Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sin embargo, no siempre se posee aquella información para toda la población, y pueden
existir restricciones de tiempo, dinero y otros recursos escasos que impiden conseguirla. En
su lugar, se selecciona un subconjunto de la población, una muestra, de manera prescrita
(con métodos que busquen asegurar la aleatoriedad).
A las características (datos) que varían de un objeto a otro de una población se les
denomina variable; la misma puede ser de naturaleza cuantitativa o cualitativa. Si se tienen
un conjunto de datos con una sola variable decimos que ese conjunto es univariante; si se
realizan observaciones de dos variables se denomina bivariante, a la vez que si se realizan
observaciones de dos o más variables se puede denominar igualmente multivariante.
Ramas de la estadística
En una primera instancia se reconocen dos principales ramas de la estadística, de interés y
estudio, la estadística descriptiva y la estadística inferencial.
Estadística descriptiva
La estadística descriptiva y sus métodos tienen un enfoque centrado en descubrir y resumir
características y hallazgos básicos sobre la muestra. Esto a través de tanto presentar los
datos, proceso de descripción de datos de manera que los mismos puedan ser visualizados
de manera adecuada, esto a través de distribuciones de frecuencias y/o gráficos; como el
resumen de los datos, proceso de descripción de datos en base a la ponencia de sus
medidas numéricas de resumen que nos entregan información respecto a lo medido,
pudiendo ser estas medidas de tendencia central (media, mediana y moda), medidas de
posición (cuartiles, deciles, percentiles), medidas de dispersión (rango, varianza y
desviación estándar, Coeficiente de variación) o medidas de forma (sesgo y curtosis).
Estadística inferencial
La estadística inferencial y sus métodos tienen un enfoque centrado en la utilización de la
información muestral (a partir de la muestra y sus características) permitiendo generalizar
para sacar conclusiones respecto a la población en estudio. Considerando ello
igualmente un riesgo de error medible.
Variables aleatorias
A cada resultado de un experimento se le puede asociar un valor especificando una regla
de asociación. Esta regla de asociación se denomina variable aleatoria, variable porque
diferentes valores numéricos son posibles y aleatoria porque el valor observado depende de
los posibles resultados del experimento.
En relación a las variables aleatorias, las mismas se pueden distinguir en dos categorías
principales, dependiendo si los datos que resultan de observaciones de una variable de
conteo y una variable de medición.
Por ejemplo:
A menudo interesará poner atención al valor esperado de alguna función h(X) en lugar de
sólo en E(X).
E[h(x)] se calcula del mismo modo que E(X), excepto que h(x) sustituye a x.
Varianza de X
La varianza de una variable X refiere a una medida de dispersión que mide la variabilidad
de una serie de datos respecto a su media, su dispersión respecto a la media.
Sea p(x) la función de masa de probabilidad de X y µ su valor esperado. La varianza de X,
2 2
denotada por V(X) o σ𝑋, o simplemente σ está dada por:
Otra forma simplificada de expresar la varianza está dada por la siguiente ecuación:
Reglas de la varianza:
Sean a,b constantes; y X una v.a. La varianza trata las siguientes reglas:
𝑋 ∼ 𝐵𝑖𝑛(𝑛, 𝑝)
Por otra parte, la función de masa de probabilidad para una variable aleatoria binomial X se
denota por b(x;n,p). La función de masa de probabilidad representa la probabilidad de que
se obtenga un valor x puntual, para una variable aleatoria X con parámetros n y p; tal que:
La media y varianza para X distribuido binomial está dada por las siguientes
proposiciones:
N = Tamaño de la población
M = Cantidad de éxitos en la población
n = Tamaño de la muestra
𝑋 ∼ 𝐻𝐺(𝑁, 𝑀, 𝑛)
Por otra parte, la función de masa de probabilidad para una variable aleatoria
hipergeométrica X se denota por h(x;n,M,N). La función de masa de probabilidad representa
la probabilidad de que se obtenga un valor x puntual, para una variable aleatoria X con
parámetros N, M y n; tal que:
La media y la varianza para X distribuido hipergeométrico está dado por las siguientes
proposiciones:
𝑋 ∼ 𝐵𝑁(𝑟, 𝑝)
Por otra parte, la función de masa de probabilidad para una variable aleatoria binomial
negativa X se denota por nb(x;r,p). La función de masa de probabilidad representa la
probabilidad de que se obtenga un valor x puntual, para una variable aleatoria X con
parámetros N, M y n; tal que:
La media y la varianza para X distribuido binomial negativo está dado por las siguientes
proposiciones:
𝑋 ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(λ)
Por otra parte, la función de masa de probabilidad para una variable Poisson X se denota
por p(x;λ). La función de masa de probabilidad representa la probabilidad de que se obtenga
un valor x puntual, para una variable aleatoria X con parámetro λ; tal que:
Por otra parte se tiene que una aproximación entre la distribución binomial y la distribución
poisson
La media y la varianza para X distribuido Poisson está dado por las siguientes
proposiciones:
Proceso de Poisson
Un proceso de Poisson describe la ocurrencia de eventos aleatorios de interés con una tasa
constante en el transcurso del tiempo. Una V.A que depende del tiempo X(t) es un proceso
de Poisson si satisface los siguientes supuestos:
1. X(0)=0 ; La cantidad de eventos en el instante 0 del intervalo es igual a 0.
2. Sigue una distribución Poisson para cada intervalo de tiempo con parámetro λ𝑡;
−λ𝑡 𝑥
𝑒 *(λ𝑡)
𝑃𝑥(𝑡) = 𝑥!
3. El número de eventos ocurridos durante un intervalo de tiempo en independiente del
número ocurrido antes de ese intervalo de tiempo (los incrementos son
independientes).
𝑋(𝑡) ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(λ𝑡)
Para que f(x) sea una función de densidad de probabilidad legítima, debe satisfacer dos
condiciones:
1. f(x)>=0; con todas las x
∞
2. ∫ 𝑓(𝑥)𝑑𝑥 = Á𝑟𝑒𝑎 𝑏𝑎𝑗𝑜 𝑡𝑜𝑑𝑎 𝑙𝑎 𝑔𝑟á𝑓𝑖𝑐𝑎 𝑑𝑒 𝑓(𝑥) = 1
−∞
Varianza de X
La varianza y la desviación estándar son medidas cuantitativas que señalan cuánta
dispersión hay en la distribución o población de valores de x.
El cálculo de esta varianza se puede facilitar mediante el uso de una fórmula abreviada:
2
𝑋 ∼ 𝑁(µ, σ )
Por otra parte, la misma cuenta con una función de densidad de probabilidad dada por la
notación 𝑓(𝑥; µ, σ), expresada por la siguiente ecuación:
2 2
1 −(𝑥−µ) /(2σ )
𝑓(𝑥; µ, σ) = 𝑒 ;− ∞ < 𝑥 < ∞
2πσ
La media y la varianza para X distribuido normal está dado por las siguientes
proposiciones:
𝑋 ∼ 𝐸𝑥𝑝(λ)
Por otra parte, la misma cuenta con una función de densidad de probabilidad dada por la
notación 𝑓(𝑥; λ), expresada por la siguiente ecuación:
Y una función de densidad acumulada dada por la siguiente ecuación:
La media y la varianza para X distribuido exponencial está dado por las siguientes
proposiciones: