INSTITUTO DE ESTUDIOS SUPERIORES EMPRENDEDORES “ALFRED NOBEL” · CLAVE:

20MSU0074U

ANTOLOGÍA: ESTADISTICA II

ING. OFMARA ESPINOSA RUIZ

ASESOR

ENERO 2022
 Contenido
TEMA I PROBABILIDAD CONJUNTA .............................................................................................................. 4
1.1 DEFINICIÓN DE PROBABILIDAD CONJUNTA .................................................................................... 4
1.2 EVENTOS MUTUAMENTE EXCLUYENTES ........................................................................................ 4
1.3 REGLA DE LA ADICIÓN....................................................................................................................... 5
1.4 PARA EVENTOS MUTUAMENTE EXCLUYENTES ............................................................................. 6
1.5 PARA EVENTOS NO EXCLUYENTES ENTRE SI................................................................................ 6
1.6 EVENTOS INDEPENDIENTES............................................................................................................. 7
1.7 REGLA DE LA MULTIPLICACIÓN........................................................................................................ 8
1.8 PARA EVENTOS INDEPENDIENTES .................................................................................................. 8
1.9 PARA EVENTOS DEPENDIENTES ..................................................................................................... 9
1.10 PROBABILIDAD CONDICIONAL ........................................................................................................ 10
1.11 DEFINICIÓN DE PROBABILIDAD CONDICIONAL............................................................................. 10
1.12 TEOREMA DE BAYES ....................................................................................................................... 10
TEMA II DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIA DISCRETAS ...................... 12
2.1 DISTRIBUCIÓN DEPROBABILIDAD DE UNA VARIABLE ALEATORIA ............................................. 13
2.2 VARIABLE ALEATORIA DISCRETA .................................................................................................. 13
2.3 REPRESENTACIÓN DE UNA DISTRIBUCIÓN DE PROBABILIDAD ................................................. 13
2.4 DISTRIBUCIÓN DE PROBABILIDAD TABULAR ................................................................................ 14
2.5 DISTRIBBUCIÓN DE PROBABILIDAD GRÁFICA .............................................................................. 15
2.6 FUNCIÓN DE PROBABILIDAD .......................................................................................................... 16
2.7 MEDIA Y DESVIACIÓN ESTÁNDAR .................................................................................................. 16
2.8 DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL ............................................................................... 17
2.9 EXPERIMENTO DE PROBABILIDAD BINOMIAL ............................................................................... 17
2.10 FUNCIÓN DE PROBABILIDAD BINOMIAL......................................................................................... 18
2.11 MEDIA Y DESVIACIÓN ESTÁNDAR .................................................................................................. 18
TEMA III. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS ................. 19
3.1 DISTRIBUCIÓN DE PROBABILIDAD CON VARIABLES ALEATORIAS CONTINUAS ............................. 19
3.2 DISTRIBUCIÓN DE PROBABILIDAD NORMAL ....................................................................................... 20
3.3 VARIABLE ALEATORIA CONTINUA ........................................................................................................ 20
3.4 PROPIEDADES DE LAS DISTRIBUCIONES DE PROBABILIDAD CONTINUAS ..................................... 21
3.5 CARACTERÍSTICAS DE LA CURVA NORMAL ........................................................................................ 21
3.6 ÁREA BAJO LA CRUVA DE UNA DISTRIBUCIÓN NORMAL .................................................................. 22
3.7 DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTANDARIZADA ........................................................ 22
3.8 PROPIEDADES DE LA DISTRIBUCIÓN NORMAL ESTANDARIZADA .................................................... 23
TEMA IV DISEÑO ESTADÍSTICO DE EXPERIMENTOS ............................................................................... 23
4.1 REPRESENTACIÓN DE DATOS DE DOS VARIABLES..................................................................... 23
4.2 TABLA DE CONTINGENCIAS ............................................................................................................ 24
4.3 DIAGRAMA DE DISPERSIÓN ............................................................................................................ 25
4.4 CORRELACIÓN LINEAL .................................................................................................................... 25
4.5 DIAGRAMA DE DISPERSIÓN Y ANÁLISIS DE CORRELACIÓN ....................................................... 25
4.6 COEFICIENTE DE CORRELACIÓN ................................................................................................... 26
4.7 REGRESIÓN LINEAL ......................................................................................................................... 27
4.8 MÉTODO DE MÍNIMOS CUADRADOS .............................................................................................. 28
TEMA V DISEÑO ESTADÍSTICO DE EXPERIMENTOS ................................................................................ 29
5.1 DISEÑO COMPLETAMENTE AL AZAR ............................................................................................. 29
5.2 DISEÑO DE BLOQUES AL AZAR ...................................................................................................... 29
5.3 DISEÑO DE CUADRO LATINO .......................................................................................................... 30
5.4 DISEÑO DE PARCELAS DIVIDIDAS.................................................................................................. 30
5.5 DISEÑO FACTORIAL CON ASIGNACIÓN AL AZAR ......................................................................... 31
BIBLIOGRAFÍA .......................................................................................................................................... 33
TEMA I PROBABILIDAD CONJUNTA

1.1 DEFINICIÓN DE PROBABILIDAD CONJUNTA

Una distribución conjunta es la distribución de probabilidad de la intersección

de las realizaciones de dos o más variables aleatorias cualesquiera.
La probabilidad de que los eventos A y B sucedan al mismo tiempo, se expresa
como P(A&B). Para eventos A y B independientes, P(A&B)=P(A)P(B)*P(A&B);
también se conoce como la probabilidad de la intersección de los eventos A y
B, según la descripción del diagrama de Venn.

1.2 EVENTOS MUTUAMENTE EXCLUYENTES

Dos o más eventos son mutuamente excluyentes o disjuntos, si no pueden

ocurrir simultáneamente, es decir, la ocurrencia de un evento impide
automáticamente la ocurrencia del otro evento.

Por ejemplo:

Lanzar una moneda

Lanzar un dado

Si bien suelen usarse en teorías científicas, también son parte de las leyes
4
y los negocios. Como resultado, entender los eventos mutuamente
excluyentes puede ser importante para una variedad de disciplinas.

La fórmula matemática para determinar la probabilidad de los eventos

mutuamente excluyentes es P(A U B) = P(A) + P(B). Dicho en voz alta, la
fórmula es "Si A y B son eventos mutuamente excluyentes, entonces la
probabilidad de que A o B suceda es equivalente a la probabilidad del evento
A más la probabilidad del evento B".

1.3 REGLA DE LA ADICIÓN

También llamada regla de la suma establece que la probabilidad de

ocurrencia de cualquier evento en particular es igual a la suma de las
probabilidades individua- les, si es que los eventos son mutuamente
excluyentes, es decir, que dos no pueden ocurrir al mismo tiempo. P(A o B)

Ejemplo: en una muestra de 500 estudiantes, 320 dijeron tener un estéreo,

17 dijeron tener una TV y 100 dijeron tener ambos. Si un estudiante es
seleccionado aleatoriamente, ¿cuál es la probabilidad qué tenga solo un
estéreo, solo una TV y uno de cada uno?

P(S)= 320/500= .64

P(T)= 175/500= .35
P(SyT)= 100/500= .20
P(SyT)= P(S) + P(T)- PSyT) = .64 + .35 - .20= .79

5
 1.4 PARA EVENTOS MUTUAMENTE EXCLUYENTES

Si A y B son mutuamente excluyentes, es decir, si la ocurrencia de cualquiera

de ellos excluye al otro, no pueden ocurrir a la vez, o cuando no tienen ningún
punto muestral en común.

(A∩B= 0)

1.5 PARA EVENTOS NO EXCLUYENTES ENTRE SI

De modo que ocurra A o bien B o ambos a la vez al mismo tiempo, se aplica la

regla:

P(AoB)= P(A)+P(B) – P(AyB)

P(AUB)= P(A)+P(B)- P(A∩B)

6
 1.6 EVENTOS INDEPENDIENTES

Si la ocurrencia de un evento no tiene efecto en la probabilidad de otro evento, los

dos eventos son eventos independientes.

Ejemplo:

Una caja contiene 4 canicas rojas, 3 canicas verdes y 2 canicas azules. Una
canica es eliminada de la caja y luego reemplazada. Otra canica se saca de la
7
caja. ¿Cuál es la probabilidad de que la primera canica sea azul y la segunda
canica sea verde?

Ya que la primera canica es reemplazada, el tamaño del espacio muestral (9) no

cambia de la primera sacada a la segunda así los eventos son independientes.

P (azul luego verde) = P (azul) · P (verde)

1.7 REGLA DE LA MULTIPLICACIÓN

La regla de la multiplicación o regla del producto, permite encontrar la probabilidad

de que ocurra el evento A y el evento B al mismo tiempo (probabilidad conjunta).
Esta regla depende de si los eventos son dependientes o independientes.

1.8 PARA EVENTOS INDEPENDIENTES

Dos eventos A y B son independientes, si la ocurrencia de uno de ellos no afecta

la ocurrencia del otro, es decir, cuando los eventos A y B no están relacionados.
Para eventos independientes, la regla de la multiplicación establece que:

Esto se debe, a que, en los eventos independientes, la ocurrencia de un evento,

no afecta a la ocurrencia del otro:

8
Ejemplo
En un colegio, la probabilidad de que un alumno seleccionado al azar hable inglés
es de 0,20; mientras que la probabilidad de que un alumno juegue fútbol es de
0,80.

El hecho de que un alumno hable inglés, no afecta en nada que juegue fútbol; por
lo tanto, se trata de eventos independientes.

• Evento A: que el alumno hable inglés. P(A) = 0,20.

• Evento B: que el alumno juegue fútbol. P(B) = 0,80.

Usamos la regla de la multiplicación para eventos independientes:

1.9 PARA EVENTOS DEPENDIENTES

Dos eventos A y B son dependientes, si la ocurrencia de uno de ellos afecta la

ocurrencia del otro. Para eventos dependientes, la regla de la multiplicación
establece que:

Ejemplo:
Una caja contiene 2 canicas azules y 3 rojas. Si se extraen dos canicas al azar
sin reposición, ¿cuál es la probabilidad de que las dos sean azules?

Solución:
Dado que las canicas serán extraídas de la misma caja, y que las canicas que se
extraigan, no serán devueltas a la caja (no hay reposición), entonces, se trata de
eventos dependientes.

9
 • Evento A: obtener una canica azul en la primera extracción.
• Evento B: obtener una canica azul en la segunda extracción.
Por la regla de la multiplicación, sabemos que:

1.10 PROBABILIDAD CONDICIONAL

1.11 DEFINICIÓN DE PROBABILIDAD CONDICIONAL

Como la probabilidad está ligada a nuestra ignorancia sobre los resultados de la

experiencia, el hecho de que ocurra un suceso, puede cambiar la probabilidad de
los demás. El proceso de realizar la historia clínica, explorar y realizar pruebas
complementarias ilustra este principio.

La probabilidad de que ocurra el suceso A si ha ocurrido el suceso B se denomina

probabilidad condicionada y se define

Esta definición es consistente, es decir cumple los axiomas de probabilidad.

Cuando ocurre un suceso cambia el espacio muestral, por eso cambia la

probabilidad. A veces es más fácil calcular la probabilidad condicionada teniendo
en cuenta este cambio de espacio muestral.

1.12 TEOREMA DE BAYES

El teorema de Bayes da la probabilidad de un evento basado en la información

que está o puede estar relacionada con ese evento.

La fórmula se puede usar para ver cómo la probabilidad de que ocurra un evento
se ve afectada por nueva información, suponiendo que la nueva información sea
verdadera.

10
El teorema de Bayes es utilizado para calcular la probabilidad de un suceso,
teniendo información de antemano sobre ese suceso.

11
TEMA II DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIA
DISCRETAS

Las distribuciones de probabilidad son distribuciones de probabilidad continuas o

discretas, dependiendo de si definen par probabilidad para variables continuas o
discretas.

Se denomina distribución de variación de variable discreta a aquella cuya función

de probabilidad sólo toma valores positivos en un conjunto de valores X finito o
infinito.

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de

una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero. Por lo
tanto, una distribución de probabilidad discreta suele representarse en forma
tabular.

12
2.1 DISTRIBUCIÓN DEPROBABILIDAD DE UNA VARIABLE ALEATORIA

Toda variable aleatoria posee una distribución de probabilidad que describe

su comportamiento. Si la variable es discreta, es decir, si toma valores
aislados dentro de un intervalo, su distribución de probabilidad especifica
todos los valores posibles de la variable junto con la probabilidad de que cada
uno ocurra

2.2 VARIABLE ALEATORIA DISCRETA

Una variable aleatoria es discreta cuando su campo de variación (dominio de

definición) está constituido por un conjunto finito o infinito numerable de
valores posibles. Cada suceso de W se corresponde con un valor.

2.3 REPRESENTACIÓN DE UNA DISTRIBUCIÓN DE PROBABILIDAD

Espacio muestral: el conjunto de todos los resultados posibles de un

experimento estadístico, representado por “S” o “Ω”

13
Variable: se denomina a la entidad que puede tomar un valor cualquiera
durante un proceso dado.

Variable aleatoria: es una función que asocia un número real a cada elemento
del espacio.

2.4 DISTRIBUCIÓN DE PROBABILIDAD TABULAR

Una tabla en estadística es: arreglo de datos ordenados en filas y

columnas que permiten sintetizar, comparar e interpretar de forma sencilla,
un conjunto de características que describen el comportamiento de una o
más variables.

Después de la organización de los datos, la información se resume en Tablas

Estadísticas con base en arreglos formados de renglones y columnas,
adecuados según cronología, geografía, análisis cuantitativo o cualitativo.

Los principales elementos de una tabla estadística son: Título, unidades,

encabezado, cuerpo o contenido, nota de pie y referencias; la información
14
 contenida en una tabla estadística también se puede presentar mediante
gráficas, siendo las más comunes las de líneas, barras, pictográficas,
cronogramas, circulares o de pastel, histograma y polígono de frecuencias.

2.5 DISTRIBBUCIÓN DE PROBABILIDAD GRÁFICA

Gráfica de Barras: Es un método gráfico que consta de dos ejes: Uno

horizontal, en el que se representan los valores (Eje de los datos) utilizando
barras verticales en forma rectangular y de la misma amplitud, y un eje
vertical, en el cual la frecuencia representa la altitud que tendrá la barra
rectangular (Eje de las frecuencias), las barras van separadas la misma
distancia unas de otras y para distinguirlas puede utilizarse distintos colores.

Gráfica Circular de Pastel o también llamada del 100%

Histograma: Las barras no van separadas, y que se rotula con los límites
inferiores de cada clase o intervalo excepto el último que deberá llevar
también el límite superior, centradas en la marca de clase.

15
 Polígono de Frecuencias: es una gráfica del tipo de las gráficas de líneas
trazadas sobre las marcas de clase, (de ahí el nombre de polígono), y se
traza uniendo con segmentos de recta, de izquierda a derecha, las parejas
ordenadas que se forman, al considerar como abscisa la marca de clase (eje
horizontal) y como ordenada la frecuencia del intervalo representado (eje
vertical).

2.6 FUNCIÓN DE PROBABILIDAD

Es una función que devuelve la probabilidad de que una variable

aleatoria discreta sea exactamente igual a algún valor.1 Es una función que
asocia a cada punto de su espacio muestral X la probabilidad de que esta lo
asuma.

La función de probabilidad suele ser el medio principal para definir

una distribución de probabilidad discreta, y tales funciones existen
para variables aleatorias escalares o multivariantes, cuyo dominio es discreto.

2.7 MEDIA Y DESVIACIÓN ESTÁNDAR

De un conjunto de n datos de una muestra, se representa por el símbolo

Y se obtiene sumando los valores de la muestra y dividiendo esta suma entre
n, el total de observaciones de la muestra.

Los pesos de seis amigos son: 84, 91, 72, 68, 87 y 78 kg. Hallar el peso
medio.

16
 Desviación estándar

La desviación estándar es la medida de dispersión más común, que indica

qué tan dispersos están los datos con respecto a la media. Mientras mayor
sea la desviación estándar, mayor será la dispersión de los datos.

El símbolo σ (sigma) se utiliza frecuentemente para representar la desviación

estándar de una población, mientras que s se utiliza para representar la
desviación estándar de una muestra. La variación que es aleatoria o natural
de un proceso se conoce comúnmente como ruido.

La desviación estándar se puede utilizar para establecer un valor de

referencia para estimar la variación general de un proceso.

2.8 DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

Para que una variable aleatoria se considere que sigue una distribución
binomial, tiene que cumplir las siguientes propiedades: En cada ensayo,
experimento o prueba solo son posibles dos resultados (éxito o fracaso). La
probabilidad del éxito ha de ser constante. La probabilidad de fracaso ha de
ser también constate.

La distribución de Bernoulli es una distribución de probabilidad discreta que

abre el camino a la distribución binomial, la distribución geométrica y la
distribución binomial negativa. Lleva ese nombre por Jakob Bernoulli, un gran
matemático y científico suizo. Veamos los detalles de esta distribución.

2.9 EXPERIMENTO DE PROBABILIDAD BINOMIAL

Experimento que consiste en ensayos independientes repetidos, cada uno

con dos posibles resultados que se denominan éxito y fracaso, donde la
probabilidad de éxito es la misma en cada ensayo.

Posee las siguientes características:

1. El experimento consiste de n ensayos repetidos.

2. Cada ensayo proporciona un resultado que puede clasificarse como éxito o
17
fracaso.
3. La probabilidad de éxito, designada como p, permanece constante de un
ensayo a otro.
4. Los ensayos son independientes.

2.10 FUNCIÓN DE PROBABILIDAD BINOMIAL

La distribución de probabilidad de esta variable aleatoria lleva el nombre de

distribución binomial.

Con objeto de obtener la fórmula de la distribución de probabilidad se debe

hallar:

-La probabilidad de X éxitos y n-X fracasos en un orden especifico

-El número total de puntos muestrales en el experimento que tiene X éxitos y
n-X fracasos

2.11 MEDIA Y DESVIACIÓN ESTÁNDAR

En una distribución binomial, la media nos indica el valor medio de un

fenómeno aleatorio. Se calcula con la siguiente fórmula:

Donde:
18
 n es el número de ensayos

p es la probabilidad de éxito

Varianza

Es una medida de dispersión que nos indica qué tan lejos se encuentran los
cuadrados de la desviación de la media. Se calcula con la fórmula:

Donde:

n es el número de ensayos

p es la probabilidad de éxito

q es la probabilidad de fracaso

Desviación típica

Es la raíz cuadrada de la varianza:

TEMA III. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES

ALEATORIAS CONTINUAS

3.1 DISTRIBUCIÓN DE PROBABILIDAD CON VARIABLES ALEATORIAS

CONTINUAS

Una distribución continua describe las probabilidades de los posibles valores

de una variable aleatoria continua. Una variable aleatoria continua es una
variable aleatoria con un conjunto de valores posibles (conocido como el
rango) que es infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como

el área por debajo de la curva de su PDF. Por lo tanto, solo los rangos de
valores pueden tener una probabilidad diferente de cero. La probabilidad de
que una variable aleatoria continua equivalga a algún valor siempre es cero.

19
3.2 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

Se llama distribución normal, distribución de Gauss, distribución gaussiana o

distribución de Laplace-Gauss, a una de las distribuciones de probabilidad de
variable continua que con más frecuencia aparece en estadística y en la
teoría de probabilidades.

La gráfica de su función de densidad tiene una forma acampanada y es

simétrica respecto de un determinado parámetro estadístico. Esta curva se
conoce como campana de Gauss y es el gráfico de una función gaussiana.

La importancia de esta distribución radica en que permite modelar numerosos

fenómenos naturales, sociales y psicológicos.Mientras que los mecanismos
que subyacen a gran parte de este tipo de fenómenos son desconocidos, por
la enorme cantidad de variables incontrolables que en ellos intervienen, el
uso del modelo normal puede justificarse asumiendo que cada observación
se obtiene como la suma de unas pocas causas independientes.

3.3 VARIABLE ALEATORIA CONTINUA

Una variable aleatoria continua es aquella que puede tomar cualquier valor
(al menos teóricamente) entre 2 fijados. Los valores de la variable (al menos
teóricamente) no se repiten. “Tiempo observado al recorrer una cierta
distancia”, “estatura”, “peso”, “nivel de colesterol en sangre”

Ejemplo:
Número de caras obtenidas al lanzar tres monedas: 0,1,2,3

20
3.4 PROPIEDADES DE LAS DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS

3.5 CARACTERÍSTICAS DE LA CURVA NORMAL

La gráfica de la distribución normal tiene la forma de una campana, por este

motivo también es conocida como la campana de Gauss. Sus características
son las siguientes:

• Es una distribución simétrica.

• Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos
valores tienden a infinito.
• En el centro de la curva se encuentran la media, la mediana y la moda.
• El área total bajo la curva representa el 100% de los casos.
• Los elementos centrales del modelo son la media y la varianza.

21
3.6 ÁREA BAJO LA CRUVA DE UNA DISTRIBUCIÓN NORMAL

No importa cuales son los valores de la distribución, el área total bajo la curva
es 100, de manera que podemos pensar en áreas bajo la curva como si
fueran probabilidades.

1. Aproximadamente 68% de todos los valores de una población

normalmente distribuida se encuentra dentro de la desviación estándar de la
media.
2. Aproximadamente 95.5% de todos los valores de una población
normalmente distribuida se encuentra dentro de la desviación estándar de a
media.

3.7 DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTANDARIZADA

-La distribución tiene la forma de una campana y la mayor parte del área de
esta campana (Bell) se encuentra donde la media.
-El área debajo de la campana es de 1, y se divide por 0.5 a la izquierda y
0.5 a la derecha de la media.
-Es simétrica con respecto a la media.
-La media, moda, y mediana coinciden.
-Hay dos parámetros que determinan su forma: la media y la desviación
estándar.

Se llama distribución normal estándar, o tipificada, o reducida. La función de

densidad de probabilidad (f.d.p) de la distribución normal tipificada
usualmente se denota por el símbolo y la función de distribución (f.d) se
denota por el símbolo . Entonces:

22
 Su función de densidad de probabilidad es:

Y su función de distribución es:

donde el símbolo u se utiliza en la ecuación anterior como variable muda de

integración.

3.8 PROPIEDADES DE LA DISTRIBUCIÓN NORMAL ESTANDARIZADA

-A Z se le denomina función tipificada de X y a la curva de su función de

densidad se le conoce como curva normal estandarizada.
-Es una distribución normal con promedio 0 y una desviación estándar 1.
-Todas las variables que se contribuyen normalmente se pueden transformar
a la distribución normal estándar utilizando la fórmula para calcular el valor Z
-La media, mediana y moda es 0

TEMA IV DISEÑO ESTADÍSTICO DE EXPERIMENTOS

4.1 REPRESENTACIÓN DE DATOS DE DOS VARIABLES

Estos datos constan de los valores de dos variables diferentes que se obtienen
del mismo elemento de la población.

Las variables cualitativas son aquellas que expresan características o

cualidades, y no pueden ser medidas con números. Por otro lado, las variables
cuantitativas, son aquellas que se expresan mediante un número, por tanto, se
puede realizar operaciones aritméticas con ellas.

23
4.2 TABLA DE CONTINGENCIAS

Empleada para registrar y analizar la asociación entre dos o más variables.

Cuenta las observaciones por múltiples variables categóricas. Las filas y columnas
de las tabas corresponden a las variables categóricas.

24
 4.3 DIAGRAMA DE DISPERSIÓN

Es una herramienta utilizada cuando se desea realizar un análisis gráfico de

datos bivariados, es decir, los que se refieren a dos conjuntos de datos. El
resultado del análisis puede mostrar que existe una relación entre una
variable y la otra.

4.4 CORRELACIÓN LINEAL

La correlación lineal y la regresión lineal simple son métodos estadísticos

que estudian la relación lineal existente entre dos variables. ... A nivel
experimental, la correlación se suele emplear cuando ninguna de las
variables se ha controlado, simplemente se han medido ambas y se desea
saber si están relacionadas.

4.5 DIAGRAMA DE DISPERSIÓN Y ANÁLISIS DE CORRELACIÓN

El diagrama de dispersión permite estudiar las relaciones entre dos conjuntos

asociados de datos que aparecen en pares (por ejemplo, (x,y), uno de cada
25
conjunto). El diagrama muestra estos pares como una nube de puntos.
Las relaciones entre los conjuntos asociados de datos se infieren a partir de
la forma de las nubes.

• Una relación positiva entre x y y significa que los valores crecientes de

x están asociados con los valores crecientes de y.
• Una relación negativa significa que los valores crecientes de x están
asociados con los valores decrecientes de y.

El diagrama de dispersión puede estudiar la relación entre:

• Dos factores o causas relacionadas con la calidad.

• Dos problemas de calidad.
• Un problema de calidad y su posible causa.

4.6 COEFICIENTE DE CORRELACIÓN

Una herramienta estadística elemental e importante para el estudio

econométrico de relaciones lineales bivariados que involucran el uso de datos
de corte transversal o series de tiempo. En particular, se analiza su relación
con las denominadas correlaciones espúreas o sin sentido.

El coeficiente de correlación es un estadístico que proporciona información

sobre la relación lineal existente entre dos variables cualesquiera.
26
Básicamente, esta información se refiere a dos características de la relación
lineal: la dirección o sentido y la cercanía o fuerza.
Es importante notar que el uso del coeficiente de correlación sólo tiene
sentido si la relación bivariada a analizar es del tipo lineal. Si ésta no fuera
no lineal, el coeficiente de correlación sólo indicaría la ausencia de una
relación lineal más no la ausencia de relación alguna. Debido a esto, muchas
veces el coeficiente de correlación se define de manera más general - como
un instrumento estadístico que mide el grado de asociación lineal entre dos
variables.

4.7 REGRESIÓN LINEAL

El análisis de la regresión lineal se utiliza para predecir el valor de una

variable según el valor de otra. La variable que desea predecir se denomina
variable dependiente. La variable que está utilizando para predecir el valor
de la otra variable se denomina variable independiente.
La regresión lineal es una técnica paramétrica de machine learning. Con
«paramétrica» queremos decir que incluso antes de mirar a los datos, ya
sabemos cuántos parámetros (o coeficientes) vamos a necesitar. Los
mejores coeficientes serán los que minimicen alguna medida de error.

27
 4.8 MÉTODO DE MÍNIMOS CUADRADOS

Es un procedimiento de análisis numérico en la que, dados un conjunto de

datos (pares ordenados y familia de funciones), se intenta determinar la
función continua que mejor se aproxime a los datos (línea de regresión o la
línea de mejor ajuste), proporcionando una demostración visual de la relación
entre los puntos de los mismos. En su forma más simple, busca minimizar la
suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre
los puntos generados por la función y los correspondientes datos.

Este método se utiliza comúnmente para analizar una serie de datos que se
obtengan de algún estudio, con el fin de expresar su comportamiento de
manera lineal y así minimizar los errores de la data tomada.

Su expresión general se basa en la ecuación de una recta y = mx + b. Donde

m es la pendiente y b el punto de corte, y vienen expresadas de la siguiente
manera:

28
 TEMA V DISEÑO ESTADÍSTICO DE EXPERIMENTOS

5.1 DISEÑO COMPLETAMENTE AL AZAR

El diseño completamente al azar es el más sencillo de los diseños de

experimentos que tratan de comparar dos o más tratamientos, puesto que
sólo considera dos fuentes de variabilidad: los tratamientos y el error
aleatorio.

Es una prueba basada en el análisis de varianza, en donde la varianza total

se descompone n la varianza de los tratamientos y la varianza del error. Su
objetivo es determinar si existe diferencia significativa entre los tratamientos,
para lo cual se compara si la varianza del tratamiento contra la varianza del
error y se determina si la primera es suficientemente alta según la distribución
F.

5.2 DISEÑO DE BLOQUES AL AZAR

Su objetivo es tener comparaciones precisas entre los tratamientos bajo

estudios. Utilizar bloques es una forma de reducir y controlar la varianza del
error experimental para tener mayor precisión.

Generalmente los criterios de bloqueo son:

-Proximidad (parcelas vecinas)
-Características físicas (edad, sexo, peso)
-Tiempo
-Manejo del experimento

29
 5.3 DISEÑO DE CUADRO LATINO

Los diseños en cuadrados latinos son apropiados cuando es necesario

controlar dos fuentes de variabilidad. En dichos diseños el número de niveles
del factor principal tiene que coincidir con el número de niveles de las dos
variables de bloque o factores secundarios y además hay que suponer que no
existe interacción entre ninguna pareja de factores.

El procedimiento para construir un diseño en cuadrado latino es el siguiente:

1) Se elige aleatoriamente un cuadrado latino de los disponibles.

2) Se asigna aleatoriamente el orden de las filas y columnas.
3) Se asignan aleatoriamente los tres factores a las filas, columnas y letras,
respectivamente.

En resumen, podemos decir que un diseño en cuadrado latino tiene las

siguientes características:

1) Se controlan tres fuentes de variabilidad, un factor principal y dos factores

de bloque.
2) Cada uno de los factores tiene el mismo número de niveles, K.
3) Cada nivel del factor principal aparece una vez en cada fila y una vez en
cada columna.
4) No hay interacción entre los factores

5.4 DISEÑO DE PARCELAS DIVIDIDAS

Un diseño de parcelas divididas es un experimento diseñado que incluye al

menos un factor difícil de cambiar que es difícil de aleatorizar completamente
debido a limitaciones de tiempo o costo. En un experimento de parcelas
divididas, los niveles del factor difícil de cambiar se mantienen constantes
durante varias corridas experimentales, las cuales se tratan colectivamente
como una parcela completa. Los factores fáciles de cambiar se varían en estas
corridas, y cada combinación se considera una parcela subdividida dentro de
la parcela completa. Usted debería aleatorizar el orden en el que ejecuta las
parcelas completas y las parcelas subdivididas dentro de las parcelas
completas.

30
Ejemplo:

Una panadería de gran escala diseña una nueva receta de brownie. Están
experimentando con dos niveles de chocolate y azúcar, utilizando dos
temperaturas diferentes de horneado. Sin embargo, para ahorrar tiempo, en
lugar de hornear cada bandeja por separado, deciden hornear más de una
bandeja de brownies al mismo tiempo. El ejemplo de los brownies incluye 2
parcelas completas a partir de las cuales se crean dos réplicas (total de 4
parcelas completas). Cada parcela completa contiene 4 parcelas subdivididas.
La parcela completa está conformada por todas las bandejas de brownies que
se hornean a la misma temperatura. Las parcelas subdivididas son cada
bandeja individual de brownies.

5.5 DISEÑO FACTORIAL CON ASIGNACIÓN AL AZAR

El diseño factorial estudia la influencia simultánea de dos o más VI (factores)

sobre una, o más de una, VD.
Cada factor puede tener dos o más valores (o niveles). Cada tratamiento (o
condición experimental) consiste en la combinación de los respectivos valores
de un factor con los del otro (u otros).
Al analizar simultáneamente dos o más factores en un solo experimento se
puede estudiar:
*El efecto de cada factor por separado (como si se tratara de un diseño con
una sola VI).
*El efecto de la combinación de los niveles de los diferentes factores sobre la
VD.
El experimento factorial más sencillo consta de dos factores con dos niveles
cada uno: Diseño factorial AxB
• A: número de niveles de un factor.
• B: número de niveles del otro factor.
A medida que aumenta el número de factores y el número de niveles de cada
factor, aumenta el número de tratamientos y la dificultad para realizar, controlar
e interpretar el experimento.

31
¿Cuándo usar un diseño factorial?

Un diseño factorial es utilizado generalmente por los científicos que desean

comprender el efecto de dos o más variables independientes respecto de una
única variable dependiente.

32
 BIBLIOGRAFÍA
https://miprofe.com/minimos-cuadrados/
http://www.dpye.iimas.unam.mx/patricia/indexer/bloques.pdf
https://economipedia.com/definiciones/distribucion-conjunta.html
http://halweb.uc3m.es/esp/Personal/personas/aarribas/esp/docs/estII/tema0esp.pdf
http://www.esap.edu.co/portal/wp-content/uploads/2017/10/6-Estadstica-ii.pdf
https://phels18.wordpress.com/2013/04/23/probabilidad-conjunta/
https://www.superprof.es/diccionario/matematicas/estadistica/variables-tipos.html

33