MUESTRA

Parámetros Estadígrafos

Medidas Población Muestra

Número de Datos N n
Media 𝜇 𝑥ҧ
Proporción p 𝑝ҧ
Varianza 𝜎2 S2
Desviación Estándar 𝜎 S
 F Parámetro a No se conoce la Se conoce la
o
r
estimar Población Población
m
 z   z2  2 N
2
Promedio
u
l
a
 n
 e 
 n 2 2 2
z   e ( N  1)
r Proporción z2 p q z2 p q N
i n n 2
o P e2 z p q  e 2 ( N  1)
Si no se conoce σ Antecedentes Muestra piloto (s) (Max-min/)6
Si no se conoce p Antecedentes Muestra piloto (p) p = q = 0.5

VALORES CRÍTICOS DE Z

Nivel de Confianza (100-) 90% 95% 99% 99.5% 99.8%

Nivel de significación () 0.10 0.05 0.01 0.005 0.002

Valor Z de la Distrib. Normal  1.645  1.96  2.575  2.81  3.08
 Formulario para estimar por Intervalo la media poblacional ()
Intervalo de
confianza de Población con Distribución Normal Población sin Distribución Normal

una σ conocida σ desconocida σ conocida σ desconocida

S→σ S→σ
población TLC TLC
n > 30 𝜇 ≅ 𝑥ҧ ± 𝑍𝛼 𝑆𝑥ҧ 𝜇 ≅ 𝑥ҧ ± 𝑍𝛼 𝜎𝑥ҧ 𝜇 ≅ 𝑥ҧ ± 𝑍𝛼 𝑆𝑥ҧ
𝜇 ≅ 𝑥ҧ ± 𝑍𝛼 𝜎𝑥ҧ
n < 30 𝜇 ≅ 𝑥ҧ ± 𝑇𝛼 𝑆𝑥ҧ Estadística No Paramétrica

Intervalo
Cuidado con el factor de corrección
de
VALORES CRÍTICOS DE Z
confianza
Nivel de Confianza (100-) 90% 95% 99% 99.5% 99.8%
para µ Nivel de significación () 0.10 0.05 0.01 0.005 0.002
Valor Z de la Distrib. Normal  1.645  1.96  2.575  2.81  3.08
 Desviación Estándar de
La desviación estándar de depende de si la población es finita o infinita.
x


x 
n
x

= desviación estándar de la población.

= desviación estándar de la distribución muestral de
Si no se especifica nada, sobreentenderemos que N es grande (infinita), por lo que no
será necesario usar el FACTOR DE CORRECCION
 Intervalo de la Proporción

Intervalo de
confianza
para P 𝑝ҧ ± 𝑍𝛼 𝜎𝑝ҧ
Si la población sigue una distribución normal,
entonces la muestra y sus estadígragos también
seguirá una distribución normal.

p  N  p , p2 
Si no se sabe si la población tiene normalidad,
pero: 
p  N  p , 2
p 
n >30 y (n)(p) > 5 y (n)(1-p) > 5, la distribución
de las proporciones tiende a ser normal.

Cuidado con el factor de corrección

 Desviación Estándar de
La desviación estándar de depende de si la población es finita o infinita.

p (1  p )
p n

p(1  p) N  n
p n N 1

Si conocemos P lo usamos

P = Proporción de la población.
= desviación estándar de la distribución muestral de

Si no se especifica nada, sobreentenderemos que N es grande (infinita), por lo

que no será necesario usar el FACTOR DE CORRECCION
 Intervalo de Formulario Intervalos de confianza diferencia de (1- 2)
confianza de dos
poblaciones Muestras Independientes Muestras Pareadas
 12 y 22 descon.
t , gl  n1  n2 - 2
2 2
 1 y 2 conocidas d   di n Sd  d i n( d ) 2
2

2 usamos S12 y S 22 n 1

Muestras grandes 𝑥ҧ1 − 𝑥ҧ2 ∓ 𝑍 𝑆𝑥ҧ1 −𝑥ҧ2 𝑑ҧ ∓ 𝑍 𝑆𝑑 / 𝑛

n1 y n2 > 30
𝑥ҧ1 − 𝑥ҧ2 ∓ 𝑡 𝑆𝐶 𝑥ҧ1 −𝑥ҧ2

2 1 1 
 S   
Intervalo  12   22   2
S
C x1  x 2
 n1 n2 
𝑥ҧ1 − 𝑥ҧ2 ∓ 𝑍 𝜎𝑥ҧ1−𝑥ҧ2
de Muestras S
2

n1  1S1  n 2  1S 2
2 2

confianza pequeñas n1  n 2 - 2 𝑑ҧ ∓ 𝑡 𝑆𝑑 / 𝑛
n1 < 30  12  22
para dos  x x  
𝑥ҧ1 − 𝑥ҧ2 ∓ 𝑡 𝑆 𝑥ҧ1−𝑥ҧ2
1 2
ó, y, n1 n2
t, gl  n - 1
medias n2 < 30 2
 S12 S 22 
µ1-µ2  
2
1
2
2
gl 

 n1
 
n2 

x1 y x2  N 0,1
  S 2 2    S 2 2 
 1    2  
  n1     n2  
 n 1    n 1 
 1   2 
   
   
 Caso Muestras grandes (n1 > 30, n2 > 30)

p1 (1  p1 ) p2 (1  p2 )
 p p  
𝑝1ҧ − 𝑝2ҧ ∓ 𝑍 𝜎𝑝ҧ1−𝑝ҧ2 1 2
n1 n2

Si usamos p1 y p 2 para estimar p1 y p2

p1 (1  p1 ) p 2 (1  p 2 )
𝑝1ҧ − 𝑝2ҧ ∓ 𝑍 𝑆𝑝ҧ1 −𝑝ҧ2 S p1  p 2 
n1

n2

Intervalo de
confianza
para dos
proporciones P1-P2
 ESTADÍSTICOS DE PRUEBA ACERCA DE LA MEDIA POBLACIONAL ()

Prueba de Población con Distribución Población sin Distribución

Hipótesis Normal Normal
de una
población σ conocida σ desconocida σ conocida σ desconocida
S→σ S→σ
x TLC x TLC x
Zc  Zc  Zc 
n > 30
Zc 
x Sx  x Sx

n < 30
 x tc  x   Estadística No Paramétrica
Sx
Cuidado con el factor de corrección

Prueba VALORES CRÍTICOS DE Z

de Nivel de Confianza (100-) 90% 95% 99% 99.5% 99.8%
Hipótesis
para µ Nivel de significación () 0.10 0.05 0.01 0.005 0.002
Valor Z de la Distrib. Normal  1.645  1.96  2.575  2.81  3.08
 Secuencia de desarrollo de
una Prueba de Hipótesis

1. Definir el sistema de hipótesis.

2. Seleccionar el nivel de significancia (datos).
3. Seleccionar la prueba estadística y justificar su uso
(indicaciones que se cumplen).
4. Establecer Región de Rechazo.
5. Desarrollar la prueba respectiva (cálculo)
6. Toma de decisión (RHo o No RHo).
7. Conclusión.
 Contrastes: unilateral y bilateral
La posición de la región crítica depende de la hipótesis alternativa
Bilateral H0: μ = 70
H1:  70
Reg. Crit. Reg. Crit.
/2 /2

Se RHo sí Zc e [-Z1- , Z1- ]

Unilateral Unilateral

Reg. Crit. Reg. Crit.

 

H0: μ > 70 H0: μ < 70

H1:  < 70 H1: >70
Se RHo sí Zc < -Z1- Se RHo sí Zc > Z1-
 Formulario Pruebas de Hipótesis (1- 2)
Prueba de Hipótesis de
dos poblaciones Muestras Independientes Muestras Pareadas
 12 y 22 descon.
t , gl  n1  n2 - 2
2 2
 1 y 2 conocidas d   di n Sd  d i n( d ) 2
2

2 usamos S12 y S 22 n 1

Muestras grandes x1  x 2  1  2  d  d

Z Z
n1 y n2 > 30 S x1  x 2 Sd n

x 1  x 2   1   2 
t
S
C x1  x 2

2 1 
x1  x 2  1   2 
1
 12   22   2 S  S   
Z C x1  x 2
 n1 n2 
Prueba de Muestras  x x d  d
t
   
1 2
2 2
Hipótesis pequeñas
S
2

n1  1 S1  n 2  1 S 2 Sd n
n1 < 30  2
 2
n1  n 2 - 2
para dos  x x  1
 2

x1  x 2  1  2 
1 2
ó, y, n1 n2
t, gl  n - 1
medias µ1- n2 < 30 t
S x1  x 2
µ2  12   22  S12

S2 
 2
2

x1 y x2  N 0,1 gl   n1 n2 
  S 2 2    S 2 2 
 1    2  
  n1     n2  
 n 1    n 1 
 1   2 
   
   
 Contrastes: unilateral y bilateral
La posición de la región crítica depende de la hipótesis alternativa

Bilateral H0: μ1 = μ2
H1: μ1  μ2
Reg. Crit. Reg. Crit.
/2 /2

Se RHo sí Zc e [-Z1- , Z1- ]

Unilateral Unilateral

Reg. Crit. Reg. Crit.

 

H0: μ1 > μ2 H0: μ1 < μ2

H1: μ1 < μ2 H1: μ1 > μ2
Se RHo sí Zc < -Z1- Se RHo sí Zc > Z1-
 Caso Muestras grandes (n1 > 30, n2 > 30)

p1  p 2   p1  p2  p1 (1  p1 ) p2 (1  p2 )
Z  p p  
 p p
1 2
1 2
n1 n2

Si usamos p1 y p 2 para estimar p1 y p2

p1  p 2   p1  p2  p1 (1  p1 ) p 2 (1  p 2 )
Z S p1  p 2  
S p1  p 2 n1 n2