Estadistica II Materia 1X

UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE CONTABILIDAD Y AUDITORÍA
ESTADÍSTICA II
DOCENTE
Dra. Margoth Bonilla
SEMESTRE:
CUARTO
PERIODO
Octubre 2020 – Febrero 2021
Dra. Margoth Bonilla 1

Índice Contenido
FACULTAD DE CONTABILIDAD Y AUDITORÍA .........................................................1
ESTADÍSTICA .................................................................................................................................5
Probabilidad .............................................................................................................................5
GRÁFICO DEL PROCESO DE INFERENCIA ESTADÍSTICA .............................................................6
Población:.................................................................................................................................6
Muestra ....................................................................................................................................6
Individuo estadístico ................................................................................................................6
GRÁFICO DE POBLACIÓN Y MUESTRA. .....................................................................................7
RAZONES PARA ESTUDIAR LAS MUESTRA EN LUGAR DE LA POBLACIÓN .................................7
DATOS ESTADÍSTICOS ...................................................................................................................7
Datos Internos ..........................................................................................................................8
Datos Externos .........................................................................................................................8
Los Datos Bibliográficos:.......................................................................................................8
DATOS ORIGINALES: .............................................................................................................8
VARIABLE......................................................................................................................................8
Cuadro de tipo de variables......................................................................................................9
CUADRO 1 EJEMPLOS DE TIPO DE VARIABLES .............................................................................9
VARIABLES ALEATORIAS .........................................................................................................10
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA .................................11
DISTRIBUCIÓN BINOMIAL...........................................................................................................12
DISTRIBUCION DE PROBABILIDAD BINOMIAL.........................................................................12
PROBABILIDADES EN EL DESARROLLO DEL BINOMIO .............................................................15
DISTRIBUCIÓN BINOMIAL...........................................................................................................15
ESPACIO MUESTRAL ...............................................................................................................16
DISTRIBUCIÓN DE POISSON........................................................................................................28
DISTRIBUCIÓN HIPERGEOMÉTRICA ............................................................................................35
VARIABLE ALEATORIA CONTINUA ..............................................................................................43
LECTURA DEL ÁREA EN LA CURVA NORMAL ...........................................................................44
Tabla de áreas bajo la curva normal estandarizada ...........................................................46
CARACTERÍSTICAS DE LA CURVA NORMAL .............................................................................55
FORMULA PARA CALCULAR LA PUNTUACION TIPIFICADA Z.......................................................55
UNIDAD 2 ...................................................................................................................................62
POBLACIÓN O UNIVERSO ESTADÍSTICO......................................................................................62

Tipos de muestreo ..................................................................................................................62
Tipos de población:.................................................................................................................62
Muestreo probabilístico:.........................................................................................................62
Muestreo no probabilístico:....................................................................................................62
MUESTREO .................................................................................................................................62
Muestra ..................................................................................................................................62
Tamaño de la muestra (n) ......................................................................................................63
Estimadores............................................................................................................................63
Tipos de Muestreo .................................................................................................................63
Tipos de población .................................................................................................................63
Muestreo Probabilístico .........................................................................................................63
Muestreo No Probabilístico....................................................................................................63
CALCULO DE LA MUESTRA .........................................................................................................63
Población Finita: .....................................................................................................................63
Población Infinita: ..................................................................................................................63
Notación: ................................................................................................................................63
Nivel de Confianza ..................................................................................................................64
Tipos de Ensayos ....................................................................................................................64
1) Unilaterales ........................................................................................................................64
2) Bilateral ..............................................................................................................................64
Nivel de confianza NC.............................................................................................................68
Tipos de ensayo ......................................................................................................................68
Ensayo Unilateral derecho .....................................................................................................68
Ensayo Unilateral izquierdo....................................................................................................69
Ensayo Bilateral ......................................................................................................................69
CALCULO DEL TAMAÑO DE LA MUESTRA INFINITA ....................................................................73
TIPOS DE MUESTREO..................................................................................................................75
MUESTREO PROBABILISTICO. .................................................................................................75
MUESTREO ALEATORIO SIMPLE. - ..........................................................................................75
MUESTREO SISTEMÁTICO. - ...................................................................................................75
MUESTREO ESTRATIFICADO. – ...............................................................................................76
AFIJACION SIMPLE: .................................................................................................................76
AFIJACIÓN PROPORCIONAL: ...................................................................................................76

AFIJACIÓN ÓPTIMA: ...............................................................................................................76
MUESTREO ALEATORIO CONGLOMERADO. ...........................................................................76
CARACTERISTICAS, VENTAJAS Y DESVENTAJAS DEL MUESTREO ................................................77
VERIFICACION DE HIPOTESIS ......................................................................................................88
PROCEDIMIENTO PARA VERIFICACIÓN DE LA HIPÓTESIS .......................................................90
Tipos de error .............................................................................................................................92
ÍNDICE DE CUADROS
CUADRO 1 TIPO DE VARIABLES .................................................................................... 9

CUADRO 2 Ejemplos de Variables .................................... ¡Error! Marcador no definido.
ÍNDICE DE GRÁFICOS
GRÁFICO 1 DEL PROCESO ESTADÍSTICO. ................................................................... 6

GRÁFICO 2 DE POBLACIÓN Y MUESTRA .................................................................... 7
ÍNDICE DE ILUSTRACIONES
Ilustración 1Población ............................................................................................................ 6

Ilustración 2 Muestra .............................................................................................................. 6
Ilustración 3 Individuo............................................................................................................ 6

APLICACIÓN DE ESTADÍSTICA INFERENCIAL EN ECONOMÍA
ESTADÍSTICA
La estadística es una disciplina científica que se ocupa de la obtención, orden y análisis
de un conjunto de datos con el fin de obtener explicaciones y predicciones sobre
fenómenos observados.
Estadística descriptiva: Se refiere a los métodos de recolección, organización, resumen

y presentación de un conjunto de datos. Se trata principalmente de describir las
características fundamentales de los datos y para ellos se suelen utilizar indicadores,
gráficos y tablas.
Estadística inferencial: Se trata de un paso más allá de la mera descripción. Se refiere

a los métodos utilizados para poder hacer predicciones, generalizaciones y obtener
conclusiones a partir de los datos analizados teniendo en cuenta el grado de
incertidumbre existente.
La estadística inferencial se subdivide a su vez en dos grandes tipos: estadística

paramétrica y no paramétrica.
Estadística paramétrica: Se caracteriza porque asume que los datos tienen una
determinada distribución o se especifican determinados parámetros que deberían
cumplirse. Así, por ejemplo, en un análisis paramétrico podemos trabajar bajo el
supuesto de que la población se distribuye como una Normal (hay que justificar nuestro
supuesto) y luego sacar conclusiones bajo el supuesto que esta condición se cumple.
Estadística no paramétrica: En ella no es posible asumir ningún tipo de distribución

subyacente en los datos ni tampoco un parámetro específico. Un ejemplo de este tipo de
análisis es la prueba binomial.
Probabilidad
Deducir las leyes que rigen esos fenómenos.

GRÁFICO DEL PROCESO DE INFERENCIA ESTADÍSTICA
GRÁFICO 1DEL PROCESO ESTADÍSTICO.
Población:
Todo el universo de estudio que contiene características relacionadas a la variable de
estudio.
Ilustración 1Población
Muestra
Parte de una población en la cual se realiza la investigación.
Ilustración 2Muestra
Individuo estadístico
Cualquier elemento que por aparte información sobre el fenómeno
que se estudia.
✓ Si estudiamos altura de los niños de una clase, cada alumno

es un individuo.
✓ Si se estudia el precio de la vivienda, cada vivienda es un Ilustración 3Individuo
individuo.

GRÁFICO DE POBLACIÓN Y MUESTRA.
GRÁFICO 2DE POBLACIÓN Y MUESTRA
RAZONES PARA ESTUDIAR LAS MUESTRA EN LUGAR DE LA

POBLACIÓN
a) Ahorrar tiempo y costo. Se invierte en menos individuos.
b) Es más posible de abarcar. Estudiar la totalidad a las personas con una
característica determinada en muchas ocasiones puede ser una tarea inaccesible
o imposible de realizar.
c) Aumentar la calidad del estudio. Al disponer de más tiempo y recursos, las
observaciones y mediciones realizadas a un reducido número de individuos
pueden ser más exactas y plurales que si las tuviésemos que realizar a una
población
d) Permite reducir la grupos heterogéneos de una población. La selección de
muestras específicas nos al indicar los criterios de inclusión y/o exclusión.
DATOS ESTADÍSTICOS
Son las agrupaciones de cualquier número de observaciones relacionadas.
Los datos estadísticos deben tener 2 características
✓ Que son completamente relacionadas entre sí

✓ Que tengan alguna relación.
La recolección de datos estadísticos se divide en datos internos y externos.

Datos Internos
No necesitan observaciones adicionales al experimento.
Por ejemplo
✓ Las calificaciones de una asignatura.
Datos Externos
Estos pueden ser bibliográficos o datos originales.
Los Datos Bibliográficos:
Encuentra utilizando fuentes bibliográficas como registros, actas, actos históricos,
Censos
DATOS ORIGINALES:
Se atienen recolectando la información en el campo de estudio mediante instrumentos,
encuestas, entrevistas, ficha de observación, referéndum, y que proporcionan datos
reales y certeros.
VARIABLE
Se considera como variable cualquier característica o propiedades general de una
población que sea posible medir con distintos valores o describir con diferentes
modalidades.
Ejemplo
✓ Coeficiente intelectual de los estudiantes de un grupo pueden tener diferentes

valores.
✓ Estado civil de los empleados de la organización.

Cuadro de tipo de variables.
TIPO DE
VARIABLE
CUALITATIVAS CUANTITATIVAS
NOMINAL ORDINAL CONTINUAS DISCRETAS
NO
IMPORTA NÚMEROS NÚMEROS
IMPORTA
EL ORDEN DECIMALES ENTEROS
EL ORDEN
- GÉNEROS -
SEMESTRE -PESO -NÚMEROS
-ESTADO DE HIJOS
-TALLA
CIVIL ESTUDIO
CUADRO 1 EJEMPLOS DE TIPO DE VARIABLES
CUADRO 2 EJEMPLO DE VARIABLES
Variable Cualitativa: Se refiere a características o cualidades que no pueden ser

medidas con números.
Variable Cualitativa Nominal: Una variable que presenta modalidades no numéricas que no
admiten un criterio de orden
Por ejemplo
El estado civil, puede ser: Soltero, casado, separado, divorciado y viudo
Variable Cualitativa Ordinal O Cuasi cualitativa: Representa modalidades no numéricas en
las que si existe el orden.

Por ejemplo
Medallas de una prueba deportiva (oro, plata, bronce o 1ro, 2do, 3er lugar)
Notas en el examen (sobresaliente 9,9 , muy bueno 8,7 ; bueno 7,5: notable, aprobado)
Variable Cuantitativa: Es la que se expresa mediante un número, por tanto, se puede
realizar operaciones aritméticas con ella.
Variable cuantitativa Discreta: Es aquella que sólo puede tomar un número finito de
valores entre dos valores de una característica, que se identifican como números
naturales.
Por ejemplo
Número de hermanos
Número de hijos
Variable cuantitativa Continua: Es la que se puede tomar un número infinito de valores
entre dos valores de una característica. Que se identifica con los números reales
mayores o iguales que cero
Por ejemplo
Medida de altura de tres amigos (1,73; 1,74; 1,50), medimos la altura con dos
decimales, pero también se puede dar con tres.
Variable Aleatoria: se llama variable aleatoria toda función que se asocia a cada
elemento del espacio muestral.
Por Ejemplo un número real.
Para designar variables aleatorias se utiliza la letra mayúscula X y Y y las respectivas
minúsculas (x,y......) para designar valores concretos de las mismas.
Variable Aleatoria Discreta. - Aquella que solo puede tomar valores enteros
Ejemplo:
Número de hijos en una familia
Puntuación obtenida en un examen
Variable Aleatoria Continua. - Aquello que pueda tomar todos los valores posibles
dentro de un cierto intervalo de la recta real.
Ejemplo:
Altura de los alumnos de una clase
Horas de duración de una pila
VARIABLES ALEATORIAS
Una variable aleatoria es aquella que asume sus valores de acuerdo a los resultados
de un experimento aleatorio. Usualmente se representa por las últimas letras del
alfabeto: X, Y o Z. Una variable aleatoria X es una función cuyo dominio es la colección
de eventos del espacio muestral S y cuyo rango Rx , es un subconjunto de los números
reales.
Ejemplos de variables aleatorias:

• X: La suma que aparece al lanzar un par de dados.
• Y: El número de caras que aparecen al lanzar una moneda tres veces.
• Z: El número de errores que se encuentran en la página de un libro.
• T: El tiempo de vida de la componente de un sistema
• W: El tiempo de espera para ser atendido en un banco
Ejemplo .1 De una caja que contiene 5 bolas numeradas del 1 al 5 se extraen 3 bolas una por
una y sin reposición.
Entonces X: El mayor de los tres números sacados, es una variable aleatoria.
El espacio muestral es: S = {(1,2,3), (1,2,4), (1,2,5), (1,3,4), (1,3,5), (1,4,5), (2,3,4), (2,3,5),
(2,4,5), (3,4,5)} y la variable aleatoria X asume los valores: 3, 4 y 5.
Por ejemplo, X(2,3,4)=4
Si el rango de valores Rx de la variable aleatoria X es finito o infinito enumerable entonces se

dice que es una variable aleatoria discreta. Si su rango de valores Rx es infinito no enumerable
entonces se dice que es una variable aleatoria continua.
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA

DISCRETA
VALOR ESPERADO O ESPERANZA MATEMÁTICA: Sea X una variable aleatoria discreta
con función de probabilidad p(x) y rango de valores Rx, entonces su Valor Esperado o
Media se define como el número: 𝜇=E(X) =∑𝑥 𝑥𝑃(𝑥)
La suma es sobre todos los valores x que están en Rx .

La VARIANZA de una variable aleatoria discreta x con función de probabilidad p(x) y
media  se define por: 𝜎 2 =∑(𝑥 − 𝜇)2 𝑃(𝑥)
Donde la suma es sobre todos los valores del rango de X.

Ejemplo: hallar la media y la varianza de números de artículos dañados. (Información
de la tabla)
x p(x) X.p(x) x -µ (x -µ)2.p(x)

0 1/6. 0 -1,2 0,24
1 1/2. 1/2. -0,2 0,02
2 3/10. 6/10. 0,8 0,192
3 1/30. 1/10. 1,8 0,121
µ =1,2 𝜎 2 =0,573
De la tabla la varianza 𝜎 2 =∑(𝑥 − 𝜇)2 𝑃(𝑥) = 0,573
Otras formas de calcular las varianzas son: 𝜎 2 = ∑(𝑥)2 𝑃(𝑥) − (𝜇)2

DISTRIBUCIÓN BINOMIAL. -
La variable aleatoria binomial x, expresa el número de éxitos obtenidos en cada prueba
del experimento.
Esta es una variable aleatoria discreta, solo puede tomar los valores de 0,1,2,3,4….n
suponiendo que se han realizado n pruebas.
Ejemplo: Al lanzar una moneda 10 veces y obtener 6 caras k=6
DISTRIBUCION DE PROBABILIDAD BINOMIAL

En el desarrollo de la distribución binomial se aplican los trinomios y criterios de
desarrollo de la teoría de binomio.
TRIANGULO DE PASCAL
(𝑝 + 𝑞 )0 1𝐶00
(𝑝 + 𝑞 )1 1𝐶01 1𝐶11
(𝑝 + 𝑞 )2 1𝐶02 2𝐶12 1𝐶22
3 3
(𝑝 + 𝑞 )3 1𝐶0 3𝐶1 3𝐶2 1𝐶33
3
(𝑝 + 𝑞 )4 1𝐶04 4𝐶14 𝟔𝑪𝟒𝟐 4𝐶34 1𝐶44

(𝑝 + 𝑞 )5 1𝐶05 5𝐶15 10𝐶25 10𝐶35 5𝐶45 1𝐶55
(𝑝 + 𝑞 )6 1𝐶0 6𝐶16
6
𝟏𝟓𝑪𝟔𝟐 20𝐶36 15𝐶46 6𝐶56 1𝐶66
(𝑝 + 𝑞 )7 1𝐶07 7𝐶17 21𝐶27 35𝐶37 𝟑𝟓𝑪𝟕𝟒 21𝐶57 7𝐶67 1𝐶77
FÓRMULA PARA DESARROLLAR LA COMBINACIÓN
Verificación de las combinaciones que forman el triángulo de pascal

𝑚!
𝐶𝑝𝑚 = (𝑚
𝑝) =
(𝑚 − 𝑝)! 𝑝!
4!
𝐶24 = (42 ) =
2! 2!
2! 3 .4
𝐶24 = (42 ) =
2! 1.2
4 4
12
𝐶2 = (2 ) =
2
𝐶24 = (42 ) = 6
•
𝑚!
𝑝) =
(𝑚 − 𝑝)! 𝑝!

4!
𝐶34 = (43 ) =
1! 3!
3! 4
𝐶34 = (43 ) =
3! 4
𝐶34 = (43 ) = 4
•
𝑚!
𝑝) =
(𝑚 − 𝑝)! 𝑝!
5!
𝐶25 (52 ) =
3! 2!
3! 4.5
𝐶25 (52 ) =
3! 1.2
𝐶25 (52 ) = 10
•
𝑚!
𝑝) =
(𝑚 − 𝑝)! 𝑝!
7!
𝐶37 = (73 ) =
4! 3!
4! 5.6.7
𝐶37 = (73 ) =
4! 3.2.1
𝐶37 = (73 ) = 35
Verificación de la formación del triángulo con las sumas de la combinación

•
𝐶24 = 𝐶13 + 𝐶23
4! 3! 3!
= +
2! 2! 2! 1! 1! 2!
2! 3.4 2! 3 2! 3
= +
2! 1.2 2! 1! 2! 1
6 = 3+3
6=6
•
𝐶26 = 𝐶15 + 𝐶25
6! 5! 5!
= +
4! 2! 4! 1! 3! 2!
4! 5.6 4! 5 3! 4.5
= +
4! 2.1 4! 1 3! 2.1
15 = 5+10
15 = 15
•
𝐶47 = 𝐶36 + 𝐶46
7! 6! 6!
= +
3! 4! 3! 3! 2! 4!
4! 5.6.7 3! 4.5.6 4! 5.6
= +
4! 3.2.1 3! 3.2.1 4! 2.1
35 = 10+15
35 = 35
Recordar
p= éxito
q= fracaso

Desarrollo de los binomios
Para desarrollar un binomio elevado a la n (𝑝 + 𝑞)𝑛 se utiliza los términos de las filas
de los triángulos de pascal (n<10)
Ejemplo:
•
(𝑝 + 𝑞)4 = 1𝑝4 + 4𝑝3 𝑞 + 6 𝑝2 𝑞2 + 4 𝑝0 𝑞3 + 1𝑞4
(𝑝 + 𝑞)4 = 𝐶04 𝑝4 + 𝐶14 𝑝3 𝑞 + 𝐶24 𝑝2 𝑞2 + 𝐶34 𝑝0 𝑞3 + 𝐶44 𝑞4
•
(𝑝 + 𝑞)12 = 1𝑝12 + 12𝑝11 𝑞 + 66 𝑝10𝑞2 + 220 𝑝9 𝑞3 + 495 𝑝8 𝑞 4 + 792𝑝7 𝑞5
+ 924 𝑝6 𝑞6 + 729 𝑝5 𝑞7 + 495 𝑝4 𝑞8 + 220 𝑝3 𝑞9 + 66 𝑝2 𝑞10
+ 12 𝑝1 𝑞11 + 1𝑞12
(𝑝 + 𝑞)12 = 𝐶012𝑝12 + 𝐶112 𝑝11 𝑞 + 𝐶212𝑝10𝑞2 + 𝐶312 𝑝9 𝑞3 + 𝐶412𝑝8 𝑞4 + 𝐶512 𝑝7 𝑞5

+ 𝐶612𝑝6 𝑞6 + 𝐶712𝑝5 𝑞7 + 𝐶812 𝑝4 𝑞8 + 𝐶912 𝑝3 𝑞9 + 𝐶10
12 2 10
𝑝 𝑞
12 1 11 12 12
+ 𝐶11 𝑝 𝑞 + 𝐶12 𝑞
Ejemplo:
Aplicación. - Usando el desarrollo del binomio indican el espacio muestral del
lanzamiento de la moneda 4 veces
p=cara = ½
q= sello = ½
• (𝑝 + 𝑞)4
(𝑝 + 𝑞)4 = 𝐶04 𝑝4 𝑞0 + 𝐶14 𝑝3 𝑞 + 𝐶24 𝑝2 𝑞2 + 𝐶34 𝑝0 𝑞3 + 𝐶44 𝑞4
4
1 4 1 0 1 3 1 1 1 2 1 2 1 1 1 3 1 0 1 4
(𝑝 + 𝑞) = 1 ( ) ( ) + 4 ( ) ( ) + 6 ( ) ( ) + 4 ( ) ( ) + ( ) ( )
2 2 2 2 2 2 2 2 2 2
4
1 1 1 1 1 1 1 1
(𝑝 + 𝑞) = 1 ( ) (1) + 4 ( ) ( ) + 6 ( ) ( ) + 4 ( ) ( ) + ( )
16 8 2 4 4 2 8 16
4
1 4 6 4 1
(𝑝 + 𝑞) = ( ) + ( ) + ( ) + ( ) + ( )
16 16 16 16 16
0 caras, 4 sellos
1 caras, 3 sellos
2 caras, 2 sellos
3 caras, 1 sellos
4 caras, 0 sellos

EVENTOS
GRAFICO DEL EXPERIMENTO
TABLA DE FRECUENCIAS
GRAFICO
PROBABILIDADES EN EL DESARROLLO DEL BINOMIO

(𝑝 + 𝑞)𝑛 = 𝐶0𝑛 𝑝𝑛 𝑞0 + 𝐶1𝑛 𝑝𝑛−1 𝑞1 + 𝐶2𝑛 𝑝𝑛−2 𝑞2 + 𝐶3𝑛 𝑝𝑛−3 𝑞3 + ⋯ . +𝐶𝑛𝑛 𝑝0𝑞𝑛
DISTRIBUCIÓN BINOMIAL
A esta distribución se le denominan como método exacto y se trabaja con una
distribución de variables aleatorias discretas
En el desarrollo del binomio se puede considerar “que si durante repetidos ensayos,

siendo “p” la probabilidad de éxito en un solo “q” la probabilidad de fracaso, entonces
la probabilidad P de que se obtenga " éxitos en n ensayos, es el término del desarrollo
binomial de (p+q)n “.
La fórmula general para cada término es:
𝑛
𝑃(𝑥 ) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
𝑛!
𝑃 (𝑥 ) = 𝑝 𝑥 𝑞𝑛−𝑥
(𝑛 − 𝑥 )! 𝑥!
Notación:
n = Número de ensayos, elementos de la muestra
x = Número de éxitos
p = probabilidad de éxito en cada ensayo
q = probabilidad de fracaso en cada ensayo
Los criterios que debe cumplir cada experimento:
a) Debe existir un número fijo de pruebas repetidas (n)

b) Cada una de las n pruebas debe tener dos resultados, favorable o desfavorable.
En el caso de la moneda, será: cara o sello, por lo tanto, son sucesos mutuamente
excluyentes.
c) La probabilidad de éxito de un acontecimiento es fijo, algo similar sucede con el
fracaso.

d) Las pruebas son independientes, ya que el resultado de un ensayo no afecta el
resultado de otro.
e) Nos interesa el número de éxitos en (n) pruebas
ESPACIO MUESTRAL
El espacio muestral nos da a conocer todos los casos posibles del experimento.
Por ejemplo al lanzar las monedas los espacios muestrales son:
2 monedas c s 4 monedas c s
c cc cs ccc cccc cccs
s sc ss csc cscc cscs
scc sccc sccs
3 monedas c s ssc sscc sscs
cc ccc ccs ccs ccsc
cs csc css css cssc csss
sc scc scs scs scss
ss ssc sss sss ssss
Ejemplo: el espacio muestral para el experimento consistente en lanzar cuatro monedas

(n = 4), con el consiguiente resultado
(𝑝 + 𝑞)4 = (1/2 + 1/2)

4
1 4 6 4 1
(𝑝 + 𝑞)4 = ( )+( )+( )+( )+( )
16 16 16 16 16
Tabla del espacio muestral

0 caras 1 cara 2 caras 3 caras 4 caras
SSSS CSSS CCSS CCCS CCCC
SCSS CSCS CCSC
SSCS SCCS CSCC
SSSC SCSC SCCC
SSCC
CSSC
1/16 4/16 6/16 4/16 1/16

Tabla de distribución probabilidad binomial
x h fracción h decimal %=h *100 evento
0 1/16 0.0625 6.25 0 caras ( 4 sellos)
1 4/16 0.25 25 1 caras (3 sellos)
2 6/16 0.375 37.5 2 caras (2 sellos)
3 4/16 0.25 25 3 caras ( 1 sellos)
4 1/16 0.0625 6.25 4 caras (0 sellos)
100
x f h %= h*100 EVENTO
0 1 0.0625 6.25 0 caras ( 4 sellos)
1 4 0.25 25 1 caras (3 sellos)
2 6 0.375 37.5 2 caras (2 sellos)
3 4 0.25 25 3 caras ( 1 sellos)
4 1 0.0625 6.25 4 caras (0 sellos)
16 1 100
Diagrama de frecuencias de distribución binomial

En este grafico sobre el eje x se marcan los éxitos y en el eje y se marcan los
porcentajes.
LANZAMIENTO DE UNA MONEDA 4 VECES

37,5
40
PORCENTAJE
30 25 25
20
10 6,25 6,25
0
Categoría 1
EVENTOS
0 1 2 3 4
EJERCICIO (4A)
Suponer el lanzamiento de 9 monedas o una moneda lanzada 9 veces. Cuál es la

probabilidad de obtener:
a) Exactamente 4 caras (solo 4)

DATOS: p=1/2=0,5 q= ½= 0,5 n= 9 x=4 EXITO
FORMULA
𝑛!
𝑃(𝑥 ) = (𝑛𝑥)𝑝 𝑥 𝑞𝑛−𝑥 = (𝑛−𝑥)!𝑥! 𝑝 𝑥 𝑞𝑛−𝑥
9! 5!.6.7.8.9
PROCESO 𝑃(𝑥 = 4) = (49)(0.5)4 (05)5 = 5!4! (0.5)4 (0.5)5 = 5!1.2.3.4. (0.5)4 (0.5)5
𝑃(𝑥 = 4) = 126 (0.5)9 = 0.2461
𝑃(𝑥 = 4) = 24,61% La probabilidad de obtener exactamente 4 caras en el

lanzamiento de 9 monedas
b) Por lo menos 3 caras (mínimo tres caras)
DATOS:
p=1/2=0,5 q= ½= 0,5 n= 9 x≥ 3 (3,4,5,6,7,8,9) ÉXITO; fracaso x< 3 (0,1,2)
FORMULA
𝑛!
c) 𝑃(𝑥 ) = (𝑛𝑥)𝑝 𝑥 𝑞𝑛−𝑥 = (𝑛−𝑥)!𝑥! 𝑝 𝑥 𝑞𝑛−𝑥
P + q=1 p= 1 – q q= 1 – p
PROCESO:
P(x≥ 3)= 1 – (P(0) + P(1) + P(2))
P(x≥ 3)= 1 – ((09)0.50 (0.5)9 +(19)0.51 (0.5)8 +(29)0.52 (0.5)7 )
P(x≥ 3)= 1 –(1 (0.59 ) + 9 (0.59 ) +36( 0.59 )) = 1 – 46(0.59 )
P(x≥ 3)= 0.9101
P(x≥ 3)= 91,01% La probabilidad de obtener Por lo menos 3 caras (mínimo tres
caras) en el lanzamiento de 9 monedas
c) Máximo 2 caras
DATOS:
p=1/2=0,5 q= ½= 0,5 n= 9 x≤ 2 (0.1.2) ÉXITO
FORMULA

𝑛!
a) 𝑃(𝑥 ) = (𝑛𝑥)𝑝 𝑥 𝑞𝑛−𝑥 = (𝑛−𝑥)!𝑥! 𝑝 𝑥 𝑞𝑛−𝑥
P(x≤ 2)= P(0) + P(1) + P(2)
P(x≤ 2)= (09)0.50 (0.5)9 +(19)0.51 (0.5)8 +(29)0.52 (0.5)7 )
P(x≤ 2)= (0.59 ) + 9 (0.59 ) +36( 0.59 ) = 46(0.59 )
P(x≤ 2)= 0.0898
P(x≤ 2)= 8,98% La probabilidad de obtener máximo 2 en el lanzamiento de 9 monedas
d) máximo 7 caras
DATOS:
p=1/2=0,5 q= ½= 0,5 n= 9 x≤ 7 (0,1,2,3,4,5,6,7) ÉXITO; fracaso x> 7 (8,9)
FORMULA
𝑛!
a) 𝑃(𝑥 ) = (𝑛𝑥)𝑝 𝑥 𝑞𝑛−𝑥 = ( 𝑝 𝑥 𝑞𝑛−𝑥
𝑛−𝑥)!𝑥!
P + q=1 p= 1 – q q= 1 – p
PROCESO
P(x≤ 7 )= 1 – ( P(8) + P(9) )
P(x≤ 7 )= 1 − ((89)0.58 (0.5)1 +(99)0.59 (0.5)0 )
P(x≤ 7 )= 1 − (9(0.5)9 +1.(0.5)9) = 1 − (10(0.5)9 ) = 1 – 0.019531
P(x≤ 7 )= 0.9804
P(x≤ 7 )= 98,04% La probabilidad de obtener máximo 7 en el lanzamiento de 9

monedas
e) Exactamente 4 caras o mínimo 3 caras

Datos
P(x=4) = 24,61%
P(x≥ 3)= 91,01%
FORMULA
PUQ=P+Q

P(x=4) U P(x≥ 3)= P(x=4) + P(x≥ 3)
P(x=4) U P(x≥ 3)= 24,61% + 91,01%
f) P(x=4) U P(x≥ 3)= 115,62% La probabilidad de obtener Exactamente 4 caras
o mínimo 3 caras en el lanzamiento de 9 monedas, considerando que el evento
de 4 caras esta repetido en los eventos, lo que provoca el exceso del 100%
TALLER
Usar el membrete
Escribir enunciado del problema, datos, formula, proceso, respuesta,
interpretación.
Subir al aula en pdf, en el tiempo establecido.
Hallar la probabilidad de obtener exactamente 8 caras o más de 11 caras si se
lanza una moneda 13 veces.
a) La probabilidad de obtener exactamente 8 caras
b) La probabilidad de obtener más de 11 caras
c) probabilidad de obtener exactamente 8 caras o más de 11 caras
EJERCICICIO (4B)

b) Exactamente 7 caras
DATOS: P=1/2=0,5 q= ½= 0,5 n= 15 x=7 EXITO
FORMULA
𝑛!
PROCESO
15!
𝑃(𝑥 = 7) = (15
7
)0.57 0.58 =
8!7!
0.57 0.58 =

8!.9.10.11.12.13.14.15
𝑃(𝑥 = 7) = 0.57 0.58 =6435 (0.5)15 = 0.1963
8!1.2.3.4.5.6.7
𝑃(𝑥 = 7) = 19.63% la probabilidad de obtener exactamente 7 caras al lanzar una

moneda 15 veces
c) Por lo menos 2 caras (mínimo dos caras)
DATOS:
p=1/2=0,5 q= ½= 0,5 n= 15 x≥2 (2,3,4….15) ÉXITO fracaso x=0,1
FORMULA
𝑛!
𝑝+𝑞 = 1 p= 1- q q= 1 – p
PROCESO
P(x≥2 ) = 1 – ( P(x=0) + P(x=1))
P(x≥2 ) = 1 – ( (15
0
)𝑝0 𝑞15 + (15
1
)𝑝1 𝑞14) = 1 – ( (15
0
)0.50 0.515 + (15
1
)0.51 0.514 )
P(x≥2 ) = 1 – (0.515+15(0.515) = 1 – 488.28E-6 =0.9995
P(x≥2 ) = 99.95 % la probabilidad de obtener por lo menos 2 caras al lanzar una

moneda 15 veces
d) Máximo 4 caras
e) p=1/2=0,5 q= ½= 0,5 n= 15 x≤4 (0,1,2,3,4) ÉXITO fracaso
x=5,6,7…..15
f) FORMULA
𝑛!
P(x≤4 ) = P(x=0) + P(x=1) + P(x=2) + P(x=3) + P(x=4)
P(x≤4 ) = (15
0
)𝑝0 𝑞15 + (15
1
)𝑝1 𝑞14) + (15
2
)𝑝2 𝑞13 + (15
3
)𝑝3 𝑞12) +(15
4
)𝑝4𝑞11
P(x≤4 ) = (15
0
)0.50 0.515 + (15
1
)0.51 0.514 ) + (15
2
)0.52 0.513 + (15
3
)0.53 0.512 ) +(15
4
)0.54 0.511
P(x≤4 ) = 1(0.515 ) + 15(0.515 ) + 105(0.515 ) + 455(0.515 ) +1365(0.515 ) =1941(0.515 )
P(x≤4 ) = 0,0592

P(x≤4 ) = 5.92% la probabilidad de obtener Máximo 4 caras al lanzar una moneda 15
veces
e) Mas de 13 caras
P(x≥13 ) = 0.0488% la probabilidad de obtener Más de 13 caras al lanzar una moneda

15 veces
f) Menos de 3 caras
P(x≤3 ) = 0.37% la probabilidad de obtener Menos 3 caras al lanzar una moneda 15

veces
g) Menos de 3 caras o Mas de 13 caras (o unión, y producto)

PUQ=P+Q
P(x≤3 ) U P(x≥13 ) = P(x≤3 ) + P(x≥13 ) =0. 37%+ 0.0488% = 0.41%
P(x≤3 ) U P(x≥13 ) = 0.41% la probabilidad de obtener Menos 3 caras o mas de 13

caras al lanzar una moneda 15 veces
TALLER
Usar el membrete
Escribir enunciado, datos, formula, proceso, respuesta, interpretación.
Hallar la probabilidad de obtener exactamente 4 caras o más de 5 caras si se
lanza una moneda 7 veces.
d) La probabilidad de obtener exactamente 4 caras
e) La probabilidad de obtener más de 5 caras
f) probabilidad de obtener exactamente 4 caras o más de 5 caras

EJERCICIOS (4C)

a) Exactamente 5 caras
Datos: p= ½ q=1/2 n=11 x=5 éxitos
FORMULA:
𝑛!
𝑃 (𝑥 ) = (𝑛𝑥)𝑝 𝑥 𝑞𝑛−𝑥 = (𝑛−𝑥)!𝑥! 𝑝 𝑥 𝑞𝑛−𝑥
PROCESO:
11! 6!.7.8.9.10.11
P(X=5) = (11
5
)𝑝5𝑞6 = (11
5
)(1/2)5 (1/2)6 = ( ) (1/2)5 (1/2)6 = (6)!1.2.3.4.5
(1/2)5 (1/2)6
6 !5!
P(X=5) =462 (0,5)11= 0,2256
P(X=5) =22,56% la probabilidad de obtener 5 caras al lanzar una moneda 11 veces.
b) Por lo menos 3 caras (mínimo tres caras)

Datos: p= ½ q=1/2 n=11 x≥ 𝟑 éxitos (3,4,5,6,7,….11) fracaso
x=0,1,2
P (x≥ 𝟑) =1- q
P (x≥ 𝟑) =1- (P(x=0) +P(x=1) + P(x=2))
P (x≥ 𝟑) =1- ((11
0
)𝑝0 𝑞11 +(11
1
)𝑝1 𝑞10 + (11
2
)𝑝2 𝑞9 ))
1
P (x≥ 𝟑) =1- ((11
0
)(1/2)0 ( )11 +(11
1
)(1/2)1 (1/2)10 + (11
2
)(1/2)2 (1/2)9 )
2
1
P (x≥ 𝟑) =1- ((11
0
)(1/2)0 ( )11 +(11
1
)(1/2)1 (1/2)10 +(11
2
)(1/2)2 (1/2)9)
2
P (x≥ 𝟑) =1- 0,03271 = 0,96729
P (x≥ 𝟑) = 96,73% la probabilidad de obtener por lo menos 3 caras al lanzar una

moneda 11 veces.
c) Máximo 8 caras
Datos: p= ½ q=1/2 n=11 x≤8 éxitos (1,2,3,4,5,6,7,8) fracaso x=9,10,11
P (x ≤ 𝟖) =1- q
P (x ≤ 𝟖) =1- (P(x=9) +P(x=10) + P(x=11))
P (x ≤ 𝟖) =1- ((11
9
)𝑝9 𝑞2 +(11
10
)𝑝10 𝑞1 + (11
11
)𝑝11 𝑞0 ))

P (x ≤ 𝟖) =1- ((11
9
)0,59 0,52 +(11
10
)0,510 0,51 + (11
11
)0,511 0,50 ))
P (x ≤ 𝟖) =1 - 0,03271 = 0,96729
P (x ≤ 𝟖) = 96,73% la probabilidad de obtener Máximo 8 caras al lanzar una
moneda 11 veces.
d) Menos de dos caras
P (x ≤ 𝟐) = P(0) + P(1)
P (x ≤ 𝟐) = 0,58 %
e) Exactamente 10 de caras
P(x=10) = 0,54 %
f) Menos de dos caras o exactamente 10 caras
PUQ=P+Q
P (x ≤ 𝟐)U P(x=10) = 0,58 % + 0,54 % =1,12%
TALLER
Usar el membrete
Escribir enunciado, datos, formula, proceso, respuesta, interpretación.
Hallar la probabilidad de obtener 5 o 6 caras si se lanza una moneda 8 veces.
g) La probabilidad de obtener exactamente 5 caras
h) La probabilidad de obtener exactamente 6 caras
i) probabilidad de obtener 5 o 6 caras

Ejercicios (4D):

g) Exactamente 4 caras
Datos: p= ½ q=1/2 n=12 x=4 éxitos
Formula:
𝑛
𝑃(𝑥 ) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
Proceso P(x=4)= (12

4
)𝑝4 𝑞8
12!
P(x=4)= (1/2)4 (1/2)8
8!4!
P(x=4)= 495(1/16)(1/256)
P(x=4)= 495(1/4096) = 0,1208
P(x=4)= 12,08 % de probabilidad de obtener 4 caras

al lanzar la moneda 12 veces.
h) Exactamente 10 caras
i) Datos: p= ½ q=1/2 n=12 x=10 éxitos
j) Por lo menos 2 caras (mínimo dos caras)

Datos: p= ½ q=1/2 n=12 x≥2 éxitos (2,3,4,5,6,7,8,9,10,11,12) x<2 (0,1) fracaso
Formula:
𝑛
𝑃(𝑥 ) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
P(x≥2) = P(2) + P(3)+ P(4) + P(5) +……. + P(12)

P(x≥2) = 1 – q
P(x≥2) = 1 – (P(0) + P(1))
P(x≥2) = 1 –( (12
0
)(0,5)0 (0,5)12 + (12
1
)(0,5)1 (0,5)11 )
P(x≥2) = 1 – (0,00024414 + 0,0029297) =1 – 0,0058594 = 0,9941
P(x≥2) = 99,41% de probabilidad de obtener por lo menos 2 caras al lanzar la
moneda 12 veces
k) Máximo 9 caras

Datos: p= ½ q=1/2 n=12 x≤9 éxitos (0,1,2,3,4,5,6,7,8,9,) 0 x> 𝟗 (10,11,12) fracaso
P(x≤9) = 1 – q
P(x≤9) = 1 – (P(10) + P(11)+P(12))
P(x≤9) = 1 –( (12
10
)(0,5)10(0,5)2 + (12
11
)(0,5)11 (0,5)1 + (12
12
)(0,5)12 (0,5)0 ))
P(x≤9) = 1 –(0,0007324) = 0,9992
P(x≤9) = 99,92% de probabilidad de obtener máximo 9 caras al lanzar la moneda
12 veces
l) Más de 10 caras
P(x>10) = P(11)+P(12)
P(x>10) = (12
11
)(0,5)11 (0,5)1 + (12
12
)(0,5)12 (0,5)0
P(x>10) = 0,0031738
P(x>10) =0,3174% de probabilidad de obtener más de 10 caras al lanzar la
moneda 12 veces
m) Menos de 3 caras
P(x<3) = P(0) +P(1) + P(2)

P(x<3) = (12
0
)(0,5)0 (0,5)12 + (12
1
)(0,5)1 (0,5)11 + (12
2
)(0,5)2 (0,5)10
P(x<3) = 0,0193
P(x<3) = 1,93% de probabilidad de obtener menos de 3 caras al lanzar la
moneda 12 veces
n) Más de 10 o menos de 3 caras

Aplicando la propiedad de probabilidades PUQ = P + Q
P(x>10 o x<3) = P(x>10) + P(x<3) = 0,3174% +1,93% = 2,247% = 2,25% es
la probabilidad de obtener Más de 10 o menos de 3 caras al lanzar la moneda
12 veces
TRABAJO EN CLASE
LIBRO: Estadística y Probabilidades, Muchaypiña Jorge LAFONTE pag. 143
MEMBRETE
Enunciado, datos, formula, proceso, respuesta, interpretación.
Ejercicio: Hallar la probabilidad de obtener 4 o 5 caras si se lanza una moneda
6 veces.
A) probabilidad de obtener 4
B) probabilidad de obtener 5
C) probabilidad de obtener 4 o 5 caras

Ejercicios:
En una facultad la probabilidad de que un alumno apruebe el semestre es el 80%,

si se tiene una muestra de 8 alumnos. Cuál es la probabilidad de que:
a) 2 ganen
b) 2 pierdan
c) Por lo menos 2 pierdan
d) Como máximo 2 ganen
DESARROLLO
a) n=8 x=2 p=80%= 0.8 (aprueben el semestre) q= 0.2
𝑛
𝑃(𝑥 ) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
𝑃(𝑥 = 2) = (82)(0.8)2 (0.2)6 = 28. (0.64). (0.2)6 = 0.00114
𝑃(𝑥 = 2) = 0.11%
b) n=8 x=6 p= 0.8 q= 0.2
𝑛
𝑃(𝑥 ) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑥
𝑃(𝑥 = 6) = (86)(0.8)6 (0.2)2 = 28. (0.26144). (0.4) = 0.29366
𝑃 (𝑥 = 6) = 29.36%
c) n=8 x=2,3,4,5,6,7y8 p= 2 q= 0.8
𝑃(𝑥 ≥ 2) = 𝑝(2) + 𝑝(3) + 𝑝(4) + 𝑝(5) + 𝑝(6) + 𝑝(7) + 𝑝(8) = 1 − ⌊𝑝(0) + 𝑝(1)⌋
𝑝(𝑥 ≥ 2) = 1 − ⌊(80)(0.20 )(0.28) + (81)(0.21 )(0.27) ⌋ = 1 − (0.1678 + 0.3355)
𝑃(𝑥 ≥ 2) = 49.67%
d) n=8 x=0,1,2,3,4,5,6 p= 0.8 q= 0.2
𝑃(𝑥 ≥ 6) = 𝑝(2) + 𝑝(3) + 𝑝(4) + 𝑝(5) + 𝑝(6) = 1 − ⌊𝑝(7) + 𝑝(8)⌋
𝑝(𝑥 ≥ 6) = 1 − ⌊(87)(0.21 )(0.27) + (88)(0.20 )(0.28) ⌋ = 1 − (0.3355 + 0.1678)
𝑃(𝑥 ≥ 6) = 49.67%

DISTRIBUCIÓN DE POISSON
La distribución de Poisson se trabaja con variables discretas.
En una distribución binomial cuando es grande, por lo general es mayor a 50 y la

probabilidad de éxito de un suceso, se acerca a cero, mientras que la probabilidad de
fracaso se aproxima a 1, de tal manera que el producto de simbolizado por lambda 𝝀, sea
mayor o igual a 5, debe utilizarse la distribución de Poisson.
Algunos autores consideran no solo el hecho de que sea muy pequeño, sino también
cuando es tan grande que se aproxima a 1, y 𝝀 ≤ 5, en ambos casos se puede aplicar esta
distribución.
La tabla que se adjunta al final da opción donde 𝝀 ≤ 10, como algunos lo aceptan,
contrario a un valor menor o igual a 5.
𝝀𝒙.ⅇ−𝝀
FÓRMULA: 𝑷(𝒙) = 𝒙!
ⅇ= 2,71828 (base de logaritmo neperiano)

SIENDO: 𝝀 = 𝒏𝒑
x= número de casos favorables.
𝑷(𝒙) =probabilidad éxito que se va a calcular por un valor dado
EJERCICIOS (4A)
El 4% de las bombillas fabricadas por una compañía son defectuosas, hallar la
probabilidad de que, en una muestra de 300 bombillas,
a) 6 sean defectuosas. (valor exacto x= 6)
Datos: n= 300 x= 6 defectuosas p= 4%= 0.04 defect. 𝝀 = 𝒏𝒑=300*0.04=12
𝝀𝒙.ⅇ−𝝀
𝟏𝟐𝟔 .ⅇ−𝟏𝟐
PROCESO: 𝑷(𝒙 = 𝟔) = =4147.2 * ⅇ−𝟏𝟐 = 0.02548
𝟔!
𝑷(𝒙 = 𝟔)= 2.55% es la probabilidad de que 6 bombillas sean

defectuosas en una muestra de 300 bombillas.
b) Por lo menos 4 bombillas defectuosas (mínimo x= 4,5,6,7,….300)
Datos: n= 300 x≥ 4 defectuosas EXITO FRACASO X= 0,1,2,3 p= 4%= 0.04 defect.
𝝀 = 𝒏𝒑=300*0.04=12

𝝀𝒙.ⅇ−𝝀
FÓRMULA: 𝑷(𝒙) = P = 1-q
𝒙!
P(x≥ 4) = 1 – (P(0) + P(1) + P(2) + P(3))
PROCESO
𝟏𝟐𝟎 .ⅇ−𝟏𝟐 𝟏𝟐𝟏 .ⅇ−𝟏𝟐 𝟏𝟐𝟐.ⅇ−𝟏𝟐 𝟏𝟐𝟑.ⅇ−𝟏𝟐

P(x≥ 4) = 1 – ( + + 𝟐! + )
𝟎! 𝟏! 𝟑!
P(x≥ 4) = 1 – 373*ⅇ−𝟏𝟐= 1 –0.0022917 = 0.9977
P(x≥ 4) = 99.77% es la probabilidad de que Por lo menos 4 bombillas

sean defectuosas en una muestra de 300 bombillas.
c) Máximo 2 Bombillas Sean Defectuosas ( x= 0,1,2)
Datos: n= 300 x≤ 2 defectuosas EXITO p= 4%= 0.04 defect. 𝝀 = 𝒏𝒑=300*0.04=12
𝝀𝒙.ⅇ−𝝀
P(x≤ 2) = P(0) + P(1) + P(2)
Proceso
𝟏𝟐𝟎 .ⅇ−𝟏𝟐 𝟏𝟐𝟏.ⅇ−𝟏𝟐 𝟏𝟐𝟐.ⅇ−𝟏𝟐

P(x≤ 2) = + + =85* ⅇ−𝟏𝟐 = 5.2225 E-4
𝟎! 𝟏! 𝟐!
P(x≤ 2) = 0,052 % es la probabilidad de que Máximo 2 bombillas

sean defectuosas en una muestra de 300 bombillas.
Estadística y muestreo de Ciro Martínez Ed 10 pg 242

73) La tasa de mortalidad de cierta enfermedad es de tres por mil. Cual es la
probabilidad de que en un grupo de 500 personas:
a) Mas de dos mueran

b) Como máximo dos mueran
c) 5 mueran

67) el promedio de atracos de cierta ciudad es de 2 atracos por día. Utilizando la
probabilidad de Poisson, determinar la probabilidad de que en un día dado, haya:
a) Mas de tres atracos (x= 3, 4,…..)

b) A lo más dos atracos (máximo x= 0, 1,2)
c) 3 atracos (x=3)
Tarea de clase
El conmutador de una clínica recibe un promedio de 20 llamadas cada 2 minutos

(120 segundos). Cuál es la probabilidad de que llegue:
a) Exactamente 4 llamadas en un periodo de 30 segundos
b) Mínimo 3 llamadas en un periodo de 30 segundos
c) Como máximo 2 llamadas en un periodo de 15 segundos
EJERCICIOS (4B)
probabilidad de que, en una muestra de 750 bombillas:
a) 7 sean defectuosas.
Datos: n= 750 x= 7 defectuosas ÉXITO p= 6%=0,06 defect.
𝝀 = 𝒏𝒑 = 750*0.06= 45
𝝀𝒙 .ⅇ−𝝀
FÓRMULA: 𝑷(𝒙) =
𝒙!
𝟒𝟓𝟕 .ⅇ−𝟒𝟓
PROCESO: 𝑷(𝒙 = 𝟕) = =2.12 E -12 = 2.12E-10 %
𝟕!
𝑷(𝒙 = 𝟕) = 𝟐. 𝟏𝟐 ⅇ − 𝟏𝟎 % es la probabilidad de que 7 bombillas sean defectuosas de

una muestra de 750.
b) Mínimo 3 sean defectuosas (x= 3,4,5….750)
Datos: n= 750 x≥ 3 (3,4,5…) defectuosas ÉXITO p= 6%=0,06 defect. Fracaso x= 0,1,2
𝝀 = 𝒏𝒑 = 750*0.06= 45
FÓRMULA: 𝑷(𝒙) = P=1-q
𝒙!
P(x≥ 3) = 1 – ( P(0) + P(1) + P(2) )
𝟒𝟓𝟎 .ⅇ−𝟒𝟓 𝟒𝟓𝟏 .ⅇ−𝟒𝟓 𝟒𝟓𝟐.ⅇ−𝟒𝟓

P(x≥ 3) = 1 – ( + + ) = 1- 1058,8 ⅇ−𝟒𝟓 = 1 - 0 = 1
𝟎! 𝟏! 𝟐!

P(x≥ 3) = 100 % es la probabilidad de que Mínimo 3 bombillas sean defectuosas de
una muestra de 750.
probabilidad de que, en una muestra de 250 bombillas:
a) Máximo 4 sean defectuosas. (X= 0,1,2,3,4)
Datos: n= 250 x≤ 4 (X= 0,1,2,3,4) defectuosas ÉXITO p= 2%=0,02 defect.
𝝀 = 𝒏𝒑 = 250*0.02= 5
P(x≤ 4) = P(0) + P(1) + P(2) + P(3) + P(4)
𝟓𝟎 .ⅇ−𝟓 𝟓𝟏 .ⅇ−𝟓 𝟓𝟐 .ⅇ−𝟓 𝟓𝟑 .ⅇ−𝟓 𝟓𝟒 .ⅇ−𝟓

P(x≤ 4) = + + + + = 0.4404
𝟎! 𝟏! 𝟐! 𝟑! 𝟒!
P(x≤ 4) = 44,04 % es la probabilidad de que máximo 4 bombillas sean defectuosas de

una muestra de 250
B) 8 sean defectuosos (VALOR EXACTO X= 8)
C) por lo menos 2 sean defectuosos (X = 2,3,4,….250)

La tasa de mortalidad de una cierta enfermedad es de tres por mil en una muestra
de 500 personas. Hallar la probabilidad de:
a) dos mueran
b) más de dos mueran
c) como máximo dos mueran
El conmutador de una clínica recibe un promedio de 20 llamadas cada 2 minutos
(120 segundos). Cual es la probabilidad de que llegue:
d) exactamente 4 llamadas en un periodo de 30 segundos
e) como máximo 2 llamadas en un periodo de 15 segundos
EJERCICIOS (4C)
probabilidad de que, en una muestra de 200 bombillas,
a) 7 sean defectuosas.
DATOS:
n=200 p=3%=0,03 defectuosas x=7 defect. (valor exacto)
𝝀 = 𝒏𝒑= 200(0,03) = 6

𝟔𝟕 .ⅇ−𝟔
PROCESO: 𝑷(𝒙 = 𝟕) = = 0.1377
𝟕!
𝑷(𝒙 = 𝟕)= 13,77% es la probabilidad de que 7 bombillas sean defectuosas en una

muestra de 200 bombillas.
b) Máximo 3 bombillas sean defectuosas
DATOS:
n=200 p=3%=0,03 defectuosas x≤3 (0,1,2,3) defect.
𝝀 = 𝒏𝒑= 200(0,03) = 6
PROCESO P(x≤3) = P(0) + P(1) + P(2) + P(3)

𝟔𝟎 .ⅇ−𝟔 𝟔𝟏 .ⅇ−𝟔 𝟔𝟐 .ⅇ−𝟔 𝟔𝟑 .ⅇ−𝟔
P(x≤3) = + + + = 0.1512
𝟎! 𝟏! 𝟐! 𝟑!
P(x≤3) = 15,12% es la probabilidad de que Máximo 3 bombillas sean

defectuosas en una muestra de 200 bombillas.
D) mínimo 3 bombillas defectuosas
DATOS:
n=200 p=3%=0,03 defectuosas x≥3 (3, 4.5,6….) defect. Éxito
fracaso x= 0,1,2 𝝀 = 𝒏𝒑= 200(0,03) = 6
FÓRMULA: 𝑷(𝒙) = P=1-q
𝒙!
PROCESO P(x≥3) = 1 – (P(0) + P(1) + P(2) )

𝟔𝟎 .ⅇ−𝟔 𝟔𝟏 .ⅇ−𝟔 𝟔𝟐 .ⅇ−𝟔
P(x≥3) = 1 – ( + + ) = 1- 0.6197 = 0.938
𝟎! 𝟏! 𝟐!
P(x≥3) =93.8% es la probabilidad de que mínimo 3 bombillas sean defectuosas

en una muestra de 200 bombillas.
EJERCICIO
La probabilidad de que una persona adquiera la enfermedad como consecuencia de una

contra la misma es de 0,004 (0,4%) en una población de 1200 personas vacunadas.
Cuál es la probabilidad de que:
A) Exactamente 4 adquieran la enfermedad

B) Por lo menos 2 adquieran la enfermedad (mínimo)
C) Máximo 3 adquieran la enfermedad
TALLER
Resolver el ejercicio manualmente y subir al aula virtual en el tiempo establecido

Ejercicio
La tasa de mortalidad de cierta enfermedad es de tres por mil. Cuál es la probabilidad de
que en un grupo de 600 personas:
a) Mas de dos mueran (x = 3,4,….)
b) Como máximo 3 mueran (x =0,1,2,3)
c) Exactamente 5 mueren (x=5)
EJERCICIOS (4D)
probabilidad de que, en una muestra de 150 bombillas, 4 sean defectuosas.
DATOS:
p = 2% = 0,02 defectuosas n= 150 bobillas x= 4 defect. 𝝀 = 𝒏𝒑 = 150 (0,02) = 3
𝟑𝟒 .ⅇ−𝟑 𝟑𝟒 .ⅇ−𝟑
Proceso: 𝑷(𝒙 = 𝟒) = = = 0,1680
𝟒! 𝟏.𝟐.𝟑.𝟒
𝑷(𝒙 = 𝟒) = 𝟏𝟔, 𝟖𝟎% la probabilidad de que 4 bombillas sean defectuosas de las

150.
Cuál es la probabilidad de que 5 personas adquieran una enfermedad de una población
de 800 personas vacunadas, si la probabilidad de que una persona adquiera la
enfermedad como consecuencia de una contra a la misma es de 0,003.
p = 0,003 contagio n= 800 pacientes x= 5 enfermos. 𝝀 = 𝒏𝒑 = 800 (0,003) = 2.4
Proceso 𝑷(𝒙) =6.02% es la probabilidad de que 5 personas se contagien de una

enfermedad en una población de 800 personas.
Se estima que una de cada 7000 personas es alérgica a cierta sustancia utilizada en la
elaboración de tintes para el cabello. Cuál es la probabilidad de que en 19000 usuarios
de tintes mas de 4 usuarios tengan reacciones alérgicas debido al uso de tintes.
DATOS:
p =x/n= 1/7000=0,000143 n= 19000 usuarios x> 4 (5,6,7…..) usuarios alerg. Éxito
fracaso x= 0,1,2,3,4
𝝀 = 𝒏𝒑 = 19000 (1/7000) = 2,71
P= 1- q

Proceso: 𝑷(𝒙 > 4) =𝟏 − ( 𝑷(𝟎) + 𝑷(𝟏) + 𝑷(𝟐)+ 𝑷(𝟑)+ 𝑷(𝟒))
𝝀𝟎 .ⅇ−𝟐.𝟕𝟏 𝝀𝟏 .ⅇ−𝟐.𝟕𝟏 𝝀𝟐 .ⅇ−𝟐.𝟕𝟏 𝝀𝟑 .ⅇ−𝟐.𝟕𝟏 𝝀𝟒 .ⅇ−𝟐.𝟕𝟏
𝑷(𝒙 > 4)=1 – ( + + + + )
𝟎! 𝟏! 𝟐! 𝟑! 𝟒!
𝑷(𝒙 > 4)=1 – (….) =1 - 0.8613 =0.1387

𝑷(𝒙 > 4)=13.87% es la probabilidad de que más de 4 usuarios tengan
reacciones alérgicas de una población de 19000 usuarios.
Ejercicio 60: suponga que una empresa aérea, en promedio uno de cada 150 vuelos se
retrasa más de una hora, si se programan 1500 vuelos en un mes:
a) Cuál es la probabilidad de que exactamente 3 vuelos se retrasen una hora.
b) Cuál es la probabilidad de que más de 3 vuelos se retrasen una hora.
c) Cuál es la probabilidad de que menos de 4 vuelos se retrasen una hora.
TALLER
Suponga que en promedio una casa de cada 2000 en cierta zona Buenas Aires, se
incendia durante el año. Si hay 6000 casas en dicha zona. Cual es la probabilidad de
que:
A) Mas de 3 casas se incendien durante el año
B) Exactamente 2 se incendien durante el año
Los clientes de una cafetería llegan a razón de 9 personas en un periodo de 30

minutos. Calcule la probabilidad
EJERCICIOS
Si el 3% de las bombillas fabricadas por una compañía son defectuosas.
Hallar la probabilidad que en una muestra de 100 bombillas:
a) 0 b) 1 c) 2 d) 3 e) 4 f) 5 sean defectuosos.
DATOS:
a)
p= 3% probabilidad n= 100 x= 0 λ= n.p (100) (0,03)=3
𝒙 −𝝀
𝝀 .ⅇ
𝑷 (𝒙 ) =
𝒙!
𝟑𝟎 . ⅇ−𝟑
𝑷(𝒙 = 𝟎) =
𝟎!
𝑷(𝒙 = 𝟎) = 𝟎, 𝟎𝟒𝟗𝟕
𝑷(𝒙 = 𝟎) =4,97%
b)
x= 0
𝝀𝒙 . ⅇ−𝝀
𝑷 (𝒙 ) =
𝒙!
𝟑𝟐 . ⅇ−𝟑
𝑷(𝒙) =
𝟐!
𝟗. 𝟎, 𝟎𝟒𝟗
𝑷(𝒙) =
𝟐. 𝟏
𝑷(𝒙) = 𝟎, 𝟐𝟐𝟒𝟎
𝑷(𝒙) = 𝟐𝟐, 𝟒𝟎%

DISTRIBUCIÓN HIPERGEOMÉTRICA
Esta distribución trabaja con variable aleatorias discretas.
El proceso de muestreo se realiza en forma aleatoria sin reposición en una población
finita (combinaciones).
Características y condiciones de la distribución:
a) La información de muestra se toma sin reposición de una población finita.
b) La probabilidad de éxito no es constante. Cambia para cada observación.
c) Es resultado de una prueba es dependiente de la prueba anterior, siempre se verá
afectado por el resultado de observaciones previas.
d) El tamaño de la muestra (n) debe ser superior en un 5% con respecto al tamaño
poblacional N (nivel de significancia).
e) Se relaciona con situaciones que tenga que ver con 2 o más resultados
f) La distribución es adecuada, cuando el tamaño de la población es pequeño.
Fórmula para determinar la probabilidad de una distribución hipergeométrica:

FORMULA CON COMBINACIONES:
𝑨 𝑪𝒙 ∗𝑵−𝑨 𝑪𝒏−𝒙
P(x,n) =
𝑵 𝑪𝒏
donde:
p(x, n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados
muestras de n objetos en donde hay x que son defectuosos y n-x buenos
todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos

en total = espacio muestral
FORMULA
𝐴 𝑁−𝐴
( )( )
𝑃𝑋 = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
Siendo:
N= Tamaño de la población.
A= Número de éxito de la población.
n= Tamaño de la muestra.
x= Numero de éxitos en la muestra.
𝐴 𝐴!
( )=
𝑋 (𝐴 − 𝑋)! 𝑋!

𝑁−𝐴 (𝑁 − 𝐴 )!
( )=
𝑛−𝑥 (𝑁 − 𝐴 − 𝑛 + 𝑥 )! (𝑛 − 𝑥 )!
𝑁 𝑁!
( )=
𝑛 (𝑁 − 𝑛)! 𝑛!
TAREA 4A
EJERCICIO: Un nuevo sabor de helado fue probado por 16 alumnos de un colegio en el

que se vende, 10 encontraron agradable sabor. si quisiéramos repetir la prueba se habría
seleccionado 5 alumnos. Cuál es la probabilidad de que:
a) dos les guste el nuevo sabor
b) dos no les guste el nuevo sabor
EJERCICIOS (4C)
En la producción de cierto artículo se sabe que cada 48 producidos, en 41 su terminado
es excelente. Si se toman una muestra de 11 artículos. Cuál es la probabilidad:
a) De que exactamente 3 no sean clasificados como excelente. (x=3)
Datos: N= 48 A= 7 no excelente n= 11 x= 3 no excelente
FORMULA:
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑛
PROCESO:
(7 48−7
3)(11−3) (7 41
3)( 8 )
𝑃𝑋=3 = = =
(48) (48)
11 11
7! 41!
∗
4!∗3! 33!∗8!
𝑃𝑋=3 = 48! = 0.1480
37!11!
𝑃𝑋=3 = 14,80% es la probabilidad de que exactamente 3 artículos

sean clasificados como no excelente de una población de 48
producidos.
b) Por lo menos 3 no sean clasificados como excelentes. (mínimo x= 3,4,5…48)
Datos: N= 48 A= 7 no excelente n= 11 x≥ 3 no excelente éxito;
fracaso x=0,1,2
FORMULA:
(𝐴 𝑁−𝐴
𝑥 )( 𝑛−𝑥 )
𝑃𝑋 = P=1–q
(𝑁
𝑛)
𝑃𝑋≥3 = 1 – (P(0) + P(1) + P(2))

Proceso
(7 48−7
0)(11−0) (7 48−7
1)(11−1) (7 48−7
2)(11−2)
𝑃𝑋≥3 = 1 – ( + + )
(48) (48) (48)
11 11 11
(7 41
0)(11) (7 41
1)(10) (7 41
2)( 9 )
𝑃𝑋≥3 = 1 – ( + + 48 )
(48) (48) ( )
11 11 11
7! 41! 7! 41! 7! 41!
∗ ∗ ∗
𝑃𝑋≥3 = 1 – ( 7!∗0! 30!∗11!
48! + 6!∗1! 31!∗10!
48! + 5!∗2! 32!∗9!
48! )
37!11! 37!11! 37!11!
𝑃𝑋≥3 = 1 – 0.812755 = 0.1873
𝑃𝑋≥3 = 18.73% es la probabilidad de que por lo menos 3 artículos
sean clasificados como no excelente de una población de 48
producidos.
c) De que exactamente 3 sean clasificados como excelente. (x=3)
Datos: N= 48 A= 41 excelente n= 11 x= 3 excelente
FORMULA:
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑛
PROCESO:
(41)(48−41) (41)(7)
3 11−3 3 8
𝑃𝑋=3 = 48 = =
( ) (48)
11 11
41! 7!
∗
38!∗3! 𝑋!∗8! 7
𝑃𝑋=3 = 48! = no existe por que ( ) no tiene solución
37!11!
8
d) De que exactamente 10 sean clasificados como excelente. (x=3)
Datos: N= 48 A= 41 excelente n= 11 x= 10 excelente

FORMULA:
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑛
EJERCICIO:

Un nuevo sabor de helado fue probado por 15 alumnos de un colegio en el que se vende,
10 encontraron agradable sabor. Si quisiéramos repetir la prueba se habría seleccionado 5
alumnos. cuál es la probabilidad de que:
a) A dos les guste el nuevo sabor
b) A dos no les guste el nuevo sabor
c) A 7 les guste el nuevo sabor
d) por lo menos a dos les guste el sabor (x= 2,3,4, ….)
datos N=15 A= 10 gusta n=5 x≥ 2 gusta éxito fracaso x= 0, 1
EJERICIO (4D)
En la producción de cierto artículo se sabe que cada 55 producidos, en 48 su terminado

es excelente. Si se toman una muestra de 12 artículos. Cuál es la probabilidad:
e) De que exactamente 2 no sean clasificados como excelente. (x=2)
Datos: N= 55 A= 7 no excelente n= 12 x= 2 no excelente
FORMULA:
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑛
PROCESO:
(7 55−7 (7 48 7! 48!
2)(12−2) 2)(10) ∗
5!∗2! 38!∗10!
𝑃𝑋=2 = = = 55! = 0.3131
(55) (55)
12 12 43!∗12!
𝑃𝑋=2 =31.31% De probabilidad de que exactamente 2 artículos no sean
clasificados como excelente en una población de 55 producidos
f) Por lo menos dos no sean clasificados como excelente. (mínimo x=2,3,4….. 55)
Datos: N= 55 A= 7 no excelente n= 12 x≥ 2 (2,3,4….55) no excelente

éxito fracaso x= 0,1
FORMULA:
(𝐴 𝑁−𝐴
𝑥 )( 𝑛−𝑥 )
𝑃𝑋 = P = 1-q
(𝑁
𝑛)
𝑃𝑋≥2 = 1 – ( P(0) + P(1))

(7 55−7
0)(12−0) (7 55−7
1)(12−1)
Proceso: 𝑃𝑋≥2 = 1 –( + )
(55) (55)
12 12
(7 48 (7 48 7! 48! 7! 48!
0)(12) 1)(11) ∗
7!∗0! 36!∗12!
∗
6!∗1! 37!∗11!
𝑃𝑋≥2 = 1 – ( 55 + ) =1–( 55! + 55! )
( ) (55)
12 12 43!∗12! 43!∗12!
𝑃𝑋≥2 = 1 – 0.5193 =0.4807
𝑃𝑋≥2 =48.07 % De probabilidad de que por lo menos 2 artículos no sean clasificados

como excelente en una población de 55 producidos.
g) Diez sean clasificados como excelente. (x=10)
Datos: N= 55 A= 48 excelente n= 12 x = 10 excelente
FORMULA:
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑛
Proceso:…
Un colegio tiene a su disposición para el transporte de sus estudiantes 12 buses, por

información llegada a los directivos del plantel se sabe que 3 no se encuentran en
óptimas condiciones; si se selecciona una muestra de 5 buses. Cuál es la
probabilidad:
a) Dos de ellos no se encuentren en óptimas condiciones

b) Dos de ellos se encuentren en perfectas condiciones
c) Por lo menos dos de ellos no se encuentren en óptimas condiciones
Ejercicios
1) Un profesor dispone en su archivo de 15 preguntas sobre un tema específico de

la materia 6 de ellas son de teoría. Si desea preparar un cuestionario de 5
preguntas.
a) Cuál es la probabilidad de que dos de las 2 preguntas sean de teoría.

Datos: N=15 A=6 n=5 x=2
𝐴 𝑁−𝐴
( )( )
𝑃𝑋 = 𝑋 𝑛 − 𝑥
𝑁
( )
𝑛
6 15 − 6
( )( )
𝑃𝑋=2 = 2 5−2
15
( )
2
6 9
( )( )
𝑃𝑋=2 = 2 3
15
( )
2
𝑃𝑋=2 = 0.4195
𝑃 = 41.95%
b) Que dos no sean de teoría.
Datos: N=15 n=5 A=9 x=2
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑋
9 15 − 9
( )( )
𝑃𝑋=2 = 2 5−2
15
( )
5
9 6
( )( )
𝑃𝑋=2 = 2 3
15
( )
5
𝑃𝑋=2 = 0.2398
𝑃 = 23.98%
2) En la producción de cierto artículo, se sabe que por cada 50 producidos en 43

su terminado es excelente. Si se toma una muestra de 12 artículos. Cuál es la
probabilidad:
a) De que exactamente dos no sean clasificados como excelentes
Datos: N=50 A=7 n=12 x=2

𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑋
7
( ) (50 − 7)
𝑃𝑋=2 = 2 12 − 2
50
( )
12
7
( ) (50 − 7)
𝑃𝑋=2 = 2 12 − 2
50
( )
12
𝑃𝑋=2 = 0.3316
𝑃 = 33.96%
b) Menos de dos no sean clasificados como excelentes
Datos: N=50 A=7 n=12 x≥2

𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑋
𝑃𝑋≥2 = −1[ 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑋 = 4) … … … …
𝑃𝑋≥2 = [ 𝑃 (𝑋 = 0) + 𝑃(𝑋 = 1)]
7 50 − 7 7
( )( ) ( ) (50 − 7)
𝑃𝑋≥2 =1− [ 0 12 − 0 + 1 12 − 1 ]
50 50
( ) ( )
12 12
7 43 7 43
( )( ) ( )( )
𝑃𝑋≥2 = 1−[ 0 12 + 1 12 ]
50 50
( ) ( )
12 12
𝑃𝑋≥2 = 1 − [𝑂. 1263 + 0.3317]
𝑃𝑋≥2 = 0.5421
𝑃 = 54.21%
c) 10 sean clasificados como excelentes

N=50 A=43 n=12 x=10
𝐴 𝑁−𝐴
( )( )
𝑃𝑋=2 = 𝑋 𝑛 − 𝑥
𝑁
( )
𝑋
43 50 − 43
()( )
𝑃𝑋=10 = 10 12 − 10
50
( )
12
43 7
()( )
𝑃𝑋=10 = 10 2
50
( )
12
𝑃𝑋=10 = 0.33167
𝑃𝑋=10 = 33.18%
3) Un colegio tiene a su disposición para el transporte de sus estudiantes 10 buses,

por información llegada a las directivas del plantel se sabe que 4 no se
encuentran en óptimas condiciones si se selecciona una muestra de 5 buses.
d) ¿Cuál es la probabilidad de que dos de ellos no se encuentren en óptimas
condiciones?
Datos: N=10 A=4 n=5 x=2
𝐴 𝑁−𝐴
( )( )
𝑁
( )
𝑋
4 10 − 4
( )( )
𝑃𝑋=2 = 2 5 − 2
10
( )
5
4 6
( )( )
𝑃𝑋=2 = 2 3
15
( )
5
𝑃𝑋=2 = 0.4762
𝑃 = 47.62%

VARIABLE ALEATORIA CONTINUA
DISTRIBUCION NORMAL
Se llama distribución normal, distribución de Gauss, distribución gaussiana o distribución de
Laplace-Gauss, a una de las distribuciones de probabilidad de variable continua que con más
frecuencia aparece en estadística y en la teoría de probabilidades.
1. La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de
un determinado parámetro estadístico. Esta curva se conoce como campana de Gauss y es el
gráfico de una función gaussiana.
2. La importancia de esta distribución radica en que permite modelar numerosos fenómenos
naturales, sociales y psicológicos.
3. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenómenos son
desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el
uso del modelo normal puede justificarse asumiendo que cada observación se obtiene como la
suma de unas pocas causas independientes.
De hecho, la estadística descriptiva sólo permite describir un fenómeno, sin explicación alguna.
Para la explicación causal es preciso el diseño experimental, de ahí que al uso de la estadística
en psicología y sociología sea conocido como método correlacional.
La distribución normal también es importante por su relación con la estimación por mínimos
cuadrados, uno de los métodos de estimación más simples y antiguos.
Su grafico se extiende en el campo de los números reales, denominado distribución normal

denominada curva normal o campana de GAUSS se determina por la siguiente función:
𝑁 −𝑧2
𝑦= ∗𝑒 2𝜎−2
𝜎√2𝜋
−𝒁𝟐
𝟏
Si 𝜎 =1 𝑦𝑁 =1 𝒚= ∗ⅇ𝟐
√𝟐𝝅
Siendo:
N= número de datos o tamaño de la población

𝜎= desviación estándar de la distribución binomial (𝝈 = √𝒏𝒑𝒒)
e = base de los logaritmos naturales (2,71828)
𝜋= 3,1415926536
𝜇= media poblacional de la distribución binomial ( 𝝁= np)
DATOS PARA GRAFICAR LA CURVA NORMAL
−𝒁𝟐
𝟏
Funcion: 𝒚= ∗ⅇ 𝟐
√𝟐𝝅

Z=0
1
𝑦= ∗ 𝑒 0 = 0,399 ≈ 0,4
√2𝜋
Z=1
1
𝑦= ∗ 𝑒 −0.5 = 0,2419 ≈0,25
√2𝜋
Z=2
1
𝑦= ∗ 𝑒 −2 = 0,05399 ≈0,05
√2𝜋
Z=3
1
𝑦= ∗ 𝑒 −4,5 = 0,0044
√2𝜋
Z=4
1
𝑦= ∗ 𝑒 −8 = 0,00013
√2𝜋
CAMPANA DE GAUSS O CURVA NORMAL
(z)
GRAFICO EN GEOGEBRA
https://youtu.be/IfU61YcpISQ
GRAFICO EN EXCEL
https://youtu.be/jmed6Ad1nF4
LECTURA DEL ÁREA EN LA CURVA NORMAL

La tabla de la distribución normal de doble entrada, en la primera columna están los
valores de la puntuación Z con un decimal y en la primera fila se encuentra el segundo
decimal del valor de Z.
En la parte interna de la tabla se encuentra el área bajo la curva o la probabilidad que
multiplicado por cien determina el porcentaje del área.

Practica para lectura de la tabla de la distribución normal
Si z = 0,80 A = 0.2881 %A=28.81%
Si z= 0.86 A= 0.3051 %A=30.51%
Si z= 0,5 A= 0.1915 %A= 19.15%
Si z= 0,56 A= 0.2123 %A = 21.23
Si Z = 0.63 A= 0.2357 %A = 23.75
Si Z = 0.87 A = … %A =….
SI Z= 0,30 A= 0.1179 %A= 11.79
SI Z= 0.32 A= 0.1255 %A = 12.55
Si z= 1,04 A = 0,3508 %A= 35,08%
Si z=0,78 A= 0,2823 %A= 28,23%
A=0,2088 z=0,55
A=0,1950 z=0,51
Tabla de distribución normal estandarizada
https://matemovil.com/wp-content/uploads/2018/06/Tabla-z-distribuci%C3%B3n-
normal-estandarizada-MateMovil.pdf

Tabla de áreas bajo la curva normal estandarizada
z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964

2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
4.0 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
Facebook Twitter Imprimir
EJERCICIOS (4D)
1. DETERMINE EL AREA Y GRAFICAR LA CURVA NORMAL

Ejercicio (2A )
Si z= 1.47 A= 0.4292 %A= 42.92% N= 350 n=
Cuantos individuos se encuentran en el área pintada

100% - 350
42.92% - x=
1 - 350
0.4292 x=
,n = N*A n= 350*(0.4292) = 150.22 = 150 individuos se encuentran en la
área pintada

Z= 1,97 A = 0.4756 %A = 47.56% N= 350 n=

área pintada
A= 0.3547 %A= 35.47% z= 1.06 N= 350 n=

área pintada
A= 0.4163 %A= 41.63% z= 1.38 N= 350 n=

área pintada
Z=1.87 A = 0.4693 %A = 46.93%
Si la población es 570 individuos, cuantos individuos están en el área pintada :

100% - 570
46,93% - x
1 - 570
0.4693 - x

n= N*A n= 570* 0.4693 = 267.5= 268 individuos en el área pintada
si z= 0,98 A= 0.3365 %A= 33.65%
n= N*A n= 570* 0.3365 = 191.8 = 192 individuos en el área pintada
Z= 1,97 A= 0.4756 %A= 47.56/
A= 0.2854 z= 0.79
A= 0.3572 z=1.07
Taller (2B)
DEBER
Realizar 5 EJERCICIOS COMO EL MODELO DE LA CLASE
Resolver la pae
Prueba sábado 7h30
Ejercicio GRAFICAR Y COMPLETAR LA INFORMACION
N= 320 Z= 2.36 A = %A= n=
A= 0.2586 %A= Z= N= 320 n=

2) Z= 2,38 A = 0.4913 %A = 49.13%
Si la población es 450 individuos el área pintada corresponde a:
4) A= 0.3721 z= 1.14
5) A= 0.4159 z= 1.38
n= N*A n= 450* 0.4159 = 187.16= 187 individuos en el área pintada
DEBER
5 ejercicios de la distribución hipergeométrica

4 ejercicios de distribución normal
Realizar la pae
Subir taller 2 de poison.
Prueba el sábado alas 7h30 AM
Z= 2,55 Ver tabla A = 0.4946 %A = 49.46%
Si la población N= 200 cuantos elementos corresponden al %A
n= N*A = 200*0.4946 = 98.92 = 99 personas se encuentran en región pintada
Z= 3,78 Ver tabla A = 0.4999 %A = 49.99%

A= 0.3732 z= 1.14
A= 0.7728 = 0.7728 – 0.50 = 0.2728 Z= 0.75
Si la población N= 340 cuantos elementos corresponden al %A
n= N*A = 340*0.7728 = 262.75= 263 personas se encuentran en región pintada
Z= 3.49 A= N= 180 n=
A= 0.3268 z= N= 330 n=
EJERCICIOS
1. Determine el área y graficar la curva normal.

Z= 1,78 ver en la tabla A= 0,4625 %A= 46,25%
A= 0,4625
%A= 46,25
2. Determine el área y gráfica. Z= 1,78

Z= 1,04 A= 0,3508 %A= 35,08%

A= 0,3508
%A= 35,08
Z= 1,04
3. Determinar el área y gráfica.
Z= 1,99 A= 0,4767 %A= 47,67%
A= 0,4767
%A= 47,67%
Z= 1,99
Z= - 2,38 A= 0,4913 %A= 49,13%
A= 0,4913
Z= -2,38

A= 0,4845 %A= 48,45% Z= 2,16

A= 0,4845
Z= 2,16
A= 0.3536 %A= 35,36% Z= 1.05

A= 0,3536
Z= 1,05
6. Determinar el área comprendida entre las puntuaciones tipificados:

Z= 1,05 ver en la tabla 𝐴1 = 0,3536 %𝐴1 =35,36%
Z= -2,12 ver en la tabla 𝐴2 = 0,4830 %𝐴2 = 48,30%
Nota: si los valores de z es un positivo y un negativo LAS AREAS se SUMAN
𝐴 𝑇 = 𝐴1 +𝐴2
𝐴 𝑇 = 0,3536+0,4830
𝐴 𝑇 = 0,8366
%𝐴 𝑇 = 83,66%
𝐴2 = 0,3536 𝐴1 = 0,3536
Z= -2,12 Z= 1,05
Si la población del ejemplo anterior es N= 520 elementos ¿Cuántos elementos

corresponden a la solución del problema?
100% - 520
83,66% - x = (0,8366*520)/100 =435,032 =435 elementos pertenecen región solución.
Otra forma

𝑛 = 𝐴∗𝑁
𝑛 = 0,8366 ∗ 520
𝑛 = 435,032
𝑛 = 435 elementos
7. Determinar el área entre:

Z= 2,43 𝐴1 = 0,4925 %𝐴1 = 49,25%
Z= 1,48 𝐴2 = 0,4306 %𝐴2 = 43,06%
Nota: si los valores de z están al mismo lado del origen, las áreas se restan
𝐴 𝑇 = 𝐴1 -𝐴2
𝐴 𝑇 = 0,4925-0,4306
𝐴 𝑇 = 0,0619
%𝐴 𝑇 = 6,19%
𝐴1 = 0,4925
𝐴2 = 0,4306
Z= 1,48 Z= 2,43
Si la población del ejemplo anterior es 520 elementos ¿Cuántos elementos corresponden

a la solución del problema?
𝑛 = 𝐴∗𝑁
𝑛 = 0,0619 ∗ 520
𝑛 = 32,188
𝑛 = 32 elementos
8. Determinar el área entre:

Z= -1,35 𝐴1 = 0,4925 %𝐴1 = 49,25%
Z= -2,36 𝐴2 = 0,4306 %𝐴2 = 43,06%
Nota: si los valores de z están al mismo lado del origen las áreas se restan
𝐴 𝑇 = 𝐴1 -𝐴2
𝐴 𝑇 = 0,4925-0,4306
𝐴 𝑇 = 0,0619
%𝐴 𝑇 = 6,19%

CARACTERÍSTICAS DE LA CURVA NORMAL
• La curva es simétrica.
• El área bajo la curva es igual al 100%.
• La curva no toca el eje horizontal (x) ya que es asintótica, se prolonga
indefinidamente.
• La media de la población µ se localiza en el centro de la curva, es decir, cada
parte es igual al 50%.
• Al estandarizar, convertir los valores de x en valores de z, ésta tendrá una media
z = 0 y z = 1 y z tomará valores desde -3 hasta +3 que cubre un área en el
99,7%, casi igual al 100%.
𝑥−𝜇
• La puntuación 𝑧 = 𝜎 es una medida de las desviaciones estándar o de las
llamadas unidades estandarizadas, conocida como desviación normal.
• En las tablas que determinan el ara bajo la curva, se tomaran los valores del
centro a la derecha o izquierda, dado que en la tabla se encuentra la mitad de la
curva.
• Existen también tablas de la curva normal con el 100% del área.
FORMULA PARA CALCULAR LA PUNTUACION TIPIFICADA Z
𝒙−𝝁
𝒛=
𝝈
z: puntuación tipificada o valor estandarizado de la curva normal

x: valor de la variable
𝝁: media de la población
𝝈: 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 estándar de la población
Ejercicios:
9. Dada una curva normal con 𝝁 = 𝟐𝟓, 𝟑 y 𝝈 = 𝟖, 𝟏. Hallar el área bajo la curva
entre 20,6 y 29,1. Para una población de 250 elementos, cual sería el tamaño de
la muestra.
Datos:
𝜇 = 25,3
𝜎 = 8,1
𝑥1 = 20,6 27
𝑥2 = 29,1 33
𝑁 = 250
𝑥1 − 𝜇 𝑥2 − 𝜇
𝑧= 𝑧=
𝜎 𝜎
20,6 − 25,3 29,1 − 25,3
𝑧1 = 𝑧2 =
8,1 8,1
𝑧1 = −0,58 𝑧2 = 0,469 = 0,47 ver en la tabla
𝐴1 = 0,2190 𝐴2 = 0,1808
%𝐴1 = 21,90% %𝐴2 = 18,08%
Nota: como los valores son z+ y z-, las áreas se suman
𝐴 𝑇 = 𝐴1 +𝐴2
𝐴 𝑇 = 0,2190+0,1808
𝐴 𝑇 = 0,3998
%𝐴 𝑇 = 39,98%
𝐴1=0,2190 𝐴2 = 0,1808
Z= -0,58 Z= 0,47
Calcular la Muestra en el sector pintado o del área total de la solución:

𝑛 = 𝐴𝑇 ∗ 𝑁
𝑛 = 0,3998 ∗ 250
𝑛 = 99, 95
𝑛 = 100 elementos
10. Con los datos del problema anterior calcular el área entre 29,1 y 35.
Datos:
𝜇 = 25,3
𝜎 = 8,1
𝑛 = 250
𝑥1 = 29,1
𝑥2 = 35
Para x1 𝑧 = 0,469 𝐴1 = 0,1808 %𝐴1 = 18,08%

Para x2
𝑥−𝜇
𝑧=
𝜎
35 − 25,3
𝑧=
8,1
𝑧 = 1,20 ver en la tabla
𝐴2 = 0,3849
%𝐴2 = 38,49%

𝐴1=0,1808 𝐴2 = 0,3849
Z= 0,47 Z= 1,20
Cuando los valores de z se encuentran al mino lado de la campana las áreas se restan.
𝐴 𝑇 = 𝐴2 − 𝐴1 𝐴 𝑇 = 0,3849-0,1808 𝐴 𝑇 = 0,2041 %𝐴 𝑇 = 20,41%
Cálculo de la muestra n para la población N= 250

𝑛 = 𝐴𝑇 ∗ 𝑁 𝑛 = 0,2041 ∗ 250 𝑛 = 51,25 𝑛 = 51 elementos
11. Determine el área bajo la curva entre 12,4 y 20,6.

Datos:
𝜇 = 25,3
𝜎 = 8,1
𝑛 = 250
𝑥1 = 29,1
𝑥2 = 12,4
𝑧 = −0,58
𝐴1 = 0,2190
%𝐴1 = 21,90%
𝑥−𝜇
𝑧=
𝜎
12,4 − 25,3
𝑧=
8,1
𝑧 = −1,59
𝐴2 = 0,4441
%𝐴2 = 44,41%
𝐴2 = 0,4441
𝐴1=0,2190

Z= -1,59 Z= 0,58
𝐴 𝑇 = 𝐴2 -𝐴1
𝐴 𝑇 = 0,441-0,2190
𝐴 𝑇 = 0,2251
%𝐴 𝑇 = 22,51%
𝑛 = 0,2251 ∗ 250
𝑛 = 56,276
𝑛 = 56,28
12. Determine el área menor a 20,6.
Datos:
𝑧 = −0,58
𝐴1 = 0,2190
%𝐴1 = 21,90%
𝐴 𝑇 = 𝐴2 -𝐴1
𝐴 𝑇 = 0,50-0,2190
𝐴 𝑇 = 0,281
%𝐴 𝑇 = 28,1%
0,50
𝐴1=0,2190
Z=- 0,58
𝑛 = 0,281 ∗ 250
𝑛 = 70,25
𝑛 = 70
13. Determine el área bajo la curva que encuentre a la derecha de x=12,4.
𝑧 = −1,59
A= 0,4441
%A= 44,41%

𝐴 𝑇 = 𝐴2 -𝐴1
𝐴 𝑇 = 0,50-0,4441
𝐴 𝑇 = 0,9441
%𝐴 𝑇 = 94,41%
0,50
𝐴1=0,4441
Z=- -1,59
𝑛 = 0,4441 ∗ 250
𝑛 = 236,025
𝑛 = 236
14. Se sabe que la duración media de los tubos de los receptores de televisión es de
3,0 años con una desviación de 1,5. Determinar el área y la muestra en una
población de 100.
Datos:
𝜇 = 25,3
𝜎 = 8,1
𝑛 = 250
𝑥−𝜇
𝑧=
𝜎
1 − 3,5
𝑧=
1,5
𝑧 = −1,33
A= 0,4082
%A= 40,82%

𝐴1=0,4441
Z=- -1,33
𝐴 𝑇 = 𝐴2 -𝐴1
𝐴 𝑇 = 0,50-0,4082
𝐴 𝑇 = 0,0918
%𝐴 𝑇 = 9,18%
𝑛 = 0,0918 ∗ 100
𝑛 = 9,18
𝑛=9
Ejercicio 113.
En una distribución normal que tiene una desviación estándar de 2; la probabilidad de
que el valor de la variable elegida al azar sea menor a 28 es de 0.03.
a. ¿Calcule la media de la población?
b. Obtenga el valor de la variable que supera el 95% de los datos.
a.
Datos:
𝑥−𝜇
X>28 𝑧=
P=0.03 𝜎 𝑧 = 0.5 − 0.03
%A=3 z σ= x-µ Z= 1.88
σ=2
σ= x-z σ
σ = 28-(1.88) *(2)
µ = 24.24

b. Datos:
P=0.45 𝑥−𝜇
%A=45 𝑧=
𝜎
σ=2
z σ= x-µ
x= σ z+µ
x =2* (1.64) +24.24
x = 27.52
Nota: en algunos ejercicios hace falta calcular la media poblacional y la desviación

estándar poblacional
µ= n.p
σ = √𝑛. 𝑝. 𝑞
σ = √𝜇. 𝑞
127.El 10% de ciertas unidades compradas por un almacén son inadecuadas para la
venta. ¿Cuál es la probabilidad de que 42 o menos resulten inadecuadas en un lote de
500?
Datos:
P = 10% = 0,10 σ= µ= z= A=? n= 500 x= 42

NOTA: La mitad de la campana vale el 50% entonces su área es %A= 50% y A= 0,50
µ= n*p 𝑥−𝜇 𝐴𝑇 = 0.5 − 0.3830

𝑧=
𝜎
µ= 500* (0.1) AT=0.117
42 − 50
µ= 50 𝑧= %AT=11.7
6.7
q= 1 – p = 1 – 0,1 = 0,9 Z= - 1.19 VER TABLA a=
%AT=11,7
0,3830
σ = √𝜇. 𝑞 AA=
σ = √50 ∗ 0.9
σ = √45 = 6,7
σ = 6,7
CALCULO DE LA MUESTRA EN EL AREA SONBREADA
n=A.N
n= 0,117 (500) = 58,5 = 59 ELEMENTOS QUE SE ENCUENTRA BAJO EL VALOR DE X= 42
UNIDAD 2
POBLACIÓN O UNIVERSO ESTADÍSTICO
En toda investigación estadística existe un conjunto de elementos sobre los que se toma
información
Muestreo: proceso mediante el cual se selecciona la muestra de uña población.
Muestra parte de la población determinada con un nivel de confianza tamaño de la
muestra =n es el número de elementos que se compone la muestra.
Estimadores: los estimadores se realizan atreves de funciones matemáticas de la
muestra denominadas estimadores que se convierten en variables aleatorias al
considerar la variabilidad de las muestras. Los errores se cuantifican mediante
varianzas, desviaciones típicas o errores, cuadráticos medios de los estibadores que
miden la presión de estos.
Tipos de muestreo: Existen2 tipos de muestreo denominados probabilísticos y no
probabilísticos
Tipos de población: existen probabilísticos finitas e infinitas.
Muestreo probabilístico: cuando se realiza este proceso todos los integrantes de la
población tienen la misma probabilidad de ser seleccionados como parte de la muestra
Muestreo no probabilístico: Este procedimiento no usa el azar en la selección de la
muestra los elementos de muestra se determinan por conveniencia del investigador por
este motivo los resultados de la investigación pueden estar sesgados, no permitiendo
emitir un juicio verdadero de la investigación pueden estar sesgados no permitiendo
emitir un juicio verdadero de la investigación.
MUESTREO
Proceso mediante el cual se determina la muestra de la población
Muestra
Parte de una población determinada con un nivel de confianza

Tamaño de la muestra (n)
Número de elementos que se compone la muestra
Estimadores
Las estimaciones se realizan a través de funciones matemáticas de la muestra de
nominados estimadores que se convierten en variables aleatorias al considerar la
variable de las muestras.
Los errores se cuantifican mediante varianzas, desviaciones típicas o errores cuadráticos
medios de los estimadores, que miden la precisión de los mismos.
Tipos de Muestreo
Existen dos tipos de muestreo denominados; Probabilísticos y no Probabilísticos.
Tipos de población
Existen Poblaciones Finitas e Infinitas.
Muestreo Probabilístico
Cuando se realiza este proceso todos los integrantes de la población tienen la misma
posibilidad de ser seleccionados como parte de la muestra. (prevalece el sorteo, el azar)
Muestreo No Probabilístico
Este procedimiento no usa el azar en la selección de la muestra, los elementos de la
muestra se determinan por conveniencia del investigador, por este motivo los resultados
de la investigación pueden estar sesgados, no permiten emitir un juicio valedero de la
investigación.
CALCULO DE LA MUESTRA
Población Finita:
Cuando se conoce el tamaño de la población, la muestra se determina con la siguiente
formula:
𝒁𝟐 𝝈 𝟐 𝑵 𝒁𝟐 𝒑𝒒 𝑵
𝒏 = ⅇ𝟐 (𝑵−𝟏)+𝒁𝟐𝝈𝟐 = ⅇ𝟐(𝑵−𝟏)+𝒁𝟐 𝒑𝒒 𝝈𝟐 = 𝒑𝒒
Población Infinita:
Cuando no se conoce el tamaño de la población, muestra se determina con la siguiente
formula:
𝒁𝟐 𝝈𝟐 𝒁𝟐 𝒑𝒒
𝒏= =
ⅇ𝟐 ⅇ𝟐
Notación:
N=Tamaño de la Población
n= Tamaño de la Muestra
σ= Desviación Estándar de la población
𝜎 2 = Varianza de la población
Z=Puntuación tipificada o estandarizada Z de acuerdo con el nivel de Confianza
e= Error muestral o tolerancia permitida 2% = 0,02

Nivel de Confianza
Es el grado de confianza con la cual se puede calcular el tamaño de la muestra. Se
recomienda trabajar con un nivel de confianza desde el 90% hasta el 99,9%.
Tipos de Ensayos
Existen ensayos unilaterales y bilaterales.
1) Unilaterales
A= 0,5-0,05
A=0,45
Z= 1,64
2) Bilateral
A= 0,5-0,025
A=0,475
Z= 1,86

1) Nc= 95%
Unilateral: Z=1.64
Bilateral: Z=1.86
2) Nc= 94%
Unilateral: Z=1.55
Bilateral: Z=1.88
3) Nc= 92%
Unilateral: Z=1.41
Bilateral: Z=1.75
4) Nc= 98%
Unilateral: Z=2.05
Bilateral: Z=2.33

Ejemplo:
TAMAÑO DE MUESTRA FINITA
Calcular el tamaño de la muestra con los siguientes datos:
n= 1650
NC= 95%
Z= 1,64
e= 2% = 0,02
p= 0,5
q= 0,5
𝑵 𝒁𝟐 𝒑𝒒
𝒏=
ⅇ𝟐 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟏, 𝟔𝟒)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟐)𝟐 (𝟏𝟔𝟒𝟗) + (𝟏, 𝟔𝟒)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟖𝟑𝟐, 𝟗𝟑 ⇒ 𝟖𝟑𝟑
Cambiar la tolerancia e= 7% = 0,07

𝒏=
ⅇ𝟐 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟏, 𝟔𝟒)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟕)𝟐 (𝟏𝟔𝟒𝟗 − 𝟏) + (𝟏, 𝟔𝟒)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟏𝟐𝟔
Cuando se aumenta la tolerancia permitida el tamaño de la muestra

disminuye.
Ejemplo 2:
Con los datos del problema anterior trabajar con un ensayo bilateral.
n= 1650 NC= 95% Z= 1,96 e= 2% = 0,02 p= 0,5 q= 0,5

𝒏=
ⅇ𝟐 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟏, 𝟗𝟔)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟐)𝟐 (𝟏𝟔𝟒𝟗) + (𝟏, 𝟗𝟔)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟗𝟕𝟖

𝒏=
ⅇ𝟐 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟏, 𝟗𝟔)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟕)𝟐 (𝟏𝟔𝟒𝟗 − 𝟏) + (𝟏, 𝟗𝟔)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟏𝟕𝟓
Ejemplo 3:
Repetir el ejercicio anterior con un NC= 98%
n= 1650 NC= 98% Z= 2,05 e= 2% = 0,02 p= 0,5 q= 0,5
𝒏= 𝟐
ⅇ (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟐, 𝟎𝟓)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟐)𝟐 (𝟏𝟔𝟒𝟗) + (𝟐, 𝟎𝟓)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟏𝟎𝟏𝟒

𝒏=
ⅇ𝟐 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟐, 𝟎𝟓)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟕)𝟐 (𝟏𝟔𝟒𝟗 − 𝟏) + (𝟐, 𝟎𝟓)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟏𝟗𝟎

Ensayo Bilateral:
n= 1650 NC= 98% Z= 2,33 e= 2% = 0,02 p= 0,5 q= 0,5
𝒏= 𝟐
ⅇ (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟐, 𝟑𝟑)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟐)𝟐 (𝟏𝟔𝟒𝟗 − 𝟏) + (𝟐, 𝟑𝟑)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟏𝟏𝟏𝟎

𝒏=
ⅇ𝟐 (𝑵 − 𝟏) + 𝒁𝟐 𝒑𝒒
𝟏𝟔𝟓𝟎 (𝟐, 𝟑𝟑)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏=
(𝟎, 𝟎𝟕)𝟐 (𝟏𝟔𝟒𝟗 − 𝟏) + (𝟐, 𝟑𝟑)𝟐 (𝟎, 𝟓)(𝟎, 𝟓)
𝒏 = 𝟐𝟑𝟕
Nivel de confianza NC: Es el grado de confianza con la cual se puede calcular el

tamaño de la muestra. Se recomienda que su erro α no sea mayor al 10%, se debe trabajar
con un nivel de confianza desde el 90% hasta el 99.9%
Tipos de ensayo
Existen dos tipos ensayo denominados: ensayo unilateral y ensayo bilateral
Ensayo Unilateral derecho

Ensayo Unilateral izquierdo
α = 5%
95%
Z= -1.64
Ensayo Bilateral
α /2= 2,5% α /2= 2,5%

95%
Z= -1.96 Z=1.96
A= 0.5-0.025=0.475
A=1.96
Ejercicio 2
NC=94%
A=0.5-0.06=0.44 Z=1.55 unilateral

α =4%
94%
Z=1.55
Ejercicio 3
NC=92%
A=0.5-0.08=0.42 Z=1.40 Unilateral
92% α =8%
Z=1.40
Ejercico 4
NC=98%
A=0.5- 0.02=0.48 Z=2.33 Unilateral

98%
α =2%
Z=2.33
Calcular el tamaño de la muestra con los siguientes datos

N=1650 ∝= 𝑎𝑙𝑓𝑎 𝑒𝑠 𝑢n 𝑒𝑟𝑟𝑜𝑟 𝑡𝑖𝑝𝑜 𝑢no
NC=95%
Z=1.64(unilateral )
e = 2% 0.02
p=0.50
q=0.50
Nz2 p. q
n= 2
e (N− 1) + z2 p. q
(1650)(1.64)2 (0.52 )
n=
(0.02)2 (1650 − 1) + (1.64)2 (0.5)2
n = 832.93 ~ 8.33
Cambiar la tolerancia e= 7%= 0.07
Nz2 p. q
n=
e2 (N− 1) + z2 p. q

(1650)(1.64)2 ( 0.5)2
n=
(0.07)2 (1650 − 1) + (1.64)2 (0.5)2
n = 12.6
Cuando se aumenta la tolerancia permitida el tamaño de la muestra disminuye
Con los datos anteriores trabajar la tolerancia permitida el tamaño de la muestra disminuye
NC=95%
Z=1.96 (bilateral )
e = 2% 0.02
p=0.50
q=0.50
Nz2 p. q
n=
e2 (N− 1) + z2 p. q
(1650)(1.96)2 (0.5)
n=
(0.02)2 (1650 − 1) + (196)2 (0.5)2
n = 978.18 ~ 978
cambiar la tolerancia e=7% = 0.07
Nz2 p. q
n=
e2 (N− 1) + z2 p. q
(1650)(1.96)2 (0.5)2
n=
(0.02)2 (1650 − 1) + (196)2 (0.5)2

n = 175.28 ~ 176
Repetir el ejercicio con el 98%

NC=98%
Z=1.96 (bilateral )
e = 2% 0.02
p=0.50
q=0.50
Nz2 p. q
n= 2
e (N− 1) + z2 p. q
(1650)(2.06)2 (0.5)2
n=
(0.02)2 (1650 − 1) + (2.06)2 (0.5)2
n = 1013.62 ~ 102
Cuando se aumenta el NC el tamaño de la muestra aumenta
CALCULO DEL TAMAÑO DE LA MUESTRA INFINITA

Determinar el tamaño de la muestra de una población infinita con el 95% de nivel de
confianza.
Datos:
NC=95% 𝐴 = 0,50 − 0.05 𝐴 = 0,46 𝑍 = 1,64
𝑍 2 𝑝𝑞
𝑛= 2
𝑒
(1,64)2 (0,50)2
𝑛=
(0,02)2
𝑛 = 1681

NC=95%
∝= 5%
Z=1,64
Con el ejemplo anterior ensayo bilateral.

Datos:
NC=95% 𝐴 = 0,50 − 0.025 𝐴 = 0,475 𝑍 = 1,96
2
𝑍 𝑝𝑞
𝑛= 2
𝑒
(1,96)2 (0,50)2
𝑛=
(0,02)2
𝑛 = 2401
∝
∝ = 2,5%
= −2,5% 2
2
NC=95%
Z=-1,96 Z=1,96

TIPOS DE MUESTREO
TIPOR DE MUESTREO: Existen diferentes tipos de muestreo denominados:

PROBABILISTICOS Y NO PROBABILISTICOS
MUESTREO PROBABILISTICO.
Son aquellos que se basan en el principio de equiprobabilidad. Todos los individuos de la población
tienen la misma probabilidad de ser elegidos parte de la muestra.
Este procedimiento permite asegurar que la muestra es representativa.
MUESTREO ALEATORIO SIMPLE. -

En este procedimiento se realiza la selección de la muestra por sorteo, sea asignado un número a
cada individuo, algún medio mecánico, entre otros.
MUESTREO SISTEMÁTICO. -
Este es un procedimiento ordenado en el cual es necesario enlistar a los individuos.
𝑵
Calcular el coeficiente de sistematización con la fórmula: CS=
𝒏
De los primeros elementos entre 1 y Cs elegimos un individuo aleatoriamente y a partir de ahí

ordenadamente se va tomando los individuos que toman la muestra Cs.

MUESTREO ESTRATIFICADO. –
Este procedimiento permite reducir el error muestral debido a que una vez conocida la muestra se
clasifican en grupos homogéneos como sean necesarios, denominado a cada grupo estrato.
La distribución de la muestra de los diferentes estratos se denomina AFIJACIÓN que pueden ser de
diferentes tipos:
AFIJACION SIMPLE:
En cada estrato le corresponde igual número de elementos muéstrales.
AFIJACIÓN PROPORCIONAL:
La distribución de la muestra se hace de acuerdo con el peso de la población o proporcional a los
elementos de la población.
AFIJACIÓN ÓPTIMA:
Se toma en cuenta la dispersión de los resultados de modo que se considera la proporción y la
desviación típica.
MUESTREO ALEATORIO CONGLOMERADO.

En este método a la población se divide directamente por sectores, horarios, por dependencia, a esta
división se la conoce con el nombre de Conglomerado Natural.
EJEMPLO:
Determinar el tamaño de la muestra aplicando el muestreo estratificado considerando la siguiente
información tomada de la facultad de Contabilidad y Auditoría en la carrera de Economía para
realizar un estudio en relación a la promoción de los estudiantes.
Semestre # Porcentaje n1- n2 -

alumnos Afijación proporcional
1 90 21,48 72,17= 72 27,70= 28
2 85 20,29 68,17= 68 26,17= 26
3 72 17,18 57,72= 58 22,16= 22
4 68 16,23 54,53= 55 20,83= 21
5 59 14,08 47,31= 47 18,16= 18
6 45 10,74 36,09= 36 13,85= 14
419 100 336 129
NC= 95% Z= 1,64

UNILATERAL
𝑁𝑍 2 𝑝𝑞
𝑛=
𝑒 2 (𝑁−1)+𝑍 2 𝑝𝑞
419(1,64)2 (0,5)(0,5)
𝑛= n= 335,56 n= 336 INDIVUDUOS
(0,05)2 (419−1)+(1,64)2 (0,5)(0,5)

CARACTERISTICAS, VENTAJAS Y DESVENTAJAS DEL
MUESTREO

ESTIMACIÓN PUNTUAL
La estimación se utiliza en los estadísticos de las muestras para estimar o inferir los
parámetros de la población.
Entre los estimadores puntuales que son valores extraídos de la muestra se tiene:
➢ La media de la población: Se puede estimar puntualmente mediante la muestra
𝑥̅ = 𝑢
➢ La proporción de la población: Se puede inferir a partir de la muestra
𝑝̃ = 𝑝̂
➢ La desviación estándar de la población: Se puede inferir a través de la muestra
𝑠=𝜎
Estos estimadores son eficientes cuando las muestras son representativas.
Cuando se determina la estimación puntual se puede
determinar un margen de error en los valores de los
estimadores, por eso es recomendable determinar por
intervalo en el cual existe un intervalo dentro del cual
puede encontrarse el valor de la estimación.
Para determinar el error es necesario trabajar con niveles de
confianza y ensayos bilaterales.
Ejemplo:
NC: 95%
∝ 5
= = 2.5%
2 2
𝐴 = 0.50 − 0.025
A= 0.475
Z= ±1.96
Z= DISTRIBUCIÓN NORMAL: “para muestras grandes”
ERROR MÁXIMO PARA MUESTRA GRANDE
La fórmula para calcular el error está determinado por:
∝ 𝜎
𝐸=𝑍 ∗
2 √𝑛
INTERVALOS

Los intervalos de confianza en relación a las medias están determinado de la siguiente
forma:
PRIMER MODELO 𝐼𝐶: 𝑋̅ − 𝐸 < 𝑢 < 𝑥̅ + 𝐸
IC: Li < 𝒖 < 𝐿𝑠
SEGUNDO MODELO 𝐼𝐶: 𝑋̅ ± 𝐸
TERCER MODELO 𝐼𝐶: (𝑋̅ − 𝐸; 𝑋̅ + 𝐸) IC( Li ; 𝐿𝑠)

EJEMPLO:
✓ Los pulsos cardiacos para 32 personas determinan una media de 26.2 y una
desviación estándar de 5.15, construya un intervalo de confianza del 95 % en
relación con el incremento del promedio real.
Datos: 𝑥̅ = 26.2
s=5.15
n=32
NC= 95%
1: Calcular Z
∝
𝑍= = 1.96
2
2: Calcular E
∝ 𝜎
𝐸 =𝑍2∗
√𝑛
5.15
𝐸 = 1.96 ∗
√32
E= 1.78
3: Intervalo de confianza
Primera forma
𝐼𝐶: 𝑋̅ − 𝐸 < 𝑥̅ < 𝑥̅ + 𝐸
𝐼𝐶: 26.2 − 1.78 < 𝑥̅ < 26.2 + 1.78
𝐼𝐶: 24.48 < 𝑥̅ < 27.98
Segunda forma

𝐼𝐶: 𝑋̅ ± 1.78
Tercera forma
𝐼𝐶: 𝑥̅ − 𝐸; 𝑥̅ + 𝐸
𝐼𝐶: 24.48; 27.98
PARA MUESTRA PEQUEÑA

Para muestras pequeñas se utilizan los valores de la tabla T-sdudent
Para determinar el valor de la tabla es necesario conocer los grados de libertad que se
determina el tamaño de la muestra n-1.
𝑔𝑙 = 𝑛 − 1
Ejemplo:
✓ Determinar el valor de T-student para el 95%
de nivel de confianza en una muestra de 28
Datos:
gl=n-1 gl=28-1 gl=27 (ver tabla) 𝑡∝ = 2.05
2
✓ Para probar la durabilidad de una pintura que se utiliza en las líneas de división de carriles.
El departamento de autopistas pintó franjas de prueba en camino muy transitados por 8
cifras, las que determinan una media de nivel de 140800 automóviles y una desviación
estándar de 19200.
∝
Datos: 1) Calcular T
2
𝑥̅ = 140800 s=19200 n=8 gl=n-1= 7 gl=8-1= 7

NC=95%
2) Calcular error
𝜎
𝐸 = 𝑡∝ ∗
2 √𝑛
19200
𝐸 = 2.36 ∗
√8
E=16020.21
3) Intervalo de confianza
PRIMERA FORMA
𝐼𝐶: 𝑋̅ − 𝐸 < 𝑥̅ < 𝑥̅ + 𝐸

𝐼𝐶: 14800 − 16020.21 < 𝑥̅ < 14800 + 16020.21
𝐼𝐶: 12477.79 < 𝑥̅ < 156820.21
SEGUNDA FORMA
𝐼𝐶: 𝑥̅ ± 𝐸; 𝑥̅ ± 𝐸
𝐼𝐶: 124779.79; 156820.21
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN DE UNA POBLACIÓN

Se puede trabajar para muestras grandes se aplica la distribución z y muestras pequeñas
aplica la distribución t student.
La fórmula para calcular el error en muestra grande es:
𝑝𝑞
𝐸 = 𝑍𝛼 √
2 𝑛
la fórmula para calcular el error en muestra pequeña es:
𝑝𝑞
𝐸 = 𝑡𝛼 √
2 𝑛
Los INTERVALOS se escriben en los tres modelos ya definidos.
EJERCICIOS (4A)
MUESTRA GRANDE
Para una muestra de 879 individuos y el nivel de confianza 92% construir el intervalo
estimado de la proporción poblacional P, dado para un valor igual a 384 individuos.
DATOS: n= 879 X= 384 P = 𝑛x = 384
879
= 0.4368 q= 1-p= 1-0.4368=0.5631
α 8
NC=92% α= 8% (unil) = 2 = 4% = 0.04 (BIL)
2
A= 0.5-0.04=0.46 TABLA 𝑍𝛼 = 1.75 (GRAFICO)
2
FORMULA
𝑝𝑞
𝐸 = 𝑍𝛼 √
2 𝑛
PROCESO
0.4368(0.5631)
𝐸 = 1.75√ =0.0292
879
INTERVALOS:
Li= 𝑃 − 𝐸 =0.4368 – 0.0292 = 0.4076
Ls= 𝑃 + 𝐸 = 0.4368 + 0.0292 = 0.466
Primer modelo
𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.4368 – 0.0292 < 𝑃 < 0.4368 + 0.0292
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.4076 < 𝑃 < 0.466
Segundo modelo
IC:P±E IC: P±0.0292 IC: 0.4368±0.0292
Tercer modelo
IC: (P-E;P+E) IC: (0.4368 – 0.0292; 0.4368 + 0.0292 ) (0.4076; 0.466)

MUESTRA PEQUEÑA
DATOS: n= 30 x=11 P = 𝑛x = 11
30
= 0.3667 q= 1-p= 1-0.3667=0.6333
α 1
NC=99% α= 1% (unil) = 2 = 0.5% = 0.005 (BIL)
2
gl= n-1 = 30-1=29 TABLA 𝑡𝛼 =2.756 GRAFICAR
2
FORMULA
𝑝𝑞
𝐸 = 𝑡𝛼 √
2 𝑛
PROCESO
0.3667(0.6333)
𝐸 = 2.756√ =0.2425
30
INTERVALOS:
Li= 𝑃 − 𝐸 =0.3667 – 0.2425 = 0.1242
Ls= 𝑃 + 𝐸 = 0.3667 + 0.2425 = 0.6092
Primer modelo
𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.3667 – 0.2425 < 𝑃 < 0.3667 + 0.2425
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.1242 < 𝑃 < 0.6092
Segundo modelo
IC:P±E IC: P±0.2425 IC: 0.3667±0.2425
Tercer modelo
IC: (P-E;P+E) IC: (0.3667 – 0.2425; 0.3667 + 0.2425 ) (0.1242; 0.6092)
DEBER
2 EJERCICOS DE MUESTRA GRANDE
2 EJERCICIO DE MUESTRA PEQUEÑA
PAE : REACTIVOS DE ESTIMACIONES
CONSULTA PARA EL CUADERNO (DEBE SOCIALIZAR)
Modelos para verificar hipótesis de la distribución normal
Nombre y formula
Modelos para verificar hipótesis de la distribución t student
Nombre y formula
Puede consultar en estadística y muestreo de Ciro Martínez (Elibro biblioteca uta)
Ejercicios (4B)
Para muestra grande
α 6
DATOS: n = 580 x= 215 NC = 94% α= 6% (unil) = = 3% = 0.03 (bilat)
2 2
x 215
A= 0.5 – 0.03 = 0.47 ver tabla 𝑍𝛼 = 1.88 p= 𝑛 = = 0.3707 q= 1 – p = 1-03707 = 0.6293
2 580
Formula:
𝑝𝑞
𝐸 = 𝑍𝛼 √
2 𝑛
Proceso:
0.3707(0.6293)
𝐸 = 1.88√ = 0.037
580
Intervalos
Li= 𝑃 − 𝐸 =0.3707 – 0.037 = 0.3337
Ls= 𝑃 + 𝐸 = 0.3707 + 0.037 = 0.4077
Primer modelo
𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.3707 – 0.037 < 𝑃 < 0.3707 + 0.037
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.3337 < 𝑃 < 0.4077
Segundo modelo
IC:P±E IC: P±0.037 IC: 0.47±0.037
Tercer modelo
IC: (P-E;P+E) IC: (0.3707 – 0.037; 0.3707 + 0.037 ) (0.3337; 0.4077)
Para muestra pequeña
α 10
DATOS: n = 26 x= 8 NC = 90% α= 10% (unil) 2 = 2 = 5% = 0.05 (bilat)
x 8
gl = n-1= 26 – 1 = 25 ver tabla 𝑡𝛼 = 1.708 p= = = 0.308 q= 1 – p = 1-0308 = 0.692
2 𝑛 26
Formula
𝑝𝑞
𝐸 = 𝑡𝛼 √
2 𝑛
Proceso
0.308(0.692)
𝐸 = 1.708√ = 0.1546
26
INTERVALOS
Li= 𝑃 − 𝐸 =0.308 – 0.1546 = 0.1534
Ls= 𝑃 + 𝐸 = 0.308 + 0.1546 = 0.4626
Primer modelo
1. 𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.308 – 0.1546 < 𝑃 < 0.308 + 0.1546
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.1534 < 𝑃 < 0.4626
Segundo modelo
2. IC:P±E IC: P±0.1546 IC: 0.308±0.1546
Tercer modelo
3. IC: (P-E;P+E) IC: (0.308 – 0.1546; 0.308 + 0.1546 ) (0.44; 0.4626)

Taller
estimado de la proporción poblacional P, dado un valor de 188 individuos.
DEBER MISMO DEL C
Ejercicio (4C)
EJEMPLO MUESTRA GRANDE
𝑥 345
Datos: n=730 x= 345 p=𝑛 = 730 = 0.47 q= 1 – p = 1 – 0.47 = 0.53
α 10
NC= 90% α = 10% = = 5% = 0.05 A= 0.5 – 0.05 = 0.45 tabla 𝑍𝛼 =1.64 grafico
2 2 2
Formula
𝑝𝑞
𝐸 = 𝑍𝛼 √
2 𝑛
Proceso
0.47(0.53)
𝐸 = 1.64√ = 0.03
730
INTERVALOS
Li= 𝑃 − 𝐸 =0.47 – 0.03 = 0.44
Ls= 𝑃 + 𝐸 = 0.47 + 0.03 = 0.5
Primer modelo
4. 𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.47 – 0.03 < 𝑃 < 0.47 + 0.03
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.44 < 𝑃 < 0.5
Segundo modelo
5. IC:P±E IC: P±0.03 IC: 0.47±0.03
Tercer modelo
6. IC: (P-E;P+E) IC: (0.47 – 0.03; 0.47 + 0.03 ) (0.44; 0.5)
EJEMPLO MUESTRA PEQUEÑA

𝑥 9
Datos: n=27 x= 9 p=𝑛 = 27 = 0.33 q= 1 – p = 1 – 0.33 = 0.67
α 10
NC= 90% α = 10% = = 5% = 0.05 gl= n – 1 =27– 1= 26 tabla 𝑡𝛼 =1.7056 GRAFICO
2 2 2
Formula
𝑝𝑞
𝐸 = 𝑡𝛼 √
2 𝑛

Proceso
0.33(0.67)
𝐸 = 1.7056√ = 0.1543 = 0.15
27
INTERVALOS
Li= 𝑃 − 𝐸 =0.33 – 0.15 = 0.18
Ls= 𝑃 + 𝐸 = 0.33 + 0.15 = 0.48
Primer modelo
1. 𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.33 – 0.15 < 𝑃 < 0.33 + 0.15
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.18 < 𝑃 < 0.48
Segundo modelo
2. IC:P±E IC: P±0.15 IC: 0.47±0.15
Tercer modelo
3. IC: (P-E;P+E) IC: (0.33 – 0.15; 0.33 + 0.15) =(0.18; 0.48)

DEBER
2 EJERCICOS DE MUESTRA GRANDE
2 EJERCICIO DE MUESTRA PEQUEÑA
PAE : REACTIVOS DE ESTIMACIONES
CONSULTA PARA EL CUADERNO (DEBE SOCIALIZAR)
Modelos para verificar hipótesis de la distribución normal
Nombre y formula
Modelos para verificar hipótesis de la distribución t student
Nombre y formula
Puede consultar en estadística y muestreo de Ciro Martínez (Elibro biblioteca uta)
tall
Ejercicios (4D)
𝛼 3
Datos: n= 958 x= 185 NC= 97% 𝛼 = 3% 2 = 2 = 1,5% = 0.015
A= 0.5 – 0.015 =0.485 ver tabla 𝑍𝛼 = 2.17 GRAFICAR CAMPANA
2
𝑥 185
P= 𝑛 = 958 = 0.193 q= 1 – p = 1 – 0.193 = 0.807
FORMULA
𝑝𝑞
𝐸 = 𝑍𝛼 √
2 𝑛
PROCESO
0.193∗0.807
𝐸 = 2.17√ = 0.028
958
INTERVALOS

Li= 𝑃 − 𝐸 = 0.193 -0.028 = 0.165
Ls= 𝑃 + 𝐸 = 0.193 + 0.028 = 0.221
Primer modelo
4. 𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.193 − 0.028 < 𝑃 < 0.193 + 0.028
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.165 < 𝑃 < 0.221
Segundo modelo
5. IC:P±E IC: P±0.028
Tercer modelo
6. IC: (P-E;P+E) IC: (0.193 -0.028; 0.193 + 0.028) (0.165; 0.221)

𝛼 20
Datos: n= 28 x= 20 NC= 80% 𝛼 = 20% 2 = 2 = 10% = 0.1
Gl = n – 1 = 28 – 1 = 27 ver tabla 𝑡𝛼 = 1.314 GRAFICAR CAMPANA
2
𝑥 20
P= 𝑛 = 28 = 0.714 q= 1 – p = 1 – 0.714 = 0.286
FORMULA
𝑝𝑞
𝐸 = 𝑡𝛼 √
2 𝑛
PROCESO
0.714∗0.286
𝐸 = 1.314√ = 0.112
28
INTERVALOS
Li= 𝑃 − 𝐸 = 0.714 - 0.112 = 0.602
Ls= 𝑃 + 𝐸 = 0.714 + 0.112 = 0.826
Primer modelo
1. 𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸 𝐼𝐶: 0.714 − 0.112 < 𝑃 < 0.714 + 0.112
𝐼𝐶: 𝐿𝑖 < 𝑃 < 𝐿𝑠 𝐼𝐶: 0.602 < 𝑃 < 0.826
Segundo modelo
2. IC:P±E IC: P± 0.112
Tercer modelo
3. IC: (P-E;P+E) IC: (0.714 - 0.112; 0.714 − 0.112 ) (0.602; 0.826)
Ejemplo:
Para una muestra de 1068 individuos y el nivel de confianza dado construir el intervalo
estimado de la proporción poblacional P, para 267.98
Datos: n=1068 x=267.98
𝑥 267
𝑝= = = 0.25
𝑛 1068
𝑞 = 1 − 𝑝 = 1 − 0.25 = 0.75
∝ 2
𝑁𝐶 = 98% = 2 = 1% 𝐴 = 0.5 − 0.01 = 0.49 Z=2.33
2

∝ 𝑝𝑞 (0.75)(0.25)
𝐸=𝑧 √ 𝐸 = 2.33√ E=±0.030
2 𝑛 1068
Intervalos:
4. 𝐼𝐶: 𝑃 − 𝐸 < 𝑃 < 𝑃 + 𝐸
𝐼𝐶: 0.25 − 0.03 < 𝑃 < 0.25 + 0.03
𝐼𝐶: 0. < 𝑃 < 0.28
5. IC:P±E IC: P±0.03
6. IC: (P-E;P+E) IC: (0.22;0.28)
✓ Margen de error: 0.020; NC=98%; py q desconocidos
Datos:
∝
𝑧 2 ∗𝑝∗𝑞 Error: 0.02
2
E: 0.02 𝑛= 𝑒2
(2.33)2(0.5)2
p:? 𝑛= (0.02)2
q:? n=3393
∝
𝑧 2 ∗𝑝∗𝑞 (2.33)2 (0.5)2
2
𝑛= 𝑛= n=543 Error: 0.05
𝑒2 (0.05)2
𝑝(1 − 𝑝)
0.02 = 2.33√
543
𝑝 − 𝑝2
0.02 = 2.33√
543
0.02 𝑝 − 𝑝2
( ) = (√ )
2.33 543
𝑝 − 𝑝2
0.0000736 =
543
0.040 = 𝑝 − 𝑝2

𝑝2 − 𝑝 + 0.040 = 0
a=1 b=-1 c=0.040
−𝑏 ± √𝑏2 − 4𝑎𝑐
𝑝=
2𝑎
1 ± √(−1)2 − 4(1)(0.040)
𝑝=
2(1)
P1:0.96
P2:0.04
Repetir el procedimiento con el error de tolerancia de 0.02
𝑝(1 − 𝑝)
0.02 = 2.33√
3393
𝑝 − 𝑝2
0.02 = 2.33√
3393
0.02 𝑝 − 𝑝2
( ) = (√ )
2.33 3393
𝑝 − 𝑝2
0.0000736 =
3393
0.025 = 𝑝 − 𝑝2
𝑝2 − 𝑝 + 0.25 = 0
a=1 b=-1 c=0.25
−𝑏 ± √𝑏2 − 4𝑎𝑐
𝑝=
2𝑎
1 ± √(−1)2 − 4(1)(0.040)
𝑝=
2(1)
P1:0.5
P2:0.5
VERIFICACION DE HIPOTESIS
GRAFICO DE LA CURVA NORMAL EN GEOGEBRA
https://youtu.be/IfU61YcpISQ
GRAFICO EN EXCEL
https://youtu.be/jmed6Ad1nF4
HIPOTESIS: es una proposición, supuesto, una conjetura que requiere ser verificada.
La proposición consta de dos variables: variable dependiente y variable independiente o
causa y efecto
PROPOSICION: es un enunciado que tiene carácter de verdad

PASOS PARA VERIFICAR UNA HIPOTESIS
Existen varios procedimientos que concluyen en la verificación de la hipótesis.
1) PLANTEAMIENTO DE LA HIPÓTESIS
Modelo lógico ( se escribe el enunciado)
Ho: ( se escribe la negación del enunciado) hipótesis nula
Hi: ( se escribe la afirmación del enunciado) hipótesis alterna o de investigación
Modelo matemático ( se escribe la formula)
Ho: ( se escribe la fórmula de la negación del enunciado) (=)
Hi: ( se escribe la fórmula de la afirmación del enunciado)
,> ensayo unilateral derecho, < ensayo unilateral izquierdo ≠ ensayo bilateral
2) NIVEL DE CONFIANZA se debe especificar el NC, si es un ensayo unilateral α o si
α
es un ensayo bilateral 2 .
3) MODELO ESTADISTICO
(justificar el modelo estadístico)
4) REGLA DE DECISIÓN:
EJEMPLO: con el 95% de NC Y DISTRIBUCION NORMAL,
ENSAYO UNILATERAL DERECHO.
NC= 95% α = 5% = 0.05 A= 0.5 - 0.05 = 0.45 VER TABLA Zt = 1.64
Regla de decisión: Acepto Ho si Zc < Zt Zc < 1.64
ENSAYO UNILATERAL IZQUIERDO
Regla de decisión: Acepto Ho si - Zt < Zc Zc > - Zt Zc > -1.64
ENSAYO BILATERAL.
α 5
NC= 95% α = 5% = 0.05 = = 2.5% = 0.025 A= 0.5 - 0.025 = 0.475 VER TABLA Zt = ±1.96
2 2

Regla de decisión: Acepto Ho si - Zt < Zc < Zt - 1.96 < Zc < 1.96
5) CALCULO DEL MODELO ESTADISTICO Y TOMA DE DECISIÓN

5 a) Cálculo del modelo estadístico: los datos de la investigación se reemplazan en el
modelo estadístico (Zc)
5 b) TOMA DE DECISIÓN
Compara el valor calculado Zc y el valor tabular Zt y se toma la decisión de acuerdo
con la regla.
Ejercicio (4c)
Escribir la regla de decisión para 97%
PROCEDIMIENTO PARA VERIFICACIÓN DE LA HIPÓTESIS
Objetivo: de la verificación de hipótesis determina la valides de los enunciados o supuestos
poblacionales, aplicando un método estadístico de una, dos o más poblaciones.
Existen varios procedimientos uno de los más recomendados tiene cinco pasos:
PASO 1°: Planteamiento de la hipótesis.
Modelo lógico (escribir hipótesis en enunciado)
𝐻𝑂 : hipótesis nula. - niega a la hipótesis de investigaciones.
𝐻1 ;𝐻𝑖 : hipótesis altera o de investigación. – es el enunciado propuesto por la investigación
por lo tanto afirmativa o verdadera.
Modelo matemático (escribir la hipótesis en formula)
𝐻𝑂 ; 𝑋1 + 𝑋2 𝐻𝑂 ; 𝑋1 = 𝑋2 𝐻𝑂 ; 𝑋̅1 + 𝑋̅2
𝐻1 ; 𝑋1 ≠ 𝑋2 𝐻𝑂 ; 𝑋1 > 𝑋2 𝐻𝑂 ; 𝑋̅1 < 𝑋̅2
(BILATERAL) (UNILATERAL DERECHO) (UNILATERAL IZQUIERDO)
PASO 2°: Niveles de significación, nivel de confianza.

Determina el nivel de confianza con que se va a realizar la verificación el investigador
puede verificar con un nivel de confianza recomendado superior al 90%.
∝
Cada nivel de confianza determina su nivel de significación alfa (∝) unilateral y bilateral ( ).
2
PASO 3°: Modelo estadístico/estadístico de prueba.
Este modelo se determina de acuerdo al tipo de variable y tamaño de la muestra.
PASO 4°: Regla de decisión.
Esta regla determina condiciones bajas las cuales se acepta la hipótesis nula.
Ejemplo:
Con el 95% de nivel de confianza y ensayo unilateral se tiene:
NC=95%

𝐴 = 0,50 − 0.5
𝐴 = 0,45ver tabla z
𝑍 = 1,64
Rechazo𝐻0
NC=95%
Acepto 𝐻0 ∝= 5%
Z=1,64
La regla de decisión queda establecida así:

𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 𝑍𝑐 < 𝑍𝑡
𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 𝑍𝑐 < 1,64
Con el 95% de nivel de confianza y ensayo unilateral izquierdo se tiene:
NC=95%
𝐴 = 0,50 − 0.5
𝐴 = 0,45ver tabla z
𝑍 = 1,64
Rechazo𝐻0
NC=95%
∝= 5% Acepto 𝐻0
Z=-1,64

𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 𝑍𝑐 > 𝑍𝑡
𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 𝑍𝑐 > −1,64
Con el 95% de nivel de confianza y ensayo bilateral se tiene:
𝐴 = 0,50 − 0.025 𝐴 = 0,475 𝑍 = 1,96
Rechazo𝐻0 Rechazo𝐻0
∝ ∝
= −2,5% = 2,5%
2 NC=95% 2
Acepto 𝐻0

Z=-1,96 Z=1,96
𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 −𝑍𝑡 < 𝑍𝑐 < 𝑍𝑇
𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 − 1,96 < 𝑍𝑐 < 1,96
https://www.geogebra.org/m/k6xFEq7W
PASO 5°: Calculo del modelo estadístico/Toma de decisiones.

Calculo del modelo estadístico con los datos experimentales o del problema, calcular el
valor del modelo estadístico.
Toma de decisión; se compara los resultados obtenidos con los datos experimentales y el
valor de la tabla para aplicar la regla de decisión de aceptar o rechazar la hipótesis nula.
Tipos de error
Al aceptar o rechazar la hipótesis se puede cometer dos tipos de errores de acuerdo al
siguiente gráfico:
ACEPTAR RECHAZAR
𝑯𝑶 v // 𝑇𝑖𝑝𝑜𝐼∝
𝑯𝑶 F 𝑇𝑖𝑝𝑜𝐼𝐼𝛽 //
MODELOS para verificar la hipótesis

Se tiene diferentes procedimientos o distribuciones para verificar hipótesis dependiendo el
tipo de variable y el tamaño de la muestra.
MUESTRAS GRANDES-DISTRIBUCIÓN NORMAL
Para trabajar con muestras grandes se tiene la distribución normal con los siguientes
procedimientos.
1. Distribución de medias poblacionales.
Se aplica el siguiente modelo:
𝑥̅ −𝜇
𝑧= 𝜎 POBLACION
2. Distribución de medias y muestreo.
𝑥̅ −𝜇
𝑧 = 𝜎 MUESTRA
√𝑛
3. Distribución de proporciones muestrales.

𝒑−𝑷
𝒛=
𝒑𝒒
√𝒏

Siendo:
p= proporción de la muestra.
P= proporción de la población.
4. Distribución de la diferencia entre dos medias muestrales.
(𝑥̅ − 𝑦̅) − (𝑢𝑥 − 𝑢𝑦 )
𝑧= 𝑃𝑂𝐵𝐿𝐴𝐶𝐼𝑂𝑁𝐴𝐿
𝜎2 𝑥 𝜎2 𝑦
√ +
𝑛 𝑛
1 2
(𝑥̅ − 𝑦̅) − (𝑢𝑥 − 𝑢𝑦 )
𝑧= 𝑀𝑈𝐸𝑆𝑇𝑅𝐴𝐿
√ +
𝑛1 𝑛2
𝑥−𝑦
𝑧=
√ +
𝑛1 𝑛2
5. Distribuciones de diferencia entre dos proporciones muéstrales.
(𝑝1 − 𝑝2 ) − (𝑢𝑝1 − 𝑢𝑝2 )
𝑧=
𝑝1𝑞1 𝑝2 𝑞2
√𝑛 + 𝑛
1 2
(𝑝1 − 𝑝2 )
𝑧=
𝑝1 𝑞1 𝑝2 𝑞2
√ +
𝑛1 𝑛2
DISTRIBUCIÓN DE MEDIAS MUÉSTRALES

Este modelo estadístico se aplica cuando la muestra tiene variables cuantitativas y se aplica
el siguiente modelo.
𝑥̅ −𝜇
Z= 𝜎
√𝑛
EJERCICIOS(4C): ESTADISTICA Y MUESTRE CIRO MARTIMEZ pg. 336 A 339
DATOS: µ = 4.6 ̅= 4.1

𝒙 σ = 1.8 n= 34 NC= 99% α = 1%
HIPOTESIS: un gimnasio invita a sus clientes argumentando una reducción de peso,
al menos de 4,6 kilos

𝑥̅ −𝜇
FORMULA del modelo : Z = 𝜎
√𝑛
4.1−4.6
Cálculo del modelo: Z = 1.8 = ± 1.62
√34
VERIFICACIÓN DE LA HIPÓTESIS
1) Planteamiento de la hipótesis
Modelo lógico
Ho: no es verdad que un gimnasio invita a sus clientes argumentando una reducción
de peso, al menos de 4,6 kilos
Hi: es verdad que un gimnasio invita a sus clientes argumentando una reducción de
peso, al menos de 4,6 kilos
Modelo matemático
Ho: µ = 4.6
Hi: µ ≥ 4.6 ( unilateral derecho)
2) Nivel de confianza (o nivel de significancia)
La hipótesis se verifica con el 99% de nivel de confianza con un
error α = 1%
3) Modelo estadístico
Para una muestra grande como indica el problema se aplica la
distribución de medias muestrales.
𝑥̅ −𝜇
Z= 𝜎
√𝑛
4) Regla de decisión
Con el 99% de nivel de confianza y ensayo unilateral α = 1%= 0.01
𝐴 = 0,50 − 0.01 = 0.49 ver tabla 𝑍 = 2.33
Rechazo𝐻0
NC=99%
Acepto 𝐻0 ∝= 1%
Z=2.33
La regla de decisión es 𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 𝑍𝑐 < 𝑍𝑡 o 𝑍𝑐 < 2.33
5) Cálculo del modelo estadístico y toma de decisión
5.a) Cálculo del modelo estadístico
Con los datos del problema se reemplaza em el modelo estadístico
𝑥̅ −𝜇
Fórmula del modelo: Z = 𝜎
√𝑛
4.1−4.6
Cálculo del modelo: Z = 1.8 = ± 1.62
√34
5,b) Toma de decisión

Con los datos del problema se obtiene en el valor de la puntuación tipificada z= 1,62 que se
encuentra en la zona de acepto Ho; por lo tanto, con el 99% de nivel de confianza de acepto
la hipótesis nula Ho:” no es verdad que un gimnasio invita a sus clientes argumentando una
reducción de peso, al menos de 4,6 kilos”
EJERCICIOS(4D): ESTADISTICA Y MUESTRE CIRO MARTIMEZ pg. 338, 339
DATOS: µ = 3.6 ̅ = 3,62

𝒙 σ = 0,21 n= 200
𝑥̅ −𝜇
FORMULA: Z = 𝜎
√𝑛
3.62−3.6
CALCULO DEL MODELO: Z = 0.21 = ∓1.35
√200
HIPOTESIS: Los artículos producidos por una maquina deben tener

un diámetro de 3,6 cm.

1) PLANTEAMIENTO DE LA HIPOTESIS:
MODELO LOGICO
Ho: Los artículos producidos por una maquina no deben tener un
diámetro de 3,6 cm.
Hi: Los artículos producidos por una maquina si deben tener un
diámetro de 3,6 cm.
MODELO MATEMATICO
Ho: µ ≠ 3.6
Hi: µ = 3.6 (bilateral)
2) NIVEL DE CONFIANZA
La verificación se realiza con 95% de nivel de confianza que determina un error
del 5% y ensayo bilateral.
3) MODELO ESTADISTICO
Se aplica la distribución media muestrales para muestras grandes.
𝑥̅ −𝜇
Z= 𝜎
√𝑛
4) REGLA DE DECISIÓN
α 5
Con el NC= 95% α = 5% = = 2,5% = 0.025
2 2
A= 0,5 – 0.025 = 0.475 tabla 𝑍α = 1,96
2
Rechazo𝐻0 Rechazo𝐻0
∝ ∝
= −2,5% = 2,5%
2 NC=95% 2
Acepto 𝐻0
Z=-1,96 Z=1,96

𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 −𝑍𝑡 < 𝑍𝑐 < 𝑍𝑇
𝐴𝑐𝑒𝑝𝑡𝑜 𝐻𝑂 𝑠𝑖 − 1,96 < 𝑍𝑐 < 1,96
5) CALCULO DEL MODELO ESTADÍSTICO Y TOMA DE DECISIÓN
5 a: CALCULO DEL MODELO ESTADÍSTICO
Con los datos del problema el valor de la puntuación tipificada z es:
DATOS: µ = 3.6 𝒙 = 3,62
̅ σ = 0,21 n= 200
𝑥̅ −𝜇
FORMULA: Z = 𝜎
√𝑛
3.62−3.6
CALCULO DEL MODELO: Z = 0.21 = ∓1.35
√200
5b: TOMA DE DECISIÓN
∓1.35 se encuentra en la zona de

El valor de la puntuación tipificada z =
acepto Ho; por lo tanto con el 95% de NC y ensayo bilateral se
acepta la Ho: Los artículos producidos por una maquina no deben
tener un diámetro de 3,6 cm.
DISTRIBUCIÓN DE PROPORCIONES MUESTRALES.
Este modelo se aplica para muestras grandes y variables cuali-
cuantitativas
𝒑−𝑷
𝒛=
𝒑𝒒
√𝒏
ESTADISTICA Y MUESTRE CIRO MARTINEZ pg. 341, 342,343
𝒙 𝟗
Datos: P= 20%= 0.2 p= = 𝟓𝟎 = 0.18 n= 50
𝒏
Hipótesis: Un cirujano desarrollo una nueva técnica quirúrgica que disminuya la tasa
de mortalidad post - operatoria.
Modelo
𝒑−𝑷
𝒛=
𝒑𝒒
√𝒏
Cálculo del modelo:

𝟎.𝟏𝟖−𝟎.𝟐
𝒛= = ± 0.37
𝟎.𝟏𝟖(𝟎.𝟖𝟐)
√
𝟓𝟎
DISTRIBUCIÓN DE LA DIFERENCIA ENTRE DOS MEDIAS MUESTRALES.
Este modelo de muestra grande se trabaja con variables cuantitativas.
(𝑥̅ − 𝑦̅) − (𝑢𝑥 − 𝑢𝑦 )
𝑧= 𝑃𝑂𝐵𝐿𝐴𝐶𝐼𝑂𝑁𝐴𝐿
√ +
𝑛 𝑛 1 2
(𝑥̅ − 𝑦̅) − (𝑢𝑥 − 𝑢𝑦 )
𝑧= 𝑀𝑈𝐸𝑆𝑇𝑅𝐴𝐿
√ +
𝑛1 𝑛2
𝑥−𝑦
𝑧=
√ +
𝑛1 𝑛2
ESTADISTICA Y MUESTRE CIRO MARTIMEZ pg. 345, 346
Datos: X=94,3 Y= 89,7 σx=14 σy= 17 n1=80 n2= 60 NC = 95%

σx2=196 σy2= 289
Hipótesis: Un departamento de producción desea determinar si hay mayor
rendimiento en el turno diurno en relación con el nocturno
Modelo estadístico:
𝑥−𝑦
𝑧=
√ +
𝑛1 𝑛2
Cálculo del modelo:
94.3−89.7
𝑧= 196 289
= ± 1.71
√ +
80 60
DISTRIBUCIONES DE DIFERENCIA ENTRE DOS PROPORCIONES MUÉSTRALES.

Este modelo es para muestra grande y variables cuali – cuantitativas

(𝑝1 − 𝑝2 ) − (𝑢𝑝1 − 𝑢𝑝2 )
𝑧=
𝑝1𝑞1 𝑝2 𝑞2
√ +
𝑛1 𝑛2
(𝑝1 − 𝑝2 )
𝑧=
𝑝1 𝑞1 𝑝2 𝑞2
√ +
𝑛1 𝑛2
ESTADISTICA Y MUESTRE CIRO MARTINEZ pg. 349, 350
𝒙 𝟖 𝒙 𝟔
Datos: P1= 𝒏 = 𝟏𝟎𝟎 =0.08 P2= 𝒏 = 𝟏𝟎𝟎 =0.06
q1=1-p1 = 1-0.08= 0.92 q2=1-p2=1-0.06=0.94

n1=100 n2= 100 NC= 95%
Hipótesis: Una fabrica tiene dos plantas dedicadas al proceso de llenado, existe
diferencia entre las plantas A y B en la proporción de caja que requieren ser
reprocesadas.
Formula del modelo
(𝑝1 − 𝑝2 )
𝑧=
𝑝1 𝑞1 𝑝2 𝑞2
√ +
𝑛1 𝑛2
Cálculo del modelo

(0.08−0.06)
𝑧= 0.08∗0.92 0.06∗0.94
= ± 0.55
√ +
100 100
EJERCICIO:
Ciro Martínez pág. 337
9. una muestra aleatoria de zapatos (n=40) usados por los soldados en campaña en un
desierto, revela una vida media de 1.08 años con una desviación estándar de 0.5 años. se
sabe que en condiciones normales dichos zapatos tiene una vida media de 1.28 años. Al
nivel de significancia del 5% ¿hay razón para sostener que la distribución de la vida media
de los zapatos se debe a su uso en el desierto?

DATOS
𝒙 = 𝟏. 𝟎𝟖 𝒖 = 𝟏. 𝟐𝟖 𝒔 = 𝟎. 𝟓 𝒏 = 𝟒𝟎
Resolución:
CALCULO DEL MODELO ESTADÍSTICO
𝑥̅ −𝜇 𝟏.𝟎𝟖−𝟏.𝟐𝟖
Z= 𝜎 𝒁= 𝟎.𝟓 𝒁𝒄 = ±𝟐. 𝟓𝟑
√𝑛 √𝟒𝟎
PRUEBAS DE HIPÓTESIS NO PARAMÉTRICAS

Las pruebas no paramétricas permiten realizar verificaciones de hipótesis con variables
cualitativas de preferencia. También se puede trabajar con variables cuantitativas
Entre las pruebas no paramétrica se tiene el CHI CUADRADO
CHI CUADRADO O JI CUADRADO

La prueba de chi cuadrado se denota por χ2
Este modelo se aplica para muestras grandes variables cualitativas y cuantitativas.
Existen dos procedimientos para determinar el valor del modelo estadístico: Con una
muestra simple o con tablas de contingencia.
En este modelo se trabaja con frecuencias observadas fo y frecuencias esperadas fe
Las frecuencias observadas fo son las que se levantan en la investigación.
Las frecuencias esperadas fe son las que se calculan en función de las frecuencias
conocidas.
Para aplicar este método se recomienda que en las frecuencias esperadas el valor mínimo
sea 5.
La fórmula para calcular el valor de chi cuadrado es
Grados de libertad
En la tabla simple los grados de libertad se denominan por la fórmula de Fisher gl = n-1

Cuando se tiene tablas de contingencia los grados de libertad se determinan por la siguiente
formula: gl= (f-1) (c-1); f= Numero de filas c= Numero de columnas
Tabla de contingencia: Las tablas de contingencia son tablas de doble entrada en la cual se
cruzan la información de dos variables de la hipótesis. Por ejemplo
Ítem 4
Ítem 1
Muy
Excelente bueno Bueno Regular TOTAL
Excelente
Muy bueno
Bueno
TOTAL ……….
Frecuencias fo o fe
Datos MARGINALES O
TOTALES
Uso de la tabla chi cuadrado x2
La tabla de chi cuadrado es una tabla de doble entrada que tiene en la primera fila los
niveles de confianza y en la primera columna los grados grado de libertad.
Tabla de chi cuadrado:

LECTURA DE DATOS EN LA TABLA DE CHI CUADRADO
NC= 95% α = 5% gl= 12 x2= 21.026
NC= 90% gl= 15 x2= 22.307
NC= 99% gl= 25 x2= 44.314
NC= 80% gl= 31 x2= 37.359

Ejemplo
• Calcular el valor de chi cuadrado de la tabla con la siguiente información
Nc= 95%
Gl= 7 NC=95% Rechazo Ho ∞
5%
χ2= 14.07 Acepto Ho
χ2=14.07
Nc= 97.5%
Gl= 7 NC=97.5% Rechazo Ho
∞2.5%
χ2=16.1 Acepto Ho
χ2=16.1
Nc=99%
Gl=7 NC=99% Rechazo Ho ∞
1%
χ2= 18.48 Acepto Ho
χ2= 18.48%
Nc= 5%
Gl=7% NC= 5% Rechazo Ho ∞
χ2= 2.17 Acepto Ho
χ2= 2.17

CHI CUADRADO CON MUESTRAS SIMPLES
PROCEDIMIENTO:
1. Elaborar la tabla con las fo

2. Calcular la media aritmética de las fo
3. Escribir la columna de fe con los valores de la media aritmética calculada.
4. Aplicar la formula para determinar chi cuadrado.
EJERCICIOS.
Ejercicios para resolver 4c
En la presentación de un grupo de musico profesionales se observa que la música

country tiene la siguiente aceptación como se detalla en el cuadro que representa las
edades en años. Al nivel de 5% se puede concluir que la música country tiene una
buena acogida.
Hipótesis: En la presentación de un grupo de musico profesionales se observa que la

música country … tiene buena acogida.
Regla de decisión:
NC= 95% α = 5%= 0.05 gl= n – 1 = 12 – 1 = 11 X2= 19.675
Acepto Ho si Xc2 < Xt2 o Xc2 < 19.675
Decisión: con los datos del problema se tiene X2=52.9097 que se encuentra en la zona de
rechazo Ho, por lo tanto con el 95% de nivel de confianza se rechaza Ho y se acepta la
hipótesis alterna Hi: En la presentación de un grupo de musico profesionales se observa que
la música country si tiene buena acogida.
Formula de chi cuadrado:

Elaborar la tabla:
fo fe fo-fe (fo-fe)^2 (fo-fe)^2/fe

26 38,75 -12,8 162,5625 4,1952
42 38,75 3,25 10,5625 0,2726
65 38,75 26,25 689,0625 17,7823
38 38,75 -0,75 0,5625 0,0145
29 38,75 -9,75 95,0625 2,4532
32 38,75 -6,75 45,5625 1,1758
59 38,75 20,25 410,0625 10,5823
42 38,75 3,25 10,5625 0,2726
27 38,75 -11,8 138,0625 3,5629
41 38,75 2,25 5,0625 0,1306
46 38,75 7,25 52,5625 1,3565
18 38,75 -20,8 430,5625 11,1113
465 465 X^2= 52,9097
∑ 𝑓𝑜
Xm= = 38,75
𝑛
Ejercicios para resolver 4d
El número de incendios en cierta ciudad durante una semana es: Lunes 8, Martes 7,
Miércoles 9, Jueves 6, Viernes 13, Sábado 12, Domingo 10
Cálculo del modelo estadístico con la fórmula:

8 9,29 -1,3 1,6641 0,1791
7 9,29 -2,3 5,2441 0,5645
9 9,29 -0,3 0,0841 0,0091
6 9,29 -3,3 10,8241 1,1651
13 9,29 3,71 13,7641 1,4816
12 9,29 2,71 7,3441 0,7905
10 9,29 0,71 0,5041 0,0543
65 65 X2= 4,2442
Xm=65/7= 9,29
Verifique la hipótesis con los datos del problema:

Hipótesis: El número de incendios en cierta ciudad durante los días de la semana … son
iguales
Regla de decisión:
NC= 95% α = 5% = 0.05 Valor de chi cuadrado de la tabla Xt2= 12.592 gl= n-1= 7-1 = 6
Acepto Ho si Xc2 < Xt2 o Xt2= 12.592
xxxxx
Se calcula el promedio de las funciones esperadas
Promedio X= ∑x/n
Fe= ∑Fo / n = 65/7= 9.29
Regla de decisión NC= 95%
∞= 5%
GL=N-1 =7-1 =6
El valor tabular es
X2= 12.95
La regla de decisión queda establecida así: acepto Ho si: X2 ≤19
TOMA DE DECISION:

Con los datos del problema el modelo estadístico X2=4.24 que se encuentra en la zona de
aceptación Ho por lo tanto con el 95% del nivel de confianza se acepta la hipótesis nula
FECHA: Viernes, 7 de diciembre de 2018
CHI CUADRADO CON TABLA DE CONTINGENCIA
Les decimos pruebas aplicadas a cuadros de contingencia, algunos los denominan también
como decimas de independencia. Sin embargo, permiten la realización de pruebas de
homogeneidad.
Un cuadro de contingencia es un arreglo por el cual un conjunto de observaciones se
dispone conforme a dos criterios de clasificación, una de los cuales se expresa en columnas
y el otro en reglones. (Martínez Bencardio, 2012, pág. 431)
Modelo de tabla de contingencia:
Ítem 4
Ítem 1
Muy
Excelente bueno Bueno TOTAL
Excelente
Muy bueno
Bueno
TOTAL
Procedimiento
1. Calcular los valores extremos de la tabla de contingencia.
2. Calcular las frecuencias esperadas (en otra tabla), multiplicando los valores
extremos en cada caso y dividiendo este resultado para el total.
Ítem 4
Ítem 1
Muy
Excelente bueno Bueno TOTAL
Excelente fe Tf
Muy bueno
Bueno
TOTAL Tc T
𝑇𝑐 ∗ 𝑇𝑓
𝑓𝑒 =
𝑇

Tc= total de la columna Tf= total de la fila T= total de la tabla
3. Formar la tabla para el calcular el valor de chi cuadrado

X2= ………
4. Determinar el valor de chi cuadrado.
EJERCICIO 4C
Analizar la información de la tabla que representa el número de niños ingresados por tipo
de obesidad y sexo en el mes de enero. Con el 95% determinar el buen estado de salud.
Hipótesis: los niños ingresados por tipo de obesidad y sexo en el mes de enero se observa
que los niños …. tienen un buen estado de salud.
Regla de decisión:
NC= 95% α = 5%= 0,05 gl=(f-1)(c-1)=(4-1)(2-1)= 3*1=3 X2= 7.815
Acepto Ho si Xc2< Xt2 Xc2 < 7.815

Decisión:
Con los datos del problema se tiene el valor de chi cuadrado Xc2= 0.46 que se encuentra en
la zona de aceptación de Ho, por lo tanto en el 95% de nivel de confianza se acepta la
hipótesis nula Ho: los niños ingresados por tipo de obesidad y sexo en el mes de enero se
observa que los niños no tienen un buen estado de salud.
TABLA DE fo
FRECUENCIAS OBSERVADAS fo
tipo de obesidad masculino femenino total

sobre peso 7 5 12
leve 3 1 4
moderado 5 4 9
severo 18 12 30
total 33 22 55

Tabla fe
FRECUENCIAS OBSERVADAS fe
tipo de obesidad masculino femenino total

sobre peso 7,2 4,8 12
leve 2,4 1,6 4
moderado 5,4 3,6 9
severo 18 12 30
total 33 22 55
Tabla de chi cuadrado

7 7,2 -0,2 0,04 0,0055556
3 2,4 0,6 0,36 0,15
5 5,4 -0,4 0,16 0,0296296
18 18 0 0 0
5 4,8 0,2 0,04 0,0083333
1 1,6 -0,6 0,36 0,225
4 3,6 0,4 0,16 0,0444444
12 12 0 0 0
0,462963
EJERCICIO 4D
Ejercicio 58
En una operación de control se clasifican las piezas producidas por 4 máquinas en tres
grupos, según su calidad (buena, regular y mala). El nivel del 5% según los resultados
obtenidos. Puede admitirse que la distribución de las piezas, buenas, malas y regulares es
lo mismo, independientemente de la máquina que las fabrico?
Hipótesis: la distribución de las piezas, buenas, malas y regulares … es independientemente
de la máquina que las fabrico.
FRECUENCIAS OBSERVADAS
CLASIFICACION
MAQUINA TOTAL
BUENAS REGULARES MALAS
1 229 216 105 550

2 186 119 63 368
3 110 92 49 251
4 150 127 67 344
TOTAL 675 554 284 1513
FRECUENCIAS ESPERADAS
MAQUINA BUENAS REGULARES MALAS TOTAL
1 245.37 201.39 103.24 550
2 164.18 134.75 69.08 368
3 111.98 91.91 47.11 251
4 153.47 125.96 64.57 344
TOTAL 675 554 284 1513

229 245,37 -16,37 267,9769 1,0921
186 164,18 21,82 476,1124 2,8999
110 111,98 -1,98 3,9204 0,035
150 153,47 -3,47 12,0409 0,0785
216 201,39 14,61 213,4521 1,0599
119 134,75 -15,75 248,0625 1,8409
92 91,91 0,09 0,0081 0,0001
127 125,96 1,04 1,0816 0,0086
105 103,24 1,76 3,0976 0,03
63 69,08 -6,08 36,9664 0,5351
49 47,11 1,89 3,5721 0,0758
67 64,57 2,43 5,9049 0,0914
1513 1513 X2= 7,7473
REGLA DE DECISIÓN
N.C= 98% 𝛼=2%=0,02
gl=(f-1)(c-1)= (4-1) (3-1)= 3*(2) = 6 ver tabla
𝑥 2 t =15,033 Acepto Ho RECHAZO Ho

N.C. 98% ∞=2%=0,02
Acepto Ho: Si 𝑥 2 c < 𝑥 2 t
𝑥 2 c < 15.033
𝑥 2 t =15,033
TOMA DE DECISIÓN
Con los datos del valor calculado de chi cuadrado es 𝑥 2 =7,7472, que se encuentra en la zona
de aceptación Ho, por lo tanto, con el 98% de Nivel de Confianza se acepta Ho: la distribución de

las piezas, buenas, malas y regulares no es independientemente de la máquina que las
fabrico.
Taller 4c
ESTADISTICA PARA LA ADMINISTRACION Y ECONOMIA MASON ED 11 ejercicio 24 PG 573
UNA EMPRESA DEDICADA A LA VENTA DE MUEBLES DESEA ESTUDIAR CUAL ES EL

NUMERO DE SOLICITUDES DE CREDITO RECIBIDAS POR DIA EN LOS ULTIMOS 30 DIAS. CON
TA INFORMACION DE LA TABLA. (5%)
N fo
SOLICITUDES
0 55
1 72
2 84
3 58
3 37
5 24
330
Hipótesis, Regla de decisión, Calculo x2, decisión
Taller
ESTADISTICA PARA LA ADMINISTRACION Y ECONOMIA MASON ED 11 ejercicio 24 PG 573
UNA EMPRESA DEDICADA A LA VENTA DE MUEBLES DESEA ESTUDIAR CUAL ES EL

NUMERO DE SOLICITUDES DE CREDITO RECIBIDAS POR DIA EN LOS ULTIMOS 330 DIAS. CON
TA INFORMACION DE LA TABLA. (5%)
N fo
SOLICITUDES
0 50
1 77
2 81
3 48
3 31
5 13
300
Deber 5 ejercicios de chi cuadrado.

REGRESIÓN Y CORRELACIÓN
La correlación r°: Permite determinar la fuerza de relación que existe entre 2 muestras o 2
variables. La correlación se representa por la letra r° y su valor se encuentra entre el
intervalo -1 < r <1, intervalos en común.
Para que exista un análisis de correlación las variables deben tener aspectos que se
relacionen entre ellos. Los datos para un análisis de correlación se determinan por parejas
por lo tanto pueden representarse gráficamente con gráficos denominados de dispersión.
GRÁFICOS DE DISPERSIÓN
El coeficiente de correlación lineal r° mide la fuerza de la relación lineal entre los variables
cuantitativas expresadas como x, y de una muestra. El coeficiente de correlación lineal es
propuesto por Karl Pearson.
GRADO DE CORRELACIN ENTRE LAS VARIABLES
0 a 0.2 correlación muy baja y no permite análisis
0.2 a 0.5 correlación baja
0.5 a 0.6 correlación aceptable
0.7 a 0.8 correlación buena
0.8 a 0.9 correlación alta
0.9 a 1 correlación muy alta
Fórmula para calcular el coeficiente r°

Una de las fórmulas para calcular el coeficiente de r° es:
𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)
𝑟𝑜 =
√[𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 ][𝑛(∑ 𝑦 2 ) − (∑ 𝑦)2 ]
Coeficiente de correlación en forma conceptual

∑ 𝑑𝑥∗𝑑𝑦 ∑(𝑥−𝑋̅ )(𝑦− 𝑌̅)
r = (𝑛−1)𝑆 =
𝑥 𝑆𝑦 (𝑛−1)𝑆𝑥 𝑆𝑦
REGRESION LINEAL POR EL METODO DE LOS MINIMOS CUADRADOS
Fórmula para calcular la ecuación de REGRESIÓN LINEAL: Y’ = a + bx

𝑛 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
Pendiente de la línea de regresión: b=
𝑛(∑ 𝑥 2 )−(∑ 𝑥)2 ]
∑𝑦 ∑𝑥
Punto de corte de la recta con el eje y: a= –b
𝑛 𝑛
VERIFICACION DE HIPOTESIS APLICANDO EL VALOR DE CORRELACION EN

MUESTRA PEQUEÑA
Para muestras pequeñas se aplican el modelo de T- student con la siguiente formula:
𝑟
𝑡 =
1−𝑟°
√
𝑛−2
Grados de libertad Gl= n – 2
EJERCICIO 4C
ESTADISTICA APLICADA DE MASON PG 475, N 14
El señor presidente de una empresa considera que existe una relación entre el numero de
entrevistas con clientes y el importe en dólares de las ventas. Para documentar esta afirmación,
recopilo la siguiente información muestral (ver tabla).
X: numero de entrevistados con clientes durante el mes pasado
Y: es el valor de las ventas (miles de dólares) en el mismo mes.
Determine el coeficiente de correlación, la ecuación de regresión lineal
Evalué las ventas estimadas si hay comunicación con 40 clientes.
X Y
14 24
12 14

20 28
16 30
46 80
23 30
48 90
50 85
55 120
50 110
GRAFICO
CORRELACION Y REGRESION LINEAL

CLIENTES Y VENTAS
140
120
y = 2,1949x - 12,213
100 R² = 0,9513
VENTAS
80
60
40
20
0
0 10 20 30 40 50 60
CLIENTES
n X Y xy x^2 y^2 Y’ = a + bx
1 14 24 336 196 576 18,517
2 12 14 168 144 196 14,127
3 20 28 560 400 784 31,687
4 16 30 480 256 900 22,907
5 46 80 3680 2116 6400 88,757
6 23 30 690 529 900 38,272
7 48 90 4320 2304 8100 93,147
8 50 85 4250 2500 7225 97,537
9 55 120 6600 3025 14400 108,512
10 50 110 5500 2500 12100 97,537
334 611 26584 13970 51581
ESTADISTICA APLICADA DE MASON PG 475, N 14
coeficiente de correlación

𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)
𝑟𝑜 =
√[𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 ][𝑛(∑ 𝑦 2 ) − (∑ 𝑦)2 ]
10 ∗ 26584 − 334 ∗ 611

𝑟𝑜 =
√[10 ∗ 13970 − (334)2 ][10 ∗ 51581 − (611)2 ]
61766
𝑟𝑜 =
√28144 ∗ 142489
61766
𝑟𝑜 = = 0,975 𝑟 𝑜 =97,5% existe una correlacion muy alta entre las variables.
63326,22218
Ecuación de regresión lineal
Fórmula de la ecuación de REGRESIÓN LINEAL: Y’ = a + bx

𝑛 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
Pendiente de la línea de regresión: b=
𝑛(∑ 𝑥 2 )−(∑ 𝑥)2 ]
10∗26584−334∗611 61766
b=(10∗13970)−(334)2] = = 2,195
28144
∑𝑦 ∑𝑥
𝑛 𝑛
611 334
a= – 2,195 * = - 12,213
10 10
Ecuación de REGRESIÓN LINEAL: Y’ = a + bx
Y’ = - 12,213 + 2,195x
T STUDEN CON CORRELACIO PARA MUESTRAS PEQUEÑAS

Hipótesis: El señor presidente de una empresa considera que … existe una relación entre el
número de entrevistas con clientes y el importe en dólares de las ventas
𝑟 0.975 0.975
𝑡 = = = = 17.12
1−𝑟° 1−0.975 1−0.975
√ √ √
𝑛−2 10−2 10−2
REGLA DE DECISIÓN
NC= 95% α = 5%= 0.05 Grados de libertad Gl= n – 2 = 10-2=8 t= 1.8595
GRAFICO: …..
regla de decisión acepto Ho si tc< tt tc<1.8595
DECISION: con los datos del problema se tiene el modelo t student t= 17.12 que se encuentra en
la zona de rechazo Ho; por lo tanto con el 95% de nivel confianza se rechaza la hipótesis nula y de
acepta la hipótesis alterna Hi: El señor presidente de una empresa considera que si existe una
relación entre el número de entrevistas con clientes y el importe en dólares de las ventas.

EJERCICIO 4D
ESTADISTICA APLICADA DE MASON PG 475, N …
El gerente de ventas de una compañía expresa que tiene una gran fuerza de ventas en toda la ciudad, desea
determinar si existe relación entre el número de llamadas telefónicas de ventas hechas en un mes, y la
cantidad de copiadoras vendidas durante ese lapso. El gerente selecciona al azar una muestra de 10
representantes y determina que el número de tales llamadas que hizo cada uno el mes anterior y la cantidad de
productos vendidos. De acuerdo con el siguiente cuadro:
n X Y
1 20 30
2 40 60
3 20 40
4 30 60
5 10 30
6 10 40
7 20 40
8 20 50
9 20 30
10 30 70
220 450
GRAFICO DE DISPERSION

CORRELACION Y REGRESION LINEAL
# LLAMADAS, # DE COPIADORAS VENDIDAS
80
y = 1,1841x + 18,95
# COPIADORAS VENDIDAS
70 R² = 0,5761
60
50
40
30
20
10
0
0 5 10 15 20 25 30 35 40 45
# DE LLAMADAS
TABLA PARA CALCULAR LA COORRELACION
n X Y xy x^2 y^2 Y’ = a + bx
1 20 30 600 400 900 42,63
2 40 60 2400 1600 3600 66,31
3 20 40 800 400 1600 42,63
4 30 60 1800 900 3600 54,47
5 10 30 300 100 900 30,79
6 10 40 400 100 1600 30,79
7 20 40 800 400 1600 42,63
8 20 50 1000 400 2500 42,63
9 20 30 600 400 900 42,63
10 30 70 2100 900 4900 54,47
220 450 10800 5600 22100
Cálculo de la Correlación
𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)
𝑟𝑜 =
√[𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 ][𝑛(∑ 𝑦 2 ) − (∑ 𝑦)2 ]
10(10800) − 220 ∗ 450

𝑟𝑜 =
√[10(5600) − 2202 ][10(22100 − (450)2 ]
900 900
𝑟𝑜 = = 11857,48709 = 0,759 corresponde al 75,9% que es buena correlación entre las variables.
√[7600][18500]
ECUACIÓN DE REGRESIÓN LINEAL: Y’ = a + bx

𝑛 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
Pendiente de la línea de regresión: b= 2
𝑛(∑ 𝑥 2 )−(∑ 𝑥) ]
10∗10800−220∗450 9000 45
b=[10(5600) − (220)2] =7600 = 38 = 1,184

∑𝑦 ∑𝑥
𝑛 𝑛
450 45 220 360

a= – 38 * = = 18,95
10 10 19
ecuación de regresión Y’ = a + bx Y’ = 18,95 + x*1,184 Y’ = 18,95 + 1,184 x
PROCESO PARA VERIFICAR HIPOTESIS

𝑟 0.759
𝑡 = 𝑡 = = 4.37
1−𝑟° 1−0.759
√ √
𝑛−2 10−2
HIPOTESIS: El gerente de ventas de una compañía expresa que … tiene una gran fuerza de ventas en toda la
ciudad, desea determinar si existe relación entre el número de llamadas telefónicas de ventas hechas en un
mes, y la cantidad de copiadoras vendidas durante ese lapso
REGLA DE DECISION:
NC= 95% α = 5% gl= n – 2 = 10-2 = 8 t= 1.86
GRAFICO …….
Acepto Ho si tc <tt o tc< 1.86
DECISION:
Con los datos del problemas el valor del modelo estadístico t student t= 4,37 se encuentra en la zona de
rechazo Ho; por lo tanto con el 95% de nivel de confianza se rechaza la hipótesis nula y se acepta la hipótesis
alterna Hi: El gerente de ventas de una compañía expresa que si tiene una gran fuerza de ventas en toda la
ciudad, desea determinar si existe relación entre el número de llamadas telefónicas de ventas hechas en un
mes, y la cantidad de copiadoras vendidas durante ese lapso.
Deber 2 ejercicios completos
EJERCICIO:
Un profesor intenta mostrar a sus estudiantes la importancia de los exámenes cortas aun
cuando el 90% de la calificación final este determinada por los parciales. El cree que
cuando más altos sean las calificaciones de los exámenes cortos más alta será la calificación
final.
(x) (y) X.Y X2 Y2
1 52 65 3380 2704 4225
2 92 84 7728 8464 7056
3 72 77 5544 5184 5929
4 90 80 7200 8100 6400

5 95 77 7315 9025 5929
6 87 81 7047 7569 6561
7 89 80 7120 7921 6400
8 77 84 6468 5929 7056
9 76 80 6080 5776 6400
10 65 69 4485 4225 4761
TOTAL 97 83 62367 64897 60717
Media
aritmética 9,7 8,3
𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)

𝑟𝑜 =
√𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 √𝑛(∑ 𝑦 2 ) − (∑ 𝑦)2
11(70873) − (1899)(860)
𝑟𝑜 =
√11(75083) − (899)2 √11(67606) − (860)2
r° =0.76 r= 76%
Existe una correlación alta entre las variables

Cuando las muestras son pequeñas se aplican el modelo de T- student con la siguiente
formula:
𝑟
𝑡 =
1−𝑟°
√
𝑛−2
1.- Planteamiento de la hipótesis:

Modelo lógico
H0: No es cierto que las calificaciones sean mas altas que los exámenes cortos
Hi: Es cierto que las calificaciones sean más altas que los exámenes cortos
H0: x = y
Hi: x = y

2.- Nivel de confianza
La siguiente prueba de hipótesis se calcula con el 90% de nivel de confianza.
3.- Modelo estadístico
Para muestras pequeñas calculamos con el modelo estadístico
𝑟√𝑛 − 2
𝑡 =
√1 − (𝑟)2
0.46√11 − 2
𝑡 =
√1 − (0.76)2
𝑡 = 3.5
4.- Regla de decisión
gl = n-2
gl = 9 =
tt = 1.83
Acepto si -tt < tc > tt
5.- Cálculo de modelo estadístico y toma de decisión
Calculo de modelo estadístico
Tc= 3.5
Toma de decisión
Se realizó la prueba de hipótesis con el 90% de nivel de confianza y un ensayo bilateral, por
lo tanto, rechazamos Ho y aceptamos la h1: Es cierto que las calificaciones sean más altas
que los exámenes cortos.

REGRESIÓN LINEAL
La ecuación de regresión lineal es la mejor aproximación que se tiene para formar una recta
con un grupo que analiza dos muestras de variables cuantitativas.
Uno de los métodos para determinar la recta conocida con el nombre de la recta del mejor
ajuste es el MÉTODO DE MÍNIMOS CUADRADOS.
El modelo de la línea de estimación o regresión está dado por:
𝑦 = 𝑎 + 𝑏𝑥
PENDIENTE DE LA RECTA DE MEJOR AJUSTE
∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅
𝑏=
∑ 𝑥 2 − 𝑛𝑥̅ 2
b= pendiente de la recta de estimación de mejor ajuste
x= valores de la variable independiente
y= valores de la variable dependiente
̅= promedio de la variable independiente
𝒙
̅= promedio de la variable dependiente
𝒚
n= número de pares
Cálculo de la ordenada o corte con el eje Y
𝑎 = 𝑦̅ − 𝑏𝑥̅
EJERCICIO:
• Se eligen aleatoriamente 11 estudiantes entre los que han terminado el curso de

matemática y estadística. Suponiendo que los pares de calificaciones se extraen
aleatoriamente de una población normal bidimensional, docime la hipótesis de que
la calificación de matemática es indispensable a la calificación de estadística.
(α=0,05)
X Y XY X2 Y=a+bx
67 92 6164 4489 79,09
81 65 5265 6561 77,27
65 81 5265 4225 79,35
42 75 3150 1764 82,34
53 85 4505 2809 80,91
40 78 3120 1600 82,60
71 77 5467 5041 78,57

64 79 5056 4096 79,48
60 81 4860 3600 80
68 82 5576 4624 78,96
49 85 4165 2401 81,43
660 880 52593 41210 880
a= 87,8
b= -0,13
𝟔𝟎𝟎
̅=
𝒙 = 𝟔𝟎
𝟏𝟏
𝟖𝟖𝟎
̅=
𝒚 = 𝟖𝟎
𝟏𝟏
CALCULAR LA PENDIENTE:
∑ 𝒙𝒚 − 𝒏𝒙
̅𝒚̅ 52593 − 11(60)(80)
𝒃= 𝟐 𝟐
= = −0,13
∑ 𝒙 − 𝒏𝒙̅ 41210 − 11(60)2
CALCULAR EL CORTE CON EL EJE Y O LA ORDENADA
̅ = 80 + 0,13(60) = 87,8
̅ − 𝒃𝒙
𝒂= 𝒚
ESCRIBIR LA ECUACIÓN DE REGRESIÓN LINEAL

𝒚 = 𝒂 + 𝒃𝒙 = 87,8 − 0,13𝑥
REGRESIÓN MÚLTIPLE
Utilizamos regresión múltiple cuando estudiamos la posible relación entre varias variables
independientes (predictoras o explicativas) y otras variables independientes (criterio,
explicada, respuesta).
La técnica de regresión múltiple se usa frecuentemente en investigación se aplica al caso en
que la variable respuesta es de tipo numérica.
Cuando la respuesta de este tipo dicotómico (muere/vivo, enferma/no enferma), usamos
otras técnicas denominadas regresión logística y que tratamos en un capitulo anterior.
➢ Aplicaciones de la regresión múltiple
Es cierto que la regresión múltiple se utiliza para la predicción de respuestas a partir de
varias explicaciones.
➢ Identificación de variables explicativas

Nos ayuda a crear un modelo donde se selecciona las variables que puedan influir en la
respuesta, descartando aquellos que no aporten información.
➢ Detección de interacciones
Entre variables independientes que afectan a las variables respuesta. Ejemplo: la
interacción clásica es el de estudiar la respuesta de un paciente al alcohol y aun
diabético.
➢ Identificación de variables confusoras
Es un problema difícil el que sus detección, pero de interés en investigación no
experimental, ya que el investigador frecuentemente no tiene control sobre la variable
independiente.
REQUISITOS Y LIMITACIONES
Hay ciertos requisitos necesarios para poder utilizar la técnica de regresión múltiple.
➢ Linealidad.- Se supone que la variable respuesta depende limitaciones de las variables
explicativas si la respuesta no aparenta ser lineal, debemos introducir en el modelo
componente no lineal.
➢ Normalidad y la distribución de los recursos.- Se llama residuos las diferencias entre
las variables calculadas por el modelo y los realmente obtenidos en la variable
dependiente.
➢ Numero de variables independientes.- Podemos estar tentados en incluir en el modelo
cualquier cosa que tengamos en una base de datos, con la esperanza de que cuantas
variables incluyamos.
➢ Colinealidad.- Si dos variables independientes están estrechamente relacionadas y
amadas son incluidas en su modelo, muy posiblemente ninguna de las dos sean
consideradas significativas.
EJERCICIO
1.- determinante principal
10 441 147
441 19,461 6,485
420532,75 147 6,485 2,173 422,89
420,55 10 441 147 420403,10
422607,21 441 19,461 6,485 420403,10
∑Ds= 843560,51 ∑Dp= 841229,08
∑Dp - ∑Ds
-2331,44

2.- determinante de variable ∆x
272 441 147

12,005 19,461 6,485
=11480,26 4,013 6,485 2,173 =11502,54
=11481,08 273 441 147 =11444,31
=11504,31 12,005 19,461 6,485 =11476,72
∑Ds= 34465,64 ∑Dp= 34423,57
∑Dp - ∑Ds
-42,08
10 4272 147
441 12,005 6,485
=259416,05 147 4,013 2,173 =260,87
=260,24 10 273 147 =260150,75
=261613,99 441 12,003 6,485 =260249,54
∑Ds= 521290,28 ∑Dp= 520661,15
∑Dp - ∑Ds
=-629,12
10 441 4272
441 19,461 12,005
=12221196,62 147 6,485 4,013 =780,97
=778,52 10 441 273 =780748,61
=780452,25 441 19,461 12,003 =778118,48
∑Ds= 13002427,40 ∑Dp= 1559648,06
∑Dp - ∑Ds
-11442779
Calcular la variables x= DX/D Y= DY/D Z= DZ/D
ECUACION DE REGRESION MULTIPLE

Estadistica II Materia 1X

Cargado por

Copyright:

Formatos disponibles

Estadistica II Materia 1X

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadistica II Materia 1X

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA DE AMBATO

FACULTAD DE CONTABILIDAD Y AUDITORÍA

Dra. Margoth Bonilla 1

Dra. Margoth Bonilla 2

Dra. Margoth Bonilla 3

CUADRO 1 TIPO DE VARIABLES .................................................................................... 9

GRÁFICO 1 DEL PROCESO ESTADÍSTICO. ................................................................... 6

Ilustración 1Población ............................................................................................................ 6

Dra. Margoth Bonilla 4

Estadística descriptiva: Se refiere a los métodos de recolección, organización, resumen

Estadística inferencial: Se trata de un paso más allá de la mera descripción. Se refiere

La estadística inferencial se subdivide a su vez en dos grandes tipos: estadística

Estadística no paramétrica: En ella no es posible asumir ningún tipo de distribución

Dra. Margoth Bonilla 5

GRÁFICO 1DEL PROCESO ESTADÍSTICO.

✓ Si estudiamos altura de los niños de una clase, cada alumno

Dra. Margoth Bonilla 6

GRÁFICO 2DE POBLACIÓN Y MUESTRA

RAZONES PARA ESTUDIAR LAS MUESTRA EN LUGAR DE LA

Los datos estadísticos deben tener 2 características

✓ Que son completamente relacionadas entre sí

La recolección de datos estadísticos se divide en datos internos y externos.

Dra. Margoth Bonilla 7

✓ Coeficiente intelectual de los estudiantes de un grupo pueden tener diferentes

Dra. Margoth Bonilla 8

NOMINAL ORDINAL CONTINUAS DISCRETAS

CUADRO 1 EJEMPLOS DE TIPO DE VARIABLES

CUADRO 2 EJEMPLO DE VARIABLES

Variable Cualitativa: Se refiere a características o cualidades que no pueden ser

Dra. Margoth Bonilla 9

Dra. Margoth Bonilla 10

Entonces X: El mayor de los tres números sacados, es una variable aleatoria.

Por ejemplo, X(2,3,4)=4

Si el rango de valores Rx de la variable aleatoria X es finito o infinito enumerable entonces se

VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA

La suma es sobre todos los valores x que están en Rx .

Donde la suma es sobre todos los valores del rango de X.

x p(x) X.p(x) x -µ (x -µ)2.p(x)

De la tabla la varianza 𝜎 2 =∑(𝑥 − 𝜇)2 𝑃(𝑥) = 0,573

Otras formas de calcular las varianzas son: 𝜎 2 = ∑(𝑥)2 𝑃(𝑥) − (𝜇)2

Dra. Margoth Bonilla 11

Ejemplo: Al lanzar una moneda 10 veces y obtener 6 caras k=6

DISTRIBUCION DE PROBABILIDAD BINOMIAL

(𝑝 + 𝑞 )4 1𝐶04 4𝐶14 𝟔𝑪𝟒𝟐 4𝐶34 1𝐶44

FÓRMULA PARA DESARROLLAR LA COMBINACIÓN

Verificación de las combinaciones que forman el triángulo de pascal

Dra. Margoth Bonilla 12

Verificación de la formación del triángulo con las sumas de la combinación

Dra. Margoth Bonilla 13

(𝑝 + 𝑞)4 = 𝐶04 𝑝4 + 𝐶14 𝑝3 𝑞 + 𝐶24 𝑝2 𝑞2 + 𝐶34 𝑝0 𝑞3 + 𝐶44 𝑞4

(𝑝 + 𝑞)12 = 𝐶012𝑝12 + 𝐶112 𝑝11 𝑞 + 𝐶212𝑝10𝑞2 + 𝐶312 𝑝9 𝑞3 + 𝐶412𝑝8 𝑞4 + 𝐶512 𝑝7 𝑞5

Dra. Margoth Bonilla 14

PROBABILIDADES EN EL DESARROLLO DEL BINOMIO

En el desarrollo del binomio se puede considerar “que si durante repetidos ensayos,

La fórmula general para cada término es:

Los criterios que debe cumplir cada experimento:

a) Debe existir un número fijo de pruebas repetidas (n)

Dra. Margoth Bonilla 15

Por ejemplo al lanzar las monedas los espacios muestrales son: