Especialización en

Métodos Estadísticos
(EME)

CURSO PROPEDÉUTICO
ESTADÍSTICA BÁSICA

Enrique Rosales Ronzón, Patricia Díaz

Gaspar, mayo 2015
 Estadística ???

• Ciencia, Técnica, Arte… Reunir, Organizar, presentar, analizar e

interpretar datos con el fin de obtener determinados resultados que
dan pauta a ciertas conclusiones para posteriormente determinar
decisiones.

2
Población

Muestra

3
 La variable es la
La unidad de análisis es característica,
el elemento del cual se propiedad o atributo
predica una propiedad y que se predica de la
característica unidad de análisis

La categoría es cada
una de las posibles
variaciones de una
variable

4
 Total de sujetos,
Población amínales, objetos,
plantas, etc., con
características similares
para su estudio.

Subconjunto de la
población que se
selecciona
Muestra
aleatoriamente para su
respectivo análisis.

Parámetro Unidad de medida

desconocida de la
población

Estadísticos Unidad de medida de

la muestra y se
utiliza para realizar
inferencias acerca
de la población

5
Formulación del Problema
Hipótesis, objetivos, alcance población

Diseño de Experimento
Seleccionar técnica -mínimo costo y tiempo
Tamaño de muestra, Solución

Recolección de Datos
Calidad de obtención

Proceso de Datos y su descripción

Tablas de estadísticas
Gráficas

Inferencia Estadística Y Conclusiones

Definición confianza y significancia
Toma de decisiones
Sugerencias

6
Estadística univariada (estudia una sola
variable), bivariada (estudia la relación entre
dos variables), y multivariada (estudia tres o Descriptiva
más variables). Describir la
muestra

Estadística

Infiere
Inferencial conclusiones a
La diferencia radica en que la estadística partir de los datos
descriptiva procede a resumir y organizar que describen la
esos datos para facilitar su análisis e
interpretación, y la estadística inferencial
muestra
procede a formular estimaciones y probar
hipótesis acerca de la población a partir de
esos datos resumidos y obtenidos de la 7
muestra.
 Variables

Cuantitativas Cualitativas

Discretas Continuas Nominales Ordinales

8
 NIVEL DE NIVEL NOMINAL NIVEL ORDINAL NIVEL NIVEL
MEDICIÓN CUANTITATIVO CUANTITATIVO
DISCRETO CONTINUO

DATO

UNIDAD DE
ANÁLISIS
VARIABLE

CATEGORÍA O
VALOR

9
 Independiente

Variable

Dependiente

10
Un repaso…

11
• Estadística
• Población y Muestra
• Parámetro y Estadístico
• Unidad de Análisis, Variable y Categoría
• Proceso de investigación
• Estadística Descriptiva e inferencial
• Estadística uni, bi y multivariada
• Variable nominal, ordinal, discreta y continua

12
 Estadística Descriptiva

Análisis Bivariado

Cajas y alambres Chi-chuadrado Regresión

13
 Prueba chi-cuadrada

 Fundamentalmente se pretende estudiar la dependencia y/o

independencia entre dos variables cualitativa.

 Pretende determinar si existe una relación entre dos variables

 No indica el grado o tipo de relación entre las variables.

14
Regresión Lineal Simple

15
Conceptos Básicos de Probabilidad

Conjunto: es una colección de

objetos bien definida que tiene
algo en común

Elemento: Son los objetos

comprendidos en un conjunto

Notación básica
A = { 0, 2, 4, 6, 8}
Conjunto de números dígitos
pares

16
Conceptos Básicos de Probabilidad

Número Finito

A = {Domingo, Lunes, Martes, Miércoles, Jueves, sábado}

Infinito Numerable

B = {1, 3, 5, 7, 9, 11,…..}

Infinito no Numerable

C={x|0≤x≥1}

Método de Extensión Método de Comprensión

A = {0, 1, 2, 3, 4, ….} A = {X | x es un número dígito }

17
Conceptos Básicos de Probabilidad

Subconjuntos:

Sean A y B dos conjuntos. Si todo elemento de A es también elemento de B,

diremos que A es subconjunto de B. Simbólicamente se escribe A B

Dos conjuntos A y B son iguales (A=B) si y solo si A ByB A

El conjunto Vacío es aquel que no tiene elementos y se representa por φ

El conjunto vacio es un subconjunto del cualquier otro conjunto

18
Diagramas de Venn

A B

19
Operaciones con conjuntos

 Unión

 Intersección

 Conjuntos mutuamente excluyentes

 Complemento

 Diferencia

20
Probabilidad de Eventos

21
Propiedades de la Definición
Clásica de Probabilidad

a) P(S) = 1
b) P(O)= 0
c) 0 ≤ P(A) ≤ 1
d) P (AUB) = P(A) + P(B) sí AB = O
e) P(AUB) =P(A) + P(B) – P(AB)
f) SI A ‹ B, P(A) ≤ P(B)
g) P (ABC) = P(A) – P(AB)

22
 Variable Aleatoria

Experimento aleatorio Espacio Muestral

Variable Aleatoria:
Una Variable Aleatoria (VA) es
una función en la que a cada
resultado posible de un
experimento aleatorio le
asocia un número real

23
Distribución de Probabilidad de
una Variable…

24
Representación gráfica…

25
Dos medidas

26
Distribución Normal

 Fue desarrollada por Jakob Bernoulli (Suiza, 1654-1705)

 es la principal distribución de probabilidad discreta
 Algunos experimentos consisten en la observación de una serie de
pruebas idénticas e independientes, las cuales pueden generar uno de
dos resultados posibles, los cuales por conveniencia se denotan como
éxito (e) o fracaso (f).
 ensayo Bernoulli
 Un evento A relacionado con el experimento podría ser considerado
como éxito y su complemento como fracaso.

27
Características de la Distribución
Binomial
El experimento consta de n pruebas idénticas e independientes
(llamados ensayos de Bernoulli).

Cada prueba tiene dos resultados posibles. A uno de ellos se le llama

éxito y al otro fracaso.

La probabilidad de tener éxito en una sola prueba es igual a p y

permanece constante de prueba en prueba. La probabilidad de un
fracaso es igual a 1-p .

La variable aleatoria bajo estudio es X, que representa el número de

éxitos observados en las n pruebas.

28
Si repetidas pruebas idénticas e independientes pueden resultar en un
éxito con una probabilidad y en un fracaso con una probabilidad de ,
entonces la distribución de probabilidad de la variable aleatoria X, que
representa el número de éxitos observados en las n pruebas, está dada
por:
 n  x n x
bx, n, p     p q , x  0,1,, n
 x
Los parámetros de la distribución son n y p.

29
Media y varianza de la
distribución binomial

La media y la varianza de la distribución binomial bx, n, p están

dadas por:

  E X   np   Var  X   npq
2

Ejemplos…

30
Distribución Normal

 Fue reconocida por primera vez por el francés Abraham de Moivre (1667-
1754)
 Carl Friedrich Gauss (1777-1855) elaboró desarrollos más profundos y
formuló la ecuación de la curva; de ahí que también se le conozca, más
comúnmente, como la "campana de Gauss“
 La distribución de una variable normal está completamente determinada
por dos parámetros, su media y su desviación estándar
 La distribución continua de probabilidad más importante de toda la
estadística es la distribución de probabilidad normal.
 Es de vital importancia para la estadística debido a que existe un número
elevado de variables cuya distribución se parece o se aproxima a una
curva normal, sobre todo, variables de poblaciones relativamente
homogéneas
 La curva normal es la representación gráfica de la distribución normal, que
es una distribución con mayor densidad en el centro de la distribución la
que luego disminuye gradual y simétricamente

31
Modelo teórico de la curva
normal

32
Distribución Normal

 Las curvas normales varían entre sí con respecto a su media

y/o a la desviación estándar . La media determina la posición
de la curva sobre el eje de las abscisas y la desviación
estándar determina la variabilidad de los datos alrededor de la
media

La notación que usaremos para

identificar a una variable normal
X cualquiera es, X~N (µ, σ2).

33
Propiedades de la
Distribución Normal
Si X~N (µ, σ2), entonces:

 La distribución es simétrica alrededor de la media.

 Los valores correspondientes a la media, mediana y moda son
iguales y constituyen el punto central o de equilibrio de la
distribución.
 La distancia horizontal entre la línea vertical erigida sobre la media
µ y el punto de inflexión de la curva es la desviación estándar σ de
la distribución.
 El área total bajo la curva es igual a uno.

34
Distribución normal estándar

35
 Propiedades…

 La media de los valores z es igual a cero.

 La varianza y consecuentemente la desviación estándar de los valores

z es igual a uno.

Nota!
La distribución de probabilidad normal asociada al valor de Z recibe el
nombre de distribución normal estándar

Ejemplos…

36
Aproximación de la distribución
normal a la binomial

Las probabilidades que se asocian con experimentos binomiales pueden

obtenerse fácilmente cuando n es pequeña, de la formula b(x, n, p) de la
distribución binomial. Si n es grande, resulta conveniente calcular las
probabilidades binomiales por procedimientos de aproximación a una
distribución discreta cuando esta última tiende a comportarse de manera
simétrica. Así, para utilizar áreas bajo la curva normal para aproximar
propiedades binomiales cuando n es suficientemente grande se tiene el
siguiente hecho:

37
Aproximación de la distribución
normal a la binomial

38
Teorema central de límite

39
Inferencia

Estimación

Puntual Intervalo
Inferencia

Prueba de
Hipótesis

40
Estimación puntual

41
 Propiedades deseables de los
estimadores puntuales

 Estimador insesgado

 Estimador consistente

 Estimador eficiente

 Estimador suficiente

42
Estimación por intervalo

43
44
Prueba de Hipótesis

La prueba de hipótesis comienza con una suposición, denominada

hipótesis, que hacemos en torno a un parámetro de la población.

Posteriormente se reúnen los datos muéstrales, se calculan las estadísticas

de la muestra y en base a estos valores, con cierto grado de probabilidad,
decidimos que el parámetro supuesto de la población sea razonablemente el
aproximado.

45
Prueba de Hipótesis

No podemos "aceptar" ni rechazar una hipótesis

referente a un parámetro de la población por
mera intuición. Por el contrario, necesitamos
aprender a decidir con objetividad, basándonos
en la información de la muestra.

46
Prueba de Hipótesis

 ¿Cuál es el valor de la estadística en este procedimiento de prueba de

hipótesis?

 ¿Cómo se decide si una muestra no concuerda con la hipótesis del

investigador?

 ¿Cuándo debe rechazarse la hipótesis, cuándo debe aceptarse y cuándo

no debe emitirse la decisión?

 ¿Cuál es la probabilidad de tomar una decisión equivocada y en

consecuencia sufrir una perdida?, y en particular, ¿qué función de las
mediciones muéstrales debe utilizarse para tomar una decisión

47
Elementos de una prueba
de hipótesis estadística
1. Hipótesis nula H0.- Es la hipótesis por probar. Generalmente es una
aseveración en el sentido de que un parámetro poblacional tiene un valor
específico. Esta hipótesis nula recibe tal nombre debido a que es el "punto de
partida" de la investigación. Comúnmente se utiliza en su interpretación la frase
"no existe diferencia significativa para rechazar H0".

2. Hipótesis alterna H1.- Es la hipótesis sobre la cual se enfoca la atención, es

una aseveración sobre el mismo parámetro poblacional que se utiliza en la
hipótesis nula. Generalmente se especifica que el parámetro poblacional tiene un
valor diferente de alguna manera, al establecido en la hipótesis nula. El rechazo
de la hipótesis nula implicará la "aceptación" de la hipótesis alterna.

3. Estadístico de prueba.- Variable aleatoria utilizada para tomar la decisión "no

se rechaza H0" o bien "se rechaza H0".

4. Región de rechazo.-Conjunto de valores de la estadística de prueba que

causan el rechazo de la hipótesis nula.

48
4.3 Prueba de hipótesis bilaterales y unilaterales

Si se plantea la hipótesis nula de la forma  ˆ , donde  es el

parámetro de interés y  es el valor que se supone tiene el parámetro,
entonces la hipótesis alterna puede plantearse de acuerdo a alguna de las
tres opciones siguientes:

H1   ˆ
H2   ˆ
H3   ˆ

49