Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadistica I PDF
Estadistica I PDF
y llega gracias a
Ciencia Matemtica
www.cienciamatematica.com
El mayor portal de recursos educativos a tu servicio!
Instituto Tecnolgico de Apizaco Departamento de Ciencias Bsicas
ESTADSTICA ADMINISTRATIVA I
(Licenciatura en administracin)
ESTADSTICA ADMINISTRATIVA I
(Licenciatura en administracin)
I Distribuciones de frecuencia.
1.1 Conceptos de estadstica y su clasificacin
1.2 Recopilacin de datos
1.3 Distribucin de frecuencia
1.3.1 Histogramas, polgonos de frecuencia, ojivas
1.4 Medidas de tendencia central para un conjunto de datos y datos no agrupados
1.4.1 Media, media ponderada
1.4.2 Mediana
1.4.3 Moda
1.4.4 Relacin entre media, mediana y moda
1.5 Medidas de dispersin para un conjunto de datos y datos agrupados
1.5.1 Rango
1.5.2 Desviacin media
1.5.3 Varianza
1.5.4 Desviacin estndar
1.6 Coeficiente de variacin
1.7 Coeficiente de asimetra de Pearson
3.2 Poisson
3.2.1 Propiedades: media, varianza y desviacin estndar
3.2.2 Grfica
3.3 Hipergeomtrica
3.3.1 Propiedades: media, varianza y desviacin estndar
3.3.2 Grfica
3.4 Normal
3.4.1 Propiedades: media, varianza y desviacin estndar
3.4.2 Grfica
3.5 Aproximacin de la normal a la binomial
3.5.1 Propiedades: media, varianza y desviacin estndar
3.5.2 Grfica
IV Muestreo y estimaciones
4.1 Definicin de muestreo
4.1.1 Tipos de muestreo aleatorio, sistematizado, estratificado y conglomerados
4.2 Concepto de distribucin de muestreo de la media
4.2.1 Distribucin muestral de la media con conocida y desconocida
4.2.2 Distribucin muestral de la 1-1 con conocida y desconocida
4.2.3 Distribucin muestral de la proporcin
4.2.4 Distribucin muestral p1-p2
4.3 Teorema del lmite central
4.4 Tipos de estimaciones y caractersticas
4.5 Determinacin del tamao de la muestra de una poblacin
4.6 Intervalos de confianza para la media, distribucin Normal y t
4.6.1 Determinacin del tamao de la muestra con grado de confianza y estimacin
4.7 Intervalo de confianza para la diferencia entre dos medias 1 - 2 con y 12 conocidas, con el
uso de la distribucin normal y la t student
4.8 Una sola muestra: estimacin de la proporcin
4.9 Intervalo de confianza para la diferencia de dos proporciones
BIBLIOGRAFA (Temario)
1) Levin I. Richard.
Estadstica para administradores
Editorial: Prentice-Hall.
Observaciones:
2) Mendenhall. _________________________
Estadstica para administradores.
Editorial: Grupo Editorial Iberoamericana. _________________________
_________________________
3) Stephen P. Sha O.
Estadstica para economistas y administracin de empresas. _________________________
Editorial: Harreu. H. _________________________
4) Kazmier. _________________________
Estadstica para administracin economa y ciencias sociales. _________________________
Editorial: McGraw Hill
_________________________
5) Spiegel. Murray V. _________________________
Estadstica. Editorial:
McGraw Hill _________________________
_________________________
6) William Mendenhall, D. Wackerly, L. Scheaffer.
Estadstica matemtica en aplicaciones. _________________________
Grupo Editorial Iberoamericana.
8) Walphole.
Probabilidad y estadstica.
Editorial: McGrawHill.
BIBLIOGRAFA (Apuntes)
Estadstica I
Napolen Labastida Lpez IMPORTANTE
I.P.N. Limusa
Entregar apuntes completos al
Estadstica Inferencial y Econometra finalizar el curso. (con
Jos Felipe Padilla Daz
I.P.N. anotaciones de la clase en las
copias y fechas, 4 revisiones
Probabilidad y Estadstica
Walpole y Mier durante el semestre)
Mc Graw Hill Las tareas o trabajos de
Probabilidad y Estadstica investigacin se deben entregar
Problemas de Probabilidad como mapas conceptuales. (en
Hugo E. Borras Garca
Rafael Iriarte B. hojas blancas, nombre, fecha y
Facultad de Ingeniera nmero de lista, engrapado)
UNAM
LINKS Elaborar proyecto con algn
software de la lista.
http://www.minitab.com
http://www.spss.com/corpinfo/
UNIDAD I
RECOPILACIN DE LA INFORMACIN
CONCEPTOS DE ESTADSTICA Y SU CLASIFICACIN
ESTADSTICA. Es la ciencia que estudia los medios para derivar informacin vlida a partir de un
conjunto de datos. Es decir, estudia los mecanismos para la obtencin de datos as como su
manipulacin y anlisis.
Estadstica descriptiva
Inferencia estadstica (estadstica inductiva o estadstica analtica).
ESTADSTICA DESCRIPTIVA. Es el proceso que se relaciona con los mtodos y/o tcnicas para
la recopilacin, organizacin y anlisis de un conjunto de datos cuantitativos, con el objeto de
describir en forma apropiada las diversas caractersticas de dicho conjunto.
DEFINICIONES
POBLACIN. Es la totalidad de elementos de un grupo dado que posee una caracterstica delimitada
para el alcance de una investigacin.
El uso de los mtodos estadsticos es muy variado y se aplican generalmente a distintos campos como
son los negocios, economa, educacin, medicina, ingeniera, etc. Para lo cual el proceso para realizar
un estudio estadstico est constituido de las siguientes etapas:
6. Interpretacin y decisin. Consiste en la fase final del estudio la cual determinar si una
solucin es adecuada o no, dependiendo de los resultados obtenidos.
OBTENCIN DE DATOS
Dentro de un proceso de investigacin una de las actividades que se realizan es la recopilacin de datos,
la cual es el acopio de informacin y se incluye desde elaborar fichas bibliogrficas hasta la aplicacin
de cuestionarios con el empleo de tcnicas de muestreo.
Existe una gran variedad de tcnicas para realizar la investigacin, que se debern seleccionar de
acuerdo a las necesidades del problema, as como a diferentes factores como son el tiempo, costo, tipo
de actividades a realizar, recursos humanos, etc.
Investigacin documental
Investigacin de campo
en la obtencin de datos cuantitativos por medio de la medicin del fenmeno que se este
observando. Para realizar la observacin se utilizan diversos instrumentos auxiliares los cuales son:
Ficha de campo
Observacin
directa Actividades anteriores
Campo Formal
Entrevista Informal
Por interrogacin
Cuestionario
Encuesta Cdula de entrevista
Estadstica Administrativa I pag. 8 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
ESTADSTICA DESCRIPTIVA
Medidas descriptivas. Es posible realizar una interpretacin o anlisis de los datos mediante diferentes
medidas descriptivas que nos permiten extraer y resumir las principales caractersticas de los datos. Las
medidas descriptivas pueden calcular a partir de una muestra o de una poblacin, adems es necesario
realizar una tabla de frecuencias cuando los datos son demasiados para poder graficarlos e
interpretarlos.
DISTRIBUCIN DE FRECUENCIAS
Distribucin de Frecuencia: Es una representacin tabular en la cual se disponen datos divididos en
grupos ordenados numricamente y que se denominan clases o categoras.
Para calcular el nmero de clases de una tabla de frecuencias podemos usar las siguientes
expresiones frmulas:
a) Raz cuadrada
k = n
b) Regla de Sturges
k = 1 + 3.3 log n
c) Regla de Stockes
ln(n )
k = +1
ln(2)
Estadstica Administrativa I pag. 9 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
recorrido 19
I= = = 3.1667 4
k 6
Si redondeamos a I = 4 tendremos k = 5 y si redondeamos a I = 3, tendremos k = 6, por simplicidad
se toma en este ejemplo I = 4 y k = 5.
HISTOGRAMAS
9
8
7
frecuencias
6
5
4
3
2
1
0
2.5 6.5 10.5 14.5 16.5
marca de clase
Polgonos de frecuencia: Es un diagrama de lnea que usa los mismos ejes y escala del histograma,
formando un polgono.
10
8
frecuencias
6
4
2
0
-1.5 2.5 6.5 10.5 14.5 16.5 20.5
marca de clase
10
8
frecuencias
4
2
0
-1.5 2.5 6.5 10.5 14.5 16.5 20.5
marca de clase
30
20
10
0
0.5 4.5 8.5 12.5 16.5 20.5
lmites
40
frecuencias acumuladas
35
30
25
20
15
10
5
0
0.5 4.5 8.5 12.5 16.5 20.5
lmites
La mayora de los datos se muestra la tendencia de agruparse alrededor de un punto central y es posible
elegir un valor promedio que describa al conjunto. Las ms usuales son: la Media Aritmtica, la
Mediana, Moda y el Rango Medio.
Media aritmtica
n
xi
x1 + x 2 + K + x n
x = i =1 =
muestra n n
N
xi
= i =1
poblacin N
Mediana
n +1
Md = posicin
2
Nota: Es importante ordenar los datos de mayor a menor o de menor a mayor.
Moda (Mo)
Rango medio
x mayor + x menor
Rm =
2
Media geomtrica
n
M g = n x i = n x1x 2 K x n
i =1
utilizando logaritmos
n
log x i
M g = 10 x i =1 = 10 x log x 1 + log x 2 + K + log x n
n n
Media armnica (M-1)
n n
M 1 = =
n 1 1 1 1
x + +K+
x1 x 2 xn
i =1 i
n
wixi
x1w 1 + x 2 x 2 + K + w n x n
x = i =1 =
n w1 + w 2 + K + w n
wi
i =1
Cuartiles (Qi)
ni 1
Qi = + posicin
4 2
Deciles (Di)
ni 1
Di = + posicin
10 2
Percentiles (Pi)
ni 1
Pi = + posicin
100 2
MEDIDAS DE DISPERSIN
Es una propiedad que describe a un conjunto de datos en relacin al grado de variacin o diseminacin
de los mismos las medidas mas usuales son el rango, la desviacin media, la varianza y la desviacin
Estndar.
Rango (recorrido, amplitud, oscilacin)
R = x mayor x menor
n | xi x | | x1 x | + | x 2 x | + K + | x n x |
D.M. = n
=
n
i =1
Varianza
n
(x i x) 2 (x 1 x) 2 + (x 2 x) 2 + K + (x n x) 2
muestra s2 = =
i =1 n 1 n 1
N ( x ) 2
2 = i
N
poblacin i =1
Desviacin estndar
(x i x ) 2
n
muestra s= s = 2
i =1 n 1
( x i ) 2 N
poblacin = = 2
i =1 N
Coeficiente de variacin
s
cv = cv =
x
Coeficiente de asimetra
3( x M d ) 3( M d )
ca = ca =
s
80 + 78 + 60 + 33 + 80 + 90 + 80 + 98 599
x = = = 74.875
8 8
8+1
Md = = 4.5 posicin
2
33 60 78 80 80 80 90 98
1 2 3 4 5 6 7 8
4.5 posicin
Md = 80
Mo = 80
98 + 33
Rm = = 65.5
2
(8)(2) 1
Q2 = + = 4.5 posicin
4 2
MEDIDAS DE DISPERSIN
R = 98 33 = 65
s= 403.839 = 20.0958
20.0958
cv = = 0.268
74.875
3(74.875 80)
ca = = .0765
20.0958
DATOS AGRUPADOS
Cuando el conjunto de datos es muy grande lo podemos organizar en una tabla de frecuencias y
despus calcular sus medidas como datos agrupados.
n
x ifi n = Nmero de datos
Media x = i =1
n li = Lmite inferior
fi
i =1 f = Frecuencia
n x = Valor Medio o marca de clase
fa a
Mediana M d = li + 2 I 1 = Diferencia entre la mayor frecuencia
f
y la frecuencia anterior
1 2 = Diferencia entre la mayor frecuencia
Moda M o = li + I
1 + 2 y la frecuencia que le sigue
I = Ancho de la clase intervalo
ni
fa a faa = Frecuencia acumulada anterior
Cuartiles Q i = li + 4 I
f
ni
fa a
Deciles D i = li + 10 I
f
ni
fa a
Percentiles Pi = li + 100 I
f
k
( x ) 2 f i
Varianza 2 = i =1
k
fi
i =1
li ls f fa x xf (x-)2f
Media
395.5
= = 11.30
35
Mediana
n 35
Buscar en las frecuencias acumuladas el valor de = = 17.5 en las frecuencias acumuladas,
2 2
como no aparece tmese el rengln con la frecuencia mayor a 17.5 que corresponde a la clase de 8.5
a menos de 12.5.
li ls f fa x
0.5 a menos de 4.5 5 5 2.5
4.5 a menos de 8.5 7 12 6.5
8.5 a menos de 12.5 7 19 10.5
12.5 a menos de 16.5 8 27 14.5
16.5 a menos de 20.5 8 35 18.5
35
sustituir
li = 8.5 faa = 12 f =7 I= 4
17.5 12
M d = 8.5 + 4 = 11.64
7
Moda
Tomar la mayor frecuencia, considerar el valor de 8 en la clase de 12.5 a menos de 16.8.
li = 12.5 1 = 1 2 = 0 I =4
1
M o = 12.5 + 4 = 16.5
1+ 0
Estadstica Administrativa I pag. 18 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
Varianza
1049.6
2 = = 29.99
35
Desviacin estndar
= 29.99 = 5.473
Comparativa de la media aritmtica y la desviacin estndar
= 11.34 (no agrupados) 11.30 (agrupados)
= 5.79 (no agrupados) 5.47 (agrupados)
Asimetra. Es una medida del grado de distorsin respecto a la simetra que presenta una distribucin
de frecuencias. Cuando una distribucin es perfectamente simtrica los valores de la media, la
mediana y de moda son iguales.
Simtrica
Leptocrtica
Mesocrtica
Platicrtica
UNIDAD II
INTRODUCCIN A LA PROBABILIDAD Y VALOR ESPERADO
Podemos definir de manera intuitiva a un conjunto, como una coleccin o listado de objetos con
caractersticas bien definidas que lo hace pertenecer a un grupo determinado.
NOTACIN
A los conjuntos se les representa con letras maysculas A, B, C, ... y a los elementos con letras
minsculas a, b, c, ..., por ejemplo, el conjunto A cuyos elementos son los nmeros en el
lanzamiento de un dado.
A = { 1, 2, 3, 4, 5, 6 }
En base a la cantidad de elementos que tenga un conjunto, estos se pueden clasificar en conjuntos
finitos e infinitos.
Existen dos formas comunes de expresar un conjunto y la seleccin de una forma particular de
expresin depende de la conveniencia y de ciertas circunstancias siendo:
A = {a, e, i, o, u}
COMPRENSIN: Cuando se enuncian las propiedades que deben tener sus elementos.
A = {x | x es una vocal}
A = {1, 2, 3}
2 A; 5 A
TIPOS DE CONJUNTOS
A = {x2 + 1 = 0 | x R}
El conjunto A, es un conjunto vaco por que no hay ningn nmero real que satisfaga a x2+1 = 0
IGUALDAD DE CONJUNTOS
Considerando el conjunto A y el conjunto B, si ambos tienen los mismos elementos, es decir, si
cada elemento que pertenece a A tambin pertenece a B y si cada elemento que pertenece a B
pertenece tambin a A.
A=B
SUBCONJUNTO
Si todo elemento de un conjunto A es tambin elemento de un conjunto B, entonces se dice que A es
un subconjunto de B. Representado por el smbolo .
ABoBA
SUBCONJUNTOS PROPIOS
Se dice que es un subconjunto propio de A s todos los elementos de un conjunto B se encuentran
incluidos en l A, denotado por .
ABoBA
CONJUNTO POTENCIA
La familia de todos los subconjuntos de un conjunto se llama conjunto potencia. Si un conjunto es
finito con n elementos, entonces el conjunto potencia tendr 2n subconjuntos.
A = {1, 2}
CONJUNTOS DISJUNTOS
Son aquellos que no tienen elementos en comn, es decir, cuando no existen elementos que
pertenezcan a ambos.
F = {1, 2, 3, 4, 5, 6}
G = {a, b, c, d, e, f}
PARTICIN
Cuando un conjunto es dividido en subconjuntos mutuamente excluyentes y exhaustivos, se le
denomina particin.
OPERACIONES DE CONJUNTOS
Unin.
Interseccin.
Diferencia.
Complemento.
Producto cartesiano.
A B = {x | x A o x B}
A B = {x | x A y x B}
A - B = {x | x A, x B}
Nota: A - B B - A
A = {x | x U, x A}
Nota: A = U - A
A x B = {(a, b) | a A y b B}
LEYES DE CONJUNTOS
DE IDEMPOTENCIA DE INVOLUCIN
AA=A A A=A (A) = A
ASOCIATIVA DE COMPLEMENTO
(A B) C = A (B C ) A A = U A A =
(A B) C = A (B C) U= = U
CONMUTATIVA DMORGAN
A B = B A A B=B A (A B) = A B (A B)= A B
DISTRIBUTIVA
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
PRINCIPIO DE CONTEO
DE IDENTIDAD n(A B) = n(A) + n(B) AB=
A U = U A U=A n(A B) = n(A) + n(B) - n(A B) A B
A = A A =
DIAGRAMAS DE VENN
S
A B
AB
EVENTOS
ESPACIO MUESTRAL: Son todos los posibles resultados que se obtienen de un experimento
denotado por S o .
S = {1, 2, 3, 4, 5, 6}
EVENTO SIMPLE: Son los eventos constituidos por un slo elemento.
A = {4}
EVENTO COMPUESTO: Es cualquier evento que se puede descomponer en dos o ms eventos
simples.
B = {2, 4, 6}
AB=
TCNICAS DE CONTEO
Para determinar el espacio muestral o el tamao del espacio muestral, es necesario desarrollar
algunas tcnicas de enumeracin las cuales son:
El Diagrama de rbol
Anlisis Combinatorio.
DIAGRAMAS DE RBOL
Los diagramas de rbol son ordenaciones empleadas para enumerar todas las posibilidades lgicas
de una secuencia de eventos, donde cada evento puede ocurrir en un nmero finito. Proporcionan un
mtodo sistemtico de enumeracin objetiva de los resultados.
Ramas
Raz
A continuacin, se presenta un Diagrama de rbol, referente a las respuestas que se pueden dar a
tres preguntas de Verdadero o Falso.
Tenemos dos opciones posibles para cada pregunta, V o F el rbol presenta dos ramas en cada
pregunta.
a) V b) F 3)
2 V
V
F
1)
V V
F
F
V
V
F
F V
F
F
Estadstica Administrativa I pag. 25 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
Las diferentes formas en que se puede contestar son ocho y forman el espacio muestral.
C B
A
B C
A C
B
C A
A B
C
B A
Contabilidad
Contabilidad
Biologa
Biologa
Biologa
lgebra
lgebra
lgebra
Contabilidad
Contabilidad
Contabilidad
Biologa
Biologa
Biologa
lgebra
lgebra
lgebra
ANLISIS COMBINATORIO
Los diagramas de rbol muestran objetivamente el nmero de resultados posibles en que se puede
disponer de la ordenacin de un conjunto de elementos, pero esta enumeracin es limitada, pues a
medida que aumenta el nmero de objetos dicha ordenacin se complica, por lo que hay que utilizar
otro procedimiento ms sencillo para determinar el nmero total de resultados. Con este fin, nos
apoyaremos en los conceptos permutaciones y combinaciones, los cuales tienen como base el
principio fundamental del conteo.
Si un evento A puede ocurrir de n1 maneras, y una vez que este ha ocurrido, otro evento B puede
ocurrir de n2 maneras diferentes, entonces el nmero total de formas diferentes en que ambos
eventos pueden ocurrir en el orden indicado, es igual a n1 x n2.
Aplicando el principio fundamental del conteo, tenemos 10 personas que pueden recibir el primer
premio. Una vez que ste ha sido entregado, restan 9 personas para recibir el segundo, y
posteriormente quedarn 8 personas para el tercer premio. De ah que el nmero de maneras
distintas de repartir los tres premios.
n1 x n2 x n3
10 x 9 x 8 = 720
Cuntas placas de automvil se pueden hacer utilizando dos letras seguidas de tres cifras? No se
admiten repeticiones.
26 x 25 x 10 x 9 x 8 = 468000
n! = n (n -1 ) (n -2 )...3 x 2 x 1
5! = 5 x 4 x 3 x 2 x 1 = 120
Por definicin 0! = 1
PERMUTACIONES
Nota: En una permutacin el orden en que se disponen los elementos del conjunto es importante.
PERMUTACIONES DE n ELEMENTOS
Por el principio fundamental del conteo podemos enunciar que el nmero de permutaciones de n
objetos distintos tomados de n en n, es:
n Pn = n!
Estadstica Administrativa I pag. 27 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
Se quiere conocer el conjunto de todas las disposiciones posibles de tres personas colocadas en
hilera para tomar una fotografa.
3P3 = 3! = 6
5P5 = 5! = 120
Hay seis banderas de distintos colores. Cuntas seales diferentes se pueden enviar usando las seis
banderas al mismo tiempo?
6P6 = 6! = 720
n!
n Pr =
(n r )!
3!
3 P2 = = 3! = 6
(3 2)!
Cuntas ternas pueden formarse con las 26 letras del alfabeto, si cada letra slo puede utilizarse
una sola vez?
26! 26!
26 P3 = = = 15600
(26 3)! 23!
Cinco personas entran a una sala en la que hay 8 sillas. De cuntas maneras diferentes pueden
ocupar las sillas?
8! 8!
8 P5 = = = 6720
(8 5)! 3!
n!
n Pn1, n2, ..., nk =
n1! n2! ... nk!
Cuntas palabras diferentes de cuatro letras pueden formarse con las letras LULU?
4! 24
4 P2, 2 = = =6
2! 2! 4
11!
11 P4, 4, 2, 1 = = 34650
4! 4! 2!1!
Cuntos mensajes pueden enviarse con diez banderas utilizndolas todas, si son cuatro negras,
tres verdes y tres rojas?
10
10 P4, 3, 3 = = 4200
4! 3! 3!
PERMUTACIONES CIRCULARES
Cuando los elementos se encuentran dispuestos en forma circular tenemos:
n Pc = (n 1)!
5 Pc = (5 1)! = 4! = 24
COMBINACIONES
Ya sabemos que en una permutacin el orden de los elementos es importante, pero cuando el orden
de colocacin carece de importancia, a la disposicin de dichos elementos se le denomina
combinacin.
Por lo tanto, una combinacin es un subconjunto o una disposicin de todos los elementos de un
conjunto, sin tener en cuenta el orden de ellos.
El nmero de combinaciones o subconjuntos no ordenados, cada uno formado por r elementos, que
pueden obtenerse de un conjunto de n elemento es:
n! n n!
n Cr = o =
(n r )! r! r (n r )! r!
3! 3! 6
3 C2 = = = =3
(3 2)! 2! 1! 2! 2
Por lo tanto, el resultado se reduce a 3 posibles formas ya que en una combinacin el orden de los
elementos no es importante.
Se tienen cinco obreros para un trabajo especial que requiere de tres de ellos. De cuntas maneras
diferentes se puede seleccionar un equipo de tres?
5! 5! 120
5 C3 = = = = 10
(5 3)! 3! 2! 3! 12
De un club de 20 socios, se van a seleccionar 3 para formar la mesa directiva. De cuntas formas
puede constituirse?
As:
100 C 98 =100 C100 98 =100 C 2
n n
(a + b ) n = r a n r b r
r = 0
DEFINICIONES DE LA PROBABILIDAD.
La palabra probabilidad se utiliza para cuantificar nuestra creencia de que ocurra un acontecimiento
determinado. Existen tres formas de estimar probabilidades: el enfoque clsico, el cual se aplica
cuando todos los resultados posibles que se consideran igualmente probables; el de frecuencias
relativas o probabilidad emprica, se refiere a la estimacin con base en un gran nmero de
experimentos repetidos en las mismas condiciones. El enfoque subjetivo basado en situaciones
especiales, en las cuales no es posible repetir el experimento y slo usa un grado de confianza
personal.
Esta es la definicin clsica o apriori (antes de), es de aplicacin fcil, pues no se necesita de ningn
experimento para su clculo, sino nicamente el conocimiento de las condiciones en que se realiza el
experimento. Se supone que todos los resultados posibles son conocidos, y que todos tienen la
misma probabilidad de ocurrir.
Si una urna contiene 10 esferas blancas, 15 azules y 5 rojas, la probabilidad de extraer al azar una
esfera blanca, es:
10 1
P (B) = =
30 3
n( A)
P( A) =
n
Donde n(A) es el nmero de veces que se observ realmente el evento A, y n es el nmero de veces
que se efectu el experimento.
Por medio del enfoque de frecuencias relativas, la probabilidad se determina sobre la base de la
proporcin de veces que ocurre un resultado favorable, en un nmero de observaciones o
experimentos. No hay supuesto previo de iguales probabilidades.
35 1
P( A) = =
70 2
PROBABILIDAD SUBJETIVA (1969)
La probabilidad estimada mediante los enfoques clsicos y experimental, son completamente
objetivos, ya que se determinan con base en hechos reales. En cambio, en algunos casos se presentan
situaciones en las cuales no es posible realizar experimentos repetitivos y los resultados tampoco son
igualmente probables. En estas condiciones, la probabilidad de ocurrencia de un evento debe
evaluarse en forma subjetiva.
Tales apreciaciones suelen ser de criterio personal, y por lo tanto, dos personas pueden cuantificar en
forma diferente, la probabilidad subjetiva del mismo evento. Podemos entonces considerar la
probabilidad subjetiva como la evaluacin personal de la ocurrencia de un evento incierto, que se
hace con base en criterios o experiencias sobre casos semejantes.
AXIOMAS DE PROBABILIDAD
Los axiomas de la formulacin moderna de la teora de la probabilidad constituyen una base para
deducir a partir de ellas un amplio nmero de resultados.
AXIOMA 1
Si A es un evento de S, entonces la probabilidad del evento A es:
0 P(A) 1
AXIOMA 2
Si dos eventos son mutuamente excluyentes, la probabilidad de obtener A o B es igual a la
probabilidad de obtener A ms la probabilidad de obtener B.
En general podemos decir que la suma de las probabilidades de todos los posibles eventos
mutuamente excluyentes es igual a 1:
AXIOMA 3
Si A es un evento cualquiera de un experimento aleatorio y A es el complemento de A, entonces:
P(A) = 1 - P(A)
Suponiendo que P(A) y P(B) representan las probabilidades para los dos eventos A y B, entonces
P(A B) significa la probabilidad de que ocurran A o B. Si representamos los eventos A y B en un
Diagrama de Venn con A B =
S
A B
AB=
Entonces A y B son conjuntos disjuntos o mutuamente excluyentes, o sea que no pueden ocurrir en
forma simultnea
P(A B) = P(A) + P(B)
S
A B
AB
PROBABILIDAD CONDICIONAL
Se dice que dos o ms eventos son independientes entre s cuando la probabilidad de que ocurra uno
no es influida por la ocurrencia de otro. Si A y B representan dos eventos y si la ocurrencia de A no
afecta a la ocurrencia de B, y la ocurrencia de B no afecta a la ocurrencia de A, entonces se dice que
A y B son Independientes.
En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Se extrae una esfera, se observa su color y se
regresa a la caja. Bajo estas condiciones, Cul es la probabilidad de que al extraer 3 esferas, stas
sean de color rojo?
4 4 4 64 1
P (R1 R2 R3) = x x = =
12 12 12 1728 27
En una caja hay 5 esferas blancas, 4 rojas y 3 negras. Si se extraen al azar 3 esferas en forma
consecutiva, sin reemplazo, Cul es la probabilidad de que las 3 sean de color rojo?
Sea R1 el evento extraer una esfera roja.
4 3 2 24 1
P(R1R2R3) = P(R1) P(R2 / R1) P(R3 / R1 R2) = x x = =
12 11 10 1320 51
P (B A )
P( A / B) =
P (B )
Una caja contiene 200 focos, 50 azules y 50 rojos; de los cuales, 10 son defectuosos: 6 azules y 4
rojos. Cul es la probabilidad de que un foco elegido al azar, sea defectuoso (evento D)?
10 1
P ( D) = =
100 100
Si seleccionamos un foco al azar y se observa que ste es azul (evento A), Cul es la probabilidad
de que el foco sea defectuoso, dado que es azul ?
Escribiremos P(D/A), para representar la probabilidad del evento D, dado A. Entonces, puesto que
hay 50 focos azules y de stos, 6 son defectuosos
6 3
P(D / A) = =
50 25
TEOREMA DE BAYES
El teorema de Bayes consiste en un mtodo para encontrar la probabilidad de una causa especfica
cuando se observa un efecto particular.
Esto es, si el evento B ha ocurrido, Cul es la probabilidad de que fue generado por el evento A1
(que es una causa posible ) o por el A2 (otra causa posible)?
Si suponemos que los eventos A1, A2, A3, ...., An, forman una particin de un espacio muestral S;
esto es, que los eventos A1 son mutuamente excluyentes y su unin es S. Ahora, sea B otro evento,
entonces :
A1
An
B
A2 A3 A4
P(B) = P(A1) P(B/A1) + P(A2) P(B/A2) + P(A3) P(B/A3) ... P(An) P(B/An)
Si A1, A2, A3, ..., An es una particin de S, y B es cualquier evento. Entonces para cualquier i,
P(A i )P(B/A i )
P ( A i / B) =
P(A 1 )P(B/A 1 ) + P(A 2 )P(B/A 2 ) + ... + P(A n )P(B / A n )
Es decir:
P(A i )P(B/A i )
P ( A i / B) =
P(A i )P(B/A i )
P (R ) = P (I )P (R / I ) + P (II )P (R / II )
1 3 1 2 2
P (R ) = + =
2 5 2 10 5
b) Hallar la probabilidad de que se escogiera la caja I, dado que la esfera es R, (es decir que el
resultado de arrojar la moneda sea guila).
La persona que arroj la moneda no da a conocer si result guila o sol (de tal manera que la caja de
la cual se sac la esfera se desconoce) pero indica que se extrajo una esfera roja.
Buscamos la probabilidad de que se escoja la caja I y se sabe que se sac una esfera roja. Empleando
el teorema de Bayes, esta probabilidad est dada por:
P (I ) P ( R / I )
P (I / R ) =
P(I )P(R / I ) + P(II )P(R / II )
1 3
2 5 3
P (I / R ) = =
1 3 1 2 4
+
2 5 2 | 0
En un Instituto Superior, el 25 por ciento de los hombres y el 10 por ciento de las mujeres estudian
Biologa. Las mujeres constituyen el 60 por ciento del estudiantado. Si se selecciona en forma
aleatoria un estudiante y resulta que est cursando Biologa, determinar la probabilidad de que sea
mujer.
(0.6)(0.1)
P (M / B ) = = 0.375
(9.4)(0.25) + (0.6)(0.1)
FORMULARIO
Factorial Casos favorables al evento A
P( A) =
Casos posibles
n!=n(n-1)(n-2)(3)(2)(1)
n( A)
Permutaciones de n elementos P( A) =
n
= n! Axiomas
n Pn
Teorema de Bayes
P(A i )P(B/A i )
P ( A i / B) =
P(A 1 )P(B/A 1 ) + P(A 2 )P(B/A 2 ) + ... + P(A n )P(B / A n )
UNIDAD III
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la
duracin de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante.
VARIABLE ALEATORIA: Es una funcin que asocia un nmero real a cada elemento del espacio
muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos
cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo.
Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos
valores cualesquiera; sta puede asumir infinito nmero de valores y stos se pueden medir.
Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores,
por ejemplo el nmero de aos de estudio.
Binomial
Discretas Hipergeomtrica
Multinomial
Poisson
Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier
valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante.
Uniforme
Continuas Exponencial
Normal
Una distribucin de frecuencias es un listado de las frecuencias observadas de todos los resultados
de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento; en
cambio, una distribucin de probabilidad es un listado de las probabilidades de todos los resultados
posibles que podran presentarse si se efectuara el experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen
lo que se conoce como DISTRIBUCIN DE PROBABILIDAD, la cual puede ser representada
mediante una funcin matemtica, una grfica o una tabla de valores. La diferencia consiste en que la
funcin matemtica se transforma en una funcin probabilstica.
S E0 E1 ... En
X x0 x1 ... xn
P(X) p(x0) p(x1) ... p(xn)
Dados los eventos E1, E2, ..., En S, se dice que x es una variable aleatoria, si a cada valor de xi que
asume cada Ei, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones:
a) La probabilidad para todo valor que asuma la variable aleatoria xi, ser mayor o igual a cero
pero menor que uno.
0 P(xi) 1 xi
b) La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es
igual a la unidad.
n
P(x i ) = 1
1
P(x i )dx =1
1
4
X
0 1 2
Estadstica Administrativa I pag. 41 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
1.- Una relacin terica de resultados y probabilidades que se puede obtener de un modelo
matemtico y que representa algn fenmeno de inters.
2.- Una relacin emprica de resultados y sus frecuencias relativas observadas.
3.- Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad
de posibles resultados.
Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.
Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real.
UNIFORME DISCRETA
Si la variable aleatoria X asume valores de X1, X2, ..., Xk con iguales probabilidades, entonces la
distribucin uniforme es:
1
f (x, k ) =
k
P(x)
x1 x2 xk
k
xi
= i =1
k
k
(x i )2
2 = i =1
k
La distribuciin de probabilidad del lanzamiento de un dado es:
S = {1, 2, 3, 4, 5, 6}
1
P (x = 1, 2, ..., 6) =
6
1+ 2 + 3+ 4 + 5 + 6
= = 3.5
6
LA DISTRIBUCION BINOMIAL
Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas
de carcter econmico y en numerosas aplicaciones como:
- Juegos de azar.
- Control de calidad de un producto.
- En educacin.
- En las finanzas.
La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos
independientes est dado por la frmula binomial:
n
P(x, n, p) = p x qn - x
x
Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen."
datos:
n = 4 ensayos.
1
p = probabilidad de xito en un ensayo.
2
1 1
q = 1 - p = 1 =
2 2
x = 0, 1, 2, 3, 4
S = {lanzar 4 veces la moneda}
A = {nmero de guilas que caen}
0 4
1 4 1 1 1
P (E0) = P 0,4, = =
2 0 2 2 16
1 3
1 4 1 1 4
P(E1) = P1,4, = =
2 1 2 2 16
2 2
1 4 1 1 6
P (E 2 ) = P 2,4, = =
2 2 2 2 16
3 1
1 4 1 1 4
P (E3) = P 3,4, = =
2 3 2 2 16
= np
2
= npq
= npq
= Media
2
= Varianza
= Desviacin estndar
DISTRIBUCIN MULTINOMIAL
Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles.
Las probabilidades de ocurrencia p1, p2, ..., pk en un solo ensayo, la distribucin de probabilidad de las
variables aleatorias k1, k2, ..., kn que representan el nmero de ocurrencias de E1, E2, ..., En en n
intentos independientes es:
n! k kn
P(n, k 1 , k 2 , K , k n ) = p 1 1 p k2
2 K pn
k 1!k 2! K k n!
Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el
nmero 2, en el lanzamiento de un dado 5 veces.
2 2 1
5! 1 1 1
P(5, 2, 2, 1) = = 0.00385
2!2!1! 6 6 6
LA DISTRIBUCIN HIPERGEOMTRICA
Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita
cuya probabilidad de ocurrencia cambia a lo largo del ensayo.
M N-M
N
x n-x n
donde:
N = El tamao de espacio muestral S
n = El nmero de ensayos
M = El nmero de xitos en el espacio muestral
N-M = Nmero de fracasos del espacio muestral
x = Nmero de xitos en la muestra
n-x = Nmero de fracasos de la muestra.
Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y
8 son mujeres, calcular " El nmero de hombres contratados."
E E
M=5 N-M = 8
N = 13
desarrollando
N = 13 total de aspirantes
M = 5 aspirantes hombres
N-M = 8 aspirantes mujer
n = 2 vacantes totales
x = 0,1,2 hombres posibles a contratar
n-x = 2,1,0 mujeres posibles a contratar
5 8
0 2 28
P (E0) = P (0,13,5,2) = = = 0.3588 = 35.88%
13 78
2
5 8
1 1 40
P (E1) = P (1,13,5,2) = = = 0.5128 = 51.28%
13 78
2
5 8
2 0 10
P (E2) = P (2,13,5,2) = = = 0.1282 = 12.82%
13 78
2
nM(N M)(N n)
2 =
N 2 (N 1)
= 2
= Media
2
= Varianza
= Desviacin estndar
(2)(5)(13 5)(13 2)
2 = = 0.4339
(13) 2 (13 1)
= 0.4339 = 0.6587
Si N resultados pueden dividirse en la k celdas N1, N2, ..., Nk con k1 ,k2, ..., kn elementos
respectivamente, entonces la distribucin de probabilidad representa el nmero de elementos
selecionados, en una muestra aleatoria de tamao n, es:
N 1 N 2 N n
K
k 1 k 2 k n
P(n; k 1, k 2 , K , k n ) =
N
n
N1 = 3 N2 = 5 N3 = 4 N = 12
k1 = 2 k2 = 4 k3 = 4 n=7
3 5 4
2 4 1
P (7;2,4,1) = = 0.0758
12
7
DISTRIBUCIN DE POISSON
Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a
la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente
una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son:
A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n
ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x).
x e -
P (E) = P (x, ) =
x!
donde:
n = Nmero de ensayos
x = Nmero de xitos esperados en n ensayos
e = 2.71828...
= n p = Constante igual al nmero de xitos promedio por unidad de medida
p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de
medida.
Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora. Cul es la
probabilidad de que en una hora tomada al azar reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No ms de 3 llamadas.
a) Ninguna llamada. x = 0
5 0 e .5
P (E 0 ) = P (0,5) = = 0.00674963
0!
b) Exactamente 3 llamadas: x = 3
5 3 e .5
P (E 3 ) = P (3,5) = = 0.1404
3!
c) No ms de 3 llamadas: x < 4
= Media
2
= Varianza
= Desviacin estndar
P(x)
x
La distribucin normal de probabilidad es muy importante por las siguientes razones:
1.- Se sabe que las mediciones que se obtienen en muchos procesos aleatorios tienen esta clase de
distribucin.
2.- Con frecuencia puede utilizarse en probabilidades normales para aproximar otras distribuciones
de probabilidad tales como la distribucin Binomial y Poisson.
3.- Las distribuciones estadsticas como la media muestral y la proporcin muestral tienen
distribucin normal cuando el tamao de la muestra es grande, sin importar la forma de la
distribucin de la poblacin de origen.
1 ( x )2
f(x) = e 2
-
2 2
donde:
= 3.1416
e = 2.7183
= Media de la distribucin
x-
z =
El promedio de estudiantes inscritos en jardn de nios es de = 500, con una desviacin estndar
= 100. El nmero de alumnos inscritos tienen una distribucin aproximadamente normal. Cul es la
probabilidad de que el nmero de alumnos inscritos en una escuela elegida al azar sea?:
SOLUCIN:
a) P(500 < x < 650)
x - 650 500
z = = = 1.50
100
de las tablas estandarizadas obtenemos
A = 0.4332 = 43.32%
TIPOS DE MUESTREOS
No Probabilstico.
Probabilstico.
Simple
Sistemtico
Estratificado
Por conglomerados Estrato
Conglomerado
Universo
Elemento
Simple.
Este tipo de muestreo, consiste en elaborar una lista de la poblacin enumerndola, para posteriormente
mediante la generacin de nmero aleatorios es seleccionado cada uno de los elementos que constituyen
la muestra, o mediante frmulas de recurrencia diseadas para ste propsito. Es adecuado cuando la
poblacin es pequea y los elementos puedan enumerarse.
1
5
11 17
23
35 38
44
Sistemtico.
En este tipo de muestro, tambin se elabora una lista con los elementos de la poblacin, pero en lugar de
seleccionarlos de manera aleatoria, se recorre la lista y se va seleccionando cada elemento con un
intervalo uniforme que se mide en tiempo, orden y espacio. Es ms sencillo de aplicar que el simple, sin
embargo, no es posible de utilizar con poblaciones grandes o con la posibilidad de que la poblacin
tenga datos con periodicidad.
3
7 11
3
Estratificado.
Por conglomerados.
Consiste en definir subgrupos de elementos homogneos en forma natural y/o existen grupos ya
definidos. No se requiere seleccionar de todos los conglomerados, y en ocasiones, es suficiente con
seleccionar uno de los conglomerados con todos sus elementos, es posible utilizar el muestreo aleatorio
considerando grupos en lugar de elementos.
POBLACIONES
Dependiendo de cmo se seleccionen los elementos para un estudio podremos tener las siguientes
poblaciones:
Poblacin finita
Poblacin infinita
Poblacin finita. Se llama as a la poblacin que es de tamao limitado cuyos elementos son
numerables.
Poblacin infinita. Se llama as a la poblacin de tamao limitado cuya cantidad de elementos son
innumerables.
MUESTREOS
El hecho de regresar un elemento muestreado a la poblacin antes de extraer otro elemento de la misma,
determina si el muestreo es con o sin reemplazo
Con reemplazo
Sin reemplazo
Con reemplazo.
Si un elemento se extrae de la poblacin y posteriormente se regresa a la misma, tiene la posibilidad de
quedar incluido otra vez en la muestra en otra extraccin.
Sin reemplazo.
Si el elemento extrado no se regresa a la poblacin entonces, solamente formar parte de la muestra
una sola vez.
DISTRIBUCIONES MUESTRALES.
La distribucin de todos los valores posibles que pueden ser tomados por alguna estadstica, calculados
a partir de muestras del mismo tamao extradas aleatoriamente de la misma poblacin, se llama
distribucin muestral de esa estadstica.
Las distribuciones muestrales pueden construirse empricamente cuando se obtiene de una poblacin
finita, discreta. Para lo cual se procede como:
1.- De una poblacin finita, discreta de tamao N, se extraen aleatoriamente todas las muestras posibles
de tamao n.
2.- Se calcula la estadstica de inters para cada muestra.
3.- Se enumeran en una columna los diferentes valores observados de la estadstica y, en otra columna,
la frecuencia correspondiente de la ocurrencia de cada uno de esos valores.
EJEMPLO:
Suponga se que de una poblacin de tamao N = 5 edades de nios, dadas como {6, 8, 10, 12, 14}, la
media poblacional = 10 y la varianza poblacional 2 = 8 y la varianza muestral es s2 = 10. Si
extraemos todas las muestras posibles de tamao n = 2, si consideramos un muestreo con remplazo y
calculamos la media tendremos Nn muestras posibles es decir 52 = 25 posibles muestras de tamao 2.
E(x) = = x
Poblacin infinita: x =
n
N-n
Poblacin finita: x =
n N -1
n
A la fraccin se le llama fraccin de muestreo. Cuando la fraccin de muestreo es menor que 0.05,
N
no es necesario usar el multiplicador de poblacin finita.
TEOREMA DEL LIMITE CENTRAL. Si X1, X2,..., Xn constituye un muestra aleatoria de poblacin
infinita que tiene la media , la desviacin estndar , entonces la distribucin limitante es de:
x
z=
n
DISTRIBUCIN t
Si el tamao de muestra es pequeo, los valores de S2, varian considerablemente de muestra a muestra,
para ello es necesario usar la distribucin t.
x
t=
s
n
DIFERENCIA DE MEDIAS
Si se sacan al azar muestras independientes de tamaos n1 y n2 de dos poblaciones discretas o
continuas, con medias 1 2 y varianzas 1 y 2 respectivamente entonces la distribucin muestral de
la diferencia de medias X 1 X 2 , esta distribuida aproximadamente en forma normal con medias y
12 22
varianzas: X1 X 2 = 1 2 y X 1 X 2 =
2
+
n1 n 2
Se tiene que
(X1 X 2 ) (1 2 )
Z=
12 22
+
n1 n 2
DISTRIBUCIN DE PROPORCIONES
Si una poblacin es infinita y distribuida binomialmente, si p y q son las probabilidades respectivas y
considerando muestras de tamao n extradas de esta poblacin, la distribucin muestra de
proporciones est dada por:
~
pp
z=
p(1 p)
n
DISTRIBUCION DE LA DIFERENCIA ENTRE DOS PROPORCIONES DE MUESTRAS.
(~p1 ~p 2 ) (p 1 p 2 )
z=
p 1 (1 p 1 ) p 2 (1 p 2 )
+
n1 n2
DISTRIBUCIN MUESTRAL DE
2
Si S es la varianza de una muestra aleatoria de tamao n tomada de una poblacin normal que tiene
varianza 2, entonces los valores de la variable aleatoria X2 se calculan con:
(n 1)s 2
2 =
2
DISTRIBUCIN MUESTRAL DE 1
2
Si S1 y S2 son las varianzas de variables aleatorias independientes de tamaos n1 y n2 , que se sacan
de poblaciones normales con varianzas 1 y 2, respectivamente, entonces,
S12
12 22 S12
F= =
S 22 12 S 22
22
tiene una distribucin F con v1 = n1 1 y v2 = n2 1 grados de libertad
donde si se escribe f(v1, v2) para f con v1 y v2 grados de libertad, se tiene que:
1
f 1 (v1 , v 2 ) =
f (v 2 , v1 )
PARMETROS Y ESTIMADORES
Toda medida de tendencia central o de dispersin obtenida de una poblacin, se conoce como
parmetro de la poblacin; aquellas que son obtenidas de una muestra se denominan estimadores, ya
que con ellas se realizar la estimacin de esos parmetros.
Muestreo. Es la operacin para tomar una muestra del universo. El objetivo es contar con datos
necesarios para estimar parmetros en la poblacin, hacer inferencia estadstica con la mayor
confiabilidad posible.
Parmetros Estimadores
Media poblacional: Media muestral
N n
X x
= i x= i
i =1 N i =1 n
Varianza poblacional: Varianza muestral
N n
(X i ) 2
i =1
(x i x) 2
2 = s2 = i =1
N n 1
Desviacin estndar Desviacin estndar
poblacional: n
N (x i x) 2
(X i ) 2
s2 = i =1
= i =1 n 1
N Donde x es el valor de cada
Donde X es el valor de medicin desde i = 1 hasta
cada medicin desde i = 1 n
hasta N n es el nmero de elemento
N es el nmero de elemento que constituyen la muestra
que constituyen la estudiada
poblacin bajo estudio
Proporcin poblacional de Proporcin poblacional de
elementos con atributo: elementos con atributo:
Px =
Xi px =
xi
N n
N es el nmero de n es el nmero de
elementos de la poblacin elementos de la muestra
ESTIMACIN PUNTUAL O POR PUNTO: Consiste en emplear un solo valor de la muestra para
estimar el parmetro poblacional respectivo para que el estimador puntual sea bueno deber reunir
las siguientes caractersticas.
Es el rango dentro del cual se espera que se encuentre el valor del parmetro en cuestin, la ventaja
de la estimacin por intervalos es que muestra la exactitud con que estima el parmetro a menor
longitud del intervalo mayor exactitud en la estimacin. la probabilidad de que un intervalo
contenga el parmetro que se estima se denomina coeficiente de confianza. Un valor cercano a la
unidad indica un intervalo ms reducido.
l- ivel de confianza
ivel de significancia
x z / 2 x x + z / 2 x
x z / 2x
x t / 2s x x + t / 2s x
x t / 2s x
12 22
(x 1 x 2 ) z / 2 +
n1 n 2
1 1
(x 1 x 2 ) t / 2 s p +
n1 n 2
(n 1 1)s 12 + (n 2 1)s 22
sp =
n1 + n 2 2
= n1 + n2 2
s 12 s 22
(x 1 x 2 ) t / 2 +
n1 n 2
2
s 12 s 22
+
n
1 n2
= 2 2
s 12 s 22
n n
1 2
+
n 1 1 n 2 1
Estadstica Administrativa I pag. 65 M. en C. Jos Luis Hernndez Gonzlez
Instituto Tecnolgico de Apizaco www.cienciamatematica.com Departamento de Ciencias Bsicas
(n 1)s 2 2 (n 1)s 2
2
2 / 2 1 / 2
= n - 1 grados de libertad
12
Intervalo de confianza para
22
s 12 1 12 s 12
2 2 f /2( 1 , v 2 )
s 22 f /2( 1 , 2 ) 2 s2
1 = n1 - 1
2 = n 2 - 1