Vdocuments - MX - Unidad 1 Introduccion Ala Estadistica Inferencial

INSTITUTO TECNOLOGICO DE ACAPULCO
UNIDAD I: INTRODUCCION A LA
ESTADISTICA INFERENCIAL
INGENIERIA EN GESTION EMPRESARIAL

PROFESOR: ANTONIO CANUL PEREZ
EQUIPO:
MACEDO CASTRO VICTOR ALFONSO
ORTEGA FLORES YANELI
PRUDENTE CATANA MAYRA IRIS
AULA:105
ESTADISTICA INFERENCIAL I INTRODUCCIÓN A LA ESTADÍSTICA
INFERENCIALESTADISTICA INFERENCIAL I INTRODUCCIÓN A LA ESTADÍSTICA
INFERENCIAL
ÍNDICE
Introducción…………………………………………………………………………….…..………3
1.1 Breve historia de la estadística......................................................................................4
1.2 Concepto de estadística................................................................................................7
1.3 Estadística descriptiva...................................................................................................8
1.4 Estadistica inferencial..................................................................................................10
1.5 Breve introducción a la inferencia estadística..............................................................11
1.6 Teoría de decisión en estadística................................................................................12
1.7 Componentes de una investigacion estadistica...........................................................14
1.8 Recoleccion de datos..................................................................................................17
1.9 Estadistica parametrica (poblacion y muestrea aleatoria)...........................................18
1.10 Aplicaciones..............................................................................................................25
INTRODUCCION
Este tema delimita los contenidos del primer cuatrimestre de los contenidos del segundo
cuatrimestre. También diferencia los dos núcleos temáticos más importantes de la
materia: Descriptivo e inferencial. La validez de las conclusiones obtenidas con
procedimientos descriptivos se limita al conjunto de individuos de los que se ha obtenido
los datos, pero no incluye a los individuos que no han formado parte de la investigación, y
generalmente estamos interesados en generalizar los resultados y conclusiones obtenidos
con unos (pocos) individuos a la población.
2
2
INFERENCIAL
Dicho de otra forma, la finalidad de la Inferencia estadística es obtener información sobre

características desconocidas de las poblaciones (generalmente cuantificadas por
parámetros) a partir de características conocidas de las muestras (generalmente
cuantificadas por estadísticos). Incluir poblaciones completas de individuos en la
investigación suele ser impracticable, y por ello se suele trabajar con grupos pequeños
generalizando los resultados mediante las técnicas de Estadística Inferencial. Como
ejemplo, supongamos que deseamos probar la eficacia de un tratamiento para un
trastorno del comportamiento, para lo cual comparamos su efecto en un grupo de
pacientes con el de otro tratamiento en otro grupo de pacientes.
El análisis descriptivo de los resultados obtenidos solo es válido para los individuos de los
grupos comparados, y si queremos saber si el nuevo tratamiento es mejor
para cualquier paciente, no solo para los que han intervenido en la prueba, hay que
utilizar procedimientos inferenciales.
UNIDAD 1
INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIAL
1.1 BREVE HISTORIA DE LA ESTADÍSTICA
Los comienzos de la estadística pueden ser hallados en el antiguo Egipto, cuyos faraones
lograron recopilar, hacia el año 3050 antes de Cristo, prolijos datos relativos a la población
y la riqueza del país. De acuerdo al historiador griego Heródoto, dicho registro de riqueza
y población se hizo con el objetivo de preparar la construcción de las pirámides. En el
3
3
INFERENCIAL
mismo Egipto, Ramsés II hizo un censo de las tierras con el objeto de verificar un nuevo
reparto.
En el antiguo Israel la Biblia da referencias, en el libro de los Números, de los datos

estadísticos obtenidos en dos recuentos de la población hebrea. El rey David por otra
parte, ordenó a Joab, general del ejército hacer un censo de Israel con la finalidad de
conocer el número de la población.
También los chinos efectuaron censos hace más de cuarenta siglos. Los griegos
efectuaron censos periódicamente con fines tributarios, sociales (división de tierras) y
militares (cálculo de recursos y hombres disponibles). La investigación histórica revela
que se realizaron 69 censos para calcular los impuestos, determinar los derechos de voto
y ponderar la potencia guerrera.
Pero fueron los romanos, maestros de la organización política, quienes mejor supieron
emplear los recursos de la estadística. Cada cinco años realizaban un censo de la
población y sus funcionarios públicos tenían la obligación de anotar nacimientos,
defunciones y matrimonios, sin olvidar los recuentos periódicos del ganado y de las
riquezas contenidas en las tierras conquistadas. Para el nacimiento de Cristo sucedía uno
de estos empadronamientos de la población bajo la autoridad del imperio.
Durante los mil años siguientes a la caída del imperio Romano se realizaron muy pocas
operaciones Estadísticas, con la notable excepción de las relaciones de tierras
pertenecientes a la Iglesia, compiladas por Pipino el Breve en el 758 y por Carlomagno en
el 762 DC. Durante el siglo IX se realizaron en Francia algunos censos parciales de
siervos. En Inglaterra, Guillermo el Conquistador recopiló el Domesda y Book o libro del
Gran Catastro para el año 1086, un documento de la propiedad, extensión y valor de las
tierras de Inglaterra. Esa obra fue el primer compendio estadístico de Inglaterra.
Aunque Carlomagno, en Francia; y Guillermo el Conquistador, en Inglaterra, trataron de

revivir la técnica romana, los métodos estadísticos permanecieron casi olvidados durante
la Edad Media.
Durante los siglos XV, XVI, y XVII, hombres como Leonardo de Vinci, Nicolás Copérnico,
Galileo, Neper, William Harvey, Sir Francis Bacon y René Descartes, hicieron grandes
operaciones al método científico, de tal forma que cuando se crearon los Estados
Nacionales y surgió como fuerza el comercio internacional existía ya un método capaz de
aplicarse a los datos económicos.
Para el año 1532 empezaron a registrarse en Inglaterra las defunciones debido al temor
que Enrique VII tenía por la peste. Más o menos por la misma época, en Francia la ley
exigió a los clérigos registrar los bautismos, fallecimientos y matrimonios. Durante un
brote de peste que apareció a fines de la década de 1500, el gobierno inglés comenzó a
publicar estadística semanal de los decesos. Esa costumbre continuó muchos años, y en
1632 estos Bills of Mortality (Cuentas de Mortalidad) contenían los nacimientos y
4
4
INFERENCIAL
fallecimientos por sexo. En 1662, el capitán John Graunt usó documentos que abarcaban
treinta años y efectuó predicciones sobre el número de personas que morirían de varias
enfermedades y sobre las proporciones de nacimientos de varones y mujeres que cabría
esperar. El trabajo de Graunt, condensado en su obra Natural and Political
Observations...Made upon the Bills of Mortality (Observaciones Políticas y Naturales...
Hechas a partir de las Cuentas de Mortalidad), fue un esfuerzo innovador en el análisis
estadístico.
Por el año 1540 el alemán Sebastián Muster realizó una compilación estadística de los
recursos nacionales, comprensiva de datos sobre organización política, instrucciones
sociales, comercio y poderío militar. Durante el siglo XVII aportó indicaciones más
concretas de métodos de observación y análisis cuantitativo y amplió los campos de la
inferencia y la teoría Estadística.
Los eruditos del siglo XVII demostraron especial interés por la Estadística Demográfica
como resultado de la especulación sobre si la población aumentaba, decrecía o
permanecía estática.
En los tiempos modernos tales métodos fueron resucitados por algunos reyes que
necesitaban conocer las riquezas monetarias y el potencial humano de sus respectivos
países. El primer empleo de los datos estadísticos para fines ajenos a la política tuvo
lugar en 1691 y estuvo a cargo de Gaspar Neumann, un profesor alemán que vivía en
Breslau. Este investigador se propuso destruir la antigua creencia popular de que en los
años terminados en siete moría más gente que en los restantes, y para lograrlo hurgó
pacientemente en los archivos parroquiales de la ciudad. Después de revisar miles de
partidas de defunción pudo demostrar que en tales años no fallecían más personas que
en los demás. Los procedimientos de Neumann fueron conocidos por el astrónomo inglés
Halley, descubridor del cometa que lleva su nombre, quien los aplicó al estudio de la vida
humana. Sus cálculos sirvieron de base para las tablas de mortalidad que hoy utilizan
todas las compañías de seguros.
Durante el siglo XVII y principios del XVIII, matemáticos como Bernoulli, Francis Maseres,
Lagrange y Laplace desarrollaron la teoría de probabilidades. No obstante durante cierto
tiempo, la teoría de las probabilidades limitó su aplicación a los juegos de azar y hasta el
siglo XVIII no comenzó a aplicarse a los grandes problemas científicos.
Godofredo Achenwall, profesor de la Universidad de Gotinga, acuñó en 1760 la palabra

estadística, que extrajo del término italiano statista (estadista). Creía, y con sobrada
razón, que los datos de la nueva ciencia serían el aliado más eficaz del gobernante
consciente. La raíz remota de la palabra se halla, por otra parte, en el término latino
status, que significa estado o situación; Esta etimología aumenta el valor intrínseco de la
palabra, por cuanto la estadística revela el sentido cuantitativo de las más variadas
situaciones.
5
5
INFERENCIAL
Jacques Quételect es quien aplica las Estadísticas a las ciencias sociales. Este interpretó
la teoría de la probabilidad para su uso en las ciencias sociales y resolver la aplicación del
principio de promedios y de la variabilidad a los fenómenos sociales. Quételect fue el
primero en realizar la aplicación práctica de todo el método Estadístico, entonces
conocido, a las diversas ramas de la ciencia.
Entretanto, en el período del 1800 al 1820 se desarrollaron dos conceptos matemáticos

fundamentales para la teoría Estadística; la teoría de los errores de observación, aportada
por La place y Gauss; y la teoría de los mínimos cuadrados desarrollada por Laplace,
Gauss y Legendre. A finales del siglo XIX, Sir Francis Gaston ideó el método conocido por
Correlación, que tenía por objeto medir la influencia relativa de los factores sobre las
variables. De aquí partió el desarrollo del coeficiente de correlación creado por Karl
Pearson y otros cultivadores de la ciencia biométrica como J. Pease Norton, R. H. Hooker
y G. Udny Yule, que efectuaron amplios estudios sobre la medida de las relaciones.
Los progresos más recientes en el campo de la Estadística se refieren al ulterior

desarrollo del cálculo de probabilidades, particularmente en la rama denominada
indeterminismo o relatividad, se ha demostrado que el determinismo fue reconocido en la
Física como resultado de las investigaciones atómicas y que este principio se juzga
aplicable tanto a las ciencias sociales como a las físicas.
1.2 CONCEPTO DE ESTADÍSTICA
La Estadística es la ciencia cuyo objetivo es reunir una información cuantitativa

concerniente a individuos, grupos, series de hechos, etc. y deducir de ello gracias al
análisis de estos datos unos significados precisos o unas previsiones para el futuro.
La estadística, en general, es la ciencia que trata de la recopilación, organización

presentación, análisis e interpretación de datos numéricos con el fin de realizar una toma
de decisión más efectiva.
Otros autores tienen definiciones de la Estadística semejantes a las anteriores, y algunos

otros no tan semejantes. Para Chacón esta se define como “la ciencia que tiene por
objeto el estudio cuantitativo de los colectivos”; otros la definen como la expresión
cuantitativa del conocimiento dispuesta en forma adecuada para el escrutinio y análisis.
La más aceptada, sin embargo, es la de Mínguez, que define la Estadística como “La
ciencia que tiene por objeto aplicar las leyes de la cantidad a los hechos sociales para
medir su intensidad, deducir las leyes que los rigen y hacer su predicción próxima”.
Los estudiantes confunden comúnmente los demás términos asociados con las
Estadísticas, una confusión que es conveniente aclarar debido a que esta palabra tiene
6
6
INFERENCIAL
tres significados: la palabra estadística, en primer término se usa para referirse a la

información estadística; también se utiliza para referirse al conjunto de técnicas y métodos
que se utilizan para analizar la información estadística; y el término estadístico, en
singular y en masculino, se refiere a una medida derivada de una muestra.
1.3 ESTADÍSTICA DESCRIPTIVA
La estadística descriptiva es la rama de las Matemáticas que recolecta, presenta y

caracteriza un conjunto de datos (por ejemplo, edad de una población, altura de los
estudiantes de una escuela, temperatura en los meses de verano, etc.) con el fin de
describir apropiadamente las diversas características de ese conjunto. Al conjunto de los
distintos valores numéricos que adopta un carácter cuantitativo se llama variable
estadística.
Al conjunto de los distintos valores numéricos que adopta un carácter cuantitativo se llama
variable estadística.
Las variables pueden ser de dos tipos:
• Variables cualitativas o categóricas: no se pueden medir numéricamente (por ejemplo:

nacionalidad, color de la piel, sexo).
• Variables cuantitativas: tienen valor numérico (edad, precio de un producto, ingresos

anuales).
Las variables también se pueden clasificar en:
• Variables unidimensionales: sólo recogen información sobre una característica (por

ejemplo: edad de los alumnos de una clase).
• Variables bidimensionales: recogen información sobre dos características de la

población (por ejemplo: edad y altura de los alumnos de una clase).
• Variables pluridimensionales: recogen información sobre tres o más características (por

ejemplo: edad, altura y peso de los alumnos de una clase). Por su parte, las variables
cuantitativas se pueden clasificar en discretas y continuas:
• Discretas: sólo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por ejemplo: número de
hermanos (puede ser 1, 2, 3...., etc., pero, por ejemplo, nunca podrá ser 3.45).
7
7
INFERENCIAL
• Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por ejemplo, la
velocidad de un vehículo puede ser 90.4 km/h, 94.57 km/h...etc.
Cuando se estudia el comportamiento de una variable hay que distinguir los siguientes
conceptos:
• Individuo: cualquier elemento que porte información sobre el fenómeno que se estudia.
Así, si estudiamos la altura de los niños de una clase, cada alumno es un individuo; si se
estudia el precio de la vivienda, cada vivienda es un individuo.
• Población: conjunto de todos los individuos (personas, objetos, animales, etc.) que
porten información sobre el fenómeno que se estudia. Por ejemplo, si se estudia el precio
de la vivienda en una ciudad, la población será el total de las viviendas de dicha ciudad.
• Muestra: subconjunto que seleccionado de una población. Por ejemplo, si se estudia el

precio de la vivienda de una ciudad, lo normal será no recoger información sobre todas las
viviendas de la ciudad (sería una labor muy compleja), sino que se suele seleccionar un
subgrupo (muestra) que se entienda que es suficientemente representativo.
1.4 ESTADISTICA INFERENCIAL
El origen de la Estadística descriptiva puede relacionarse con el interés por mantener

registros gubernamentales hacia fines de la Edad Media. Cuando los estados
nacionalistas empezaron a surgir durante ese período, se volvió necesario obtener
información acerca de los territorios bajo la jurisdicción de cada nación. Esta necesidad de
información numérica acerca de los ciudadanos y recursos lleva al desarrollo de técnicos
para obtener y organizar datos numéricos.
Hacia fines del siglo XVII, ya existían investigaciones semejantes a nuestros censos
modernos. Al mismo tiempo, las compañías de seguros empezaban a recopilar tablas de
mortalidad para determinar las primas de seguros de vida. En las primeras etapas de
desarrollo, la estadística incluía poco más que la obtención, clasificación y presentación
de datos numéricos. Aún hoy en día, estas actividades siguen siendo una parte
importante de la Estadística.
La Estadística inferencial o Inferencia estadística estudia cómo sacar conclusiones

generales para toda la población a partir del estudio de una muestra, y el grado de
fiabilidad o significación de los resultados obtenidos.
1.5 BREVE INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
8
8
INFERENCIAL
El principal objetivo de la Estadística es inferir o estimar características de una población

que no es completamente observable (o no interesa observarla en su totalidad) a través
del análisis de una parte de ella a la que llamamos muestra. Las razones por las que
generalmente se trabaja con muestras son principalmente:
- Económicas.
- Tiempo: si la población es muy grande llevaría tanto tiempo analizarla que incluso la
característica de interés podría variar en ese período. Por ejemplo, la tasa de paro.
- Destrucción: la medición de cierta característica podría llevar a la destrucción del

individuo. Por ejemplo, al estudiar la supervivencia de ciertos animales a un tratamiento.
Lo que se hace entonces es analizar la muestra y extrapolar conclusiones desde la

muestra a la población. Ahora bien, para considerar válidas en la población las
conclusiones obtenidas en la muestra, ésta ha de representar bien a la población
(representativa). Por lo tanto, la selección de la muestra es de suma importancia, y para
ello hay diversos métodos (métodos de muestreo). Cuando se intuye que la característica
en estudio puede presentar valores homogéneos en la población, una forma de obtener
una muestra representativa es eligiéndola al azar. A este método de selección de la
muestra se le llama muestreo aleatorio simple y es el más sencillo.
La Inferencia Estadística se puede clasificar en inferencia paramétrica e inferencia no

paramétrica. La inferencia paramétrica tiene lugar cuando se conoce la distribución de la
variable de estudio en la población, y el interés recae sobre los parámetros desconocidos
de la misma. La inferencia no paramétrica tiene lugar si no se conoce la distribución y sólo
se suponen propiedades generales de la misma. Nosotros nos centramos en la inferencia
paramétrica, y nuestro objetivo será inferir o estimar parámetros poblacionales a partir de
la información que nos proporciona una muestra.
Supongamos que estudiamos una variable X en una población y sabemos que presenta
una distribución Fθ, donde θ es el parámetro de la distribución y es desconocido. Los
problemas de inferencia que pueden darse son: de estimación, en los que se busca un
valor (estimación puntual) para θ o un conjunto de valores posibles para el mismo
(estimación por intervalos de confianza), y de contraste, cuyo objetivo es comprobar si es
cierta o falsa cierta hipótesis formulada sobre el parámetro θ. En el Tema 7 se estudia la
estimación puntual y por intervalos de confianza, y en Tema 8 estudiaremos problemas de
contraste de hipótesis. Ejemplo: Supongamos que queremos estudiar el tiempo de fallo de
una población de cierto tipo de componentes. Intuimos (por estudios anteriores por
ejemplo) que el tiempo de fallo X sigue una distribución Exponencial, X → Exp(λ), con λ
desconocido, ya que no observamos el tiempo de fallo de todos los componentes de la
población.
1.6 TEORÍA DE DECISIÓN EN ESTADÍSTICA
9
9
INFERENCIAL
El problema de la Decisión, motivado por la existencia de ciertos estados de ambigüedad

que constan de proposiciones verdaderas (conocidas o desconocidas), es tan antiguo
como la vida misma. Podemos afirmar que todos los seres vivientes, aun los más simples,
se enfrentan con problemas de decisión. Así, un organismo unicelular asimila partículas
de su medio ambiente, unas nutritivas y otras nocivas para él. La composición biológica
del organismo y las leyes físicas y químicas determinan qué partículas serán asimiladas y
cuáles serán rechazadas.
Conforme aumenta la complejidad del ser vivo, aumenta también la complejidad de sus
decisiones y la forma en que éstas se toman. Así, pasamos de una toma de decisiones
guiada instintivamente, a procesos de toma de decisiones que deben estar guiados por un
pensamiento racional en el ser humano. La Teoría de la Decisión tratará, por tanto, el
estudio de los procesos de toma de decisiones desde una perspectiva racional.
CARACTERÍSTICAS Y FASES DEL PROCESO DE DECISIÓN
Un proceso de decisión presenta las siguientes características principales:
 Existen al menos dos posibles formas de actuar, que

llamaremos alternativas o acciones, excluyentes entre sí, de manera que la actuación
según una de ellas imposibilita cualquiera de las restantes.
 Mediante un proceso de decisión se elige una alternativa, que es la que se lleva a

cabo.
 La elección de una alternativa ha de realizarse de modo que cumpla

un fin determinado.
El proceso de decisión consta de las siguientes fases fundamentales:
 Predicción de las consecuencias de cada actuación. Esta predicción deberá basarse

en la experiencia y se obtiene por inducción sobre un conjunto de datos. La
recopilación de este conjunto de datos y su utilización entran dentro del campo de
la Estadística.
 Valoración de las consecuencias de acuerdo con una escala de bondad o deseabilidad.

Esta escala de valor dará lugar a un sistema de preferencias.
10
10
INFERENCIAL
 Elección de la alternativa mediante un criterio de decisión adecuado. Este punto lleva a

su vez asociado el problema de elección del criterio más adecuado para nuestra
decisión, cuestión que no siempre es fácil de resolver de un modo totalmente
satisfactorio.
CLASIFICACIÓN DE LOS PROCESOS DE DECISIÓN
Los procesos de decisión se clasifican de acuerdo según el grado de conocimiento que se

tenga sobre el conjunto de factores o variables no controladas por el decisor y que
pueden tener influencia sobre el resultado final (esto es lo que se conoce
como ambiente o contexto). Así, se dirá que:
 El ambiente es de certidumbre cuando se conoce con certeza su estado, es decir, cada

acción conduce invariablemente a un resultado bien definido.
 El ambiente de riesgo cuando cada decisión puede dar lugar a una serie de

consecuencias a las que puede asignarse una distribución de probabilidad conocida.
 El ambiente es de incertidumbre cuando cada decisión puede dar lugar a una serie de

consecuencias a las que no puede asignarse una distribución de probabilidad, bien
porque sea desconocida o porque no tenga sentido hablar de ella.
 Según sea el contexto, diremos que el proceso de decisión (o la toma de decisiones)

se realiza bajo certidumbre, bajo riesgo o bajo incertidumbre, respectivamente.
ELEMENTOS DE UN PROBLEMA DE DECISIÓN
En todo problema de decisión pueden distinguirse una serie de elementos característicos:
 El decisor, encargado de realizar la elección de la mejor forma de actuar de acuerdo

con sus intereses.
 Las alternativas o acciones, que son las diferentes formas de actuar posibles, de entre

las cuales se seleccionará una. Deben ser excluyentes entre sí.
 Los posibles estados de la naturaleza, término mediante el cual se designan a todos

aquellos eventos futuros que escapan al control del decisor y que influyen en el
proceso.
 Las consecuencias o resultados que se obtienen al seleccionar las diferentes

alternativas bajo cada uno de los posibles estados de la naturaleza.
 La regla de decisión o criterio, que es la especificación de un procedimiento para

identificar la mejor alternativa en un problema de decisión.
11
11
INFERENCIAL
1.7 COMPONENTES DE UNA INVESTIGACION ESTADISTICA
El estudio estadístico de una situación con propósitos inferenciales se centra en

dos conceptos fundamentales: población y muestra, los cuales serán definidos a
continuación:
 Población. Es el conjunto formado por todos los valores posibles que puede asumir,
la variable objeto de estudio.
Así por ejemplo, en un estudio sobre la preferencia de los votantes en una

elección presidencial, la población consiste en todas las respuestas de los votantes
registrados. Pero el término no sólo está asociado a la colección de seres humanos u
organismos vivos; y tenemos así que, si se va a hacer una investigación de las ventas
anuales de los supermercados, entonces las ventas anuales de todos los
supermercados constituyen así mismo la población.
Es bueno tener en cuenta que el término población se interpreta de dos maneras

cuando se hace un estudio estadístico, a saber:
La interpretación propia en el Análisis Estadístico, que corresponde a la que

hemos presentado anteriormente.
Como el conjunto de objetos sobre los cuales actúa la variable considerada.
Por tanto, no es extraño escuchar expresiones tales como, "se hizo un estudio de los
niveles de ingreso de la población trabajadora colombiana", entendiéndose con ello
que el elemento estadístico objeto de análisis fue el registro numérico de los ingresos.
 Muestra. Es cualquier subconjunto de la población, escogido al seguir ciertos criterios

de selección.
La muestra es el elemento básico sobre el cual se fundamenta la posterior inferencia

acerca de la población de donde se ha tomado. Por ello, su escogencia y selección
debe hacerse siguiendo ciertos procedimientos que son ampliamente tratados en la
parte de la estadística llamada Teoría de muestreo.
El concepto de muestra tiene también las dos connotaciones que hemos señalado para
la población.
Las características de una población se resumen para su estudio generalmente irá

mediante lo que se denominan parámetros; éstos a su vez se toman o consideran
como valores verdaderos de la característica estudiada. Por ejemplo, la proporción de
todos los clientes que declaran cierta preferencia por una marca particular de un
12
12
INFERENCIAL
producto dado, es un parámetro de la población de todos los clientes; es la verdadera

proporción de la población.
Igualmente, la media aritmética de las cuentas corrientes de los clientes de un
banco determinado constituye un parámetro de la población de las cuentas de los
clientes de ese banco.
Cuando la característica de la población estudiada se reduce a una muestra el

resumen de esa característica se hace mediante ésta (medida) o estadígrafo. Así por
ejemplo. Si se toman 100 de todos los posibles clientes y se les entrevista para ver si
están a favor de una marca particular de un producto, estos 100 clientes la constituyen
una muestra.. Si hay 70 clientes que prefieren dicha marca entonces la proporción
muestra será 0.70 y constituirá un estadígrafo; de igual manera si se escogen 1,000
cuentas del total de las cuentas comentes; las 1,000 observaciones conforman una
muestra y el promedio aritmético de estas cuentas un estimador.
La inferencia estadística se orienta a sacar conclusiones acerca del parámetro o

parámetros poblacionales con base en el valor de un estimador obtenido a partir de los
datos muéstrales extraídos de esa población. Para llegar a ese objetivo a través de un
proceso racional y eficaz, se aconseja que se tengan en cuenta los siguientes pasos:
 Formulación del problema. En este punto se debe especificar de manera clara

la pregunta que se debe responder y la población de datos asociada a la pregunta.
Los conceptos deben ser precisos y deben ponerse limitaciones adecuadas al
problema motivadas por el tiempo, dinero disponible y la habilidad de los
Investigadores.
Algunos conceptos como, artículo defectuoso, económico, salario, pueden variar

en cada caso y para cada problema debemos coincidir con las ideas señaladas en
el estudio.
 Diseño del experimento. Este aspecto es de gran importancia, puesto que

la recolección de datos requiere dinero y tiempo. Es siempre nuestro deseo
obtener máxima Información con el mínimo costo (dinero y tiempo) posible.
Incluir excesiva Información en la muestra es a menudo costoso y antieconómico.
Incluir poca también es poco satisfactorio. Esto implica, entre otras cosas, que
debemos determinar el tamaño de la muestra o la cantidad o tipo de datos que nos
permita resolver el problema de la manera más eficiente.
 Recolección de datos. Esta parte, por lo general, es la que exige más tiempo en

la Investigación. Esta recolección debe ajustarse a reglas estrictas ya que de los
datos esperamos extraer la Información deseada.
 Tabulación y descripción de los resultados. En esta etapa, los datos muéstrales

se exponen de manera clara y se ilustran con representaciones tabulares y
13
13
INFERENCIAL
gráficas (diagramas. histogramas, etc.); además se calculan las medidas

estadísticas apropiadas al proceso inferencial que haya sido escogido.
 Inferencia estadística y conclusiones. Este último paso constituye tal vez

la contribución más importante de la estadística al proceso inferencial. Aquí se fija
el nivel de confiabilidad para la inferencia; esto es debido a que las
conclusiones derivadas de inferencias estadísticas jamás se pueden tomar con un
100% de certeza, pero sí se les puede asociar un nivel de confiabilidad; en términos
de probabilidad denominados nivel de confianza y nivel de significancia. El
proceso Inferencial nos llevará a una conclusión estadística que servirá de orientación
a quien o quienes deban tomar la decisión (administrativa o clínica) sobre el
tema objeto de estudio.
1.8 RECOLECCIÓN DE DATOS
La noción de recolección refiere al proceso y el resultado de recolectar (reunir, recoger o

cosechar algo). Un dato, por su parte, una información que permite generar un
cierto conocimiento.
Esto quiere decir que la recolección de datos es la actividad que consiste en la

recopilación de información dentro de un cierto contexto. Tras reunir estas informaciones,
llegará el momento del procesamiento de datos, que consiste en trabajar con lo
recolectado para convertirlo en conocimiento útil.
Dentro de la recolección de datos se pueden apelar a diversas técnicas: las encuestas,

la observación, la toma de muestras y las entrevistas, entre otras, permiten realizar la
tarea. De acuerdo al tipo de datos, la persona utilizará distintos instrumentos (grabadora
de audio, cámara de fotos, etc.).
Supongamos que un periodista está realizando una investigación sobre un funcionario

gubernamental que habría participado de un acto de corrupción. Para realizar su trabajo
periodístico, inicia la recolección de datos entrevistando a otros funcionarios, políticos
opositores, policías y autoridades judiciales. Además accede a documentos que le
permiten probar el hecho. Una vez que recolecta todos los datos, los procesa y los
presenta con forma de artículo en un diario.
Los científicos también desarrollan la recolección de datos. Un antropólogo puede visitar

un pueblo indígena para observar sus costumbres, conversar con los pobladores y
tomar fotografías. Los datos recopilados luego pueden ser volcados en una investigación
académica.
La recolección de datos es muy importante ya que permite sustentar el conocimiento que

14
14
INFERENCIAL
se generará luego. De todas formas, la recolección por sí sola no garantiza la calidad del
saber producido.
1.9 ESTADISTICA PARAMETRICA (POBLACION Y MUESTREA ALEATORIA)
LA MUESTRA ALEATORIA
Una población en estadística es el conjunto de todas las observaciones en las que

estamos interesados. Se llama tamaño de la población al número de individuos que la
componen, siendo cada posible observación un individuo; así pues, las poblaciones
pueden ser finitas e infinitas.
Cada observación en una población es un valor de una variable aleatoria X con una

función de probabilidad o densidad determinada f(x) Normalmente, se denomina a las
poblaciones con el nombre de la distribución de la variable; es decir, hablaremos de
poblaciones normales, binomiales, etc.
Para estudiar una población existen dos posibilidades. Una de ellas consiste en estudiar
todos sus elementos y sacar conclusiones; la otra consiste en estudiar sólo una parte de
ellos, una muestra, elegidos de tal forma que nos digan algo sobre la totalidad de las
observaciones de la población. El mejor método ser el primero, cuando es posible, lo cual
sólo ocurre en las poblaciones finitas y razonablemente pequeñas; en el caso de
poblaciones muy grandes o infinitas será muy difícil o imposible realizar un estudio total.
En este caso necesitaremos tomar una muestra y nos surgirá el problema de cómo hacer
para que la muestra nos diga algo sobre el conjunto de la población.
La condición más obvia que se le puede pedir a una muestra es que sea representativa
de la población. Está claro que si no conocemos la población no podemos saber si la
muestra es representativa o no. La única forma de tener cierta garantía de que esto
ocurra es tomar nuestra muestra de forma que cada individuo de la población y cada
subgrupo posible de la población tengan igual probabilidad de ser elegidos. A este tipo de
muestras se les llama muestras aleatorias o muestras al azar.
Una muestra aleatoria de tamaño n es un conjunto de n individuos tomado de tal

manera que cada subconjunto de tamaño n de la población tenga la misma probabilidad
de ser elegido como muestra; es decir, si la población tiene tamaño N, cada una de las
combinaciones posibles de n elementos debe ser equiprobable.
Los sistemas de muestreo se basan normalmente en la asignación de un número a cada

uno de los individuos de la población y la posterior obtención de una muestra de n
números aleatorios que se obtendrá por sorteo utilizando bolas numeradas, ordenadores,
etc.
15
15
INFERENCIAL
Otra variante del muestreo es cuando se divide la población en n grupos, que no

correspondan con ninguna clasificación relacionada con el problema en estudio, que se
ordenan. Por sorteo se elige un elemento del primer grupo y a continuación los elementos
correspondientes de los demás grupos. Este tipo de muestra se denomina muestra al azar
sistemático.
Si la población está subdividida en grupos podemos tomar otro tipo de muestra en la que
cada grupo de la población está representado por un porcentaje de individuos igual al
porcentaje de individuos de la población integrados en ese grupo. Este tipo se llama
muestra al azar estratificado.
PARÁMETROS Y ESTADÍSTICOS
Parámetros poblacionales
Se llama parámetros poblacionales a cantidades que se obtienen a partir de las

observaciones de la variable y sus probabilidades y que determinan perfectamente la
distribución de esta, así como las características de la población, por ejemplo: La media,
μ, la varianza σ2, la proporción de determinados sucesos, P.
Los Parámetros poblacionales son números reales, constantes y únicos.
Parámetros muéstrales
Los Parámetros muéstrales son resúmenes de la información de la muestra que nos

"determinan" la estructura de la muestra.
Los Parámetros muéstrales no son constantes sino variables aleatorias pues sus valores
dependen de la estructura de la muestra que no es siempre la misma como consecuencia
del muestreo aleatorio. A estas variables se les suele llamar estadísticos.
Los estadísticos se transforman en dos tipos: estadísticos de centralidad y estadísticos de

dispersión.
Estadísticos de centralidad:
Son medidas de la tendencia central de la variable. los más conocidos son:
1) La media aritmética
Es el valor esperado de las observaciones de la muestra calculado como si la muestra

fuera una variable completa, es decir, multiplicando observaciones por frecuencias y
sumando.
16
16
INFERENCIAL
Si x1, x2,.., xn representan una muestra de tamaño n de la población, la media aritmética se

calcula como:
La media aritmética es la medida de la tendencia central que posee menor varianza.

Engloba en ella toda la información de la muestra; esto, con ser una ventaja, supone una
cierta desventaja pues los valores muy extremos, en muestras pequeñas afectan mucho a
la media.
La media de la media aritmética es igual a la de las observaciones (μ) y su varianza es

igual a la de las observaciones partidas por n. En poblaciones normales, la distribución de
la media es normal,
Si la población no es normal, pero la muestra es grande (n ≥ 30), por el teorema central

del límite la distribución de la media será asintóticamente normal.
2) La mediana
En una variable se define como el punto para el cual la función de distribución alcance el
valor 0.5; en una muestra la mediana es el valor central.
Para calcularla se ordenan las observaciones de menor a mayor. Si n es impar, la

mediana es la observación central
Si n es par, la mediana se define como la media de las dos observaciones centrales
17
17
INFERENCIAL
En resumen, podríamos decir que la mediana es el valor que es mayor o igual que el 50%
de las observaciones de la muestra y menor o igual que el otro 50%.
No tiene por qué ser igual a una de las observaciones de la muestra.
Es más fácil de calcular que la media aritmética y apenas se afecta por observaciones
extremas; sin embargo tiene mayor varianza que X y sólo toma en cuenta la información
de los valores centrales de la muestra.
3) La moda
Es el valor más frecuente.
Su cálculo es el más simple de los tres correspondientes a estadísticos de centralidad

pero la moda es el estadístico de mayor varianza.
La moda puede no existir y cuando existe no es necesariamente única. No tiene sentido

en muestras pequeñas en las que la aparición de coincidencias en los valores es con gran
frecuencia más producto del azar que de otra cosa.
La media es el estadístico de centralidad más usado cuando uno espera que la población
tenga una distribución más o menos simétrica, sin estar clasificada en grupos claramente
diferenciados.
En el caso de distribuciones muy asimétricas, con una cola muy larga, la mediana es,
normalmente, el valor de elección dado que la media suele estar desplazada respecto al
núcleo principal de observaciones de la variable. En estos casos, la mediana es el valor
que mejor expresa el punto donde se acumulan mayoritariamente las observaciones de la
variable.
En el caso de poblaciones o muestras subdivididas en grupos claramente definidos la

media y la mediana carecen, normalmente, de sentido y los valores que más claramente
reflejan el comportamiento de las observaciones de la variable son las modas.
Otros estadísticos de centralidad son los cuantiles.
Los cuan-tiles o percentiles
Un percentil X, PX, es un valor de la distribución muestral o poblacional de la variable que

es mayor o igual que el X% de las observaciones de la variable P(Y ≤ PX) = X%.
Existe un tipo especial de cuantiles llamados cuartiles.
Los cuartiles son tres valores que dividen la distribución en cuatro partes equivalentes
porcentualmente.
18
18
INFERENCIAL
 El primer cuartil es el valor que es mayor o igual que el 25% de las observaciones de la
muestra y menor o igual que el 75%.
 El segundo cuartil es la mediana.
 El tercer cuartil es mayor o igual que el 75% de las observaciones de la muestra y

menor o igual que el 25%.
Estadísticos de dispersión
Los estadísticos de dispersión son parámetros muestrales que expresan la dispersión de

los valores de la variable respecto al punto central, es decir, su posición relativa. Los más
importantes son:
El rango
Es la diferencia entre las dos observaciones extremas, la máxima menos la mínima.

Expresa cuantas unidades de diferencia podemos esperar, como máximo, entre dos
valores de la variable.
El rango estima el campo de variación de la variable.
Se afecta mucho por observaciones extremas y utiliza únicamente una pequeña parte de
la información.
La varianza
Es la desviación cuadrática media de las observaciones a la media muestral.
Su concepto es análogo al de la varianza poblacional. No obstante esta expresión de

cálculo de la varianza muestral no se utiliza mucho pues sus valores tienden a ser
menores que el de la auténtica varianza de la variable (debido a que la propia media
muestral tiene una varianza que vale un enésimo de la de las observaciones) Para
compensar esta deficiencia y obtener valores que no subestimen la varianza poblacional
(cuando estamos interesados en ella y no en la varianza muestral) utilizaremos una
expresión, esencialmente igual que la anterior salvo que el denominador está disminuido
en una unidad.
19
19
INFERENCIAL
Normalmente, estaremos interesados en saber cosas acerca de la varianza poblacional y

no de la varianza muestral. Por tanto, en adelante, cuando hablemos de varianza
muestral, salvo indicación expresa, nos referiremos a la segunda.
Es el estadístico de dispersión más usado por las propiedades de su distribución. Si la

población de la que procede la muestra es normal:
Con n-1 grados de libertad.
Además, utiliza toda la información de la muestra.
Su mayor inconveniente consiste en que se expresa en unidades cuadráticas. Por ello,

para muchos propósitos se utiliza otro estadístico de dispersión que la desviación típica.
Si no disponemos de una calculadora, el cálculo de la varianza puede ser complicado

porque, habitualmente, los valores de las desviaciones de las observaciones a la media
resultan ser números con varias cifras decimales. Por ello, se suele utilizar una ecuación
que deriva directamente de la anterior:
O, alternativamente, la equivalente a aquella de "la media de los cuadrados menos el

cuadrado de la media".
20
20
INFERENCIAL
La desviación típica
Es la raíz cuadrada positiva de la varianza y, por tanto, se expresa en las unidades de

medida de la variable.
Su concepto es análogo al de la desviación típica poblacional.
Coeficiente de variación
Es el cociente entre la desviación típica y la media aritmética muestrales y expresa la

variabilidad de la variable en tanto por uno, sin dimensiones.
Permite comparar muestras de variables de distinta naturaleza o muestras de la misma

variable en poblaciones en las que el orden de magnitud de las observaciones sea muy
diferente.
21
21
ESTADISTICA INFERENCIAL I INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIALESTADISTICA INFERENCIAL I
10.1 APLICACIONES
C=19.1 LI =94.9
95.0 99.6 101.0 103.6 105.6 110.0 116.1 120.0 125.6 140.0 148.2 150.4 155.2 158.9 165.2 170.6 176.0 180.0 190.3 195.9
95.1 99.6 101.0 103.8 105.6 110.2 116.3 120.3 125.9 140.0 148.2 150.5 155.2 159.6 165.2 170.7 178.1 181.4 191.6 195.9
95.1 99.6 101.2 103.8 105.8 110.6 116.3 120.8 125.9 140.1 148.2 150.5 155.3 159.6 165.3 170.8 178.3 181.4 191.6 196.0
97.2 99.9 101.2 103.9 106.0 110.6 116.3 123.0 126.0 140.1 148.2 150.5 155.4 159.8 165.4 171.2 178.4 182.3 191.6 196.0
97.8 100.0 101.3 104.1 106.0 110.6 116.3 123.6 126.0 141.2 148.3 151.6 155.5 159.8 165.5 171.6 178.6 184.2 191.7 196.0
98.3 100.1 101.3 104.6 106.1 110.7 116.9 123.6 126.1 141.3 148.3 152.9 155.6 159.9 165.5 171.3 178.6 184.5 191.7 196.2
98.5 100.1 101.4 104.9 106.3 110.8 118.0 123.7 128.6 141.3 148.5 152.9 155.7 160.0 165.6 172.3 178.7 184.6 192.3 196.2
98.5 100.5 101.6 105.0 106.3 110.9 118.9 123.8 128.9 141.5 148.6 153.2 155.7 161.3 165.6 172.3 178.9 184.6 192.3 196.3
98.5 100.6 101.8 105.1 106.4 111.0 118.9 124.0 130.2 141.6 148.7 154.0 155.7 161.3 165.7 172.3 178.9 185.0 192.6 197.8
99.0 100.6 101.9 105.1 106.4 114.3 118.9 124.0 130.2 141.7 148.8 154.3 155.8 161.4 165.8 174.5 179.0 186.3 193.6 199.8
99.0 100.7 101.9 105.2 106.5 114.6 119.0 124.3 130.5 141.8 149.9 154.4 155.9 161.5 165.9 175.0 179.0 186.9 193.7 199.8
99.1 100.8 102.0 105.4 106.9 114.6 119.1 124.8 130.6 143.0 149.9 154.4 158.0 161.5 170.0 175.1 179.1 188.7 193.8 199.9
99.2 100.9 102.0 105.4 108.3 115.6 119.1 124.8 130.6 143.2 149.9 155.0 158.1 164.3 170.1 175.6 179.3 188.9 193.8 199.9
99.4 100.9 102.1 105.5 108.7 115.9 119.1 125.0 130.6 144.2 149.9 155.1 158.1 164.4 170.3 175.6 179.4 188.9 194.0 200.0
22
22
99.6 100.9 103.0 105.6 109.0 115.9 119.1 125.1 130.9 145.0 150.0 155.1 158.2 164.4 170.5 175.7 179.4 188.9 194.1 200.0
L.R.I L.I L.S L.R.S F X FX D FD U FU U^2 F(U^2) (x-x)^2 F(x-x)^2 > <
lx-xl Flx-xl
-
94.85 94.9 113.9 113.95
84 104.4 8769.6 -38.23 3210.9 -2 -168 4 336 38.85 3263.79 1509.69 157611.13 300 0
113.95 114.0 133.0 133.05 51 123.5 6299.8 -19.10 -974.1 -1 -51 1 51 19.73 1006.21 389.26 48083.31 216 84
133.05 133.1 152.1 152.15 35 142.6 4991.9 0.00 0.0 0 0 0 0 0.63 22.04 0.40 13.88 165 135
152.15 152.2 171.2 171.25 60 161.7 9703.5 19.10 1146.0 1 60 1 60 18.47 1108.22 341.15 20469.19 130 170
171.25 171.3 190.3 190.35 41 180.8 7413.8 38 1566 2 82 4 164 37.57 1540.38 1411.5299 57872.73 70 230
190.35 190.4 209.4 209.45 29 199.9 5797.8 57.30 1661.7 3 87 9 261 56.67 1643.44 3211.53 93134.27 29 271
209.45 0 300
23
23
300 42976.4 57.3 188.90 10 872 8584.09 377184.51
24
24
ESTADISTICA INFERENCIAL I INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIALESTADISTICA
INFERENCIAL I INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIAL
 MEDIA
ΣFX 42976.4
METODO LARGO : X́= = =¿143.25
N 300
ΣFD 188.90
METODO CORTO : X́= A+ =142.6+ =142.6+0.63=¿ 143.23
N 300
METODO CLAVE : X́= A+C ( ΣFU

N ) =142.6+19.1 (
10
300 )
=¿ 143.24
 MEDIANA
N 300
MEDIANA : medLRI+ C
2
−ΣFI
Fmed [ ]
=133.05+19.1
2
−135
35
=¿ [
138.51
]
 MODA
Δ1 84
MODA :medLRI + C [ Δ 1+ Δ2]=94.85+19.1 [
84 +33 ]
= 94.85+ 19.1 ( 0.71 ) =¿108.56
Δ1=84−0=84 Δ 2=84−51=33
 DESVIACIÓN MEDIA
Σ F ( X− X́ ) 8584.09
DM : = =¿28.61
N 300
 DESVIACIÓN TÍPICA
S : √ ΣF ¿ ¿ ¿35.52
ΣF U 2
S :C
√ N
−¿ ¿32.56
25
25
26
26
350
300
250
200
Mayor que
Menor que
150
100
50
0
94.85 113.95 133.05 152.15 171.25 190.35 209.45
27
27

Vdocuments - MX - Unidad 1 Introduccion Ala Estadistica Inferencial

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Vdocuments - MX - Unidad 1 Introduccion Ala Estadistica Inferencial

Cargado por

Copyright:

Formatos disponibles

INSTITUTO TECNOLOGICO DE ACAPULCO

INGENIERIA EN GESTION EMPRESARIAL

1.1 Breve historia de la estadística......................................................................................4

1.2 Concepto de estadística................................................................................................7

1.3 Estadística descriptiva...................................................................................................8

1.4 Estadistica inferencial..................................................................................................10

1.5 Breve introducción a la inferencia estadística..............................................................11

1.6 Teoría de decisión en estadística................................................................................12

1.7 Componentes de una investigacion estadistica...........................................................14

1.8 Recoleccion de datos..................................................................................................17

1.9 Estadistica parametrica (poblacion y muestrea aleatoria)...........................................18

Dicho de otra forma, la finalidad de la Inferencia estadística es obtener información sobre

INTRODUCCIÓN A LA ESTADÍSTICA INFERENCIAL

1.1 BREVE HISTORIA DE LA ESTADÍSTICA

En el antiguo Israel la Biblia da referencias, en el libro de los Números, de los datos

Aunque Carlomagno, en Francia; y Guillermo el Conquistador, en Inglaterra, trataron de

Godofredo Achenwall, profesor de la Universidad de Gotinga, acuñó en 1760 la palabra

Entretanto, en el período del 1800 al 1820 se desarrollaron dos conceptos matemáticos

Los progresos más recientes en el campo de la Estadística se refieren al ulterior

1.2 CONCEPTO DE ESTADÍSTICA

La Estadística es la ciencia cuyo objetivo es reunir una información cuantitativa

La estadística, en general, es la ciencia que trata de la recopilación, organización

Otros autores tienen definiciones de la Estadística semejantes a las anteriores, y algunos

tres significados: la palabra estadística, en primer término se usa para referirse a la

1.3 ESTADÍSTICA DESCRIPTIVA

La estadística descriptiva es la rama de las Matemáticas que recolecta, presenta y

Las variables pueden ser de dos tipos:

• Variables cualitativas o categóricas: no se pueden medir numéricamente (por ejemplo:

• Variables cuantitativas: tienen valor numérico (edad, precio de un producto, ingresos

Las variables también se pueden clasificar en:

• Variables unidimensionales: sólo recogen información sobre una característica (por

• Variables bidimensionales: recogen información sobre dos características de la

• Variables pluridimensionales: recogen información sobre tres o más características (por

• Muestra: subconjunto que seleccionado de una población. Por ejemplo, si se estudia el

1.4 ESTADISTICA INFERENCIAL

El origen de la Estadística descriptiva puede relacionarse con el interés por mantener

La Estadística inferencial o Inferencia estadística estudia cómo sacar conclusiones

1.5 BREVE INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA

El principal objetivo de la Estadística es inferir o estimar características de una población

- Destrucción: la medición de cierta característica podría llevar a la destrucción del

Lo que se hace entonces es analizar la muestra y extrapolar conclusiones desde la

La Inferencia Estadística se puede clasificar en inferencia paramétrica e inferencia no

1.6 TEORÍA DE DECISIÓN EN ESTADÍSTICA

El problema de la Decisión, motivado por la existencia de ciertos estados de ambigüedad

CARACTERÍSTICAS Y FASES DEL PROCESO DE DECISIÓN

Un proceso de decisión presenta las siguientes características principales:

 Existen al menos dos posibles formas de actuar, que

 Mediante un proceso de decisión se elige una alternativa, que es la que se lleva a

 La elección de una alternativa ha de realizarse de modo que cumpla

El proceso de decisión consta de las siguientes fases fundamentales:

 Predicción de las consecuencias de cada actuación. Esta predicción deberá basarse

 Valoración de las consecuencias de acuerdo con una escala de bondad o deseabilidad.

 Elección de la alternativa mediante un criterio de decisión adecuado. Este punto lleva a

CLASIFICACIÓN DE LOS PROCESOS DE DECISIÓN

Los procesos de decisión se clasifican de acuerdo según el grado de conocimiento que se

 El ambiente es de certidumbre cuando se conoce con certeza su estado, es decir, cada

 El ambiente de riesgo cuando cada decisión puede dar lugar a una serie de

 El ambiente es de incertidumbre cuando cada decisión puede dar lugar a una serie de

 Según sea el contexto, diremos que el proceso de decisión (o la toma de decisiones)

ELEMENTOS DE UN PROBLEMA DE DECISIÓN

En todo problema de decisión pueden distinguirse una serie de elementos característicos:

 El decisor, encargado de realizar la elección de la mejor forma de actuar de acuerdo

 Las alternativas o acciones, que son las diferentes formas de actuar posibles, de entre