Está en la página 1de 73

EstadsticaInferencial I

UnidadI:Introduccinalaestadstica inferencial

1.1Brevehistoriadelaestadstica
AlKindi matemticorabedelperiododel califatodeBagdadenelsigloIX,promotordel usodelosnmeroshinds, hinds usalasestadstica paradecodificarmensajes. BlasPascalyPierredeFermatdesarrollan teorasdeprobabilidadenelsigloXVII Christiaan Ch i i H Huygens escribe ib el lprimer i libro lib d de probabilidadenelsigloXVII

1.1Brevehistoriadelaestadstica
SigloXVIIIThomasBayes publicasufamoso teorema. Legendre yGaussinventanelmtodode mnimoscuadrados. Gauss G estudia di la l distribucin di ib i normal. l SigloXIXSimon DenisPoisson definela distribucinquellevasunombre

1.1Brevehistoriadelaestadstica
FinalesdelsigloXIXyprincipiosdelXXKarl Pearson fundaelJournal Biometrika. SigloXXRonaldFisherdesarrollaeldiseode experimentos. i

1.2Conceptodeestadstica
Estadstica[Lind, [Lind et. et al., al pgina5]. 5] Cienciaque recoge,organiza,presenta,analizae interpretadatosconelfindepropiciaruna tomadedecisionesmseficaz.

Tiposdeestadstica
Estadsticadescriptiva Estadstica E d i inferencial Estadstica i f i l

1.3Estadsticadescriptiva
Estadsticadescriptiva[Lind [Lind,et. et al., al pgina6]. 6] Mtodosparaorganizar,resumirypresentar datosdemanerainformativa informativa.

1.3Estadsticadescriptiva

Ejemplo

Ejemplo
Setiene t e eaco continuacin t uac el e roster oste del de equipo equ pode baloncestodelaNBALakers deLosngeles,para eldatodelsalarioobtenerlosiguiente: Media Mediana Moda Varianza Desviacinestndar Grficoapropiado

Ejercicio
No. 5 24 6 21 3 16 27 12 4 20 1 10 50 15 Nombre SteveBlake Kobe Bryant Earl Clark ChrisDuhon Devin Ebanks PauGasol Jordan Hill DwightHoward Antawn Jamison Jodie Meeks Darius Morris St N Steve Nash h RobertSacre Metta World Peace Posicin PG SG SF PG SF PF C C PF SG PG PG C SF Edad 32 34 25 30 23 32 25 27 36 25 22 38 23 33 Estatura 63 66 610 61 6 9 7 0 610 611 6 9 64 64 63 70 67 Peso 172 205 225 190 215 250 235 265 235 208 190 178 260 260 NorthCarolina Kentucky Michigan S t Cl Santa Clara Gonzaga St.John's Arizona Louisville Duke WestVirginia Colegio Maryland y Salario $4,000,000 , , $27,849,149 $1,240,000 $3 500 000 $3,500,000 $1,054,389 $19,000,000 $3,563,600 $19,536,360 $ $854,389 , $1,500,000 $962,195 $8 900 000 $8,900,000 $473,604 $7,258,960

Empleandoexcel

Calculandolamedia

U el Usar lcomando d promedio di

Estimandoladesviacinestndar

Usarelcomandodesvestp

Encontrandolavarianza

Usarelcomandovarp

Buscandolamediana

Usarelcomandomediana

Estimandolamoda

Usarelcomandomoda

Usandogrficadebarras

Insertargrficodecolumnas

Grfica

1.4Estadsticainferencial
Estadsticainferencial [Lind, [Lind et. et al., al pgina7]. 7] Mtodosqueseempleanparadeterminaruna propiedaddeunapoblacinconbaseenla informacindeunamuestradeella.
Mtodos

Muestra

Poblacin

Estadsticainferencial
Usamtodosmatemticosbasadosen distribucionesdeprobabilidadparatratarde describiralgunapropiedaddelapoblacin, poblacin generalizandoelresultado,partiendodelas muestras. muestras

1.5Breveintroduccinalainferencia estadstica d
Losmedidasdetendenciacentral central,en particularlamediasolocambianenla notacin Lasmedidasdedispersin(varianza notacin. ydesviacinestndar),cambian. s>desviacinestndarmuestral. muestral >desviacinestndarpoblacional. s2>varianzamuestral. p 2>varianzapoblacional.

Mediapoblacional()
Six1,x2,...xN representanlatotalidaddelas Nobservacionesdeunapoblacin,entonces lamediapoblacionales:

Mediamuestral
Six1,x2,...xn representanlatotalidaddelasn observacionesdeunamuestra,entoncesla mediamuestral es:

Varianzapoblacional
Six1,x2,...xN representanlatotalidaddelas Nobservacionesdeunapoblacin,entonces lavarianzapoblacionales:

Varianzamuestral
Six1,x2,...xn representanlatotalidaddelasn observacionesdeunamuestra,entoncesla mediamuestral es:

Desviacinestndard poblacional

Desviacinestndard muestral

Ejercicio
Enlatablamostradaacontinuacinse presentanlossalariosquedisfrutanlos jugadoresdeLosAngeles Dodgers delaMLB, MLB calcularlasmedidasdetendenciacentraly dispersinnecesarias, necesarias ademsdehacerun histograma,unaojivayundiagramadecaja.

RosterLADodgers
Pitchers NO NAME NO. POS BIRTHPLACE 54RonaldBelisario RP Maracay,Venezuela 35ChrisCapuano p SP Springfield, p g MA 21Zack Greinke SP Orlando,FL 56J.P.Howell RP Modesto,CA 74Kenley Jansen RP Willemstad, Willemstad Netherlands Antilles 22ClaytonKershaw SP Dallas,TX 43BrandonLeague RP Sacramento,CA 49CarlosMarmol RP Bonao,Dominican Republic 47RickyNolasco SP Corona,CA g RP Miami, ,FL 75PacoRodriguez 99HyunJinRyu SP Incheon,SouthKorea RP Winchester,MA BrianWilson SALARY $1,450,000 $6,375,000 $21,000,000 $2,850,000 $512 000 $512,000 $11,750,000 $5,500,000 $ $10,133,333 $11,500,000 $491,500 $ , $3,333,333 N/A

RosterLADodgers
Catchers NO NAME NO. POS BIRTHPLACE SALARY 17A.J.Ellis C CapeGirardeau,MO $2,000,000 18TimFederowicz C Erie,PA $491,000 Infielders NO. NAME POS BIRTHPLACE SALARY 14MarkEllis 2B RapidCity, City SD $5 250 000 $5,250,000 23AdrianGonzalez 1B SanDiego,CA $21,857,143 6JerryHairstonJr. 3B Naperville,IL $3,750,000 7NickPunto SS SanDiego,CA $ $1,500,000 13HanleyRamirez SS Samana,Dominican Republic $15,500,000 pSchumaker 2B Torrance, ,CA $1,500,000 $ , , 55Skip 5JuanUribe 3B Palenque,DominicanRepublic $7,295,911

RosterLADodgers
Outfielders NO NAME NO. POS BIRTHPLACE 25CarlCrawford LF Houston,TX 16AndreEthier RF Phoenix,AZ 66YasielPuig RF Palmira,Cuba Disabled List NO. NAME POS BIRTHPLACE 61Josh BeckettDL15 SP Spring,TX 58ChadBillingsley DL60 SP Defiance,OH 60J 60Jose D i Dominguez DL15 RP San S Pedro P d de d Macoris M i Dominican Republic 57ScottElbert DL60 RP Joplin,MO 27Matt Kemp DL15 CF Midwest City,OK 38Shawn Tolleson DL15 RP Dallas,TX SALARY $20,857,143 $13,500,000 N/A SALARY $17,000,000 $11,000,000 N/A $505,000 $20,250,000 N/A

1.6teoradeladecisinenestadstica
[Lind [Lind,et. et al., al pgina754]. 754] Determinaapartir deconjuntosdealternativasposibles,cules ladecisinptimaanteunconjuntoparticular decondiciones.

Modelodeseispasosentomade decisiones
1

Definir f el lproblema bl

Listalasposiblesalternativas

Identificarlasposiblesresultadosoestadosdelanaturaleza

Modelodeseispasosentomade decisiones
A

Listadelpagoobeneficiodecadacombinacinde alternativasyresultados

Seleccionarunodelosmodelosdeteoradedecisin

Aplicarelmodeloyhacerladecisin

Elementosdeunadecisin
Opcionesdisponibles disponibles.Sonlasposibilidadesde quientomalasdecisiones. Estadosdelanaturaleza,quenoestnbajoel control lde d quin i tomala l decisin, d i i estoes,los l sucesosfueradelcontroldelelementoque tomala l decisin. d i i

Elementosdeunadecisin
Lospagos pagos.Esnecesarioparacompararlas combinacionesentrelaopcindedecisinyel estadodelanaturaleza. naturaleza

Tarea
Investigarlosmercadosdevaloresprincipales delmundo(NewYork,Tokio,Shangai,Londres, Pars SaoPaulo, Pars, Paulo Mxico, Mxico Mosc, Mosc Frankfort, Frankfort Madrid,Miln,HongKong)
Direccinweb Ciudaddeubicacin ndiceprincipal IncluirbibliografaenformatoAPA

Criteriodeevaluacin
Direccinweb Ciudaddeubicacin ndiceprincipal IncluirbibliografaenformatoAPA Nopermitidowikienespaol espaol,tareas tareas,monografas

Prdidadeoportunidad
[Lind et. et al., al pgina758]. 758] Esladeterminacin delagananciaqueseperderadebidoal desconocimientodelestadodelanaturaleza (paraelejemplo,elcomportamientodel mercado)enelmomentoenelcualel inversionistacomprlasacciones.Tambinse lellamaarrepentimiento. arrepentimiento

Valordelainformacinperfecta
[Lind et. et al., al pgina761]. 761] Diferenciaentreel pagomximoencondicionesdecertidumbre yelpagomximoencondicionesde incertidumbre.

rboldedecisin
Esunaherramientaparaunarepresentacin grficadeloscursosdeaccinatomar.

$2400 $1840

1
$1000 $1760 $1840 Compraracciones 2 Rim Homes $2200

$1100 $1900

$1600

3
$1150

1.7Componentesdeunainvestigacin estadstica d
Elmtodocientficoseusaparahacer investigacionessistemticas,lascuales puedensercualitativasocuantitativas cuantitativas,en estasltimasseusalaestadsticaparaprobar lashiptesisplanteadasenlainvestigacin. investigacin

Procesosbsicosdelprocesogeneralde i investigacin ti i
Planteamientodelproblema

Hiptesisdeinvestigacin

Recoleccindedatos

Anlisisdedatos

Reportederesultados

Planteamientodelproblema
Estaetapadefineelproblemaenelcualel investigadorseencuentrainteresado,aquel requisitoesunproblemaquenecesitedeuna investigacincuantitativa.

Hiptesisdeinvestigacin
Sonlossupuestosquesedeseanprobar probar,estos enunciadossonunaconsecuenciadel planteamientodelproblema

Recoleccindedatos
Seusalateoradelmuestreo muestreo,paraobtenerun tamaodemuestrarepresentativadela poblacinyenformaaleatoria. aleatoria Elinvestigador definecomovaaconseguirlosdatosyel mtododemuestreo. muestreo

Anlisisdelosdatos
Aqusehaceunanlisisempleandola estadstica,enlastcnicasestadsticasse conocecomopruebadehiptesisyesun anlisiscuantitativodelosdatosysus resultadossegeneralizanparalapoblacin analizada.

Reportederesultados
Elanlisispermitealinvestigadorhacerun reporteacercadelashiptesisplanteadasy lasconclusionesobtenidasdelestudio. estudio

1.8Recoleccindedatos
Eslaetapadeobtenerlainformacinenbase amuestrastratandodehacerqueestasse obtenganenformaaleatoria aleatoria.

Muestreo
Eslaaccinderecolectarunconjuntode datosdeunapoblacinmedianteuna seleccindesta sta. Parapoderusarunamuestraenuna inferenciaesnecesarioqueseaaleatoria aleatoria,esto es,queelazarintervengaenlaseleccinde loselementosdelamuestra. muestra

Razones R para muestreo

Establecercontactocontodala poblacinrequeriramucho tiempo. Elcostodeestudiarala poblacinesdemasiadoalto. Es E imposible i ibl verificar ifi fsicamenteatodalapoblacin Sisonpruebasdestructivas

Tiposde muestreo

Muestreoaleatorio Muestraaleatoria estratificada t tifi d Muestrap porcluster Muestraaleatoria sistemtica

Muestreoaleatoriosimple
Muestradetamaonconlamisma probabilidaddeserseleccionada,entoncesse dicequeelmuestreoesaleatorio aleatorio.

Muestraaleatoriaestratificada
Serequiereseleccionarunamuestraaleatoria simpledecadaunadevariassubpoblaciones oestratos

Muestraporcluster (conglomerados)
Esunamuestraaleatoriasimpledeuna coleccindeelementos,delosracimoso clusters disponiblesenlapoblacin. poblacin Seusan lmitesnaturalesgeogrficosodeotraclase,y estossonlosseleccionadosaleatoriamente aleatoriamente.

Muestraaleatoriasistemtica
Eslaseleccinaleatoriadeunodelos primeroskelementosdeunapoblacin ordenadayluegolaseleccinsistemticade cadaksimo elemento

Ejemplo
Definicindelproblema. problema Lafamacreadapor losmediosndicaquelaopininpblica piensaquelosdiputadosnotrabajan trabajan. Hiptesis. Hi i L Losdi diputados d notrabajan. b j

EvaluacinunidadI
Desarrollarunametodologaparaevaluarsi undiputadotrabajaonotrabaja.
Descripcindeltrabajodediputado Tipo p demuestreo Anlisisdedatos Conclusiones. www.diputados.gob.mx

Criteriosdeevaluacin
Autoevaluacin25%.Cadaintegrante evalasutrabajo Evaluacinalinteriordelequipo25%.El equipocalificaacadaintegrante. Exposicin25%.Elequipopresentasu investigacinanteelgrupoconunaevaluacin colectivaporpartedesuscompaeros. Reporte25%.Elequipoentregavaelectrnica enword unreporteescrito.

1.9Estadsticaparamtrica
Laestadsticainferencial tienedosopciones, opciones la estadsticausandomtodosparamtricos yno paramtricos. paramtricos

Usadatosconel supuestodedistribucin normalenlapoblacin

Estadstica paramtrica

Usodedistribucionesde probabilidad b bilid dZ Z,t, t 2,F Procedimientos d ligeramenteinsensiblesa desviacionesligerasdela normalidad

Estadstica no paramtrica

Ladistribucindelos datospoblacionales debensercontinuos UsodepruebasSignos, Wil Wilcoxon, Kruskal K k lWallis W lli Tamaode d muestrams grande

Cuantitativa

Tiposde variables

Cualitativa

Variables cualitativa

Esunavariablede naturaleza nonumrica

Discreta Discreta.Sonvariables queasociannmeros naturalesalap poblacin estudiada.

Variable cuantitativa

Continua.Sonvariables convaloresasociadosa losnmerosreales.

Binomial

Distribuciones de probabilidad discretas Distribuciones de probabilidad continuas ti

Poisson

Normal

1.10Aplicaciones
Lasaplicacionesdelosmtodosestadsticos depruebadehiptesis,esenmetodologasde controlestadsticodelacalidad, calidad Six Sigma