Abrir el menú de navegación

Scribd

0% encontró este documento útil (0 votos)

136 vistas42 páginas

Estadística

CAPITULO 6

Cargado por

Marco Antonio Tumiri López

Derechos de autor

© All Rights Reserved

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF o lee en línea desde Scribd

0% encontró este documento útil (0 votos)

136 vistas42 páginas

Estadística

CAPITULO 6

Cargado por

Marco Antonio Tumiri López

Derechos de autor

© All Rights Reserved

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF o lee en línea desde Scribd

Wem Distribuciones de estadisticos muestrales Exteeaes) . Muestreo de una poblacién 6.3. Distribuciones de las proporciones muestrales ‘Desarrollo de una distribucién en el muestreo ‘en el muestreo Distribuciones de as medias muestrales 6.4. Distribuciones de las varianzas muestrales en el muestreo ‘en el muestreo Teorema dal limite central Simulaciones de Monte Carlo: teorema de! limite central Intervalos de aceptacién Introduccion En ol rosto do este libro, prosentamos diversos métodos para utilizar datos muestrales ostadisticos ‘con el fin de realizar interencias sobre poblaciones estadisticas. Esta es la parte esencial del andlisis estadistico. Entre las preguntas importantes se encuentran las siguientes: a b LCémo podemos utilizar una muestra de votantes para predecir los resultados electorales? {Cémo podemos utilizar una muestra del peso de las cajas de cereales para estimar el pe- 'S0 medio de todas las cajas producidas en una determinada semana y la probabilidad de que una de ellas pese menos de un determinado minimo? LCémo podemos utilizar una muestra de ventas pendientes de cobro de una empresa para estimar el valor monetario medio de todas las ventas pendientes de cobro de la empresa? {Cémo podemos utilizar una muestra de las cotizaciones bursatiles diarias para estimar el valor medio y ot riesgo de las acciones de una empresa en el intervalo de un afio? Cémo podemos utlizar una muestra de precios de venta de las viviendas para estimar el precio medio de venta de todas las viviendas que se venden en una gran ciudad? Estos ejemplos dan una idea de la inmensa variedad de cuestiones empresariales y econémicas importantes que se pueden estudiar utilizando métodos estadisticos. El andlisis estadistico exige la obtencién de una muestra adecuada de una poblacién de objetos de interés que tienen unas caracteristicas medidas. Si no tenemos una muestra adecuada, nues- tos métodos estadisticos no funcionan correctamente, Por tanto, primero tenemos que aprender a ‘obtener una muestra adecuada. Se puede demostrar que las observaciones muestrales son varia- bies aleatorias, si se eligen correctamente. Y ios estadisticos, como la madia o la proporcién mues-242 Estadistica para administracién y economia trales, calculados a partir de observaciones muestrales, también son variables aleatorias. Aplicando nuestros conocimientos sobre las variables aleatorias de los Capitulos 4 y 5 podemos hacer afirma- clones probabilsticas sobre los estadisticos muestrales calculados a partir de datos muestrales & inferencias sobre las poblaciones de las que proceden las muestras, Todo ello permite obtener al- unos importantes y sorprendentes resultados. Pero primero tenemos que tener distribuciones de probabilidad de los estadisticos muestrales, por ejemplo, la distribucién en el muestreo de la media muestral. Esta es nuestra tarea en el presente capitulo, jasi que pongémonos a ello! Muestreo d ‘a poblacion Una poblacién se genera mediante un proceso que se puede tratar como una serie de experimentos aleatorios, como mostramos en el Capitulo 3. Asf, por ejemplo, consideremios una poblacién de 500,000 cajas de cereales —cada una de las cuales tiene un determinado peso— que pueden tratarse como una poblacién infinita desde 1 punto de vista de nuestros métodos de muestreo. FI peso de cada caja depende de la cantidad de cereales y de la densidad de los cereales de cada caja. Este peso es el resultado de un complejo proceso que se trataré como el experimento aleatorio mencionado en el Apartado 3.1, y el peso de cada caja se trataré como una variable aleatoria. Asimismo, el didmetro de los pistones de motores producidos por un Conjunto de maquinas de elevada produccién en una fibrica tendr pequetias variaciones. Podemos tratar el proceso de produccién como un experimento aleatorio y los didmetros de los pistones como variables aleatorias, Asimismo, los precios de las acciones, las ventas diarias de una tienda y las opciones entre las que se puede elegir en una votacisn son el resultado de complejos procesos que pueden tratarse como un experimento aleatorio, y los resultados pueden tratarse como variables aleatorias. Trataremos las poblaciones de los distintos estudios estadisticos como variables aleatorias cuyas distribuciones de probabilidad tienen una media y una varianza, que gencralmente no se conocen cuando se realiza el muestreo y el andlisis estadisticos, Seleccionaremos tna muestra de observaciones —de realizaciones de una variable aleatoria— de nuestra poblacién y calcularemos estadisticos muestrales que se utilizaran para realizar inferencias sobre la po- blacién, como a media y la varianza poblacionales. Para realizar inferencias tenemos que conocer a distri bucidn en el muestreo de lay observaciones y los estadisticos muestrales calculados. El proceso de determinacién de la distribucién en el muestreo utiliza observaciones que se obtienen como una muestra aleatoria simple. Muestra aleatoria simple Una muestra aleatoria simple se olige mediante un proceso que selecciona una muestra de n objetos ‘do una poblacién de tal manera que cada uno de los miembros de la poblacién tiene la misma probabil ‘dad de ser seleccionado, la seleccién de uno de los miembros es independiente de la seleccién de ‘cualquier otro y toda muestra posible de un tamafio dado, n, tiene la misma probabilidad de seleccion. Este método es tan habitual que generaimente se omite el adjetivo simple y la muestra resultante se denomina muestra aleatoria Las muestras aleatorias son el ideal. Es importante que una muestra represente al conjunto de la poblacién, EI muestreo aleatorio es nuestra péliza de seguro contra la posibilidad de que nuestros ses- {90s personales influyan en la seleccién. En algunos estudios por muestrao de la vida real, los analistas , ... X, una muestra aleatoria de una poblacién. La media muestral de estas variables aleatorias es ‘Consideremos la distribucién de la variable aleatoria X en el muestreo. De momento no podemos averiguar la forma de la distribucién en el muestreo, pero si su media y su varianza a partir de las definiciones hasicas que aprendimos en los Capitulos 4 y 5. En primer lugar, hallamos la media de la distribucién, En los Capftulos 4 y 5, vimos que la esperanza de una combinacién lineal de variables aleatorias es la combi- nacién lineal de las esperanzas: A e[tata+ +9 de la distribucién de las medias muestrales en el muestreo es la media poblacional n repetida e independientemente muestras den observaciones aleatorias ¢ independientes de una jn, entonces a medida que aumenta el niimero de muestras, la media de las medias muestrales se aproxima a la verdadera media poblacional. Este resultado de! muestreo aleatorio es importante ¢ indica la proteccién que dan las muestras aleatorias contra las muestras poco representativas. Una tnica media mucstral podria ser mayor o menor que la media poblacional. Sin embargo, en promedio, no hay razones, para esperar que una media muestral sea mayor 0 menor que la media poblacional. Més adelante en este apartado, se demuestra este resultado utilizando muestras aleatorias obtenidas por ordenador. Valor esperado de la media muestral (valor esperado) Calcule él valor esperado de Ia media muestral del ejemplo del grupo de empleados antes analizado. Solucién. La Tabla 6.2 y Ia Figura 6.1 muestran a distribucién de las medias muestrales en el mwuestreo, Partiendo de esta distribuci6n, podemos calcular el valor esperado de la media muestral de 1a forma siguiente: ss 2 1 ALR] = S5PG) = (30) (3) + (40) () ee as) (5) 55 que es le media poblacional, 1. Se puede hacer un edlculo parecido para obtener el mismo resultado utilizando Ja distribucién en el muestreo de la Tabla 6.3.Estadistica para administracion y economia Una ver demostrado que la distribuci6n de las medias muestrales esti concentrada en torno a la medi poblacional, queremos hallar la varianza de la distribucién de medias muestrales. Supongamos que el consumo medio de combustible de una muestra aleatoria de 25 automdviles es X= 31 kilémetros por litt Pero también queremos saber en qué medida es <= 31 una buena aproximacién de la media poblacional. Para saberlo utilizamos la varianza de la distribucién de las medias muestrales en el muestreo. Si la poblacién es muy grande en comparacién con el tamario de la muestra, las distribuciones de las “observaciones independientes de muestras alcatorias son iguales. En los Capitulos 4 y 5, vimos que la var tes es 1a suma de los cuadrados de los Por tanto, rianza de una combinacién lineal de variables aleatorias independies cocficientes lineales multiplicados por la varianza de las variables aleatorias (| 1 1 ty neo yar(X) = Var(4 x, + 2X to Hy NY gaat vary = lias pas sim) 3G) da La varianza de la distribucién de X en el muestreo disminuye a medida que aumenta el tamafo de la muestra n, Eso quiere decir, en efecto, que cuanto mayor es el tamafto de la muestra, més concentrada esté la distribucién en el muestreo. EI sencillo ejemplo del apartado anterior muestra este resultado, Por tanto, cuanto mayor es la muestra, mas seguros estamos de nuestra inferencia de la media poblacional. Es lo que era de esperar. La varianza de la media muestral se representa por medio de a? y la desviacién tipica correspondiente, Hamada error tipico de X, se halla de la siguiente manera vn Si cl tamafio de la muestra, n, no es una pequetia proporcidn del tamaiio de la poblacién, N, los miembros de 1a muestra no estan distribuidos independientemente unos de otros, como sefialamos en el Apartado 6.1. Por tanto, las observaciones no se scleccionan independientemente. Puede demostrarse en este caso que la varianza de la media muestra es Var(X) El término (N ~ n/N ~ 1) a menudo se tlama factor de correccién por poblacién finita. Este resultado se incluye para completar el andlisis, ya que casi todos los estudios reales por muestreo utilizan grandes poblaciones, Sin embargo, hay algunos ejemplos en las aplicaciones empresariales, como la auditoria, en os que las poblaciones son finitas. Veremos ejemplos que utilizan el factor de correccién por poblacién finita en los Capitulos 7 y 9. La evaluaci6n detenida de esta expresidn también disiparia la idea de que es importante que la muestra sea una proporcién significativa de la poblaci6n con el fin de suministrar infor: maci6n til. Es el tamasio de la muestra —no la proporcién de la poblacién de la muestra— el que determi= na la precisin —medida por medio de la varianza de la media muestral— de los resultados extrafdos de ‘una muestra aleatoria, Hemos presentado ya la media y 1a varianza de la distribucién de X en el muestreo. En la mayoria de las aplicaciones, la media y la varianza definen la distribucidn en el muestreo. Afortunadamente, veremos que ‘con algtin andlisis més estos resultados pueden ser muy poderosos para muchas aplicaciones prictieas. En primer lugar, examinamos estos resultados suponiendo que la poblacién subyacente sigue una distribucién normal. A continuacién, analizamos tas distribuciones de la media muestral en el muestreo cuando ka po- blacién subyacente no sigue una distribucidn normal. Este segundo caso nos permite obtener algunos resulk tados muy importantes para muchas aplicaciones préeticas en el mundo de la empresa y en el andlisis eco- némico. En primer lugar, examinamos los resultados suponiendo que la poblacién —de la cual se extrac la muestra aleatoria— sigue una distibucién normal, Si esta poblacién sigue una distribucién normal, la distribucidn de las medias muestrales en ef muestreo también sigue una distribucién normal. Esta conclusionDistribuciones de estadisticos muestrales 249 intuitiva procede del resultado perfectamente demostrado de que las funciones lineales de variables aleatorias que siguen una distribucién normal también siguen una distribucién normal, En el Capitulo 5, vimos aplicaciones en los problemas de carteras, Con la distribuciGn en el muestreo como una distribucién de Probabilidad normal, podemos calcular la normal estindar Z de la media muestral. En el Capitulo 5, vimos que podemos utilizar la normal esténdar Z para calcular las probabilidades de cualquier variable aleatoria que siga una distribucién normal, Ese resultado también se aplica a la media muestra Distribucién normal estandar de las medias muestrales. Siempre que la distribucién de las medias muestrales en e! muestreo es una distribucién normal, podemos calelar una varlable aleatoria normal eetandartzads, z, que tne una media de 0 y una varien- zade go em 1) Por tiltimo, resumimos los resultados de este apartado. Resultados de la distribucién de las medias muestrales en el muestreo ‘Sea X la media muestral de una muestra aleatoria de n observaciones de una poblacién que tiene una media jicy una varianza c?. En e90 caso, 4. La distribucién de ¥ en el muestreo tiene la media ag = 1 (62) 2. La distrbucion do £ en of muesireo tiene la desviacton tipica 63) Se llama error tipico de X Si el tamafio de la muestra, n, no es pequefio en comparacién con el tamafio de la poblacién, N, el error tipico de X es eaenne a4 TE Ta NN 4. Sila distribucién de la poblacién de ia que procede la muestra es normal y, por tanto, la distribu- cién de las medias muestrales en el muestreo es normal, la variable aleatoria yak ok 63) a ‘sigue una distribucién normal esténdar de media 0 y de varianza 1. 6.4) La Figura 6.3 muestra la distribucisn en el muestreo de las medias muestrales de muestras de tamafio 25 y n= 100 extrafdas de una poblacién que sigue una distribuci6n normal. Las dos distribuciones estan centradas en la media, pero a medida que aumenta el tamafo de la muestra, estin mas concentradas en tomo a la media poblacional, ya que el error tipico de la media muestral disminuye a medida que aumenta el tamafo de Ia muestra. Por tanto, la probabilidad de que una media muestral se encuentre a una determinada distancia de a media poblacional disminuye « medida que aumenta el tamafo de la muestra.Estadistica para administracion y economia n= 100 pe ‘a7 93 “39700 TOT 102 103 = Figura 6.3. Funciones de densidad de medias muestrales de una poblacién de = 100 y 0 = Distribuciones de los sueldos de los ejecutivos (probabilidad normal) ‘Suponga que, basdndonos cn datos hist6ricos, ereemos que las subidas porcentuales anuales de los sueldos de los directores generales de todas las empresas de tamafio medio siguen una distribucién normal que tiene una media de 12,2 % y una desviacin tipica de 3,6 %. Se extrae una muestra aleatoria de nueve observaciones de esta poblacién y se calcula la media muestral. ,Cudl es la probabilidad de que la media muestral sea superior a un 14,4 %? Solucién, Sabemos que w= 122 o=36 n=9 ‘Sea ¥ la media muestral y calculemos su error tipico a 36 Ve A continuacién, podemos calcular PO > 144) = Plz > 1,83) = 0,036 iaastee 12 donde Z sigue una distribucién normal esténdar y 1a probabilidad resultante se obtiene en la Tabla 1 del apéndice utilizando los métodos desarrollados en el Capitulo 5. Este andlisis nos permite extraer la conclusiOn de que la probabilidad de que la media muestral sea superior a un 14,4 % es de 0,0336 solamente. Si la media muestral fuera realmente de mas del 14,4 %, podrfamos comenzar a sospechar que la media poblacional es de més de un 12,2 % 0 que no tenemos una muestra aleatoria que represente correctamente la distribucién de probabilidad de la po- blacién. Duracién de las bujias (probabilidad normal) ‘Un fabricante de bujfas sostiene que la duracién de sus bujfas sigue una distribucién normal que tiene tana media de 60.000 kilémetros y una desviacin tipica de 4.000 kilémetros. Una muestra aleatria de 16 bua tenia una duracién media de 58.500 kil6metros. Si la afiemaciGn del fabricante es comee- ta, {cual es la probabilidad de obtener una media muestral de 58.500 0 menos? Solucién. Para calcular la probabilidad, hay que hallar primero el error tipico de la media muestral « _ 4.000 1,000 va S16Disiribuctones de estadisticos muestrales 251 La probabilidad deseada es i-< 30500) = p(22# 50. La media y la desviacién tipica de la distribucién seszada son 3,3 y 4.247. Por tanto, el intervalo de la distribuci6n normal del 95 % de las medias muestrales de tamaiio n = 50 es el siguiente:Distribuciones de estadisticos muestrales 287 33 + (1,96) 33+ 118 2,12 + 4,48, Parece que la distribuci6n de las medias muestrales de n = SO se ajusta a este intervalo. En los estudios del muestreo aleatorio de este capitulo y en el estudio anterior de la distribueién bino- ial, tenemos pruebas adicionales para demostrar el teorema del limite central. Muchos estadisticos han realizado en numerosas ocasiones demostraciones parecidas, por lo que existen abundantes datos emptricos ue sustentan la aplicacién del teorema del limite central no solo a los resultados te6ricos sino también a las aplicaciones estadisticas reales. En el Capitulo 5, vimos que la variable aleatoria binomial sigue una distri- bucién normal aproximada cuando aumenta el tamafio de la muestra, En el andlisis aplicado, la cuestién es saber cudl es el tamafo de la muestra necesario para que las ‘medias muestrales sigan una distribucién normal. Sabemos por numerosas investigaciones y por la experiencia que si las distribuciones son simétricas, la distribuciGn normal es una buena aproximacién de las medias de las muestras de tamafo n = 20 a 25. En el caso de las distribuciones sesgadas, el tamatio de la muestra generalmente tiene que ser algo mayor, Pero obsérvese que en los ejemplos anteriores que utilizan tuna distribucién sesgada, un tamaiio de la muestra de n = 25 producta una distribucién de las medias muestrales en el muestreo que seguia en gran medida una distribucién normal. En este capftulo, hemos comenzado nuestro andlisis del importante problema estadistico que se plantea ‘cuando se hacen inferencias sobre una poblacién baséndose en los resultados de una muestra. A menudo se calcula la media muestral 0 la proporcién muestral para hacer inferencias sobre medias o propor poblacionales. Utilizando el teorema del limite central, tenemos un argumento para aplicar las técni presentaremos en futuros capftulos a una amplia variedad de problemas. Los ejemplos siguientes muestran importantes aplicaciones de este teorema, Estudio de mercado para Cafés Antilope (probabilidad normal) Cafés Antilope, S.A. est considerando la posibilidad de abrir una tienda de cafés selectos en Villale- gre. Segtin algunos estudios de mercado realizados anteriormente, sus tiendas tendrdn éxito en las Ciudades de ese tamafio si la renta familiar anual media es de mas de 70.000 S. También se supone que la desviacién tfpica de la renta es de 5.000 $ en esa ciudad. Se ha obtenido una muestra aleatoria de 36 personas y la renta media es de 72,300 $. ;Constituye esta muestra una prueba para concluir que se debe abrir una tienda? Solucién. Se sabe que la distribucisn de las rentas estd sesgada, pero el teorema del limite central nos permite concluir que la media muestral sigue aproximadamente una distribucién normal. Para responder a esta pregunta, tenemos que hallar la probabilidad de obtener una media muestral de ¥ = 72.300 0 més si la media poblacional es 1 = 70.000. Primero calculamos el valor del estadfstico Z normal estandarizado, 72.300 ~ 70.000 5.000/,/36 En la tabla normal estandar, observamos que 1a probabilidad de que el valor de Z sea 2,76 0 ‘mayor es 0,0029, Como esta probabilidad es muy baja, podemos concluir que es probable que la renta ‘media de ta poblacién no sea de 70.000 § sino mayor. Este resultado es una poderosa prueba de que la renta media de la poblacién es de més de 70,000 $ y de que Ia tienda de café probablemente seré un ‘éxito. En este ejemplo, podemos ver la importancia de las distribuciones en el muestreo y del teorema del limite central para resolver problemas. 2,76Estadistica para administracton y economia Intervalos de aceptacion En muchas aplicaciones estadisticas, nos gustaria hallar el intervalo en el que es probable que se encuentren las medias muestrales. La determinacién de esos intervalos es una aplicacién directa de los conceptos de distribucién en el muestreo que hemos analizado. Un intervalo de aceptacién es un intervalo en el que es muy probable que se encuentre una media muestral, dado que conocemos la media y la varianza poblacionales. Si la media muestral se encuentra dentro de ese intervalo, podemos aceptar la conclusin de que la muestra aleatoria procede de la poblacién que tiene 1a media y la varianza poblacionales conocidas. Por tanto, los intervalos de aceptacién constituyen una regla operativa para las aplicaciones de control de procesos. Es posible calcular la probabilidad de que la media muestral se encuentre dentro de un determinado intervalo si las medias muestrales siguen una distribucién aproximadamente normal. También se pueden caleular los intervalos de aceptacién para distribuciones de probabilidsd que no son normales. Los intervalos de aceptacién tienen numerosas aplicaciones en el control de procesos de produccién para averiguar si continuarin logrindose las especificaciones de los productos. Por ejemplo, en un proceso de produccién el ingenicro establece y prueba minuciosamente un nucvo proceso con el fin de que produzca productos que cumplan todos ellos las especificaciones garantizadas respecto al tamaflo, el peso u otras propiedades medidas. Por tanto, se especifican la media y la desviacién tipica de las unidades producidas para que el producto sea de Ia calidad deseada. Ademiis, estos intervalos también se utilizan para controlar algunas actividades empresariales relativas al servicio de atencién al cliente. Se establecen unos niveles de aceptacién que cumplen los objetivos de marketing establecidos y la capacidad de servicio de atencién al cliente. Estos niveles se utilizan, a su ve7, para desarrollar medias, varianzas e intervalos de aceptacién que deben utlizarse para controlar el proceso (Deming, 1986). Sin embargo, es posible que el proceso se desajuste y produzca productos defectuosos. Un proceso que se desajusta altera la media o la varianza det resultado fundamental de la mediciGn. Por tanto, el proceso se controla periédicamente extrayendo muestras aleatorias y midiendo las propiedades importantes, como la media y la varianza muestrales. Si los valores medidos se encuentran dentro del intervalo de aceptacisn, se permite que el proceso continue, En caso contrario, se detiene el proceso y se realizan los ajustes nece sarios. Los intervalos de aceptacién basados en la distribuciGn normal vienen definidos por la media y la va rianza de la distribucidn. Sabemos por el teorema det Ifmite central que la distribucién de las medias mucstrales en el muestreo a menudo es aproximadamente normal y, por tanto, los intervalos de aceptacién basa dos en la distribucién normal tienen muchas aplicaciones. Suponiendo que conocemos la media poblacional sy la varianza poblacional a”, podemos construir un intervalo de aceptacién simétrico: wt tay siempre que ¥ siga una distribuci6n normal y z,2 Sea la normal estindar cuando la probabilidad de la cola superior es «/2, La probabilidad de que la media muestral x esté incluida en el intervalo es 1 ~ x Como se ha sefialado, los intervalos de aceptacién se emplean mucho para el control de calidad de muchos procesos de produccisn y de servicios. Se representa el intervalo WE aay n respecto al tiempo (el resultado se llama griico X-barra), que nos da los Iimites de la media muestra , dada la media poblacional jz, Normalmente, el valor de @ es muy bajo (x < 0,01) y en las empresas ‘estadounidenses normalmente se emplea z = 3. Esta es la fuente del término Six Sigma que se utiliza para algunos programas de garantia de calidad (Hiam, 1992), Si la media muestral esta fuera de! intervalo de aceptaciGn, sospechamos que la media poblacional no es 41. Generalmente, los ingenicros siguen varios pasos para lograr una pequefia varianza para realizar importantes mediciones de los productos que estin relacionadas directamente con su calidad. Una vez que el proceso se ha ajustado de manera que la varianza ¢ pequefia, sc establece un intervalo de aceptacién para una media muestral —Hlamado intervato de con-266 Estadistica para administracion y economia Solucién. En este problema, tenemos que P= 020 n= 270 Podemos catcular la desviaciém tipica de la proporcién muestra, de Ia manera siguiente: PA=P)_ [0,200 = 030) Peyon 270 La probabilidad que buscamos es 024 - 0,16 — P PO,16 1,27) = 0,1020Distribuciones de estadisticos muestrales 268 Dado que la distribucién de la proporcién muestral es aproximadamente normal cuando el tamafio de la muestra es grande, podemos obtener una variable aleatoria normal estindar restando P de py dividiendo Por el error tipico. Distribucién de la proporcién muestral en el muestreo ‘Sea j la proporcion muestral rg SU meaner oe o6 ute blag Proporcién de éxitos es P. En ese caso, La dlattbuoldn do on of muestreotene una media P: i p= P (6.8) 2. La distbucién de fen el muestreo tiene una desviaciin tipica _ POs % 69) Y siel tamafio de la muestra es grande, la variable aleatoria galt (6.10) be ‘esté distribuida aproximadamente como una normal estdndar. Esta aproximacién es buena si nPO ~ P)>$ 4 ‘Vemos que, al igual que en el apartado anterior, el error t{pico de la proporciGn muestral, >, disminuye a medida que aumenta el tamafio de la muestra y la distribucién est4 més concentrada, como se observa en la Figura 6.10, uilizando muestras extrafdas de una poblacién con una tasa de Exitos del 80 %. Este resultado es de esperar, ya que la proporcién muestral es una media muestral. Cuando el tamafio de la muestra es mayor, nuestras inferencias sobre la proporcién poblacional mejoran. Saberios por el teorema del Ifmite central que la distribuciGn normal con las correspondientes media y varianza puede utilizarse como aproxi- macign de la distribucion binomial. Vemos este resultado en los siguientes ejemplos. n= 400 06s 075 ops OaSF Figura 6.10. Funciones de densidad de proporciones muestrales,siendo ? = 0.80 Evaluacién del estado de la instalacién eléctrica de las viviendas (probabilidad de la proporcién muestral) Se ha extraido una muestra aleatoria de 270 viviendas de una gran poblaciGn de viviendas antiguas para estimar la proporciGn cuya instalacién eléctrica es peligrosa. Si el 20 % de las viviendas tiene realmente una instalacién eléctrica peligrosa, ,cudl es la probabilidad de que la proporcién muestral esté comprendida entre el 16 y el 24 %? mek264 — Estadistica para administracion y economia 6.3. Distripuciones de las proporciones muestrales en el muestreo En el Apartado 4.4, dijimos que la distribucion binomial era la suma de» variables aleatorias de Bernoulli independientes, cada una de Jas cuales tenia una probabilidad de éxito P, Para caracterizar ta distribucién, necesitamos saber cul es el valor de P. Aqui indicamos cémo podemos utilizar la proporcién muestral para hacer inferencias sobre la proporcién poblacional. La variable aleatoria proporcional tiene muchas aplicaciones, entre las cuales se encuentran la cuota porcentual de mercado, el porcentaje de inversiones empresariales que tienen éxito y los resultados electorales. Proporcién muestra ‘Sea X el nlimero de éxitos en una muestra binomial de n observaciones cuyo pardmetro es P. El pard- ‘metro es la proporcién de miembros de la poblacién que tienen una caracteristica de interés, La pro- porcién muestral es pao on .X es la suma de un conjunto de n variables aleatorias de Bernoulli independientes, cada una de las Ccuales tiene una probabllidad de éxito P. Por tanto, ? es a media de un conjunto de variables aleatorias independientes, y se aplican los resultados que hemos obtenido en los apartados anteriores para las medias muestrales. Ademés, se puede utilizar el teorema del limite central para sostener que la dist- bucién de probabilidad de j se puede recoger como una variable aleatoria que sigue una distribucién normal. También hay una variante de la ley de los grandes nimeros que se aplica cuando se realiza un muestreo para determinar el porcentaje de éxitos en una gran poblacién que tiene una proporcién cono- cida P de éxitos, Silas muestras aleatorias proceden de la poblacién y se halla el éxito 0 el fracaso de cada observacién, la proporcién muestral de éxitos tiende a P a medida que aumenta el tamafio de la muéstra. Por tanto, podemos hacer inferencias sobre la proporcién poblacional utlizando la proporcién muestral y la proporoién muestral tendera mds a P a medida que aumente el tamafio de la muestra. Sin ‘embargo, la diferencia entre ol niimero esperado de éxitos muestrales —el tamafio de la muestra multi- plicado por P— y el nimero de éxitos de la muestra en realidad podria aumentar. En el Apartado 5.4, mostramos que el ntimero de éxitos en una distribucién binomial y la proporcién de Exitos ticnen una distribucién de la que la distribucién normal es una buena aproximacién (véanse las Figu- ras 5.23 y 5.24). La‘aproximacién es muy buena cuando nP(I ~ P) > 5, La media y la varianza de la distribucién de la proporcién muestral partir de Ja media y la varianza del nimero de éxitos, X: | muestreo se pueden hallar a EIX] =P Var(X) = nP( ~ PY Ell = [F] Vemos que la media de fa distribucidn de p es la proporcin poblacional, P La varianza de p es la varianza de la distibucién poblacional de kas vari dividida por n Por tanto, “axi=P It PUP) La desviacisin tipica de i, que es ta raf cuadrada de la varianza, se Hama su error tipico.b. Indique sin realizar los célculos si seria necesaria una mwestra mayor o menor que la det apartado (a) para garantizar que la probabilidad de que la media muestral difiera en més de 1.0 de la media poblacional es ‘de menos de 0,05 . Indique sin realizar los céleulos si serfa necesaria una, ‘muestra mayor o menor que la del apartado (a) para ‘garantizar que la probabilidad de que 1a media muestral difiera en mas de 1,5 de la media poblacional es de menos de 0,10. EI ndmero de horas que dedican los estudiantes de una ‘gran universidad a estudiar la semana antes de los exé- mmenes finales sigue una distribucién normal que tiene tuna desviaci6n tipica de 8.4 horas. Se toma una muestra aleatoria de estos estudiantes para estimar la media poblacional del niémero medio de horas de est ‘a. ;De qué tamaiio tiene que ser la muestra para garantizar que la probabilidad de que la media muestral difiera en més de 2,0 horas de la media poblacional es de menos de 0,05? }b Indique sin realizar los célculos si serfa necesaria una ‘muestra mayor © menor que la del apartado (a) para ‘garantizar que la probabilidad de que la media muestral difiera en mas de 2,0 horas de la media poblacional es de menos de 0,10. . Indique sin realizar los eélculos si serfa necesaria una, ‘muestra mayor © menor que la del apartado (a) para garantizar que la probabilidad de que 1a media muestral difiera en més de 1,5 horas de la media poblacional es de menos de 0,05. Cafés Piedraverde ests experimentando presiones finan- cieras debido al aumento de la competencia que suften sus numerosas tiendas urbanas de café, Sus ingresos totales por ventas han caido un 15 % y la empresa quiere establecer un proceso de control de las ventas para identificar las tiendas que estin obieniendo unos resultados inferiores a los esperados. Histéricamente, las ventas ‘medias diarias de una tienda han sido de 11.500 $ con tuna varianza de 4.000.000. Su plan de control tendri una ‘muestra aleatoria de ventas mensuales de cinco das y utlizaré la media muestral de las ventas para identificar las tiendas que estén obteniendo unos resultados inferiores a los esperados. Establezca las ventas del limite infe- Fior tales que solo el 5 % de las tiendas tendrfa una media muestral de las ventas inferior a este valor. En una muestra de n observaciones de una poblacién de N miembros, la varianza de Ia distribuci6n de las medias rmuestrales en el muestreo es ay ane wm La cantidad ¢ 2 se Mama factor de correccién por wp poblacién finita Distribuciones de estadisticos muestrales 268 ‘a. Para hacerse una idea de las magnitudes posibles de! factor de correccién por poblacién finita, calcélelo para muestras den = 20 observaciones de poblacio- ries de 20, 40, 100, 1,000 y 10,000 miembros '. Explique por qué el resultado obienido en el apartado (a) es precisamente el que seria de esperar intuitiva- mente. Dados los resultados del apartado (a), analice La im- pportancia préctica de la utlizacién del factor de co- rreccién por poblacién finita con muestras de 20 observaciones de poblaciones de diferentes tamatios. 6.23. Una ciudad tiene 500 agencias inmobiliaris. El valor ‘medio de tas propiedades vendidas en un aflo por estas agencias es de 800.000 $ y la desviacién tipica es de 300.000 $. Se selecciona una muestra aleatoria de 100 agencias y se anota el valor de las propiedades que ven- ‘den en un aio. ‘a, {CuAl es el error tipico de la media muestral?” 'b, {Cudl es la probabilidad de que la media muestal sea de mis de 825.000 $? {Cudl es la probabilidad de que Ia media muestral sea ‘de més de 780,000 $7 {.Cudl es la probabilidad de que la media muestra es {1 comprendida entre 790,000 y 820.000 $? 6.24. En un curso de literatura inglesa hay 250 estudiantes. Se piide a cada miembro de una muestra aleatoria de 50 de estos estudiantes que estime la cantidad de tiempo que hha dedicado a hacer los ejercicios que puso el profesor la semana pasada, Suponga que la desviaciGn tipica poblacional es de 30 minutos. {Cudl es la probabilidad de que la media muestral sea mds de 2,5 minutos superior a la media pobla- ional? {.Cual es fa probabilidad de que la media muestra sea ins de cinco minutos inferior a la media poblacional? {Cul es la probabilidad de que la media muestal difiera en més de diez minutos de la media poblacional? e . El tiempo medio de desplazamiento de 600 personas que asistieron a un concierto fue de 32 minutos y la desvia- ci6n tipica fue de dier minutos. Se tom6 una muestra aleatoria de 150 asistentes, 4 {Cusl es la probabilidad de que la media muestral de los tiempos de desplazamiento fuera de més de 31 ‘minutos? bb. {Cudl es la probabilidad de que la media muestral de los tiempos de desplazamiento fuera de menos de 33 ‘minutos? cc. Explique grificamente por qué las respuestas a ios apartados (a) y (b) son iguales 4. ;Cudl es la probabilidad de que la media muestral de los tiempos de desplazamiento no esté comprendida centre 31 y 33 minutos?262 —_Estadiistica para admintstracion y economia 6.13, Los aspirantes bomberos tien 6.14. 6.5. amen escrito de aptitad, Las cali men siguen una distibueign normal que tiene una media ‘de 280 y una desvincin tpica de 60. Se ha tomad una muestra aleatora de nueve calificaiones. 4 {Cafl ol enor Caliticacones? {Cua es la probabiidad de que fa media muestra de las eaificaciones sea inferior a 270? Cul es la probabilidad de que ka media muestra de iss calficaciones sea superior a 250? 4. Suponga que la desviacién tpica poblacional es, en realidad, de 40 en lugar de 60 Indique sin realizar los calcul e6mo. cambiarfa eso ss respuesias a los apartalos (a, (b) y (©. Tlustre sus conclusiones con tos griticos alecuades. pico de Ia media muestral de las Se ha tomodo una muestra leatoria de 16 directives de empresas de una gran ciudad para estimar ef tiempo me dio que tardan diariamente en desplazarse al trabajo. Su- ponga que los tiempos poblacionales siguen una distei- bucién normal que tiene una media de 87 minutos y una dlesviacign tipica de 22 minutos Cuil es el error tipico de ta medi tiempos de desplazamiento? {Cuil la probabil de que li media muestra sea de menos de 100 minutos? & {Cul es la probabilidad de que la media muestra ‘de mis de 80 minutos? 4. {Cul es la prohabifidad de que la media muestra es- ie fuera dol intervalo 85-95 minutos? & Suponga que se toma una segunda muestra aleatoria {independiente} de 50 direetivos. Indique sin realizar Jos cdleulos si ls probabilidades de fos apartados (), (6) @) serfan mayores, menores o iguales en el caso de la segunda muestra, lustre sus respuestas gritfica mente. inwesteal de los Una empresa produce cereales de desayuno. Fl vendade- ro peso medio de sus cajas de cereales es de 200 gramos y la desvincisn tipiea es de 6 gramos. La distibucién poblacional de los pesos es normal. Suponga que compri ‘custto cajas, que puede considerarse que son una mues tra aleatoria de todas lus que se producen, ‘a. {Cuil es el error tipico de ta media muestral de los pesos? b. {Cual es la probabilidad de que el contenido de estas Cuatro cajas pese, en promedio, menos de 197 gra . {Cul es la probabitidad de que el contenido de estas ‘cuatro cajas pese, en promedio, mis de 206 gramos? 4. {Cual es la probabitidad de que el contenido de estas cuatro cajas pese, en promedio, entre 193 y 205 gra ©. Se eligen aleatoriamente dos de las cuatro cajas. {Cus ¢ la probabilidad de que el contenido de estas dos ceajas pese, en promedio, entre 195 y 205 gramos? 6.16. 6.17. 6.18, 6.19, Suponga que la desviacidn tipica de los alquileres men: suales que pagan los estudiantes en una ciudad es de 40 $. Se toma una muestra aleatoria de 100 estudiantes para estimar ef alquiler mensual medio que paga toda la poblacién estudiantil a, {Cudl es el error tfpico de la media muestral de fos flquileres mensuales? by, {Cudl cs la probabilsad de que ta media muestra sea ids de cinco délares superior a la media poblacional? {Cuil es la probabilidad de que fa media muestral sea inxs de cuatro dotares inferior a la media poblacional? 4. ;Cudl es la probabilidad de que la media muestra di fiera mas de tres dlares de la media poblacional? El tiempo que dedican los estudiantes a estudiar las ‘na antes de los exdmenes finales sigue una distribucién normal que tiene una desviacidn tipica de 8 horas. Se to- tra aleatoria de cuatro estudiantes para esti- ipo medio de estudio de la poblaci6n total de estudiantes a. {Cual es ls probabilidad de que la media muestral sea Ins de dos horas superior a la media poblacional” b, {Cual es la probabilidad de que la media muestral sea ins de tres horas inferior a la media poblacional? e {Cuil es la probabilidad de que la media muestrl di fiera mas de cuairo horas de la media poblacional? 4. Suponga que se toma una segunda muestra aleatoria (independiente) de diez estudiantes. Indigue sin reai- zar los cilculos si las probabilidades de los apartados (a), (b) (©) serfan mayores, menores o iguales en ef ‘caso de Ia segunda muestra, Un proceso industrial produce lotes de un producto qu ‘mica cuyos niveles de impurezas siguen una distribucish formal que tiene una desviacién tipica de 1,6 gramos por 100 gramos de producto qufmico. Se selecciona una muestra aleatoria de 100 fotes para estimar la media poblacional de los niveles de impurezas. ‘a. La probabilidad de que la media muestral de los niveles de impurezas sea____mayor que la media poblacional es de 0.05. La probabilidad de que la media muestral de los ni veles de impurezas sea____menor que la media poblacional es de 0,10, ¢. La probabilidad de que la media muestral de los niveles de impurezas difiera en de la media poblacional es de 0,15. Las relaciones precio heneficio de todas las empresas ccuyas acciones cotizan en bolsa siguen una distribucién normal que tiene una desviacisn tipica de 3,8, Se se ciona una muestra aleatoria de estas empresas para estima a media poblacional de las relaciones precio: beneticio, a ;Cual debe ser el tamafo de la muestra para garant zar que la probabilidad de que la media muestral difiera mds de 1,0 de la media poblacional es de menos de 0,102Ejercicios _ Bjercicios basicos 65. Dada una poblacisn de media j= 100 y varanza a? = 81, ef torema det limite central se aplica cuando el tamafio dela mesa ex n > 25, Se obtiene una muestra alestria 2 tomato n = 25. a {Cul son la media y la varanza de Ie distrbucisn de las medias muestrales en el muestreo? 1. iCul es la probabilidad de que ¢ > 1022 «© {Cul es la probabildad de que 98 < ¥ < 101? 4. {Cudl es la probabilidad de que ¥ < 101,57 64. Dada una poblacin de media = 100 y vrianza o?=900, ¢lteorema del limite central Se apica cuando el tamafo dela muestra es n > 25, Se obtiene una mucstraaleatoria de tamaio n = 30 ‘& :Cuiles son Ia media y la varianza de ta distribucién de ls medias muestrales en el muestreo? bi. {Cuil es la probabilidad de que x > 1097 ©. {Cul es la probabildad de que 96 < x < 110? 4. {Cul es la probabilidad de que << 107? 67. Dada una poblacién de media y= 200 y varianza @? = 625, el teorema del limite central se aplica cuando cel tamafo de la muestra es m > 25. Se obtiene una mues tra aleatoria de tamaio n ~ 25, '& {Cudles son la media y la varianza de la distribucién 4e Ia media muestral en el muestreo? . {Cual es la probabilidad de que x > 209? €. {Cual es la probabilidad de que 198 << 2117 4. {Cua es la probabilidad de que x < 202? | 68 Dada una poblacign de media w= 40. y_varianza «© = 1,600, el teorema det limite central se aplica cuando el tamafio de la muestra es n > 25. Se obtiene una ‘muestra aleatoria de tamafo n ~ 35. 4. ;Cusles son la media y la varianza de la distribuei6n ‘de las medias muestrales en e! mucstreo? >, ;Cudl es la probabitidad de que x > 412? € {Cuil es la probabilidad de que 393 < i < 407? 4 {Cul es ta probabilidad de que x < 389” (69. Cuando un proceso de produccién funciona correct mente, el niimero de unidades producidas por hora sigue tuna distribucién normal que tiene una media de 92,0 y una desviacién tipica de 3,6. Se ha tomado una muestra aleatoria de cuatra horas distintas. 1. Halle la media de la distribucién de las medias muestrales en el muestreo. bi Halle Ia varianza de la distribucién de la media muestral en el mucstreo. € Halle el ertor tipico de ta distribucién de la media ‘muestral en el muestreo. 4. :Cual es la probabilidad de que la media muestral sea de mds de 93,0 unidades? Distribuciones de estadisticos muestrales 261 EJerciclos aplicados 6.10, La duracién de las bombillas de un fabricante tiene una ‘media de 1.200 horas y una desviacién tipica de 400 horas. La distribucién poblacional es normal. Suponga que compra nueve bombillas, que puede considerarse que ‘on una muestra aleatoria de la produccién del fabricante. a, {Cufl es la media de la media muestral de la dura- cin? bb. {Cudl es la varianza de la media muestral? ‘e {Cul es el error tipico de la media muestral? 4. {Cudl es Ia probabilidad de que esas neve bombillas fengan, en promedio, una duracién de menos de 1,050 horas’ |- El consumo de combustible, en kilmetros por litro, de todos los automSviles de un determinado modelo tiene tuna media de 25 y una desviacién tipica de 2. Se puede suponer que la distribucién poblacional es normal. Se 1o- ‘mua una muestra aleatoria de estos autorsviles ‘4, Halle Ia probabilidad de que la media muestral del ‘consumo de combustible sea inferior a 24 kilémetros por litro suponiendo que i, se toma una muestra de una observacién. fi, se toma una muestra de cuatro observaciones. iii, se toma una muestra de 16 observaciones. 'b. Explique por qué las tres respuestas de! apartado (a) son diferentes. Trace un gréfico para explicar su ra zonamiento, 6.12. EI precio medio de venta de las viviendas nuevas fue en tuna ciudad de 215.000 $ durante un aio. La desviacion pica poblacional fue de 25.000 $. Se extrajo una muestra aleatoria de 100 ventas de viviendas nuevas de esta ciudad, a. (Cuil es la probabilidad de que la media muestral de los precios de venta fuera de ms de 210.000 $? >, {Cudl es la probabilidad de que la media muestral de los precios de venta estuviera comprendida entre 213,000 y 217.000 $7 €. {Cual es la probabilidad de que la media muestral de los precios de venta estuviera comprendida entre 214,000 y 216.000 $? 4. Indique sin realizar Jos edlculos en cusl de los inter valos siguientes es més probable que se encuentre Ia ‘media muestral de los precios de venta: 213,000 $-215.000 $: 214.000 $-216.000 215,000 $-217.000 S: 216,000 S-218.000 ‘e. Suponga que una vez realizados estos célculos, un ‘amigo le dijera que es casi seguro que la distribucin poblacional de los precios de venta de las viviendas nuevas de esta ciudad no sea normal. {Qué respon: deria?260 Estadistica para administracton y economia 6.392; 5.608} — ia a ‘Tiempo en dias Figura 6.8. Intervalo de aceptacién del 95 % para las reclamaciones al seguro médico. Peso de las cajas de cereales de Flores de la Pradera {intervalos de aceptacién) Cereales Flores de la Pradera, S.A. quiere que el peso de sus cajas de cereales sea correcto. Las indican que su peso es de 440 gramos y 1a empresa tiene interés en controlar cl proceso para garanti- zat que el peso de las cajas es estable. Solucién. Se recoge una muestra aleatoria de cinco cajas cada 30 minutos y se pesa eleetrGnica- ‘mente cada una. A continuacidn, se representa el peso medio en un gréfico de control X-barra como el de la Figura 6.9. Cuando se utiliza un grifico X-barra para controlar los Ifmites de la calidad de un producto —y muchas présperas empresas lo hacen— el teorema del Iimite central constituye la razén para wilizar la distribucién normal para establecer los Ifmites de las pequefias medias muestrales. Asi pues, una importante teoria estadistica impulsa un proceso clave de gestién, 460 :” 3 z 5 asi =4s10 ¥ 450 e * X= 4488 3081+ 446.5 44s | ° 0 20 20 “0 Namero muestra Figura 6.9. Grafico X-barra del peso de las cajas de cereales. En este grifico, SL. es la desviaeién tipica de la media muestral. Los Ifmites superior e inferior se fijan en +30 en lugar de + 1,960, 0 sea, un 95 %, que es cl intervalo de aceptacién utilizado en el ejemplo anterior. El intervalo X + 3a, (el programa Minitab pone dos barras cuando se refiere a la media de toda la poblacién: X) incluye casi todas las medias muestrales cuando la distribucién es normal, siempre que la media y la varianza sean estables. Por tanto, una media muestral situada fuera de los limites de control indica que algo ha cambiado y que se deben realizar ajustes. Dado el mimero de puntos situados fuera del intervalo de aceptacién, recomendamos que el proceso se detenga y se ajusteDistribuctones de estadisticos muestrales 258 « trol—en forma de gréfico de control (Montgdmery, 1997). A continuacién, se obtienen muestras aleatorias periddicas y se comparan con el intervalo de control. Si la media muestral esta dentro del intervalo de control, se concluye que el proceso esté funcionando bien y no se toma ninguna medida. Pero si la media ‘muestral esté fuera del intervalo de control, se concluye que el proceso no esté funcionando bien y se toman medidas para corregirlo. Control de las reclamaciones presentadas en una compania de seguros médicos (intervalo de aceptacion) Carlota Reina, vicepresidenta de seleccién financiera de una gran compaiiia de seguros médicos, quiere controlar los desembolsos diarios por reclamaciones para averiguar si el valor monetario medio de las reclamaciones por suscriptor se mantiene estable, est4 aumentando o esté disminuyendo. El valor de las reclamaciones individuales varia de un dia a otro y serfa ingenuo extraer conclusiones 0 cambiar las operaciones basdndose en estas variaciones diarias. Pero en. un momento dado los cam- bios se vuelven sustanciales y deben sefialarse. Le ha pedido que desarrolle un método para controlar cl valor monetario de las reclamaciones individuales. Solucién. Nuestra investigacién inicial indica que las reclamaciones estin muy sesgadas y que el ‘niimero de grandes reclamaciones por grandes procedimientos médicos es pequefio. Para desarrollar ‘un proceso de control, primero hay que hallar la media y la varianza hist6ricas de las reclamaciones individuales, Tras algunas investigaciones, también observamos que la media de muestras aleatorias de n = 100 reclamaciones sigue una distribucién normal. Basdndonos en Ia historia pasada, la cuantfa media de Ias reclamaciones individuales, 4, ¢s de 6.000 $ con una desviacién tipica de = 2.000. Basdndonos en esta informacién, procedemos a desarrollar un sistema de control de las reclama- cciones que obtiene una muestra aleatoria de 100 reclamaciones diarias y calcula la media muestral. La compafifa ha establecido un intervalo de aceptacién del 95 % para el control de las reclamaciones. Un intervalo definido para la normal esténdar utilizando Z = + 1,96 incluye el 95 % de los valores. A partir de este resultado, calculamos el intervalo de aceptacidn del 95 % para las reclamaciones de la forma siguiente: 6.000 + 1,96 22 Yio6 6.000 + 392 Cada dfa se calcula la media muestral de 100 reclamaciones seleccionadas aleatoriamente y se com- para con el intervalo de aceptaciGn. Si la media muestral est4 dentro del intervalo 5.608 a 6.392, Carlota Reina puede concluir que las reclamaciones no estin desvidndose del patron histérico. Le explicamos que si las reclamaciones estén siguiendo el patrdn hist6rico, el 95 % de las veces la media ‘muestral estar dentro del intervalo. La media muestral podria estar fuera del intervalo con una probabilidad de 0,05 incluso con una media poblacional de 6.000. En esos casos, la conclusién de Carlo- ta Reina de que la cuantia media de las reclamaciones ha cambiado con respecto al patrén hist6rico serfa errénea y este error ocurrirfa el 5 % de las veces. Por tanto, si la media muestral se encuentra fuera del intervalo, existen prucbas contundentes para concluir que las reclamaciones ya no estén siguiendo el patrén hist6rico. Para simplificar el andlisis, damos a los analistas instrucciones para que represenien 1a media diaria de reclamaciones en un gréfico de control, mostrado en la Figura 6.8. Utilizando este grifico, Carlota Reina y su equipo pueden estudiar las pautas de las medias muestra- Jes y averiguar si hay tendencias y si las medias estén fuera de los Ifmites que indica la conducta hist6rica de las reclamaciones.Distribuciones de estadisticos muestrales 267 Esta probabilidad, mostrada en la Figura 6.11, se ha obtenido en la Tabla 1 del apéndice, La probabi- aproximadamente de 0,1. lidad de que més de la mitad de la muestra crea en el valor de la asignatura de ética empresarial es Figura 6.11. Probabil lad de que una variable aleatoria normal estandar sea de mas de 1,27. (626. Suponga que tenemos una poblacisn con una proporcién P= 0,40 y una muestra aleatoria de tamano n ~ 100 extrafda de la poblacién, a. ;Cudl es la probabilidad de que la proporcién muestral sea superior a 0,457 b. {Cual es la probabilidad de que Ia proporcién muestral sea inferior a 0,29? & {Cudl es la probabilidad de que la proporcién muestral esté comprendida entre 0,35 y 0.51? J. Suponga que tenemos una poblacién con una proporcién P= 0.25 y una muestra aleatoria de tamatio n= 200 extraida de la poblacién. a. ;Cul es la probabilidad de que la proporcién muestral sea superior a 0.31 1b, {Cul es Ia probabilidad de que la proporciéin muestral sea inferior a 0,147 «e. {Cus es la probabitidad de que la proporcién mues- ‘ral esté comprendida entre 0,24 y 0,40? 3. Suponga que tenemos una poblacién con una proporcién P= 0,60 y una muestra aleatoria de tamaiio » = 100 extrafda de la poblacién, a. {Cusl es la probubilidad de que la proporcién mues- ital sea superior a 0,667 ». ;Cudl es la probabilidad de que ta proporcién mues- ital sea inferior a 0,48? . {Cua es la probabilidad de que la proporcién muestral esté comprendida entre 0,52 y 0,66? Suponga que tenemos una poblacién con una proporcién P=0,50 y una muestra aleatoria de tamao n= 900 extraida de la poblacién. a, {Cusl es la probabilidad de que Ia proporcién muestral sea superior a 0,52? . {Cual es la probabilidad de que la proporcién mues. tral sea inferior 2 0,46? . {Cusl es la probabilidad de que la proporcién mues: tral esté comprendida entre 0.47 y 0,53? Ejercicios aplicados 6.30. 63. 632, En 1992, los eanadienses votaron en un referéndum so: bre una nueva constitucién. En la provincia de Québec, el 42,4 % de los que votaron estaba a favor de la nueva constitucidn. Se extrajo una muestra aleatoria de 100 vo~ tantes de la provincia, fa. ;Cudl es In media de la distribucién de la proporcién ‘westral a favor de una nueva constitucién’? b. {Cudl es la varianza de ta proporcién muestral? ‘c. {Cual ¢s e! error tipico de ta proporcién muestral? . .Cual es la probabilidad de que la proporcién mues: tral sea superior a 0,5? Segin la Agencia Tributaria, el 75 % de todas las declara ‘ciones de la renta da lugar @ una devolucién. Se ha toma: cdo una muestra aleatoria de 100 declaraciones de la renta, ‘a, {Cusl es Ia media de la distribucién de Ia proporcién uestral de declaraciones que dan lugar a una devo- lucisn? 'b, {Cual es la varianza de la proporcién muestral? €. {Cusl es el error tipico de la proporcién muestral? 4. {Cusl es Ia probabilidad de que la proporcién muestral sea superior a 0,87 El propictario de una tienda de discos observa que el 20 % de los clientes que entran en su tienda efectia una compra6.33. 634. 638. Estadistica para administracién y economia (Una maftana entran cn la tienda 180 personas que pueden cconsiderarse una muestra aleatoria de todos los clientes. ‘a, {Cudl es la media de la distribucién de ta proporcién rmuestral de clientes que realizan una compra? , {Cuél es la varianza de la proporcisn muestral? €. {Cudl es el error tipico de la proporcisn muestral? 4. {Cuil es la probabilidad de que la proporeién muestral sea inferior a 0,15? Un gerente de un gran grupo de hospitales cree que el 30 % de todos los pacientes generard facturas que se co- ‘brarin con dos meses de retraso como minimo. Se toma tuna muestra aleatoria de 200 pacientes. ‘a. {Cusl es el error tipico de la proporcién muestral que ‘encraré facturas que se cobrarin con dos meses de retraso como minimo? b. {Cuil es la probabilidad de que la proporeién muestral sea inferior a 0,257 ‘¢. {Cual es la probabilidad de que la proporcién muestral sea superior a 0,33? 4. (Cuil sla probabil de que Ia proporcin mues tral esté comprendida entre 0.27 y ‘Una empresa recibe 120 solicitudes de trabajo de perso: nas recién tituladas en administracion de empresas, Su poniendo que estos demandantes de empleo pueden co derarse una muestra aleatoria de todos es0s titulaos, {cud es la probabilidad de que entre el 35 y el 45 % de fllos sean mujeres si el 40 “%: de todas las personas recign ituladas en administracién de empresas son mujeres? Una institucién benéfica ha observado que el 42 % de todas las personas que hicieron una donacién el ato pa: sado volverdn a donar este afo. Se ha tomado una mues. ‘ra aleatoria de 300 donantes del afo pasado. a. {Cull es el error tipico de la proporcién muestral que donardé de nuevo este aio? b. {Cudl es la probabilidad de que més de la mitad de ‘estos miembros. de la muestra done de nuevo este aio? .Cual es 1a probabilidad de que la proporcién muestral esté comprendida entre 0.40 y 0,45? 4. Indique sin realizar los edlculos en cull de los inter valos ¢s mds probable que se encuentre la proporcién. ‘muestra: 0,39-0,41, 0.41-0,43, 0,43-0,45, 045-0446. . Una empresa est considerando la posibilidad de realizar ‘una nueva emisiéin de bonos convenibles. La direccién cree que los términos de la oferta serdn atractivos para el 20 % de todos sus accionistas actuales. Suponga que esté en lo cierto. Se toma una muestra aleatoria de 130 accio: nistas actuales. a {Cuil es el enor tipico de la proporcién muestral que Piensa que esta oferta es atractiva? b. {Cuil es la probabilidad de que la proporcién mues: ital sea superior a 0,15? & {Cuil es la probabilidad de que la proporcign muestral esté comprendida entre 0,18 y 0.22? Suponga que se hubiera tomado una muestra de 500 accionisias actuales. Indique sin realizar los célew- Jos si las probabilidades de los apartados (b) y (€) har brfan sido mayores, menores o iguales que las obte- nia. 6.37, Una tienda ha observado que el 30 % de todos los com pradores de conacéspedes también contrata un servicio de mantenimiento. En un mes se venden 280 cortacéspe- des a clientes que pueden considerarse una muestra aleatoria de todos los compradores. 4 {Cudl es el error tipico de la proporciGn muestral de Clientes que contratarin un servicio de mantenimiento? 1, {Cudl es la probabilidad de que la proporcién muse tal sea inferior a 0,32? ‘e. Indique sin realizar Jos efleulos en cudl de los six guientes intervalos es mais probable que se encuentre Ja proporcisn muestral: 0,29-0,31, 0,30-0,32, 0.31- 0,33, 0,32-0,34. Se toma una muestra aleaoria de 100 votantes para est- ‘mar la proporcisn del electorado que esta favor de una subida del impuesto sobre la gasolina para obtener mis igresos para reparar lay autopistas. {Cus es el valor nds alto que puede tomar el ertortipico de la proporciéa rmuestral que esta favor de esta medida? Suponga en el ejercvio anterior que se decide que una muestra de 100 votantes es demasiado pequetta para obtener una estimacién suficientemente fable de la propor cin poblacional. Se exige, por el contrario, que la probabilidad de que Ia proporcién muestra difiera de la proporcin poblacional (cualquiera que sea su valor) ea ims de 0.03 no sea superior a 0,08. {De qué tamafo debe Ser la muestra para que se cumpla este requisito” ‘Una empresa quiere estimar Ia proporcin de personas que es probable que compren maguinillas de afeitar eléctricas de entre las que ven los partidos de ftbol que Se fetransmiten por television. Se toma una muestra leatoria de 120 personas que se comprobs que veian los partidos de fitbol retransmitidos por television, Suponga, «que la proporcién de probables compradores de maqu nillaseléctricas en la poblacién que ve los partis retransmitidos es 0.25. 4. La probabiidad de que la proporcin muestal que ve Jos partidos retransmitidos sea mayor que la proporcidn poblacional es de 0.10 b. La probabilidad de que ta proporciGn muestal sea menor que la proporeidn poblacional es 0.05, ¢. La probabilidad de que la proporcin muestal se d- ferencie en K) = 0.05 Para ello tenemos la distribucidn de la variable aleatoria ji-cuadrado calculada en la Tabla 7 del apéndice. En esa tabla, los grados de libertad se indican en Ia columna de la izquierda y los valores eriticos de K correspondientes a los diferentes niveles de probabilidad se indican en las dems columnas. Asf, por ejemplo, con 10 grados de libertad el valor de K correspondiente al intervalo inferior es 3,940. Este resultado se ‘encuentra mirando la fila de 10 grados de libertad en la columna de la izquierda y la columna correspondiente a la probabilidad 0,950. El valor de la ji-cuadrado es 3,940. Asimismo, en el caso del intervalo superior de 0,05, el valor de K es 18,307. Este resultado se encuentra mirando la fila de 10 grados de libertad en la columna de ta izquierda y la columna correspondiente la probabilidad de la cola superior 0,050. E1 valor de la ji-cuadrado es 18,307. Estas probabilidades se muestran esqueméticamente en la Figu: 16.13, PUjig < 3,940) = 0,05 P(zio > 18,307) = 0,05 098 905 * < ig ee ear Figura 6.13. Probabilidades superior e inferior de una ij, con 10 grados de libertad. A continuacién, se resumen los resultados de la distribucién en el muestreo, Distribucién de las varianzas muestrales en el muestreo ‘Sea sla varianza muestral de una muestra aleatoria de n observaciones procedentes de una poblacién que tiene una varianza 0°, 1, La distribucion de s* en el muestreo tiene una media a: Biel= (6.11) 2. La varianza de la distribucién de s? en el muestreo depende de la distribucién de ta poblacién ‘subyacente. Si esa distribucién es normal, entonces arte) = 2 (1)Distribuciones de estadisticos muestrales 273 3._ Sila distribucién de la poblacién es normal, entonces ys Fano = ‘se distribuye como la distribucion ji-cuadrado con n ~ 1 grados de libertad, (72,..,). Por tanto, si tenemos una muestra aleatoria proced normal, podemos hacer inferencias sobre la varianza muestral a? utilizando: Este proceso se muestra en los siguientes ejemplos. te de una poblacion que sigue una distribucién y la distribucién ji-cuadrado. Proceso de control de la calidad de Electrénica Integrada (probabilidad de la varianza muestral) Jorge Sanchez. es responsable de la garantfa de calidad de Electr6nica Integrada. Electrénica Integra- da acaba de firmar un contrato con una empresa de China para fabricar un mecanismo de control que 5 un componente de sus productos de robética, Electtdnica Integrada quiere estar segura de que estos nuevos componentes de menor coste satisfacen sus normas de calidad. Le ha pedido que cree un proceso de control de 1a calidad para comprobar los envfos del mecanismo de control A. La variabilidad de la resistencia eléctrica, expresada en ohmios, es fundamental para este mecanismo. Las nor- ‘mas de fabricaciGn especifican una desviacidn tipica de 3,6 y la distribucién poblacional de las mediciones de la resistencia es normal cuando los componentes satisfacen la especificacién de la calidad. EI proceso de control requiere que se obtenga una muestra aleatoria de n = 6 observaciones de cada envio de mecanismos y que se calcule la varianza muestral. Halle un limite superior de la varianza muestral tal que la probabilidad de que se supere este Imite, dada una desviacién tfpica poblacional de 3,6, sea inferior a 0,05. 3,6)? = 12,96, Utilizando la distribucién Solucién. En este problema, tenemos que n = 6 y 0? ji-cuadrado, podemos establecer que (n= De 2 > Ky = pP(S—OE Pst > K) r( Toes 11070) 0,05 donde K es el limite superior deseado y 72 = 11,070 es el valor eritico superior correspondiente al nivel 0,05 de la distribucién ji-cuadrado con 5 grados de libertad de la fila 5 de la distribucién ji- cuadrado de la Tabla 7 del apéndice. El Ifmite superior de s? que buscamos —representado por K— puede hallarse resolviendo (a= DK 1 11,070 (11,070)(12,96) 6-) 8,69 Si la varianza muestral, s*, procedente de una muestra aleatoria de tamafio n = 6, es superior a 28,69, existen pruebas contundentes para sospechar que la varianza poblacional es superior a 12,96 y que hay que contactar con el proveedor y tomar las medidas oportunas. Entre estas medidas podrfa encon- trarse la devolucién de todo el envfo o la comprobacién de cada uno de los articulos del envio a ‘cuenta de los proveedores,274 Estadistica para administracion y economia Ef Analisis de! proceso de produccién de Alimentos Valleverde (probabilidad de la varianza muestral) ‘Susana Méndez es la directora de garantfa de calidad de Alimentos Valleverde, S.A., una empaqueta- dora de verduras congeladas. Susana quiere estar segura de que la variacién del peso de las bolsas de verduras es pequefia, de manera que Ia empresa no produzca una elevada proporcién de bolsas que tengan un peso inferior al indicado. Le ha pedido que halle los limites superiores del cociente entre la varianza muestral y la varianza poblacional de una muestra aleatoria de n = 20 observaciones. Los limites son tales que la probabilidad de que el conciente sea mayor que el Iimite superior es 0,025. Por tanto, el 97.5 % de los cocientes seré inferior a este limite. Puede suponerse que la distribucién poblacional es normal Soluci6n. Se nos pide que hallemos un valor Ky tal que eG Zz 9) 0,975 dado que se utiliza una muestra aleatoria de tamafio n = 20 para calcular 1a varianza muestral. En el caso del limite superior, podemos establecer que 5 eget ee. 0.025 = P| ~=5— > in — DKy |= [Link] > ~ Dut Eje Este limite superior de la ji-cuadrado define un intervalo tal que si la ji-cuadrado calculada con 1a ‘muestra esti dentro de ese intervalo, aceptamos el supuesto de que la varianza del proceso se encuen- ‘a cn el valor supuesto. Este intervalo se denomina intervalo de aceptacion. Utilizando el limite superior del intervalo de aceptaciGn basado en la ji-cuadrado, podemos calcular el limite del intervalo de aceptaci6n, Ky, del cociente entre la varianza muestral y la varianza poblacional. El valor superior de la distribucién ji-cuadrado puede hallarse en la Tabla 7: His,oarsy = 32,852 En el caso del Ifmite superior, tenemos que 0,025 [Link] > (1 ~ IKy} = PL32,852 > (19)Ky) Y. por tanto, 32,852 ( o ) 1,729 EL intervalo de aceptacién del 97,5 % del cociente entre Ia varianza muestral y la variantza poblacional es ‘s (& < 79) = 0,975 Por tanto, la varianza muestral es menos de 1,729 veces la varianza poblacional con una probabilidad de 0.975. Es importante subrayar aqué que en los métodos empleados para hacer inferencias sobre la varianza poblacional influye mucho el supuesto de que ta poblacién sigue una distribucién normal. En las infer Cias sobre la media poblacional basadas en la media muestral no influyen mucho las desviaciones con res-cos muestrales 275 Distribuciones de est pecto a la distribucién normal. Ademds, las inferencias basadas en 1a media muestral pueden utilizar el tcorema del limite central, que establece que las medias muestrales generalmente siguen una distribucién normal si el tamaio de la muestra es razonablemente grande. Las inferencias basadas en la media muestral son, pues, robustas con respecto al supuesto de la normalidad. Desgraciadamente, las inferencias basadas en varianzas muestrales no 10 son, ‘Sabemos que en muchas aplicaciones la varianza poblacional tiene un interés directo para el investiga- dor. Pero cuando utilizamos los métodos que hemos mostrado, debemos tener presente que si solo se dispone de un niimero moderado de observaciones muestrales, la existencia de serias desviaciones con respecto a 1a normalidad en Ia poblacién de la que procede la muestra puede invalidar gravemente las conclusiones de los andi Ejercicios Bjercicios basicos 647. Se obtiene una muestra aleatoria de tamano n = 16 de ‘una poblacién que sigue una distribucin normal de media = 100 y varianza a? = 25. {.Cual es la probabilidad de que > 101? . {Cudl es la probabilidad de que la varianza muestral sea superior a 45 €. {Cull es la probabilidad de que la varianza muestral ‘ea superior a 60? | 648. Se obtiene una muestra aleatoria de tamafio n = 25 de tuna poblacién que sigue una distribucién normal de me dia w= 198 y varianza a? = 100, 1. {Cuil es la probabilidad de que la media muestra sea Superior a 200? b. Cua es el valor de la varianza muestral tal que el 5 % de las varianzas muestrales serfa inferior a este valor? {Cul es el valor de la varianza muestral tal que el 5 % de las varianzas muestrales seria superior a este valor? 649. Se obtiene una muestra aleatoria de tamafo n= 18 de tuna poblacién que sigue una distribucién normal de media t= 46 y varianza a? = 50. a. {Cul es la probabitidad de que la media muestral sea superior a 50? D. {Cua es el valor de Ia varianza muestral tal que el 5 % de las varianzas muestrales serfa inferior a este valor? {Cuil es el valor de la varianza muestral tal que el 5 % de las varianzas muestrales serfa superior a este valor? 650. Un proceso produce Jotes de un producto quimico cuyas concentraciones de impurezas siguen una distribucién ‘normal de vatianza 1,75, Se elige una muestra aleatoria de 20 lotes. Halle 1a probabilidad de que la varianza ‘muestral sea superior a 3.10. En estas circunstancias, el analista cauto deberd tener bastante cuidado al hacer inferencia 651. Las tasas mensuales de rendimiento de las aceiones de tuna empresa son independientes de las de otra y siguen tuna distibucin normal que tiene una desviacidn tipica de 1,6. Se toma una muestra de 12 meses fa. Halle la probabilidad de que la desviacién tfpica muestra sea inferior a 2,5, 1b, Halle la. probabitidad de que ta desviacién tfpica rmuestral sea superior a 1,0. 6.82, Se cree que los sueldos que perciben durante el primer ano Ios contables recién titulados siguen una distribucidn normal que tiene una desviacisn tipica de 2.500 $. Se toma una muestra aleatoria de 16 observaciones. a, Halle 1a probabilidad de que ta desviacién tipica "muestral sea superior a 3.000 §. b. Halle la probabilidad de que la desviaci¢n upica muestral sea inferior a 1.500 $. Ejercicios aplicados 6.83. Se va a realizar a todos los estudiantes de primer aio un ‘examen de mateméticas con 100 preguntas de tipo test Se ha hecho primero un estudio piloto en el que se ha realizado ef examen a una muestra aleatoria de 20 estudiantes de primer ao. Suponga que la distribucién del numero de respuestas correcta de la poblacién de todos Jos estudiantes de primer afio es normal con una varianza de 250, ‘a. {Cuil es la probabilidad de que la varianza muestral ‘Sea inferior a 1007 D. {Cusl es Ia probabilidad de que la varianza muestral ‘ea superior a $00? 6.54. En una gran ciudad, se ha observado que durante el vera- no las facturas del consumo de electricidad de las vi vviendas unifamiliares. siguen una distribucién normal ue tiene una desviacién tipica de 100 $. Se ha tomado ‘una muestra aleatoria de 25 facturas.276 658, & 658, Estadistica para administracion y economia a. Halle la probabilidad de que la desviacién tipica imuestral sea inferior a 75 S. b. Halle la probabilidad de que Ia desviacién pica smwestral sea superior a 150 $. El némero de horas que dedican a ver la televisi6n los ‘estudiantes la semana anterior a los eximenes finales ‘gue una distribucién normal que tiene una desviacién tipica de 4,5 horas, Se ha tomado una muestra aleatoria de 30 estudiantes, a. {E's superior a 0.95 la probabilidad de que la desvia- isn tipica muestral sea de mis de 3,5 horas? superior a 0,95 la probabilidad de que la desvia. id tipica muestral sea de menos de seis horas? En la Tabla 6.1, hemos examinado las 15 muestras posibles de dos observaciones procedentes de una pobla- in de N = 6 valores de los afios de experiencia de los trabajadores. La varianza poblacional de estos seis valores es CCalcule para cada una de las 15 muestras posibles la va: Fianza muestral. Halle la media de estas 15 varianzas rmuestrales, confirmando asi que el valor esperado de ki varianza muestral no es igual a la varianza poblacional ‘cuando el nmero de miembros de la muestra no es una pequetia proporcién del ndimero de miembros de la po: blacién, De hecho, como puede verificar agut, EIS] = eK - 1) . Un proceso de produccisn fabrica componentes elects nicos que emiten sefales cuya duraci6n sigue una dist bbucidn normal. Se ha tomado una muestra aleatoria de seis componentes y se ha medido ta duraciOn de tas se fales que emiten. ‘a, La probabilidad de que la varianza muestral sea supe: for a % de la varianza poblacional ¢s 0.05. b. La probabilidad de que la varianza muestral sea inferior a % de la varianza poblacional es 0,10, Se ha tomado una muestra aleatoria de diez fondos de inversién. Suponga que las tasas de rendimiento de la poblacién de todos los fondos de ihversién siguen una distribucién normal a La probabilidad de que la varianza muestral sea supe: for a % de ta varianza poblacional es 0.10. b. Halle cualquier par de mimeros, ay b, que completen la frase siguiente: la probabilidad de que ta varianza iuestral esté comprendida entre a % y b de Ia vae anza poblacional es 0,95. ‘¢ Suponga que se hubiera tomado una muestra de 20 fondos de inversién, Indique sin hacer los céleulos emo camibiarfa eso su respuesta al apartado (b) 6.59. Se pide a cada uno de los miembros de una muestra alex: toria de 15 economistas que prediga la tasa de inflacion del préximw aio. Suponga que las predicciones de toda la poblacién de economistas sigue una distribucicn nor ‘mal que tiene una desviacién tipica de 1,8 %. a La probubilidad de que la desviacién tipica muestral sea superior a__es 0.01 b. La probabilidad de que la desviacidn tipica muestra sea inferior a__es 0.025. Halle cualquier par de nimeros tal que la probabildad de que la desviacidn pica muestral se encventre centre esos nimeros sea 0,90. 6.60, Se comprucba un instrumento de precisi6n realizando 12, lecturas de la misma cantidad, La distribucién poblacional de las lecturas es normal a, La probabilidad de que la varianza muestral sea supe- for a ‘Se de ta varianza poblacional es 095, La probabilidad de que la varianza muestral sea superior 3 % de la varianza poblacional es 0,90. ¢. Halle cualquier par de nimeros, a y b, que completen la frase siguiente: la probabilidad de que la varianza ‘muestral esté comprendida entre a % y b % de la varianza poblacional es de 0,95, |. Una companta farmacéutica produce pridoras que contienen un principio activo. la compania le preocupa et peso medio de este principio por pfldora, pero también uiere que Ia varianza (en miligramos cuadrados) no sea superior a 1,5. Se selecciona una muestra aleatoria de 20 pildoras y se observa que la vatianza muestral es 2,05. {Qué probabilidad hay de que la varianza muestral ea tan alta o mds que esta sila varianza poblacional es, de hhecho, 1,5? Suponga que la distribucién de la poblacién normal, (6.62. Un fabricante ha comprado materias primas a un proveedor cuyos envios tienen unos niveles de impurezas con tuna varianza de 15.4 (en kilos cuadrados), Un proveedar rival sostiene que puede suministrar esta materia prima con e! mismo nivel medio de impurezas, pero con una varianza menor, En una muestra aleatoria de 25 envios del segundo proveedor se ha observado que la varianza de los niveles de impurezas era 12.2. ;Cusl es a probae 4 bilidad de que el valor de la varianza muestra sea tan bajo © mas si la verdadera varianza poblacional es, de hecho, 15,4? Suponga que la distribucién de la poble | ‘cin es normalDistribuctones de estadisticos muestrales 277 Términos clave | ¢ disrbucion de las medias muestrales en el muestreo * distribucién de ls proporciones mucstrales | ene muestroo | + istrbucion de las varianzas muestrales en el muestra | + disuibucién en el mvestreo | + distibucién j-euadrado © # distibucién normal estindar de medias muestales + factor de coreccién por poblacign fnita inervalos de aceptacién ley de los grandes nimeros media muestral muestra aleatoria muestra aleatoria proporcién muestral teorema del limite central Ficheros de datos *# Sugar Coated Wheat, 279 Ejercicios y aplicaciones del capitulo Enire en [Link]/global o en [Link] pars acceder ' sos Ficheros de datos. 663. :Qué quiere decir la afirmacién de que la media muestral tiene una distribucién en ef muestreo? | 664. Un inversor est considerando seis fondos de inversiGn distinos. El ntimero medio de dias al vencimiento de c dda uno de estos fondos es 413903535 3338 Se eligen aleatoriamente dos de estos fondos. {.Cuintas muestras posibles de dos fondos hay’? 1. Enumere todas las muesiras posibles. . Halle la funcién de probabilidad de la distibucién de las medias muestrales en el muestreo. 4, Verifique directamente que la media de la distribu- coin de las medias muestrales en el muestreo es igual ‘ala media poblacional {{Qué importancia tiene el teorema del limite central para ln-distribucidn de las medias muestrales en el muestreo? B 5 Las calificaciones de todos os estudiantes que reatizan tun examen de aptitud que se exige para entrar en una fa cculiad de derecho siguen una distribucién normal que tiene una media de 420 y una desviacién tfpica de 100, Se toma una muestra aleatoria de 25 ealificaciones. 1. Halle I probabilidad de que Ia media muestral de las calificaciones sea superior a 450. b. Halle la probabilidad de que la media muestra de las calificaciones esté comprendida entre 400 y 450. ‘¢. La probabilidad de que la media muestral de las calificaciones sea superior a 50,10. 4. La probabilidad de que la media muestral de las calificaciones sea inferior a 50,10, 6.67. 6.68. . La probabilidad de que la desviaci6n tipica muestral de las calificaciones sea superior a. £5 0,05. f. La probabilidad de que la desviaciGn pica muestral de las calificaciones sea inferior a €5 0,05. & Si se hubiera tomado una muestra de 50 calificaciones, ;serfa la probabilidad de que la media muestral de las calificaciones sea superior a 450 menor, mayor © igual que la respuesta correcta al apartado (a)? No es necesario hacer aquf los cleulos detallados. Tus tte grilicamente su razonamiento. Una empresa repara aparatos de aire acondicionado. Se hha observado que la duracién de las reparaciones sigue una distribuci6n normal que tiene una media de 60 mi ‘nutos y una desviaeisn tipica de 10 minutos. Se ha toma- «do una muestra aleatoria de la duraci6n de cuatro repara fa, {Cudl es Ia probabilidad de que la media muestral de Tas duraciones de las reparaciones sea de més de 65 ‘minutos? , La probabilidad de que la media muestral de las dura- jones de las reparaciones sea de menos de —__ mi rutos es 0,10. . La probabilidad de que la desviaci6n tipica muestral de las duraciones de las reparaciones sea de mis de__ minutos es 0,10. 4. La probabilidad de que la desviaci6n tipica muestral de las duraciones de las reparaciones sea de menos de ‘minutos es 0,10. ‘e. {Cul es la probabilidad de que més de dos de estas reparaciones duren mas de 65 minutos? Un afto las tasas porcentuales de rendimiento de los fondos de inversidn siguieron una distribucién normal de278 6.70. on. 672, Estadistica para administracion y economia media 14,8 y desviaci6n tipica 6,3. Se tons una muestra aleatoria de nucve de estos fondos. 1. ;Cudl es la probabilidad de que fa media muestra de las tasas porcentuales de rendimiento sea de més de 19.02 bb, {Cuil es la probabilidad de que la media muestral de las tasas porcentuales de rendimicnto esté compren- dda entre 10.6 y 19.07 . La probabilidad de que la media muestra de las tasas porcentuales de rendimiento sea de menos de __es 025 4. La probabilidad de que la desviaci6n tipica muestral de las tasas poreentuales de rendimiento sea de mis de__es 0,10. €. Si se tomara una muestra de 20 de estos fondos, in que si la probabilidad de que la media muestral de las tasas porventuales de rendimiento fuera de més de 19.0 serfa menor, mayor o igual que la respuesta co- recta del apartado (a). Represente grificamente su razonamiento, 1. Se sabe que la duracién de un componente electrnico sigue una distribucién normal que tiene una media de 1.600 horas y una desviacidn tipica de 400 horas. Halle la probabilidad de que la media muestral de una ‘muestra aleatoria de 16 componentes sea de més de 1.500 horas, b. La probabilidad de que la media muestral de las duraciones de una muestra aleatoria de 16 componentes sea de mis de ras es OS, . La probabilidad de que la desviacion tipica muestral de Ia duracién de una muestra aleatoria de 16 compo- rnentes sea de mis de____horas es 0.10. Usilice ef apéndice del capitulo para hallar ta media de la distribucién de las varianzas muestrales en e! muestreo de una muestra de 1 observaciones procedentes de una poblacién de NV miembros cuando la varianza poblacional (65 0°. Modificando convenientemente el argumento sobre las varianzas del apéndice del capitulo, demuestre que BLE] = NoQN — 1) Obsérvese la verosimilitud intuitiva de este resultado cuando n = N. Se ha observado que l tiempo que tarda la gente ‘cumplimentar un impreso de declaracién de impuestos sigue una distribucin normal que tiene una media de 100 minutos y una desviacién tipica de 30 minutos. Se ha tomado una muestra aleatoria de nueve personas que hhan cumplimentado este impreso. ‘8. ;Cudl es la probabilidad de que la media muestral de los tiempos sea de mds de 120 minutos’ b. La probabilidad de que 1a media muestral de los tiempos sea de menos de minutos es 0.20. La probabilidad de que ta desviaciOn tipica muestral de los tiempos sea de menos de minutos es 0.0. Se ha observado que el 80 % de los estudiamtes de diti- ‘mo ato de una universidad acept6 una oferta de trabajo antes ‘de terminar los estudios. La distribucién de los sueldos de los que acepkaron ofertas era normal y tenia tana media de 37.000 $ y una desviacién tipica de 4.000 S. ‘a. {Cuil es la probabilidad de que menos det 70 % de ‘una muestra aleatoria de 60 estudiantes de ditimo afio. aceptara una oferta? 1b, {Cuil es la probabilidad de que menos del 70 % de luna muestra aleatoria de seis estudiantes de slime ano aceptara una oferta? {Cua es Ia probabilidad de que el sueldo medio de luna muestra aleatoria de seis estudiantes de dltimo ao {que aceptardn una oferta fuera de més de 38.000 $? d. Se elige aleatoriamente un estudiante de Ghtimo aio {Cual es la probabilidad de que aceptara una ofera ‘de trabajo com un sueldo de mis de 38,000 $7 Las bolsas de plistico utilizadas para envasar productos se fabrican de tal manera que su resistencia a los golpes sigue una distribucién normal que tiene una desviaciéa Lipica de 1.8 kilos por centimetro cuadrado. Se selecciona una muestra aleatoria de 16 bolsas, a La probabildad de que la desviacisn tipica muestral de la resistencia a los golpes sea de mis de_—_es 0.01. 1. La probabilidad de que li media muestral sea ‘mayor que la media poblacional es 0,15. La probubilidad de que la media muestra difiera en de la media poblacional es 0,05. Un director de control de calidad tenfa interés en conocer la variabilidad de la cantidad de principio activo que ccontenfan las pildoras producidas por un determinado proceso. Se tom6 una muestra aleatoria de 21 pildoras. {.Cual es la probabifidad de que la varianza muestral de la cantidad de principio activo fuera mAs del doble de la varianza poblacional”? Se toma una muestra de 100 estudiantes para averiguar ‘qué marca de cervera se prefiere en una cata ciega de ddos marcas. Suponga que el 50 ‘% de toda la poblacién de estudiantes prefiere la marca A. a, {Cudl es la probabilidad de que mds del 60 % de los miembros de la muestra prefiera la marca A? b, {Cust es la probabilidad de que entre el 45 y el 55 % de los miembros de la muestra prefiera la marca A? ‘& Suponga que solo se dispone de una muestra de diez estudiantes. Indique en qué diferiria el método de calcula de las probabilidades en comparacién con las soluciones de los apartados (a) y (b). Las calificaciones de un examen realizado por un gran ‘grupo de estudiantes sigue una distribucién normal que tiene una desviacién tipica de 40 puntos. Se toma una iuestra aleatoria de 16 calificaciones para estimar la ca- lificacién media de la poblacién. Sea la variable aleato- Fia x la media muestral, {Cual es la probabilidad de que el intervalo (x ~ 10) a (x + 10) contenga la verdadera media de la poblacisn’? Un fabricante de detergente liquide sostiene que el peso medio del liquid que contienen los envases vendidos es 62. 674, 6.78. 6.76. 677.‘al menos de 300 gramos. Se sabe que la dstribucién po- Dlacionat de los pesos es normal y tiene una desviacién tipica de 13 gramos. Para comprobar la afirmacién del fabricante, se examina una muestra aleatoria de 16 envases. La afirmacién se pondré en cuestién si In media muestral de los pesos es de menos de 295 gramos. ;Cudl la probabilidad de que se ponga en cuestién la afirma- ign si 1a media poblacional de los pesos es en realidad de 300 gramos’? 678, Un afo, €1 40 % de las ventas de vi do parcialmente por el vendedor. Se ex: tra aleatoria de 250 vent 1, La probabilidad de que la proporcién muestral sea de mas de es 08. 'b, La probabilidad de que la proporcién muestral sea de menos de es 09. «. La probsbilidad de que Ia proporeién muestral difiera en de la proporcién poblacional es de 0,7 las fue financia- 679. Un candidato a ta presidencia tiene intencién de hacer ccampata si inicialmente lo apoya mAs de un 30 % de los votantes, Se toma una muestra aleatoria de 300 votantes yy se decide hacer campatia si la proporcién muestral que Apoya al candidsto es de mas de 0,28. a. ;Cudl es Ia probabilidad de que se decida no hacer ampaiia si el nivel inicial de apoyo es, en realidad, del 20.%7 b. {Cus es la probabilidad de que se decida no hacer ampatia si el nivel inicial de apoyo es, en realidad, dol 40% 680, Se sabe que las rentas de los suscriptores de una revista siguen una distribucién normal que tiene una desviacién tipica de 6,600 S. Se toma una muestra aleatoria de 25 suscriptores. a. ;Cual es Ia probabilidad de que la desviacién tipica muestral de sus rentas sea de ms de 4.000 $? b. ;Cudl es Ia probabilidad de que ka desviacién tfpica Iuestral de sus rentas sea de menos de 8.000 $7 |. Un proceso de produccién fabrica Totes de productos aquimicos. Se seleccionan restr de 20 Totes Para ex rinarlos. Si la desviacicntipica del porcentae de impureras de los lotes de las muesiras es de més de 25 %, el proceso de produccin se revisa minuciosamente. Su ponga quc la distribucisn poblacional de las concentra ones porcenuales de impureras es normal. ;Cul es la obahifdad de que el proceso de preduccin se revise Ininuciosamentes a desviacintpien poblacional de ls Concentracones percentiles de impure es del 2%? 682. @p_Un producto de consumo que ha. prosperado en FG on ims aos cs agua embotcia Son [Thome es el director general de una empresa que vende agua embotellada, Ha pedido un informe del proceso de envasado de las boels de 24 oneas (710 miilitos) pa ra estar seguro de que se envasan como es debido, Para 6383. 6384. 279 Distribueiones de estadisticos muestrales ccomprobar si ¢s necesario ajustar el proceso, Emma As- trom, que lo controla, extrae aleatoriamente una muestra de cinco botellas cada 15 minutos durante un periodo de cinco horas y las pesa. Los datos se encuentran en el fi- chera de datos Bottles. a. Calcule la media muestral, las desviaciones tipicas rmuestrales de las botellas y la desviacidn tipica de la media muesiral de cada muestra, bb. Halle la probabilidad de que las medias muestrales sean inferiores a 685 mililitros si la media poblacional es 710. c. Halle Ia probabilidad de que las medias muestrales sean superiores 2 720 mililitros Prairie Flower Cereal, Inc., es un pequetto pero reciente productor de cereales para desayuno. La empresa fue creada en 1910 por Gordon Thorson, préspero productor de cereales. Se le ha pedido que compruche cl proceso de empaquetado de cajas de trigo arucarado de 18 onzas (510 gramos). Se utilizan dos smquinas para el proceso de empaquctado. Se extraen aleatoriamente 20 muestras de cinco cajas cada una y se pesan, Los datos se encuentran en el fichero de datos Sugar Coated Wheat, 1. Calcule la media muestral global la varianza muestra y Ja varianza de las medias muestrales de cada méquina. 1. Halle la probabilidad de que una media muestral sea inferior a $00 si et proceso esti funcionando adecua- damente en cada maquina. ¢. Halle la probabilidad de que una media muestral sea superior a 508 si el proceso esté funcionando correc tamente en cada méquina, Utilizando su paguete estadistico, obtenga 20 muestras aleatorias de tamafo n = 5 paquetes de cada mé- 4quina y calcule la media muestral de cada muestra. ‘Cuente el ntimero de medias muestrales que son inferiores a 500 y el mimero de medias muestrales que son superiores a 508. a, Otro producto que empaqueta Prairie Flower Ce- real, Inc., son unos cereales con manzana y cane. la, Para comprobar el proceso de empaquetado de las ca jas de 40 onzas (1.134 gramos) de estos cereales, se cextraen aleatoriamente 23 muestras aleatorias de seis ca jas cada una y se pesan. Los limites de aceptacién inferior y superior se han establecido en 1.120 y 1.150 gramos, respectivamente, Los datos se encuentran en el fichero de datos Granola. ‘a. Calcule Ia media muestal global, la varianza muestra y la varianza de las medias muestrales de cada muestra. b. Caleule la probabitidad de que las medias muestrales se encuentren dentro de los limites de aceptacién. ‘e. Utilizando su paquete estadstico, obtenga 23 muestras aleatorias de tamafio n= 6 y calcule la media rmuestral de cada muestra, Cuente el némero de medias muestrales que se encuentran fuera de los mites de aceptacién,280 Estadistica para administracién y economia Apéndice: Resultados matematicos y resultados de las simulaciones 4, Teorema del limite central a partir de la suma lineal de variables aleatorias En el analisis estadistico aplicado, muchas de las variables aleatorias que se utilizan se pueden caracterizar por medio de la suma o de la media de un gran niimero de variables aleatorias. Por ejemplo, las ventas diarias totales de una tienda son el resultado de toda una serie de ventas a distintos clientes, cada una de las cuales se puede considerar que es una variable aleatoria, El gasto de inversi6n nacional total de un mes es Ia suma de muchas decisiones individuales de inversidn de determinadas empresas. Por tanto, si Xj. Xo» Ny representa el resultado de sucesos aleatorios individuales, la variable aleatoria observada X=N $$. +X, y como vimos en el Capftulo 5, EIX] = ne Var(X) = no? El tcorema del limite central establece que la suma resultante, X, sigue una distribuei6n normal y se puede utilizar para calcular una variable aleatoria, Z, que tiene una media de 0 y una varianza de |: X= EIX] X= ge VWarix) Jno? Ademis, si dividimos X por m para obtener una media de X, también podemos caleular una Z correspon diente que tiene una media de 0 y una varianza de 1 Utilizando estos resultados, tenemos el teorema del 2. Realizacion de simulaciones muestrales de Monte Carlo por medio del programa Minitab En el Apartado 6.2, presentamos los resultados de Jas simulaciones muestrales de Monte Carlo para demos trar el teorema del limite central. En este apéndice, mostramos cémo se pueden realizar simulaciones simi- lares para una distribucién de probabilidad. La simulacién se puede realizar utilizando una macro de Mini- {ab Hamada Centlimitamae, que se encuentra en el directorio de datos que acompana al libro de texto, Entre en [Link]/global o en [Link]/newbold para acceder a los ficheros de datos. Para utilizar‘esta macro, c6picla en el directorio que se encuentra con su programa Minitab, MTBWIN\MACROS\ uuilizando e1 Windows Explorer, Esta macro se almacenard entonces con otras macros del paquete Minitab Cuando se almacena la macro cn este directorio, puede ejecutarse dircctamente en Minitab. También s¢ puede almacenar en otro directorio y escribir cl nombre completo para ejecutar la macro, Para realizar la Simulacién muestra, siga los pasos siguientesDistribuciones We estadisticos muestrales 281. Almacene en la columna 1 un conjunto de valores que tengan la frecuencia indicada por la distribu- cid de probabilidad que tenga interés en simular. Normalmente, almacenamos 100 valores, pero podria almacenarse cualquier nimero. Por ejemplo, para almacenar una distribucién binomial con P= 0.40, almacenarfamos 40 unos y 60 ceros en Ia columna 1. También podriamos almacenar una distribucicn empirica de miimeros de una poblacidin estudiada. Otro método para obtener los valores muestrales es utilizar el siguiente comando: CALC > RANDOM DATA > "SELECT PROBABILITY DISTRIBUTION" De esa forma, obtenemos una muestra aleatoria de una de las posibles distribuciones de probabilidad habituales. En el Minitab Session Window, pulse el comando MTB > SCENTLIMIT Ni N2 C1-C3 donde NI es el tamaiio de la muestra de las muestras que estén simulindose y N2 es el niimero de muestras cuyas medias van a obtenerse en la simulacién, Generalmente, entre 500 y 1.000 muestras dan lugar a una buena distribucién en el muestreo, pero se puede seleccionar cualquier valor'razo- nable, Obsérvese que cuanto mayor sea el niimero de muestras, mAs se tardard en realizar la simula- cién, CI a C3 son las columnas utilizadas por Minitab para realizar la simulacién y la distribuciéin de probabilidad de interés esti en la columna 1. El lector puede utilizar las columnas que quiera con tal de que la distribucién de probabilidad esté en la columna 1, La Figura 6.14 muestra un ejemplo del resultado de una simulacién muestral. MTB > centlinit 25 1000 ¢1-c3 Executing from file: C:\PROGRAM FILES\NTBUIN\MACROS\centlinit. AC Velcoue to the Monte Carlo Sampling Simulation Your simulation will have the peceneters Semple Size 25 Wumbek of Samples in Simulation 1000 Tf this is not correct type “Exit” and enter the correct pareneters * Entering PAUSE node. Type RESIME or R to leave PAUSE. SMB > x 0.41670 1.89373 2.24848 4.17283 0.47646 Figura 6.14, Simulacién muestral de Monte Carlo en Minitab.282 —Estadistica para administracion y economia La simulacién genera muestras en ta columna 2 y calcula la media muestral, La media de cada muestra se almacena en la columna 3, titulada «Mean». Se calculan estadisticos descriptivos e histogramas para los valores de la variable aleatoria de la columna 1 y para las medias muestrales de la columna 3. Pinchando en el comando del ment WINDOWS > TILE se puede obtener la pantalla de la Figura 6.15, que es itil para comparar la distribucion inicial y la distribu- cién muestral con una normal comparable En la Figura 6.15, vemos claramente que la distribucién de la variable aleatoria de 1a esquina inferior izquierda no es normal sino gue esté muy seygada hacia la derecha. En cambio, la distribucién en el muestreo de las medias de la esquina superior izquierda se parece mucho a una distribucién normal. La Figura 6.16 muestra una copia de la macro [Link] de Minitab, que también se encuentra en el directorio de datos del libro de texto. Los usuarios familiarizados con las macros de Minitab pueden modificar esta macro para obtener salidas diferentes. Figura 6.15. Resultados de la simulacién muestral de Monte Carlo. 3. Media de la distribucion de las varianzas muestrales en el muestreo En este apéndice, mostramos que la media de la distribuci6n de las varianzas muestrales en el muestreo es Ja varianza poblacional. Comenzamos hallando la esperanza de la suma de los cuadrados de las diferencias entre cada miembro de la muestra y la media muestral; es decir, la esperanza de Yow -3= Ye - GP & bay = 0? = 26 = way — 0) +E "T Yay - wr - 2 -w Y w- w+ LY @- wh

También podría gustarte

Distribuciones Muestrales en Estadística
Aún no hay calificaciones
Distribuciones Muestrales en Estadística
139 páginas
Distribuciones Muestrales en Estadística
Aún no hay calificaciones
Distribuciones Muestrales en Estadística
122 páginas
Sesión #2 - Estadistica Aplicada Distribuciones Muestrales
Aún no hay calificaciones
Sesión #2 - Estadistica Aplicada Distribuciones Muestrales
107 páginas
Tamaño de muestra y margen de error
Aún no hay calificaciones
Tamaño de muestra y margen de error
142 páginas
Muestreo y Estimación de Parámetros
100% (1)
Muestreo y Estimación de Parámetros
90 páginas
Fundamentos de Estadística Inferencial
Aún no hay calificaciones
Fundamentos de Estadística Inferencial
33 páginas
Tema 4
Aún no hay calificaciones
Tema 4
35 páginas
Distribuciones Muestrales en Estadística
Aún no hay calificaciones
Distribuciones Muestrales en Estadística
21 páginas
Montgomery y Runger Probabilidad y Estad-272-285
Aún no hay calificaciones
Montgomery y Runger Probabilidad y Estad-272-285
14 páginas
Distribución de Medias en Muestreo
Aún no hay calificaciones
Distribución de Medias en Muestreo
28 páginas
Métodos de Muestreo en Estadística
Aún no hay calificaciones
Métodos de Muestreo en Estadística
7 páginas
2012 Walpole - Cap 8 - Distribuciones de Muestreo - 8va-Probabilidad y Estadistica para Ingeniería y Ciencias PDF
Aún no hay calificaciones
2012 Walpole - Cap 8 - Distribuciones de Muestreo - 8va-Probabilidad y Estadistica para Ingeniería y Ciencias PDF
39 páginas
Distribuciones de Muestreo en Estadística
Aún no hay calificaciones
Distribuciones de Muestreo en Estadística
57 páginas
Muestreo y Distribución Muestral
Aún no hay calificaciones
Muestreo y Distribución Muestral
32 páginas
2023 - Power Point - Unidad 3
Aún no hay calificaciones
2023 - Power Point - Unidad 3
81 páginas
Introducción a la Inferencia Estadística
Aún no hay calificaciones
Introducción a la Inferencia Estadística
16 páginas
Muestreo y Estimación en Control Estadístico
Aún no hay calificaciones
Muestreo y Estimación en Control Estadístico
14 páginas
Estadística Inferencial y Muestreo
Aún no hay calificaciones
Estadística Inferencial y Muestreo
32 páginas
Muestreo y Distribuciones Muestrales
Aún no hay calificaciones
Muestreo y Distribuciones Muestrales
24 páginas
Páginas Desde Murray.R.espieguel - Estadistica
Aún no hay calificaciones
Páginas Desde Murray.R.espieguel - Estadistica
22 páginas
Distribuciones Muestrales y Muestreo
Aún no hay calificaciones
Distribuciones Muestrales y Muestreo
32 páginas
Muestreo Aleatorio: Métodos y Ejemplos
Aún no hay calificaciones
Muestreo Aleatorio: Métodos y Ejemplos
27 páginas
Distribución t-student y muestreo en estadística
Aún no hay calificaciones
Distribución t-student y muestreo en estadística
39 páginas
Tipos y Métodos de Muestreo Estadístico
Aún no hay calificaciones
Tipos y Métodos de Muestreo Estadístico
22 páginas
Distribuciones Muestrales en Estadística
Aún no hay calificaciones
Distribuciones Muestrales en Estadística
103 páginas
Guía de Muestreo en Estadística Descriptiva
Aún no hay calificaciones
Guía de Muestreo en Estadística Descriptiva
31 páginas
Tipos y Conceptos de Muestreo Estadístico
Aún no hay calificaciones
Tipos y Conceptos de Muestreo Estadístico
15 páginas
Aplicación de Estadística Inferencial
Aún no hay calificaciones
Aplicación de Estadística Inferencial
23 páginas
Introducción a Distribuciones Muestrales
Aún no hay calificaciones
Introducción a Distribuciones Muestrales
9 páginas
Tipos y Técnicas de Muestreo Estadístico
Aún no hay calificaciones
Tipos y Técnicas de Muestreo Estadístico
24 páginas
Actividad 2 T1
Aún no hay calificaciones
Actividad 2 T1
10 páginas
Guía Completa sobre Muestreo Estadístico
100% (1)
Guía Completa sobre Muestreo Estadístico
114 páginas
Métodos de Estadística Inferencial
Aún no hay calificaciones
Métodos de Estadística Inferencial
28 páginas
Distribución de Muestras en Inferencia Estadística
Aún no hay calificaciones
Distribución de Muestras en Inferencia Estadística
11 páginas
Teoría Elemental del Muestreo
100% (2)
Teoría Elemental del Muestreo
19 páginas
Taller de Estadística Industrial
Aún no hay calificaciones
Taller de Estadística Industrial
17 páginas
Métodos de Muestreo y Distribuciones
Aún no hay calificaciones
Métodos de Muestreo y Distribuciones
69 páginas
Muestreo y Distribuciones Muestrales
Aún no hay calificaciones
Muestreo y Distribuciones Muestrales
64 páginas
Muestreo y Estimación en Control Estadístico
Aún no hay calificaciones
Muestreo y Estimación en Control Estadístico
14 páginas
Estadísticas de Salud y Muestreo
Aún no hay calificaciones
Estadísticas de Salud y Muestreo
22 páginas
Métodos de Muestreo en Estadística
Aún no hay calificaciones
Métodos de Muestreo en Estadística
4 páginas
Distribuciones Muestrales y Muestreo Aleatorio
Aún no hay calificaciones
Distribuciones Muestrales y Muestreo Aleatorio
19 páginas
Muestreo y Estimación en Estadística
Aún no hay calificaciones
Muestreo y Estimación en Estadística
29 páginas
Estadística Inferencial: Muestreo y Errores
Aún no hay calificaciones
Estadística Inferencial: Muestreo y Errores
111 páginas
Distribuciones Muestrales y Teorema Central
Aún no hay calificaciones
Distribuciones Muestrales y Teorema Central
78 páginas
Distribuciones de Muestreo y Muestreo Probabilístico
Aún no hay calificaciones
Distribuciones de Muestreo y Muestreo Probabilístico
61 páginas
Teoría del Muestreo y Distribuciones Muestrales
Aún no hay calificaciones
Teoría del Muestreo y Distribuciones Muestrales
4 páginas
Muestreo y Distribución Muestral Explicada
Aún no hay calificaciones
Muestreo y Distribución Muestral Explicada
18 páginas
Fundamentos del Muestreo Estadístico
Aún no hay calificaciones
Fundamentos del Muestreo Estadístico
30 páginas
Estadística y Muestreo en Ingeniería de Gas
Aún no hay calificaciones
Estadística y Muestreo en Ingeniería de Gas
51 páginas
6 Distribuciones de Muestreo
Aún no hay calificaciones
6 Distribuciones de Muestreo
44 páginas
Distribución Muestral en Estadística
Aún no hay calificaciones
Distribución Muestral en Estadística
8 páginas
Significado de Distribuciones Muestrales
Aún no hay calificaciones
Significado de Distribuciones Muestrales
4 páginas
Muestreo y Distribuciones Muestrales
Aún no hay calificaciones
Muestreo y Distribuciones Muestrales
35 páginas
Inferencia Estadística y Muestras
Aún no hay calificaciones
Inferencia Estadística y Muestras
24 páginas
Técnicas de Muestreo en Estadística
Aún no hay calificaciones
Técnicas de Muestreo en Estadística
58 páginas
Capitulo 14 PDF
Aún no hay calificaciones
Capitulo 14 PDF
48 páginas
Capitulo 9 PDF
Aún no hay calificaciones
Capitulo 9 PDF
44 páginas
Ejercicios de Microeconomía-Manel Antelo
40% (5)
Ejercicios de Microeconomía-Manel Antelo
15 páginas
Introducción al Método PERT en Proyectos
Aún no hay calificaciones
Introducción al Método PERT en Proyectos
29 páginas
Logística y Marketing
0% (1)
Logística y Marketing
16 páginas
Dibujo Axonométrico
100% (1)
Dibujo Axonométrico
224 páginas
Películas de Animación de 20th Century Fox
Aún no hay calificaciones
Películas de Animación de 20th Century Fox
11 páginas
Auditoría de Recursos Humanos: Eficiencia y Rentabilidad
Aún no hay calificaciones
Auditoría de Recursos Humanos: Eficiencia y Rentabilidad
30 páginas
Nociones Básicas de Filosofía Jurídica
50% (2)
Nociones Básicas de Filosofía Jurídica
47 páginas
Peliculas DVD Mayo
Aún no hay calificaciones
Peliculas DVD Mayo
83 páginas
Neoconstitucionalismo
Aún no hay calificaciones
Neoconstitucionalismo
22 páginas