ESTADÍSTICA PARA ADMINISTRADORES

VARIABLES ALEATORIAS
S → Espacio muestral
X → Función asociada a cada elemento

Rx → Recorrido o Rango de la variable X

Discreta → numero finito, numerable
Continua → infinito, no numerable – Intervalos

FUNCIÓN DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN

PUNTUAL
Probabilidades acumuladas hasta cada valor x.
Probabilidad de ocurrencia de los valores x
puntuales del recorrido.

Esperanza → Valor esperado.

Esperanza, función variable aleatoria → X²

Varianza (σ²) → Variabilidad de una serie de datos respecto a su media.

Desvío (σ) → Mide cuánto se separan los datos.

VARIABLES ALEATORIAS CONTINUAS: “Área bajo la curva” – Función de Densidad

Variable Bernoulli (Aleatoria discreta) X ~ Be (p)

Éxito = p
“A“ es un intervalo o unión de
intervalos de números reales.
Fracaso = 1 – p

Distribución Normal X ~ 𝑁 (𝜇, 𝜎²) 𝜇 ∈ 𝑅, 𝜎 > 0

INTERVALOS DE CONFIANZA (Variables independientes)

La estimación puntual es usar una muestra

(muestra representativa de la población de interés) para obtener “valores numéricos ” que, en algún
sentido, sean los que mejor representan a los verdaderos valores de los parámetros de interés.
Demostración: Intervalos de confianza de nivel exacto ( 1− ), para la media de una variable con
distribución normal 1- Con varianza 𝝈² conocida.

Z a /2
Error de aproximación/estimación: o
2√ n

2∗Z a/ 2
Longitud del intervalo: o
2√n
 La hipótesis siempre se
TEST DE HIPÓTESIS (Analizo parámetros poblacionales)
plantea con valores
Ho: Hipótesis Nula (Lo que no busco)
poblacionales
H1: Hipótesis Alternativa (Lo que busco demostrar)

A partir de P-valor tomamos la decisión → mínimo error que puedo cometer. 0,05 nivel significación.

Si el p-valor < =0,05, decimos que el resultado es estadísticamente significativo Si el p-valor << 0,05 (es
decir mucho menor que) decimos que el resultado es altamente significativo.

• Errores por tomar una mala decisión

Error (Error de Tipo I) Error + grave

Pasos a seguir para resolver ejercicios:

- Poner datos: Definir la variable X. Analizar los datos que nos da el enunciado, y definir test a
utilizar.
- Plantear hipótesis: mayor, menor, = o distinto. Ho y H1.
- Resolver el estadístico con los datos. Z calculado
- Buscar el valor de significación en la app (α)
- Comparar el Z calculado con el Z del nivel de significación para evaluar si rechazo o no
rechazo Ho.
- Calculamos el p-valor utilizando el Z calculado (depende el ejercicio) y lo comparo con el
valor de significación.
Test Z → Test de hipótesis para la media (muestra aleatoria)

👉 Variable con distribución normal

👉 Media  conocida

👉 Varianza 𝜎² conocida o no, siempre que n mayor= 30 (aprox) → Se usa S (desvío muestral)

ESTADÍSTICO DEL
TEST Z
Test t → Test de hipótesis para la media (muestra aleatoria)

👉 Variable con distribución normal

👉 Media  conocida

👉 Varianza 𝜎² desconocida

→ Considerar grados de libertad n-1

Test para proporción→ Test de hipótesis para la media (muestra aleatoria)

👉 Variable con distribución Bernoulli

ESTADÍSTICO DEL
👉 Los n ensayos son independientes
TEST t
👉 La probabilidad de éxito es constante a lo largo de las repeticiones

👉 n es suficientemente grande, es decir n× po ≥ 5 y n× (1- po) ≥ 5

ESTADÍSTICO DEL
TEST p
Test de hipótesis para la diferencia de medias de dos poblaciones normales independientes → Test
de hipótesis para las medias (muestra aleatoria)

👉 Variable con distribución Normal

👉 Los n ensayos son independientes

👉 La hipótesis nula es Ho: 𝜇1 − 𝜇2 = a

(Donde 𝑎 es algún valor particular propuesto por el investigador en general a = 0)

Test Z → Diferencia de medias con varianzas conocidas

👉 Variables con distribución normal

👉 Varianzas 𝜎² CONOCIDAS

ESTADÍSTICO DEL
TEST Z
(Diferencia de medias)
Test t → Diferencia de medias con varianzas iguales =

👉 Variables con distribución normal

👉 Varianzas 𝜎² IGUALES = → Homoscedasticidad 𝜎₁² = 𝜎₂²

(𝜎² pueden ser conocidas o no, pero tenemos que saber que sean iguales)

→ Considerar grados de libertad n₁+ n₂ -2

ESTADÍSTICO DEL
TEST t
(Diferencia de medias)

RECORDAR SACAR LA RAÍZ

Test t → Diferencia de medias con varianzas distintas ≠

👉 Variables con distribución normal

👉 Varianzas 𝜎² DISTINTAS ≠

→ Considerar grados de libertad ν

Test de Welch

ESTADÍSTICO DEL
TEST t
(Diferencia de medias)
Test de hipótesis para igualdad de varianzas (𝜎²) de dos poblaciones normales independientes→
Test de hipótesis para las varianzas (muestra aleatoria)

Pasos a seguir:

- Decidir si las varianzas son iguales o no → TEST DE FISHER (cociente de varianzas)

Test de Fisher → Decidir si las varianzas son = o ≠

👉 Variables con distribución normal

→ Considerar grados de libertad n₁-1 y n₂ -1

ATENCIÓN: Si F › 1 → Usamos a/2 o Si F ‹ 1 → Usamos 1- a/2

ESTADÍSTICO DEL TEST

FISHER
(= o ≠ de varianzas)
Test de student para muestras apareadas→ Test de hipótesis para medias de dos muestras
dependientes

👉 Variables con distribución normal

👉 Los datos de las muestras son DEPENDIENTES

👉 Utilizamos los valores que obtenemos de hacer las diferencias de datos de ambas muestras.
Obteniendo un nuevo valor de media y desvío.
Relación entre intervalo de confianza y test de hipótesis

Ho: θ = θo
Donde θo es como mi “A” Donde θ puede tomar valores como p1-p2
H1: θ ≠ θo
→ media muestral
ESTADÍSTICO DEL TEST t → Desvío muestral
(muestras apareadas)
IC 1−a (θ)

Otras fórmulas:

Límiteinferior + Límite superior

=Estimador muestral
2

Límite superior−Límite inferior

=Error
→ Si la distribución de la variable es de aproximación
fuertemente asimétrica, tiene datos atípicos o es marcadamente
2
diferente de la normal en algún sentido, el test NO ES VÁLIDO

Límite superior −Límite inferior=Longitud

DEMOSTRACIONES

👉 Cuando piden un estimador insesgado para el parámetro de interés

“Sean X1 , X2 ,..., Xn v.ai.i.d con E(Xi )   , demuestre justificando todos los pasos realizados que X
es un estimador insesgado de ”
👉 Cuando me piden que la demostración de la varianza