ESTADÍSTICA II

Caracas, agosto 2006

1
República Bolivariana de Venezuela

Ministerio de Educación Superior

Fundación Misión Sucre

Ministro de Educación Superior

Samuel Moncada Acosta

Viceministra de Políticas Académicas

Maruja Romero Yépez

Asesor de Contenido

Prof. Susana Coves

Diseñadora Instruccional

Prof. Luisa Márquez

2
UNIDADES CURRICULARES ESPECIALIZADAS

ESTADÍSTICA II

horas
Trabajo Acompañado 3
Trabajo Independiente 3
Horas por semana 6
Total horas por trimestre 42

3
 Puntual

Hipótesis
UNIDAD

3. Prueba de
2. Estimación
TEMÁTICA

Correlación
4. Regresión y
1. Probabilidad
Grales. del proceso administrativo

Elaboración de normas o procedimientos

administraciónMarco Legal y fiscal para la

Técnicas y principios de mercadeo

Conocimientos

Desarrollo económico y social

Técnicas y procedimientos contables

Identificar problemas o necesidades

Elab informes. Administ

Competencias a desarrollar

COMPETENCIAS

Elab edos financ.

proyectosFormular
Habilidades y Destrezas

Elaborar normas y procedmientos

Relaciones asertiva.s

Compromiso social

Participación en desarrollo endógeno

Actitudes y valores

4
 Tabla de Contenidos

Pág.
Programa instruccional 4
Introducción 6
Contenidos de Repaso. Teoría de conjuntos 7
UNIDAD 1 PROBABILIDAD 13
• Experimento, Resultado y Evento 16
• Distribuciones de probabilidad 18
o Probabilidad binomial 19
o Probabilidad normal 23
o Aproximación de la distribución normal a la binomial 29
UNIDAD 2 ESTIMACIÓN PUNTUAL 30
• Población y muestra 32
• Métodos de muestreo 32
• Teorema del límite central 34
• Estimadores 35
o Estimador puntual 35
o Intervalos de confianza 36
o Determinación de parámetros para la media y la proporción 37
o Características de un buen estimador 39
• Cálculo del tamaño de la muestra 41
UNIDAD 3 PRUEBA DE HIPÓTESIS 44
• ¿Qué es una hipótesis? 46
• ¿Qué es una prueba de hipótesis? 46
• Procedimiento para probar una hipótesis 46
• Prueba para una o dos colas 50
• Pruebas para media y proporción 51
UNIDAD 4 REGRESIÓN Y CORRELACIÓN 59
• Variable dependiente e independiente 61
• Diagrama de dispersión 62
• Coeficiente de correlación 62
•
•
Respuestas
Bibliografía
Anexos
 PROGRAMA INSTRUCCIONAL

Objetivo General:
Analizar situaciones organizacionales a través de estadísticos idóneos que permitan
considerar el efecto y la interacción entre los diferentes factores que intervienen en la
toma de decisiones administrativas.

Sinopsis de Contenidos:

UNIDAD 1. PROBABILIDAD

Objetivo: Aplicar los conceptos de probabilidad que permitan reducir los riesgos en la
toma de decisiones

Conceptos básicos:
 Probabilidad
 Experimento, resultado y evento
 Espacio muestral
 Punto muestral
 Sucesos y sus probabilidades
 Distribuciones de probabilidad
 Variable aleatoria
 Valor esperado
 Probabilidad binomial
 Probabilidad normal
 Concepto, propiedades e importancia
 Función de probabilidad
 Áreas bajo la curva
 Tablas
 Ajuste de la distribución normal a la distribución experimental
y a la binomial

UNIDAD 2. ESTIMACIÓN PUNTUAL

Objetivo: Calcular los intervalos de confianza de los estimadores para la toma de

decisión
 Población y muestra
 Métodos de muestreo
 Muestro aleatorio simple
 Muestreo aleatorio sistemático
 Muestreo aleatorio estratificado
 Muestreo por conglomerados
 Estimadores
 Características de los estimadores
 Intervalos de confianza para la media y la proporción
6
  Determinación del tamaño de la muestra

UNIDAD 3. PRUEBA DE HIPÓTESIS

Objetivo: Aplicar con propiedad y de forma pertinente a situaciones administrativas la

prueba de hipótesis
 Qué es una hipótesis
 Qué es una prueba de hipótesis
 Contraste de hipótesis
 Paramétricas (Media aritmética y proporción)
 Para una población
 Para dos poblaciones

UNIDAD 4. REGRESIÓN Y CORRELACIÒN

Objetivo: Aplicar e interpretar el coeficiente de correlación y determinación con el

propósito de obtener la relación o variación entre dos variables
 Variables dependiente e independientes
 Gráfico de dispersión
 Coeficiente de correlación
 Correlación lineal
 Coeficiente de determinación
 Modelo de análisis de regresión lineal
 Recta de mínimos cuadrados
 Error estándar de estimación

7
 INTRODUCCIÓN

La Estadística es la ciencia que se preocupa de la recolección de datos, su

organización y análisis, así como de las predicciones que, a partir de estos datos,
pueden hacerse. Esas predicciones se realizan a través de la estadística inferencial
cuyo objetivo es sacar conclusiones generales para toda la población a partir del
estudio de una muestra.

La Inferencia Estadística es la parte de la estadística matemática que se encarga del

estudio de los métodos para la obtención del modelo de probabilidad (forma funcional y
parámetros que determinan la función de distribución) que sigue una variable aleatoria
de una determinada población, a través de una muestra (parte de la población) obtenida
de la misma.

Los dos problemas fundamentales que estudia la inferencia estadística son el

"Problema de la estimación" y el "Problema del contraste de hipótesis" Cuando se
conoce la forma funcional de la función de distribución que sigue la variable aleatoria
objeto de estudio y sólo tenemos que estimar los parámetros que la determinan,
estamos en un problema de inferencia estadística paramétrica, este tipo de problemas
son las que abordaremos en este material, el cual está conformado por cuatro unidades
sobre: Probabilidad, estimación puntual, prueba de hipótesis y por último correlación y
regresión.

8
Contenidos de Repaso

Uniones, Intersecciones y Relaciones entre Eventos

Un conjunto es toda reunión de objetos. Con frecuencia es de utilidad identificar cómo

pueden relacionarse los conjuntos entre sí. Con frecuencia es de utilidad identificar
cómo pueden relacionarse los conjuntos entre sí. Se asume que se han identificado dos
conjuntos A y B. Cada uno contiene numerosos elementos. Es completamente posible
que algunos elementos. Es completamente posible que algunos elementos estén en
ambos conjuntos. Por ejemplo, se asume que el conjunto A consta de todos los
estudiantes de la clase de estadística, y el conjunto B consta de todos los estudiantes
de la universidad que están especializándose en economía. Aquellos elementos
(estudiantes) que están en ambos conjuntos son los especialistas en economía de la
clase de estadística. Tales estudiantes constituyen la intersección entre A y B, que se
escribe A ∩ B y se lee como “A intersección B”, consta de los elementos que son
comunes tanto a A como a B. Un diagrama de Venn es una herramienta útil para
mostrar la relación entre conjuntos, observemos:

A
Todos los B
estudiantes la Todos los
clase especialistas en
economía

“A intersección de B”
Especialistas en economía en la clase

Notación

Por lo regular se usan letras mayúsculas para representar a los conjuntos, y letras
minúsculas para representar a los elementos de un conjunto dado. Si es un conjunto,
y todos sus elementos, es común escribir:

para definir a tal conjunto . La notación empleada para definir al conjunto se llama
notación por extensión. Para representar que un elemento pertenece a un conjunto
, escribimos (léase en ). La negación de se escribe .

Si todos los elementos de un conjunto satisfacen alguna propiedad, misma que

pueda ser expresada como una proposición , con la indeterminada , usamos la
notación por comprensión, y se puede definir

9
donde el símbolo se lee "tal que", y puede ser remplazado por una barra . Por
ejemplo, el conjunto puede definirse por

El símbolo representa al conjunto de los números naturales.

Complemento de un conjunto

Dado un conjunto , se representa por al complemento de , el cual es un

conjunto que verifica la proposición para cualquiera que
sea el elemento . Así pues, está formado por todos los elementos que no son del
conjunto .

Igualdad entre conjuntos. Subconjuntos y Superconjuntos

Igualdad de conjuntos

Dos conjuntos y se dicen iguales, lo que se escribe si constan de los

mismos elementos. Es decir, siempre que para cualquiera que sea el elemento , se
verifique

Subconjuntos y Superconjuntos
Un conjunto se dice subconjunto de otro , si todo elemento de es también
elemento de , es decir, cuando se verifique

sea cual sea el elemento . En tal caso, se escribe .

Cabe señalar que, por definición, no se excluye la posibilidad de que si , se
cumpla A = B. Si tiene por lo menos un elemento que no pertenezca al conjunto ,
pero si todo elemento de es elemento de , entonces decimos que es un
subconjunto propio de , lo que se representa por .
Si es un subconjunto de , decimos también que es un superconjunto de , lo
que se escribe . Así pues

y también

,
significando que es superconjunto propio de .

10
Por el principio de identidad, es siempre cierto , para todo
elemento , por lo que todo conjunto es subconjunto (y también superconjunto) de sí
mismo.
Vemos que es una relación de orden sobre un conjunto de conjuntos, pues
para todo ,y es reflexiva.
,y es antisimétrica
,y es transitiva

Operaciones con conjuntos: Unión, Intersección, Diferencia y Diferencia Simétrica.

Sean y dos conjuntos.
Unión
Los elementos que pertenecen a oa o a ambos y , forman otro conjunto,
llamado unión de y , escrito . Así pues, se tiene

Intersección
Los elementos comunes entre y forman un conjunto denominado intersección de
y , representado por :

Si dos conjuntos y son tales que , entonces y se dicen

conjuntos disjuntos.

Ejemplos: si tenemos los conjuntos

Entonces:

Diferencia

Los elementos de un conjunto que no se encuentran en otro conjunto , forman

otro conjunto llamado diferencia de y , representado por, :

Vemos que

,
de manera que

11
 . Pero también

,
de modo que

Diferencia simétrica

Se define la diferencia simétrica de dos conjuntos por

Cuantificadores
Los cuantificadores sirven para indicar cuantos elementos de un conjunto dado cumplen
con cierta propiedad. Tales cuantificadores son:

El cuantificador universal, representado por . Este cuantificador se emplea para

afirmar que todos los elementos de un conjunto cumplen con determinada propiedad.
Se escribe
.
La proposición anterior suele usarse como la equivalente de

El cuantificador existencial se usa para indicar que al menos un elemento de un

conjunto cumple con una propiedad. Se escribe:

La proposición del cuantificador existencial suele interpretarse como la equivalente de

la proposición

Se definen

Aplicaciones
Sean y dos conjuntos. Un subconjunto , se dice aplicación de en
, lo que se representa por
siempre que se verifiquen

12
Si , el elemento se dice imagen de por , y el elemento se llama
antecedente de por .
Sea una aplicación . Se emplea la notación para representar a la
imagen de por , y por tanto .
Sean las aplicaciones y . Se define

y se dice que es el producto de composición de las aplicaciones y .

Vemos que
y por lo que

13
 Unidad I

Probabilidad

Objetivo:
Conocer los conceptos de probabilidad a fin de establecer las posibles
relaciones entre eventos que permitirán reducir riesgos en a toma de
decisiones en a practica profesional

Contenidos:

Probabilidad normal
Conceptos Básicos
Probabilidades
Experimentos, resultados y evento
Espacio muestral
Punto muestral
Sucesos y sus probabilidades

Distribuciones de probabilidad
Variable aleatoria
Valor esperado
Probabilidad binomial
Probabilidad normal

14
 “No sé cuando
podrá realizarse el
sueño de Bolívar
pero nosotros
iremos poniendo
las piedras”
Augusto
Sandino

Probabilidad

Probabilidad es un concepto que en administración nos permite trabajar en función de

nuestras expectativas con la ocurrencia algún resultado, esto significa que hacemos
proyecciones sobre la posibilidad de éxito o fracaso de un suceso, lo que a su vez
genera una reducción de riesgos y de incertidumbre en la toma de decisiones.

Probabilidad es una palabra que empleamos de forma cotidiana, y, efectivamente

cuando preguntamos ¿Qué probabilidad hay de que esté listo para hoy? Suponemos
que la persona que va a contestar nos dará una respuesta que nos permitirá
proyectarnos y predecir eventos a futuro; si la respuesta es “no creo por que tienes
varias personas por delante” eso nos va programando para dos acciones que impedirán
que ese evento interrumpa nuestro accionar. Así mismo pasa en administración, pues
un administrador debe considerar todos los escenarios posibles a la hora de decidir las
acciones que debe emprender una organización, a fin de minimizar la incertidumbre y
reducir riesgos.

El propósito de esta unidad es ofrecer en una primera parte los conceptos básicos
sobre probabilidad y luego la aplicación de dichos conceptos en la construcción de las
distribuciones de probabilidad, que es una lista que contiene todos los resultados de un
experimento y la probabilidad de ocurrencia de cada uno de ellos.

15
UNIDAD I. PROBABILIDAD

Probabilidad

Es la posibilidad de que algo va a ocurrir, es medida entre 1 y 0. Mientras mayor sea la

probabilidad de que el evento ocurra, la probabilidad asignada estará más cerca de
uno, si hay certeza del que el evento va a ocurrir la probabilidad es de 1, y por el
contrario la posibilidad de que no ocurra es de 0.

Existen tres formas de enfocar la probabilidad: el modelo de frecuencia relativa, el

modelo subjetivo y el modelo clásico. El modelo de frecuencia relativa utiliza datos que
se han observado empíricamente, registra la frecuencia con que ha ocurrido algún
evento en el pasado y estima la probabilidad de que el evento ocurra nuevamente con
base en estos datos históricos. La probabilidad de un evento con base en el modelo de
frecuencia relativa se determina mediante:

Número de veces que ha ocurrido el evento en el pasado

P (E)=
Número total de observaciones

Si por ejemplo durante el año pasado hubo 200 nacimientos en un hospital local, de los
cuales 122 fueron varones el modelo de frecuencia relativa revela que la probabilidad
de que el próximo nacimiento o un nacimiento seleccionado al azar sea una niña se
obtiene dividiendo el número de niñas que nació el año anterior dividido entre le número
total de nacimientos:

78
P (niña ) = = 0,39
200

Si consideramos en el concepto anterior de probabilidad, en el cual es establece que la

si la probabilidad es cercana a uno es tiene mayores oportunidades de ocurrencia, en
nacimiento de una niña en ese hospital es un evento poco probable.

El modelo subjetivo se utiliza cuando se desea asignar probabilidad a un evento que

nunca ha ocurrido, por ejemplo la probabilidad de que una mujer sea elegida como
Presidente de Venezuela, como no hay datos confiables se analizan las opiniones y las
tendencias para obtener una estimación subjetiva.

El último y tercer modelo de probabilidad es el clásico relacionado con mayor

frecuencia a las apuestas y juegos de azar. La probabilidad clásica se basa en la
suposición de que los resultados de un experimento sean igualmente probables. La
probabilidad de un evento por medio de este modelo se determina mediante.

P(E)= Número de formas en las que puede ocurrir un evento

Número total de resultados posibles

16
Para ejemplificar observemos la aplicación de la ecuación

P(cara)= Número de formas en las que el evento puede ocurrir / Número total de
posibles resultados
1
P (cara ) = = 0,5
2
En este ejemplo sólo hay una posibilidad de que salga cara, y dos posibles resultados,
que salga cara o que salga sello. Según el resultado de la ecuación existen iguales
posibilidades de que salga cara o sello, pues la probabilidad se halla en medio de 0 y 1.

Aun sin conocer a fondo la probabilidad clásica, se puede estar consciente de que la
probabilidad de obtener una cara en el lanzamiento de una moneda es de la mitad.

Tipos de
Probabilidad

Probabilidad
Probabilidad
Objetiva

Modelo de
Modelo Clásico Frecuencia Modelo Subjetivo
Relativa

Experimento
Seguramente asocias la palabra experimento a las ciencias físicas donde nos
imaginamos a alguien mezclando químicos y manipulando tubos de ensayos, sin
embargo, en administración se realizan experimentos para conocer los posibles
resultados de una acción. Se dice que experimento es toda acción definida que conlleva
a un resultado único bien definido que tiene dos o más posibles resultados y no se sabe
cuál va a ocurrir.

Resultado
Una consecuencia particular de un experimento.

Evento
Una colección de uno o más resultados. De acuerdo a como se relacionan los eventos
de un experimento se pueden clasificar en: mutuamente excluyentes, colectivamente
exhaustivos, independientes o complementarios.
Mutuamente excluyente: la ocurrencia de cualquiera de los eventos implica que
ninguno de los otros eventos puede ocurrir al mismo tiempo. Como ejemplo tenemos el
lanzamiento de una moneda en la cual si sale cara garantiza que no puede salir sello.

17
Colectivamente exhaustivo: por lo menos uno de los eventos tiene que ocurrir, un
ejemplo es el lanzamiento de un dado, los resultados posibles son 1,2,3,4,5 y 6 y existe
la certeza que uno de ellos va a ocurrir.
Independientes: son eventos en los que la ocurrencia de uno no tiene nada que ver con
la ocurrencia del otro, por ejemplo lanzar un dado y una moneda a la vez, el resultado
del lanzamiento del dado no afecta al de la moneda.
Complementarios: son los eventos en los que si un evento no ocurre debe ocurrir el
otro. Una buena representación de estos eventos la podemos apreciar al lanzar un
dado podemos decir que un evento A es sacar un número par, pero si esto no ocurre, el
complemento es sacar un número impar. En estos casos los eventos se denominan “A”
y “no A”.

Existe una última categoría que son los eventos compuestos consiste en la co-
ocurrencia de dos o más eventos aislados. Las operaciones de conjuntos de
intersección y unión implican eventos compuestos. De esta manera si se lanza una
moneda y un dado a la vez el resultado es un evento compuesto y se puede calcular la
probabilidad de tal evento. Los eventos compuestos son más interesantes e incluso
más útiles en la administración ya que por medio de ellos pueden estudiarse las
relaciones entre dos sucesos que ocurren de forma paralela.

Para que visualicemos mejor las definiciones de experimento, resultado y evento,

observemos el siguiente cuadro:

Experimento: Tirar un dado

Obtener un 1
Obtener un 2
Todos los resultados Obtener un 3
posibles Obtener un 4
Obtener un 5
Obtener un 6
Algunos eventos Obtener un número par
posibles Obtener un número mayor que 4
Obtener el número 3 o uno menor

En el experimento del lanzamiento de un dado hay seis posibles resultados, pero hay
muchos eventos posibles.

Ejercicio 1:
Clasifica los siguientes eventos:

El lanzamiento de dos monedas a la vez ___________________________________

Que un vuelo de avión salga retrasado ____________________________________
Que un bebé sea varón ________________________________________________
Que la comida de hoy no quede salada ____________________________________
Que en la próxima temporada de béisbol Magallanes sea el campeón____________

18
Espacio de Muestras y Eventos

Los elementos de básicos de la teoría de probabilidades son los resultados del proceso
o fenómenos bajo estudio. Cada tipo posible de ocurrencia se denomina un evento. Un
evento simple puede describirse mediante una característica sencilla. La complicación
de todos los eventos posibles se llama espacio muestral. Un evento conjunto es un
evento que tiene dos o más características.

Para calcular la probabilidad de cualquier resultado es necesario primero determinar el

número total de resultados posibles; en un dado, por ejemplo, los resultados posibles
son 1,2,3,4,5,6. Llamemos a este conjunto U, ya que es el espacio muestral o universo
de posibles resultados. El espacio muestral incluye todos los posibles resultados en un
“experimento” que son de interés para el experimentador. Los elementos primarios de U
son llamados elementos o puntos muéstrales. Se escribe, entonces, U = {1,2,3,4,5,6}
Veámoslo representado en un diagrama de Venn:

Cada El conjunto de los

elemento 2 números del 1 al 6, es el
dentro del 3 espacio muestral
conjunto es 4 U = {1,2,3,4,5,6}
un punto 5 6
muestral

Aclarando la imagen anterior decimos que un evento es un subconjunto de U; cualquier

elemento de un conjunto es también un subconjunto del conjunto. Algunas veces
puede ser complicado determinar un espacio muestral, sin embargo para ello nos
apoyamos en la teoría de conjuntos. Los conjuntos pueden definirse listando todos los
miembros de conjunto y estableciendo una regla de inclusión de los elementos en él.

Distribuciones de Probabilidad

Una distribución de probabilidad aporta el rango completo de valores susceptibles de

ocurrir con base en un experimento. Una distribución de probabilidad es similar a una
distribución de frecuencia, con la diferencia que no describe el pasado sino muestra que
tan probable es que ocurra un evento. Dado que esta clase de distribuciones se ocupan
de las expectativas son modelos de gran utilidad para hacer inferencias y tomar
decisiones en condiciones de incertidumbre.

Variable Aleatoria.

Una variable aleatoria es aquella que asume diferentes valores, a consecuencia de los
resultados de un experimento aleatorio, cada uno de los cuales tiene una determinada
probabilidad. Por ejemplo si contamos la cantidad de alumnos inasistentes a las clases
de estadística II durante un mes, el número de ausencias es la variable aleatoria. Si esa
variable toma sólo valores enteros, se dice que es de tipo discreto, tal es el caso del
ejemplo anterior, sería imposible decir que faltaron 3,5 estudiantes. Pero si por el
19
contrario la variable puede tomar valores fraccionarios se dice que es de tipo continuo.
Un ejemplo de una variable aleatoria discreta es el peso de los perros que recibe un
veterinario en su consulta, 50.5 Kg, 25.6 Kg, etc.

Una variable aleatoria es una variable

cuyo valor es el resultado de un evento
aleatorio.

Supongamos que tenemos una variable aleatoria x, y que esta puede tomar los valores
x1, x 2 , x 3 ... x n que pueden ser discretos o continuos; cada uno de estos valores tiene
cierta probabilidad que en la práctica se desconoce; sin embargo, a través de
planteamientos teóricos podemos obtener dichas probabilidades, a las cuales
designamos por f(x); al desarrollo que toman estos valores de f(x), es lo que se llama
distribuciones de probabilidad de la variable aleatoria x. Estas distribuciones de
probabilidad toman diferentes formas o tipos, sin embargo, las más importantes son la
distribución binomial y la distribución normal.

Valor Esperado.

El valor esperado es un concepto fundamental en el estudio de las distribuciones de

probabilidad. Desde hace muchos años este concepto ha sido aplicado ampliamente en
el negocio de seguros y en los últimos veinte años ha sido aplicado por otros
profesionales que casi siempre toman decisiones en condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada
valor que ésta puede asumir por la probabilidad de ocurrencia de ese valor y luego
sumamos los productos. Es un promedio ponderado de los resultados que se esperan
en el futuro.

Probabilidad Binomial

Es una distribución de probabilidad que emplea las variables aleatorias discretas, su

principal característica es que sólo existen dos resultados posibles para cada
experimento, gracias a ello su nombre binomial; además posee las siguientes
propiedades:

1. Sólo debe haber dos resultados posibles. Uno se identifica como éxito y el otro
como fracaso, pero este resultado no trae una connotación de bueno o malo, es
decir, un éxito no significa que el resultado sea deseable.
2. La probabilidad de que una observación se clasifique como éxito, p, es constante
de observación a observación. Por tanto, la probabilidad de que una observación se
clasifique como fracaso, q= 1-p, es constante sobre todas las observaciones.
3. Cada observación puede clasificarse en una o dos categorías mutuamente
excluyentes y colectivamente exhaustivas. El resultado de cualquier observación es
independiente del resultado de cualquier observación.
4. El experimento puede repetirse muchas veces, pues un experimento no afecta al
otro.

20
 Como ya se mencionó el símbolo p representa la probabilidad de un éxito y el símbolo
q ( 1- p ) representa la probabilidad de un fracaso. Para representar cierto número de
éxitos, utilizaremos el símbolo r y para simbolizar el número total de ensayos
emplearemos el símbolo n.

Entonces tenemos que:

P Probabilidad de éxito.
Q Probabilidad de fracaso.
r Número de éxitos deseados.
n Número de ensayos efectuados.

Calcular la probabilidad de r éxitos en n ensayos según la formula binomial se calcula

así:

n!
P= p r q n −r Recordemos que el símbolo factorial!
r! ( n − r )!
Significa, por ejemplo que es 3! = 3*2*1 =
6
Los matemáticos definen 0! = 1.
Las calculadoras científicas traen la función

Es necesario saber que las observaciones o experimentos pueden ser

con o sin reemplazo, para comprender mejor estas definiciones
leamos el siguiente ejemplo: Queremos conocer la probabilidad de
que salga una esfera roja de una bolsa que contiene 4 esferas, 3
azules y 1 roja. Si el experimento es con reemplazamiento, al
meter la mano en la bolsa y extraer la pelota se observa el color y se
vuelve a depositar en la misma; por el contrario, si el experimento es
sin reemplazamiento se extrae la bola, se observa el color y se
deja afuera para continuar con los siguientes resultados. Es

Cómo se construye una Distribución de Probabilidad Binomial

Para elaborar una distribución de probabilidad binomial es necesario conocer el número

de ensayos y la probabilidad éxito de cada ensayo, por ejemplo si un estudiante
presenta una prueba de selección conformada por 20 preguntas y cada una tiene 5
opciones de respuestas, se dice que habrán 20 ensayos (las preguntas); y si dentro de
las 5 opciones de respuesta sólo una es la correcta, podemos decir que del 100% de
posibilidades cada estudiante tiene 20% de posibilidad de responder sin saber, es decir,
una persona sin conocimientos tiene una probabilidad de 0,20 de aprobar la prueba
acertando las respuestas.

Ejemplo:
21
La Línea área Conviasa tiene 5 vuelos diarios a Barquisimeto. Supongamos que la
probabilidad de que alguno de los vuelos salga retrasado es de 0.20 ¿Cuál es la
probabilidad de que ninguno de los vuelos hoy salga retrasado?
n! n −r
Utilicemos la fórmula P = r! (n − r )! p q , considerando que n=5 vuelos, y p=0,20
r

No olvides que
q=1-p
n! 5! 120
P= p r q n −r = 0,20 0 0,80 5 = 1(0,3277 ) =1(0,3277 ) = 0,3277
r!(n − r )! 0!(5 − 0)! 1(120 )

La probabilidad de que ninguno de los vuelos salga retrasado es de 0,32; si retomamos

que el concepto de probabilidad, el cual se mide dentro del rango 0-1 podemos afirmar
que es baja la probabilidad de que ningún vuelo salga retrasado. Ahora bien si
queremos tener una estimación de cuantos vuelos saldrán retrasados entonces
construimos la distribución de probabilidad binomial, para ello sustituiremos r por los
valores 1,2,3,4,y 5. Como ya sustituimos la ecuación con el valor r=0, a continuación se
muestra el desarrollo del ejercicio con r=1 y r=5.

n! 5! 120
P= p r q n −r = 0,20 10,80 4 = 0,2(0,4096 ) = 5(0,08 ) = 0,4096
r!(n − r )! 1!(5 −1)! 1( 24 )

n! 5! 120
P= p r q n −r = 0,20 5 0,80 0 = 0,0032 (1) = 1(0,0032 ) = 0,0032
r!( n − r )! 5!(5 − 5)! 120 (1)

Ejercicio 2:
Ahora realiza tú la ecuación sustituyendo r por los valores 2, 3 y 4. En la tabla de la
Distribución Binomial, que se te presenta a continuación, se muestran los resultados
para que verifiques tu ejercicio:

Distribución Binomial para n=5, p=0,20

Número de Vuelos con

Probabilidad
Retraso
0 0.3277
1 0.4096
2 0.2048
3 0.0512
4 0.0064
5 0.0003
Total 1.0000

22
La distribución binomial también se puede expresar de forma gráfica

Distribución de Probabilidad Binomial

0,45 0,4096
0,4
0,3277 Recuerdas los gráficos de
0,35
barras estudiados en
Probabilidad

0,3
0,25 0,2048
Estadística I, ahora también
0,2 los puedes utilizar para
0,15 graficar la Distribución de
0,1 0,0512 Probabilidad Binomial.
0,05 0,0064 0,0003
0
Vuelos retrasados

Ejercicio 3:
Imaginemos una escuela primaria donde los alumnos llegan tarde a menudo. Cinco
alumnos están en el jardín de niños. La directora lleva tiempo estudiando el problema,
habiendo llegado a la conclusión de que hay una probabilidad de 0.4 de que un alumno
llegue tarde y de que los alumnos lleguen independientemente uno de otro ¿Cómo
trazamos una distribución binomial de probabilidad que ilustre las probabilidades de que
0,1,2,3,4 ó 5 estudiantes lleguen tarde simultáneamente?

Medidas de tendencia central y de dispersión para la distribución binomial.

La distribución binomial tiene un valor esperado o media ( µ ) y una desviación

estándar que nos permite determinar que tan alejados están los datos de la media o
promedio (σ ). Podemos representar la media de una distribución binomial de la
siguiente forma:

µ =np

donde :
n= número de ensayos.
p= probabilidad de éxitos. Recuerda que la
Desviación Estandar se
Y la desviación estándar de la siguiente forma: determina calculándole la
σ = n. p.q raíz cuadrada de la
donde : Varianza( σ 2 ), por lo que
n= número de ensayos. inferimos que σ 2 = (npq )
p= probabilidad de éxito.
q= probabilidad de fracaso.

23
Ejemplo:
Una máquina empaquetadora que produce 20% de paquetes defectuosos. Si se extrae
una muestra aleatoria de 10 paquetes, podremos calcular la media y la desviación
estándar de la distribución binomial de ese proceso en la forma que sigue:
µ = np = 10*0.2 = 2 Media.

σ = √ npq = √ (10) (0.2) (0.8) = √ 1.6 = 1.265 Desviación estándar.

Probabilidad normal

De todas las distribuciones de probabilidad la normal es la más importante. Esta

distribución es frecuentemente utilizada en las aplicaciones estadísticas; su propio
nombre indica su extendida utilización, justificada por la frecuencia o normalidad con la
que ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución.
Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica
tiene forma de campana. En otras ocasiones, al considerar distribuciones binomiales,
tipo B(n,p), para un mismo valor de p y valores de n cada vez mayores, se ve que
sus polígonos de frecuencias se aproximan a una curva en "forma de campana".

La distribución normal de probabilidad es una distribución de probabilidad continua

tanto simétrica como mesocúrtica. La curva de probabilidad de probabilidad que
representa a la distribución normal de probabilidad tiene forma de campana

Leptocúrtica

Ambas mitades de la
campana son idénticas
Mesocúrtica

Platicúrtica

Media, mediana y moda son iguales

La distribución normal de probabilidad es importante para la inferencia

estadística porque:
▪ Se sabe que las medidas obtenidas en muchos procesos
aleatorios siguen esta distribución.
▪ Las probabilidades normales suelen servir para aproximar
otras distribuciones como la binomial.
▪ Las distribuciones estadísticas como la media muestral y la
proporción muestral tienen distribución normal cuando el tamaño
de muestra es grande, independientemente de la población de 24
Propiedades de la Distribución Normal

La distribución normal tiene varias propiedades teóricas importantes, entre las cuales
están:
1. Tiene forma de campana, es simétrica en apariencia y posee un solo pico en el
centro de la distribución.
2. Sus mediciones de tendencia central (media, mediana, moda) son iguales y se
ubican en el pico.
3. Su dispersión media es igual a 1.33 desviaciones estándar. El valor de su
alcance intercuartil puede diferir ligeramente de 1.33 desviaciones estándar.
4. La curva normal desciende suavemente en ambas direcciones a partir del valor
central. Es asintótica, lo que significa que la curva se acerca cada vez más al eje de
las X pero jamás llega a tocarlo. Es decir, las colas de la curva se extienden de
manera indefinida en ambas direcciones.

Pero… ¿Qué es Simetría y Asimetría?

Para saber si una distribución es simétrica, hay que precisar con respecto a qué. Un
buen candidato es la mediana, ya que para variables continuas, divide al histograma de
frecuencias en dos partes de igual área. Podemos basarnos en ella para, de forma
natural, decir que una distribución es simétrica si el lado derecho de la gráfica (a
partir de la mediana) es la imagen por un espejo del lado izquierdo

Cuando la variable es discreta, decimos que es simétrica, si lo es con respecto a la

media. Se podría pensar que definir la simetría con usando la mediana para variables
continuas y usando la media para variables discretas es una elección arbitraria. En
realidad esto no es así, pues si una variable es continua, coinciden los ambos criterios
de simetría (con respecto a la media y a la mediana). Es más, se tiene que media y
mediana coinciden para distribuciones continuas simétricas. Por otro lado, en el caso de
variables discretas, la distribución es simétrica si el lado derecho del diagrama se
obtiene por imagen especular desde la media. En este caso coincide la media con la
mediana si el número de observaciones es impar.

25
 Si la variable es continua simétrica y unimodal, coinciden la media, la mediana y la
moda.
Dentro de los tipos de asimetría posible, vamos a destacar los dos fundamentales
Asimetría positiva:
Si las frecuencias más altas se encuentran en el lado izquierdo de la media, mientras
que en derecho hay frecuencias más pequeñas (cola).
Asimetría negativa:
Cuando la cola está en el lado izquierdo.

Simetría y Asimetría en la Curva Normal

La importancia de la distribución normal viene dada por tres razones:

1. Numerosos fenómenos continuos parecen seguirla o pueden aproximarse
mediante ésta.
2. podemos usarla para aproximar diversas distribuciones de probabilidad discreta
y evitar así pesados cálculos
3. Proporciona la base de la inferencia estadística clásica debido a su relación con
el teorema del límite central.

26
Cómo se construye una Distribución de Probabilidad Normal

Construir una distribución de probabilidad, tal y como lo hicimos con la binomial sería
imposible debido a que la probabilidad normal está determinada por la media ( µ ) y la
desviación estándar ( σ ). Lo bueno es que podemos utilizar un solo dato de la familia de
distribuciones normales para dar respuestas a todos los problemas que decidamos
resolver con este tipo de distribución. La que tiene una media de 0 y una desviación
estándar de 1 se le conoce como distribución normal estándar. Todas las distribuciones
normales pueden convertirse a “distribución normal estándar” restando la media de cada
observación y dividiendo por la desviación estándar, utilizando un valor z.

Valor Z:
La distancia entre un valor seleccionado, designado X, y la media
µ , dividida por la desviación estándar.
X −µ
Z =
σ
Donde:
X: es el valor de cualquier observación o medición específica.
µ : es la media de la distribución.
σ : es la desviación estándar de la distribución

Áreas bajo la curva normal.

La primera aplicación de la distribución normal supone encontrar el área bajo la curva

normal entre una media y un valor seleccionado designado como x. No importa cuáles
sean los valores de µ y σ para una distribución de probabilidad normal, el área bajo
la curva es 1,00; de manera que podemos pensar en áreas bajo la curva como si
fueran probabilidades. Matemáticamente:

Aproximadamente el 68% de todos los valores de una población normalmente

distribuida se encuentran dentro + 1 desviación estándar de la media.
Aproximadamente 95,5% de todos los valores de una población normalmente
distribuida se encuentran dentro de + 2 desviaciones estándar de la media.
Aproximadamente 99,7% de todos los valores de una población normalmente
distribuida se encuentran dentro de + 3 desviaciones estándar de la media.

Las tablas estadísticas indican porciones del área bajo la curva normal que están
contenidas dentro de cualquier número de desviaciones estándar (más, menos) a partir
de la media.

No es posible ni necesario tener una tabla distinta para cada curva normal posible. En
lugar de ello, podemos utilizar una distribución de probabilidad normal estándar para
encontrar áreas bajo cualquier curva normal. Con esta tabla podemos determinar el
área o la probabilidad de que la variable aleatoria distribuida normalmente esté dentro
de ciertas distancias a partir de la media. Estas distancias están definidas en términos
de desviaciones estándar.
27
Para cualquier distribución normal de probabilidad, todos los intervalos que contienen el
mismo número de desviaciones estándar a partir de la media contendrán la misma
fracción del área total bajo la curva para cualquier distribución de probabilidad normal.

Ejemplo (Tomado de http://www.monografias.com/trabajos26/distribucion-continua/distribucion-

continua.shtml)

El Instituto Especializado Materno Perinatal desea conocer la probabilidad de que al

hacer una prueba de hemoglobina en gestantes adolescentes que acuden a la
institución en el tercer trimestre del embarazo, se obtenga un resultado menor a 11
mg/dl; para lo cual toma una muestra al azar de 30 gestantes menores de 19 años,
cuya edad gestacional este comprendida entre 28 – 40 semanas.

Datos:
n = 30 x =10.547 σ = 0.718
Base de datos: Nivel de Hemoglobina en gestaciones de adolescentes en el 3er.
Trimestre del embarazo. n = 30
10.9 11.2 9.8 11.6 9.9 10.0 11.2 10.2 10.8 9.5 10.0 10.9 11.5 10.4 10.9
10.3 11.7 11.2 9.8 10.4 11.4 11.3 10.5 10.2 11.1 10.6 9.9 8.9 10.8 9.5

Prueba estadística : Distribución Normal Estándar o Z

Si sabemos que:
Media: 10.55
Desviación Estándar: 0.71
Cálculo del estadístico z :
X - m 11- 10.55 0.45 = 3.75
z = Sx = 0,71/Ö 30 = 0.12

P(X<11) confirmado en la tabla de la función normalizada z =3.75

La Función de Normalización, z = 0.64

Tenemos los siguientes datos:

Distribución Distribución

Normal Estándar Normal

X 11

Media 10.55 0

Desviacion Estandar 0.71 1

Z 0.64

De estos datos podemos hacer la siguiente tabla de distribuciones

28
 X f(X) Z f(Z)

8.42 0.0013 -3 0.0013

9.13 0.0227 -2 0.0227

9.84 0.1591 -1 0.1591

10.55 0.5019 0 0.5019

11.26 0.8432 1 0.8432

11.97 0.9778 2 0.9778

11.26 0.8432 1 0.8432

Curva de la distribución normal estándar en comparación con la Normal:

Interpretación:
La probabilidad de que el valor de hemoglobina en una gestante adolescente que curse
el tercer trimestre del embarazo sea menor a 11 mg/dl es de 0.64. Es decir, el 64% de
las gestantes adolescentes que acuden a maternidad de Lima sufren de anemia
asociada a la gestación.

Ejercicio 4:
El costo de una chupetas de diferentes marcas tiene una distribución aproximadamente
normal con una media de 500 y una desviación estándar de 10¿Cuál es el valor z para
un valor x de 520 y otro de 490?

Uso de la tabla de distribución de probabilidad normal estándar.

En esta tabla, el valor z está derivado de la fórmula:

z = (x - m ) / s

en la que:

29
x = valor de la variable aleatoria que nos preocupa
m = media de la distribución de la variable aleatoria
s = desviación estándar de la distribución
z = número de desviaciones estándar que hay desde x a la media de la distribución.

¿Por qué utilizamos z en lugar del número de desviaciones estándar? Las variables
aleatorias distribuidas normalmente tienen unidades diferentes de medición: bolívares,
dólares, pulgadas, kilogramos, segundos, etc. Como vamos a utilizar una tabla,
hablamos en términos de unidades estándar (que en realidad significa desviaciones
estándar), y denotamos a éstas con el símbolo z.

La tabla de distribución de probabilidad normal estándar da los valores de únicamente

la mitad del área bajo la curva normal, empezando con 0,0 en la media. Como la
distribución normal de probabilidad es simétrica, los valores verdaderos para una mitad
de la curva son verdaderos para la otra.

Defectos de la distribución normal de probabilidad.

Los extremos de la distribución normal se acercan al eje horizontal, pero nunca llegan a
tocarlo. Esto implica que existe algo de probabilidad (aunque puede ser muy pequeña)
de que la variable aleatoria pueda tomar valores demasiado grandes. No perderemos
mucha precisión al ignorar valores tan alejados de la media. Pero a cambio de la
conveniencia del uso de este modelo teórico, debemos aceptar el hecho de que puede
asignar valores empíricos imposibles.

La Distribución Normal como una Aproximación de la Distribución Binomial.

Aunque la distribución normal es continua, resulta interesante hacer notar que algunas
veces puede utilizarse para aproximar a distribuciones discretas, debido a que generar
una distribución binomial para muestras grandes puede llevar mucho tiempo es más
eficiente hacer una aproximación de la distribución normal a la binomial

Una distribución binomial B(n,p) se puede aproximar por una distribución normal,
siempre que n sea grande y p no esté muy próxima a 0 o a 1. La aproximación consiste
en utilizar una distribución normal con la misma media y desviación típica que la
distribución binomial. En la práctica se utiliza la aproximación cuando:

En cuyo caso:

Y tipificando se obtiene la normal estándar correspondiente:

30
 Unidad II

Estimación Puntual

Objetivo:
Calcular los intervalos de confianza de los estimadores para la toma de
decisión.

Contenidos:
Población y muestra
Métodos de muestreo
Muestro aleatorio simple
Muestreo aleatorio sistemático
Muestreo aleatorio estratificado
Muestreo por conglomerados
Estimadores
Intervalos de confianza para la media y la proporción
Determinación del tamaño de la muestra

31
 “Vive como si
fueras a morir
mañana.
Aprende como
si fueras a vivir
siempre.”
Mohandas
Gandhi

Estimación Puntual
En administración es usual realizar estudios en los que se aborden diversas
poblaciones, sin embargo acceder a cada miembro de esas poblaciones es un trabajo
imposible de realizar, por ello se seleccionan muestras que nos den una evidencia de lo
que gusta, opina, etc. una población, no obstante el hecho de no poseer los datos
reales nos obliga a estimarlos, para ello existen los estimadores. En esta unidad
encontrarás algunos aspectos relacionados con los estimadores puntuales y sus
intervalos de confianza.

32
UNIDAD II. ESTIMACIÓN PUNTUAL

Población y Muestra

La población es el grupo total de individuos u objetos que se consideran, y la muestra

es una parte o subconjunto de dicha población.

Métodos de Muestreo

El muestreo es una herramienta para inferir algo respecto a una población mediante la
selección de una muestra de esa población. En muchas oportunidades el muestreo es
la única herramienta para determinar algo con respecto a la población por:
1. Es costoso abordar a todos los integrantes de la población
2. La idoneidad de los resultados de la muestra, es decir, para muchos estudios no
es esencial indagar sobre la totalidad de la población pues con una muestra se
obtiene los datos necesarios sin afectar significativamente los resultados
3. Es dificultoso poner se en contacto con todos los miembros de una población.
4. La naturaleza destructivas de ciertas pruebas, como lo es el caso de las pruebas
de control de calidad, si se toma un objeto para determinar su punto máximo de
flexión, el cual al pasarlo se rompe, si tomamos a toda una población (producción
e un día, por ejemplo) eliminaríamos por completo todos los elementos de la
población.

En repetidas ocasiones se ha enfatizado la necesidad de seleccionar una muestra

representativa de la población. Una muestra que tergiverse la población representará
un error de muestreo y producirá estimados imprecisos de loa parámetros de la
población. Hay dos fuentes básicas de muestreo. La primera es sencillamente mala
suerte. Debido a la cuestión de suerte, la muestra puede contener elementos que no
sean característicos de la población. El destino puede que dictar ciertas selecciones en
la muestra sea atípicamente más grandes que la mayoría de los de la población y en tal
caso resultarían una sobreestimación del parámetro. O quizás muchos de los
elementos muestrales tienden a ser más pequeños de lo que típicamente se encuentra
en la población y en tal caso resultaría una subestimación.

Un asegunda fuente de error de muestreo es el sesgo muestral. El sesgo resulta de la

tendencia a favorecer la selección de ciertas muestras sobre otras en la recolección de
los datos de la muestra. La selección de la muestra puede terminar en error. Por tanto,
es sabio garantizar que la recolección de los datos de la muestra siga un método que
haya comprobado su capacidad para minimizar dicho error.

Métodos de Muestreo Probabilística

Existen dos tipos de muestras: Las probabilísticas y las no probabilísticas.

Qué es una muestra probabilística: Muestra seleccionada de tal forma que cada artículo
o persona de la población tienen la misma probabilidad de ser incluida en la muestra. Si
por el contrario se utilizan métodos no probabilísticas no todos los artículos tienen la

33
misma probabilidad de ser incluidos por lo tanto se corre el riesgo de que los resultados
estén sesgados, lo que significa que los resultados no sean representativos a la
población.

Muestreo Aleatorio Simple

Una muestra aleatoria simple puede obtenerse simplemente enumerando las

observaciones sobre pedazos idénticos de papel, colocándolos en un sombrero y
sacando el número deseado de modo que cada uno de los elementos o personas en la
población tenga las mismas probabilidades de ser incluidos. Además, también puede
hablarse de la tabla de números aleatorios.

Muestreo Sistemático

Una muestra sistemática se forma seleccionando cada i-ésimo ítem de la población. Si

se determina que i es igual a 10, una muestra sistemática consta de cada décima
observación en la población. La población debe ordenarse o enumerarse en forma
aleatoria. La primera selección debe determinarse aleatoriamente, y si i= 10, entonces
estará en alguna de las primeras 10 observaciones. El punto inicial exacto puede
identificarse bien sea seleccionando un número entre 1 y 10 sacado de un sombrero, o
utilizando una tabla de números aleatorios. En cualquiera de los casos se selecciona de
allí en adelante cada décima observación.

Este muestreo es ventajoso porque no requiere de un experto altamente calificado para

contar hasta 10 y registrar el resultado. Además el método permite flexibilidad ya que
puede establecerse que i sea 10, 100, 1000 o cualquier otro número deseado. La
determinación del valor apropiado para i también es muy fácil. Si se desea seleccionar
una muestra de tamaño 100 de una población de 1000. El peligro principal que debe
evitarse es la ocurrencia de un patrón en el ordenamiento de la población. Por ejemplo
enumerar a la población alfabéticamente.

Muestreo Estratificado

Una muestra estratificada se divide una población en subgrupos llamados estratos, y se

selecciona una muestra para cada uno de ellos, forzando las proporciones de la
muestra de cada estrato para que esté conforme al patrón poblacional. Se emplea
comúnmente cuando la población es heterogénea, o disímil, aunque ciertos grupos
homogéneos puedan aislarse. De esta forma el investigador puede incrementar la
precisión más allá del obtenido por una muestra aleatoria simple de tamaño similar.

Muestreo por Conglomerados

El muestreo por conglomerados ofrece ciertas ventajas sobre otros métodos. Consiste
en dividir toda la población en conglomerados o grupos y luego seleccionar una
muestra de estos conglomerados. Todas las observaciones en estos conglomerados
seleccionados están incluidas en la muestra. Este procedimiento con frecuencia es
34
más fácil y rápido que el muestreo aleatorio simple o estratificado. También es posible
combinar el muestreo estratificado con el muestreo por conglomerados.

Error en el muestreo: Es la diferencia de un estadístico de la muestra y un parámetro de

la población.

Teorema del Límite Central

El Teorema del Límite Central dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribución (cualquiera que
éste sea), la suma de ellas se distribuye según una distribución normal. Por ejemplo:
la variable "tirar una moneda al aire" sigue la distribución de Binomial. Si lanzamos la
moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre
si) se distribuye según una distribución normal. Este teorema se aplica tanto a suma de
variables discretas como de variables continuas.

Los parámetros de la distribución normal son:

Media: n * m (media de la variable individual multiplicada por el número de variables
independientes)
Varianza: n * s2 (varianza de la variable individual multiplicada por el número de
variables individuales)

Teorema del Límite Central:

No importa el tipo de distribución de la población. Si las
muestras son suficientemente grandes (n ≥ 30), la distribución
en el muestreo se puede aproximar a la distribución normal.
Aplicando las propiedades de la distribución normal ase puede
obtener la probabilidad de que la media muestral esté entre
ciertos valores o el intervalo centro del cual caería una
proporción fija de la muestra. Para esto se procede de igual
manera que una distribución normal utilizando la fórmula de Z
para la distribución muestral:
X − µx X − µx
Z = =
σx σ
n

Veamos ahora dos ejemplos:

Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el
valor 0. Cada lanzamiento es una variable independiente, con media 0,5 y varianza
0,25. Calcular la probabilidad de que en estos 100 lanzamientos salga más de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto, según
una distribución normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan más de 60 caras calculamos la variable normal
tipificada equivalente:

35
 X − µx 60 − 50
Z = = =2
σx 5
(*) 5 es la raíz cuadrada de 25, o sea la desviación típica de esta distribución
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salga más de 60 caras es
tan sólo del 2,28%.

La renta media de los habitantes de un país se distribuye uniformemente entre 4,0

millones de bolívares. y 10,0 millones bolívares. Calcular la probabilidad de que al
seleccionar al azar a 100 personas la suma de sus rentas supere los 725 millones Bs..
Cada renta personal es una variable independiente que se distribuye según una función
uniforme. Por ello, a la suma de las rentas de 100 personas se le puede aplicar el
Teorema del Límite Central.
La media y varianza de cada variable individual es:
m = (4 + 10 ) / 2 = 7
s2 = (10 - 4)2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y
varianza son:
Media: n * m = 100 * 7 = 700
Varianza : n * s2 = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones
ptas, comenzamos por calcular el valor equivalente de la variable normal tipificada:
X − µx 725 − 700
Z = = = 1,44
σx 17 ,3
Luego:
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas
al azar supere los 725 millones de bolívares es tan sólo del 7,49%

Ejercicio 5
En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada
clase es del 10%. A lo largo del año tienes 100 clases de esa asignatura. ¿Cuál es la
probabilidad de tener que salir a la pizarra más de 15 veces?

Estimadores

Estimador puntual:

Es un valor que se calcula a partir de la información de la muestra, y que se usa para

estimar el parámetro de la población. Cuando no poseemos los datos de una población
es necesario estimar la media de la población, para ello utilizamos un número único. A
ese número se le conoce como estimador puntual. No obstante un estimador puntual
sólo se refiere a una parte de la historia. Si bien no se espera que es estimador puntual

36
esté próximo al parámetro de la población, se desearía expresar que tan cerca está,
para ello sirve el intervalo de confianza.

Un estimador puntual es el valor numérico de una estadística muestral empleado para

estimar el valor de un parámetro de la población o proceso. Una de las características
más importante de un estimador es que sea insesgado. Un estimador insesgado es
una estadística muestral cuyo valor esperado es igual al parámetro por estimar. A
continuación se presentan algunos de los estimadores puntales de uso más frecuente:

Parámetro de la Población Estimador

Media, µ X
Diferencia entre las medias de dos poblaciones,
µ1 − µ2 X1 - X 2
Proporción, π p̂
Diferencia entre las poblaciones de dos pˆ 1 − pˆ 2
poblaciones, π1 − π 2
s2
Varianza, σ 2
s
Desviación estándar, σ

El estimador puntual utiliza un valor de la muestra para estimar

el parámetro de la población. Este valor variará de una muestra a
otra porque en cada muestra sólo se selecciona una parte de la
población. La utilidad del estimador puntual está condicionada a la
compañía de un estimador del error.

Estimación por Intervalos, un intervalo es un rango de valores dentro del cual se estima
está el parámetro de la población.

Intervalo de Confianza:

EL intervalo de confianza es un rango de valores que se construyen a partir de datos de

la muestra de modo que el parámetro ocurre dentro de dicho rango con una
probabilidad específica. La probabilidad específica se conoce como nivel de confianza.

La media de la muestra es un estimador puntual de la media de la población, por lo que

si una tienda desean estimar la edad promedio de las personas que compran equipos
de computación, con tan solo tomar una muestra aleatoria de los compradores
recientes pueden determinar la edad de la población, por lo tanto la media de la
muestra estima la media de la población.

Cuando el tamaño de la muestra, n, es por lo menos de 30, generalmente se acepta

que el teorema del límite central asegurará una distribución normal de las medias de las
muestras. Esta consideración es importante. Si las medias de las muestras tienen una
distribución normal, es posible usar la distribución normal estándar, es decir, z, en
nuestros cálculos. Los intervalos de confianza de 95 y 99 por ciento se calculan de la
siguiente forma cuando n es igual o mayor que 30.

37
 s
Intervalo de confianza de 95 % para una media x ±1,96
n
s
Intervalo de confieanza de 99 % para una media x ± 2,58
n

1,96 y 2,58 son valores z que corresponden al 95 y 99% de las observaciones

respectivamente, pero si lo que se desea es calcular un intervalo de confianza para una
media la fórmula es:
s
x±z
n

Intervalo de Confianza para una Proporción de la Población

La determinación de un estimador puntual y de un de intervalo para una proporción de

la población es similar a los métodos que se describieron en la sección anterior. Un
estimador puntual para la proporción de la población se encuentra al dividir el número
de éxitos en la muestra entre el número que se muestreo. Por ejemplo, supongamos
que 100 personas de las 400 que se muestrearon dijeron que les gustaba más un
nuevo refresco que otro, la mejor estimación de la proporción de la población que
favorece el nuevo refresco es 0.25 o 25% que resulta de dividir 100/400. La proporción
es la fracción del número de “éxitos” con relación al número muestreado. Veamos su
fórmula:

X
P (X éxitos)= , donde:
n
X= número de éxitos
N= tamaño de la muestra
Cómo se calcula el intervalo de confianza para proporción de la población
P ± zσ p

Donde σ p es el error estándar estimado de la proporción

Estudios para determinar parámetros

Con estos estudios pretendemos hacer inferencias a valores poblacionales

(proporciones, medias) a partir de una muestra.

Estimar una proporción:

Si deseamos estimar una proporción, debemos saber:

a) El nivel de confianza o seguridad (1-a ). El nivel de confianza prefijado da lugar a un
coeficiente (Za ). Para una seguridad del 95% = 1.96, para una seguridad del 99% =
2.58.
b) La precisión que deseamos para nuestro estudio.

38
c) Una idea del valor aproximado del parámetro que queremos medir (en este caso una
proporción). Esta idea se puede obtener revisando la literatura, por estudio pilotos
previos. En caso de no tener dicha información utilizaremos el valor p = 0.5 (50%).
Ejemplo: ¿A cuantas personas tendríamos que estudiar para conocer la prevalencia de
diabetes?
Seguridad = 95%; Precisión = 3%: Proporción esperada = asumamos que puede ser
próxima al 5%; si no tuviésemos ninguna idea de dicha proporción utilizaríamos el valor
p = 0,5 (50%) que maximiza el tamaño muestral:

donde:
Za 2 = 1.962 (ya que la seguridad es del 95%)
p = proporción esperada (en este caso 5% = 0.05)
q = 1 – p (en este caso 1 – 0.05 = 0.95)
d = precisión (en este caso deseamos un 3%)

Si la población es finita, es decir conocemos el total de la población y deseásemos

saber cuántos del total tendremos que estudiar la respuesta seria:

donde:
N = Total de la población
Za2 = 1.962 (si la seguridad es del 95%)
p = proporción esperada (en este caso 5% = 0.05)
q = 1 – p (en este caso 1-0.05 = 0.95)
d = precisión (en este caso deseamos un 3%).
¿A cuántas personas tendría que estudiar de una población de 15.000 habitantes para
conocer la prevalencia de diabetes?
Seguridad = 95%; Precisión = 3%; proporción esperada = asumamos que puede ser
próxima al 5% ; si no tuviese ninguna idea de dicha proporción utilizaríamos el valor p =
0.5 (50%) que maximiza el tamaño muestral.

Según diferentes seguridades el coeficiente de Za varía, así:

Si la seguridad Za fuese del 90% el coeficiente sería 1.645
Si la seguridad Za fuese del 95% el coeficiente sería 1.96
Si la seguridad Za fuese del 97.5% el coeficiente sería 2.24
Si la seguridad Za fuese del 99% el coeficiente sería 2.576

Estimar una media:

Si deseamos estimar una media: debemos saber:

El nivel de confianza o seguridad (1-a ). El nivel de confianza prefijado da lugar a un
coeficiente (Za ). Para una seguridad del 95% = 1.96; para una seguridad del 99% =
2.58.
39
La precisión con que se desea estimar el parámetro (2 * d es la amplitud del intervalo de
confianza).
Una idea de la varianza S2 de la distribución de la variable cuantitativa que se supone
existe en la población.

Ejemplo: Si deseamos conocer la media de la glucemia basal de una población, con

una seguridad del 95 % y una precisión de ± 3 mg/dl y tenemos información por un
estudio piloto o revisión bibliográfica que la varianza es de 250 mg/dl

Si la población es finita, como previamente se señaló, es decir conocemos el total de la

población y desearíamos saber cuantos del total tendíamos que estudiar la respuesta
sería:

(Tomado de http://www.fisterra.com/material/investiga/8muestras/8muestras.htm)

Error estándar la proporción de la muestra

Es una medición de la variabilidad de la distribución muestral de las medias muestras.

Se calcula por:

Error estándar de la media con desviación estándar de la población conocida

σ
σx =
n
Donde:
σx = es el error de la media llamado también desviación estándar de la distribución
muestra de medias
σ = es la desviación estándar de la población
n= es el tamaño de la muestra

En la mayoría de los casos se desconoce la desviación estándar de la población, por lo

que se le estima por la desviación estándar de la muestra, ello implica que en la fórmula
presentada anteriormente se reemplaza σ (desviación estándar de la muestra) por s
(desviación estándar de la muestra). Vale la pena acotar que mientras más mayor sea
el valor de n el error en el muestreo es menor

Características de un buen estimador

Cuando se tiene una fórmula para estimar y se aplica a una muestra aleatoria, el
resultado es aleatorio, es decir los estimadores son variables aleatorias.

Por ejemplo si se recibe un embarque de objetos que pueden:

• estar listos para usarse ó

40
 • defectuosos.

Podemos seleccionar al azar algunos de ellos para darnos una idea de la proporción de
defectuosos en el embarque. El parámetro de interés es la proporción de defectuosos
en toda la población, pero lo que observamos es la proporción de defectuosos en la
muestra. El valor de la proporción en la muestra es una variable aleatoria cuya
distribución está emparentada directamente con la binomial (si se tratara del número de
defectuosos, sería binomial).

Como cualquier variable aleatoria, el estimador tiene

• Distribución de probabilidad.

• Valor esperado.

• Desviación estándar / varianza.

Valor esperado de un estimador y sesgo

El valor esperado de un estimador nos da un valor alrededor del cual es muy probable
que se encuentre el valor del estimador. Para poner un ejemplo, si supiéramos que el
valor esperado de una estadística es 4, esto significaría que al tomar una muestra:

• No creemos que el valor de la estadística vaya a ser 4.

• Pero tampoco creemos que el valor de la estadística vaya a estar lejos de 4.

Ya que es muy probable que el valor del estimador esté cerca de su valor esperado,
una propiedad muy deseable es que ese valor esperado del estimador coincida con el
del parámetro que se pretende estimar. Al menos, quisiéramos que el valor esperado
no difiera mucho del parámetro estimado. Por esa razón es importante la cantidad que,
técnicamente llamamos sesgo. El sesgo es la diferencia entre el valor esperado del
estimador y el parámetro que estima.

Si el sesgo 0, se dice que el estimador es instigado y ésta es una característica buena

para un estimador. Un estimador que es instigado tiene una alta probabilidad de tomar
un valor cercano al valor del parámetro.

Varianza de un estimador

Otra propiedad importante de un estimador es su varianza (o su raíz cuadrada, la

desviación estándar). La importancia de la desviación estándar es que nos permite
darle un sentido numérico a la cercanía del valor del estimador a su valor esperado.

Entre menor sea la desviación estándar (o la varianza) de un estimador, será más

probable que su valor en una muestra específica se encuentre mas cerca del valor

41
esperado. Para aclarar esto, considere dos estimadores T1 y T2, suponga que ambos
son instigados y suponga que la varianza de T1 es menor que la de T2 ¿Qué quiere
decir esto? Simplemente que en un entorno fijo del valor del parámetro, los valores de
T1 son más probables que los de T2. O sea que vamos a encontrar a T1 más cerca del
valor del parámetro que a T2. Esto hace que nuestras preferencias estén con T1.
Cuando un estimador tiene una varianza menor que otro decimos que el estimador es
más eficiente.

El mejor estimador es el que se acerca al parámetro poblacional, sus

características son:

 No debe tener sesgo: cuando el valor esperado del estadístico

usado como estimador es igual al parámetro de la población que se
desea estimar, se dice que ese estimador es insesgado.
 Eficiencia: la eficiencia tiene relación directa con el dato obtenido
del error, a menor error mayor es la eficiencia del estimador. Si las
distribuciones de muestreo de dos estadísticos tienen la misma
media(o esperanza), el de menor varianza se llama un estimador
eficiente de la media, mientras que el otro se llama un estimador
ineficiente, respectivamente. De tal forma que si podemos hallar
un estimador con una varianza que resulte menor que la varianza
de cualquier otro estimador, tomaremos aquel como base para una
medida de eficiencia y diremos que ese es un estimador eficiente.
 Consistencia: Un estimador tiene consistencia en la medida en que
el tamaño de la muestra aumenta, ello nos acerca al parámetro de
la población.

Cálculo del tamaño de la muestra

A la hora de determinar el tamaño que debe alcanzar una muestra hay que tomar en
cuenta varios factores: el tipo de muestreo, el parámetro a estimar, el error muestral
admisible, la varianza poblacional y el nivel de confianza. Por ello antes de presentar un
caso sencillo de cálculo del tamaño muestral delimitemos estos factores.

Para la Media

La diferencia entre la media de la muestra y la media de la población es un error

muestral. Por lo tanto,
( X − µ) Zσ
z= donde ( X − µ) =
( X − µ ) = e ⇒ error _ muestral σ n
n
Zσ
Por lo tanto, e = de allí se despeja n para calcular el tamaño de la muestra
n
z 2σ 2
Para una población infinita n =
e2

42
 Z 2σ 2
Para una población finita n0 =
e2

Para determinar el tamaño de la muestra a partir de la distribución muestral de la media

se requiere conocer:
El nivel de confianza deseado, z
El error muestral permitido, e
La desviación estándar, σ

Para la Proporción

Para población infinita, partiendo de la fórmula z

ps − p e
z≈ = z 2 pq
pq pq . Se llega a: n =
e2
n n

Z 2 pq
Para población finita hay que tomar en cuenta el factor de corrección, n0 =
e2

En resumen:

Parámetro. Son las medidas o datos que se obtienen sobre la población.

Estadístico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una
estimación de los parámetros.

Error Muestral, de Estimación o Standard. Es la diferencia entre un estadístico y su

parámetro correspondiente. Es una medida de la variabilidad de las estimaciones de
muestras repetidas en torno al valor de la población, nos da una noción clara de hasta
dónde y con qué probabilidad una estimación basada en una muestra se aleja del valor
que se hubiera obtenido por medio de un censo completo. Siempre se comete un error,
pero la naturaleza de la investigación nos indicará hasta qué medida podemos
cometerlo (los resultados se someten a error muestral e intervalos de confianza que
varían muestra a muestra). Varía según se calcule al principio o al final. Un estadístico
será más preciso en cuanto y tanto su error es más pequeño. Podríamos decir que es la
desviación de la distribución muestral de un estadístico y su fiabilidad.

Nivel de Confianza. Probabilidad de que la estimación efectuada se ajuste a la

realidad. Cualquier información que queremos recoger está distribuida según una ley de
probabilidad (Gauss o t de Student), así llamamos nivel de confianza a la probabilidad
de que el intervalo construido en torno a un estadístico capte el verdadero valor del
parámetro.

Varianza Poblacional. Cuando una población es más homogénea la varianza es

menor y el número de entrevistas necesarias para construir un modelo reducido del
43
universo, o de la población, será más pequeño. Generalmente es un valor desconocido
y hay que estimarlo a partir de datos de estudios previos.

44
 Unidad III

Prueba de Hipótesis

Objetivo:
Aplicar con propiedad y de forma pertinente a situaciones
administrativas la prueba de hipótesis

Contenidos:
 Qué es una hipótesis
 Qué es una prueba de hipótesis
 Contraste de hipótesis
 Paramétricas (Media aritmética y proporción)
 Para una población
 Para dos poblaciones

45
 “El que aprende y aprende
y no practica lo que
aprende es como el que
ara y ara y nunca siembra.”
Platón

Prueba de Hipótesis

Siempre las personas, en diversas oportunidades y circunstancias, hemos realizado

afirmaciones considerando experiencias previas, conocimientos superficiales de algo,
etc. Esas afirmaciones las llamamos hipótesis, y esas hipótesis pueden ser aceptadas o
rechazadas; sin embargo en estadística para poder aceptar o rechazar una hipótesis se
deben realizar una serie de cálculos que sustenten la veracidad o no de ese supuesto,
para ello existe la prueba de hipótesis.

La prueba de hipótesis es un procedimiento mediante el cual se prueba

estadísticamente si una hipótesis es verdadera o no. En esta unidad encontrarás los
pasos para realizar una prueba de hipótesis en función de la media aritmética y la
proporción para una y dos poblaciones

46
UNIDAD III. PRUEBA DE HIPÓTESIS

¿Qué es una hipótesis?

Una hipótesis es una afirmación acerca de un parámetro de la población. Luego, se

utilizan los datos para verificar que tan razonable es una afirmación, en otras palabras,
la hipótesis es el establecimiento de una tesis a la que con elementos estadísticos se le
prueba la veracidad Las hipótesis estadísticas se pueden contrastar con la información
extraída de las muestras y tanto si se aceptan como si se rechazan se puede cometer
un error.

Hipótesis estadística

Asunción relativa a una o varias poblaciones, que puede ser cierta

o no.

Enunciado acerca de un parámetro de la población que se

desarrolla con el propósito de realizar pruebas.

¿Qué es una Prueba de Hipótesis?

La prueba de hipótesis es un procedimiento en el cual se dan evidencias para afirmar o

negar una hipótesis. El primer paso para realizar una prueba de hipótesis es
estableciendo la afirmación o suposición sobre un parámetro de una población, como
por ejemplo la media. Una hipótesis podría ser que los estudiantes de una aldea de
Misión Sucre invierten en promedio Bs. 2000 diarios en pasaje. Para comprobar la
validez de la hipótesis µ = Bs 2.000 , es preciso elegir una muestra de la población
(algunos estudiantes de la aldea planteada en la hipótesis) y preguntarles cuanto dinero
invierten diariamente en pasaje, calcularle la media y aceptar o rechazar la hipótesis;
supongamos que la media resulta ser de Bs. 1990, al ser una cifra tan cercana a2.000
se considera como válida la hipótesis, ya que la diferencia de Bs. 10 puede deverse a
un error de muestreo.

Prueba de Hipótesis:

Procedimiento que se basa en la evidencia de las muestras y en la

teoría de probabilidad para determinar si la hipótesis es un

Procedimiento para probar una hipótesis

Existen cinco pasos que sistematiza una prueba de hipótesis, y cuando se llega al paso
5 se está listo para rechazar o aceptar la hipótesis. Veamos los pasos representados en
el siguiente diagrama:

47
 Paso 1 Paso 2 Paso 3 Paso 4
Establecer las Seleccionar un Identificar la Formular la
hipótesis nula y nivel de estadística de regla de
alternativa significancia prueba decisión

No rechazar H0
Paso 5
Tomar una
muestra, llegar
Rechazar H0 y a una decisión
Aceptar H1

Paso 1: Plantear la hipótesis nula (H0) y la hipótesis alternativa (H1)

El primer paso consiste en plantear la hipótesis que se prueba, a la cual llamamos

hipótesis nula, y se denomina H0, la letra mayúscula H significa hipótesis, y el subíndice
cero supone “sin diferencia”. Por lo general, la hipótesis nula incluye un termino “no”
que significa que no hay cambio. La hipótesis nula se rechaza o acepta, pero la
hipótesis nula no se rechaza a menos que los datos de prueba proporcionen evidencias
convincentes que es falsa.

Se debe recalcar además que si no se rechaza la hipótesis nula, con base en los datos
de la muestra, no es posible decir que la hipótesis nula sea cierta. En otras palabras, la
imposibilidad de rechazar la hipótesis nula no demuestra que H0 sea verdadera;
significa que no fue posible de rechazar H0. Para demostrar la hipótesis nula sería
necesario conocer el parámetro de la población y recabar los datos con la población en
pleno; como eso es prácticamente imposible, la única alternativa es tomar una muestra
de la población.

Hipótesis nula
Una afirmación respecto del valor de un parámetro de la

La hipótesis alternativa describe una conclusión a la que se llegará si se rechaza la

hipótesis nula. Se escribe H1, el H sub1 también se le conoce como hipótesis de
investigación. La hipótesis alternativa se acepta si los datos de la muestra proporcionan
suficiente evidencia estadística de que la hipótesis nula es falsa.

Hipótesis alternativa
Una afirmación que se acepta si los datos de la muestra
evidencian suficientemente que la hipótesis nula es

48
Paso 2: Seleccionar el nivel de significancia

El nivel de significancia es designado con la letra alfa ( α ) del alfabeto griego, también
se le conoce como nivel de riesgo, y éste quizás sea un termina más apropiado, pues
es este nivel es el riesgo que se asume al rechazar la hipótesis nula cuando de hecho
es verdadera. No hay un nivel de significancia que se aplique a todas las pruebas, el
investigador toma la decisión de utilizar cualquier valor entre 1 y 0, es decir, entre 0 y
10 por ciento.

Por que se comentó al inicio que el nivel de significancia se podía llamar también de
riesgo, porque de acuerdo al nivel de significancia que se establezca se puede cometer
el error de rechazar una hipótesis verdadera, observemos este ejemplo planteado por
Lind, Mason y Marchal (2003):

Suponga que una firma que fabrica computadoras personales utiliza una gran
cantidad de tarjetas de circuitos impresos. Los proveedores concursan para
abastecer las tarjetas y, a quien presenta la cotización más baja, se le otorga
un contrato considerable. Suponga también que el contrato especifica que el
departamento de control de calidad del fabricante de las computadoras hará
un muestreo de todos los embarques de tarjetas de circuitos que reciba. Si
más del 6 por ciento de las tarjetas de la muestra están por debajo de la
norma, el embarque será rechazado. La hipótesis nula es que los embarques
de las tarjetas que se reciben contienen 6 por ciento o menos de tarjetas por
debajo de la norma. La hipótesis alternativa es que está defectuoso más del
6% de las tarjetas.
El embarque de 50 tarjetas del lote que se recibió rebeló que cuatro de ellas,
es decir, un 8%, estaban por debajo de la norma, entonces la decisión de
regresar las tarjetas al proveedor es correcta. Suponga que las 4 tarjetas
seleccionadas en la muestra de 50 eran las únicas defectuosas en todo el
embarque de 4.000 tarjetas. Entonces, sólo 1/10 de 1 por ciento estaban
defectuosas (4/4000=0,001). En ese caso, menos del 6% de todo el
embarque estaba por debajo de la norma y el rechazo del mismo fue un
error.

En la prueba de hipótesis anterior se rechazó la hipótesis nula cuando debió haberse

aceptado, este error se denomina de tipo I y se le designa por la letra alfa ( α ). La
probabilidad de cometer otro de error llamado tipo II es designado con la letra beta ( β
).

H0 H0
Acción
Es verdadera Es falsa
Acepto Decisión
Error tipo II β
H0 correcta
Rechazo Decisión
Error tipo I α
H0 correcta

49
Error tipo I: Rechazar una hipótesis verdadera.
Error tipo II: No rechazar una hipótesis nula que es falsa

Paso 3: Calcular el estadístico de prueba

Para la prueba de hipótesis se utiliza Z como estadística de prueba, a pesar de que

existen muchas otras pruebas estadísticas. En la prueba de hipótesis para la media
X − µx
Z =
( µ) , la estadística de prueba z se calcula por: σ
n
El valor z se basa en la distribución de muestreo de X
, que tiene una distribución normal cuando la muestra es razonablemente grande con
σ
una media µX igual a µ y una desviación estándar σX , que es igual a . Así es
n
posible determinar la diferencia entre X y µ es importante desde el punto de vista
estadístico, al encontrar cuantas desviaciones estándar separan a X de µ , utilizando
la formula de z.

Paso 4: Formular la regla de decisión

Una regla de decisión es una afirmación de las condiciones bajos las que se rechaza la
hipótesis la y bajo las que no se rechaza. El área de rechazo define la ubicación de
todos aquellos valores que son tan grandes o tan pequeños que la probabilidad de que
ocurran bajo una hipótesis nula verdadera es bastante remota. En el gráfico que se
muestra a continuación el valor crítico es 1,65 es divide la zona de rechazo o
aceptación de la hipótesis

Región de rechazo

Probabilidad de 0,95 Probabilidad de 0,05

Valor Crítico

Valor Crítico
Punto de división entre la región en que se rechaza la
hipótesis nula y la región en la que no se rechaza

50
Los valores críticos determinan la zona de rechazo. Para hallarlos se divide entre dos
el 95%. En la tabla z (revisar anexos), el área de 0,95/2=0,4750 lo que indica un valor
de 1.96. El 5% restante está distribuido entre las dos colas, son 2,5% en cada zona de
rechazo. Es posible encontrar los valores críticos al otro lado de la cola:

Paso 5: Tomar una decisión

Este último paso consiste en decidir si rechazar o no la hipótesis nula. La regla de

decisión es: No se rechaza la hipótesis nula si los valores z están entre ±1,96 . Se
rechaza si el valor z es menor que -1,96 o mayor que +1,96.

Prueba de una o dos colas

Una prueba es de una cola cuando la hipótesis alterna, H1, establece una dirección,
como:
H0 : el ingreso medio de las mujeres es menor o igual al ingreso medio de los hombres.
H1 : el ingreso medio de las mujeres es mayor que el de los hombres.
Distribución de muestreo para el valor estadístico z, prueba de una cola, nivel de
significancia de .05

51
Una prueba es de dos colas cuando no se establece una dirección específica de la
hipótesis alterna H1, como:
H0: el ingreso medio de las mujeres es igual al ingreso medio de los hombres.
H1: el ingreso medio de las mujeres no es igual al ingreso medio de los hombres.
Distribución de muestreo para el valor estadístico z, prueba de dos colas, nivel de
significancia de 0.05

Prueba para la media poblacional: muestra grande, desviación estándar

poblacional conocida

Cuando se hace una prueba para la media poblacional de una muestra grande y se
conoce la desviación estándar, el estadístico de prueba está dado por:

X −µ
Z =
σ
n
Ejemplo:
Una cooperativa fabricante de salsa de tomate indican en su etiqueta que el contenido
de la botella es de 16 onzas. Cada hora se toma una muestra de 36 botellas y se pesa
el contenido. La muestra de la última hora tiene un peso medio de 16.12 onzas con una
desviación estándar de .5 onzas. ¿Está el proceso fuera de control para un nivel de
significancia de .05?

Paso 1: establezca la hipótesis nula y alterna

Paso 2: establezca la regla de decisión:

Paso 3: calcule el valor del estadístico de prueba: H0 se rechaza si z <- 1.96 o z > 1.96

Paso 4: decisión sobre H0: no se rechaza H0 porque 1.44 es menor que el valor crítico
1.96

52
Si se desconoce la desviación estándar de la población y el tamaño de la muestra es n
≥ 30
X −µ
Z =
σ
n

Ejemplo en la cual se indica el procedimiento para la prueba de hipótesis (Tomado de

monografías.com)

El jefe de la Biblioteca Especializada de la Facultad de Ingeniería Eléctrica y Electrónica

de la UNAC manifiesta que el número promedio de lectores por día es de 350. Para
confirmar o no este supuesto se controla la cantidad de lectores que utilizaron la
biblioteca durante 30 días. Se considera el nivel de significancia de 0.05

Datos:
Día Usuarios Día Usuarios Día Usuario
1 356 11 305 21 429
2 427 12 413 22 376
3 387 13 391 23 328
4 510 14 380 24 411
5 288 15 382 25 397
6 290 16 389 26 365
7 320 17 405 27 405
8 350 18 293 28 369
9 403 19 276 29 429

Se trata de un problema con una media poblacional: muestra grande y desviación

estándar poblacional desconocida.

Paso 01: Seleccionamos la hipótesis nula y la hipótesis alternativa

Ho: μ═350
Ha: μ≠ 350

Paso 02: Nivel de confianza o significancia 95%

α═0.05

Paso 03: Calculamos o determinamos el valor estadístico de prueba

De los datos determinamos: que el estadístico de prueba es t, debido a que el numero
de muestras es igual a 30, conocemos la media de la población, pero la desviación
estándar de la población es desconocida, en este caso determinamos la desviación
estándar de la muestra y la utilizamos en la formula reemplazando a la desviación
estándar de la población.

53
 x−µ
Z=
s
n

Calculamos la desviación estándar muestral y la media de la muestra empleando

x =372 ,8
σ = 52 ,414
Es importante que sepas que en el
programa Excel de Microsoft Office puedes
calcular diversos estadísticos como la
media, la desviación estándar entre
otros, de forma muy fácil y rápida.

Paso 04: Formulación de la regla de decisión.

La regla de decisión la formulamos teniendo en cuenta que esta es una prueba de dos
colas, la mitad de 0.05, es decir 0.025, esta en cada cola. el área en la que no se
rechaza Ho esta entre las dos colas, es por consiguiente 0.95. El valor critico para 0.05
da un valor de Zc = 1.96.
Por consiguiente la regla de decisión: es rechazar la hipótesis nula y aceptar la
hipótesis alternativa, si el valor Z calculado no queda en la región comprendida entre
-1.96 y +1.96. En caso contrario no se rechaza la hipótesis nula si Z queda entre -1.96 y
+1.96.

Paso 05: Toma de decisión.

En este ultimo paso comparamos el estadístico de prueba calculado Z = 2.38 y lo
comparamos con el valor critico de Zc = 1.96. Como el estadístico de prueba calculado
cae a la derecha del valor critico de Z, se rechaza Ho. Por tanto no se confirma el
supuesto del Jefe de la Biblioteca.

Si el tamaño de la muestra es n ≤ 30 se utiliza la distribución t de Student:

x −µ x −µ
t n −1 = =
σx s n

Prueba para dos medias de población

En este caso se trabaja con las medias de poblaciones. El objetivo es probar si es

razonable llegar a la conclusión de que las dos medias de la población son iguales (y
por lo tanto que las dos poblaciones tienen una media común), o que la diferencia entre
ambas medias de muestra es tan grande que se debería concluir que las medias de la
población no son iguales. Esto tiene muchas utilidades, por ejemplo sirve para un jefe
de planta conocer el rendimiento promedio de los trabajadores del turno de la mañana
difiere al del los trabajadores del turno de la noche.

En estos casos es necesario seleccionar muestras aleatorias de las dos poblaciones,

calcular las medias de cada muestra y determinar si es razonable que ambas sean

54
iguales. Para este caso se siguen igualmente los cinco pasos planteados pero habrá
una diferencia en la fórmula para la estadística z:

X1 − X 2
Z=
s12 s 22
+
n1 n 2

Ejemplo Prueba de hipótesis con dos poblaciones

(tomado de www.monografías.com)

En el HMI Ramos Larrea, se realizó un estudio para comparar la efectividad de dos

tratamientos diferentes para la diarrea aguda, se seleccionaron 15 niños de 1 a 2 años
de edad con diarrea aguda, fueron divididos en dos subgrupos, al subgrupo A se le dio
como tratamiento SRO y al subgrupo B se le dio como tratamiento SRO+Cocimiento de
arroz. Después de tres días de tratamiento, se registró la frecuencia de evacuaciones
de los niños. Los resultados fueron los siguientes:

GRUPO
A 3 4 3 4 4 4 5

GRUPO
B 4 1 2 3 1 3 2 3

¿Proporcionan los datos evidencias suficientes que indique que la efectividad de los
dos tratamientos no es la misma? Utilice un nivel de significación de 0.05.
Solución:
1. Planteamiento de hipótesis:
Ho: μ1 = μ2
H1: μ1 ≠ μ2

2. Nivel de significancia de: α = 0.05

3. Prueba estadística:
X1 − X 2 3,85 − 2,71 1,14 1,14 1,14
Z= = = = = =
s2
s 2
2,85 2
7,42 2
1,16 + 7,86 9,02 3 0,38
1
+ 2
+
n1 n 2 7 7

El valor 0,38 se busca en la tabla de valores z dentro de la columna de valor de

significación de 0.05, ello nos da 0,6736, valor muy por encima de α . Ahora con este
dato revisamos la zona de rechazo para tomar la decisión.
Con los supuestos:
Las poblaciones se distribuyen normalmente
Las muestras han sido seleccionadas al azar.
Criterios de decisión:
55
Se rechaza la hipótesis nula (Ho), se acepta la hipótesis alterna (H1) a un nivel de
significancia de α = 0.05. La prueba resulto ser significativa. La evidencia estadística no
permite aceptar la hipótesis nula. La evidencia estadística disponible permite concluir
que probablemente existe diferencia entre los dos tratamientos empleados en casos de
diarrea aguda.

Pruebas respecto de las proporciones

Como lo hemos venido trabajando para probar una hipótesis calculamos un valor z y lo
comparamos con un valor crítico de Z con base al nivel de significancia seleccionado. El
valor p para probar hipótesis es un método alternativo en caso de variables discretas. El
valor p también es aplicado a hipótesis de una cola o de dos colas.

Un ejemplo de las hipótesis que podemos manejar con la prueba de proporción son:

 Los miembros de la Comisión Académica Nacional del plan deformación

Administración informa que el 80% de los estudiantes certificados como Asistentes
Administrativos entran al mercado laboral desempeñándose en actividades afines
con su acreditación.
 El representante de una importante cadena de farmacias afirma que la mitad de sus
ventas se realizan por los autoservicios.

Estas preguntas abarcan los datos de una escala nominal de mediación, si recordamos
Estadística I esta escala se caracteriza por tener categorías sin un orden valor de
jerarquización, por ejemplo la raza, la religión, etc.

Proporción (p)
Una fracción, relación o porcentaje que indica la parte de la
población o muestra que tiene una característica de interés
particular.

N ú m_ de _eré ox i _t eo n_sl a_ m u e s t r a
p=
N ú m_ me ru oe s t r e a d o

56
Un ejemplo de proporción es que 87 personas de 100 afirmaron tener mascotas en su
casa. La proporción de la muestra es 87/100=0,87 o 87%. Para probar una hipótesis
sobre una proporción de una población se elige una muestra aleatoria de la población
que cumpla con las suposiciones binomiales explicadas. Esta prueba es apropiada
cuando tanto np como n(1-p) son al menos de 5.n (n=tamaño de la muestra,
p=proporción de la población)

Se establece el nivel de significancia y se procede a calcular el valor z

Prueba de hipótesis para una proporción poblacional

p −P
z= , donde:
σ
P es la proporción de la población
p es la proporción de la muestra
n tamaño de la muestra
σp es el error estándar de la proporción de la población. Se calcula por p (1 − p ) / n

p −P
z=
Prueba de hipótesis para una proporción p (1 − P )
n
Por último se toma la decisión.

Ejemplo:
Una encuesta aplicada en Caracas a 2.000 personas reveló que 1550 de ellas realizas
compras en los megamercados realizados quincenalmente a la Av. Bolívar. La
proporción de 0,775 (1550/2000=0.775) está bastante cerca de 0,80 para llegar a la
conclusión de la mayoría de la población de Caracas compra sus alimentos en los
megamercados con regularidad.
Z es una estadística de prueba normalmente distribuida cuando la hipótesis es verdad y
las demás suposiciones también son verdaderas.

P es 0,775, la proporción de la muestra

N es 2000, el número de encuestados
P es 0,80, la proporción hipotética de la población

1550
− 0,80
p −P 2000
z= = = −2,80
p (1 − P ) 0,80 (1 − 0,80 )
n 2000

El valor z -2,80 está en la zona de rechazo, de modo que la hipótesis nula queda
rechazada en el nivel 0,05.

Ejercicio:
Se dan las siguientes hipótesis
57
H0= p ≤ 0.70
H1=p>0.70

Una muestra de 100 observaciones reveló que p=0.75. En el nivel de significancia de

0,05¿Es posible rechazar la hipótesis nula?

Prueba para la Diferencia entre dos Proporciones Poblacionales

En este tipo de pruebas interesa saber si dos proporciones de la población son iguales.
A continuación se presentan algunos ejemplos:
 Una cooperativa de ropa casual elaboró un nuevo diseño de camisas para
caballeros, el nuevo modelo se le mostró a un grupo de posibles compradores
menores de 30 años y a otros mayores de 60 años. La cooperativa desea saber si
existe diferencia en la proporción de personas de ambos grupos a quienes les gusta
el nuevo diseño.
 Una aerolínea está investigando sobre el miedo a volar entre adultos, de forma
específica quieren saber si existe alguna diferencia significativa entre la proporción
de hombres y de mujeres.

p1 − p 2
z=
Prueba de proporciones de dos muestras p c (1 − p c p c (1 − p c )
+
n1 n2
Donde:
n1 es el número en la primera muestra
n2 es el número en la segunda muestra
p1 es la proporción en la primera muestra que posee la característica
p2 es la proporción en la segunda muestra que posee la característica
pc es la proporción conjunta que posee la característica en la muestra combinada, se
calcula con la siguiente fórmula:
N ú m e_ troo t a_ ld e_ é x i t o s X 1 + X 2
Proporción conjunta pc = =
N ú m e_ troo t a_ dl e_ l a s_ m u e s t r an1s + n2
Donde:
X1 es el número que posee la característica en la primera muestra
X2 es el número que posee la característica en la segunda muestra

Ejemplo

Una fábrica de perfumes desarrollo una nueva fragancia llamada Rojo. Varias pruebas
indican que tiene una muy buena aceptación en el mercado, sin embargo interesa saber
si el perfume lo prefieren mujeres jóvenes o maduras. Se tomará una muestra aleatoria
de mujeres jóvenes y maduras y se les realizará una prueba dándoles a oler varios
perfumes entre ellos Rojo y se les piden que indiquen el que más les guste.
H0 no hay diferencia entre la proporción de mujeres jóvenes y maduras que prefieren
Rojo. La hipótesis alterna es que ambas proporciones no son iguales.
Ho: p1 = p 2
H1: p1 ≠ p 2

58
Seleccionemos el nivel de significancia, utilizaremos el 0.05

n1: mujeres jóvenes=100

X1: las que prefirieron Rojo=20

n2: mujeres maduras=200

X2: las que prefirieron rojo=100

X1 20 X 2 100
p1 = = = 0.20 p2 = = = 0.50
n1 100 n2 200

La proporción conjunta o ponderada

X + X 2 200 + 100 120
pc = 1 = = = 0.40
n1 + n 2 100 + 200 300

Observemos que la proporción conjunta de 0.40 está más cerca de 0.50 que de 0.20.
Esto se debe a que el muestreo incluyó más mujeres maduras.
p1 − p 2 0.20 − 0.50 − 0.3
z= = = = −5.0
p c (1 − p c p c (1 − p c ) 0.4(1 − 0.4) 0.40 (1 − 0.4) 0.06
+ +
n1 n2 100 200
El valor z calculado de -5 está en el área de rechazo, es decir, que la hipótesis de que
es igual la proporción de mujeres jóvenes y maduras que prefieren Rojo se rechaza, por
lo que se acepta la hipótesis alternativa.

Ejercicios: Realízalos y compártelos con tu grupo de estudio y tu profesor asesor.

1. De 150 adultos que probaron unos caramelos nuevos de sabor a durazno, 87 les
parecieron muy buenos. De 200 niños a 123 les gustaron muchísimo. Utilizando un
nivel de significancia de 0.10 se puede concluir que existe una diferencia
significativa en la proporción de adultos contra la de niños que consideran el nuevo
sabor como excelente.
a. Cuál es la hipótesis nula y la alternativa
b. Cual es la probabilidad de un error tipo I
c. Es una prueba de una o dos colas, por qué
d. Cual es el valor crítico
e. Debería rechazarse la hipótesis nula

2. Las hipótesis son: H0: p1 = p 2 y H1: p1 ≠ p 2 . Una muestra de 200 observaciones de

la primera población indicó que X1 es 170. Una muestra de 150 observaciones de la
segunda población reveló que X2 es de 110. Use el nivel de significancia de 0.05
para probar la hipótesis.

59
 Unidad IV

Regresión y
Correlación

Objetivo:
Interpretar el coeficiente de correlación y determinación con el
propósito de obtener la relación o variación entre dos variables.

Contenidos:
 Variables dependiente e independientes
 Gráfico de dispersión
 Coeficiente de correlación
 Correlación lineal
 Coeficiente de determinación
 Modelo de análisis de regresión lineal


“Lo maravilloso de
Recta de mínimos cuadrados
Error estándar de estimación
aprender algo es que
nadie puede
arrebatárnoslo.”

B.B.King

60
Regresión y Correlación

La regresión y la correlación son las dos herramientas estadísticas más eficaces que se
pueden utilizar para solucionar problemas comunes en la administración por el hecho
de que se emplean para identificar y cuantificar la relación entre dos o más variables.

El análisis de regresión consiste en estimar el valor de la variable dependiente a partir

de un valor conocido, el cual denominamos variable independiente a través de la
ecuación de regresión. Existen dos tipos de análisis de regresión el simple y el múltiple.
El análisis de regresión simple indica el valor de una variable dependiente estimado a
partir de una variable independiente. Mientras que el análisis de regresión múltiple se
ocupa de la estimación del valor de una variable dependiente con base a dos o más
variables independientes.

El análisis de correlación mide la magnitud de la relación entre las variables. Así

podemos precisar que la regresión establece la relación y la correlación la amplitud de
esa relación.

61
UNIDAD IV. REGRESIÓN Y CORRELACIÓN

Variable Dependiente e Independiente

La palabra variable la asociamos con cambio, en estadística denominamos variable a

un dato que puede asumir cualquier valor, es decir, cambiante. Si seguimos utilizando
la semántica, el significado de las palabra dependiente es algo que sucede como
consecuencia de otro evento, e independiente por su parte es el antónimo, lo contrario
a dependiente.

Considerando la exposición previa, la variable independiente es aquella que ocurre

sin control y la dependiente es un resultado de la independiente, la variable
dependiente se mide, la independiente se manipula o controla. En regresión y
correlación como lo que se desea es conocer la relación entre variables, la variable
dependiente es la que se desea explicar mientras que la independiente es la variable
explicativa. Se dice que una variable depende de la otra. Se puede decir que Y
depende de X en donde Y y X son dos variables cualquiera. Esto se puede escribir así:
Y es una función de X => Y = f ( X )

Debido a que Y depende de X, Y es la variable dependiente y X la variable

independiente. Es importante identificar cual es la variable dependiente y cuál es la
variable independiente en el modelo de regresión. Esto depende de la lógica y de lo que
el estadístico intente medir. Por ejemplo, si el coordinador de una aldea de Misión
Sucre decide analizar la relación entre las calificaciones de los estudiantes de
estadística II y el tiempo que pasan estudiando para dicha materia, al recolectar la
información se puede presumir que las notas dependen de la cantidad y calidad del
tiempo que los participantes dedican a estudiar; por lo tanto las notas son la variable
dependiente y el tiempo de estudio la variable independiente.

Ejercicio:
A continuación escribe cuatro casos en los cuales reflejes las variables dependiente e
independiente:

Variable Variable
Caso
dependiente independiente

Cuando hayas hecho la actividad compártela con tu grupo de estudio

62
 La variable dependiente o también llamada variable
de respuesta es aquella que se va a predecir.

La variable independiente o de predicción es la que

da la base de estimación.

Diagrama de Dispersión

Para recordar…

Las medidas de tendencia central (estudiadas en

Estadística I) carecen de significado si a la par no se
realiza el cálculo de las medidas de dispersión para poder
observar cuanto difieren unos valores de otros.

Un diagrama de dispersión es una gráfica en la que cada punto trazado representa un

par de valores observados de las variables independiente y dependiente. El valor de la
variable independiente X se identifica respecto del eje horizontal, mientras que el valor
de la variable dependiente Y se identifica respecto del eje vertical.

Un diagrama de dispersión refleja la

relación entre dos variables.

Correlación Lineal

En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre
dos variables aleatorias. Por ejemplo, podemos preguntarnos si hay alguna relación
entre las notas de la asignatura Estadística I y las de Matemáticas I. Una primera
aproximación al problema consistiría en dibujar en el plano un punto por cada alumno:
la primera coordenada de cada punto sería su nota en estadística, mientras que la
segunda sería su nota en matemáticas. Así, obtendríamos una nube de puntos la cual
podría indicarnos visualmente la existencia o no de algún tipo de relación (lineal,
parabólica, exponencial, etc.) entre ambas notas.

Otro ejemplo, consistiría en analizar la facturación de una empresa en un periodo de

tiempo dado y de cómo influyen los gastos de promoción y publicidad en dicha
facturación. Si consideramos un periodo de tiempo de 10 años, una posible
representación sería situar un punto por cada año de forma que la primera coordenada
de cada punto sería la cantidad en euros invertidos en publicidad, mientras que la
segunda sería la cantidad en euros obtenidos de su facturación. De esta manera,
63
obtendríamos una nube de puntos que nos indicaría el tipo de relación existente entre
ambas variables. En particular, nos interesa cuantificar la intensidad de la relación lineal
entre dos variables.
El parámetro que nos da tal cuantificación es el coeficiente de correlación lineal de
Pearson r, cuyo valor oscila entre –1 y +1 :

Correlación de Pearson

Definición. Creado por Kart Pearson en el siglo XIX, es una técnica estadística que
permite evaluar el grado o nivel de relación entre dos variables, en otras palabras, es
una herramienta que permite evaluar en que medida el comportamiento de una variable
dependiente se ve afectada por la acción directa de una variable independiente. Por
ejemplo, si queremos establecer la razón del incremento de las ventas al detal en el
mes de diciembre (variable dependiente), es muy probable que encontremos una
correlación elevada si la cruzamos con la variable independiente ingreso familiar. La
correlación lineal adquiere valores entre -1 y 1.

0= correlación nula.
+1= Correlación directamente proporcional perfecta
-1= Correlación inversamente proporcional perfecta

Correlación directamente proporcional.

La CDP se traduce en afirmar que a medida que aumenta la magnitud de la variable

independiente, lo hace igualmente la magnitud de la variable dependiente, un ejemplo
sencillo de ello lo encontramos si revisamos la correlación entre las variables ingreso
familiar y gasto en alimentación, así, a medida que aumente el ingreso familiar, se
espera un incremento en los gastos de alimentación de una familia promedio. Se habla
de una correlación directamente proporcional perfecta cuando la formula de producto
momento de Pearson da un resultado de 1, esto en la realidad nunca ocurre, (ver
correlaciones espurias y variables extrañas), ya que es muy difícil que el
comportamiento de una variable se vea únicamente afectada por el comportamiento de
otra, de allí el auge que actualmente tiene la estadística multivariada que estudia la
correlación entre una Vd y varias Vi.
Grafico. Diagrama de Dispersión. r= +1

64
 Variables extrañas o correlaciones espurias. Cuando se
estudia la correlación entre dos variables hay que tener
presente la influencia de muchas otras variables conocidas y
desconocidas y controlables o no controlables, llamadas
variables extrañas; por ejemplo, una variable dependiente
como las reservas internacionales de un país puede verse
afectada en gran parte por el control de las divisas que un
estado ejecuta; sin embargo hay otras variables como el
gasto público, las tragedias naturales, el nivel de
inflación, etc., que también pueden incidir en mayor o menor
medida sobre dicha variable dependiente.

Correlación inversamente proporcional.

La CIP indica, que a medida que el valor de una variable aumente, el valor de la otra
disminuye, un ejemplo de esto lo encontramos si correlacionamos las variables altitud y
concentración de oxigeno, vemos así como a medida que aumenta la altitud, disminuye
la concentración de oxigeno en el aire, de allí por ejemplo la dificultad con la que se
respira en el pico Bolívar. Se habla de una correlación inversamente proporcional
perfecta cuando la formula de producto momento de Pearson da un resultado de -1,
esto en la realidad nunca ocurre, (ver correlaciones espurias y variables extrañas), ya
que como en el caso de la correlación directamente proporcional perfecta es muy difícil
que una variable se vea únicamente influenciada por otra.

Grafico. Diagrama de dispersión. r= -1

Interpretación de la Correlación

El coeficiente de correlación como previamente se indicó oscila entre –1 y +1

encontrándose en medio el valor 0 que indica que no existe asociación lineal entre las
dos variables a estudio. Un coeficiente de valor reducido no indica necesariamente que
65
no exista correlación ya que las variables pueden presentar una relación no lineal como
puede ser el peso del recién nacido y el tiempo de gestación. En este caso el r
infraestima la asociación al medirse linealmente. Los métodos no paramétrico estarían
mejor utilizados en este caso para mostrar si las variables tienden a elevarse
conjuntamente o a moverse en direcciones diferentes.

La significancia estadística de un coeficiente debe tenerse en cuenta conjuntamente

con la relevancia clínica del fenómeno que estudiamos ya que coeficientes de 0.5 a 0.7
tienden ya a ser significativos como muestras pequeñas. Es por ello muy útil calcular el
intervalo de confianza del r ya que en muestras pequeñas tenderá a ser amplio. La
estimación del coeficiente de determinación (r2) nos muestra el porcentaje de la
variabilidad de los datos que se explica por la asociación entre las dos variables.

La correlación elevada y estadísticamente significativa no tiene que asociarse a

causalidad. Cuando objetivamos que dos variables están correlacionadas diversas
razones pueden ser la causa de dicha correlación: a) pude que X influencie o cause Y,
b) puede que influencie o cause X, c) X e Y pueden estar influenciadas por terceras
variables que hace que se modifiquen ambas a la vez. El coeficiente de correlación no
debe utilizarse para comparar dos métodos que intentan medir el mismo evento, como
por ejemplo dos instrumentos que miden la tensión arterial. El coeficiente de correlación
mide el grado de asociación entre dos cantidades pero no mira el nivel de acuerdo o
concordancia. Si los instrumentos de medida miden sistemáticamente cantidades
diferentes uno del otro, la correlación puede ser 1 y su concordancia ser nula.

Valores que asume y como interpretarlos.

0= correlación nula, no existe relación entre A y B
+1= Correlación directamente proporcional perfecta,
a medida que aumenta A, aumenta B
-1= Correlación inversamente proporcional perfecta,
a medida que aumenta A, disminuye B

Coeficiente de Correlación

El coeficiente de correlación es un grupo de técnicas para medir la magnitud de la

relación entre dos variables, para ello se suele graficar todos los datos en un diagrama
de dispersión

Un coeficiente de Correlación es
una medida de la magnitud de la
relación lineal entre dos

66
Para determinar el valor numérico del coeficiente de correlación usamos la fórmula
siguiente

n(∑ XY ) − (∑ X )( ∑Y )
r=
[n( ∑ X 2
][
) − (∑ X ) 2 n(∑Y 2 ) − (∑Y ) 2 ]

Donde:
n: es el número de pares de observaciones
∑X : es la suma de las variables X
∑Y : es la suma de las variables Y
( ∑X ): es la suma de los cuadrados de la variable X
2

( ∑X )2 : es la suma de las variables X elevadas al cuadrado

( ∑Y ) : es la suma de los cuadrados de la variable Y
2

(∑ Y )2: es la suma de las variables Y elevada al cuadrado

∑XY : es la suma de los productos de X y Y
Sin embargo la correlación que se halle entre dos variables puede deberse a una
casualidad o un error de muestreo para verificar que esto no sea así se aplica una
prueba de significancía del coeficiente de correlación, esto se realiza calculando un
valor t y aplicando la prueba de hipótesis, sólo que en esta oportunidad utilizaremos la
tabla de valores t (ver anexos) para verificar si la hipótesis plantead queda dentro o
fuera del área de rechazo.

Prueba t para el coeficiente de correlación

r n −2
t= con n-2 grados de libertad
1−r 2

La regla de decisión para la prueba de hipótesis con un nivel de significancia de 0,05:

Región de rechazo Región de rechazo

-2,306 0 +2,306

67
El Coeficiente de Determinación

El coeficiente de determinación es una medida más precisa, se obtiene elevando al

cuadrado el coeficiente de correlación. Es una proporción de la variación total de la
variable dependiente Y que se explica por, o se debe a, la variación en la variable
independiente X.

Modelo de Análisis de Regresión Lineal

Análisis de Regresión

Es un modelo matemático para expresar la relación entre dos variables y estima el valor
de la variable dependiente Y basándonos en el valor de la variable independiente X.

Análisis de Regresión
Es una ecuación que define la relación entre dos
variables.

Principio de los mínimos cuadrados

Este método proporciona un mejor ajuste y consiste en determinar la ubicación de la

línea de regresión. Este principio es el mejor porque la suma de los cuadrados de las
desviaciones verticales respecto de ella es la mínima. La forma general de la ecuación
de regresión es:

Y ' = a + bX
Donde:

Y’: se lee Y prima, es el valor predictorio de la variable Y para un valor de X

seleccionado.
a: es la intersección con el eje Y. Es el valor estimado de Y cuando X=0. Otra manera
de expresar este es: a es valor estimado de Y donde la línea de regresión cruza el eje Y
cuando X es cero.
b: es la pendiente de la línea, o el cambio de la línea de regresión en Y’ por cada
cambio en una unidad (ya sea aumentando o disminuyendo) de la variable
independiente X.
X: es el valor que se escoge para la variable independiente.

A los valores a y b de la ecuación de regresión se les conoce como coeficientes

estimados de regresión o coeficientes de regresión.

n( ∑XY ) − (∑X )( ∑Y )
Pendiente de la línea de regresión b =
n( ∑X 2 ) − (∑X ) 2

68
Intersección con el eje Y a = ∑ − b ∑
Y X
n n

Donde:

X: es un valor de la variable independiente

Y: es un valor de la variable dependiente
n: es el número de elementos de la muestra

Error estándar de Estimación

Es una medida que describe que tan precisa es la predicción de Y con la base en X o,
inversamente, que tan inexacta puede ser la estimación. El error estándar de
estimación se denota con la letra sx.y. La desviación estándar mide la dispersión
alrededor de la media; el error estándar de estimación mide dispersión alrededor de la
línea de regresión.

Error Estándar de Estimación

Una medida de dispersión de los valores observados alrededor
de la línea de regresión.

El error estándar se calcula mediante la ecuación que presentaremos a continuación.

Sin embargo observemos que la ecuación es muy parecida a la de desviación estándar
de la muestra, con la diferencia que Y es sustituida por Y’

Error estándar de estimación S x. y = ∑(Y − Y ' ) 2

n −2
O también podemos emplear la siguiente fórmula:

S x. y =
∑Y 2
− a (∑Y ) − b(∑ XY
n −2

Suposiciones la emplear el Análisis de Regresión Lineal

a. Para cada valor X hay un grupo de valores Y, y estos valores Y están distribuidos
normalmente.
b. Todas las medias de estas distribuciones normales de Y están sobre la línea de
regresión.
c. Las desviaciones estándar de estas distribuciones normales son iguales.
d. Los valores de Y son estadísticamente independientes. Este significa que al
seleccionar una muestra, el valor Y escogido para una X determinada no
depende del valor de Y para ningún otra X.

69
Respuestas

Ejercicio 1:
Clasifica los siguientes eventos:

a. El lanzamiento de dos monedas a la vez

________Independiente______________
b. Que un vuelo de avión salga retrasado __ Mutuamente excluyente y
Complementario
c. Que un bebé sea varón __Mutuamente excluyente y colectivamente exhaustivo
d. Que la comida de hoy no quede salada __Mutuamente excluyente y
Complementario
e. Que en la próxima temporada de béisbol Magallanes sea el campeón
Colectivamente exhaustivo

Ejercicio 2
n! 5! 120
P= p r q n −r = 0,20 2 0,80 3 = 0,04 (0,512 ) = 10 (0,0204 ) = 0,2048
r!( n − r )! 2!(5 − 2)! 2(6)

n! 5! 120
P= p r q n −r = 0,20 3 0,80 2 = 0,008 (0,64 ) = 10 (0,0051 ) = 0,0512
r!( n − r )! 3!(5 − 3)! 6( 2)

n! 5! 120
P= p r q n −r = 0,20 4 0,80 1 = 0,0016 (080 ) = 5(0,0012 ) = 0,0064
r!( n − r )! 4!(5 − 4)! 24 (1)

Ejercicio 3
P= 0.4
Q= 0.6
N= 5

Realicemos el cálculo de cada valor de R:

Para R= 0 obtenemos que: P(0) = 5!/ 0!(5-0)! (0.4 )0 (0.6)5, P(0) = 0.07776

Para R= 1 obtenemos que: P(1) = 5!/ 1!(5-1)! (0.4 )1 (0.6)4, P(1) = 0.2592

Para R=2 obtenemos que: P(2) = 5!/ 2!(5-2)! (0.4 )2 (0.6)3, P(2) = 0.3456

Para R= 3 obtenemos que: P(3) = 5!/ 3!(5-3)! (0.4 )3 (0.6)2 P(3) = 0.2304

Para R= 4 obtenemos que: P(4) = 5!/ 4!(5-4)! (0.4 )4 (0.6)1 P(4) = 0.0768

Para R= 5 obtenemos que: P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0, P(5) = 0.01024

Ejercicio 4:

70
 X − µ 510 − 500
Z= = =1
σ 10

X − µ 490 − 500
Z= = = −1
σ 10

Ejercicio 5
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9
La media y la varianza de cada variable independiente es:
m = 0,10
s2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye según una normal cuya media y
varianza son:
Media : n * m = 100 * 0,10 = 10
Varianza : n * s2 = 100 * 0,09 = 9
Para calcular la probabilidad de salir a la pizarra más de 15 veces, calculamos el valor
equivalente de la variable normal tipificada:

Luego:
P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir más de 15 veces a la pizarra a lo largo del
curso es tan sólo del 4,75%.

71
Bibliografía

Berenson, M. y Levine, D (1996) Estadística Básica en Administración. Pretince

Hall:México. México DF.

Gonzalez, E. (2000) Estadística General. Ediciones de la biblioteca UCV: Carcas,

Venezuela.

Kazmier, L. (1998) Estadística aplicada a la Administración y a la Economía. Mc Graw

Hill: México DF, México.

Lind, D., Mason, R. y Marchal, W. (2001) Estadística para Administración y Economía.

Mc Graw Hill Interamericana: México D.F. México

Salama, D. (2002) Estadística. Metodología y aplicaciones. Editorial Torino: Caracas,

Venezuela.

Webster, A. (2000) Estadística Aplicada a los Negocios y a la Economía. Irwin-Mc Graw

Hill: Santa fé de Bogotá, Colombia.

72
ANEXOS

73
TABLA DE DISTRIBUCIÓN NORMAL TIPIFICADA N(0,1)

74
Manejo de Tablas. Casos Más Frecuentes (Zonas de aceptación o rechazo)

75
Distribución t de Student

76