior de la distribución normal
Intervalo para 𝑝:
Pr 𝑝ҧ − 𝑧𝛼Τ2 𝜎𝑝ҧ ≤ 𝑝 ≤ 𝑝ҧ + 𝑧𝛼Τ2 𝜎𝑝ҧ = 1 − 𝛼
Nivel de confianza 𝛼 𝛼 Τ2 𝑧𝛼Τ2

90% 10% 0,05% 1,645
95% 5% 0,025% 1,960
99% 1% 0,005 2,576
Aplicación
Con el fin de establecer lineamientos nutritivos para los comedores de un centro
universitario, la administración de la universidad desea estimar el índice de masa
corporal (IMC) para evaluar el estado de salud de su población. Se toma una muestra
aleatoria de tamaño 𝑛 = 30, con media 𝑥ҧ = 26.8. Se sabe que la desviación
estándar de la población es 𝜎 = 2.8. Se busca encontrar un intervalo de confianza
del 95% para la media del IMC.
IC con 𝜎 desconocida:
La desviación estándar poblacional 𝜎 no siempre es conocida:
𝜎 𝑠
𝜎𝑥ҧ = ⟹ Cuando 𝜎 desconocida, el error estándar ⟹ 𝜎𝑥ҧ =
𝑛 puede estimarse mediante: 𝑛
Siempre y cuando 𝑛 ≥ 30 y la variable ~ 𝑁
Cuando se desconoce 𝜎 y 𝑛 < 30 se debe emplear la distribución t.
Distribución t
Es una familia de curvas, cada una determinada por un parámetro llamado grados de libertad
gl.
𝑔𝑙 ⟹ (𝑛 − 1)
𝑥෤ − 𝜇 𝑥෤ − 𝜇
Normal
𝑧= 𝑡=
t-Student
𝜎Τ 𝑛 𝑠Τ 𝑛
100%
Colas más pesadas que la normal
Media en el centro de la campana

𝑥ҧ = 𝑥෤ = 𝑀𝑜
IC
Caso de muestras pequeñas
Intervalo de confianza con 𝜎 desconocida:
𝑠 𝑠
Pr 𝑥ҧ − 𝑡𝛼Τ2 ≤ 𝜇 ≤ 𝑥ҧ + 𝑡𝛼Τ2 = 1−𝛼
𝑛 𝑛
𝒕𝜶Τ𝟐 : valor de 𝒕 que proporciona un área de 𝜶Τ𝟐

1−𝛼 en la cola superior de la distribución t
−𝑡𝛼Τ2 𝝁 =? 𝑡𝛼Τ2
Pr 𝛽መ − 𝛿 ≤ 𝛽 ≤ 𝛽መ + 𝛿 = 1 − 𝛼
IC
Caso de muestras pequeñas
Crear un IC del 95% para 𝑥ҧ = 9.312 con 𝑠 = 4.007 con 𝑛 = 25.
Desarrollo:
Sabemos que 𝛼 = 0,05 por lo tanto 𝛼Τ2 = 0,025 necesitamos hallar en
la tabla el valor de 𝑡0,025 con 24 grados de libertad.
Determinación de 𝑛
𝑧𝛼Τ2 2 𝜎 2 𝑧𝛼Τ2 2 𝜎 2 𝑁
𝑛= 𝑛= 2
𝑒2 𝑒 𝑁 − 1 + 𝑧𝛼Τ2 2 𝜎 2
𝑧𝛼Τ2 • Valor de 𝑧 correspondiente a un nivel de confianza.
𝜎2 •
•
Usar 𝑠 de una muestra previa.
Cuando se desconoce se toma como 0.5
• Límite aceptable de error muestral.

𝑒2 •
•
Varía entre el 1% (0,01) y 9% (0,09).
Queda a criterio del encuestador.
Teoría estadística de la decisión
Pruebas de hipótesis P.H.
• Con frecuencia se hacen suposiciones del valor de parámetros a partir de
estadísticos.
• Las P.H. se usan para determinar si las suposiciones hechas deben o no rechazarse.
• A estas suposiciones que pueden ser o no ciertas se les conoce como hipótesis
estadísticas.
Formulación de hipótesis
• Se empieza por hacer una suposición tentativa del parámetro poblacional.
• Esta suposición da origen a la hipótesis nula:
𝐻0
• Surge una hipótesis que contradice 𝐻0 , la hipótesis alternativa, es contraria a 𝐻0 :
𝐻1
𝐻0 y 𝐻1
Las P.H. para un parámetro asumen una de las siguientes formas, donde 𝜇0 es el valor supuesto para
el parámetro:
𝐻0 : 𝜇 = 𝜇0 𝐻0 : 𝜇 ≤ 𝜇0 𝐻0 : 𝜇 ≥ 𝜇0
𝐻1 : 𝜇 ≠ 𝜇0 𝐻1 : 𝜇 > 𝜇0 𝐻1 : 𝜇 < 𝜇0
Prueba de dos colas Pruebas de una cola
Importante resaltar:
• La igualdad siempre figurará en la hipótesis nula 𝐻0 .
• Lo que por lo general se intenta demostrar es la veracidad de 𝐻1 .
𝐻0 y 𝐻1
“Se supone que la media poblacional 𝜇 de las edades de un grupo de pacientes
psiquiátricos es de 35 años”.
𝐻0 : 𝜇 = 35 𝐻0 : 𝜇 ≤ 35 𝐻0 : 𝜇 ≥ 35
𝐻1 : 𝜇 ≠ 35 𝐻1 : 𝜇 > 35 𝐻1 : 𝜇 < 35
𝐻0 y 𝐻1 : generalidades
• 𝐻0 y 𝐻1 son opuestas / incompatibles.
• Una de las dos es verdadera, pero no ambas.
• La P.H. tiene como finalidad:
• Aceptar 𝐻0 cuando es verdadera.
• Rechazar 𝐻0 cuando 𝐻1 es verdadera.
• Las conclusiones correctas no siempre son posibles.
• La prueba de hipótesis se basa en una información muestral, debe tenerse en
cuenta que existe la posibilidad de error.
Tipos de errores
Error tipo 1:
Rechazar 𝐻0 cuando es verdadera
Error tipo 2:
Aceptar 𝐻0 cuando es falsa
Tipos de errores
Error tipo 1:
Rechazar 𝐻0 cuando es verdadera
Error tipo 2:
Aceptar 𝐻0 cuando es falsa
𝐻0 : no embarazo
Pruebas de una cola
𝐻1 será quien determina la dirección de la prueba:
Prueba de cola derecha Prueba de cola izquierda
𝐻0 : 𝜇 ≤ 𝜇0 𝐻0 : 𝜇 ≥ 𝜇0
𝐻1 : 𝜇 > 𝜇0 𝐻1 : 𝜇 < 𝜇0
Caso
La Superintendencia de Industria y Comercio SIC, realiza periódicamente estudios estadísticos
con objeto de comprobar las afirmaciones de los fabricantes acerca de sus productos.
La etiqueta de una lata grande de café dice que la lata contiene 3 libras de café. La SIC sabe que
el proceso de producción no permite llenar las latas con 3 libras exactas de café por lata.
Mientras la media poblacional del peso de llenado sea por lo menos 3 libras por lata, los derechos
del consumidor estarán protegidos.
La SIC interpreta que la información de la etiqueta de una lata grande de café tiene una media
poblacional del peso de llenado de por lo menos 3 libras por lata. Se toma una muestra de 36
latas.
Solución
1. Generación de 𝐻0 y 𝐻1 , la media hipotética 𝜇0 es 3.
𝐻0 : 𝜇 ≥ 3
𝐻1 : 𝜇 < 3
2. Selección de un nivel de significancia 𝛼:
Por lo general se emplea 1% o 5%.
Es la probabilidad de cometer un error tipo 1.
𝛼 = 0,01
Solución
Se cuenta con la siguiente información:
𝑛 = 36
𝜇0 = 3
𝑥ҧ = 2,92
𝜎 = 0,18
Si 𝑥ҧ < 3, los resultados muestrales despertarán dudas sobre lo que establece la
hipótesis nula.
Solución
3. Cálculo del estadístico de prueba:
Si la variable ~ 𝑁, 𝑛 ≥ 30, 𝜎 conocía se puede emplear 𝑧 para la P.H.
𝑥ҧ − 𝜇
𝑧=
𝜎𝑥ҧ
2,92 − 3
𝑧= = −2,67
0,18Τ 36
𝑧
¿La media muestral se desvía lo suficiente del valor −2,67 0
hipotético de μ como para justificar el rechazo de
la hipótesis nula? 𝑥
2,92 3
Solución
Método del p-valor:
El p-valor es la probabilidad de obtener un estadístico de prueba tan pequeño o menor que el
obtenido en la muestra.
p-valor: 0,0038
Regla de decisión:
Rechazar 𝑯𝟎 si p-valor ≤ 𝜶
𝑧
0
−2,67 Se rechaza 𝐻0 : 𝜇 ≥ 3 a un nivel de
0,0038
significancia del 1%
𝑥
2,92 3
Solución
Método del valor crítico:
Es el mayor valor del estadístico de prueba que hará que se rechace 𝐻0 .
Dependerá del 𝛼 elegido.
Nivel de confianza 𝛼 𝑧𝛼
90% 10% 1,285
95% 5% 1,645
99% 1% 2,325
𝑧0,05 = 1,645
Solución
Regla de decisión:
Rechazar 𝑯𝟎 si 𝒛 ≤ −𝒛𝜶
Zona de aceptación
de 𝑯𝟎
Zona de rechazo Se rechaza 𝐻0 : 𝜇 ≥ 3 a un nivel de
de 𝑯𝟎
𝑧 significancia del 1%
−2,67 −2,33
0,0038
0,01
𝑥
2,92 3
Solución
Conclusión:
A un nivel de significancia del 1% la media del peso de llenado de las latas de café es
significativamente inferior a tres libras por lata. ¿Deberá la SIC tomar medidas
correctivas contra la empresa?
Pruebas de dos colas
𝐻1 será quien determina la dirección de la prueba:
Prueba de dos colas
𝐻0 : 𝜇 = 𝜇0
𝐻1 : 𝜇 ≠ 𝜇0
Solución
1. Generación de 𝐻0 y 𝐻1 , la media hipotética 𝜇0 es 3.
𝐻0 : 𝜇 = 3
𝐻1 : 𝜇 ≠ 3
2. Selección de un nivel de significancia 𝛼:
Por lo general se emplea 1% o 5%.
Es la probabilidad de cometer un error tipo 1.
𝛼 = 0,01
Solución
Se cuenta con la siguiente información:
𝑛 = 36
𝜇0 = 3
𝑥ҧ = 2,92
𝜎 = 0,18
Si 𝑥ҧ ≠ 3, los resultados muestrales despertarán dudas sobre lo que establece la hipótesis
nula. La empresa podría ser multada, o podría estar llenando las latas con más de lo
establecido generando pérdidas.
Solución
3. Cálculo del estadístico de prueba:
Si la variable ~ 𝑁, 𝑛 ≥ 30, 𝜎 conocía se puede emplear 𝑧 para la P.H.
𝑥ҧ − 𝜇
𝑧=
𝜎𝑥ҧ
2,92 − 3
𝑧= = −2,67
0, 18Τ 36 𝑧
−2,67 0 2,67
𝑥
2,92 3 3,08
Solución
Método del p-valor:
El p-valor es la probabilidad de obtener un estadístico de prueba tan pequeño o menor que el
obtenido en la muestra.
p-valor: 0,0076
Regla de decisión:
Rechazar 𝑯𝟎 si p-valor ≤ 𝜶
𝑧
−2,67 0 2,67 Se rechaza 𝐻0 : 𝜇 = 3 a un nivel de
0,0038 0,0038 significancia del 1%
𝑥
2,92 3 3,08
Regla de decisión:
Rechazar 𝑯𝟎 si 𝒛 ≤ −𝒛𝜶Τ𝟐 ó si 𝒛 ≥ 𝒛𝜶Τ𝟐
Zona de aceptación Nivel de 𝛼 𝛼Τ2 𝑧𝛼Τ2

de 𝑯𝟎 confianza
Zona de rechazo Zona de rechazo
90% 10% 0,05% 1,645
de 𝑯𝟎 de 𝑯𝟎
𝑧 95% 5% 0,025% 1,960
−2,67 −2,58 2,58 2,67 99% 1% 0,005 2,576
0,0038 0,0038
0,005 0,005 Se rechaza 𝐻0 : 𝜇 = 3 a un nivel de

𝑥 significancia del 1%
2,92 3 3,08
Solución
Conclusión:
A un nivel de significancia del 1% la media del peso de llenado de las latas de café es
significativamente diferente a tres libras por lata.
1. ¿Deberá la SIC tomar medidas correctivas contra la empresa?
2. ¿Podría estar la empresa incurriendo en pérdidas?
Reglas de decisión
Las reglas de decisión dependerán del tipo de prueba
Prueba de cola inferior Prueba de cola superior Prueba de dos colas
𝐻0 : 𝜇 ≥ 𝜇0 𝐻0 : 𝜇 ≤ 𝜇0 𝐻0 : 𝜇 = 𝜇0
Hipótesis
𝐻0 : 𝜇 < 𝜇0 𝐻0 : 𝜇 > 𝜇0 𝐻0 : 𝜇 ≠ 𝜇0
𝑥ҧ − 𝜇0 𝑥ҧ − 𝜇0 𝑥ҧ − 𝜇0
Estadístico de prueba 𝑧= 𝑧= 𝑧=
𝜎Τ 𝑛 𝜎Τ 𝑛 𝜎Τ 𝑛
Regla de decisión mediante Rechazar 𝐻0 si: Rechazar 𝐻0 si: Rechazar 𝐻0 si:
p-valor p-valor ≤ 𝛼 p-valor ≤ 𝛼 p-valor ≤ 𝛼
Rechazar 𝐻0 si:
Regla de decisión mediante Rechazar 𝐻0 si: Rechazar 𝐻0 si: 𝑧 ≤ −𝑧𝛼Τ2
valor crítico 𝑧 ≤ −𝑧𝛼 𝑧 ≥ 𝑧𝛼 o si
𝑧 ≥ 𝑧𝛼Τ2
P.H
Caso de muestra pequeña: prueba de una cola
𝑥ҧ = 7,25
𝑠 = 1,052 Regla de decisión:
𝑛 = 25 Rechazar 𝐻0 si 𝑡 ≥ 𝑡𝛼
𝐻0 : 𝜇 ≤ 7
𝐻1 : 𝜇 > 7
𝛼 = 0,05
Se habla de una prueba de cola derecha.
Zona de
Desarrollo: aceptación de
𝑯𝟎 Zona de
𝑥ҧ − 𝜇0 7,25 − 7 rechazo de 𝑯𝟎
𝑡= = ≈ 1,19 𝑡
𝑠Τ 𝑛 1,052Τ25
0 1,19 1,71
𝑡0,05 ; 24 = 1,7109 𝑥
7 7,25
P.H
Caso de muestra pequeña: prueba de dos colas
𝑥ҧ = 7,25
𝑠 = 1,052 Regla de decisión:
𝑛 = 25 Rechazar 𝑯𝟎 si 𝒕 ≤ −𝒕𝜶Τ𝟐 ó 𝒕 ≥ 𝒕𝜶Τ𝟐
𝐻0 : 𝜇 = 7
𝐻1 : 𝜇 ≠ 7
𝛼 = 0,05
Se habla de una prueba de dos colas.
Zona de aceptación
Desarrollo: de 𝑯𝟎
Zona de rechazo Zona de rechazo
𝑥ҧ − 𝜇0 7,25 − 7 de 𝑯𝟎 de 𝑯𝟎
𝑡= = ≈ 1,19 𝑡
𝑠Τ 𝑛 1,052Τ25
−2,06 −1,19 0 1,19 2,06
𝑡0,025 ; 24 = 2,0639 𝑥
7 7,25
Reglas de decisión
Las reglas de decisión dependerán del tipo de prueba
Prueba de cola inferior Prueba de cola superior Prueba de dos colas
𝐻0 : 𝜇 ≥ 𝜇0 𝐻0 : 𝜇 ≤ 𝜇0 𝐻0 : 𝜇 = 𝜇0
Hipótesis
𝐻0 : 𝜇 < 𝜇0 𝐻0 : 𝜇 > 𝜇0 𝐻0 : 𝜇 ≠ 𝜇0
𝑥ҧ − 𝜇0 𝑥ҧ − 𝜇0 𝑥ҧ − 𝜇0
Estadístico de prueba 𝑡= 𝑡= 𝑡=
sΤ 𝑛 sΤ 𝑛 sΤ 𝑛
Regla de decisión mediante Rechazar 𝐻0 si: Rechazar 𝐻0 si: Rechazar 𝐻0 si:
p-valor p-valor ≤ 𝛼 p-valor ≤ 𝛼 p-valor ≤ 𝛼
Rechazar 𝐻0 si:
Regla de decisión mediante Rechazar 𝐻0 si: Rechazar 𝐻0 si: 𝑡 ≤ −𝑡𝛼Τ2
valor crítico 𝑡 ≤ −𝑡𝛼 𝑡 ≥ 𝑡𝛼 o si
𝑡 ≥ 𝑡𝛼Τ2
Small-Sample Theory
t-Student distribution
Small-Sample Theory
Use standard distribution
𝑛 ≥ 30
Use
standard distribution
𝜎 known
𝑋~𝑁 Use t-Student
Use a non-parametric
test
Regresión lineal simple

Curso Estadística Inferencial - 2018-01 PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Curso Estadística Inferencial - 2018-01 PDF

Загружено:

Авторское право:

Доступные форматы

Curso

Improbable Tan probable como improbable Muy probable

Experimento Experimento cuyo resultado no puede predecirse. La fecundación de un

Suceso Posible resultado de un experimento aleatorio.

Espacio Conjunto de todos los resultados posibles de un experimento aleatorio.

Evento Resultado que es de interés para el experimentador.

Experimento Sucesos aleatorios

La negación del evento 𝐸 se denota como 𝐸.

Escala Frecuencia absoluta Frecuencia relativa

Cuando la probabilidad de ocurrencia de B no depende de la ocurrencia de A se dice que son eventos

Cuando la ocurrencia de B sí depende de A, los eventos se llaman dependientes, y se lee “probabilidad

𝐸 = 𝐼𝑟𝑎𝑡𝑖, 𝐿𝑜𝑢𝑟𝑑𝑒𝑠, 𝐽𝑜𝑠𝑒𝑚𝑎𝑟í𝑎, 𝐺𝑒𝑟𝑚á𝑛, 𝑅𝑎𝑓𝑎𝑒𝑙

Necesitamos formar un equipo de supervisores que conste de un hombre y una

1. Existen 5 maneras de elegir el coordinador.

Este procedimiento puede extenderse a más elecciones y se conoce como el principio de la

Conviene recordar que 0! = 1

(𝑎, 𝑏)(𝑎, 𝑐)(𝑏, 𝑎)(𝑏, 𝑐)(𝑐, 𝑎)(𝑐, 𝑏)

¿Cuál es el número de combinaciones posibles?

(𝑎, 𝑏)(𝑎, 𝑐)(𝑏, 𝑐)

Experimento Variable aleatoria 𝑥 Valores posibles para 𝑥

Lanzamiento de un dado Posibles valores de la cara del dado {1, 2, 3, 4, 5, 6}

Cara del dado 1 2 3 4 5 6

Días de estancia Frecuencia Distribución de

¿Cuál es la probabilidad de que un paciente pase 5 días en el hospital? 𝑝 𝑥 = 5 = 12%

𝑛 ⇒ número de ensayos (fijo)

• ¿Cuál es el experimento aleatorio?

Excel permite el cálculo mediante la función +DISTR.BINOM.N

Población Muestreo Muestra

Distribución muestral de la media

Es posible confirmar que la distribución

¿Qué es posible si distribuye normalmente?

Posibles valores para la media muestral

𝜎 Desviación estándar poblacional

𝜇𝑥ҧ Media de la distribución muestral de medias

𝜎𝑥ҧ Desviación estándar de la distribución muestral de medias (error estándar).

Desviación estándar ⟹ Depende del tipo de población:

La población de La distribución muestral de medias también

No se conoce la ¿Es posible aplicar probabilidad?

La distribución binomial es aproximada por la normal siempre y

¿Qué es posible si se asume que distribuye normalmente?

Posibles valores para la proporción muestral

𝑝, 𝑝ҧ Proporción poblacional / muestral

𝜇𝑝ҧ Media de la distribución muestral de proporciones

𝜎𝑝ҧ Desviación estándar de la distribución muestral de proporciones (error estándar).

Desviación estándar ⟹ Depende del tipo de población:

Estimación por intervalos:

Pr −1,96 ≤ 𝑧 ≤ 1,96 = 0,95

−1,96 𝝁 =? 1,96 Pr 𝑥ҧ − 1,96𝜎𝑥ҧ ≤ 𝜇 ≤ 𝑥ҧ + 1,96𝜎𝑥ҧ = 0,95

𝑥ҧ = 82; 𝜎𝑥ҧ = 2; 𝑧𝑐 = 1,96

Pr −1,96 ≤ 𝑧 ≤ 1,96 = 0,95

−1,96𝜎𝑥ҧ 𝝁 =? 1,96𝜎𝑥ҧ Pr 82 − 3,92 ≤ 𝜇 ≤ 82 + 3,92 = 0,95

Intervalo dado por

Intervalo dado por

Nivel de confianza 𝛼 𝛼 Τ2 𝑧𝛼Τ2

Siempre y cuando 𝑛 ≥ 30 y la variable ~ 𝑁

Cuando se desconoce 𝜎 y 𝑛 < 30 se debe emplear la distribución t.

Media en el centro de la campana

𝒕𝜶Τ𝟐 : valor de 𝒕 que proporciona un área de 𝜶Τ𝟐

𝑧𝛼Τ2 • Valor de 𝑧 correspondiente a un nivel de confianza.

• Límite aceptable de error muestral.

Prueba de cola derecha Prueba de cola izquierda

Prueba de dos colas

Zona de aceptación Nivel de 𝛼 𝛼Τ2 𝑧𝛼Τ2