1.

- En una población con N = 6, A = 4 y A’ = 2, calcular el valor de a para todas las posibles muestras simples
aleatorias de tamaño 3.
a) Verificar los teoremas dados para la media y la varianza.
b) Verificar que:
N n
pq Es un estimador insesgado de la varianza de p.
( n  1) N
Solución
a) Si el muestreo es sin reemplazo el número total de muestras a seleccionar será:
 N   6
      20
 n   3
A 2 A
P  ; Q  1/ 3
N 3 N
Ahora, sea A1, A2, A3, A4 los elementos de A y B1, B2 los elementos de A, entonces tenemos:
Muestras a p q Pq (p –
P2)
(1) A1A2A3 3 1 0 0 1/9
(2) A1A2A4 3 1 0 0 1/9
(3) A1A2B1 2 2/3 1/3 2/9 0
(4) A1A2B2 2 2/3 1/3 2/9 0
(5) A1A3A4 3 1 0 0 1/9
(6) A1A3B1 2 2/3 1/3 2/9 0
(7) A1A3B2 2 2/3 1/3 2/9 0
(8) A1A4B1 2 2/3 1/3 2/9 0
(9) A1A4B2 2 2/3 1/3 2/9 0
(10) A1B1B2 1 1/3 2/3 2/9 1/9
(11) A2A3A4 3 -1 0 0 1/9
(12) A2A3B1 2 2/3 1/3 2/9 0
(13) A2A3B2 2 2/3 1/3 2/9 0
(14) A2A4B1 2 2/3 1/3 2/9 0
(15) A2A4B2 2 2/3 1/3 2/9 0
(16) A2B1B2 1 1/3 2/3 2/9 1/9
(17) A3A4B1 2 2/3 1/3 2/9 0
(18) A3A4B2 2 2/3 1/3 2/9 0
(19) A3B1B2 1 1/3 2/3 2/9 1/9
(20) A4B1B2 1 1/3 2/3 2/9 1/9
40/3 32/9 8/9

b) b.1.- E ( p)   pi Pr ob( pi)  (40 / 3)(1/120)  2 / 3  P

Luego: E (p) = P
b.2.- V ( p)   ( pi  P)2 Pr ob( pi)   ( pi  P)2 (1/ 20)
= (8/9) (1/20) = 2/45
Por otra parte:
PQ  N  n  (2 / 3)(1/ 3)  6  3 
     (2 / 27)(3 / 5)  2 / 45
n  N 1  3  5 
Luego: PQ  N  n 
 
n  N 1 
N n (6  3)
c) E ( s 2p ) 
(n  1) N
E ( pq) 
(3  1)6
 pi qi Pr ob( Pq
i i)

 (3/12) pi qi (1/ 20)

 = (3/12) (1/20) (32/9) = 2/45 = V(p)
Luego, s 2p es un estimador insesgado de V (p).

2.- En una muestra simple aleatoria de 200 obtenida de una población de 2000 colegios, 120 de éstos estuvieron
a favor de una propuesta, 57 se opusieron y 23 se abstuvieron de opinar. Estimar los límites de confianza al
95% para el número de colegios en la población que favorecieron la propuesta.
Solución:
Proporción de colegios a favor de la propuesta:
p = a/n = 120/200 = 0.6
Límites de confianza para P, usando la aproximación normal:
p   Z ( N  n) / N pq / n  1  1/ 2n 

0.6  1.96 (1  200) / 2000 0.6(0.4) /199  1/ 400 

0.6  0.0669
De donde: LSp = 0.6669 LIp = 0.5331
Luego los límites de A en la población serán:
LSA = NLSp = 2000(0.6669) = 1334
LSA = NLSp = 2000(0.5331) = 1066
Por consiguiente, con el 95% de confianza, el número de colegios a favor de la propuesta se encuentra entre
1,066 y 1334.

3.- En los resultados de la muestra anterior se obtiene una evidencia contundente de que la mayoría de los
colegios en la población favorecieron la propuesta.
Solución:
a. Hipótesis Estadística:
Ho P = 0.5
Ha P = 0.5
b. Nivel de significancia:
 = 0.05
c. Distribución para la prueba: Distribución normal
d. Función Pivotal:
pP
z
sp
e. Valor Experimental:
0.6  0.5
zo   3.039
0.0329
Donde:
N n
s 2p  pq
(n  1) N
2000  200
 (0.6)(0.4)
(200  1)2000
= 0.00108
Luego: sp = 0.0329
f.- RR y RA de Ho
RA/Ho: Si z < 1.64 se acepta Ho
RA/Ho: Si z > 1.64 se acepta Ho
 g. como zo pertenece a la RR/Ho, entonces se acepta H1
h. Conclusión: La mayoría de los colegios están a favor de la propuesta.
Nota: Z = 3.039 le corresponde una probabilidad de 0.0012, o sea que la prueba es casi concluyente; pues se
acepta Ha con el 0.12% de participación del azar.

4.- Una población con N = 7 consiste de los elementos de M 1, C1, C2, C3, D1, D2 y D3. Se toma una muestra
simple aleatoria de tamaño 4 con el fin de estimar la proporción de C respecto a C + D.
a) Calcule las distribuciones condicionales de esta proporción, p.
b) Verifique la fórmula de su varianza condicional.
Solución:
a)
Clase Ai Unidades
1 1 M1
2 3 C1, C2, C3
3 3 D1, D2, D3
Donde: N = 7 y N’ = C + D = 3 + 3 = 6
Ahora, con n = 4 deseamos estimar:
A2 C 3 1
P   
A2  A3 C  D 3  3 2
7
En general existen    35 muestras diferentes de tamaño 4 y las cuales son:
 4
M1C1C2C3 M1C1C2D1 M1C1C2D2 M1C1C2D3 M1C1C3D1
M1C1C3D2 M1C1C3D3 M1C2C3D1 M1C2C3D2 M1C2C3D3
M1C1D1D2 M1C1D1D3 M1C2D1D2 M1C2D1D3 M1C3D1D2
M1C3D1D3 M1C1D2D3 M1C2D2D3 M1C3D2D3 M1D1D2D3
C1C2C3D1 C1C2C3D2 C1C2C3D3 C1C2D1D2 C1C2D1D3
C1C2D2D3 C1C3D1D2 C1C3D1D3 C1C3D2D3 C2C3D1D2
C2C3D1D3 C2C3D2D3 C1D1D2D3 C2D1D2D3 C3D1D2D3

Distribución condicional, para n’ = 3:

 A2   A3   A2  A3 
P (a2/A2, A3, n, n’) =    /  
 a2  a3   a2  a3 
 3  3   6 
P (3/3, 3, 4, 3) =    /   = 1/20
 3  0   3 
 3  3   6 
P(2/3, 3, 4, 3) =    /   = 9/20
 2  1   3 
 3  3   6 
P(1/3, 3, 4, 3) =    /   = 9/20
 1  2   3 
 3  3   6 
P(0/3, 3, 4, 3) =    /   = 1/20
 0  3   3 
Distribución condicional para n’ = 4
  3  3   6 
P(3/3, 3, 4, 4) =    /   = 1/5
 3  1   4 
 3  3   6 
P(2/3, 3, 4, 4) =    /   = 3/5
 2  2   4 
 3  3   6 
P(1/3, 3, 4, 4) =    /   = 1/5
 1  3   4 
b) Para n’ = 3 y donde
a2 = N° de elementos muestrales que pertenecen a C
a3 = N° de elementos muestrales que pertenecen a D
P = 3 / (3+3) = 1/2
b.1.- E ( p)  1x10  (2 / 3)(9 / 20)  (1/ 3)(9 / 20)  (0)(1/ 20)  1/2
Luego, E(p) = P
b.2.-  p2   ( p  P)2 Pr ob. Cond . 
= (1/2)2 (1/20) + (1/6)2 (9/20) + (-1/6)2 (9/20) + (-1/2)2 (1/20)
= 1/20
Por otra parte,
 N ' n '  PQ  6  3  (3 / 6)(3 / 6)
     1/ 20
 N 1  n '  6 1  3
Por consiguiente se cumple la formula:
 N ' n '  PQ
 p2   
 N ' 1  n '

CUADRO DE CALCULOS PARA n’ = 3

Muestras

Cond.
Prob.

(p-P)
a2
a3

M1C1C2C3 3 0 1 1/20 1/2 M1C1D1D2 2 1 1/3 -1/6

M1C1C2D1 2 1 2/3 1/6 M1C1D1D3 1 2 1/3 -1/6
M1C1C2D2 2 1 2/3 1/6 M1C2D1D2 1 2 1/3 -1/6
M1C1C3D3 2 1 2/3 1/6 M1C2D1D3 1 2 1/3 -1/6
M1C1C3D1 2 1 2/3 9/20 1/6 M1C3D1D2 1 2 1/3 9/20 -1/6
M1C1C3D2 2 1 2/3 1/6 M1C3D1D3 1 2 1/3 -1/6
M1C1C3D3 2 1 2/3 1/6 M1C1D2D3 1 2 1/3 -1/6
M1C1C3D1 2 1 2/3 1/6 M1C2D2D3 1 2 1/3 -1/6
M1C2C3D2 2 1 2/3 1/6 M1C3D2D3 1 2 1/3 -1/6
M1C2C3D3 2 1 2/3 1/6 M1D1D2D3 0 3 0 1/20 -1/2

Cuadro de cálculos para n’ = 4

Muestras

Cond.
Prob.

(p-P)
a2

a3

C1C2C3D1 3 1 3/4 1/5 ¼ C1D1D2D3 1 3 1/4 1/5 -1/4

C1C2C3D2 3 1 3/4 1/4 C2D1D2D3 1 3 1/4 -1/4
C1C2C3D3 3 1 3/4 1/4 C3D1D2D3 1 3 1/4 11/4
C1C2D1D2 2 2 2/4 1/4
C1C2D1D3 2 2 2/4 0
C1C2D2D3 2 2 2/4 0
C1C3D1D2 2 2 2/4 3/5 0
C1C3D1D3 2 2 2/4 0
C1C3D2D3 2 2 2/4 0
C2C3D1D2 2 2 2/4 0
C2C3D1D3 2 2 2/4 0
C2C3D2D3 2 2 2/4 0

Para n’=4:
b.1.- E( p )   pi Pr ob. Cond . pi
= (1/5)(3/4)+(2/4)(3/5)+(1/4)(1/5) = 1/2
Luego se cumple la relación:
E (p) = P
b.2.- V( p )   ( p  P)2 Pr ob. Cond . pi
= (1/4) (1/5) + (0) (3/5) + (-1/4) (1/5) =
= 1/40
Por otra parte,

 N ' n '  PQ  6  4  (1/ 2)(1/ 2)

     1/ 40
 N ' 1  n '  6  1  4
Luego, la relación:
 N ' n '  PQ
V( p )    Se cumple
 N ' 1  n '

5.- Se eligió una muestra aleatoria simple de 290 familias de un área de la ciudad conteniendo 14,828 familias.
A cada familia se le preguntó si la casa era suya o rentada y también si tenían el uso exclusivo de un baño
interior. Los resultados fueron como sigue.

Propietario Rentada Total

Uso exclusivo de
Si No Si No
baño
141 6 109 34 290

a) Para familias que rentan, estimar el porcentaje en el área de familias que cuentan con un baño interior
de uso exclusivo y dar el error estándar de su estimador.
b) Estimar el número total de familias que rentan casa en el área y que no tienen un baño interior para
uso exclusivo y da el error estándar de este estimador.

Solución
a) Estimador del porcentaje de familias en el área, que cuentan con baño interior de uso exclusivo:

p  pˆ  a / n '  109 /143  76.2% Con:

  n '  pq  143  (0.762)(0.238)
V ( p)  1    1    0.0012648
 N  n ' 1  14828  142
y DE ( p)  0.0012648  3.6%

b) Como el número de familias en el área que rentan casas no es conocido, el estimador será:
N 14,828
Aˆ  a  (34)  1738 familias
n 290
Con un error estándar de:

S  Aˆ   N (1  n / N )
pq
n 1
donde; pˆ  a / n  34 / 290  0.1172

(0.1172)(0.8828)
 (14,828) (1  290 /14828)
289
= 14,828 (0.018735)
= 278 familias

5.- Se eligió una muestra aleatoria simple de 290 familias de un área de la ciudad conteniendo 14,828 familias.
A cada familia se le preguntó si la casa era suya o rentada y también si tenían el uso exclusivo de un baño
interior. Los resultados fueron como sigue.

Propietario Rentada Total

Uso exclusivo de
Si No Si No
baño
141 6 109 34 290

c) Para familias que rentan, estimar el porcentaje en el área de familias que cuentan con un baño interior
de uso exclusivo y dar el error estándar de su estimador.
d) Estimar el número total de familias que rentan casa en el área y que no tienen un baño interior para
uso exclusivo y da el error estándar de este estimador.

Solución
c) Estimador del porcentaje de familias en el área, que cuentan con baño interior de uso exclusivo:

p  pˆ  a / n '  109 /143  76.2% Con:

 n '  pq  143  (0.762)(0.238)

V ( p)  1    1    0.0012648
 N  n ' 1  14828  142
y DE ( p)  0.0012648  3.6%

d) Como el número de familias en el área que rentan casas no es conocido, el estimador será:
N 14,828
Aˆ  a  (34)  1738 familias
n 290
Con un error estándar de:

S  Aˆ   N (1  n / N )
pq
n 1
donde; pˆ  a / n  34 / 290  0.1172
 (0.1172)(0.8828)
 (14,828) (1  290 /14828)
289
= 14,828 (0.018735)
= 278 familias

6.- Si en el ejercicio anterior el número total de familias que rentan casa en el área de la ciudad es de 7,526,
construya un nuevo estimador del número de arrendatarios que no cuentan con la facilidad de un baño exclusivo
y dar el error estándar de este estimador.
Solución:
Estimador de la proporción:
p̂  p = 34/143 = 0.237762237 = 0.2378
Estimador del total:
  Np = 7526(0.2378) = 1,789 familias
Error estándar del estimador:
pq
s Aˆ  N (1  n / N )
n 1
(0.2378)(0.7622)
= 7,526 (1  143/ 7526)
142
= 7,526 (0.99045) (0.03573) = 276.6
Luego, DE ( Â ) = 268 familias