P. 1
LIA Probabilidad y a

LIA Probabilidad y a

|Views: 2.051|Likes:
Publicado porErendira Garcia

More info:

Published by: Erendira Garcia on Nov 04, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/14/2013

pdf

text

original

Sections

  • PRIMER DOCUMENTO: MANUAL DEL ESTUDIANTE
  • 1. LOS MATERIALES DIDÁCTICOS
  • 3. RECOMENDACIONES PARA FACILITAR EL ESTUDIO INDEPENDIENTE
  • 4. CARACTERÍSTICAS PROPIAS DE LA MATERIA DE: ESTADÍSTICA
  • SEGUNDO DOCUMENTO: GUÍA DIDÁCTICA
  • PRESENTACIÓN DE LA GUÍA DE ESTUDIO
  • OBJETIVOS GENERALES DE LA ASIGNATURA
  • DESCRIPCIÓN DEL CURSO
  • CRITERIOS DE EVALUACIÓN
  • POLÍTICAS DEL CURSO
  • HERRAMIENTAS Y UTILERÍAS
  • UNIDAD 01. PROBABILIDAD
  • 1.1 OBJETIVOS PARTICULARES
  • 1.3 LECTURAS RECOMENDADAS
  • 1.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS
  • UNIDAD 02. VARIABLES ALEATORIAS
  • 2.1 OBJETIVOS PARTICULARES
  • 2.3 LECTURAS RECOMENDADAS
  • 2.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS
  • UNIDAD 03. DISTRIBUCIONES DISCRETAS
  • 3.1 OBJETIVOS PARTICULARES
  • 3.3 LECTURAS RECOMENDADAS
  • 3.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS
  • UNIDAD 04. DISTRIBUCIONES CONTINUAS
  • 4.1 OBJETIVOS PARTICULARES
  • 4.3 LECTURAS RECOMENDADAS
  • 4.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS
  • UNIDAD 05. DISTRIBUCIÓN NORMAL
  • 5.1 OBJETIVOS PARTICULARES
  • 5.3 LECTURAS RECOMENDADAS
  • 5.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS
  • UNIDAD 06. INFERENCIAS EN UNA POBLACIÓN
  • 6.1 OBJETIVOS PARTICULARES
  • 6.3 LECTURAS RECOMENDADAS
  • 6.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS
  • TERCERA PARTE: TEXTO DE AUTOAPRENDIZAJE
  • P R E S E N T A C I Ó N
  • OBJETIVOS PARTICULARES
  • El papel de la estadística en la toma de decisiones
  • Estadística descriptiva e inferencial y probabilidad
  • El espacio de los sucesos
  • Azar, suceso aleatorio
  • Axiomas de Kolmogorov
  • Otras propiedades de las probabilidades
  • ACTIVIDADES DE APRENDIZAJE
  • Introducción: Variables aleatorias
  • Variables Continuas y Discretas
  • Variables cualitativas y cuantitativas
  • Descripción de variables cualitativas
  • Diagrama de barras
  • Descripción de variables cuantitativas
  • Organización y clasificación de los datos de las tablas
  • Probabilidad básica
  • Distribuciones de probabilidad
  • Función de probabilidad
  • Función de distribución
  • Valor esperado de una variable
  • Desviación estándar o típica
  • El coeficiente de variación
  • Coeficiente de correlación
  • Distribuciones de variables discretas
  • Distribución uniforme
  • Distribución binomial
  • Distribución hipergeométrica
  • Distribución de Poisson
  • Distribución normal
  • Distribuciones de muestreo en la media
  • Distribución de la media muestral X:
  • La distribución de muestreo de S2
  • Distribución de la proporción muestral:
  • Muestreo simple, sistemático, conglomerado y estratificado
  • Muestreo aleatorio simple
  • Muestreo estratificado
  • Muestreo por conglomerados
  • Muestreo por etapas
  • Muestreo aleatorio sistemático
  • Distribuciones de muestreo de la proporción y de la diferencia
  • Proporción poblacional
  • Distribución de la diferencia de proporciones
  • Distribución del cociente de varianzas
  • Cuadros de referencia
  • Intervalos de confianza
  • Intervalo de confianza
  • Estimación de la media poblacional a partir de la media muestral
  • Determinación del tamaño de la muestra para estimar la media
  • Conceptos básicos
  • Tamaño de muestra para estimar la media de la población
  • La prueba de hipótesis para media y proporción
  • Prueba de hipótesis para la proporción
  • Errores en prueba de hipótesis

Licenciatura en Informática Administrativa

Probabilidad y Estadística

I

Licenciatura en Informática Administrativa

ÍNDICE
PRIMER DOCUMENTO: MANUAL DEL ESTUDIANTE ------------------ 2
1. LOS MATERIALES DIDÁCTICOS. ---------------------------------------------------------- 2 2. CARACTERÍSTICAS DE LA MODALIDAD EDUCATIVA NO ESCOLARIZADA. ------------------------------------------------------------------------------------------------------------ 4 3. RECOMENDACIONES PARA FACILITAR EL ESTUDIO INDEPENDIENTE. -- 5 4. CARACTERÍSTICAS PROPIAS DE LA MATERIA DE: ESTADÍSTICA. --------- 7

SEGUNDO DOCUMENTO: GUÍA DIDÁCTICA ----------------------------- 9
BIENVENIDA ------------------------------------------------------------------------------------------ 9 PRESENTACIÓN DE LA GUÍA DE ESTUDIO ---------------------------------------------- 10 OBJETIVOS GENERALES DE LA ASIGNATURA. --------------------------------------- 10 DESCRIPCIÓN DEL CURSO. ------------------------------------------------------------------- 10 METODOLOGÍA------------------------------------------------------------------------------------- 11 CRITERIOS DE EVALUACIÓN ----------------------------------------------------------------- 13 POLÍTICAS DEL CURSO. ------------------------------------------------------------------------ 14 AYUDAS ----------------------------------------------------------------------------------------------- 14 HERRAMIENTAS Y UTILERÍAS --------------------------------------------------------------- 14

INTRODUCCIÓN ------------------------------------------------------------------- 16 UNIDAD 01. PROBABILIDAD -------------------------------------------------- 17
1.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 17 1.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 17 1.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 17 1.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 18

UNIDAD 02. VARIABLES ALEATORIAS ----------------------------------- 19
2.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 19 2.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 19 2.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 19 2.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 20

UNIDAD 03. DISTRIBUCIONES DISCRETAS ----------------------------- 21
3.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 21 3.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 21 3.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 21 3.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 22

UNIDAD 04. DISTRIBUCIONES CONTINUAS ----------------------------- 23
4.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 23 4.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 23 4.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 23 4.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 24

UNIVERSIDAD VASCO DE QUIROGA

II

Licenciatura en Informática Administrativa

UNIDAD 05. DISTRIBUCIÓN NORMAL ------------------------------------- 25
5.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 25 5.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 25 5.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 25 5.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 26

UNIDAD 06. INFERENCIAS EN UNA POBLACIÓN. --------------------- 27
6.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 27 6.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 27 6.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 27 6.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 28

TERCERA PARTE: TEXTO DE AUTOAPRENDIZAJE ------------------ 30
P R E S E N T A C I Ó N -------------------------------------------------------------------------- 30

UNIDAD 01. INTRODUCCIÓN A LA ESTADÍSTICA PARA INFORMÁTICA --------------------------------------------------------------------- 31
OBJETIVOS PARTICULARES------------------------------------------------------------------ 31 TEMAS Y SUBTEMAS: --------------------------------------------------------------------------- 31 Importancia y aplicación de la probabilidad y estadística para la Informática ----------------------------------------------------------------------------------------------------------- 32 El papel de la estadística en la toma de decisiones ----------------------------------- 32 Estadística descriptiva e inferencial y probabilidad----------------------------------- 32
El espacio de los sucesos. -------------------------------------------------------------------------------- 33 Azar, suceso aleatorio-------------------------------------------------------------------------------------- 33 Probabilidad -------------------------------------------------------------------------------------------------- 34 Axiomas de Kolmogorov ----------------------------------------------------------------------------------- 34 Otras propiedades de las probabilidades. ------------------------------------------------------------- 35

ACTIVIDADES DE APRENDIZAJE ------------------------------------------------------------ 36 AUTOEVALUACIÓN ------------------------------------------------------------------------------- 37

UNIDAD 02. VARIABLES ALEATORIAS ----------------------------------- 38
2.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 38 2.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 38

INTRODUCCIÓN: VARIABLES ALEATORIAS ---------------------------- 39
Variables Continuas y Discretas ------------------------------------------------------------- 40 Variables cualitativas y cuantitativas ------------------------------------------------------- 40
Descripción de variables cualitativas ------------------------------------------------------------------- 40 Diagrama de barras. ---------------------------------------------------------------------------------------- 44 Descripción de variables cuantitativas ----------------------------------------------------------------- 45

Organización y clasificación de los datos de las tablas ----------------------------- 47 Probabilidad básica ------------------------------------------------------------------------------- 48 Distribuciones de probabilidad --------------------------------------------------------------- 52
Función de probabilidad ----------------------------------------------------------------------------------- 52 Función de distribución ------------------------------------------------------------------------------------ 53 Función de densidad --------------------------------------------------------------------------------------- 54 Función de distribución ------------------------------------------------------------------------------------ 56

UNIVERSIDAD VASCO DE QUIROGA

III

82 6.90 Muestreo por conglomerados ----------------------------------------------------------------------------91 Muestreo por etapas ---------------------------------------------------------------------------------------. sistemático.83 Distribuciones de muestreo en la media -------------------------------------------------.66 3.77 5.89 Muestreo aleatorio simple --------------------------------------------------------------------------------.98 UNIVERSIDAD VASCO DE QUIROGA IV .Licenciatura en Informática Administrativa Valor esperado de una variable --------------------------------------------------------------.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------.59 Varianza ----------------------------------------------------------------------------------------------.66 3.68 Distribución hipergeométrica ----------------------------------------------------------------.93 Distribuciones de muestreo de la proporción y de la diferencia-----------------.97 Intervalos de confianza -------------------------------------------------------------------------. INFERENCIAS EN UNA POBLACIÓN.71 Distribución de Poisson ------------------------------------------------------------------------.57 Media --------------------------------------------------------------------------------------------------.84 Distribución de la media muestral X : -----------------------------------------------------------------.81 UNIDAD 06. DISTRIBUCIÓN NORMAL ------------------------------------.93 Distribución de la diferencia de proporciones -------------------------------------------------------.95 Cuadros de referencia --------------------------------------------------------------------------.77 5.61 El coeficiente de variación --------------------------------------------------------------------.62 Covarianza ------------------------------------------------------------------------------------------.98 Concepto -----------------------------------------------------------------------------------------------------.78 AUTOEVALUACIÓN ------------------------------------------------------------------------------.93 Proporción poblacional ------------------------------------------------------------------------------------.67 Distribución uniforme ---------------------------------------------------------------------------.86 La distribución de muestreo de S2: ---------------------------------------------------------------------.84 Definiciones --------------------------------------------------------------------------------------------------.88 Distribución de la proporción muestral: ---------------------------------------------------------------.77 Distribución normal ------------------------------------------------------------------------------.64 UNIDAD 03.66 Distribuciones de variables discretas -----------------------------------------------------. --------------------. DISTRIBUCIONES DISCRETAS ----------------------------.62 Coeficiente de correlación ---------------------------------------------------------------------.63 Ejemplos ---------------------------------------------------------------------------------------------.1 OBJETIVOS PARTICULARES -----------------------------------------------------------.1 OBJETIVOS PARTICULARES -----------------------------------------------------------.1 OBJETIVOS PARTICULARES -----------------------------------------------------------.93 Muestreo aleatorio sistemático --------------------------------------------------------------------------.87 Distribución F: -----------------------------------------------------------------------------------------------.89 Muestreo estratificado -------------------------------------------------------------------------------------.82 Introducción ----------------------------------------------------------------------------------------.89 Muestreo simple.67 Distribución binomial ---------------------------------------------------------------------------.94 Distribución del cociente de varianzas ----------------------------------------------------------------.82 6.60 Desviación estándar o típica------------------------------------------------------------------.96 AUTOEVALUACIÓN ------------------------------------------------------------------------------.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------.73 UNIDAD 05. conglomerado y estratificado --------------------.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------.

112 Errores en prueba de hipótesis ------------------------------------------------------------.114 BIBLIOGRAFÍA ------------------------------------------------------------------.Licenciatura en Informática Administrativa Intervalo de confianza -------------------------------------------------------------------------------------.111 Prueba de hipótesis para la proporción -------------------------------------------------------------.107 Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con cualquier distribución.99 Intervalo de confianza para la media.103 La prueba de hipótesis para media y proporción -----------------------------------.101 Determinación del tamaño de la muestra para estimar la media --------------. cuando se selecciona una muestra aleatoria de tamaño n de una población con distribución normal con media y varianza conocida. ------------------------------------------------------.116 UNIVERSIDAD VASCO DE QUIROGA V . --------------------------------------------------------------------------------------------------------.104 Prueba de hipótesis para la media si la población de donde se obtiene la muestra tiene distribución normal con conocida.100 Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n<30.110 Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n<30 ----------------------------------------------------------------------------------------------------------------.102 Tamaño de muestra para estimar la media de la población -----------------------------------. --------------------------------. -----------------------------------------------------------------.98 Estimación de la media poblacional a partir de la media muestral -------------.99 Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con distribución diferente a la normal. .102 Conceptos básicos ---------------------------------------------------------------------------------------.

Licenciatura en Informática Administrativa Manual del Estudiante UNIVERSIDAD VASCO DE QUIROGA 1 .

ofrece los estudios de Informática Administrativa en su Modalidad No Escolarizada. Enunciado propositivo que establece qué se espera de un estudiante al término del proceso de UNIVERSIDAD VASCO DE QUIROGA 2 . actividades de aprendizaje. glosarios y demás elementos importantes para lograr el autoaprendizaje.Licenciatura en Informática Administrativa PRIMER DOCUMENTO: MANUAL DEL ESTUDIANTE 1. desarrollo temático y de subtemas. formas de evaluación y acreditación. La Licenciatura en Informática Administrativa de la Universidad Vasco de Quiroga. Donde estudiante encontrará: • La Mejor Alternativa de Estudios Superiores de Licenciatura en Informática Administrativa en su modalidad No Escolarizada. que constituyan un verdadero instrumento de apoyo para los estudiantes. diseñados para lograr la mejor comprensión de los diferentes contenidos temáticos y así alcanzar los objetivos académicos preestablecidos. GUÍA DIDÁCTICA DE ESTUDIO. es decir. con la misión de ofrecer a la comunidad los mejores servicios profesionales a nivel superior. que se cumplan los objetivos del curso. se integran por las partes siguientes: a) Presentación. Que señala el objetivo de la misma (Objetivo de Aprendizaje). están concebidos de tal forma. para toda aquella persona que busca la superación personal y académica que en la actualidad se requiere. mediante el cual se facilite responsablemente el logro de todo el quehacer académico de la asignatura. Son los elementos de apoyo para el aprendizaje. MATERIALES DIDÁCTICOS DE ALTA CALIDAD. LOS MATERIALES DIDÁCTICOS. Que constituye precisamente la guía para el estudiante que se integra a la modalidad no escolarizada y que desea aprobar cada una de las asignaturas. por lo tanto. y que por no poderse ajustar a los sistemas tradicionales necesita de alternativas serias y accesibles para continuar con la construcción de una vida con mayores elementos para su crecimiento. cuestionarios de auto evaluación. que a continuación se detallan: Las Guías Didácticas de Estudio. Para una mejor identificación y aprovechamiento de los referidos Materiales Didácticos. Los materiales especiales para el Sistema No Escolarizado. que satisfagan las necesidades que reclaman las actividades de aprendizaje e integradoras. a continuación se aporta una breve semblanza de éstos: 1. Guía que contiene objetivos generales y particulares de aprendizaje. bibliografía básica y complementaria. actividades integradoras. lo constituyen la Guía Didáctica de Estudio y el propio Texto de Autoaprendizaje por asignatura de la Universidad Vasco de Quiroga.

importantes para la mejor comprensión de los temas. los temas. TEXTO DE AUTOAPRENDIZAJE. Actividad de Aprendizaje. (por curso. Descripción del método o técnicas utilizadas por el asesor. la temática.Licenciatura en Informática Administrativa b) c) d) e) f) g) aprendizaje. 2. con el fin de generar un clima de orden y confianza entre el asesor y el estudiante. Criterios de Evaluación. Criterios que deben de señalarse desde el principio a los estudiantes. materia o unidad). las Fuentes de Información Básicas y Secundarias y. Son todas aquellas actividades que el asesor prevé con el propósito de facilitar y comprobar el aprendizaje de los alumnos y la adquisición de las habilidades necesarias para aplicar los conocimientos adquiridos a su vida personal y futuro ejercicio profesional. entrega de actividades integradores. conformado por: • Presentación. así como sugerencias en cuanto a la búsqueda de la información. evitando con esto dispersión y desgaste innecesario de energías. • Introducción. Que debe buscar el desarrollo de habilidades propuestas para cada curso. Que consiste en la Selección de información básica y complementaria. los propósitos de las actividades de aprendizaje e integradoras y los mecanismos para mantener un contacto permanente con los estudiantes. Actividad Integradora. En donde se conformarán los Objetivos de Aprendizaje. Donde se proporcione al alumno un panorama general del contenido y pueda percibir de forma completa el propósito de la asignatura y de la guía didáctica. calidad y profundidad. Estructura por Unidad de Aprendizaje. el desarrollo de actividades y los mecanismos de intercambio de experiencias significativas. los conceptos y tópicos a revisar. asimilación del método de trabajo. necesaria para cubrir los objetivos temáticos de aprendizaje que exige la asignatura. y sobre todo. aplicación de conocimientos en los casos prácticos planteados por el asesor. las actividades de aprendizaje. Introducción a la Asignatura. Sugerencias Metodológicas. UNIVERSIDAD VASCO DE QUIROGA 3 . (TEXTO DE AUTOENSEÑANZA). una actitud crítica y de análisis ante los objetos de estudio. • Índice. Que buscarán con todo ello verificar el aprendizaje significativo. Donde el asesor considere aspectos tales como el desarrollo de actividades de aprendizaje por tema. actividades complementarias y exámenes.

con el propósito de garantizar el éxito de todos estos grandes esfuerzos. Unidad Temática desarrollada en Temas y Subtemas. son profesionales en contenidos curriculares y aspectos pedagógicos. se basa en el estudio independiente (autodidactismo o proceso autogestivo del aprendizaje). contribuye a la tutela y desarrollo de la dignidad humana. de modo riguroso y crítico.Licenciatura en Informática Administrativa • • • • • • • • Objetivos Generales de la Asignatura. y sus Asesores. La modalidad de Educación No Escolarizada. la enseñanza y los diversos servicios ofrecidos a las comunidades locales. guiar o aconsejar a los estudiantes del sistema no escolarizado. Actividades de Aprendizaje Autoevaluación. • Que está dispuesto a afrontar el reto personal de utilizar los métodos y técnicas de estudio que el sistema requiere. en Informática Administrativa de la Universidad Vasco de Quiroga. de la herencia cultural y la develación de la verdad mediante la investigación. para orientar. es la mejor opción de desarrollo para sus protagonistas. Texto de las Lecturas Básicas correspondientes a la unidad temática. Informática Administrativa de la Universidad Vasco de Quiroga. Es por ello que la Lic. En donde los estudiantes son personas que se transforman en sujetos activos y comprometidos en el proceso de aprendizaje. informar del perfil y de los compromisos que el aspirante debe cumplir al momento de ser aceptado. 2. y que son: • El convencimiento de que sus habilidades y limitaciones como estudiantes independientes son los mínimos indispensables para iniciar la licenciatura en este modelo educativo. nacionales e internacionales. Desarrollo del Contenido Temático. Además por ser fundamental. Glosario de Términos propios de la Asignatura. debido a que la institución se encuentra constituida por una comunidad académica. ha establecido Curso de Inducción que tiene como propósito dejar en claro la misión de la universidad. tanto en lo general como en lo particular del programa elegido. La Lic. dirigido a personas que por distintas causas no pueden integrarse al sistema tradicional escolarizado. UNIVERSIDAD VASCO DE QUIROGA 4 . CARACTERÍSTICAS DE LA MODALIDAD EDUCATIVA NO ESCOLARIZADA. que. que utilizan los instrumentos didácticos que le ofrece la tecnología educativa. pero que están comprometidos con la superación humana y profesional. Datos Bibliográficos de los Textos Básicos y Complementarios. y así alcanzar la verdad.

RECOMENDACIONES INDEPENDIENTE. Los estudiantes del sistema no escolarizado deben tener la certeza que se cuenta con los mejores asesores. Para obtener mejores resultados de los materiales didácticos del sistema no escolarizado. Que está dispuesto a retomar las técnicas de estudio sugeridas por el asesor. apoyarse en conferencias complementarias. Los materiales didácticos para educación no escolarizada. a generar preguntas sobre aspectos dudosos. así como materiales y actividades. cuyos contenidos forman un paquete UNIVERSIDAD VASCO DE QUIROGA 5 . e) No fragmentar el conocimiento. buscando respuestas y explicaciones a los mismos. Que valore la importancia de los imprevistos ante sus compromisos de estudio. los cuales han demostrado tener disposición y capacidad para: a) Crear ambientes propicios para el aprendizaje. acudir a los grupos de estudio que existan en su localidad. contemplar sus actividades fijas y su tiempo libre. establecer tiempos fijos de estudio y prever flexibilidad para los imprevistos. relacionar lo que aprende con su vida práctica. PARA FACILITAR EL ESTUDIO PRIMERA. asistir a las sesiones de retroalimentación. 3. f) Apoyar la investigación como instrumento de generación de respuestas a interrogantes y soluciones a problemas. g) Provocar que los estudiantes arriben a la síntesis fundada y motivada del tema visto. c) Generar reflexión. recuérdese que son elaborados por equipos interdisciplinarios. b) Facilitar la retroalimentación de experiencias que le permita anticiparse a los problemas. No utilizar ningún pretexto para evadir su responsabilidad. confrontación y análisis que permitan la construcción de conocimientos significativos. para que al final generen su propia autoevaluación. sino integrar lógicamente los contenidos con una perspectiva interdisciplinaria. sugiriendo alternativas de solución. d) Respetar el ritmo de aprendizaje y los intereses del estudiante. el estudiante debe consultar las guías. a la aportación de nuevas experiencias de aprendizaje.Licenciatura en Informática Administrativa • • • • Que es capaz de planear adecuadamente su tiempo para el estudio y la evaluación. tener presente los tiempos necesarios para el descanso y la vida cotidiana. reunirse con el asesor cuantas veces lo necesite en los tiempos predeterminados y a través de los medios de comunicación elegidos. tratar de realizar de forma ordenada las actividades para el logro de objetivos.

las cuales deben ser reportadas puntualmente. mediante la socialización y confrontación de opiniones. quien precisamente le clarificará sus dudas y se retroalimentará de información complementaria significativa. de manera presencial o utilizando los medios electrónicos. • • • • UNIVERSIDAD VASCO DE QUIROGA 6 . Las asesorías serán individuales o grupales. con el propósito de provocar la reflexión y actitud crítica de los participantes. trabajos que presentar o actividades que desarrollar. Acordar con los asesores sobre los procedimientos a seguir para la recepción de trabajos. Asistir o participar en las Asesorías. aportaciones y correcciones que pueda sugerirle el asesor de forma personalizada. Asesoría Grupal. Organizados a través de situaciones problemáticas. en donde el estudiante debe de esforzarse por resolver el problema. Asesoría Individual. que le permita facilitar la elaboración de sus actividades.Licenciatura en Informática Administrativa didáctico. así como entregar el producto de las actividades solicitadas. debe informar a su asesor para acordar conjuntamente las acciones a seguir. que requieran una solución y pueda plantearse en el curso. ya que de él dependerá el éxito de su aprendizaje. Presentarse en los tiempos y formas establecidas por la Universidad para la práctica de las evaluaciones correspondientes. Deberá partir de una evaluación diagnóstica y compromisos de tiempo de estudio y evaluación. para seguir con la obtención de información de la materia a cursar. Las principales Obligaciones del estudiante son: • • • Estudiar personalmente de cada asignatura. SEGUNDA. actualizando y profundizando el conocimiento de la materia. Que buscará el intercambio de experiencias de aprendizaje. en el caso de los alumnos foráneos. sobre todo en aquellos casos en los que la evaluación no se sujete solo a un examen. su inventiva y originalidad de respuestas. para aplicar lo teóricamente adquirido al campo de la realidad. TERCERA. están elaborados en base a los contenidos a enseñar así como los intereses y necesidades de los participantes. La asistencia a las asesorías no es obligatoria. pero sí recomendable por las importantes aclaraciones. Que responden a las preguntas: ¿Por qué se elabora el material? ¿A quién está dirigido? ¿Quién lo selecciona y cómo se va a organizar? ¿Qué medios de comunicación son los más idóneos? Materiales que provienen y remiten a distintas fuentes de información. sino existan además. antes de acudir con el asesor. El alumno que no asista o no participe en las asesorías. No recibir o prestar ayuda fraudulenta en las evaluaciones o exámenes correspondientes.

Licenciatura en Informática Administrativa

4. CARACTERÍSTICAS ESTADÍSTICA.

PROPIAS

DE

LA

MATERIA

DE:

La Estadística es una rama de las matemáticas que busca interpretar un gran volumen de información como es el caso de la estadística descriptiva, con objeto de conocer algunas características de interés acerca de una población en particular, esta información es de gran ayuda para la Informática, dado que contribuye a diseñar estrategias eficaces para comerciar productos. Por otra parte sabemos lo complicado que es, realizar un estudio que con lujo de detalles describa a una población en su conjunto, por lo que la inferencia estadística busca tomar una muestra que sea representativa de una población y a partir de ahí, tomar decisiones e interpretar sus detalles. Exige del estudiante un conocimiento básico de matemáticas, de razonamiento lógico, capacidad de abstracción y deducción, así como un especial interés por los detalles, pero sin duda es una herramienta poderosa para la interpretación y solución de problemas sociales y empresariales. BIENVENIDO Y MUCHO ÉXITO! !!!!!BIENVENIDO LA ESTUDIO DE LA ESTADÍSTICA Y MUCHO ÉXITO!!!!!

UNIVERSIDAD VASCO DE QUIROGA

7

Licenciatura en Informática Administrativa

Guía didáctica

UNIVERSIDAD VASCO DE QUIROGA

8

Licenciatura en Informática Administrativa

SEGUNDO DOCUMENTO: GUÍA DIDÁCTICA
BIENVENIDA
LA UNIVERSIDAD VASCO DE QUIROGA Te da la más cordial bienvenida al estudio de ESTADÍSTICA. Esta asignatura se imparte dentro la modalidad de Educación No Escolarizada y es parte integrante DE LA LICENCIATURA EN INFORMÁTICA ADMINISTRATIVA. Queremos refrendarte una calurosa felicitación por haber seleccionado esta forma de estudio como una opción de acrecentar tus conocimientos. Solo ten presente que la tecnología es solo una herramienta para poderte hacer llegar el conocimiento y que para poder asimilarlo se requiere de un importante esfuerzo y compromiso por parte tuya. Recuerda que durante este proceso de aprendizaje eres la parte más importante y que nosotros estamos para que puedas lograr con éxito tus metas de estudio; cuentas con todas las herramientas necesarias y un gran equipo de personas expertas en diferentes especialidades están listas para poder auxiliarte en caso de que surja algún inconveniente o problema. Ten presente que para poder acreditar el curso debes de realizar las actividades que te marque tu profesor/asesor. y además debes participar activamente en las reuniones que tu asesor convenga con el grupo para clarificar tus dudas. Para poder seguir satisfactoriamente los cursos que ofrecemos en la modalidad No Escolarizada te requerimos tengas conocimientos básicos de herramientas computacionales y que sepas navegar por internet, ya que éste medio nos puede servir como herramienta en la búsqueda de conocimientos, además de canal de comunicación, el caso que sientas que no cuentas con la experiencia necesaria en el manejo de la computadora te aconsejamos que puedas tomar algún curso especial. Recuerda siempre que ante cualquier duda, comentario o sugerencia puedes hacérnoslo saber para así poder mejorar y poder brindarte un servicio educativo de calidad, puedes hacerlo a través del asesor de la materia que estés cursando o puedes dirigirte al Coordinador Académico. Esperamos que disfrutes la experiencia de estudiar en esta modalidad, pronto descubrirás las grandes ventajas y bondades que tiene esta forma de estudio, por lo pronto dedícate a estudiar con empeño y recuerda que no estás solo, estamos contigo. ¡Mucho Éxito!

UNIVERSIDAD VASCO DE QUIROGA

9

Al término del cuatrimestre el alumno será capaz de conocer y aplicar diversas metodologías de recopilación y organización de datos y los representará y analizará mediante tablas. busca orientarlos sobre el contenido de la asignatura de ESTADÍSTICA PARA INFORMÁTICA. así como de las actividades que se realizarán durante la duración del mismo. Formulará y seleccionará el modelo de distribución adecuado a un problema específico. Conocerá y aplicará herramientas computacionales de apoyo para la recopilación. medición y análisis de datos obtenidos de conteo y encuestas. OBJETIVOS GENERALES DE LA ASIGNATURA.com Título: INGENIERO INDUSTRIAL.Licenciatura en Informática Administrativa PRESENTACIÓN DE LA GUÍA DE ESTUDIO Esta guía es un auxiliar para los estudiantes que cursan los estudios en la modalidad No Escolarizada. DESCRIPCIÓN DEL CURSO. Explicará la importancia y finalidad del muestreo y su relación con la estimación de parámetros poblacionales. CREDITOS El material utilizado para el desarrollo de la presente asignatura fue producido y digitalizado por la Universidad Vasco de Quiroga. a partir de los trabajos e investigaciones realizadas por: Profesor: FAUSTO ARREGUÍN HUERTA Correo Electrónico: fahii@hotmail. En especial. gráficas y diagramas. comprende los siguientes temas generales UNIVERSIDAD VASCO DE QUIROGA 10 . Toda la información se encuentra contenida en esta guía. El curso de PROBABILIDAD Y ESTADÍSTICA. Conocerá y explicará la utilidad del análisis de regresión para la toma de decisiones. Inferirá sobre el comportamiento de una población de interés mediante el uso de técnicas de muestreo. Conocerá e interpretará las principales distribuciones de probabilidad como herramientas básicas de la toma de decisiones en el área de Informática.

Pero para ello es importante que participes en todas y cada una de UNIVERSIDAD VASCO DE QUIROGA 11 . 2. Distribuciones de muestreo. facilitar la investigación y ofrecer sugerencias sobre el mejor manejo de la información. se enfoca principalmente a recordarte que en ningún instante estarás sin apoyo. Tercer Paso. contarás con conocimientos que te servirán de referencia para otras materias en el transcurso de tu carrera. Si después de llevado a cabo lo anterior. Distribuciones de probabilidad. con el fin de obtener un panorama completo de los contenidos a tratar. no te preocupes. al concluir con el Aprendizaje de ESTADÍSTICA. Medidas de centralización y dispersión. obteniendo notas personales sobre lo que es importante destacar en cada lectura. ya que de lo contrario su óptica sería parcial). para que sean revisadas. Recolección análisis y representación de datos. evaluadas y corregidas para tu mejor comprensión. éstas se eliminarán si estás en comunicación permanente con tu ASESOR.Licenciatura en Informática Administrativa 1. para ello. con las cuales se logrará llegar a conocer. Segundo Paso. Actividades que posteriormente te podrás AUTOEVALUAR. analizar y elaborar cada uno de los conceptos y tópicos de manera sustentada y no simples opiniones. 5. Estimación y decisión estadística Para con todo esto. se dará inicio a la realización de lo que se denomina ACTIVIDADES DE APRENDIZAJE. cuestionarios…). a quien entregarás las actividades de aprendizaje solicitadas (investigaciones. 3. así como incorporar toda aportación que surja para mejorar el Ambiente de Aprendizaje. Conoce los Objetivos Generales y de cada Unidad. METODOLOGÍA La presente GUÍA DIDÁCTICA. Una vez conocido el contenido de cada Unidad de forma muy general (y sólo después de esto. quedaron dudas. Se te sugiere que para lograr de mejor forma estos propósitos. aplicar. 4. reflexionando sobre los mismos. subtemas. aprender. sus conceptos y tópicos. sus temas. buscará siempre el intercambio de experiencias entre los interlocutores para aclarar dudas. es conveniente que sigas los pasos que se te señalan a continuación: Primer Paso.

Utilizando las herramientas informativas que se sugieran y que se puedan tener al alcance. y que será proporcionada por tu ASESOR. Actividad a la cual se le otorga el mayor grado de calificación. Leer los textos de autoaprendizaje. Temas. en la materia. Resolver las Actividades de Aprendizaje. Grupo Editorial Iberoamérica. así pues. 4. con que cuenta el ESTADÍSTICA.Licenciatura en Informática Administrativa las actividades de aprendizaje que se te recomienden. Editorial Math Learning Thomson. con la finalidad de que midas si has adquirido los conocimientos. por lo tanto se requiere de dedicación y práctica para que el presente documento sea de gran utilidad y su contenido haga efectivo el aprendizaje significativo. podrás verificar si tus respuestas fueron acertadas en la hoja de respuestas que se ubica al final del documento. Conceptos. 1988 Anderson Sweeney Williams. y esto se logra mediante una forma que se denomina ACTIVIDAD INTEGRADORA. Estadística para Administradores. no significa que se trate del conocimiento de contenidos aislados. 3. se aprovecha la oportunidad para señalar la BIBLIOGRAFÍA BÁSICA. ¡¡¡¡PUES BIEN. 2008 William Mendenhall. Realizar las Actividades Integradoras que te indique tu Profesor/Asesor con la finalidad de otorgarte una calificación. al momento de evaluar la participación del alumno. Tareas a realizar por los alumnos de los Cursos No Escolarizados: 1. Quinto Paso. Estadística para administración y economía. y que es precisamente la siguiente: • • • ARREGUÍN HUERTA. Universidad Vasco de Quiroga. Tópicos. El hecho de que se determinen Objetivos. Finalmente. sino que. Actividad propia del estudiante y reflejo de la Investigación diaria. Contestar las Autoevaluaciones lo más honestamente posible. ya resueltas. Estadística para Informática. 2. 2005. y si el Asesor lo indica. Enseguida. debemos comprobar que el Aprendizaje de la ESTADÍSTICA. lo que se aprende al principio del curso se aplica hasta el final. CAMINEMOS JUNTOS!!!!! UNIVERSIDAD VASCO DE QUIROGA 12 . Actividades de Aprendizaje y Autoevaluaciones por Unidad. todos los conocimientos que se van adquiriendo forman parte del aprendizaje integral. sea real y consistente. Cuarto Paso. enviárselas vía correo electrónico para su revisión.

los estudiantes tendrán hasta dos oportunidades (evaluación ordinaria. Y para ello. d) Actitud y dedicación. tendrá derecho a presentar el examen extraordinario (esto constituye la segunda) siempre y cuando no esté en esta situación en más de dos materias de las que integra el ciclo escolar que cursa. pero sobre todo saber. • UNIVERSIDAD VASCO DE QUIROGA 13 . previo aviso del profesor. EXAMEN CUATRIMESTRAL ORDINARIO 50% DE LA CALIFICACIÓN Para acreditar cada materia en un ciclo escolar. sobre que aspectos debemos trabajar doblemente en beneficio de todos. en algunas unidades en donde se le dará mayor porcentaje a las actividades En caso que alguno de que el examen extraordinario o no reúna el 40% de las actividades del curso.Licenciatura en Informática Administrativa CRITERIOS DE EVALUACIÓN Se realizará una evaluación continua sobre la participación en actividades de aprendizaje. De manera fundamental se considerará la calidad del compromiso en cuanto al cumplimiento del alumno a las actividades propuestas. elaboración de prácticas. tendrá derecho a presentar examen ordinario (final del semestre) que constituye la primera oportunidad. b) Aplicación de la teoría en la práctica. pero sí más del 40% de las actividades. es precisamente porque nos importa conocer nuestro trabajo. Actividades que serán dadas a conocer a los estudiantes al inicio de cada materia. saber con que dedicación y seriedad lo hemos venido realizando. • Estos porcentajes pueden llegar a variar. llevándose un control minucioso de fechas de entrega. se tomarán en cuenta los siguientes CRITERIOS: ACTIVIDADES DE APRENDIZAJE 50% DE LA CALIFICACIÓN En las que se calificará: a) Conocimiento General y Particular de los contenidos trabajados. resolución de las autoevaluaciones y las actividades integradoras que señale el Asesor. Si llegamos a este punto. • El alumno que no cumpla en tiempo y forma con el 60% de las actividades académicas. si las metas de aprendizaje se logran. cumplir en tiempo y forma con las tareas que indique el Asesor. es decir. y evaluación extraordinaria) si cumplen con las condiciones: • El alumno que cumpla con el 60% de actividades académicas exigidas por la Universidad-Asesor en la materia respectiva y que haya cubierto el total de sus cuotas. o bien conocer. c) Elaboración de las actividades propuestas. siendo retroalimentado por el mismo. por parte del asesor. el estudiante tendrá que tomar el curso nuevamente.

Yahoo. Si requiere ayuda para su instalación no dude en contactarse con el asesor. AYUDAS En el caso de requerir ayuda académica se puede enviar correo electrónico al Asesor de la materia. Las actividades a realizar tienen fechas límite de entrega. mismo que él proporcionará. algunas de ellas tendrán que se elaboradas individualmente y otras de manera grupal. Cualquier situación no contemplada en esta sección será tratada de manera particular por parte del Asesor.Licenciatura en Informática Administrativa RECUERDA. En caso de no poder utilizar algún material. EL LOGRO DEL APRENDIZAJE ES NUESTRA JUSTIFICACIÓN POR LO TANTO TU PARTICIPACIÓN ES DECISIVA POLÍTICAS DEL CURSO. Este puede UNIVERSIDAD VASCO DE QUIROGA 14 . en el formato y con el nombre que se les señale y deberá ser enviado por correo electrónico. En el caso de tener problemas para el envío de tareas favor de comunicarlos oportunamente a su Asesor. los cuales pueden ser encontrados fácilmente en internet. HERRAMIENTAS Y UTILERÍAS Todo el material que es desarrollado para nuestros cursos es producido usando programas de uso común. Algunas de las actividades requieren que se entreguen por escrito. El asesor también podrá estar disponible en línea a través de herramientas en línea como lo son los Mensajeros Instantáneos de Hotmail. • • • • • • • Los horarios y fechas para asesorías serán establecidas por el asesor o consensadas entre los participantes del curso y se definirán los canales de comunicación que deberán ser utilizados para tal fin. según lo convenga con el grupo en fecha y horario. puede ser el caso de que necesite instalar alguno de estos programas. en particular deberá tener el “Acrobat Reader”. el asesor les indicará la metodología a seguir para que puedan estar en contacto con los demás miembros que conforman el grupo. Las tareas serán realizadas según las instrucciones del Asesor. En el caso de actividades grupales. esto será por medio de un archivo magnético. En caso de no terminarlas dentro de las fechas establecidas la calificación correspondiente a esa actividad será de CERO. por lo que se pide se respeten. Para poder visualizar las lecturas deberá tener instalado en su computadora los programas adecuados.

Mozilla Firefox. para plataformas Linux y Windows..Reproductor de audio y video.El mensajero instantáneo de Microsoft. solo póngase en contacto con el Asesor de la materia y el le dará instrucciones detalladas.adobe. ICQ . • • • • • • • • • • Antivirus. Open Office. WinZip.. Si necesita ayuda para saber donde obtener estos programas y conocer la forma de instalar estos programas podemos auxiliarlo con mucho gusto.Compactador y descompactador de archivos.Para leer archivos creados en formato “pdf”.. UNIVERSIDAD VASCO DE QUIROGA 15 . Real One Player . Yahoo Messenger .html Una lista de todos los programas que puedes obtener de manera gratuita y que es importante los pudiera tener instalados en su computadora son los mostrados a continuación: • Acrobat Reader . MSN Messenger.Navegador para internet. IEXPLORER.Grupo de programas de uso libre similar al Microsoft Office...Es una versión libre de un antivirus.Programa de la categoría de mensajeros instantáneos..Licenciatura en Informática Administrativa encontrarse en internet y obtenerse de manera gratuita en la siguiente dirección electrónica: http://www..Mensajero instantáneo de Yahoo.. Navegador de Internet..Programa de comunicación que permite interactuar en línea utilizando diversos formatos de archivos.latinoamerica. para plataformas Windows. es importante que te protejas de los virus informáticos. Netmeeting.com/products/acrobat/readstep2..

problemas todos donde buscaremos tomar decisiones más acertadas valiéndonos de las técnicas estadísticas. para una investigación de mercado nos interesa conocer de un grupo de potenciales compradores cual modelo de auto eligen. Todos los casos anteriormente expuestos hacen uso e la estadística.Licenciatura en Informática Administrativa INTRODUCCIÓN Al predecir el resultado de una elección algunos encuestadores entrevistan a un número predeterminado de personas para conocer sus preferencias políticas. Por tanto contar con información útil y confiable s la clave para que lo que elijamos tenga mayor grado de certidumbre. el trabajo con muestras. La estadística inferencial. es cuando empleamos una muestra que sea representativa de la población. lo lamentable del caso es que una gran proporción de estas decisiones están basadas en corazonadas o en extrapolaciones de decisiones anteriores que corresponden a otro contexto. nos permite trabajar con una parte de esa información a partir de la cual se pueden inferir comportamientos y resultados. La probabilidad nos ayuda a razonar a partir de una población conocida hacia una muestra desconocida. como en el censo de un país. la estadística nos permite presentar esa información de manera más convincente y útil. En el desarrollo del presente curso también tocaremos el análisis de medidas de tendencia central y dispersión. la incidencia de algunas variables sociológicas sobre el consumo de algunos bienes. tiempo y variable. así como la regresión lineal simple y múltiple. a partir de la cual se describa y extraiga información de un cúmulo de datos. situaciones de carácter común para el estudiante de Informática sin duda. al estimar un inventario de medicamento de un hospital. nos muestra las variables que inciden en un determinado efecto. En el mundo laboral la toma de decisiones es algo común. La estadística descriptiva se ocupa de la descripción de un conjunto de datos llamado población. con objeto de anticipar su comportamiento tomando en consideración una muestra representativa. !!!!!BIENVENIDO SEAS!!!!! UNIVERSIDAD VASCO DE QUIROGA 16 . en la industria que porción de artículos no cumplen con las especificaciones de producto. se elabora un pronóstico en base a esa información.

1. 1.14 Dada una colección de eventos determinar si son independientes.8 Obtener la probabilidad de un evento. PROBABILIDAD 1.18 Técnicas de conteo.3 LECTURAS RECOMENDADAS LECTURA BASICA: UNIVERSIDAD VASCO DE QUIROGA 17 .2 TEMAS Y SUBTEMAS: UNIDAD 01 1. 1. 1. • Probabilidades de eventos independientes y dependientes y aplicara el Teorema de Bayes. 1.7 Eventos: definir evento o suceso y ocurrencia de un evento en un espacio muestral dado.5 Definir espacio muestral equiprobable 1.12 Enunciar y aplicar las leyes de probabilidad. 1. 1.11 Obtener la probabilidad de la unión e intersección de eventos.2 Definir espacio muestral de un experimento aleatorio.3 Obtener espacio muestral de un experimento aleatorio dado. diagramas de árbol y principio multiplicativo.1 Definir experimento aleatorio 1.4 Definir probabilidad de un punto en el espacio 1. 1. 1. unió e intersección de conjuntos.6 Combinaciones de eventos y probabilidad condicional 1.9 Definir el complemento de un evento y su probabilidad. Aplicar las técnicas de conteo a través de permutaciones y combinaciones.15 Establecer y aplicar la ley particular multiplicativa para n eventos independientes. 1.10 Definir la unión e intersección de eventos.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Definiciones de probabilidad espacio muestral experimento aleatorio probabilidad de eventos independientes y dependientes.Licenciatura en Informática Administrativa UNIDAD 01.16 Teorema de Bayes 1.17 Aplicaciones del teorema de Bayes.13 Definir eventos mutuamente excluyentes. 1. 1. 1. 1. PROBABILIDAD. 1.

4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS Estadística descriptiva Estadística Inferencial Probabilidad UNIVERSIDAD VASCO DE QUIROGA 18 . Estadística para administración y Informática. Editorial Thomson 2005. UVAQ 2008. LECTURAS COMPLEMENTARIAS: • William Mendenhall. • Anderson Sweney Williams. Apuntes de Estadística para Informática. Estadística para Administradores. Fausto. 1. Grupo Editorial Iberoamérica.Licenciatura en Informática Administrativa • Arreguín Huerta.

Fausto.4 Definir la función de distribución acumulada de una variable aleatoria discreta.10 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria continua dada su función de probabilidad.3 2. Apuntes de Estadística para Informática.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta. 2.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Aprenderá: definición de variables aleatorias continuas • Definición de una distribución de probabilidad como una función puntos percentiles para una distribución normal • Estimación puntual de parámetros de población o del proceso.1 2. 2.11 Obtener probabilidades de eventos con la función de distribución acumulada. UNIVERSIDAD VASCO DE QUIROGA 19 .2 2.Licenciatura en Informática Administrativa UNIDAD 02.12 Verificar que una función dada es una función de densidad 2 2. 2.2 TEMAS Y SUBTEMAS: UNIDAD 02 VARIABLES ALEATORIAS Definir variables aleatorias discretas y continuas.6 Obtener probabilidades de eventos con la función de distribución acumulada. • Concepto de distribución de muestreo. 2. 2.7 Definir función de probabilidad de una variable aleatoria continúa.5 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria discreta dada su función de probabilidad.8 Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria continua. UVAQ 2008. 2. 2. 2. VARIABLES ALEATORIAS 2. 2.9 Definir la función de densidad de una variable aleatoria continua. Definir función de probabilidad de una variable aleatoria discreta. 2. Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria discreta.

Licenciatura en Informática Administrativa LECTURAS COMPLEMENTARIAS: • William Mendenhall. 2. Editorial Thomson 2005.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS Variables aleatorias UNIVERSIDAD VASCO DE QUIROGA 20 . Grupo Editorial Iberoamérica. • Anderson Sweney Williams. Estadística para Administradores. Estadística para administración y Informática.

Apuntes de Estadística para Informática. el valor esperado y la varianza de las variables aleatorias discretas que tienen las siguientes distribuciones. UVAQ 2008.6 Reconocer las condiciones bajo las cuales se puede aplicar cada uno de los modelos anteriores a la resolución de problemas. 3.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta. 3.Licenciatura en Informática Administrativa UNIDAD 03. 3. 3.2 Bernoulli y binomial 3. LECTURAS COMPLEMENTARIAS: UNIVERSIDAD VASCO DE QUIROGA 21 . 3.2 TEMAS Y SUBTEMAS: UNIDAD 03 DISTRIBUCIONES DISCRETAS Definir la imagen de una función de probabilidad.1 3.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Conocerá el concepto de función de una variable aleatoria continua y obtendrá probabilidades a partir de la función de densidad. DISTRIBUCIONES DISCRETAS 3.5 Poisson. Fausto.3 Geométrica y binomial negativa. Aleatorias Resolución de problemas 3 3.4 Hipergeométrica. • Identificara si la función dada es una función de densidad y aplicara el tipo de distribución adecuado para la solución de problemas.

4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS UNIVERSIDAD VASCO DE QUIROGA 22 . Estadística para administración y Informática.Licenciatura en Informática Administrativa • • William Mendenhall. Anderson Sweney Williams. 3. Estadística para Administradores. Editorial Thomson 2005. Grupo Editorial Iberoamérica.

Estadística para administración y Informática. Grupo Editorial Iberoamérica. 4.4 Resolver problemas que involucren las variables aleatorias citadas. Apuntes de Estadística para Informática. Editorial Thomson 2005. Estadística para Administradores. Fausto. UNIVERSIDAD VASCO DE QUIROGA 23 . 4.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Definirá la función de densidad a partir de la variable así como la imagen • Estimación puntual de parámetros de población o del proceso.2 Uniforme.2 TEMAS Y SUBTEMAS: UNIDAD 04 4 DISTRIBUCIONES CONTINUAS. 4.1 Definir la imagen de una función de densidad. la media y las variables aleatorias 4. DISTRIBUCIONES CONTINUAS 4.3 Exponencial 4. Concepto de distribución de muestreo 4. LECTURAS COMPLEMENTARIAS: • William Mendenhall. UVAQ 2008.Licenciatura en Informática Administrativa UNIDAD 04. • Anderson Sweney Williams.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta.

4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS UNIVERSIDAD VASCO DE QUIROGA 24 .Licenciatura en Informática Administrativa 4.

Licenciatura en Informática Administrativa UNIDAD 05.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta. frente a la media usando la distribución normal.2 TEMAS Y SUBTEMAS: UNIDAD 05 5 LA DISTRIBUCIÓN NORMAL 5.2 Calcular probabilidades para eventos relacionados con una variable normal estándar 5. 5. LECTURAS COMPLEMENTARIAS: • William Mendenhall.1 Uso de la distribución normal en el calculo de probabilidades 5. UVAQ 2008. Estadística para Administradores. Grupo Editorial Iberoamérica. Apuntes de Estadística para Informática. DISTRIBUCIÓN NORMAL 5. UNIVERSIDAD VASCO DE QUIROGA 25 . Errores de tipo I Y II en pruebas de hipótesis..3 Distribuciones relacionadas con la distribución normal. Fausto. 5.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Se mostraran los pasos para la hipótesis con el método del valor crítico.

5.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS Distribución Normal UNIVERSIDAD VASCO DE QUIROGA 26 . Editorial Thomson 2005. Estadística para administración y Informática.Licenciatura en Informática Administrativa • Anderson Sweney Williams.

6 Otros intervalos de confianza. 6. 6.2 Intervalos de confianza. INFERENCIAS EN UNA POBLACIÓN. 6.5 Construir intervalos de confianza para la media de una población arbitraria con varianza conocida y desconocida. Editorial Thomson 2005. 6. Estadística para Administradores.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta.1 Distribución de muestreo e intervalos de confianza para la media 6.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • . 6. 6. 6. Fausto. LECTURAS COMPLEMENTARIAS: • William Mendenhall.2 TEMAS Y SUBTEMAS: UNIDAD 06 6 INFERENCIAS EN UNA POBLACIÓN. 6. UVAQ 2008. UNIVERSIDAD VASCO DE QUIROGA 27 .Licenciatura en Informática Administrativa UNIDAD 06. Estadística para administración y Informática. Apuntes de Estadística para Informática. Grupo Editorial Iberoamérica.4 Determinar el tamaño de la muestra mínima.3 Determinar la cota del error de estimación de Mu mediante un coeficiente de confianza con varianza conocida. • Anderson Sweney Williams.

Licenciatura en Informática Administrativa 6.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS UNIVERSIDAD VASCO DE QUIROGA 28 .

Licenciatura en Informática Administrativa Texto de Autoaprendizaje UNIVERSIDAD VASCO DE QUIROGA 29 .

Licenciatura en Informática Administrativa TERCERA PARTE: TEXTO DE AUTOAPRENDIZAJE PRESENTACIÓN Se presenta una síntesis de los principales conceptos de Estadística. así como aplicaciones y ejercicios para motivar el aprendizaje de la materia. UNIVERSIDAD VASCO DE QUIROGA 30 .

11 Definir espacio muestral equiprobable 3. 3.17 Obtener la probabilidad de la unión e intersección de eventos. INTRODUCCIÓN A LA ESTADÍSTICA PARA INFORMÁTICA OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Definiciones de probabilidad espacio muestral experimento aleatorio probabilidad de eventos independientes y dependientes. unió e intersección de conjuntos. Aplicar las técnicas de conteo a través de permutaciones y combinaciones. 3. 3.Licenciatura en Informática Administrativa UNIDAD 01. 3. UNIVERSIDAD VASCO DE QUIROGA 31 .20 Dada una colección de eventos determinar si son independientes. PROBABILIDAD.23 Aplicaciones del teorema de Bayes.7 Definir experimento aleatorio 3. 3.13 Eventos: definir evento o suceso y ocurrencia de un evento en un espacio muestral dado.24 Técnicas de conteo.15 Definir el complemento de un evento y su probabilidad.14 Obtener la probabilidad de un evento.9 Obtener espacio muestral de un experimento aleatorio dado.12 Combinaciones de eventos y probabilidad condicional 3. diagramas de árbol y principio multiplicativo. • Probabilidades de eventos independientes y dependientes y aplicara el Teorema de Bayes. TEMAS Y SUBTEMAS: UNIDAD 01 2.19 Definir eventos mutuamente excluyentes.21 Establecer y aplicar la ley particular multiplicativa para n eventos independientes. 3. 3. 3.22 Teorema de Bayes 3. 3.18 Enunciar y aplicar las leyes de probabilidad. 3.10 Definir probabilidad de un punto en el espacio 3.8 Definir espacio muestral de un experimento aleatorio. 3.16 Definir la unión e intersección de eventos. 3. 3.

nos muestra las variables que inciden en un determinado efecto. a partir de la cual se describa y extraiga información de un cúmulo de datos. La probabilidad nos ayuda a razonar a partir de una población conocida hacia una muestra desconocida. Todos los casos anteriormente expuestos hacen uso e la estadística. se elabora un pronóstico en base a esa información. Estadística descriptiva e inferencial y probabilidad La estadística descriptiva se ocupa de la descripción de un conjunto de datos llamado población. la incidencia de algunas variables sociológicas sobre el consumo de algunos bienes. al estimar un inventario de medicamento de un hospital. la estadística nos permite presentar esa información de manera más convincente y útil. Antes de iniciar el estudio de la estadística.Licenciatura en Informática Administrativa Importancia y aplicación de la probabilidad y estadística para la Informática Al predecir el resultado de una elección algunos encuestadores entrevistan a un número predeterminado de personas para conocer sus preferencias políticas. UNIVERSIDAD VASCO DE QUIROGA 32 . analicemos algunos conceptos básicos. con objeto de anticipar su comportamiento tomando en consideración una muestra representativa. tiempo y variable. en la industria que porción de artículos no cumplen con las especificaciones de producto. La estadística inferencial. lo lamentable del caso es que una gran proporción de estas decisiones están basadas en corazonadas o en extrapolaciones de decisiones anteriores que corresponden a otro contexto. es cuando empleamos una muestra que sea representativa de la población. para una investigación de mercado nos interesa conocer de un grupo de potenciales compradores cual modelo de auto eligen. nos permite trabajar con una parte de esa información a partir de la cual se pueden inferir comportamientos y resultados. como en el censo de un país. situaciones de carácter común para el estudiante de Informática sin duda. El papel de la estadística en la toma de decisiones En el mundo laboral la toma de decisiones es algo común. Por tanto contar con información útil y confiable s la clave para que lo que elijamos tenga mayor grado de certidumbre.

El espacio muestral de un experimento siempre existe y no es necesariamente único pues. pero cuyas frecuencias. Los elementos del espacio muestral se llaman puntos muestrales y son los distintos resultados del experimento. 2. Un conjunto cuyos elementos representan todos los posibles resultados de un experimento se llama espacio muestral y se representa como S. suceso aleatorio El azar. a la larga. En estadística esta definición se modifica añadiendo una propiedad adicional: El azar es la característica de un experimento que produce resultados diversos. Un suceso. Azar. es un subconjunto del espacio muestral. que son aquellos que comprenden un sólo punto muestral. en el lenguaje normal. Sucesos compuestos. Si consideramos el conjunto de las partes de (P(S)) sus elementos son los sucesos. se considera como la característica de un suceso imprevisible. se definen los sucesos aleatorios como los resultados de un experimento cuya variación (la de los resultados) es debida al azar. impredecibles en cada situación concreta. Un experimento. es cualquier proceso que proporciona datos. tienden a estabilizarse hacia un valor "límite" en el infinito. Sucesos simples.Licenciatura en Informática Administrativa El espacio de los sucesos. Como consecuencia. Existen dos tipos de sucesos: 1. podemos construir diferentes espacios muestrales. que son los que engloban más de un punto del espacio muestral. Todo suceso compuesto se puede considerar como unión de puntos del espacio muestral o unión de sucesos simples. numéricos o no numéricos. UNIVERSIDAD VASCO DE QUIROGA 33 . por tanto. en estadística. dependiendo de nuestra valoración de los resultados.

Supongamos que realizamos muchas veces un experimento y vamos anotando el valor de la frecuencia relativa que. es decir. la probabilidad es el valor de la frecuencia relativa en el infinito. todos aquellos en que el experimento resulta en el suceso considerado. Hay varias formas de definir la probabilidad. que este valor de estabilización no es un límite en el sentido matemático de la expresión pues. Esta primera definición no parece de gran utilidad por ser difícilmente cuantificable. Es decir. Axiomas de Kolmogorov Todo el cálculo de probabilidades y. Suponiendo que pudiéramos realizar el experimento infinitas veces. La probabilidad del espacio muestral es igual a uno: UNIVERSIDAD VASCO DE QUIROGA 34 . por último. tiende a estabilizarse. Esta segunda definición presenta el inconveniente de que no siempre es posible saber cuántos son los resultados posibles de un experimento y no siempre todos los resultados posibles son igualmente probables. después se contabilizan los resultados favorables a nuestro suceso. como sabemos. nadie puede garantizar una ecuación matemática para el valor de la frecuencia relativa. Por tanto. que se llaman axiomas de Kolmogorov 1. También podemos considerar la definición clásica de probabilidad. se define la probabilidad como el número de casos favorables dividido por el número de casos posibles. por ser un suceso aleatorio. suponiendo que existe simetría recíproca de todos los resultados.Licenciatura en Informática Administrativa Probabilidad La probabilidad de un suceso sólo se define para el caso de sucesos aleatorios. que todos los resultados posibles son igualmente posibles. con él. consideraremos la probabilidad definida de otra forma. La probabilidad de un suceso es siempre mayor o igual que cero y menor o igual que uno Si A es un suceso 2. Es importante señalar. En esta definición se empieza por considerar todos los resultados posibles de un experimento. el valor de estabilización de las frecuencias en el infinito sería la probabilidad de los sucesos. toda la estadística se basan en tres propiedades que se asignan a las probabilidades. es decir. En primer lugar podemos considerar la definición intuitiva que nos dice que la probabilidad de un suceso es la posibilidad de que éste ocurra.

Como consecuencia. 3. Si S tiene un único elemento ése es un suceso cierto. Si A y B son sucesos mutuamente excluyentes.Licenciatura en Informática Administrativa Si S es el espacio muestral Es evidente. P(F) = 0 Se llama suceso imposible a aquel cuya probabilidad vale cero. de que ocurra uno u otro es la suma de sus probabilidades. siguiendo el razonamiento anterior. nunca ocurren simultáneamente (A Ç B = F) la probabilidad de su unión. P(A È B) = P(A) + P(B) Otras propiedades de las probabilidades. La probabilidad del suceso contrario es: UNIVERSIDAD VASCO DE QUIROGA 35 . lo cual es imposible. Si A y B son dos sucesos cualesquiera: Se llama suceso contrario del suceso A al suceso A' que se define como A’ = S – A. es decir. Esta propiedad se expresa como que la probabilidad de un suceso cierto es igual a uno. pues si realizamos un experimento siempre ha de suceder alguna cosa. la probabilidad de que no ocurra nada. es decir. o en notación de conjuntos la probabilidad del conjunto vacío (F) es cero.

Por transposición de términos en la ecuación anterior y en la correspondiente a la probabilidad condicional de A respecto de B llegamos a: Se dice que dos sucesos A y B son independientes si y sólo si la probabilidad de su intersección es igual al producto de sus probabilidades Sucesos dependientes Sucesos independientes ACTIVIDADES DE APRENDIZAJE Calcular la probabilidad de que caiga un águila en la tirada de dos monedas. Este valor se representa como P(B|A).Licenciatura en Informática Administrativa Se llama probabilidad condicional del suceso B respecto del suceso A a la probabilidad de que. dado que el resultado de un experimento haya sido A sea. Eventos E1 1ª moneda A 1/2 2ª moneda A ½ P(Ei) 1/4 UNIVERSIDAD VASCO DE QUIROGA 36 . simultáneamente. B.

Licenciatura en Informática Administrativa E2 E3 E4 S A S 1/2 1/2 1/2 S S A ½ ½ ½ 1/4 1/4 1/4 Si A= Observar que caiga una águila P(x=A) = P (E3) + P(E4) = ½ AUTOEVALUACIÓN Encuentra los resultados posibles a un experimento Experimento Lanzar una moneda Seleccionar una parte para inspección Telefonema para ventas Tirar un dado Jugar un partido de futbol Resultados UNIVERSIDAD VASCO DE QUIROGA 37 .

• Concepto de distribución de muestreo. 2. Definir función de probabilidad de una variable aleatoria discreta. VARIABLES ALEATORIAS 2.2 2. 2.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Aprenderá: definición de variables aleatorias continuas • Definición de una distribución de probabilidad como una función puntos percentiles para una distribución normal • Estimación puntual de parámetros de población o del proceso.7 Definir función de probabilidad de una variable aleatoria continúa. 2.12 Verificar que una función dada es una función de densidad 2 2.4 Definir la función de distribución acumulada de una variable aleatoria discreta. 2.8 Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria continua. 2. 2.1 2.6 Obtener probabilidades de eventos con la función de distribución acumulada. 2.11 Obtener probabilidades de eventos con la función de distribución acumulada.Licenciatura en Informática Administrativa UNIDAD 02. Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria discreta. 2.3 UNIVERSIDAD VASCO DE QUIROGA 38 . 2. 2.5 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria discreta dada su función de probabilidad.2 TEMAS Y SUBTEMAS: UNIDAD 02 VARIABLES ALEATORIAS Definir variables aleatorias discretas y continuas.9 Definir la función de densidad de una variable aleatoria continua.10 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria continua dada su función de probabilidad.

son variables discretas. es decir. Todas las variables con un número finito de valores y todas las que tomen valores en números enteros o racionales (fraccionarios). la regla de oro es que todas las variables que proceden de experimentos en los que se cuenta son discretas y todas las variables que proceden de experimentos en los que se mide son continuas. asignándoles a cada uno un número de la serie de los números naturales (del 1 al n ó del 1 al I). UNIVERSIDAD VASCO DE QUIROGA 39 . Se pueden distinguir distintos tipos de variables aleatorias según dos criterios de clasificación: • • Variables cuantitativas que son las que resultan de experimentos cuyos resultados son directamente numéricos. A las observaciones aleatorias se les considera como la expresión en cada caso concreto de una variable aleatoria que toma valores en los resultados del experimento. Estas descripciones numéricas son observaciones aleatorias. estos datos tienen que despojarse de detalles accesorios para convertirse en descripciones numéricas del resultado. la utilización de clasificaciones cualitativas. Otra clasificación más operativa de las variables aleatorias sería: • Variable discreta: Aquella que se define sobre un espacio muestral numerable.Licenciatura en Informática Administrativa Introducción: Variables aleatorias Como dijimos. una variable aleatoria es una variable matemática cuyos valores posibles son las descripciones numéricas de todos los resultados posibles de un experimento estadístico. Espacio numerable es aquel cuyos elementos se pueden ordenar. un experimento estadístico es cualquier proceso que proporciona datos. es decir. Variables cualitativas que son las que proceden de experimentos cuyos resultados expresan una cualidad no numérica que necesita ser cuantificada. Así pues. un espacio no numerable (o un espacio infinito de tipo C o infinito dos) En general. una variable aleatoria es una función cuyos valores son números reales determinados por los elementos del espacio muestral. finito o infinito. • Variable continua: Es aquella que se define sobre un espacio asimilable al conjunto de los números reales. A los valores posibles de la variable aleatoria se les asigna una probabilidad que es la frecuencia del resultado al que corresponden. Para su utilización en estadística. restringe a la mera descripción las posibilidades de manejo estadístico.

Como los dividendos. Descripción de variables cualitativas Definiremos las variables cualitativas nominales y ordinales. También se pregunta cuál es la categoría socio-profesional en la que se sitúa el encuestado: Su profesión es: UNIVERSIDAD VASCO DE QUIROGA 40 . como el sabor de una sopa. El capítulo se cierra con algunos de los procedimientos gráficos empleados para representar las distribuciones de estas variables. Variables cuantitativas: Representan la cantidad o monto de algo. Mala. el matiz de un producto. En una encuesta sobre el gasto turístico se pregunta a los visitantes de una autonomía cuál es la impresión que han obtenido de su viaje. Variables cualitativas nominales y ordinales. la producción petrolera. ejemplos las estatuas y pesos de un grupo de personas. el número de autos compactos en una agencia de ventas.Licenciatura en Informática Administrativa Variables Continuas y Discretas Variables continuas: Son las que pueden adoptar un número infinitamente grande de valores que corresponden a un intervalo de una recta. Variables cualitativas y cuantitativas Variables cualitativas: Son aquellas que denotan una cualidad.. Característica o atributo. la consistencia de una pasta. Normal. Variable discreta: Si el número de valores que puede tomar la variable aleatoria es contable se conoce como variable discreta. se describe contando el número de observaciones en cada categoría. el tiempo para llenar un formulario. Buena. La pregunta y las posibles respuestas son las siguientes: La impresión que ha tenido de su viaje ha sido: • • • • Muy buena. ejemplo: número de productos no conformes de un lote. los conceptos asociados a la distribución de frecuencia y los limitados estadísticos que pueden emplearse en la descripción.. el tiempo entre eventos.

AI. A2.…. Funcionario. Además de las frecuencias absolutas se suelen presentar las frecuencias relativas de cada categoría. Las respuestas pueden. Trabajador manual. Frecuencia relativa y frecuencia relativa acumulada.Licenciatura en Informática Administrativa • • • • • • • • Directivo o empresario. Las categorías de una variable nominal. las variables ordinales llevan asociadas un orden en las respuestas. Por distribución de frecuencias se entiende el registro de todas las posibles categorías o valores de la variable. la respuesta “muy buena” indica un nivel de satisfacción mayor que “buena”. no pueden ordenarse de menos a más. el número de veces que se repite una de las categorías o valores de la variable se denomina frecuencia o. al contrario de las de una variable ordinal. La principal herramienta de análisis de una variable de tipo cualitativo es el simple recuento del número de los casos dentro de cada categoría. ésta última respuesta estaría a su vez por encima de “normal” y “mala” señalaría en nivel mínimo de satisfacción. no es posible ordenar de menos a más las respuestas de una variable como la categoría profesional. El primer objetivo es conocer cuántos individuos tienen cada característica. Administrativo. junto con sus frecuencias asociadas. Las anteriores variables son de tipo cualitativo. Trabajador Autónomo. En cambio. Además de referirnos a las categorías de una variable. La distinción entre ellas es clara. que puede tomar las categorías A1. La frecuencia relativa se define como la frecuencia absoluta dividida por el total de observaciones: UNIVERSIDAD VASCO DE QUIROGA 41 . Las variables cualitativas nominales únicamente ponen nombre a una característica. En estadística. Supongamos que tenemos una variable A. de manera más precisa. en algún sentido. emplearemos también el término “valores” de la variable. ordenarse de menos a más. Jubilado. Distribución de frecuencias. frecuencia absoluta (que denotaremos ni). calificándose como de tipo ordinal (la primera) y nominal (la segunda). La principal herramienta de análisis de una variable de tipo cualitativo es el simple recuento del número de los casos dentro de cada categoría. En la pregunta sobre la impresión del viaje. Estudiante Otras.

En la misma aparecerían. UNIVERSIDAD VASCO DE QUIROGA 42 . sus frecuencias absolutas. los I distintos atributos de la variable. La imagen estándar de una distribución de frecuencias es tan sencilla como la que se muestra en el siguiente cuadro. las frecuencias relativas y las frecuencias relativas acumuladas. lo que sólo es posible si la variable cualitativa es de tipo ordinal. La frecuencia absoluta acumulada se define como: Y la frecuencia relativa acumulada como: Sólo tiene sentido hablar de valores acumulados cuando las respuestas de la variable se han ordenado de menor a mayor. Se distingue entre frecuencias acumuladas absolutas y relativas. La idea de acumulación facilita conocer rápidamente el número de observaciones que están por debajo de un determinado valor o categoría. para el total de n observaciones.Licenciatura en Informática Administrativa Cuando se trabaja con una variable de tipo ordinal (cuyas categorías se pueden ordenar de menor a mayor) se pueden calcular las frecuencias acumuladas.

con un 43. podemos describir de una manera cuantitativa su relación con la propiedad de su vivienda. vivienda con hipoteca vigente y vivienda de propiedad (en la columna Value Label se muestran las “etiquetas” de la variable). La frecuencia relativa acumulada se define como la suma acumulada de los porcentajes relativos de las categorías anteriores y hasta la propia categoría. La segunda es la categoría de vivienda en alquiler.Licenciatura en Informática Administrativa Ejemplo 1. la categoría con menos individuos corresponde a la de declarantes que viven en vivienda de propiedad. El régimen de propiedad de la vivienda familiar puede considerarse como una variable cualitativa. convertir las categorías en etiquetas numéricas. con un 36. La vivienda en propiedad y ya pagada. cuando se graban los datos. la vivienda es de propiedad con la hipoteca pendiente o la vivienda es de propiedad sin hipoteca. • La Frecuencia absoluta (Frequency). Para esta variable los valores 0. igual a 1cuando la vivienda es de propiedad pero tiene la hipoteca aún vigente y valor 2. Régimen de propiedad de la vivienda. Ante una muestra concreta de familias. UNIVERSIDAD VASCO DE QUIROGA 43 . Finalmente. Aunque no es estrictamente necesario suele ser cómodo. En el cuadro aparecen los siguientes conceptos: • Los valores que toma la variable (Value). 1 y 2 reflejan las categorías de alquiler. distinguiendo tres posibles categorías: la vivienda está en alquiler. si la vivienda es de propiedad y sin hipoteca. En nuestro ejemplo se ha definido una variable denominada “vivienda” que toma un valor igual a 0 cuando la vivienda es de alquiler. Definida como el cociente entre la frecuencia absoluta y el número total de observaciones. En el cuadro se muestra la distribución de frecuencias de una muestra de 4791 declarantes. • La frecuencia relativa acumulada (Cum Percent).1% de los declarantes tiene el mayor porcentaje de individuos. • La frecuencia relativa (Percent) . El número de individuos que tiene cada una de las categorías.8% de declarantes.

Diagrama de barras.9% de los individuos viven en régimen de alquiler o en vivienda propia con hipoteca puede ser una información sin sentido. como: En variables de tipo cualitativo nominal el porcentaje acumulado de frecuencias no debe leerse de manera automática. Su objetivo es disponer de una visualización clara y rápida de la importancia de cada una de las categorías de la variable. el sentido de la acumulación puede ser confuso. su frecuencia absoluta o relativa (que se muestra en un segundo eje). El diagrama de barras representa. La información de que el 56. para cada una de las categorías de la variable (indicada en uno de los ejes de la gráfica). Los resultados de la distribución de frecuencias se pueden acompañar de ayudas gráficas que facilitan la lectura de la información. UNIVERSIDAD VASCO DE QUIROGA 44 . En la gráfica se muestra el diagrama de barras correspondiente al ejemplo anterior.Licenciatura en Informática Administrativa aún no pagada. Los porcentajes acumulados no tienen una interpretación “inocente” cuando se tratan variables de tipo cualitativo. puesto que al no existir un orden en las categorías. La importancia de cada una de las categorías es fácil de percibir cuando el número de categorías de la variable es muy pequeño. una vez ordenadas las respuestas desde la categoría inferior a la superior. La frecuencia relativa se define como la frecuencia en cada clase dividida por el total de observaciones: La frecuencia relativa acumulada en cada clase se define. El diagrama de barras representa gráficamente las frecuencias (absolutas o relativas) de la variable.

Las variables con escala de cociente añaden a estas características la de incorporar un origen no arbitrario. La primera característica la comparte con las variables cualitativas ordinales. en la escala de intervalo puede medirse la distancia entre distintas observaciones. pero al contrario que en aquéllas. pero eso no las convierte en cuantitativas. Desde un punto de vista teórico se distingue entre variables cuantitativas medidas en escala de intervalo y en escala de cociente. La diferencia esencial es que este segundo tipo de variable admite un cero verdadero (toneladas consumidas o número de empleados. en su caso. careciendo de sentido operar matemáticamente con ellos. Permite afirmar. puesto que el número. valores numéricos. Escala de intervalo y escala de cociente. por ejemplo. en lugar de categorías. Las categorías de las variables cualitativas pueden relacionarse con valores numéricos. se pueden realizar con ellos las operaciones de suma y resta. no es más que una “etiqueta”. que un individuo tiene un valor que supera en diez unidades al que toma otro individuo. o que entre dos individuos hay una diferencia de veinte unidades. además. donde el UNIVERSIDAD VASCO DE QUIROGA 45 . Las variables cuantitativas tienen una escala de intervalo si se pueden ordenar sus valores y. por ejemplo.Licenciatura en Informática Administrativa Descripción de variables cuantitativas Las variables de tipo cuantitativo son aquellas que toman.

desde el punto de vista práctico. La muestra de 1254 familias está formada por una selección aleatoria de declarantes que ya hemos analizado anteriormente. El único problema que se plantea con una variable de tipo cuantitativo es que suele tomar un número de valores mucho mayor que las posibles categorías de una variable cualitativa. ordenarlos de menor a mayor y contar el número de veces que aparece cada valor nos dará una idea de su comportamiento. Ejemplo 1. Distribución de frecuencias. el primer paso del análisis.Licenciatura en Informática Administrativa cero se entiende como inexistencia) y permite el cálculo de proporciones entre los distintos valores (una observación toma un valor que es el doble que el de otra). La imagen general que se pretende dar con la distribución de frecuencias puede ser entonces poco útil. es el procedimiento normal para conseguir una imagen sintética de la distribución. La distribución de frecuencias para una muestra de esta variable Número de hijos del hogar aparece en el cuadro 1 y su representación en un diagrama en barras en la gráfica UNIVERSIDAD VASCO DE QUIROGA 46 . es decir. El trabajo con intervalos de la variable. no siempre se realiza una distinción entre ellas. porque la información está poco resumida. como en el caso de las variables cualitativas. En este primer ejemplo vamos a obtener la distribución de frecuencias y el diagrama de barras del número de hijos de una muestra de familias españolas. en lugar de con cada uno de sus posibles valores. la idea de crear una distribución de frecuencias debe ser. Distribución de frecuencias del número de hijos. Normalmente. Observar los distintos valores que toma una variable. La idea de recuento. Diagrama de barras.

5 3. 1. 3.8 5.2 3.3 – 2.4 3. El número de hijos en la muestra toma únicamente valores 0.2 2. 3.2 4.3 = 3 UNIVERSIDAD VASCO DE QUIROGA 47 .3 3.7 4.8 3.Licenciatura en Informática Administrativa El primer resultado interesante de la distribución es el disponer de los valores que toma la variable. 2. Organización y clasificación de los datos de las tablas Se organizan los datos creando clases. 5.2 3.6 3.3 4.3 2.1 5. información que a priori no conocíamos.3 2.7 2.3 4.1 4.8 3.9 n = 25 Observaciones K = 7 Clases Rango = 5.1 3.0 3. Por ejemplo: Sean los réditos comunes % para 25 acciones. 4. alrededor de los cuales se organizan los datos en el histograma de frecuencias.6 2.0 3.3 3.

Esta propiedad es conocida como ley de los grandes números.4.8 .4.42 ≈ 0.8 .7 2. La frecuencia relativa del suceso A: Propiedades de la frecuencia relativa: 1.3.2 5. establecida por Jakob Bernouilli Podemos definir probabilidad de un suceso como el número al que tiende la frecuencia relativa asociada al suceso a medida que el número de veces que se realiza el experimento crece.7 3.Licenciatura en Informática Administrativa Límite de clase = 3/7 = 0.3.8 ..3 . 2.7 4. fr(E) = 1 fr(Ø) = 0. 0 fr (A) 1 cualquiera que sea el suceso A. 1111 111111 111111 1111 111 1 1 4 6 6 4 3 1 1 4/25 6/25 6/25 5/25 3/25 1/25 1/25 Probabilidad básica Un experimento aleatorio se caracteriza porque repetido muchas veces y en idénticas condiciones el cociente entre el número de veces que aparece un resultado (suceso) y el número total de veces que se realiza el experimento tiende a un número fijo.. UNIVERSIDAD VASCO DE QUIROGA 48 .3 .4 Clase Límite Marca Frecuencia Frecuencia relativa 1 2 3 4 5 6 7 2.2 3.3 . 3. fr( ) = fr(A) + fr(B) si = Ø.5.2.2 4..3 .

La probabilidad total es 1. Eventos A. Definición de Laplace. 1. =Ø P( ) = P(A) + P(B). La definición axiomática de probabilidad se debe a Kolmogorov. 2. Sea E el espacio muestral de cierto experimento aleatorio. P(A) 0. Laplace define la probabilidad del suceso A como el cociente entre el número de resultados favorables a que ocurra el suceso A en el experimento y el número de resultados posibles del experimento. Experimento: proceso mediante el cual se obtiene una observación ( o una medida de un fenómeno). • La paridad del dólar con el peso. quien consideró la relación entre la frecuencia relativa de un suceso y su probabilidad cuando el número de veces que se realiza el experimento es muy grande. Si dos sucesos son incompatibles.Licenciatura en Informática Administrativa Esta definición presenta el inconveniente de tener que realizar el experimento un gran número de veces y además siempre obtendremos un valor aproximado de la probabilidad. la probabilidad de su unión es igual a la suma de sus probabilidades. Ejemplo: • Registrar la producción diaria en una fábrica. Los resultados de un experimento se les conoce como eventos y se registran con literales mayúsculas así la probabilidad de un evento A se denota UNIVERSIDAD VASCO DE QUIROGA 49 . La Probabilidad de cada suceso es un número que verifica: Cualquiera que sea el suceso A. En el caso de que todos los sucesos elementales del espacio muestral E sean equiprobables. P(E) = 1.

se lee P(AB) Unión de A y B: Denotando como AUB es la probabilidad de que alguno de los 2 eventos ocurra o bien ambos. Eventos mutuamente excluyentes: Donde no pueden ocurrir ambos eventos a la vez. ejemplo que P(AB)=0 A: Suba el dólar B: Baje el dólar C: No haya variación - Si A y B son eventos mutuamente excluyentes la probabilidad de que ocurra A o B estaría dada por P(AUB) =P(A)+P(B) Ejemplo Un inversionista depositará 10000 en un conjunto de 6 inversiones. despliega el conjunto eventual I1 I2 I1 I3 I1 I4 I1 I5 I1 I6 I2 I3 I2 I4 I2 I5 I2 I6 I3 I4 I3 I5 I3 I6 I4 I5 I4 I6 I5 I6 15 opciones distintas de inversión Si posteriormente se conoce que las tres primeras fueron las más lucrativas.2=P(A) Probabilidad básica P(A)=1-P(A^) Espacio muestral A A^ UNIVERSIDAD VASCO DE QUIROGA 50 . que probabilidad hay de que haya seleccionado solo las más lucrativas. si ocurre con seguridad P(A)=1 Intersección de eventos A y B: Es el evento en donde ambos ocurren. si un conjunto no puede ocurrir P(A)=0. tomando la decisión en pares de inversiones. I1 I2 I1 I3 I2 I3 =1/15+1/15+1/15=3/15=0.Licenciatura en Informática Administrativa como P(A)= n/N también conocido como frecuencia relativa de probabilidad.

4.2.3. no depende de la ocurrencia del otro.3.Licenciatura en Informática Administrativa La unión de 2 eventos A y B P(A U B)=P(A)+P(B)-P(A П B) Evento A Espacio muestral Evento B Un experimento consiste en tirar un dado.4.1.1. 3/6-------.3 O A U B: 4/6------. o ambos F: Observar A y C Evento simples: 1. 1/6-------2 Probabilidad condicional y eventos independientes. dos eventos se relacionan muchas veces de tal manera que la probabilidad de ocurrencia de en evento depende o no de la ocurrencia de otro. especifique los eventos simples A: Caer 2 B: Caer impar C: Caer un número menor que 4 D: Observar ambos A y B E: Observar A y B.3.5.5.2. P (B/A)= P(AB)/P(A) La probabilidad de B dado que ocurrió el evento A P (A/B)= P(AB)/P(B) Son independientes si la probabilidad de uno.2 3/6-------.3. 1/6-------.1.6. P (B/A)= P(B) P(A/B) =P(A) También P(AB) =P(A)P(B) Ejemplo: UNIVERSIDAD VASCO DE QUIROGA 51 .

la cual es la distribución de las probabilidades asociadas a cada uno de los valores de la variable aleatoria. una gráfica o una fórmula. “B” P(B)=648/1000 Que sea para la línea cara y sea una mujer quien compra. “A” P(A)=721/100 El pedido sea para la línea cara. Las distribuciones de probabilidad pueden representarse a través de una tabla. las prendas se clasifican según la siguiente tabulación por género y por clase: Línea Cara 132 516 648 Sexo Masculino Femenino Total a) b) c) d) Barata 147 205 352 Total 279 721 1000 Calcular la probabilidad de que el consumidor sea mujer. e) Demostrar si A y B son eventos independientes si P(B/A)=P(B) como 516/721≠648/1000 por lo tanto: Son eventos dependientes. dado que el consumidor es mujer. en cuyo caso tal regla de correspondencia se le denomina función de probabilidad. P(AB)=516/1000 Que el pedido sea para la línea cara. siendo aquellas que se asocian a la ocurrencia de un fenómeno aleatorio. Cuando una de estas variables aleatorias toma diversos valores. La relación entre valores y probabilidades en una variable X se puede expresar de forma tabular de la siguiente manera: Valores de X P(X = x) x1 P(x1) x2 P(x2) . xi P(xi) UNIVERSIDAD VASCO DE QUIROGA 52 . Función de probabilidad Una variable aleatoria discreta toma cada uno de sus valores con una determinada probabilidad. Distribuciones de probabilidad Recordemos inicialmente que existen las variables aleatorias. la probabilidad asociada a cada uno de tales valores puede ser organizada como una distribución de probabilidad.Licenciatura en Informática Administrativa Una casa oferta ropa... P(B/A)=P(AB)/P(A)=516/721.

Habitualmente. Como consecuencia del segundo axioma. la función de probabilidad se representa como f(x). 3. la función de probabilidad de una variable aleatoria discreta X es una función tal que. Función de distribución La función de distribución F(x) de una variable aleatoria discreta X. P(X = x) = f(x) Por definición. si los valores de la variable son muchos o infinitos. con función de probabilidad f(x). En algunos casos. al sustituir x por un valor de la variable. 2. el valor de la función es la probabilidad de que la variable tome valores menores o iguales que dicho valor x. Por tanto. e incluso imposible. f(x) = P(X = x) Las funciones de probabilidad sólo se definen para los valores de la variable aleatoria y deben cumplir tres propiedades: 1. A esta ecuación se le llama función de probabilidad. el valor que toma la función es la probabilidad de que la variable X asuma el valor x. UNIVERSIDAD VASCO DE QUIROGA 53 . es una función de la variable en la que al sustituir x por un valor. Como consecuencia del primer axioma.Licenciatura en Informática Administrativa Este método puede ser complicado. de modo tal que se puede establecer una ecuación que ligue ambos. existe una forma sistemática de aplicación de los valores de la probabilidad a los valores de la variable.

por ejemplo que los valores de la variable X sean x1. 0.. x3.. x2. sin que se modifique la probabilidad total). la probabilidad de que ésta tome valores menores o iguales que el sustituido es la probabilidad del espacio muestral. Supongamos. aunque no se pueden considerar probabilidades de valores concretos. Por tanto. sus valores se dan de forma tabular.Licenciatura en Informática Administrativa La función de distribución se define para todos los números reales. xn Función de densidad Una variable aleatoria continua tiene la característica de tomar cada uno de sus valores con probabilidad infinitesimal. no sólo para los valores de la variable.. P(a ≤ X ≤ b) = P(X = a) + P(a < X < b) + P(X = b) = P(a < X < b) UNIVERSIDAD VASCO DE QUIROGA 54 . Su máximo es siempre 1 pues cuando el valor que se sustituye es mayor o igual que el valor máximo de la variable. no se pueden expresar en forma tabular. puede calcularse la probabilidad de que la variable tome valores en determinados intervalos (los intervalos en cuestión pueden ser abiertos o cerrados. Sin embargo. . a efectos prácticos. Normalmente.

Licenciatura en Informática Administrativa Tal como ocurría en el caso de las variables discretas.∞) Esto no ofrece problemas si el campo de variación de X se extiende por todo el intervalo. la integral de f(x) sobre todo el campo de variación de X es igual a 1. Es evidente que f(x) es siempre positiva pues si no lo fuera cabría la posibilidad de encontrar intervalos para los cuales la integral sería negativa y eso significaría probabilidad negativa. La función de densidad siempre se define para todos los valores en el intervalo (-∞. Como consecuencia. La función de densidad debe cumplir tres condiciones análogas a las de la función de probabilidad: como consecuencia del primer axioma como consecuencia del segundo axioma por definición UNIVERSIDAD VASCO DE QUIROGA 55 . construida de forma tal que la altura de la curva. a esta función se le llama función de densidad. en cada punto es el cociente entre el diferencial de la probabilidad en dicho punto y el diferencial de x. sobre el eje de las X. la función se define como igual a cero para todos los valores no incluidos en el campo de variación de X. La representación gráfica de la función de densidad en un sistema de ejes cartesianos es la de una curva continua. f(x) La función de densidad de una variable aleatoria continua X es una función continua tal que su integral entre los extremos de un intervalo nos da el valor de la probabilidad de que X tome valores en ese intervalo. Esta construcción es una extensión por diferenciación del concepto de histograma. cuando existe una asignación regular de probabilidad se puede definir una función que nos permita calcular probabilidades para cualquier intervalo de valores. si no fuera así. en abierta contradicción con la definición de probabilidad.

para variables continuas. En general. salvo que. Por ejemplo. UNIVERSIDAD VASCO DE QUIROGA 56 . la función de densidad es la derivada respecto a X de la función de distribución. de la siguiente manera: Las características de F(x) son iguales a las expuestas para el caso de las variables discretas.Licenciatura en Informática Administrativa Función de distribución Para variables continuas también se define la función de distribución. cualquiera que sea el tipo de variable. obviamente. en el caso de las variables continuas: Dada su definición. Las funciones de distribución de las variables continuas más interesantes están tabuladas. resulta que. las funciones de distribución nos pueden servir para calcular probabilidades. nunca se expresan en forma tabular.

el valor esperado de ésta queda multiplicado por el valor de la constante. E[X]. el valor esperado de X se calcula según decíamos anteriormente sumando los productos de los valores de la variable por sus respectivas probabilidades.Licenciatura en Informática Administrativa Valor esperado de una variable Supongamos que hemos realizado n veces un experimento aleatorio que genera una variable X. Si X es una variable discreta con función d probabilidad f(x). el valor medio del experimento se llama valor esperado o esperanza matemática. El valor medio del experimento en estas n repeticiones es la suma de los productos de los valores de la variable por su frecuencia relativa. Cuando n sea igual a infinito. UNIVERSIDAD VASCO DE QUIROGA 57 . En el caso de una variable continua Propiedades del valor esperado • Al multiplicar todos los valores de una variable por una misma constante.

el valor esperado de ésta queda incrementado por el valor de la constante. el valor esperado de su suma o diferencia es la suma o diferencia de sus valores esperados E[X ± Y] = E[X] ± E[Y] UNIVERSIDAD VASCO DE QUIROGA 58 .Licenciatura en Informática Administrativa • Al sumar a todos los valores de una variable una misma constante. • Si tenemos dos variables X e Y. discretas o continuas.

UNIVERSIDAD VASCO DE QUIROGA 59 . E[X Y] = E[X] E[Y] Es importante indicar que la independencia de las variables es condición suficiente pero no necesaria para que el valor esperado del producto de dos variables sea igual al producto de sus valores esperados. simplemente µ. X e Y son variables aleatorias independientes ocurre que el valor esperado de su producto es igual al producto de sus valores esperados.Licenciatura en Informática Administrativa • Si las variables anteriores. Media Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X que sea igual a la variable elevada a un exponente entero no negativo. es decir. El valor esperado de z(x) es el k-ésimo momento de la variable X respecto a su origen y se llama • • k=0 k=1 A este primer momento respecto al origen que es igual al valor esperado se le llama también media aritmética de la variable y se le denomina µX. ésta es una propiedad de las variables independientes pero se cumple en variables que no son independientes.

Para calcular la varianza por un método más sencillo se utiliza la expresión: Es decir. k=0 k=1 Es decir. El valor esperado de z(x) es el k-ésimo momento de la variable X respecto a la media y se llama µk. La varianza de una variable mide la dispersión de sus valores respecto al valor central µ. la varianza de una variable es igual a la media de los cuadrados menos el cuadrado de la media. UNIVERSIDAD VASCO DE QUIROGA 60 . Esta propiedad se utilizar reiteradamente en las demostraciones estadísticas. en cualquier variable aleatoria su primer momento respecto de la media es igual a 0. El resto de los momentos respecto al origen tienen escaso interés en la mayoría de los casos.Licenciatura en Informática Administrativa En la mayoría de los casos. k=2 Este segundo momento respecto de la media se le llama también varianza. la media µ expresa la tendencia central de la variable o el orden de magnitud de sus valores. Varianza Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X que sea igual a la diferencia entre la variable y su media aritmética elevada a un exponente entero no negativo.

.X media )²/ n-1] UNIVERSIDAD VASCO DE QUIROGA 61 . la desviación típica se mide en las mismas unidades que la variable Ejemplo Consideremos la siguiente tabla: Xi 5 7 1 2 4 ∑i.8 -1.n (Xi. Para obviar este problema se define otra medida de la dispersión que es la desviación típica. que se calcula como la raíz cuadrada positiva de la varianza.8 0.2 0 Ѕ²=22.80/(5-1)=57 (Xi-X media)² 1.24 7. σX. Ѕ=√ Ѕ²=√[∑i=1.8=1.n =19 Por lo tanto Xi-X media 5-3.84 3.44 10.04 22.. o simplemente σ.24 0.2 3.80 Desviación estándar: será la raíz cuadrada de la varianza.2 -2.Licenciatura en Informática Administrativa Desviación estándar o típica El principal problema de la varianza es que se expresa en unidades cuadráticas que no siempre tienen una interpretación clara. evidentemente.

8/4=12.µ) (X . con función de probabilidad o densidad conjunta f(x.n Xi)²/n]/n-1 S²=√[(30386-386²/5)/5-1]=12. Supongamos que tenemos dos variables aleatorias X e Y..µ) si sustituimos una vez a X por Y)... C V.y) tiene la misma estructura que (X .1 S=√∑i=1. Covarianza En este contexto de la medida de la variación se plantea el problema de medir la variación conjunta de variables de variables asociadas. la desviación típica no resuelve todos los problemas que se pueden plantear. Para resolver esta cuestión se define una medida adimensional de la variabilidad que es el coeficiente de variación.nXi²-(∑i=1. discretas o continuas.X media )²/n-1 = √586.µ)2 = (X . que se calcula como el cociente entre la desviación típica y la media (a veces este cociente se expresa en tanto por ciento multiplicándolo por 100).X media )²]/n-1= S² =[∑i=1.y) igual al producto de las desviaciones de cada valor a su media respectiva (es decir.n(Xi. UNIVERSIDAD VASCO DE QUIROGA 62 .1 El coeficiente de variación No obstante. z(x.n(Xi.. como por ejemplo la comparación de situaciones en las que la unidad de medida o el orden de magnitud de esta sea diferente.Licenciatura en Informática Administrativa Otra forma para calcular S Xi 85 70 60 90 81 ∑xi=386 Xi² 7225 4900 3600 8100 6561 ∑xi²=30386 X media=386/5=77.2 S²=[∑i=1.y) y definimos una función z(x.

y). por tanto. • σxy es negativa si los valores altos de X están asociados a los valores bajos de Y y viceversa. la covarianza se expresa en términos del producto de las UNIVERSIDAD VASCO DE QUIROGA 63 . cov(x. • σxy es positiva si los valores altos de X están asociados a los valores altos de Y y viceversa.y) se le llama covarianza de las variables X e Y y se representa como σxy o cov(x.y) > 0 cov(x. algebraicamente.y) = 0 cov(x.Licenciatura en Informática Administrativa Al valor esperado de z(x. una medida del grado y tipo de su relación.y) = 0 .y) sea nula. Coeficiente de correlación En el caso de la covarianza tenemos el mismo problema que se nos presentó con la varianza. La covarianza es una medida de la variación común a dos variables y. un medio más sencillo para calcular la covarianza de dos variables. es decir. • Si X e Y son variables aleatorias independientes cov(x. La independencia es condición suficiente pero no necesaria para que la cov(x.y) < 0 Se puede deducir.

. obtenga su valor esperado: X=1. las variables independientes tienen correlación 0. positiva o negativa. La correlación toma valores entre -1 y 1.000. entre las dos variables y correlaciones iguales a 0 implican ausencia de asociación. encuentre su valor esperado y varianza.. Obviamente.6XP(x)=1(1/6)+2(1/6)+.000 ¿Cuál será la ganancia esperada del adquiriente de los boletos? X p(x) $= ocurrencia $-7998/8000 Probabilidad de perder o donar $10 $-2/8000.S S. Por otra parte también es difícil comparar situaciones diferentes entre sí. Espacio eventual.µ)² (0-1)²=1 (1-1)²=0 (1-1)²=0 (x. S. En este caso.C X 0 1 1 P(X) ¼ ¼ ¼ E(x) 0 1/4 1/4 (x.2. lo cual no siempre es fácilmente interpretable.6(1/6)=21/6 Ejemplo 2: Se compran dos boletos de $ 5 pesos c/u. pero nuevamente. siendo su signo igual al de la covarianza.µ)² P(x) ¼ 0 0 64 UNIVERSIDAD VASCO DE QUIROGA .+. el auto tiene un costo de $12.. Probabilidad de ganar el auto E(x)=-10(7998/8000) +11990(2/8000)=-$7 lo esperado es que done 7 pesos Ejemplo 3: Sea X el número de caras en el lanzamiento de 2 monedas...6 con P(1)=P(2)=1/6 E(x)=∑x=1. Correlaciones con valores absolutos intermedios indican cierto grado de asociación entre los valores de las variables.Licenciatura en Informática Administrativa unidades de medida de ambas variables. Ejemplos Ejemplo 1: Sea x el número observado al tirar un dado. ρ. ambos problemas se solucionan de una vez mediante la definición del coeficiente de correlación.S C. que se define como el cociente entre la covarianza y el producto de las desviaciones típicas de las dos variables.. de un tiraje de 8. Correlaciones con valor absoluto 1 implican que existe una asociación matemática lineal perfecta. la independencia es condición suficiente pero no necesaria..

Licenciatura en Informática Administrativa

C.C

2

¼ ∑=1.0

2/4 ∑=1.0

(2-1)²=1

¼ ∑=1/2=δ²

Ejemplo 4: Sea una variable aleatoria con la distribución de probabilidad dada X -1 0 1 2 3 4 5 P(x) .05 .1 .4 .2 .1 .1 .05

µ=E(x)=-1(0.05)+0(0-1)+2(0.2)+3(0.1)+4(0.1)+5(0.05)=1.3 δ²=(-1-1.3)²(0.05) (0-1.3)²(0.1) (1-1.3)²(0.4) (2-1.3)²(0.2) (3-1.3)²(0.1) (4-1.3)²(0.1) (5-1.3)²(0.05) δ²=2.27 δ=√2.27=1.506

¿Qué probabilidad tiene X de caer +/- 2δ? -1.712 a 4.312 =95%

UNIVERSIDAD VASCO DE QUIROGA

65

Licenciatura en Informática Administrativa

UNIDAD 03. DISTRIBUCIONES DISCRETAS
3.1 OBJETIVOS PARTICULARES
Al finalizar esta Unidad el estudiante:

• Conocerá el concepto de función de una variable aleatoria continua y obtendrá probabilidades a partir de la función de densidad. • Identificara si la función dada es una función de densidad y aplicara el tipo de distribución adecuado para la solución de problemas.

3.2 TEMAS Y SUBTEMAS:
UNIDAD 03
DISTRIBUCIONES DISCRETAS Definir la imagen de una función de probabilidad. el valor esperado y la varianza de las variables aleatorias discretas que tienen las siguientes distribuciones. 4.2 Bernoulli y binomial 4.3 Geométrica y binomial negativa. 4.4 Hipergeométrica. 4.5 Poisson. 4.6 Reconocer las condiciones bajo las cuales se puede aplicar cada uno de los modelos anteriores a la resolución de problemas. Aleatorias Resolución de problemas 4 4.1

UNIVERSIDAD VASCO DE QUIROGA

66

Licenciatura en Informática Administrativa

Distribuciones de variables discretas
Debido a que no sabemos la probabilidad de ocurrencia de variables discretas, lo que se hace es trabajar con estimaciones. Precisamente esto nos lleva a modelos teóricos que estiman los resultados, los principales son los que a continuación se presentan. Los modelos de distribuciones de probabilidad de variables discretas que se estudiarán son 1. Uniforme. Es la distribución donde todos los eventos elementales tienen la misma probabilidad. a. Por ejemplo: tirar un dado, donde la función P(X=x)=1/6 para valores de x=1,2,3,4,5,6. 2. Binomial. Es la que maneja la distribución de la probabilidad de obtener cierta cantidad de éxitos al realizar una cantidad de experimentos con probabilidad de éxito constante y con ensayos independientes. 3. Geométrica. Es la distribución de la probabilidad de realizar cierto número de experimentos antes de obtener un éxito. 4. Hipergeométrica. Es similar a la binomial, pero con un tamaño de muestra grande en relación al tamaño de la población. a. La función de Excel que proporciona sus valores es DISTR.HIPERGEOM 5. De Poisson. Es la distribución de la probabilidad de que ocurra un evento raro en un periodo de tiempo, un espacio o un lugar. a. La función de Excel que da los valores de la distribución es POISSON

Distribución uniforme
La distribución uniforme es la que corresponde a una variable que toma todos sus valores, x1, x2... , xk, con igual probabilidad; el espacio muestral debe ser finito. Si la variable tiene k posibles valores, su función de probabilidad sería:

Donde k es el parámetro de la distribución (un parámetro es un valor que sirve para determinar la función de probabilidad o densidad de una variable aleatoria) La media y la varianza de la variable uniforme se calculan por las expresiones:

UNIVERSIDAD VASCO DE QUIROGA

67

3. sólo existen dos posibles resultados. Cada prueba resulta en un suceso que cumple las propiedades de la variable binómica o de Bernouilli. el espacio muestral está compuesto por los números enteros del 0 al n. mutuamente excluyentes. es decir.p = q 4. Las pruebas son estadísticamente independientes. UNIVERSIDAD VASCO DE QUIROGA 68 . El experimento está compuesto de n pruebas iguales.Licenciatura en Informática Administrativa El histograma de la función toma el aspecto de un rectángulo. que se denominan generalmente como éxito y fracaso. Evidentemente. Se suele decir que una variable binómica cuenta objetos de un tipo determinado en un muestreo de n elementos con reemplazamiento. P(fracaso) = 1 . siendo n un número natural fijo. a la distribución uniforme se le suele llamar distribución rectangular. La probabilidad del ‚éxito (o del fracaso) es constante en todas las pruebas. la variable aleatoria X que cuenta el número de éxitos en las n pruebas se llama variable binomial. por ello. Distribución binomial La distribución binomial es típica de las variables que proceden de un experimento que cumple las siguientes condiciones: 1. 2. P(éxito) = p . En estas condiciones.

éstos son aquellos experimentos cuyo resultado es uno de dos posibles y mutuamente excluyentes. el aspecto de la distribución depende de que sea o no simétrica Por ejemplo. Por ejemplo: Los siguientes son ensayos Bernoulli. • El sexo de un bebé al nacer: niño o niña. el caso en que n = 4: Consideremos los llamados ensayos Bernoulli. Entonces se tiene lo que se denomina experimento binomial. donde el número de ensayos se denota con n.p) siendo n el número de pruebas y p la probabilidad del ‚éxito. la probabilidad de éxito con p y la de fracaso con q. • Un tornillo. Si consideramos una serie de ensayos Bernoulli que tiene como características: 1. la probabilidad de éxito permanece constante. UNIVERSIDAD VASCO DE QUIROGA 69 .Licenciatura en Informática Administrativa La función de probabilidad de la variable binomial se representa como b(x. La media y la varianza de la variable binomial se calculan como: Media = µ = n p Varianza = σ2 = n p q Gráficamente. a los que se denominarán éxito y fracaso. • La respuesta correcta o incorrecta en un examen. y 2. n y p son los parámetros de la distribución. los ensayos son independientes entre sí. ensayo tras ensayo.n. puede estar defectuoso o no defectuoso.

8)¹=0.95)⁹=0.05)¹ (0.El significado de la palabra “^Xkzñ” es a) Lápiz b) árbol c) miedo d) fiera Con esto contamos con un experimento binomial.2)³(0.1536 p(x>2)=p(2)+p(3)+p(4)=0.95)¹⁰=0. p(2)= [4!/(2!(4-2))]*(0.2)⁴ (0. se selecciona una muestra de los artículos y una aceptación de hasta un artículo defectuoso.Licenciatura en Informática Administrativa Hay que notar que las probabilidades de éxito y de fracaso están relacionadas de la siguiente manera: p+q=1. p= aceptar lotes malos p(x≤1)=p(0)+p(1)=0. 1. y que será contestado al azar. c) De que compren el producto.. Hay que decir que n y p son los llamados parámetros de la distribución..0256 p(4)=4C4*(0. ya que la probabilidad de éxito permanece constante en las tres preguntas (p=¼) y las respuestas de una a otra pregunta son independientes entre sí. si entrevista a 4 prospectos.91385 p(0)=10C0*(0. Se conoce históricamente que el 5% de los artículos tienen algún defecto.1808 p(3)= [4!/(3!*1!)]*(0.8)º=0. P= aceptar lotes buenos.8)²=0. UNIVERSIDAD VASCO DE QUIROGA 70 . a) Cuál es la probabilidad de que dos compren el producto b) Que al menos dos compren el producto. Se cuenta con una cantidad n=3 de ensayos y q=1-p=3/4.05)⁰*(0. con cuatro opciones.59873 p(1)=10C1*(0.0861 Ejemplo: Consideremos un examen con tres preguntas de opción múltiple.Las flores de la carrastrana frisólea son: a) rojas b) azules c) amarillas d) naranjas 2.Don Luis Inocuo descubrió el trideralto de magnesio en: a) 1518 b) 1635 c) 1457 d) 1706 3.2)²(0. Ejemplo: Se conoce que un vendedor determinado puede concluir una compra con 20% de probabilidad de éxito..31512 p(x>1)=1-p(0)-p(1)=0.0016 Ejemplo: Se realiza un plan de muestreo para conocer la probabilidad de aceptar un lote defectuoso.

422 0. y 3. UNIVERSIDAD VASCO DE QUIROGA 71 . X cuenta el número de ‚éxitos obtenidos en la muestra. 2) K de los N objetos se pueden clasificar como éxitos y N . Así pues. El espacio muestral es el conjunto de los números enteros de 0 a n. sin reemplazamiento. 1.016 Distribución hipergeométrica Una variable tiene distribución hipergeométrica si procede de un experimento que cumple las siguientes condiciones: 1) Se toma una muestra de tamaño n. siendo sus posibles valores: 0. ó de 0 a K si K < n. de un conjunto finito de N objetos.141 0.K como fracasos. tenemos que P(X=0)= P (F1∩F2∩F3)= P(F1)—P(F2)—P(F3) =(3/4)3 = 27 /64 =1—(3/4)3—(1/4)0 P(X=1)=P [(E1∩F2∩F3)∪(F1∩E2∩F3)∪ (F1∩F2∩E3)]=81/256=3—(3/4)2—(1/4)1 P(X=2)=P [(E1∩E2∩F3)∪(E1∩F2∩E3)∪ (F1∩E2∩E3)]=9/64=3—(3/4)1—(1/4)2 P(X=3)=P E1∩E2∩E3)= P(E1)—P(E2)—P(E3)= (1/4)3 = 1/64=1—(3/4)0—(1/4)3 Al presentar esta información como tabla y su respectivo histograma se obtiene: X 0 1 2 3 P(X=x) 0. 2. consideraremos como E los éxitos y como F los fracasos (el subíndice indica el número de pregunta). Para calcular la distribución de probabilidad correspondiente.Licenciatura en Informática Administrativa Tenemos ahora la variable aleatoria X que representará el número de respuestas correctas.422 0.

N suele ser muy grande y los números combinatorios se vuelven prácticamente inmanejables. sin embargo. en este caso. Como ejemplo.Licenciatura en Informática Administrativa En este caso. la varianza de la variable binomial es ligeramente superior a la de la hipergeométrica. es esencialmente binomial. La media de la variable aproximada (µ = n p = n (K / N)) es la misma que la de la variable antes de la aproximación. El aspecto de la distribución es bastante similar al de la binomial. N y K. las pruebas no son independientes entre sí. La función de probabilidad de la variable hipergeométrica es: Los parámetros de la distribución son n. la probabilidad de un ‚éxito variar muy poco de una prueba a otra.25 y n = 4) UNIVERSIDAD VASCO DE QUIROGA 72 . El factor por el que difieren ser siempre menor que 1 y tan próximo a 1 como cierto sea que n << N. así pues. la probabilidad del ‚éxito en pruebas sucesivas no es constante pues depende del resultado de las pruebas anteriores. Por tanto. la variable. con relación a N (n << N). en esta situación. Los valores de la media y la varianza se calculan según las ecuaciones: Si n es pequeño. así pues. mostramos los casos análogos a los de las binomiales del apartado anterior (p inicial = 0. la probabilidades se calculan más cómodamente aproximando por las ecuaciones de una binomial con p = K / N.

El experimento que la genera debe cumplir las siguientes condiciones: 1. 3. de las cuales 2 presentan defectos. objetos de un tipo determinado) que ocurren en una región del espacio o del tiempo. 2.01625 Distribución de Poisson Una variable de tipo Poisson cuenta éxitos (es decir. La probabilidad de encontrar uno o más ‚éxitos en una región del tiempo o del espacio tiende a cero a medida que se reducen las dimensiones de la región en estudio.Licenciatura en Informática Administrativa Ejemplo: Un furgón contiene 20 computadoras. La probabilidad de un ‚éxito en un tiempo o espacio pequeño es proporcional al tamaño de este y no depende de lo que ocurra fuera de él. si se seleccionan 3 ¿Cuál es la probabilidad de que 2 presenten fallas? P(2)=[3C2*18C1]/20C7=0. El número de éxitos que ocurren en cada región del tiempo o del espacio es independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del anterior.01578 Ejemplo: En una selección de personal.3003/184756 P(x=5)0. La función de probabilidad de una variable Poisson es: UNIVERSIDAD VASCO DE QUIROGA 73 . de entre 20 doctores se seleccionan 10 ¿Cuál es la probabilidad de que incluyan a 5 de los mejores? N=20 n=10 r=5 P(x=5)=[5C5*15C5]/20C10=1. las variables Poisson típicas son variables en las que se cuentan sucesos raros. Como consecuencia de estas condiciones.

la gráfica empieza a tener un aspecto acampanado. La distribución de Poisson se puede considerar como el límite al que tiende la distribución binomial cuando n tiende a y p tiende a 0. Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes es otra Poisson con media igual a la suma las medias. UNIVERSIDAD VASCO DE QUIROGA 74 . Como ejemplo. Esta característica puede servirnos para identificar a una variable Poisson en casos en que se presenten serias dificultades para verificar los postulados de definición. por tanto. λ = 1. se utiliza una aproximación a través de una variable Poisson con media l = n p. en paralelo.5 (derecha) y λ= 5 (abajo) Obsérvese que la asimetría de la distribución disminuye al crecer λ y que. en esta situación sería difícil calcular probabilidades en una variable binomial y.5 (izquierda). La varianza de la variable aproximada es ligeramente superior a la de la variable binomial. siendo np constante (y menor que 7). mostramos tres casos con λ = 0. El aspecto de la distribución depende muchísimo de la magnitud de la media.Licenciatura en Informática Administrativa El parámetro de la distribución es λ que es igual a la media y a la varianza de la variable.

También se utiliza para aproximar a la binomial cuando n es grande y p pequeño y cuando la media es menor que 7 Ejemplo: Las lesiones en una fábrica tienen una media de 2.7)⁰*e¯ ²·⁷/0!+(2.1 UNIVERSIDAD VASCO DE QUIROGA 75 .067205)=0.2486 Ejemplo: Compara un experimento binomial con n=25 y p=0.7 accidentes por año ¿qué probabilidad existe de que el número de accidentes sea menor que 2? P(x<2)=p(0)+p(1)=(2.067205+2.7635 Numero éxito=3 Ensayos=25 Probabilidad de éxito=0. los accidentes industriales.Licenciatura en Informática Administrativa Empleada para calcular las llegados de clientes. los reclamos de garantías.7)¹*e¯ ²·⁷/1! =0.7(0..1 con una Poisson Encuentre p(x≤3) Binomial p(x≤3=p(0)+p(1)+p(2)+p(3)=0..

1) Difiere tan solo en 0.5 Acumulado=3 UNIVERSIDAD VASCO DE QUIROGA 76 .007 entre binomial y poisson X=3 µ=2.Licenciatura en Informática Administrativa Acumulado=3 Poisson p(x≤3)=0.7575 µ=np =25(.

Errores de tipo I Y II en pruebas de hipótesis. DISTRIBUCIÓN NORMAL 5. UNIVERSIDAD VASCO DE QUIROGA 77 .. frente a la media usando la distribución normal.Licenciatura en Informática Administrativa UNIDAD 05.1 Uso de la distribución normal en el calculo de probabilidades 5.3 Distribuciones relacionadas con la distribución normal.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Se mostraran los pasos para la hipótesis con el método del valor crítico.2 TEMAS Y SUBTEMAS: UNIDAD 05 5 LA DISTRIBUCIÓN NORMAL 5. 5.2 Calcular probabilidades para eventos relacionados con una variable normal estándar 5.

es decir. cuando sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal. media y desviación típica no deben estar correlacionadas en ningún caso (como desgraciadamente ocurre en la inmensa mayoría de las variables aleatorias reales que se asemejan a la normal. Es convexa entre ambos puntos de inflexión y cóncava en ambas colas. en una variable normal. 3) La curva tiene dos puntos de inflexión situados a una desviación típica de la media. Como consecuencia. respectivamente. µ y σ. La curva normal cumple las siguientes propiedades: 1) El máximo de la curva coincide con la media.Licenciatura en Informática Administrativa Distribución normal La distribución normal fue definida por De Moivre en 1733 y es la distribución de mayor importancia en el campo de la estadística. UNIVERSIDAD VASCO DE QUIROGA 78 . Una variable es normal cuando se ajusta a la ley de los grandes números. Las variables normales tienen una función de densidad con forma de campana a la que se llama campana de Gauss. 2) Es perfectamente simétrica respecto a la media (g1 = 0). Su función de densidad es la siguiente: Los parámetros de la distribución son la media y la desviación típica.

no se puede integrar. σ. Por ello la única solución es referirse a tablas de la función de distribución de la variable (calculadas por integración numérica).Licenciatura en Informática Administrativa 4) Sus colas son asintóticas al eje X. es decir. Para calcular probabilidades en intervalos de valores de la variable. habría que integrar la función de densidad entre los extremos del intervalo. Estas tablas tendrían que ser de triple entrada (µ. Afortunadamente. por desgracia (o por suerte). valor) y el asunto tendría una complejidad enorme. cualquier que sea la variable normal. X. la función de densidad normal no tiene primitiva. se puede establecer una correspondencia de sus valores con los de otra variable con distribución UNIVERSIDAD VASCO DE QUIROGA 79 .

a la que se llama variable normal tipificada o Z. ¿Cuál será la probabilidad de que 8 personas excedan de 1300 libras? Datos: Varianza=9800 libras^2 Media=1200 libras X= 1300 libras P(x>=1300)=? Sustituimos en nuestro estimador Z=(1300-1200)/98. simplemente. consultando en las tablas se pueden calcular probabilidades en cualquier intervalo que nos interese. media 0 y varianza 1. que representa la UNIVERSIDAD VASCO DE QUIROGA 80 .994=1.8438. la suma de variables normales independientes es otra normal.0101 es positivo quiere decir que se ubica a la derecha de la media. De forma análoga a lo pasaba con las variables Poisson. con una varianza de 9800 libras^2.Licenciatura en Informática Administrativa normal. La equivalencia entre ambas variables se obtiene mediante la ecuación: La función de distribución de la variable normal tipificada está tabulada y. el dato correspondiente en la tabla de la normal es 0. Histograma de una normal idealizada Histograma de una muestra de una variable normal Ejemplo: Se conoce que el promedio de peso de un límite de 8 personas en un ascensor es de 1200 libras.0101 Acotación: sigma=(varianza)^1/2=(9800)^1/2 Como 1.

suponga una desviación estándar de 16 minutos. Se encontró que de 10 personas. cuanto tiempo les toma la actividad. AUTOEVALUACIÓN Contesta las siguientes preguntas. normalmente distribuidos.8438=.62% De 100 mediciones que se realicen en el ascensor poco mas de 15 veces. Utilizando la distribución hipergeométrica a) Cuál es la probabilidad que 2 prefieran Coca b) Cual es la probabilidad que la mayoría prefiera Pepsi 3) A una aerolinea llegan en promedio 48 llamadas por hora a) Qué probabilidad hay de recibir 3 llamadas en el intervalo de 5 minutos b) La probabilidad de recibir 10 llamadas en 15 minutos c) Cuál es la probibilidad de ausentarse 3 minutos y no recibir llamadas 4) El tiempo promedio para leer una publicación del Wall Street Journal es de 49 min. 1) En una encuesta universitaria se encontró que el 33% de los estudiantes empleaban tarjeta de crédito. nos ayuda a inferir sobre futuros comportamientos. 6 preferían Coca y 4 Pepsi. por tanto P(x>=1300 libras)=1-. la suma de los pesos de las personas excederán de 1300 libras. a) En una muestra de 6 estudiantes que probabilidad hay de que 2 tengan tarjeta de crédito b) Qué por lo menos 2 tengan tarjeta de crédito c) Si la muestra es de 10 estudiantes que ninguno tenga tarjeta de crédito 2) En 1998 se realizó una encuesta para saber la preferencia en el consumo de refrescos de cola.1562 o 15. útil para predecir garantías pagaderas a productos que no cumplieron con lo establecido por ejemplo. a partir de registros establecidos. a) Cuál es la probabilidad de tardar cuando menos una hora b) De que tarde menos de 30 minutos en leerla c) Para el 10% que leen asiduamente esta lectura. Así la distribución de probabilidad normal.Licenciatura en Informática Administrativa probabilidad acumulada de todas las ocasiones en que ingresaron 8 personas al ascensor y que no excedieron de 1300 libras. Se selecciona una muestra aleatoria de 3 personas. UNIVERSIDAD VASCO DE QUIROGA 81 .

5 Construir intervalos de confianza para la media de una población arbitraria con varianza conocida y desconocida. 6.1 Distribución de muestreo e intervalos de confianza para la media 6.6 Otros intervalos de confianza. INFERENCIAS EN UNA POBLACIÓN.2 Intervalos de confianza. 6. 6. 6.Licenciatura en Informática Administrativa UNIDAD 06.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Conocerá técnicas para hacer inferencias de una población 6.4 Determinar el tamaño de la muestra mínima.3 Determinar la cota del error de estimación de Mu mediante un coeficiente de confianza con varianza conocida. UNIVERSIDAD VASCO DE QUIROGA 82 . 6.2 TEMAS Y SUBTEMAS: UNIDAD 06 6 INFERENCIAS EN UNA POBLACIÓN. 6.

a que. UNIVERSIDAD VASCO DE QUIROGA 83 . la proporción de fumadores de la Facultad. Y. y cero si sale cruz. seleccionar una parte representativa de la población de alumnos para extraer conclusiones que serán extrapoladas a toda la población. que vale la unidad si sale cara al hacer un lanzamiento. por motivos de coste económico. b(p) . y cero si no lo es. en general no es posible o conveniente hacerlo. que tienen que ver con el estudio de características vinculadas a las poblaciones humanas. Aunque en este caso la población en estudio es una población humana. ahora la población no es humana. En concreto. es decir. ni tan siquiera de objetos. Aunque cuando se trata de una población de personas u objetos. esto es. nos conviene más decir que la población es la característica que se está estudiando. donde p es la probabilidad de que el alumno elegido al azar sea fumador. Por ejemplo: si en la Escuela hay 3000 alumnos de los cuales 1000 son fumadores. de tiempo. más o menos 10 de ellos deberían ser fumadores. Por ejemplo. o bien. que los 30 seleccionados sean fumadores (aunque sea bastante raro que ello ocurra).Licenciatura en Informática Administrativa Introducción El nombre "población" se utiliza en estadística por motivos históricos. o de imposibilidad de localizar a todos ellos. aunque el proceso de selección de la muestra sea sensato. denominamos población a la variable aleatoria que representa su comportamiento. por ejemplo. El comportamiento de esa moneda puede describirse como una variable aleatoria. puede que deseemos conocer si una moneda está cargada o no. donde p sería la probabilidad de obtener cara con la moneda. Obsérvese que. En un juego de azar. Esta cifra no se alcanza habitualmente con exactitud. si queremos conocer cuál es la proporción de fumadores entre los alumnos de la Escuela (la población). Obsérvese que X tiene una distribución de Bernoulli. En este caso. Decimos entonces que tenemos una población X ~ b(p). achacando las posibles desviaciones al azar. sería posible estudiar a todos los individuos. la población sería la variable aleatoria Y ~ b(p). podemos hacer una investigación exhaustiva (censo) entre todos los alumnos matriculados y preguntarles si son fumadores o no lo son. el azar hace que sea posible. Se busca entonces una parte que sea representativa del todo y se le realiza una encuesta. aunque el modelo es el mismo. esto es. aunque muchas veces el objeto de estudio sea de una naturaleza completamente distinta. definimos la variable aleatoria X que vale 1 si un alumno elegido al azar es fumador. si escogemos una muestra representativa formada por 30 alumnos.

Licenciatura en Informática Administrativa

Cada alumno a encuestar, se representa mediante una variable que se distribuye igual que X. Si, en general, encuestamos a n alumnos, les representaremos mediante una variable n-dimensional, , que denominaremos muestra. , que

Una vez encuestados, los resultados serán n números, denominaremos realización de la muestra.

Así, definimos muestreo como el proceso que nos permite la extracción de una muestra a partir de una población Hay dos tipos básicos de muestreo: 1. Muestreo probabilístico. En este tipo de muestreo, la probabilidad de aparición en una muestra de cualquier elemento de la población es conocida (o calculable). Es el único científicamente válido, y es sobre el que nos extenderemos especialmente. 2. Muestreo no probabilístico. Es aquel en el que la selección de los elementos de la muestra no se hacen al azar. El muestreo probabilístico nos garantiza que, a la larga, las muestras que se van obteniendo de la población sean representativas de la misma. Vamos a ver varios tipos de muestreo probabilístico. • • • • • Muestreo aleatorio simple Muestreo estratificado Muestreo por conglomerados Muestreo sistemático Muestreo por etapas (o polietápico)

Distribuciones de muestreo en la media
Nos permiten inferir el comportamiento de una población a partir de la descripción de una muestra representativa. Definiciones Si las variables aleatorias x1.x2...........xn. tienen la misma función de densidad de probabilidad que la de la distribución de la población, y su función de distribución conjunta de probabilidad es igual al producto de las marginales, entonces x1.x2............xn forman un conjunto de n variables aleatorias independientes e idénticamente distribuidas (IID) que constituyen una muestra aleatoria de la población.

UNIVERSIDAD VASCO DE QUIROGA

84

Licenciatura en Informática Administrativa

Un Parámetro es una caracterización numérica de la distribución de la población de manera que describe, parcial o completamente la función de densidad de población de la característica de interés. Una estadística (un estadístico) es cualquier función de las variables aleatorias que se observaron en la muestra, de manera que esta función no contiene cantidades desconocidas. La distribución de muestreo de una estadística es la distribución de probabilidad que puede obtenerse como resultado de un número infinito de muestras aleatorias independientes, cada una de tamaño n provenientes de la población de interés. TEOREMA: Sean x1.x2...........xn, un conjunto independientes normalmente distribuidas con medias E(xi) = µ y varianzas Var(xi) = σi2, para i = 1.2.......n. Si Y = a1x1 + a2x2 + ......+anxn, en donde a1.a2...an son constantes, entonces “Y” es una variable aleatoria distribuida normalmente Con media E(y) = a1µ1 + a2µ2 +......+ anµn Varianza Var(y) = a12σ12 + a22σ22 +...+ an2σn2. de variables aleatorias

Teorema del límite central Sean x1.x2.........xn, n variables aleatorias independientes idénticamente distribuidas con media µ y varianza σ2 ambas finitas. La suma de esas variables Sn = x1+x2+ ...+ xn es una variable aleatoria con media nµ y varianza nσ2, entonces µ σ Z = se distribuye como una normal N(0;1). En otras palabras, el nσ 2 teorema expresa que cuando n crece sin límite, la variable z tiende a distribuirse normalmente. Si las variables no son idénticamente distribuidas, se podría ∑ xi - ∑ µ i se distribuye como una normal demostrar igualmente que: z =

S

n

− nµ

∑σ

2

i

N(0;1), es decir que la suma de variables independientes tiende a ser normal con media suma de medias y varianza suma de varianzas.

UNIVERSIDAD VASCO DE QUIROGA

85

Licenciatura en Informática Administrativa

Ejemplo: Un embotellador desea reducir los problemas con las agencias de protección al consumidor, por tanto debe medir muy bien la cantidad de líquido en cada botella, debe contener 12 onzas, se miden al azar 10 botellas por hora, si los registros marcan una desviación de 0.2 onzas habrá que registrar la maquina a 12.1 onzas ¿Qué probabilidad habrá de que la media muestral sea menor que 12 onzas? Datos µ=12.1=x~ δx~=δ√n=0.2/√10=0.063 Ζ=[x~-µ]/δx~=[12-12.1]/0.0630=1.59 P(x<12)0.5-0.4441=0.056 Habrá un 5.6% de probabilidad de incumplir la norma de llenado. Ejemplo: Se selecciona una muestra de 25 unidades que tiene una distribución normal, con media de 106 desviación estándar de 12 a) Obtenga la media y desviación estándar de la muestra. b) Encuentre la probabilidad de que x excede a 110. c) Calcule la probabilidad de que la media muestral se desvíe de la media poblacional µ=106 por más de 4 a) µx~=µ=106 δx~=δ/√n=12/√25=2.4 b) P(x>110)=110-106/2.4=1.666=0.5-0.4515=0.0485 c) P(x>110)+P(x<102)=0.097 Distribución de la media muestral X : Sea x1, x2,… xn una muestra aleatoria de tamaño “n” de una población con función de densidad f(x) con media µ y varianza σ2 . La media muestral representada por . n Teorema: Sea x1,x2,…..,xn, una muestra aleatoria que consiste de n variables aleatorias independientes normalmente distribuidas con medias E(xi) = µ y varianzas Var(xi) = σ2 , i = 1,2, ……, n. Entonces la distribución de la media muestral x es normal con media µ y varianza σ E (x) = E (
2

x , es la media aritmética de los elementos de la muestra, es decir: x =

∑x
i =1

n

i

∑ x ) = 1 ∑ E ( x ) = 1/n(n.µ) ⇒ E( x ) = µ.
i

n

. En efecto:
i

n

n

UNIVERSIDAD VASCO DE QUIROGA

86

x y s son también variables aleatorias independientes.µ  ∑   σ  n i =1 2 tiene una distribución χ 2 con n grados de libertad En la tabla correspondiente a esta distribución.. Entonces: ∑ xi − x i =1 n ( ) 2 σ 2 = (n − 1)s 2 σ 2 tiene una distribución χ 2 con (n-1) grados de libertad.1) σ n Teorema: Sean x1.. X 2. De aquí se tiene que x ~N(µ.. ……. una muestra aleatoria de una distribución normal con media µ y varianza σ2.x2.xn una muestra aleatoria de tamaño n.….n y ∑z n 1 2 i =    xi .Licenciatura en Informática Administrativa ∑  Var ( x ) = Var  xi  =  n    ∑Var ( x ) = nσ n n i 2 2 2 ⇒ Var ( x ) = σ 2 n . 2 UNIVERSIDAD VASCO DE QUIROGA 87 . podemos encontrar valores de χ 2 α tales que P ( χ 2 > χ 2 α )=α. i = 1. de una distribución normal con media µ y varianza σ2. χ 2 α La distribución de muestreo de S2: Teorema: Sea X1..2. Entonces zi = (xi – µ)/σ son variables aleatorias normales estándar e independientes.) Luego: Z = (x − µ ) ~ N(0. σ n 2 . Xn.

σ s 2 1 2 1 de las observaciones en la muestra 1. Si no se conoce σ y n < 30.1)σ 2 T= Distribución F: Supóngase que deseamos comparar las varianzas de dos poblaciones normales basados en la información contenida en muestras aleatorias independientes de las poblaciones. De manera similar s 2 1 es una s 2 2 calculada a partir de las observaciones de la segunda muestra es una estimación para σ 2 2 . si dividimos cada s 2 1 por 2 1 entonces la razón siguiente: UNIVERSIDAD VASCO DE QUIROGA 88 . entonces . Supóngase que una muestra aleatoria contiene n1 variables aleatorias distribuidas 2 normalmente con una varianza común σ 1 y que la otra muestra aleatoria contiene n2 variables aleatorias distribuidas normalmente con una varianza común Si calculamos estimación de σ 2 2 .753 Sea Z una variable aleatoria normal estándar y sea χ 2 una aleatoria Ji-cuadrada con v grados de libertad. se tiene sustituyendo en la expresión anterior: x-µ   σ n x -µ   = ~ t n-1 g.…. X10 es una muestra aleatoria de una población distribuida normalmente con media 8 y varianza 9. Entonces si Z y χ 2 son independientes: T= Z χ2 v se dice que tiene una distribución t con v grados de libertad. X2. Así intuitivamente podríamos pensar en utilizar respecto a las magnitudes relativas de σ σ 2 1 y σ s s 2 1 2 2 2 2 para hacer inferencias con .Licenciatura en Informática Administrativa Ejemplo: Si X1. 2 s (n ..l. Calcular la probabilidad de que la varianza muestral sea mayor que 3.1)s n (n .

a priori. Entonces: F = 2 1 2 2 v2 distribución F con v1 grados de libertad del numerador y v2 grados de libertad del denominador. entre el número total de elementos x ˆ de la muestra p = .q ⇒ Var ( p ) = luego 2 n n n ˆ p ~N (p. UNIVERSIDAD VASCO DE QUIROGA 89 . sistemático. es decir: ˆ p-p Z= ~ N (0.p.1). todos los elementos de la muestra tienen la misma probabilidad de aparición. la proporción muestral se define como el cociente del número de elementos de la muestra que tienen la característica deseada. n 1 ˆ ˆ E ( p ) = E(x/n) = 1/n E(x) = np ⇒ E ( p ) = p n χ v1 se dice que tiene una ˆ Var ( p ) = Var(x/n) = 1 1 p. pq n Muestreo simple. La σ1 s2 2 2 definición general de una distribución F es como sigue: Definición: Sean χ 2 1 y χ 2 2 variables aleatorias independientes con v1 y v2 grados χ de libertad respectivamente. conglomerado y estratificado Muestreo aleatorio simple Es aquel en el que.Licenciatura en Informática Administrativa s s 2 1 2 2 σ σ 2 1 2 σ 22 s1 = 2 2 tiene una distribución “F” con (n1-1) y (n2-1) grados de libertad. dada una muestra aleatoria (con reemplazamiento).q ˆ Var(x) = 2 n. Distribución de la proporción muestral: En una población binomial. pq/n).

241 23.269 km a 397. cada individuo debe pertenecer a un estrato (y solo uno).760 ± 21.Licenciatura en Informática Administrativa Para realizar un muestreo es necesario hacer una lista de los objetos de donde se seleccionara la muestra. en función de cierta característica relevante. teniendo una media de recorrido de 1342 km. lo que necesitamos es que el programa elija al azar a 100 individuos de esos 50. y que tenemos un listado con sus nombres.000. y cada individuo del estrato habrá de tener la misma probabilidad de ser escogido como parte de la muestra. Supongamos que tengamos una población de 50.24 Solución Media estratificada: UNIVERSIDAD VASCO DE QUIROGA 90 . Evidentemente.92 2. Para un intervalo de confianza de 95% T^±1. Una estación de TV desea estimar el número promedio de horas que pasa una familia viendo TV. 70% de los niños de primaria van a escuela pública y el 30% a privada.96 [(280)(227)/√30]*√280-30/280 T^=Nx¯ =280(1342) 375. los investigadores han de dividir a los sujetos en diferentes subpoblaciones (o estratos). y después lo que hacen es un muestro aleatorio simple de cada estrato. Si queremos 1.241 N=70892 Tamaño muestral Ni 125 352 232 Media muestral x~ 2. Si queremos elegir 100 personas.14 3. Otro ejemplo: el arrendador de una compañía de coches desea estimar el número de kilómetros que recorren sus coches de una flotilla de 280.63 Varianza muestral si² 1. Ejemplo: Supongamos que.251 km Muestreo estratificado En el muestreo estratificado.de familias Distrito 1 2 3 Ni 12. los objetos son unidades muestrales y la lista se llama marco muestral. se seleccionaron 30. se decidió seleccionar una muestra de 1ro de cada distrito No. con una desviación de 227 km. lo que haremos es dividir los alumnos en 2 estratos (pública y privada) y se eligen aleatoriamente 700 niños de la pública y aleatoriamente 300 de la concertada.491 ó 354. en Morelia.21 3.96 1.000 niños.000 individuos.473 35.

86 horas por familia frente a la TV. Un comerciante de electrodomésticos desea estimar el gasto en aparatos caros para el siguiente año.76 Horas diarias 2.21)+35241(0.34))=0.96√∑Ni²(Ni-ni/Ni) si²/ni T^=Nx~st=N(1/N(Nixi~+N₂x₂~)=2149(134)+1872(168)=602462 602462±1.2 y 0.892(124(2.96/125)+35241(1.96√(1/70892)²((12473)²(0. Muestreo por conglomerados En el muestreo por conglomerados.34)( 0.14)+23. lo que consideramos son “conglomerados de elementos”.580 y $676.Licenciatura en Informática Administrativa x~st=1/N(Nix~₁+N₂x~₂+.de familias Ni 2149 1872 4021 Tamaño muetral ni 200 200 Media muestral $ Xi~ 134 168 Varianza muestral si² 40122 37104 1 2 T^±1. El proceso es elegir aleatoriamente uno o varios conglomerados y la muestra estará formada por TODOS los elementos de los conglomerados.03 Es decir entre el 0.1 ó 2. Se realzó una encuesta e 2 pequeñas ciudades con los datos a continuación: Ciudad No.179+23178(0.23 Como la muestra es pequeña en relación a los estratos 0.21/352)+23178(3..241(2.96√(2149)²(2149-200/2149)+(1872)²(1872-200/1872))=73882 *40122/200 *37104/200 Gastarán entre $528.63))=2..66 a 2.76±0.178(3.96√1/(70892)²[(12473)(1. p~st=1/N(Nip1~+N₂p~₂+N₃p₃^)=1/70892(12473(0.26 prefieren los programas.66)/231)=0.+)= 1/70.17)(0.24/232)] 2.79)/124+(35241)²(0.76±1.23±1.21)(0.344 dólares Para el caso de la televisora estimar la proporción de familias que prefieren los programas de la televisora.83)/351+(23178)²(0.92)+35. en lugar de considerar cada elemento de la población. Ejemplos: UNIVERSIDAD VASCO DE QUIROGA 91 .

96√(12205-20)/12205)(20)(1.19400 48000 19100.5731258 x~= 617700/33=18718.nximi+x~²∑i=₁. Ejemplo: Obtener un intervalo de confianza de 95% para el sueldo anual de una persona.12800 20900. asalariados mi 2 1 2 2 1 1 2 2 1 3 1 1 3 2 1 1 2 1 2 2 ∑i=i²⁰mi=33 Ingreso $ 12100. En otros ejemplos..18900. los conglomerados pueden ser los bloques de viviendas.14700 21500 22000. y lo que se hace es escoger algunas mesas al azar (y de ahí se toman todos los votos de las mesas seleccionadas).. los conglomerados pueden ser las mesas electorales.18 ∑i=₁..65 M~=19200/12205=1.19900 13200 18400 13100.. Familia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 No. los municipios.n(xi-x~mi)²=∑i=₁..5713258)²(2243802645/19)=2243802645 UNIVERSIDAD VASCO DE QUIROGA 92 .nmi² X~±1.n ximi=1081800 ∑i=₁.12200 16200.12000.18300 16900.7500 26300 35100 17400.n xi²=20669130000 ∑i=₁.nxi²-2x~∑i=₁.27000 23000 18200.Licenciatura en Informática Administrativa En las encuestas durante las elecciones.7500 Ingreso total Xi 39100 23000 31000 35300 29000 26200 32800 36300 48000 38600 26300 35100 48500 36100 13200 18400 27800 21500 30000 21500 ∑i=₁²⁰xi=617700 m~=33/20=1. en base a los siguientes datos. etc..14400 29000 26200 14500.8000 14400.n mi²=63 ∑i=₁..

si los conglomerados son colegios en Morelia..) Es decir. sino que se elige una muestra aleatoria. en función de los apellidos) y después se elige aleatoriamente un elemento entre los N/n=k primeros.08 ó de $15693. En este caso. UNIVERSIDAD VASCO DE QUIROGA 93 .26 Muestreo por etapas En este caso se combina el muestreo aleatorio simple con el muestreo por conglomerados: Primero se realiza un muestreo por conglomerados (v. y así sucesivamente.. el siguiente será el 226. donde X es el número de elementos en la población que poseen cierta característica y N es el total de elementos de la población. el segundo elemento será el estudiante 100+26 (126). es posible tener más de 2 etapas. Y claro está. se seleccionan aleatoriamente varios de ellos).g. hemos tenido 2 etapas de muestreo. Muestreo aleatorio sistemático Supongamos que tengamos una lista de N elementos (e.g... Ejemplo: Tenemos 10000 estudiantes (en una lista) y queremos obtener una muestra de 100 estudiantes. lo que se hace es ordenarlos (v.18 ± 3025.. Distribuciones de muestreo de la proporción y de la diferencia Proporción poblacional Una proporción poblacional se define como =X/N.g. y luego se elige de manera sistemática el que esté k lugares después del primer elemento. luego el 326. Segundo. Una proporción muestral se define como p = x/n. estudiantes de secundaria) y queramos una muestra de tamaño “n”.Licenciatura en Informática Administrativa 18718. no se eligen todos los alumnos (como ocurriría en un muestro por conglomerados). etc. donde x es el número de elementos en la muestra que poseen cierta característica y n es el total de elementos de la muestra.1 a $21743. Primero elegimos al azar un estudiante entre los 10000/100=100 primeros (supongamos que salga el 26). (Dicha muestra puede ser obtenida por muestreo aleatorio simple o puede ser estratificado.

x tiene distribución binomial y debido a que la muestra es grande. n 30. es decir. Si la muestra se obtiene con reemplazo. y en cada una de ellas se observa una característica o cualidad. por el teorema central del límite se aproxima a una distribución normal. La proporción muestral de elementos con una característica se define como: UNIVERSIDAD VASCO DE QUIROGA 94 . se utiliza la proporción muestral para estimar la varianza. el tamaño de la muestra siempre debe ser grande.Licenciatura en Informática Administrativa Cuando se desea estimar una proporción. por lo tanto: Distribución de la diferencia de proporciones De dos poblaciones se toman dos muestras aleatorias independientes de tamaños n1 30 y n2 30. por consiguiente: Debido a que se desconoce la proporción poblacional.

en la distribución de la varianza se llega a una distribución chicuadrado y del cociente de dos chi-cuadrado se obtiene una distribución F de Snedecor. UNIVERSIDAD VASCO DE QUIROGA 95 . Como se vió.Licenciatura en Informática Administrativa Distribución del cociente de varianzas y se De dos poblaciones con distribución normal y varianzas poblacionales toman dos muestras aleatorias independientes de tamaños n1 y n2 . Conocidas las distribuciones en el muestreo de los principales estimadores. se tiene la fundamentación teórica que nos permite desarrollar el tema correspondiente a los intervalos de confianza y las pruebas de hipótesis.

Licenciatura en Informática Administrativa Cuadros de referencia UNIVERSIDAD VASCO DE QUIROGA 96 .

34 (Ni^2*DE)/ni 3255120 3035272 1530540 3243084 UNIVERSIDAD VASCO DE QUIROGA 97 .8 63614.88 44524.22 0.15 1. 0.31 0.02 Desv.835 Media muestral 1.925 311. Est.78 173.23 1.Licenciatura en Informática Administrativa AUTOEVALUACIÓN Se desea conocer las horas que en promedio se dedican a la lectura en una ciudad Determina la media estratificada y un intervalo de 95% de confianza para la media Sector Norte Sur Oriente Poniente hogares 60280 48956 34785 62367 Muestra 301.27 0.26 NiXi 69322 60215.28 1.4 244.

pero no se sabe qué tan cerca está el valor estimado del parámetro y generalmente se necesita más que un valor exacto. en donde se halla un solo valor o indicador del comportamiento de una variable. etc. no se sabe qué tan cerca está dicha estimación del parámetro. quedando /2 en la parte UNIVERSIDAD VASCO DE QUIROGA 98 . es decir: Donde: 1. tales que la confiabilidad de que el parámetro q esté dentro de los límites Z1 y Z2 sea . la cual depende de la distribución en el muestreo del estimador con el que se esté trabajando.Licenciatura en Informática Administrativa Intervalos de confianza Concepto Hasta ahora se ha hablado de la estimación puntual. del 1 al 10% Z1 y Z2 = son percentiles correspondientes a una distribución de probabilidad. por ésta razón es necesario construir un intervalo de confianza.). se hallan dos valores tales que el área que hay entre Z1 y Z2 sea 1y el área restante ( ) se divide en dos partes iguales.= Se conoce como confiabilidad o nivel de confianza y generalmente está entre el 90 y el 99% = Nivel de significancia o margen de error. En esta unidad se desarrolla el tema correspondiente a los intervalos de confianza para la media. la proporción y la varianza. es de gran utilidad la estimación por intervalo en donde se tiene en cuenta la dispersión de los datos y de antemano se conoce la confiabilidad de la estimación. un rango dentro del cual esperamos que esté el valor del parámetro. Los valores de estos percentiles también dependen del nivel de confianza. Para obtener un intervalo de confianza se determinan los valores Z1 y Z2 y a.a . Intervalo de confianza Cuando se selecciona una muestra aleatoria y se obtiene un estimador puntual (promedio. en donde además de tener en cuenta el grado de dispersión o variación de los datos y el tamaño de la muestra se establece un nivel de confianza o probabilidad de que el valor del parámetro esté contenido en dicho intervalo o rango. por esta razón. Gráficamente. proporción.

Intervalo de confianza para la media. se tienen varios casos. por las condiciones de la muestra se utiliza la distribución normal estándar.1) Donde Z pertenece a una distribución normal estándar. es negativo y es positivo. Nivel de confianza y nivel de significancia Estimación de la media poblacional a partir de la media muestral Como en el caso de las distribuciones en el muestreo. Como se trabaja con una distribución normal. tal como se observa en la figura. cuando se selecciona una muestra aleatoria de tamaño n de una población con distribución normal con media y varianza conocida. y son iguales pero con diferente signo. En este caso. por lo tanto y pertenecen a una distribución normal estándar.Licenciatura en Informática Administrativa inferior y el otro /2 en la parte superior de la distribución. Para obtener el intervalo de confianza para la media se utiliza la siguiente expresión: (6. UNIVERSIDAD VASCO DE QUIROGA 99 . los cuales dependen de las características de la población y el tamaño de la muestra. Por esta razón de ahora en adelante Z1 y Z2 se notarán como y . Interpretando este intervalo se dirá que el promedio poblacional estará entre: con una confiabilidad del (1. por lo tanto en la fórmula se incluye el signo y y se reemplazan por Z.) por ciento.

el área que hay de .1) se divide en dos y se deja a /2 en la cola inferior y a /2 en la cola superior. por lo tanto el nivel de significancia o a (0. La confiabilidad es del 90 por ciento. En la figura 2. Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con distribución diferente a la normal.a Z es 0. tiene una distribución normal con desviación estándar de 8 unidades por hora.2.64 Percentil de la distribución normal Interpretación: El promedio de unidades por hora producidas en dicha fábrica está entre 157 y 163 con una confiabilidad del 90 por ciento.Licenciatura en Informática Administrativa Ejemplo: Un proceso manufacturero usado por una fábrica durante los últimos 10 años. se utiliza la expresión 2. Se desea estimar un intervalo de confianza del 90 por ciento para el promedio de unidades por hora producido con dicho proceso. Solución: Como la distribución de la población es normal y se conoce la desviación estándar poblacional. Para tal efecto. se utiliza la siguiente expresión: UNIVERSIDAD VASCO DE QUIROGA 100 .95 y para ésta área el valor de Z en la distribución normal es 1. Por las condiciones de la muestra. El valor de Z se halla en una tabla de la distribución normal. se toma una muestra aleatoria de la producción por hora durante 25 horas y se obtiene un promedio de 160 unidades.1 para calcular el intervalo de confianza.

el valor de Z en la distribución normal es 1. Halle un intervalo con el 95 por ciento de confiabilidad para estimar la media poblacional.Licenciatura en Informática Administrativa (6.795 horas con una desviación estándar de 489 horas. está entre 1. se determinó un promedio de duración de 1.3) En donde Z pertenece a una distribución t con (n-1) grado de libertad.2 y para una confiabilidad del 95 por ciento.921 horas. Como la muestra es pequeña.2) Donde Z pertenece a una distribución normal estándar.4) En donde Z pertenece a una distribución t con (n-1) grado de libertad. se utiliza la expresión. se utiliza la siguiente expresión para despejar el intervalo de confianza para .96.661 y 1. Ejemplo: En un estudio elaborado acerca de la duración de 51 bombillas de semáforos en cierta ciudad. Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n<30. Si se trabaja con la desviación estándar corregida. UNIVERSIDAD VASCO DE QUIROGA 101 . la duración promedio de las bombillas de semáforos de dicha ciudad. Reemplazando: Interpretación: Con una confiabilidad del 95 por ciento. obteniéndose: (6. Solución Como el tamaño de la muestra es mayor que 30. obteniéndose: (6. se utiliza la expresión 2.

está entre 1. Por ello antes de presentar algunos casos sencillos de cálculo del tamaño muestral delimitemos estos factores. de estimación o standard. Son las medidas o datos que se obtienen sobre la población. Con un 95 por ciento de confiabilidad.71 mts. Parámetro.3.70 1.79 1. que para un nivel de confianza del 95 por ciento es 2.63 1. los que respectivamente son 1.145.6613 y 0. 3.65 1.69 1. 2.70 Halle un intervalo de confianza del 95 por ciento. de los estudiantes de dicha carrera se seleccionó una muestra aleatoria de 15 personas a quienes se les preguntó su estatura en metros.56 1. nos da una noción clara de hasta dónde y con qué probabilidad una estimación basada en una muestra se aleja del valor que UNIVERSIDAD VASCO DE QUIROGA 102 . El valor de Z se halla en una tabla de la distribución t con 14 grados de libertad.50 1.Licenciatura en Informática Administrativa Ejemplo: Se desea hallar un intervalo de confianza para la estatura promedio de todos los estudiantes de ingeniería industrial de la Universidad. la varianza poblacional y el nivel de confianza.95 Como la muestra es pequeña se utiliza la expresión 2. el parámetro a estimar. Para tal efecto. 1.69 1.73 1. se puede afirmar que la estatura promedio de los estudiantes de ingeniería industrial de la universidad. Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor de la población. el error muestral admisible.= 0.70 1. obteniéndose los siguientes resultados: ESTATURA: 1. Error Muestral.69 1.74 1.62 y 1. Es la diferencia entre un estadístico y su parámetro correspondiente.65 1. Determinación del tamaño de la muestra para estimar la media Conceptos básicos A la hora de determinar el tamaño que debe alcanzar una muestra hay que tomar en cuenta varios factores: el tipo de muestreo. Reemplazando: Interpretación.50 1. Solución: Con la información disponible se calculó el promedio aritmético y la desviación estándar.0808 n = 15 y 1. Estadístico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una estimación de los parámetros.

5. Varianza Poblacional. cual es el error máximo que estamos dispuestos a admitir en nuestra estimación. Cualquier información que queremos recoger está distribuida según una ley de probabilidad (Gauss o Student).. Probabilidad de que la estimación efectuada se ajuste a la realidad. Cuando una población es más homogénea la varianza es menor y el número de entrevistas necesarias para construir un modelo reducido del universo. Así pues los pasos a seguir son: 1. Para ello es necesario partir de dos supuestos: en primer lugar el nivel de confianza al que queremos trabajar.Comprobar si se cumple UNIVERSIDAD VASCO DE QUIROGA 103 . Podríamos decir que es la desviación de la distribución muestral de un estadístico y su fiabilidad. o de la población..Licenciatura en Informática Administrativa se hubiera obtenido por medio de un censo completo. en segundo lugar.Obtener el tamaño muestral considerando que : donde: : z correspondiente al nivel de confianza elegido : varianza poblacional e: error máximo 2. Nivel de Confianza. Siempre se comete un error. será más pequeño. así llamamos nivel de confianza a la probabilidad de que el intervalo construido en torno a un estadístico capte el verdadero valor del parámetro. Un estadístico será más preciso en cuanto y tanto su error es más pequeño. Generalmente es un valor desconocido y hay que estimarlo a partir de datos de estudios previos. 4. 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). Tamaño de muestra para estimar la media de la población Veamos los pasos necesarios para determinar el tamaño de una muestra empleando el muestreo aleatorio simple. Varía según se calcule al principio o al final.

las cuales se hacen con base en la información muestral.96 y seguimos los pasos propuestos 1. pues en este caso La prueba de hipótesis para media y proporción Dentro del proceso de inferencia.. Si 3. UNIVERSIDAD VASCO DE QUIROGA 104 .730 3.706 .Comprobamos que no se cumple 10. La muestra será extraída de una población de 10000 mujeres que figuran en los registros de la Seguridad Social y de las cuales se conoce a través de un estudio piloto que su varianza es de 9.000 < 3.1.no Obtener se el cumple. 10. ¿cuál debe ser el tamaño muestral que empleemos? Buscamos en las tablas de la curva normal el valor de el nivel de confianza elegido: arriba. que corresponde con = ±1. en muchas ocasiones es necesario hacer pruebas de hipótesis.000 < 13.1). Trabajando con un nivel de confianza de 0.- 2. además de la estimación puntual y la por intervalo.- .95 y estando dispuestos a admitir un error máximo de 0. tamaño de pasamos la muestra a según una la tercera siguiente fase: fórmula: Ejemplo: La Secretaria de Salud planea un estudio con el interés de conocer el promedio de horas semanales trabajadas por las mujeres del servicio doméstico.Licenciatura en Informática Administrativa si esta condición se cumple el proceso termina aquí. y ese es el tamaño adecuado que debemos muestrear.706*(3.730.648.

Este supuesto debe comprobarse con la información suministrada por una muestra aleatoria obtenida de dicha población. se puede definir el nivel de significancia como la probabilidad de decidirnos por H1 dado que H0 es verdadera. a saber: 1. pero debido a que los datos muestrales parecen ser inconsistentes con ella.Licenciatura en Informática Administrativa Se verá la prueba de hipótesis para la media y la proporción. es decir. La hipótesis nula (H0) es en realidad verdadera. es decir está en la zona de rechazo y la que lleva al no rechazo de H0 . una es la hipótesis nula que se nota como H0 y la otra es la hipótesis alternativa que se nota como H1 . Debido a que se está trabajando con una muestra aleatoria. se plantean dos hipótesis que deben ser mutuamente excluyentes. o no. Hipótesis Una hipótesis estadística es un supuesto acerca del valor de un parámetro de una población determinada. Puesto que cuando se comete un error tipo I. seguiríamos una acción errónea. Si se rechaza la hipótesis nula (H0) se acepta hipótesis alternativa (H1). Prueba de hipótesis a una cola superior UNIVERSIDAD VASCO DE QUIROGA 105 . Por otro lado. a este error se le llama ERROR TIPO II. Formulación de hipótesis El primer paso en la prueba de hipótesis es el planteamiento de las hipótesis. la hipótesis nula. Se debe establecer un criterio o regla de decisión según la cual se rechace. se la rechaza (ERROR TIPO I) y la probabilidad de cometer un error tipo I se llama nivel de significancia ( ). Prueba de hipótesis a dos colas H0: = k H1: k 2. podemos no rechazar H0 siendo en realidad falsa. Cuando se realiza una prueba de hipótesis. lo que en algunos casos no es una tarea fácil. Para establecer esta regla de decisión la distribución de probabilidad se divide en dos categorías mutuamente excluyentes: la que lleva al rechazo de H0. está en la zona de no rechazo. Hay tres tipos de hipótesis. cuando se realiza una prueba de hipótesis se pueden cometer dos tipos de errores.

la cual depende de la distribución en el muestreo del estimador con el que se esté trabajando y de los supuestos correspondientes a la población y al tamaño de la muestra. El tercer paso es la estadística a probar o estadística de trabajo. frecuentemente se desea probar si dicho promedio ha permanecido igual. Una vez establecidas las hipótesis. Hipótesis Se puede plantear uno de los siguientes tres tipos de hipótesis: 1. Prueba de hipótesis para la media El promedio aritmético poblacional es un indicador muy importante. ha aumentado o ha disminuido. se selecciona el nivel de significancia o margen de error ( ) el que generalmente se fija entre el uno y el diez por ciento. la cual depende de la distribución de probabilidad de la estadística a probar. Prueba de hipótesis a una cola inferior H0 : = k H1 : < k ó ó H0 : k H1 : < k Nótese que las hipótesis siempre se plantean para un parámetro . Finalmente se toma la decisión de no rechazar la hipótesis nula o rechazarla. A través de la prueba de hipótesis se determina si la media poblacional es significativamente mayor o menor que algún valor supuesto. Prueba de hipótesis a dos colas H0 : = k H1 : k 2. Cuando se realizan los cálculos siempre se supone que la hipótesis nula (H0) es cierta.Licenciatura en Informática Administrativa H0 : = k H1 : > k ó ó H0: k H1 : > k 3. por lo tanto. El cuarto paso es establecer la regla de decisión. Prueba de hipótesis a una cola superior H0 : = k ó H0 : k H1 : >k ó H1 : > k UNIVERSIDAD VASCO DE QUIROGA 106 . del nivel de significancia ( ) y de la hipótesis alternativa (H1).

en caso contrario se rechaza H0 lo cual implica aceptar H1. La estadística de trabajo a usar corresponde a la expresión: Donde: es el valor que se está suponiendo en la hipótesis nula (H0). por lo tanto. Regla de decisión: Si se ha planteado la hipótesis alternativa como: H1 : k se tiene una prueba de hipótesis a dos colas. hay tres situaciones. y pertenecen a una distribución normal estándar. el nivel de significancia ( ) se divide en dos partes iguales. Prueba de hipótesis a una cola inferior H0 : = k H1 : < k ó ó H0 : k H1 : < k En las distribuciones en el muestreo se vio que para el caso de la media.Licenciatura en Informática Administrativa 3. Si el valor de la estadística de trabajo (Zx) está entre y no se rechaza la hipótesis nula. por consiguiente la estadística de trabajo a utilizar depende de los supuestos de la población y del tamaño de la muestra Prueba de hipótesis para la media si la población de donde se obtiene la muestra tiene distribución normal con conocida. Es decir: Si se ha planteado la hipótesis alternativa como: UNIVERSIDAD VASCO DE QUIROGA 107 . quedando estos valores en los extremos de la distribución como se aprecia en la figura Regla de decisión para una prueba de hipótesis a dos colas.

se tiene una prueba de hipótesis a una cola inferior. Si se ha planteado la hipótesis alternativa como: H1 : < k. como se aprecia en la figura Regla de decisión para una prueba de hipótesis a una cola inferior. se tiene una prueba de hipótesis a una cola superior. Z pertenece a una distribución normal estándar. Es decir. pertenece a una distribución normal estándar. Es decir.2 Regla de decisión para una prueba de hipótesis a una cola superior. como se aprecia en la figura 3. en caso contrario se rechaza H0 lo cual implica aceptar H1.Licenciatura en Informática Administrativa H1 : > k. Si el valor de la estadística de trabajo (Zx) es menor que no se rechaza la hipótesis nula. UNIVERSIDAD VASCO DE QUIROGA 108 . Si el valor de la estadística de trabajo (Zx) es mayor que Z no se rechaza la hipótesis nula. quedando el nivel de significancia ( ) en la parte inferior de la distribución. en caso contrario se rechaza H0 lo cual implica aceptar H1. quedando el nivel de significancia ( ) en la parte superior de la distribución.

33. se acepta que la producción promedio por hora es superior a las 150 unidades y asumiendo un riesgo del 1 por ciento se puede comprar la nueva máquina. con una confiabilidad del 99 por ciento el valor de Z es 2. si la media de producción de la nueva máquina es de más de 150 unidades por hora. En la distribución normal. por lo tanto las hipótesis son: H0 : = 150 H1 : > 150 Para elegir la estadística de trabajo se tiene en cuenta que se conoce la varianza poblacional. Para decidir si se debiera comprar la nueva máquina.Licenciatura en Informática Administrativa Ejemplo: Un proceso manufacturero usado por una fábrica durante los últimos años da una producción media de 100 unidades por hora con una desviación estándar de 8 unidades. UNIVERSIDAD VASCO DE QUIROGA 109 . su adopción daría bastantes beneficios. por lo tanto se usa la expresión por el planteamiento de la hipótesis alternativa se trabaja a una cola superior. Con ésta información qué decisión se debe tomar si se asume un nivel de confianza del 99 por ciento. por lo tanto. Aunque es muy cara comparada con la que está ahora en uso. Regla de decisión para una prueba de hipótesis a una cola inferior. a la gerencia de la fábrica se le permite hacer un ensayo durante 35 horas. Se acaba de introducir en el mercado una nueva máquina para realizar ese tipo de producto. hallándose un promedio de 160 unidades por hora. Solución: Según el enunciado. la estadística de trabajo está en la zona de rechazo de la hipótesis nula. Como puede observarse en la siguiente figura. solo se compra la máquina si la producción es de más de 150 unidades por hora.

Se desea probar si el promedio poblacional ha cambiado. con una confiabilidad del 95 por ciento se acepta que la duración promedio de las llantas ha cambiado. Solución H 0 : = 46. para tal efecto se toma una muestra aleatoria de 60 llantas y se obtiene una duración promedio de 45.050 kms. Asumiendo un nivel de confianza del 95 por ciento.Licenciatura en Informática Administrativa Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con cualquier distribución. La estadística de trabajo a usar es la expresión: Regla de decisión: Es la misma que en el caso anterior y depende en todo caso de la hipótesis alternativa.050 Teniendo en cuenta que el tamaño de la muestra es grande. con una desviación estándar de 3.050 kms.050 H1 : 46. UNIVERSIDAD VASCO DE QUIROGA 110 . los correspondientes valores de Z son -1. La tabla a utilizar es la de la distribución normal.96. Ejemplo: La duración promedio de las llantas producidas por una fábrica de llantas. la regla de decisión es a dos colas. según experiencias registradas es de 46.96 y 1. por consiguiente.070 kms. como estadística de trabajo se utiliza Por la hipótesis alternativa. el valor de la estadística de trabajo está en la zona de rechazo de la hipótesis nula. Como puede observarse en la figura.

así que las hipótesis adecuadas son: H0 : 16 H1 : < 16 UNIVERSIDAD VASCO DE QUIROGA 111 . se toma una muestra aleatoria de doce (12) sobres de café de una empacadora.97 grs. con una desviación estándar de 0.Licenciatura en Informática Administrativa Regla de decisión para una prueba de hipótesis a dos colas Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n<30 En este caso se tienen dos situaciones. ¿Puede aceptarse ésta afirmación si se asume un nivel de confianza del 90 por ciento? Solución: Se desea probar si el peso mínimo es de 16 grs. es decir mayor o igual a 16 grs..15. dependiendo de si se utiliza la varianza muestral sin corregir o corregida.. La compañía empacadora afirma que el peso promedio mínimo del café es de 16 grs. por sobre. Si se utiliza la varianza sin corregir ( ) la estadística de trabajo es la expresión Si se utiliza la varianza corregida la estadística de trabajo es la expresión: Ejemplo: En su calidad de comprador comercial para un supermercado. Se encuentra que el peso promedio del contenido de café de cada sobre es 15.

por lo tanto. por lo tanto se concluye que el peso promedio de los sobres de café es mayor o igual a 16 grs. con un nivel de confianza del 90 por ciento no se rechaza que los empacadores de café tienen la razón.663) está ubicada en la zona de no rechazo de la hipótesis nula. el valor de Z es . como estadística de trabajo se utiliza la expresión Como lo indica la hipótesis alternativa. en tal caso.1. la estadística de trabajo (-0. las observaciones son de naturaleza cualitativa. se puede plantear uno de los siguientes tres tipos de hipótesis: 1. Prueba de hipótesis a dos colas UNIVERSIDAD VASCO DE QUIROGA 112 .363 Como puede observarse. Cuando se analiza información cualitativa y se está interesado en verificar un supuesto acerca de la proporción poblacional de elementos que tienen determinada característica. se trabaja a una cola inferior en la tabla de la distribución t con 11 grados de libertad y una confiabilidad del 90 por ciento. Regla de decisión para una prueba de hipótesis a una cola inferior Prueba de hipótesis para la proporción Frecuentemente se desea estimar la proporción de elementos que tienen una característica determinada. es útil trabajar con la prueba de hipótesis para la proporción.Licenciatura en Informática Administrativa Teniendo en cuenta que el tamaño de la muestra es pequeño. Hipótesis: Como en el caso de la media.

quedando estos valores en los extremos de la distribución. por lo tanto. Si se ha planteado la hipótesis alternativa como: H1 : > k. quedando el nivel de significancia ( ) en la parte inferior de la distribución UNIVERSIDAD VASCO DE QUIROGA 113 . Si el valor de la estadística de trabajo (Zp ) es menor que no se rechaza la hipótesis nula. en caso contrario se rechaza H0 lo cual implica aceptar H1 . quedando el nivel de significancia ( ) en la parte superior de la distribución. por lo tanto se tiene un solo caso. se tiene una prueba de hipótesis a una cola superior. si Zp < no se rechaza H0 . y pertenecen a una distribución normal estándar. Si se ha planteado la hipótesis alternativa como: H1 : < k.Licenciatura en Informática Administrativa H0 : = k H1 : k 2. el nivel de significancia ( ) se divide en dos partes iguales. Si el valor de la estadística de trabajo (Zp) está entre y no se rechaza la hipótesis nula. Es decir. si < Zp < no se rechaza H0 . se tiene una prueba de hipótesis a una cola inferior. Prueba de hipótesis a una cola inferior H0 : = k ó H1: < k ó H0 : k H1 : < k Cuando se va a estimar una proporción el tamaño de la muestra (n) siempre debe ser mayor a 30. pertenece a una distribución normal estándar. Es decir. La estadística de trabajo a utilizar es la expresión Regla de decisión: Si se ha planteado la hipótesis alternativa como: H1: k se tiene una prueba de hipótesis a dos colas. en caso contrario se rechaza H0 lo cual implica aceptar H1 . Prueba de hipótesis a una cola superior H0 : = k H1 : > k ó ó H0 : k H1 : > k 3.

9 Para realizar una prueba de hipótesis para la proporción se utiliza la expresión: Asumiendo una confiabilidad del 95 por ciento. Es decir.64 Como puede observarse en la figura.9 H1 : < 0. con una confiabilidad del 95 por ciento se concluye que la afirmación del fabricante no es cierta. Si el valor de la estadística de trabajo (Zp ) es mayor que Z no se rechaza la hipótesis nula. en caso contrario se rechaza H0 lo cual implica aceptar H1 . el valor de la estadística de trabajo se encuentra en la zona de rechazo de la hipótesis nula. Solución H0 : 0. Un examen de 200 de esas piezas reveló que 160 de ellas no eran defectuosas. Ejemplo: Un fabricante afirma que por lo menos el 90 por ciento de las piezas de una maquinaria que suministra a una fábrica guardan las formas especificadas. el valor correspondiente a Z en la distribución normal es -1.Licenciatura en Informática Administrativa Z pertenece a una distribución normal estándar. por consiguiente. Regla de decisión para una prueba de hipótesis a una cola inferior Errores en prueba de hipótesis Tabla de decisiones UNIVERSIDAD VASCO DE QUIROGA 114 . Pruebe si lo que afirma el fabricante es cierto. si Zp > Z no se rechaza H0.

Licenciatura en Informática Administrativa Decisión Rechazar Ho Aceptar Ho Ho verdadera Error tipo 1 Decisión correcta Falsas Decisión correcta Error tipo 2 La probabilidad de cometer un error tipo 1. La probabilidad de cometer un error tipo 2 se denota con la letra β. se denota con la letra α. UNIVERSIDAD VASCO DE QUIROGA 115 .

Licenciatura en Informática Administrativa Bibliografía William Mendenhall. Estadística para Administradores. 2005. UNIVERSIDAD VASCO DE QUIROGA 116 . Editorial Math Learning Thomson. 1988 Anderson Sweeney Williams. Estadística para administración y economía. Grupo Editorial Iberoamerica.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->