Distribuciones Fundamentales para el Muestreo

M.C. Jorge Ivan Fuentes Rosado

Inferencia Estadstica I
Febrero 2015

Indice
1. Introducci
on a la Estadstica Inferencial

2. Muestreo: Introducci
on al muestreo y tipos de muestreo

3. Teorema del lmite central

4. Distribuciones fundamentales para el muestreo

4.1. Distribuci
on muestral de la media . . . . . . . . . . . .
4.2. Ejercicios para Resolver . . . . . . . . . . . . . . . . .
4.3. Distribuci
on muestral de la diferencia de medias . . .
4.3.1. Ejemplo 1 . . . . . . . . . . . . . . . . . . . . .
4.3.2. Ejemplo 2 . . . . . . . . . . . . . . . . . . . . .
4.3.3. Ejemplo 3 . . . . . . . . . . . . . . . . . . . . .
4.3.4. Ejercicios para Resolver . . . . . . . . . . . . .
4.4. Distribuci
on muestral de la proporcion . . . . . . . . .
4.4.1. Simbologa . . . . . . . . . . . . . . . . . . . .
4.4.2. Ejemplo 1 . . . . . . . . . . . . . . . . . . . . .
4.4.3. Ejemplo 2 . . . . . . . . . . . . . . . . . . . . .
4.4.4. Ejemplo 3 . . . . . . . . . . . . . . . . . . . . .
4.4.5. Ejercicios para Resolver . . . . . . . . . . . . .
4.5. Distribuci
on muestral de la diferencia de proporciones
4.5.1. Ejemplo 1 . . . . . . . . . . . . . . . . . . . . .
4.5.2. Ejemplo 2 . . . . . . . . . . . . . . . . . . . . .
4.5.3. Ejemplo 3 . . . . . . . . . . . . . . . . . . . . .
4.5.4. Ejercicios a Resolver . . . . . . . . . . . . . . .
4.6. Distribuci
on t-student . . . . . . . . . . . . . . . . . .
4.7. Distribuci
on muestral de la varianza . . . . . . . . . .
4.8. Distribuci
on muestral de la relacion de varianzas . . .
5. Tabla de la Normal

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

5
5
6
8
9
10
12
12
14
14
14
15
16
17
19
19
20
20
20
20
20
20
21

1.

Introducci
on a la Estadstica Inferencial

Hoy la estadstica est

a considerada como la teora de la informacion, no solo como funci
on
descriptiva, sino como el objetivo b
asico de hacer estimaciones acerca de los valores estadsticos de
la poblacion o en la comprobaci
on de hipotesis de aquellas caractersticas que han sido investigadas.
De lo anterior se observa que la estadstica cubre dos aspectos de gran importancia : en la
estadstica descriptiva a traves de la recoleccion, clasificacion, presentacion, ya sea en forma de
cuadros o gr
aficas, la aplicaci
on de medidas como promedios, desviaciones, etc., y la interpretaci
on
y analisis de datos a fin de obtener conclusiones. Se realiza un proceso deductivo de lo general a lo
particular.
El segundo aspecto es la inferencia estadstica o metodo inductivo, el cual, mediante investigaciones por muestreo, se logra obtener resultados considerados como estimadores de los valores
estadsticos, correspondientes a las caractersticas de las unidades que conforman la poblacion.
Se podra afirmar que la tarea m
as importante de la estadstica es la realizacion de inferencias
acerca de una poblaci
on objetivo, con base en los resultados obtenidos a traves de una muestra.
Poblaci
on o universo se puede definir como un conjunto de elementos.
El elemento o unidad puede ser una persona, familia, empresa, zona, animal u objeto, etc.
Del elemento se estudian sus caractersticas. Estas se clasifican en: cualitativas o atributos,
expresadas por palabras y se cuantifican mediante el conteo o recuento; las cuantitativas o variables
expresadas en forma numerica, que pueden ser medidas (variable continua) o contadas (variables
discreta).
De acuerdo con lo anterior, la poblacion puede definirse como un conjunto de medidas, o el
recuento de todas las unidades que presentan una caracterstica en com
un. Se podra definir como
un conjunto de mediciones, finito o infinito, real o conceptual.
Marco muestral Es un listado, actualizado y revisado, de todos los elementos que constituyen
la poblacion que va a ser objeto de investigacion. Tambien puede ser un mapa o un croquis con las
unidades de selecci
on plenamente identificadas.
Encuesta preliminar, piloto, o pretest Antes de iniciar la investigacion, se recomienda realizar
una peque
na encuesta preliminar con el fin de probar el cuestionario, conocer mejor la poblaci
on,
entrenar al entrevistador, determinar el tiempo que requiere la entrevista y en especial tener un
mayor conocimiento acerca de algunos parametros.
La poblaci
on se clasifica en : finita o infinita
Cuando se investiga la caracterstica de toda las unidades que constituyen la poblacion o universo, nos referimos a una investigaci
on total o exhaustiva o censo.
Factores tales como: costo, tiempo, recursos humanos, poblaciones muy grandes, destrucci
on
de la unidad sometida a control, caractersticas con gran homogeneidad, impiden la realizacion del
censo. Se sustituye, entonces por una investigacion parcial o muestra.
El objetivo principal de muestreo es considerar el mayor n
umero de unidades con el menor costo
posible.
La muestra, para que sea representativa de la poblacion, requiere que todas las unidades de la
poblacion tengan la misma probabilidad de ser seleccionadas, es decir, debe ser aleatoria, al azar o
probabilstica.
El muestreo aleatorio realizado bajo ciertas condiciones y sometido a ciertos requisitos, se constituye en un procedimiento pr
actico, economico y rapido para generalizar conclusiones obtenidas
a traves de una muestra, aplicables a toda la poblacion de la que forma parte, dentro de ciertos
lmites establecidos de antemano.
2

2.

Muestreo: Introducci
on al muestreo y tipos de muestreo

La forma como se selecciona una muestra se llama plan de muestreo o dise

no experimental y
determina la cantidad de informaci
on en la muestra. Conocer el plan de muestreo usado en una
situacion en particular le permitir
a medir la confiabilidad o banda de su inferencia.
Dentro del Muestreo aleatorio se tienen los siguientes metodos:
Muestreo Aleatorio Simple o muestreo aleatorio irrestricto , en el cual se da igual oportunidad de selecci
on a cada elemento a la muestra dentro de la poblacion Si se selecciona una
muestra de n elementos de una poblacion de N elementos por medio de una plan de muestreo
en el que cada una de las posibles muestras tiene la misma probabilidad de ser seleccionada,
entonces se dice que el muestre es aleatorio y la muestra resultante es una muestra aleatoria
simple.
Una base de datos de una computadora tiene un bufete de abogados contiene archivos
para N=1000 clientes.La empresa quiere seleccionar n=5 archivos para revisarlos. Se
selecciona una muestra aleatoria simple de cinco archivos de esta base de datos.
Una investigadora qumica prueba un nuevo metodo para medir la cantidad de titanio
(Ti) en muestras de mineral. Para su experimento ella escoge 10 muestras del mismo
pesos.
Muestreo Aleatorio Estratificado (Asignacion igual, proporcional y optimo) garantiza la representatividad, reduciendo el error de la muestra al formar grupos o subpoblaciones m
as
o menos homogeneas, en cuanto a su composicion interna heterogenea cuando se comparan
estratos entre s.
Muestro por conglomerados, por
areas o geogr
afica Cuando la unidad basica de muestreo
se encuentra en la poblaci
on en grupos o conglomerados y la selecciona de la unidad permite la
observaci
on del total de elementos de cada conglomerado elegido. Cada conglomerado tiene
las mismas caractersticas de la poblacion; puede hacerse un segundo muestreo dentro del
conglomerado seleccionado, denominandose de doble etapa o bietapico.
Generalmente es muy aplicado cuando se dispone de un marco de referencia completo. El
area
total se divide en peque
nas
areas las que son muestreadas. Cada area seleccionada podr
a ser
subdivivida y enumerada para una nueva seleccion si es necesario, y as sucesivamente dando
origen al muestreo por etapas o polietapico.
Muestreo por fases En ocasiones es conveniente y economico recoger cierta informacion de la
totalidad de elementos de una muestra, la cual se extrae de la poblacion en tal forma que
sea lo suficientemente grande. Ademas, otra informacion mas detallada obliga a una nueva
muestra proveniente de la anterior ocasionando un muestre de dos fases o bifasico. Puede
considerarse, tambien, de varias fases o polifasico.
Muestreo sistem
atico La selecci
on de las unidades se hace a intervalos regulares, en un orden
sistem
atico.
Las condiciones del muestreo aleatorio implican consideraciones importantes: (a) se debe seguir
un dise
no estadstico especfico (muestreo aleatorio simple, estratificado, etc); el mejor es aquel
que proporciona la precisi
on necesaria, en terminos de un lmite, en cuanto al error de estimaci
on
3

a un menor costo; (b) la selecci

on de los elementos al azar, para luego recolectar la informaci
on
por cualquiera de los metodos: entrevista, observacion directa, correo, telefono, etc.; (c) el error
muestral, es decir, la diferencia entre el resultado obtenido mediante la investigacion total o censo.
El error de estimaci
on, es la diferencia que puede haber entre la estimacion puntual y el par
ametro. Cuando la estimaci
on no representa bien al parametro, a pesar de estar perfectamente dise
nada
nos referiremos a errores muestrales; los errores no muestrales son ocasionados por el mal dise
no
del formulario, errores cometidos por el proceso de recoleccion, procesamiento y analisis de datos.
Parametro (poblacional) son las medidas descriptivas numericas aplicadas a las caractersticas
en las unidades de la poblaci
on. Tambien se les denomina como valores estadsticos de la poblaci
on.
Estimador puntual son las medidas descriptivas numericas aplicadas a las caractersticas en las
unidades de la muestra. Se podr
a decir que el estimador es una norma o metodo para estimar una
constante perteneciente a una poblaci
on. La estimacion hace referencia a los valores numericos de
los parametros poblacionales desconocidos, a los cuales se lega mediante una muestra.
El estimador por intervalos, es una regla que nos indica como calcular dos puntos o valores a
traves de una muestra. La estimaci
on por intervalos es la estimacion del parametro mediante la
especificacion de un intervalo de valores, determinado por un lmite inferior y otro superior (lmites
de confianza) dentro del cual estar
a comprendido el valor verdadero o parametro poblacional.
Se dice que un buen estimador debe ser:
Insesgado, es decir, que no tenga sesgo, error o bias, cuando el valor del estimado es igual al
del par
ametro. En caso contrario la estimacion sera sesgada
Consistente es aquel estimador que, al aumentar el tama
no de la muestra, converge en probabilidad al par
ametro que estima
Eficiente es el estimador que tiene la menor varianza entre todos los estimadores posibles
Suficiente cuando incluye toda la informacion que la muestra puede proporcionar acerca del
parametro.
El intervalo de confianza corresponde a un intervalo de valores, dentro los cuales se espera que
este el parametro con cierto grado de confianza o con resigo de error conocido; para ello es necesario
determinar primero la estimaci
on puntual
La probabilidad de que un intervalo de confianza contenga el parametro que se estima, se
denomina coeficiente de confianza.

3.

Teorema del lmite central

El teorema de lmite central se cumple, cuando independientemente de la poblacion origen,

la distribuci
on de las medias aleatorias se aproximan a una distribucion normal a medida que el
tama
no de la muestra crece. Se podr
a decir tambien, que si las muestras provienen de una poblacion que no es normal, es de importancia tener en cuenta el tama
no de la muestra, si el tama
no
muestral es peque
no, la distribuci
on obtenida con sus medias muestrales tendran un comportamiento similar al de la poblaci
on de donde se extrajeron. Por el contrario, si el tama
no muestral
es grande, el comportamiento de estas medias muestrales sera igual al de una distribucion normal,
independientemente de la poblaci
on de donde fueron extradas.

En su forma m
as simple en teorema indica que, si n variables aleatorias independientes tienen
varianzas finitas, su suma, cuando se les expresa en medida estandar, tienden a estar normalmente
distribuidas cuando n tiende a infinito. Se debe observar que ninguna de las varianzas sea mayor a
la comparada con el total.
El teorema de lmite central establece que, en condiciones muy generales, la sumas y medias
de muestras aleatorias de mediciones extradas de una poblacion tienden a tener una distribuci
on
aproximadamente normal. Suponga que lanza un dado equilibrado n = 1 vez. La variable aleatoria
x es el n
umero observado en la cara superior. Esta conocida variable aleatoria puede tomar seis
valores, cada uno con probabilidad 1/6. La forma de la distribucion es plana o uniforme y simetrica
con respecto a la media = 3.5.
Ahora, tome una muestra de tama
no n = 2 de esta
P poblacion, es decir, lance dos dados y anote
la suma de los n
umeros en las dos caras superiores, i xi = x1 +x2 . Se tienen 36 posibles resultados
con probabilidad 1/36. Las sumas se tabulanPy se dividen entre n = 2 para obtener un promedio .
El resultado es la distribuci
on muestral x
= i xi /n. Ahora tiene mas o menos forma de campana
pero todava es simetrica con respecto a la media = 3.5

4.

Distribuciones fundamentales para el muestreo

Corresponde a una distribuci

on de todas las muestras que pueden ser escogidas conforme a un
esquema de muestreo especificado, que implique seleccion al azar y, a una funcion de un n
umero
fijo de variables aleatorias independientes.
Dada una poblaci
on a estudiar, se selecciona una sola muestra de todas las muestras posibles
de igual tama
no, con el fin de obtener conclusiones sobre la poblacion, no sobre la muestra.

4.1.

Distribuci
on muestral de la media

Si consideramos una poblaci

on de N elementos, con media y desviacion estandar tpica , si
se obtienen M n
umero de muestras posibles , de tama
no n, simbolizamos a cada media muestral
por: x1 , x2 , x3 , . . . xM y a cada desviacion tpica por : s1 , s2 , s3 , . . . , sM

Figura 1: Distribucion muestral de la media

Teorema. Dada una poblaci
on, si extraemos todas las muestras posibles de un mismo tama
no,
entonces la media de la distribuci
on de todas las medias muestrales posibles, sera igual a la media
poblacional.
Simbolizaremos la media de todas las medias muestrales por x , la cual sera igual a la media
poblacional
P
x =

xi
x1 , x2 , x3 , . . .xM
=
=
M
M
=
(x) = E(X)

La varianza de todas las medias muestrales se simboliza por x2 el error estandar de la media,sera igual x
rP
r
(x1 )2 + (x2 )2 + (x3 )2 + + (xM )2
(xi )2
x =
=
M
M

Siendo x = n (para muestras grandes, o sea n > 30 el cual se denomina error estandar de la
media)

4.2.

Ejercicios para Resolver

1. En una poblaci
on normal, con media 72,1 y desviacion estandar 3,1, encuentre la probabilidad
de que en una muestra de 90 observaciones, la media sea menor que 71,7.

2. En un banco de ahorros, la cuenta media es de $659,320, con una desviacion estandar de

$18,000. Cu
al es la probabilidad de que un grupo de 400 cuentas, elegidas al azar, tenga un
deposito medio de $660.000 o m
as?

3. En cierta regi
on los salarios diarios de los mineros del carbon estan distribuidos normalmente
con una media de $864,500 y una desviacion estandar de $15,000 Cual es la probabilidad de
que una muestra representativa de 25 mineros, tenga un promedio diario inferior a $857,500?

4. Las estaturas de cierto grupo de adultos tienen una media de 167.42 y una desviacion est
andar
de 2.58 centmetros. Si las estaturas estan normalmente distribuidas y se eligen aleatoriamente
25 personas del grupo, Cu
al es la probabilidad de que su media sea de 168.00 centmetros o
mas?

5.

4.3.

Distribuci
on muestral de la diferencia de medias

Se tiene dos poblaciones normales e independientes, identificadas la primer por X y la segunda

por Y , de tama
no N1 y N2 , cuyas medias se simbolizan por x y muY y sus desviaciones tpicas
por X y Y . Se obtiene un n
umero (M) de pares de muestras posibles. Las medias muestrales de
la primera poblaci
on se identifican por:x1 , x2 , x3 , . . . xM y y1 , y2 , y3 , . . . yM . Las desviaciones tpicas
muestrales respectivas ser
an: : sy1 , sy2 , sy3 , . . . , syM

Figura 2: Distribucion muestral de la diferencia de medias

Ahora, si consideramos las diferencias para cada par, la media aritmetica de dichas diferencias
se simbolizar
a por xy

xy =

P
(xi yi )
M

xy =

(x1 y1 ) + (x2 y2 ) + (x3 y3 ) + + (xM yM )

M
P
P
Xi
Yi

M
M

Se pude demostrar que la media de las diferencias de todos los pares de medias muestrales
posibles, es igual a la diferencia entre las medias poblaciones

xy = x y
xy = x y
La desviaci
on tpica de las diferencias entre los pares de medias muestrales se simboliza por
xy y se calcula mediante la f
ormula:
rP
[(xi yi ) x y ]2
xy =
M
La desviaci
on tpica de las diferencias entre los pares de medias muestrales, denominada tambien
como error est
andar de las diferencias entre las medias muestrales, es igual a:

x2 =
xy =

x2
n1

y2 =

q
x2 + y2

y2
n1
s

xy =

x2 y2
+
n1
n1

Suponiendo que la distribuci

on de diferencias entre las medias muestrales tenga un comportamiento similar a la distribuci
on normal, la variante estadstica estara dada por la formula
(
x y) xy
xy
(
x y) x y
q
Z=
y2
x2
+
n1
n2
Z=

Utilizamos la distribuci
on normal como una aproximacion, para resolver problemas de distribuciones de diferencias entre dos medias muestrales
Se puede aplicar esta distribuci
on cuando no se conocen las varianzas poblacionales las cuales
pueden ser sustituidas por varianzas muestrales siempre que sean mayores de 30. Hay autores que
consideran su utilizaci
on si n1 + n2 > 30. Siendo su formula

Z=

4.3.1.

(
x
y x y )x y
r
2
s2
x + sy
n1
n2

Ejemplo 1

Se tienen dos poblaciones normales e independientes, donde la media de la segunda poblaci

on es
0.65 menor que la de la primera; si se seleccionan muestras de tama
no 100 y 120 y si las respectivas
desviaciones tpicas poblacionales son 12 y 8, se pide determinar la probabilidad de que, en un par
de muestras, la diferencia entre ambas medias muestrales sea superior a 1 en valor absoluto
Se tiene
x y = 0.65
n1 = 100 n2 = 120 x = 12 y = 8
P ((
x y) > |1|) =?
(
x y) x y
q
Z=
y2
x2
n1 + n2

Figura 3: Grafica del Ejemplo 1

El lado positivo de la gr
afica

Z=r

+
P ((
x y) <

Buscar en la Tabla de la Normal

)=

P ((
x y) >

)=

El lado negativo de la gr
afica

Z=r

+
P ((
x y) <

Buscar en la Tabla de la Normal

)=

P ((
x y) <

)=

El resultado
P ((
x y) > |1|) =
4.3.2.

Ejemplo 2

Se obtiene una muestra aleatoria de 100 elementos de una poblacion normal, que tiene media
50 y desviaci
on est
andar 8. Luego se selecciona otra muestra aleatoria de 400 elementos de una
poblacion normal, que tiene media 40 desviacion estandar 12. Encontrar la probabilidad de que:
a la media de la primera muestra exceda a la de la segunda en 8 o mas.
b ambas medias difieran, en valor absoluto, en 12 o mas.
Para el primer inciso : la media de la primera muestra exceda a la de la segunda en 8 o m
as.
Tenemos
x = 50
y = 40 n1 = 100 n2 = 400 x = 8 y = 12
P ((
x y) 8) =?
10

Figura 4: Grafica del Ejemplo 2a

Z=r

+
P ((
x y)

Buscar en la Tabla de la Normal

)=

El resultado:
P ((
x y) 8) =

Para el segundo inciso :ambas medias difieran, en valor absoluto, en 12 o mas.. Tenemos
x = 50
y = 40 n1 = 100 n2 = 400 x = 8 y = 12
P ((
x y) |12|) =?

Figura 5: Grafica del Ejemplo 2b

El lado positivo de la gr
afica

Z=r

+
P ((
x y) <

Buscar en la Tabla de la Normal

)=

P ((
x y) >

)=

El lado negativo de la gr
afica

Z=r

+
P ((
x y) <

)=

Buscar en la Tabla de la Normal

11

P ((
x y) <

)=

El resultado
P ((
x y) |12|) =
4.3.3.

Ejemplo 3

Dos marcas, A y B de tabletas anti

acidas efervescentes registran el mismo promedio de disoluci
on
en agua, con desviaci
on est
andar de 12 segundos para la marca A y 24 segundos para B. Suponiendo
que el tiempo de disoluci
on este normalmente distribuido, Cual es la probabilidad de que, con una
muestra de 36 tables de cada marca, las tabletas B, registren un promedio de tiempo de disoluci
on,
cuando menos 5 segundos m
as r
apido que A?
Tenemos
x = y
n1 = 36 n2 = 36 x = 12 y = 24
P ((
x y) > 5) =?

Figura 6: Grafica del Ejemplo 3

Z=r

+
P ((
x y)

)=

Buscar en la Tabla de la Normal

El resultado:
P ((
x y) > 5) =
4.3.4.

Ejercicios para Resolver

1. De cada una de dos poblaciones normales e independientes con iguales medias y desviaciones
estandar de 6.40 y 7.30, se extraen muestras de 64 elementos. Encontrar la probabilidad de
que la diferencia entre las medias de las muestras exceda de 0.60 en valor absoluto

12

2. El rendimiento medio de los autos de la marca A es de 20 kilometros por galon de gasolina,

con una desviaci
on est
andar de 6 k.p.g. Las cifras comparables para los autos B son 25 y
5.5 k.p.g. Se supone que el rendimiento de cada una de ambas marcas esta normalmente
distribuido. Cu
al es la probabilidad de que en un concurso, el rendimiento para 10 autos de
la marca A sea mayor que el de 9 autos de la marca B?

3. En promedio, los estudiantes de la Universidad A se leventan 50 minutos despues de la salida

del sol, con una desviaci
on est
andar de 15 minutos. Los estudiantes de la universidad B se
levantan 60 minutos despues de la salida del sol, con una desviacion estandar de 18 minutos.
Un grupo de 25 estudiantes de la universidad A realiza un viaje junto con 20 alumnos de la
B. Encontrar la probabilidad de que la hora media de levantada del grupo de la universidad
B mas temprana que la del grupo de la Universidad A.

4. A y B fabrican dos tipos de cables, con una resistencia media a la rotura de 4000 y 4300
libras, con desviaciones tpicas de 980 y 850 libras respectivamente. Si se prueban 70 cables
de A y 40 cables de B, Cu
al es la probabilidad de que la media de resistencia a la rotura de
A sea, al menos 300 libras m
as que B?

13

5.

4.4.

Distribuci
on muestral de la proporci
on

En el an
alisis de una caracterstica cualitativa o atributo, se emplea la proporcion de exitos y
no el n
umero de exitos como una distribucion binomial.
Se define la proporci
on de exitos como:
p=

N
umero de casos favorables o exitos
Total de casos Posibles

En vez de expresar la variable en terminos de exitos (X) nos referimos, al n

umero de elementos
con el atributo en la muestra (a) y lo dividimos por el tama
no de la muestra (n).
P
ai
p=
n
4.4.1.

Simbologa
P
Ai Total de elementos que presentan la caracterstica investigada en la poblacion A =
P A=
Ai = N P
P
A
P = P = P P = N
= NAi Proporcion de elementos que presenta la caracterstica investigada
en la poblaci
on
A
Q = NN
= 1 P Proporci
on de elementos que no presenta la caracterstica estudiada P+Q
= 1.
P2 Varianzaq
de la proporci
on en la poblacion P2 = P Q
P
P =
= PnQ
n
Variante Estadstico. En muchos casos, podemos utilizar la distribucion normal para evaluar la
distribucion muestral de proporciones, siendo:

Z=

4.4.2.

pP
q

PQ
n

pp
p

Ejemplo 1

Se tiene que el 4 % de las piezas producidas por cierta maquina es defectuosa, Cual es la
probabilidad de que en un grupo de 200 piezas, el 3 % o mas sea defectuosa?
Tenemos:
P = 0.04
Q = 1 P = 0.96 n = 200
P (p 0.03) =?
14

Figura 7: Ejemplo 1

r
P =

PQ
=
n

s
=

Se desea determinar P (p 0.03)

p p
Z= q
=

PQ
n

P (p <

)=

Buscar en la tabla de la distribucion Normal

Para obtener el resultado

P (p 0.03) =
4.4.3.

0.7612

Ejemplo 2

Se desea estudiar una muestra de 49 personas para saber la proporcion de las mayores de 40 a
nos;
sabiendo que la proporci
on en la poblacion es 0.4. Cual es la probabilidad de que la proporci
on
en la muestra sea menor de 0.5?
Tenemos:
n = 49
P = 0.4 Q = 1 P = 0.6
P (p < 0.5) =?
Se puede observar el problema en la grafica:

15

Figura 8: Ejemplo 2 de proporciones

p P
Z= q
=r

(1)

PQ
n

P (p <

)=

Buscar en la tabla de la distribucion Normal

Para obtener el resultado

P (
p 0.03) =
4.4.4.

0.0236

Ejemplo 3

Cuarenta y seis por ciento de los sindicatos del pas estan en contra de comerciar con la China
continental: Cu
al es la probabilidad de que en una encuesta a 100 sindicatos muestre que el 52 %
tengan una misma posici
on?
Tenemos:
P = 0.46
p = 0.52 Q = 1 P = 0.54 n = 100
P (p > 0.52) =?
Determina el
area de la gr
afica a buscar:

Figura 9: Ejemplo 2 de proporciones

16

p P
Z= q
=r

(2)

PQ
n

P (p <

)=

Buscar en la tabla de la distribucion Normal

Para obtener el resultado

P (
p 0.03) =
4.4.5.

0.1131

Ejercicios para Resolver

1. Se ha determinado que el 65 % de los estudiantes universitarios de Yucatan prefieren los

cuadernos marcar Norma. Cual es la probabilidad de que en una muestra de 100 universitarios
de dicha ciudad , encontremos que
a) como m
aximo el 68 % sean usuarios de ese tipo de cuaderno.
b) exactamente sean 66 % sean usuarios (utilizar medio punto de porcentaje para los lmites)

2. Un fabricante de desodorantes recibe cada semana lotes de 10,000 valvulas para los tarros
rociadores. Para aceptar o rechazar dichos lotes, selecciona al azar 400 valvulas de cada lote;
si el 2 % o m
as resultan defectuosos, se rechaza el lote. En caso contrario se acepta el lote.
Cual es la probabilidad de rechazar un lote que contenga el 1 % de valvulas defectuosas?

17

3. Se ha encontrado que el 4 % de las piezas producidas por cierta maquina son defectuosas
Cual es la probabilidad de que al seleccionar 400 piezas, que el 5 % o mas sea defectuoso.

4. Para elegir el presidente de un sindicato, un candidato obtuvo el 46 % de los votos. Determinar

la probabilidad de que entre 200, elegidos al azar, de un total de 1000 afiliados, se obtenga la
mayora de votos para dicho candidato?

5. En cierta universidad de Yucat

an 16 de los alumnos son mujeres. Si se extrae una muestra
aleatoria de 200 estudiantes de la facultad, Cual es la probablidad de que el 20 % o mas sean
mujeres?

18

4.5.

Distribuci
on muestral de la diferencia de proporciones

En el caso de dos poblaciones independientes, de tama

no N1 y N2 , distribuidas binomialmente,
con parametros P1 y P2 (tambien se le
puede representar
las medias por P1 y P2 y desviaciones
proporcionales P1 y P2 siendo: P1 = P1 Q1 y P2 = P2 Q2 . El error estaq
ndar de las diferencias

2
1
+ P2nQ
Cuando
entre las dos medias proporcionales estara dada por P1 P2 siendo: P1 P2 = P1nQ
1
2
se trabaja con par
ametros o valores poblacionales
Las proporciones P1 y P2 son poblacionales, y se simbolizan con letras may
usculas. Luego
cuando son muestrales, se utilizan letras min
usculas p1 y p2
Cuando n1 y n2 corresponden a muestras grandes, es decir, ambas superiores a 30, se tendr
a,
que el error est
andar de las diferencias entre dos proporciones es:
r
p1 q1 p2 q2
Sp1 p2 =
+
n1
n2

La media de las diferencias entre dos medias proporcionales, se simbolizan; indistintamente por:
P1 P2 = p1 p2 = P1 P2
La variante estadstica Z, estar
a dada en la misma forma que fue presenta para diferencias entre
dos medias muestrales:
Z=

(p1 p2 ) (p1 p2 )
q
P1 Q1
P2 Q2
n1 + n2

Figura 10: Diferencia de Proporciones

4.5.1.

Ejemplo 1

Consideremos dos m
aquinas que producen un determinado artculo; la primera produce por
termino medio un 14 % de artculos defectuosos, en tanto que otra, produce el 20 % de artculos
19

defectuosos; si se obtiene muestras de 200 unidades en la primera y 100 unidades en la segunda,

cual es la probabilidad de que difiera A de B en 8 % o mas? Tenemos:
n1 = 200
n2 = 100 P1 = 14 P2 = 20
P (P1 P2 0) =?
Dado el estimador Z
Z=

4.5.2.

(p1 p2 ) (p1 p2 )
q
P2 Q2
P1 Q1
n1 + n2

Ejemplo 2

Dos fabricas A y B producen artculos similares. La produccion de A contiene 7 % de defectuosos,

y la de B contiene, 5 % . Si se extrae una muestra aleatoria de 2000 de cada una de las producciones
de las fabricas, cu
al es la probabilidad de que las dos muestras revelan una diferencia en el n
umero
de los defectuosos del 1 % o m
as?
4.5.3.

Ejemplo 3

Se sabe que cierta marca de crema para las manos satisface el 65 % del mercado. Cual es la
probabilidad de que dos muestras aleatoria de 200 usuarios cada una, muestre una diferencia mayor
del 10 % en las proporciones de uso de la crema?
4.5.4.

Ejercicios a Resolver

4.6.

Distribuci
on t-student

4.7.

Distribuci
on muestral de la varianza

4.8.

Distribuci
on muestral de la relaci
on de varianzas

20

5.

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9

Tabla de la Normal

0.0000
0.00000
0.03983
0.09477
0.15349
0.21004
0.26116
0.30543
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.01000
0.00399
0.04141
0.09538
0.15372
0.21011
0.26118
0.30543
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.02000
0.00798
0.04299
0.09599
0.15394
0.21019
0.26121
0.30544
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.03000
0.01197
0.04458
0.09661
0.15417
0.21027
0.26123
0.30544
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.04000
0.01595
0.04616
0.09722
0.15440
0.21035
0.26126
0.30545
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999
21

0.05000
0.01994
0.04773
0.09783
0.15462
0.21042
0.26128
0.30546
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.06000
0.02392
0.04931
0.09844
0.15485
0.21050
0.26130
0.30546
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.07000
0.02790
0.05089
0.09905
0.15507
0.21058
0.26133
0.30547
0.34266
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.08000
0.03188
0.05246
0.09966
0.15530
0.21066
0.26135
0.30548
0.34267
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999

0.09000
0.03586
0.05403
0.10026
0.15552
0.21073
0.26137
0.30548
0.34267
0.37341
0.39856
0.41903
0.43562
0.44904
0.45986
0.46855
0.47550
0.48103
0.48541
0.48886
0.49155
0.49364
0.49525
0.49648
0.49742
0.49812
0.49864
0.49903
0.49931
0.49952
0.49966
0.49977
0.49984
0.49989
0.49993
0.49995
0.49997
0.49998
0.49999
0.49999
0.49999