CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS - UNIMINUTO

FACULTAD DE CIENCIAS EMPRESARIALES

ESTADÍSTICA INFERENCIAL

ACTIVIDAD 4

ESTUDIANTES
PAULA ANDREA MONTEALEGRE URRIAGO – ID: 668866
OLGA MARCELA DIAZ VARGAS – ID: 400514
KELLY ROCÍO SUÁREZ ROJAS – ID: 634361
JOAN SAID VALLEJO – ID: 572407

DOCENTE
DAVID FERNANDO MENDEZ VARGAS

TEMA
ANALISIS DE SITUACION PROBLEMICA APLICADA A LA ADMINISTRACION

Neiva Huila- 2022

1. Identificación
1. IDENTIFICACION DE UNA PROBLEMÁTICA.

En la población más joven del barrio Santa Inés que quiere tener acceso a la educación en
los últimos años encontramos que se han visto afectados por la crisis económica del país y
mundial, la economía los hogares se ven afectadas y con falta de dinero para ayudar a sus
hijos a poder ingresar a la educación superior. Por esta razón los préstamos bancarios se
han convertido en una ayuda para cada una de estas familias que se han visto afectadas en
sus ingresos, ya que el dinero otorgado por las diferentes entidades bancarias es invertido
en la educación superior de sus hijos o es utilizado para la consecución de una maestría o
doctorado. Por lo que mediante en la realización de esta problemática pienso analizar la
población que se beneficiara o a quienes estén interesados en adquirir uno de estos
productos bancarios ya que conocerán sus ventajas y desventajas.
2. RECOLECCION DE INFORMACION MUESTRA DE LA POBLACION

Se las realizará encuestas a las familias del barrio Santa Inés para conocer cuáles
son las expectativas que tienen al adquirir un crédito estudiantil, saber si desean
aceptarlo o declinan esta opción. Para la construcción de dicha muestra se
consideró el siguiente procedimiento:

 Identificación y selección de los encuestadores.

 Acompañamiento de asesores bancarios para fácil respuesta de los clientes.
 Redacción de preguntas.
 3. DISTRIBUCIONES DE MUESTREO

Distribución normal: Esta distribución es frecuentemente utilizada en las aplicaciones

estadísticas. Su propio nombre indica su extendida utilización, justificada por la frecuencia
o normalidad con la que ciertos fenómenos tienden a parecerse en su comportamiento a esta
distribución. Muchas variables aleatorias continuas presentan una función de densidad cuya
gráfica tiene forma de campana. En otras ocasiones, al considerar distribuciones
binomiales, tipo B(n,p), para un mismo valor de p y valores de n cada vez mayores, se ve
que sus polígonos de frecuencias se aproximan a una curva en "forma de campana". En
resumen, la importancia de la distribución normal se debe principalmente a que hay muchas
variables asociadas a fenómenos naturales que siguen el modelo de la normal.
Los préstamos de dinero que se solicitaran por la comunidad del barrio Santa Inés a las
entidades bancarias van a tener como objeto la educación superior tendrán una distribución
normal, y el objeto es determinar cuántas familias podrán adquirir dichos créditos
estudiantiles y cuantas no podrán hacer uso de él.
 4. TIPO DE MUESTRA SELECCIONADA

El tipo de muestra que se ha seleccionado pertenece al barrio Santa Inés no superior a 2.000
personas, por ende, considero que esta muestra es de tamaño pequeño y el tipo de muestreo
seleccionado es el estratificado ya que consiste en dividir la población en estratos y en este
caso lo podremos dividir en ingresos por familia. como parte del proceso de matrículas para
el siguiente semestre, la administración de UNIMINUTO debe calcular la cantidad de
salones que se necesitaran para las clases de los sábados. El semestre anterior, la institución
debió subarrendar salones en otras instituciones, de modo que el área encargada esta
reciente a solicitar nuevamente otros lugares para cubrir dicha necesidad. Sin embargo, el
administrador considera que el uso de los datos registrados sobre las admisiones en los
últimos semestres le ayudara a calcular el número de salones adecuado para solventarla
necesidad de la facultad. Con los datos que tiene a su disposición y los métodos en, las
unidades trabajadas, ¿Cómo podría ayudar al administrador de la UNIMINUTO a proyectar
la cantidad de salones?
5. 6- Elija un estadístico
como estimador de un
parámetro poblacional
teniendo en cuenta el
6. problema de
investigación y sus
características.
7. 6- Elija un estadístico
como estimador de un
parámetro poblacional
teniendo en cuenta el
8. problema de
investigación y sus
características.
6- ELIJA UN ESTADÍSTICO COMO ESTIMADOR DE UN PARÁMETRO
POBLACIONAL TENIENDO EN CUENTA EL PROBLEMA DE
INVESTIGACIÓN Y SUS CARACTERÍSTICAS.
 Consistencia. Un estimador es consistente si aproxima el valor del parámetro cuanto mayor es n
(tamaño de la muestra).
Algunos estimadores consistentes son:

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los siguientes resultados:

vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el mismo valor que la
Media de la población.
 7- USEN EL TEOREMA DEL LÍMITE CENTRAL PARA DETERMINAR SI LA

ESTIMACIÓN SE DEBE REALIZAR CON UN PROCESO PARA MUESTRAS

GRANDES O PEQUEÑAS.

El teorema del límite central es un teorema fundamental de probabilidad y estadística. El teorema

describe la distribución de la media de una muestra aleatoria proveniente de una población con
varianza finita. Cuando el tamaño de la muestra es lo suficientemente grande, la distribución de las
medias sigue aproximadamente una distribución normal. El teorema se aplica independientemente
de la forma de la distribución de la población. Muchos procedimientos estadísticos comunes
requieren que los datos sean aproximadamente normales. El teorema de límite central le permite
aplicar estos procedimientos útiles a poblaciones que son considerablemente no normales. El
tamaño que debe tener la muestra depende de la forma de la distribución original. Si la distribución
de la población es simétrica, un tamaño de muestra de 5 podría producir una aproximación
adecuada. Si la distribución de la población es considerablemente asimétrica, es necesario un
tamaño de muestra más grande. Por ejemplo, la distribución de la media puede ser
aproximadamente normal si el tamaño de la muestra es mayor que 50. Las siguientes gráficas
muestran ejemplos de cómo la distribución afecta el tamaño de la muestra que se necesita.

Distribución uniforme

Medias de las muestras

 Muestras de una población uniforme

Una población que sigue una distribución uniforme es simétrica, pero marcadamente no normal,
como lo demuestra el primer histograma. Sin embargo, la distribución de las medias de 1000
muestras de tamaño 5 de esta población es aproximadamente normal debido al teorema del límite
central, como lo demuestra el segundo histograma. Este histograma de las medias de las muestras
incluye una curva normal superpuesta para ilustrar esta normalidad.

Distribución exponencial

Medias de las muestras

Muestras de una población exponencial

Una población que sigue una distribución exponencial es asimétrica y no normal, como lo
demuestra el primer histograma. Sin embargo, la distribución de las medias de 1000 muestras de
tamaño 50 de esta población es aproximadamente normal debido al teorema del límite central, como
lo demuestra el segundo histograma. Este histograma de las medias de las muestras incluye una
curva normal superpuesta para ilustrar esta normalidad.
 8- TENIENDO EN CUENTA LA ESTIMACIÓN REALIZADA, IDENTIFIQUEN

LOS LIMITES DE CONFIANZA PARA UNA DISTRIBUCIÓN NORMAL

En estadística y probabilidad, una distribución normal, también llamada distribución de Gauss,

distribución gaussiana o distribución de Laplace-Gauss, es la más importante de todas las
distribuciones de probabilidad de variable continúa es la que aparece con más frecuencia en
estadística y en la teoría de probabilidades. Pero ¿qué es exactamente?
Pues es un modelo teórico que sirve para aproximar satisfactoriamente el valor de una variable
aleatoria continua a una situación ideal. ¡Te lo explicamos mejor! La distribución normal adapta una
variable aleatoria continua a una función que depende de la media y la desviación típica. Es decir, la
función y la variable aleatoria continua tendrán la misma representación, pero con ligeras
diferencias.
¿Te suena el concepto de campana de Gauss? Se llama así a la gráfica de su función de densidad por
tener una forma acampanada y es el gráfico de una función gaussiana. Es simétrica respecto a un
determinado parámetro estadístico.
¿Y por qué esta distribución es tan importante? Porque con ella podemos modelar una gran cantidad
de fenómenos naturales, sociales y psicológicos. Normalmente, se desconocen los mecanismos de la
mayoría de este tipo de fenómenos por su enorme cantidad de variables incontrolables. Sin
embargo, el uso del modelo normal puede justificarse asumiendo que cada observación se obtiene
como la suma de unas pocas causas independientes.
La importancia de la distribución normal también radica en su relación con la estimación por
mínimos cuadrados, uno de los métodos de estimación más simples y antiguos.
Aquí tienes algunos ejemplos de variables asociadas a fenómenos naturales que siguen el modelo de
la distribución normal:
• caracteres morfológicos de individuos como la estatura;

• caracteres fisiológicos como el efecto de un fármaco;

• caracteres sociológicos como el consumo de cierto producto por un mismo grupo de

individuos;

• caracteres psicológicos como el cociente intelectual;

• nivel de ruido en telecomunicaciones;

• errores cometidos al medir ciertas magnitudes;

Historia de la distribución normal

El matemático francés Abraham de Moivre (1667-1754) fue el que descubrió y presentó la

distribución normal por primera vez en un artículo del año 1733, que también aparece en la segunda
edición de su The Doctrine of Chances, en relación a la aproximación de la distribución binomial
para grandes valores de n.
Su descubrimiento fue desarrollado posteriormente por Laplace en su libro Teoría analítica de las
probabilidades (1812), y en la actualidad se llama Teorema de De Moivre-Laplace. Laplace se
sirvió de la distribución normal para analizar los errores de experimentos.
Entonces, ¿por qué se ha asociado el nombre de Gauss a esta distribución? Este matemático,
astrónomo y físico alemán la usó con mucha frecuencia cuando analizaba datos astronómicos y
algunos autores le atribuyen un descubrimiento independiente del de De Moivre.
Por otra parte, el nombre de «campana» proviene del matemático francés Esprit Jouffret que empleó
el término bell surface (superficie campana) por primera vez en 1872 para una distribución normal
bivariante de componentes independientes.
Los que le atribuyeron el nombre de «distribución normal» fueron los científicos Charles S.

Peirce, Francis Galton y Wilhelm Lexis hacia 1875.

Definiciones de conceptos relacionados

A continuación, te indicamos los significados de algunos conceptos relacionados con la distribución

normal:
• Media. Número que resulta al efectuar una serie determinada de operaciones con un

conjunto de números y que, en determinadas condiciones, puede representar por sí solo a

todo el conjunto.

• Moda. Valor que aparece con mayor frecuencia en una serie de medidas.

• Mediana. Número central de un grupo de números ordenados por tamaño.

• Desviación típica. Medida que se utiliza para cuantificar la variación o la dispersión de un

conjunto de datos numéricos.

• Varianza. Media de las desviaciones cuadráticas de una variable aleatoria, referidas al

valor medio de esta.

• Variable aleatoria. Función que asigna un valor, usualmente numérico, al resultado de un

experimento aleatorio.
 Fórmula de la distribución normal

Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede
aproximarse satisfactoriamente a una distribución normal tal que: X ~ N (μ, σ), donde los
parámetros de la distribución son la media o valor central (μ) y la desviación típica (σ).
En otras palabras, la frecuencia de una variable aleatoria X puede representarse mediante una
distribución normal.
Propiedades de la distribución normal

Estas son algunas de las propiedades más importantes de la distribución normal:

Es una distribución simétrica, por lo que el valor de la media, la mediana y la moda son iguales.
Es una distribución unimodal, por lo que los valores más cercanos a la media son los más frecuentes
o los que tienen más probabilidad de aparecer. Es decir, cuanto más nos alejamos de la media,
menos probabilidad habrá de que aparezcan los valores.
La forma de la campana de Gauss depende de los parámetros μ y σ. Por una parte, la media indica
la posición de la campana, de modo que la gráfica se desplaza a lo largo del eje horizontal según los
diferentes valores de μ.
Por otra parte, la desviación estándar determina el grado de apuntamiento de la curva. Así, cuanto
mayor sea el valor de σ, más se espaciarán los datos en torno a la media y más plana será la curva.
Por consiguiente, si obtenemos un valor pequeño de este parámetro, hay una gran probabilidad de
obtener datos cercanos al valor medio de la distribución.
 REFERENCIAS

https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/
distribucionnormal/ www.uv.es/webgid/Inferencial. (s.f.). uv.es.

https://www.matematicasonline.es/BachilleratoCCSS/segundo/archivos/distribucion_normal/
DISTRIBUCION%20NORMAL.htm

Superprof. (s.f.). https://www.superprof.es/. Obtenido de https://www.superprof.es