Licenciatura en Informática Administrativa

Probabilidad y Estadística

I

Licenciatura en Informática Administrativa

ÍNDICE
PRIMER DOCUMENTO: MANUAL DEL ESTUDIANTE ------------------ 2
1. LOS MATERIALES DIDÁCTICOS. ---------------------------------------------------------- 2 2. CARACTERÍSTICAS DE LA MODALIDAD EDUCATIVA NO ESCOLARIZADA. ------------------------------------------------------------------------------------------------------------ 4 3. RECOMENDACIONES PARA FACILITAR EL ESTUDIO INDEPENDIENTE. -- 5 4. CARACTERÍSTICAS PROPIAS DE LA MATERIA DE: ESTADÍSTICA. --------- 7

SEGUNDO DOCUMENTO: GUÍA DIDÁCTICA ----------------------------- 9
BIENVENIDA ------------------------------------------------------------------------------------------ 9 PRESENTACIÓN DE LA GUÍA DE ESTUDIO ---------------------------------------------- 10 OBJETIVOS GENERALES DE LA ASIGNATURA. --------------------------------------- 10 DESCRIPCIÓN DEL CURSO. ------------------------------------------------------------------- 10 METODOLOGÍA------------------------------------------------------------------------------------- 11 CRITERIOS DE EVALUACIÓN ----------------------------------------------------------------- 13 POLÍTICAS DEL CURSO. ------------------------------------------------------------------------ 14 AYUDAS ----------------------------------------------------------------------------------------------- 14 HERRAMIENTAS Y UTILERÍAS --------------------------------------------------------------- 14

INTRODUCCIÓN ------------------------------------------------------------------- 16 UNIDAD 01. PROBABILIDAD -------------------------------------------------- 17
1.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 17 1.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 17 1.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 17 1.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 18

UNIDAD 02. VARIABLES ALEATORIAS ----------------------------------- 19
2.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 19 2.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 19 2.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 19 2.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 20

UNIDAD 03. DISTRIBUCIONES DISCRETAS ----------------------------- 21
3.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 21 3.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 21 3.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 21 3.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 22

UNIDAD 04. DISTRIBUCIONES CONTINUAS ----------------------------- 23
4.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 23 4.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 23 4.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 23 4.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 24

UNIVERSIDAD VASCO DE QUIROGA

II

Licenciatura en Informática Administrativa

UNIDAD 05. DISTRIBUCIÓN NORMAL ------------------------------------- 25
5.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 25 5.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 25 5.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 25 5.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 26

UNIDAD 06. INFERENCIAS EN UNA POBLACIÓN. --------------------- 27
6.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 27 6.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 27 6.3 LECTURAS RECOMENDADAS ----------------------------------------------------------- 27 6.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS ------------------- 28

TERCERA PARTE: TEXTO DE AUTOAPRENDIZAJE ------------------ 30
P R E S E N T A C I Ó N -------------------------------------------------------------------------- 30

UNIDAD 01. INTRODUCCIÓN A LA ESTADÍSTICA PARA INFORMÁTICA --------------------------------------------------------------------- 31
OBJETIVOS PARTICULARES------------------------------------------------------------------ 31 TEMAS Y SUBTEMAS: --------------------------------------------------------------------------- 31 Importancia y aplicación de la probabilidad y estadística para la Informática ----------------------------------------------------------------------------------------------------------- 32 El papel de la estadística en la toma de decisiones ----------------------------------- 32 Estadística descriptiva e inferencial y probabilidad----------------------------------- 32
El espacio de los sucesos. -------------------------------------------------------------------------------- 33 Azar, suceso aleatorio-------------------------------------------------------------------------------------- 33 Probabilidad -------------------------------------------------------------------------------------------------- 34 Axiomas de Kolmogorov ----------------------------------------------------------------------------------- 34 Otras propiedades de las probabilidades. ------------------------------------------------------------- 35

ACTIVIDADES DE APRENDIZAJE ------------------------------------------------------------ 36 AUTOEVALUACIÓN ------------------------------------------------------------------------------- 37

UNIDAD 02. VARIABLES ALEATORIAS ----------------------------------- 38
2.1 OBJETIVOS PARTICULARES ------------------------------------------------------------ 38 2.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------- 38

INTRODUCCIÓN: VARIABLES ALEATORIAS ---------------------------- 39
Variables Continuas y Discretas ------------------------------------------------------------- 40 Variables cualitativas y cuantitativas ------------------------------------------------------- 40
Descripción de variables cualitativas ------------------------------------------------------------------- 40 Diagrama de barras. ---------------------------------------------------------------------------------------- 44 Descripción de variables cuantitativas ----------------------------------------------------------------- 45

Organización y clasificación de los datos de las tablas ----------------------------- 47 Probabilidad básica ------------------------------------------------------------------------------- 48 Distribuciones de probabilidad --------------------------------------------------------------- 52
Función de probabilidad ----------------------------------------------------------------------------------- 52 Función de distribución ------------------------------------------------------------------------------------ 53 Función de densidad --------------------------------------------------------------------------------------- 54 Función de distribución ------------------------------------------------------------------------------------ 56

UNIVERSIDAD VASCO DE QUIROGA

III

93 Distribución de la diferencia de proporciones -------------------------------------------------------.97 Intervalos de confianza -------------------------------------------------------------------------.71 Distribución de Poisson ------------------------------------------------------------------------.77 Distribución normal ------------------------------------------------------------------------------.87 Distribución F: -----------------------------------------------------------------------------------------------.94 Distribución del cociente de varianzas ----------------------------------------------------------------.89 Muestreo estratificado -------------------------------------------------------------------------------------.63 Ejemplos ---------------------------------------------------------------------------------------------.93 Proporción poblacional ------------------------------------------------------------------------------------.89 Muestreo simple.66 Distribuciones de variables discretas -----------------------------------------------------.67 Distribución binomial ---------------------------------------------------------------------------.83 Distribuciones de muestreo en la media -------------------------------------------------.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------.84 Definiciones --------------------------------------------------------------------------------------------------.60 Desviación estándar o típica------------------------------------------------------------------.1 OBJETIVOS PARTICULARES -----------------------------------------------------------.84 Distribución de la media muestral X : -----------------------------------------------------------------.95 Cuadros de referencia --------------------------------------------------------------------------.1 OBJETIVOS PARTICULARES -----------------------------------------------------------.59 Varianza ----------------------------------------------------------------------------------------------.96 AUTOEVALUACIÓN ------------------------------------------------------------------------------. INFERENCIAS EN UNA POBLACIÓN.62 Covarianza ------------------------------------------------------------------------------------------.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------.78 AUTOEVALUACIÓN ------------------------------------------------------------------------------.89 Muestreo aleatorio simple --------------------------------------------------------------------------------.93 Muestreo aleatorio sistemático --------------------------------------------------------------------------.2 TEMAS Y SUBTEMAS: ---------------------------------------------------------------------.66 3.90 Muestreo por conglomerados ----------------------------------------------------------------------------91 Muestreo por etapas ---------------------------------------------------------------------------------------. --------------------.Licenciatura en Informática Administrativa Valor esperado de una variable --------------------------------------------------------------.86 La distribución de muestreo de S2: ---------------------------------------------------------------------.68 Distribución hipergeométrica ----------------------------------------------------------------.67 Distribución uniforme ---------------------------------------------------------------------------.82 6.82 6. sistemático.93 Distribuciones de muestreo de la proporción y de la diferencia-----------------.61 El coeficiente de variación --------------------------------------------------------------------.81 UNIDAD 06. DISTRIBUCIÓN NORMAL ------------------------------------.88 Distribución de la proporción muestral: ---------------------------------------------------------------.57 Media --------------------------------------------------------------------------------------------------.73 UNIDAD 05.98 Concepto -----------------------------------------------------------------------------------------------------.98 UNIVERSIDAD VASCO DE QUIROGA IV .77 5.66 3. conglomerado y estratificado --------------------.62 Coeficiente de correlación ---------------------------------------------------------------------.64 UNIDAD 03.1 OBJETIVOS PARTICULARES -----------------------------------------------------------.82 Introducción ----------------------------------------------------------------------------------------.77 5. DISTRIBUCIONES DISCRETAS ----------------------------.

111 Prueba de hipótesis para la proporción -------------------------------------------------------------.104 Prueba de hipótesis para la media si la población de donde se obtiene la muestra tiene distribución normal con conocida.99 Intervalo de confianza para la media. .114 BIBLIOGRAFÍA ------------------------------------------------------------------.116 UNIVERSIDAD VASCO DE QUIROGA V . --------------------------------.102 Tamaño de muestra para estimar la media de la población -----------------------------------. cuando se selecciona una muestra aleatoria de tamaño n de una población con distribución normal con media y varianza conocida.Licenciatura en Informática Administrativa Intervalo de confianza -------------------------------------------------------------------------------------.100 Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n<30.103 La prueba de hipótesis para media y proporción -----------------------------------.101 Determinación del tamaño de la muestra para estimar la media --------------.110 Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n<30 ----------------------------------------------------------------------------------------------------------------.102 Conceptos básicos ---------------------------------------------------------------------------------------. ------------------------------------------------------.99 Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con distribución diferente a la normal.112 Errores en prueba de hipótesis ------------------------------------------------------------.98 Estimación de la media poblacional a partir de la media muestral -------------. -----------------------------------------------------------------. --------------------------------------------------------------------------------------------------------.107 Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con cualquier distribución.

Licenciatura en Informática Administrativa Manual del Estudiante UNIVERSIDAD VASCO DE QUIROGA 1 .

a continuación se aporta una breve semblanza de éstos: 1. La Licenciatura en Informática Administrativa de la Universidad Vasco de Quiroga.Licenciatura en Informática Administrativa PRIMER DOCUMENTO: MANUAL DEL ESTUDIANTE 1. Donde estudiante encontrará: • La Mejor Alternativa de Estudios Superiores de Licenciatura en Informática Administrativa en su modalidad No Escolarizada. Enunciado propositivo que establece qué se espera de un estudiante al término del proceso de UNIVERSIDAD VASCO DE QUIROGA 2 . se integran por las partes siguientes: a) Presentación. LOS MATERIALES DIDÁCTICOS. Los materiales especiales para el Sistema No Escolarizado. y que por no poderse ajustar a los sistemas tradicionales necesita de alternativas serias y accesibles para continuar con la construcción de una vida con mayores elementos para su crecimiento. diseñados para lograr la mejor comprensión de los diferentes contenidos temáticos y así alcanzar los objetivos académicos preestablecidos. Para una mejor identificación y aprovechamiento de los referidos Materiales Didácticos. ofrece los estudios de Informática Administrativa en su Modalidad No Escolarizada. Que constituye precisamente la guía para el estudiante que se integra a la modalidad no escolarizada y que desea aprobar cada una de las asignaturas. bibliografía básica y complementaria. con la misión de ofrecer a la comunidad los mejores servicios profesionales a nivel superior. formas de evaluación y acreditación. Que señala el objetivo de la misma (Objetivo de Aprendizaje). GUÍA DIDÁCTICA DE ESTUDIO. cuestionarios de auto evaluación. que satisfagan las necesidades que reclaman las actividades de aprendizaje e integradoras. para toda aquella persona que busca la superación personal y académica que en la actualidad se requiere. mediante el cual se facilite responsablemente el logro de todo el quehacer académico de la asignatura. por lo tanto. que se cumplan los objetivos del curso. actividades de aprendizaje. Guía que contiene objetivos generales y particulares de aprendizaje. desarrollo temático y de subtemas. actividades integradoras. es decir. que a continuación se detallan: Las Guías Didácticas de Estudio. MATERIALES DIDÁCTICOS DE ALTA CALIDAD. lo constituyen la Guía Didáctica de Estudio y el propio Texto de Autoaprendizaje por asignatura de la Universidad Vasco de Quiroga. que constituyan un verdadero instrumento de apoyo para los estudiantes. están concebidos de tal forma. Son los elementos de apoyo para el aprendizaje. glosarios y demás elementos importantes para lograr el autoaprendizaje.

Estructura por Unidad de Aprendizaje. conformado por: • Presentación. Actividad Integradora. así como sugerencias en cuanto a la búsqueda de la información. Actividad de Aprendizaje. la temática. Que buscarán con todo ello verificar el aprendizaje significativo. aplicación de conocimientos en los casos prácticos planteados por el asesor. entrega de actividades integradores. las actividades de aprendizaje. Donde el asesor considere aspectos tales como el desarrollo de actividades de aprendizaje por tema. necesaria para cubrir los objetivos temáticos de aprendizaje que exige la asignatura. evitando con esto dispersión y desgaste innecesario de energías. Introducción a la Asignatura. Que consiste en la Selección de información básica y complementaria. (por curso. las Fuentes de Información Básicas y Secundarias y. Son todas aquellas actividades que el asesor prevé con el propósito de facilitar y comprobar el aprendizaje de los alumnos y la adquisición de las habilidades necesarias para aplicar los conocimientos adquiridos a su vida personal y futuro ejercicio profesional.Licenciatura en Informática Administrativa b) c) d) e) f) g) aprendizaje. los propósitos de las actividades de aprendizaje e integradoras y los mecanismos para mantener un contacto permanente con los estudiantes. el desarrollo de actividades y los mecanismos de intercambio de experiencias significativas. Donde se proporcione al alumno un panorama general del contenido y pueda percibir de forma completa el propósito de la asignatura y de la guía didáctica. los conceptos y tópicos a revisar. calidad y profundidad. • Índice. UNIVERSIDAD VASCO DE QUIROGA 3 . Descripción del método o técnicas utilizadas por el asesor. con el fin de generar un clima de orden y confianza entre el asesor y el estudiante. Criterios que deben de señalarse desde el principio a los estudiantes. Criterios de Evaluación. TEXTO DE AUTOAPRENDIZAJE. En donde se conformarán los Objetivos de Aprendizaje. (TEXTO DE AUTOENSEÑANZA). actividades complementarias y exámenes. • Introducción. asimilación del método de trabajo. materia o unidad). Sugerencias Metodológicas. Que debe buscar el desarrollo de habilidades propuestas para cada curso. los temas. una actitud crítica y de análisis ante los objetos de estudio. importantes para la mejor comprensión de los temas. y sobre todo. 2.

Glosario de Términos propios de la Asignatura. UNIVERSIDAD VASCO DE QUIROGA 4 . La Lic. son profesionales en contenidos curriculares y aspectos pedagógicos. En donde los estudiantes son personas que se transforman en sujetos activos y comprometidos en el proceso de aprendizaje. guiar o aconsejar a los estudiantes del sistema no escolarizado. y que son: • El convencimiento de que sus habilidades y limitaciones como estudiantes independientes son los mínimos indispensables para iniciar la licenciatura en este modelo educativo. dirigido a personas que por distintas causas no pueden integrarse al sistema tradicional escolarizado. y así alcanzar la verdad. tanto en lo general como en lo particular del programa elegido. nacionales e internacionales. debido a que la institución se encuentra constituida por una comunidad académica. Es por ello que la Lic. Desarrollo del Contenido Temático. de modo riguroso y crítico. la enseñanza y los diversos servicios ofrecidos a las comunidades locales.Licenciatura en Informática Administrativa • • • • • • • • Objetivos Generales de la Asignatura. de la herencia cultural y la develación de la verdad mediante la investigación. CARACTERÍSTICAS DE LA MODALIDAD EDUCATIVA NO ESCOLARIZADA. que utilizan los instrumentos didácticos que le ofrece la tecnología educativa. Informática Administrativa de la Universidad Vasco de Quiroga. informar del perfil y de los compromisos que el aspirante debe cumplir al momento de ser aceptado. • Que está dispuesto a afrontar el reto personal de utilizar los métodos y técnicas de estudio que el sistema requiere. para orientar. Datos Bibliográficos de los Textos Básicos y Complementarios. La modalidad de Educación No Escolarizada. con el propósito de garantizar el éxito de todos estos grandes esfuerzos. que. Texto de las Lecturas Básicas correspondientes a la unidad temática. 2. en Informática Administrativa de la Universidad Vasco de Quiroga. es la mejor opción de desarrollo para sus protagonistas. Además por ser fundamental. ha establecido Curso de Inducción que tiene como propósito dejar en claro la misión de la universidad. Actividades de Aprendizaje Autoevaluación. Unidad Temática desarrollada en Temas y Subtemas. contribuye a la tutela y desarrollo de la dignidad humana. y sus Asesores. pero que están comprometidos con la superación humana y profesional. se basa en el estudio independiente (autodidactismo o proceso autogestivo del aprendizaje).

e) No fragmentar el conocimiento. a la aportación de nuevas experiencias de aprendizaje. acudir a los grupos de estudio que existan en su localidad. cuyos contenidos forman un paquete UNIVERSIDAD VASCO DE QUIROGA 5 . Que está dispuesto a retomar las técnicas de estudio sugeridas por el asesor. No utilizar ningún pretexto para evadir su responsabilidad. Para obtener mejores resultados de los materiales didácticos del sistema no escolarizado. Los estudiantes del sistema no escolarizado deben tener la certeza que se cuenta con los mejores asesores. asistir a las sesiones de retroalimentación. Los materiales didácticos para educación no escolarizada. PARA FACILITAR EL ESTUDIO PRIMERA. los cuales han demostrado tener disposición y capacidad para: a) Crear ambientes propicios para el aprendizaje. d) Respetar el ritmo de aprendizaje y los intereses del estudiante. relacionar lo que aprende con su vida práctica. tratar de realizar de forma ordenada las actividades para el logro de objetivos. apoyarse en conferencias complementarias. buscando respuestas y explicaciones a los mismos. sugiriendo alternativas de solución. recuérdese que son elaborados por equipos interdisciplinarios.Licenciatura en Informática Administrativa • • • • Que es capaz de planear adecuadamente su tiempo para el estudio y la evaluación. g) Provocar que los estudiantes arriben a la síntesis fundada y motivada del tema visto. establecer tiempos fijos de estudio y prever flexibilidad para los imprevistos. 3. confrontación y análisis que permitan la construcción de conocimientos significativos. reunirse con el asesor cuantas veces lo necesite en los tiempos predeterminados y a través de los medios de comunicación elegidos. Que valore la importancia de los imprevistos ante sus compromisos de estudio. sino integrar lógicamente los contenidos con una perspectiva interdisciplinaria. RECOMENDACIONES INDEPENDIENTE. f) Apoyar la investigación como instrumento de generación de respuestas a interrogantes y soluciones a problemas. c) Generar reflexión. para que al final generen su propia autoevaluación. b) Facilitar la retroalimentación de experiencias que le permita anticiparse a los problemas. tener presente los tiempos necesarios para el descanso y la vida cotidiana. así como materiales y actividades. a generar preguntas sobre aspectos dudosos. el estudiante debe consultar las guías. contemplar sus actividades fijas y su tiempo libre.

Asesoría Individual. Deberá partir de una evaluación diagnóstica y compromisos de tiempo de estudio y evaluación. que le permita facilitar la elaboración de sus actividades. Presentarse en los tiempos y formas establecidas por la Universidad para la práctica de las evaluaciones correspondientes. en donde el estudiante debe de esforzarse por resolver el problema. Que buscará el intercambio de experiencias de aprendizaje. Las asesorías serán individuales o grupales. así como entregar el producto de las actividades solicitadas. que requieran una solución y pueda plantearse en el curso. su inventiva y originalidad de respuestas. • • • • UNIVERSIDAD VASCO DE QUIROGA 6 . pero sí recomendable por las importantes aclaraciones. debe informar a su asesor para acordar conjuntamente las acciones a seguir. antes de acudir con el asesor. con el propósito de provocar la reflexión y actitud crítica de los participantes. TERCERA. ya que de él dependerá el éxito de su aprendizaje. están elaborados en base a los contenidos a enseñar así como los intereses y necesidades de los participantes. Asistir o participar en las Asesorías. Acordar con los asesores sobre los procedimientos a seguir para la recepción de trabajos. Organizados a través de situaciones problemáticas. actualizando y profundizando el conocimiento de la materia. No recibir o prestar ayuda fraudulenta en las evaluaciones o exámenes correspondientes. Que responden a las preguntas: ¿Por qué se elabora el material? ¿A quién está dirigido? ¿Quién lo selecciona y cómo se va a organizar? ¿Qué medios de comunicación son los más idóneos? Materiales que provienen y remiten a distintas fuentes de información. mediante la socialización y confrontación de opiniones. en el caso de los alumnos foráneos. SEGUNDA. para aplicar lo teóricamente adquirido al campo de la realidad. El alumno que no asista o no participe en las asesorías. aportaciones y correcciones que pueda sugerirle el asesor de forma personalizada. de manera presencial o utilizando los medios electrónicos. Las principales Obligaciones del estudiante son: • • • Estudiar personalmente de cada asignatura. sobre todo en aquellos casos en los que la evaluación no se sujete solo a un examen. La asistencia a las asesorías no es obligatoria.Licenciatura en Informática Administrativa didáctico. las cuales deben ser reportadas puntualmente. Asesoría Grupal. trabajos que presentar o actividades que desarrollar. quien precisamente le clarificará sus dudas y se retroalimentará de información complementaria significativa. para seguir con la obtención de información de la materia a cursar. sino existan además.

Licenciatura en Informática Administrativa

4. CARACTERÍSTICAS ESTADÍSTICA.

PROPIAS

DE

LA

MATERIA

DE:

La Estadística es una rama de las matemáticas que busca interpretar un gran volumen de información como es el caso de la estadística descriptiva, con objeto de conocer algunas características de interés acerca de una población en particular, esta información es de gran ayuda para la Informática, dado que contribuye a diseñar estrategias eficaces para comerciar productos. Por otra parte sabemos lo complicado que es, realizar un estudio que con lujo de detalles describa a una población en su conjunto, por lo que la inferencia estadística busca tomar una muestra que sea representativa de una población y a partir de ahí, tomar decisiones e interpretar sus detalles. Exige del estudiante un conocimiento básico de matemáticas, de razonamiento lógico, capacidad de abstracción y deducción, así como un especial interés por los detalles, pero sin duda es una herramienta poderosa para la interpretación y solución de problemas sociales y empresariales. BIENVENIDO Y MUCHO ÉXITO! !!!!!BIENVENIDO LA ESTUDIO DE LA ESTADÍSTICA Y MUCHO ÉXITO!!!!!

UNIVERSIDAD VASCO DE QUIROGA

7

Licenciatura en Informática Administrativa

Guía didáctica

UNIVERSIDAD VASCO DE QUIROGA

8

Licenciatura en Informática Administrativa

SEGUNDO DOCUMENTO: GUÍA DIDÁCTICA
BIENVENIDA
LA UNIVERSIDAD VASCO DE QUIROGA Te da la más cordial bienvenida al estudio de ESTADÍSTICA. Esta asignatura se imparte dentro la modalidad de Educación No Escolarizada y es parte integrante DE LA LICENCIATURA EN INFORMÁTICA ADMINISTRATIVA. Queremos refrendarte una calurosa felicitación por haber seleccionado esta forma de estudio como una opción de acrecentar tus conocimientos. Solo ten presente que la tecnología es solo una herramienta para poderte hacer llegar el conocimiento y que para poder asimilarlo se requiere de un importante esfuerzo y compromiso por parte tuya. Recuerda que durante este proceso de aprendizaje eres la parte más importante y que nosotros estamos para que puedas lograr con éxito tus metas de estudio; cuentas con todas las herramientas necesarias y un gran equipo de personas expertas en diferentes especialidades están listas para poder auxiliarte en caso de que surja algún inconveniente o problema. Ten presente que para poder acreditar el curso debes de realizar las actividades que te marque tu profesor/asesor. y además debes participar activamente en las reuniones que tu asesor convenga con el grupo para clarificar tus dudas. Para poder seguir satisfactoriamente los cursos que ofrecemos en la modalidad No Escolarizada te requerimos tengas conocimientos básicos de herramientas computacionales y que sepas navegar por internet, ya que éste medio nos puede servir como herramienta en la búsqueda de conocimientos, además de canal de comunicación, el caso que sientas que no cuentas con la experiencia necesaria en el manejo de la computadora te aconsejamos que puedas tomar algún curso especial. Recuerda siempre que ante cualquier duda, comentario o sugerencia puedes hacérnoslo saber para así poder mejorar y poder brindarte un servicio educativo de calidad, puedes hacerlo a través del asesor de la materia que estés cursando o puedes dirigirte al Coordinador Académico. Esperamos que disfrutes la experiencia de estudiar en esta modalidad, pronto descubrirás las grandes ventajas y bondades que tiene esta forma de estudio, por lo pronto dedícate a estudiar con empeño y recuerda que no estás solo, estamos contigo. ¡Mucho Éxito!

UNIVERSIDAD VASCO DE QUIROGA

9

gráficas y diagramas. En especial.com Título: INGENIERO INDUSTRIAL. Explicará la importancia y finalidad del muestreo y su relación con la estimación de parámetros poblacionales. DESCRIPCIÓN DEL CURSO. CREDITOS El material utilizado para el desarrollo de la presente asignatura fue producido y digitalizado por la Universidad Vasco de Quiroga. Conocerá e interpretará las principales distribuciones de probabilidad como herramientas básicas de la toma de decisiones en el área de Informática. Toda la información se encuentra contenida en esta guía. a partir de los trabajos e investigaciones realizadas por: Profesor: FAUSTO ARREGUÍN HUERTA Correo Electrónico: fahii@hotmail. medición y análisis de datos obtenidos de conteo y encuestas. Conocerá y explicará la utilidad del análisis de regresión para la toma de decisiones. OBJETIVOS GENERALES DE LA ASIGNATURA. El curso de PROBABILIDAD Y ESTADÍSTICA. Formulará y seleccionará el modelo de distribución adecuado a un problema específico.Licenciatura en Informática Administrativa PRESENTACIÓN DE LA GUÍA DE ESTUDIO Esta guía es un auxiliar para los estudiantes que cursan los estudios en la modalidad No Escolarizada. Inferirá sobre el comportamiento de una población de interés mediante el uso de técnicas de muestreo. Al término del cuatrimestre el alumno será capaz de conocer y aplicar diversas metodologías de recopilación y organización de datos y los representará y analizará mediante tablas. busca orientarlos sobre el contenido de la asignatura de ESTADÍSTICA PARA INFORMÁTICA. Conocerá y aplicará herramientas computacionales de apoyo para la recopilación. comprende los siguientes temas generales UNIVERSIDAD VASCO DE QUIROGA 10 . así como de las actividades que se realizarán durante la duración del mismo.

Pero para ello es importante que participes en todas y cada una de UNIVERSIDAD VASCO DE QUIROGA 11 . con el fin de obtener un panorama completo de los contenidos a tratar. ya que de lo contrario su óptica sería parcial). Segundo Paso. reflexionando sobre los mismos. 5. Medidas de centralización y dispersión. éstas se eliminarán si estás en comunicación permanente con tu ASESOR. es conveniente que sigas los pasos que se te señalan a continuación: Primer Paso. así como incorporar toda aportación que surja para mejorar el Ambiente de Aprendizaje. 4. aprender. subtemas. Distribuciones de probabilidad. con las cuales se logrará llegar a conocer. Conoce los Objetivos Generales y de cada Unidad. Una vez conocido el contenido de cada Unidad de forma muy general (y sólo después de esto. Tercer Paso. se enfoca principalmente a recordarte que en ningún instante estarás sin apoyo. Distribuciones de muestreo. a quien entregarás las actividades de aprendizaje solicitadas (investigaciones. sus conceptos y tópicos. para que sean revisadas. sus temas. buscará siempre el intercambio de experiencias entre los interlocutores para aclarar dudas. quedaron dudas. Actividades que posteriormente te podrás AUTOEVALUAR. Estimación y decisión estadística Para con todo esto.Licenciatura en Informática Administrativa 1. para ello. facilitar la investigación y ofrecer sugerencias sobre el mejor manejo de la información. 3. Si después de llevado a cabo lo anterior. se dará inicio a la realización de lo que se denomina ACTIVIDADES DE APRENDIZAJE. no te preocupes. aplicar. evaluadas y corregidas para tu mejor comprensión. contarás con conocimientos que te servirán de referencia para otras materias en el transcurso de tu carrera. Se te sugiere que para lograr de mejor forma estos propósitos. METODOLOGÍA La presente GUÍA DIDÁCTICA. 2. obteniendo notas personales sobre lo que es importante destacar en cada lectura. analizar y elaborar cada uno de los conceptos y tópicos de manera sustentada y no simples opiniones. Recolección análisis y representación de datos. al concluir con el Aprendizaje de ESTADÍSTICA. cuestionarios…).

Finalmente. con que cuenta el ESTADÍSTICA. sea real y consistente. por lo tanto se requiere de dedicación y práctica para que el presente documento sea de gran utilidad y su contenido haga efectivo el aprendizaje significativo. en la materia. todos los conocimientos que se van adquiriendo forman parte del aprendizaje integral. 2. no significa que se trate del conocimiento de contenidos aislados. 3. Editorial Math Learning Thomson. y si el Asesor lo indica. 2008 William Mendenhall. Tareas a realizar por los alumnos de los Cursos No Escolarizados: 1. Temas.Licenciatura en Informática Administrativa las actividades de aprendizaje que se te recomienden. Actividades de Aprendizaje y Autoevaluaciones por Unidad. y que será proporcionada por tu ASESOR. y que es precisamente la siguiente: • • • ARREGUÍN HUERTA. 4. Actividad propia del estudiante y reflejo de la Investigación diaria. Quinto Paso. ¡¡¡¡PUES BIEN. lo que se aprende al principio del curso se aplica hasta el final. Realizar las Actividades Integradoras que te indique tu Profesor/Asesor con la finalidad de otorgarte una calificación. con la finalidad de que midas si has adquirido los conocimientos. Resolver las Actividades de Aprendizaje. así pues. Enseguida. Conceptos. debemos comprobar que el Aprendizaje de la ESTADÍSTICA. ya resueltas. Leer los textos de autoaprendizaje. Estadística para Administradores. se aprovecha la oportunidad para señalar la BIBLIOGRAFÍA BÁSICA. Cuarto Paso. CAMINEMOS JUNTOS!!!!! UNIVERSIDAD VASCO DE QUIROGA 12 . Estadística para Informática. y esto se logra mediante una forma que se denomina ACTIVIDAD INTEGRADORA. podrás verificar si tus respuestas fueron acertadas en la hoja de respuestas que se ubica al final del documento. 1988 Anderson Sweeney Williams. El hecho de que se determinen Objetivos. Estadística para administración y economía. Grupo Editorial Iberoamérica. Tópicos. 2005. Utilizando las herramientas informativas que se sugieran y que se puedan tener al alcance. sino que. enviárselas vía correo electrónico para su revisión. Universidad Vasco de Quiroga. al momento de evaluar la participación del alumno. Contestar las Autoevaluaciones lo más honestamente posible. Actividad a la cual se le otorga el mayor grado de calificación.

b) Aplicación de la teoría en la práctica.Licenciatura en Informática Administrativa CRITERIOS DE EVALUACIÓN Se realizará una evaluación continua sobre la participación en actividades de aprendizaje. pero sí más del 40% de las actividades. es precisamente porque nos importa conocer nuestro trabajo. pero sobre todo saber. sobre que aspectos debemos trabajar doblemente en beneficio de todos. o bien conocer. en algunas unidades en donde se le dará mayor porcentaje a las actividades En caso que alguno de que el examen extraordinario o no reúna el 40% de las actividades del curso. • El alumno que no cumpla en tiempo y forma con el 60% de las actividades académicas. tendrá derecho a presentar examen ordinario (final del semestre) que constituye la primera oportunidad. y evaluación extraordinaria) si cumplen con las condiciones: • El alumno que cumpla con el 60% de actividades académicas exigidas por la Universidad-Asesor en la materia respectiva y que haya cubierto el total de sus cuotas. previo aviso del profesor. se tomarán en cuenta los siguientes CRITERIOS: ACTIVIDADES DE APRENDIZAJE 50% DE LA CALIFICACIÓN En las que se calificará: a) Conocimiento General y Particular de los contenidos trabajados. De manera fundamental se considerará la calidad del compromiso en cuanto al cumplimiento del alumno a las actividades propuestas. Actividades que serán dadas a conocer a los estudiantes al inicio de cada materia. es decir. c) Elaboración de las actividades propuestas. Y para ello. siendo retroalimentado por el mismo. tendrá derecho a presentar el examen extraordinario (esto constituye la segunda) siempre y cuando no esté en esta situación en más de dos materias de las que integra el ciclo escolar que cursa. los estudiantes tendrán hasta dos oportunidades (evaluación ordinaria. por parte del asesor. Si llegamos a este punto. elaboración de prácticas. • UNIVERSIDAD VASCO DE QUIROGA 13 . saber con que dedicación y seriedad lo hemos venido realizando. resolución de las autoevaluaciones y las actividades integradoras que señale el Asesor. EXAMEN CUATRIMESTRAL ORDINARIO 50% DE LA CALIFICACIÓN Para acreditar cada materia en un ciclo escolar. • Estos porcentajes pueden llegar a variar. si las metas de aprendizaje se logran. el estudiante tendrá que tomar el curso nuevamente. d) Actitud y dedicación. cumplir en tiempo y forma con las tareas que indique el Asesor. llevándose un control minucioso de fechas de entrega.

El asesor también podrá estar disponible en línea a través de herramientas en línea como lo son los Mensajeros Instantáneos de Hotmail. En caso de no poder utilizar algún material. según lo convenga con el grupo en fecha y horario. el asesor les indicará la metodología a seguir para que puedan estar en contacto con los demás miembros que conforman el grupo. en el formato y con el nombre que se les señale y deberá ser enviado por correo electrónico. Las tareas serán realizadas según las instrucciones del Asesor. Yahoo. Las actividades a realizar tienen fechas límite de entrega. Cualquier situación no contemplada en esta sección será tratada de manera particular por parte del Asesor. mismo que él proporcionará. Si requiere ayuda para su instalación no dude en contactarse con el asesor. Este puede UNIVERSIDAD VASCO DE QUIROGA 14 . AYUDAS En el caso de requerir ayuda académica se puede enviar correo electrónico al Asesor de la materia. HERRAMIENTAS Y UTILERÍAS Todo el material que es desarrollado para nuestros cursos es producido usando programas de uso común. Algunas de las actividades requieren que se entreguen por escrito.Licenciatura en Informática Administrativa RECUERDA. En caso de no terminarlas dentro de las fechas establecidas la calificación correspondiente a esa actividad será de CERO. Para poder visualizar las lecturas deberá tener instalado en su computadora los programas adecuados. En el caso de tener problemas para el envío de tareas favor de comunicarlos oportunamente a su Asesor. esto será por medio de un archivo magnético. algunas de ellas tendrán que se elaboradas individualmente y otras de manera grupal. • • • • • • • Los horarios y fechas para asesorías serán establecidas por el asesor o consensadas entre los participantes del curso y se definirán los canales de comunicación que deberán ser utilizados para tal fin. En el caso de actividades grupales. puede ser el caso de que necesite instalar alguno de estos programas. EL LOGRO DEL APRENDIZAJE ES NUESTRA JUSTIFICACIÓN POR LO TANTO TU PARTICIPACIÓN ES DECISIVA POLÍTICAS DEL CURSO. los cuales pueden ser encontrados fácilmente en internet. en particular deberá tener el “Acrobat Reader”. por lo que se pide se respeten.

. es importante que te protejas de los virus informáticos.Licenciatura en Informática Administrativa encontrarse en internet y obtenerse de manera gratuita en la siguiente dirección electrónica: http://www..Reproductor de audio y video.Para leer archivos creados en formato “pdf”.html Una lista de todos los programas que puedes obtener de manera gratuita y que es importante los pudiera tener instalados en su computadora son los mostrados a continuación: • Acrobat Reader . para plataformas Windows. WinZip.Navegador para internet.Es una versión libre de un antivirus.El mensajero instantáneo de Microsoft..Compactador y descompactador de archivos.Grupo de programas de uso libre similar al Microsoft Office.Programa de la categoría de mensajeros instantáneos.adobe. para plataformas Linux y Windows. Navegador de Internet. ICQ . Open Office.. Si necesita ayuda para saber donde obtener estos programas y conocer la forma de instalar estos programas podemos auxiliarlo con mucho gusto.Programa de comunicación que permite interactuar en línea utilizando diversos formatos de archivos. MSN Messenger. Mozilla Firefox... UNIVERSIDAD VASCO DE QUIROGA 15 . Yahoo Messenger . Netmeeting. solo póngase en contacto con el Asesor de la materia y el le dará instrucciones detalladas...com/products/acrobat/readstep2. • • • • • • • • • • Antivirus.. IEXPLORER. Real One Player .Mensajero instantáneo de Yahoo.latinoamerica..

situaciones de carácter común para el estudiante de Informática sin duda. La estadística inferencial. En el desarrollo del presente curso también tocaremos el análisis de medidas de tendencia central y dispersión. Por tanto contar con información útil y confiable s la clave para que lo que elijamos tenga mayor grado de certidumbre. como en el censo de un país. tiempo y variable. así como la regresión lineal simple y múltiple. con objeto de anticipar su comportamiento tomando en consideración una muestra representativa. se elabora un pronóstico en base a esa información. la incidencia de algunas variables sociológicas sobre el consumo de algunos bienes. al estimar un inventario de medicamento de un hospital. nos permite trabajar con una parte de esa información a partir de la cual se pueden inferir comportamientos y resultados. lo lamentable del caso es que una gran proporción de estas decisiones están basadas en corazonadas o en extrapolaciones de decisiones anteriores que corresponden a otro contexto. !!!!!BIENVENIDO SEAS!!!!! UNIVERSIDAD VASCO DE QUIROGA 16 . el trabajo con muestras. La estadística descriptiva se ocupa de la descripción de un conjunto de datos llamado población. es cuando empleamos una muestra que sea representativa de la población.Licenciatura en Informática Administrativa INTRODUCCIÓN Al predecir el resultado de una elección algunos encuestadores entrevistan a un número predeterminado de personas para conocer sus preferencias políticas. nos muestra las variables que inciden en un determinado efecto. La probabilidad nos ayuda a razonar a partir de una población conocida hacia una muestra desconocida. para una investigación de mercado nos interesa conocer de un grupo de potenciales compradores cual modelo de auto eligen. a partir de la cual se describa y extraiga información de un cúmulo de datos. en la industria que porción de artículos no cumplen con las especificaciones de producto. problemas todos donde buscaremos tomar decisiones más acertadas valiéndonos de las técnicas estadísticas. la estadística nos permite presentar esa información de manera más convincente y útil. En el mundo laboral la toma de decisiones es algo común. Todos los casos anteriormente expuestos hacen uso e la estadística.

11 Obtener la probabilidad de la unión e intersección de eventos. 1. 1.3 Obtener espacio muestral de un experimento aleatorio dado. 1.6 Combinaciones de eventos y probabilidad condicional 1.7 Eventos: definir evento o suceso y ocurrencia de un evento en un espacio muestral dado.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Definiciones de probabilidad espacio muestral experimento aleatorio probabilidad de eventos independientes y dependientes. 1.2 Definir espacio muestral de un experimento aleatorio. 1. 1.17 Aplicaciones del teorema de Bayes. 1. 1.15 Establecer y aplicar la ley particular multiplicativa para n eventos independientes. 1.14 Dada una colección de eventos determinar si son independientes. 1. 1.2 TEMAS Y SUBTEMAS: UNIDAD 01 1.5 Definir espacio muestral equiprobable 1.12 Enunciar y aplicar las leyes de probabilidad. Aplicar las técnicas de conteo a través de permutaciones y combinaciones. • Probabilidades de eventos independientes y dependientes y aplicara el Teorema de Bayes.16 Teorema de Bayes 1. PROBABILIDAD.13 Definir eventos mutuamente excluyentes. PROBABILIDAD 1.18 Técnicas de conteo. diagramas de árbol y principio multiplicativo.4 Definir probabilidad de un punto en el espacio 1.Licenciatura en Informática Administrativa UNIDAD 01.1 Definir experimento aleatorio 1.9 Definir el complemento de un evento y su probabilidad. 1. unió e intersección de conjuntos. 1.3 LECTURAS RECOMENDADAS LECTURA BASICA: UNIVERSIDAD VASCO DE QUIROGA 17 .10 Definir la unión e intersección de eventos. 1. 1.8 Obtener la probabilidad de un evento.

LECTURAS COMPLEMENTARIAS: • William Mendenhall.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS Estadística descriptiva Estadística Inferencial Probabilidad UNIVERSIDAD VASCO DE QUIROGA 18 .Licenciatura en Informática Administrativa • Arreguín Huerta. Fausto. • Anderson Sweney Williams. Grupo Editorial Iberoamérica. Estadística para Administradores. 1. UVAQ 2008. Apuntes de Estadística para Informática. Estadística para administración y Informática. Editorial Thomson 2005.

3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta.Licenciatura en Informática Administrativa UNIDAD 02. 2. Fausto. 2.4 Definir la función de distribución acumulada de una variable aleatoria discreta. 2.6 Obtener probabilidades de eventos con la función de distribución acumulada.2 TEMAS Y SUBTEMAS: UNIDAD 02 VARIABLES ALEATORIAS Definir variables aleatorias discretas y continuas.8 Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria continua. VARIABLES ALEATORIAS 2.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Aprenderá: definición de variables aleatorias continuas • Definición de una distribución de probabilidad como una función puntos percentiles para una distribución normal • Estimación puntual de parámetros de población o del proceso.3 2.9 Definir la función de densidad de una variable aleatoria continua. 2. 2. 2. • Concepto de distribución de muestreo. UNIVERSIDAD VASCO DE QUIROGA 19 .7 Definir función de probabilidad de una variable aleatoria continúa. UVAQ 2008. 2.10 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria continua dada su función de probabilidad. 2.11 Obtener probabilidades de eventos con la función de distribución acumulada. Definir función de probabilidad de una variable aleatoria discreta.12 Verificar que una función dada es una función de densidad 2 2. 2. 2.5 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria discreta dada su función de probabilidad. Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria discreta.2 2.1 2. Apuntes de Estadística para Informática.

Editorial Thomson 2005. 2. Grupo Editorial Iberoamérica. Estadística para Administradores.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS Variables aleatorias UNIVERSIDAD VASCO DE QUIROGA 20 . Estadística para administración y Informática. • Anderson Sweney Williams.Licenciatura en Informática Administrativa LECTURAS COMPLEMENTARIAS: • William Mendenhall.

3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta. LECTURAS COMPLEMENTARIAS: UNIVERSIDAD VASCO DE QUIROGA 21 . Fausto. 3.4 Hipergeométrica.2 TEMAS Y SUBTEMAS: UNIDAD 03 DISTRIBUCIONES DISCRETAS Definir la imagen de una función de probabilidad. 3.Licenciatura en Informática Administrativa UNIDAD 03. UVAQ 2008.1 3. Apuntes de Estadística para Informática. Aleatorias Resolución de problemas 3 3. DISTRIBUCIONES DISCRETAS 3.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Conocerá el concepto de función de una variable aleatoria continua y obtendrá probabilidades a partir de la función de densidad.5 Poisson. 3.2 Bernoulli y binomial 3.6 Reconocer las condiciones bajo las cuales se puede aplicar cada uno de los modelos anteriores a la resolución de problemas. 3. • Identificara si la función dada es una función de densidad y aplicara el tipo de distribución adecuado para la solución de problemas. el valor esperado y la varianza de las variables aleatorias discretas que tienen las siguientes distribuciones. 3.3 Geométrica y binomial negativa.

4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS UNIVERSIDAD VASCO DE QUIROGA 22 . Grupo Editorial Iberoamérica. Estadística para Administradores. Anderson Sweney Williams. 3. Estadística para administración y Informática. Editorial Thomson 2005.Licenciatura en Informática Administrativa • • William Mendenhall.

UVAQ 2008. UNIVERSIDAD VASCO DE QUIROGA 23 .3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta. 4.Licenciatura en Informática Administrativa UNIDAD 04.2 Uniforme.2 TEMAS Y SUBTEMAS: UNIDAD 04 4 DISTRIBUCIONES CONTINUAS.4 Resolver problemas que involucren las variables aleatorias citadas. 4. Concepto de distribución de muestreo 4. la media y las variables aleatorias 4. Estadística para administración y Informática. Fausto. Editorial Thomson 2005. DISTRIBUCIONES CONTINUAS 4. Apuntes de Estadística para Informática. LECTURAS COMPLEMENTARIAS: • William Mendenhall.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Definirá la función de densidad a partir de la variable así como la imagen • Estimación puntual de parámetros de población o del proceso.3 Exponencial 4. 4. Grupo Editorial Iberoamérica. Estadística para Administradores. • Anderson Sweney Williams.1 Definir la imagen de una función de densidad.

Licenciatura en Informática Administrativa 4.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS UNIVERSIDAD VASCO DE QUIROGA 24 .

3 Distribuciones relacionadas con la distribución normal.2 Calcular probabilidades para eventos relacionados con una variable normal estándar 5. Errores de tipo I Y II en pruebas de hipótesis. Fausto.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Se mostraran los pasos para la hipótesis con el método del valor crítico. Apuntes de Estadística para Informática. UVAQ 2008.2 TEMAS Y SUBTEMAS: UNIDAD 05 5 LA DISTRIBUCIÓN NORMAL 5.Licenciatura en Informática Administrativa UNIDAD 05.1 Uso de la distribución normal en el calculo de probabilidades 5.. 5. 5. Grupo Editorial Iberoamérica. DISTRIBUCIÓN NORMAL 5. UNIVERSIDAD VASCO DE QUIROGA 25 . Estadística para Administradores. LECTURAS COMPLEMENTARIAS: • William Mendenhall. frente a la media usando la distribución normal.

5.Licenciatura en Informática Administrativa • Anderson Sweney Williams. Editorial Thomson 2005.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS Distribución Normal UNIVERSIDAD VASCO DE QUIROGA 26 . Estadística para administración y Informática.

5 Construir intervalos de confianza para la media de una población arbitraria con varianza conocida y desconocida. LECTURAS COMPLEMENTARIAS: • William Mendenhall. Apuntes de Estadística para Informática. 6. Editorial Thomson 2005. INFERENCIAS EN UNA POBLACIÓN. 6.6 Otros intervalos de confianza. Grupo Editorial Iberoamérica. 6.3 LECTURAS RECOMENDADAS LECTURA BASICA: • Arreguín Huerta.4 Determinar el tamaño de la muestra mínima.2 Intervalos de confianza.Licenciatura en Informática Administrativa UNIDAD 06. 6. 6. 6.2 TEMAS Y SUBTEMAS: UNIDAD 06 6 INFERENCIAS EN UNA POBLACIÓN. Estadística para Administradores.3 Determinar la cota del error de estimación de Mu mediante un coeficiente de confianza con varianza conocida. UVAQ 2008. Estadística para administración y Informática.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • . • Anderson Sweney Williams. UNIVERSIDAD VASCO DE QUIROGA 27 . 6. Fausto. 6.1 Distribución de muestreo e intervalos de confianza para la media 6.

Licenciatura en Informática Administrativa 6.4 CONCEPTOS Y TÓPICOS A REVISAR EN LAS LECTURAS UNIVERSIDAD VASCO DE QUIROGA 28 .

Licenciatura en Informática Administrativa Texto de Autoaprendizaje UNIVERSIDAD VASCO DE QUIROGA 29 .

así como aplicaciones y ejercicios para motivar el aprendizaje de la materia. UNIVERSIDAD VASCO DE QUIROGA 30 .Licenciatura en Informática Administrativa TERCERA PARTE: TEXTO DE AUTOAPRENDIZAJE PRESENTACIÓN Se presenta una síntesis de los principales conceptos de Estadística.

3.24 Técnicas de conteo.Licenciatura en Informática Administrativa UNIDAD 01. • Probabilidades de eventos independientes y dependientes y aplicara el Teorema de Bayes.17 Obtener la probabilidad de la unión e intersección de eventos.15 Definir el complemento de un evento y su probabilidad. PROBABILIDAD. 3. 3. 3.8 Definir espacio muestral de un experimento aleatorio.10 Definir probabilidad de un punto en el espacio 3.18 Enunciar y aplicar las leyes de probabilidad. 3. UNIVERSIDAD VASCO DE QUIROGA 31 . 3.16 Definir la unión e intersección de eventos. 3.20 Dada una colección de eventos determinar si son independientes.12 Combinaciones de eventos y probabilidad condicional 3. 3.22 Teorema de Bayes 3.11 Definir espacio muestral equiprobable 3.23 Aplicaciones del teorema de Bayes.19 Definir eventos mutuamente excluyentes.21 Establecer y aplicar la ley particular multiplicativa para n eventos independientes.7 Definir experimento aleatorio 3. Aplicar las técnicas de conteo a través de permutaciones y combinaciones.14 Obtener la probabilidad de un evento.13 Eventos: definir evento o suceso y ocurrencia de un evento en un espacio muestral dado. TEMAS Y SUBTEMAS: UNIDAD 01 2. 3.9 Obtener espacio muestral de un experimento aleatorio dado. unió e intersección de conjuntos. INTRODUCCIÓN A LA ESTADÍSTICA PARA INFORMÁTICA OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Definiciones de probabilidad espacio muestral experimento aleatorio probabilidad de eventos independientes y dependientes. diagramas de árbol y principio multiplicativo. 3. 3. 3. 3.

a partir de la cual se describa y extraiga información de un cúmulo de datos. UNIVERSIDAD VASCO DE QUIROGA 32 . analicemos algunos conceptos básicos.Licenciatura en Informática Administrativa Importancia y aplicación de la probabilidad y estadística para la Informática Al predecir el resultado de una elección algunos encuestadores entrevistan a un número predeterminado de personas para conocer sus preferencias políticas. es cuando empleamos una muestra que sea representativa de la población. al estimar un inventario de medicamento de un hospital. Por tanto contar con información útil y confiable s la clave para que lo que elijamos tenga mayor grado de certidumbre. tiempo y variable. Antes de iniciar el estudio de la estadística. lo lamentable del caso es que una gran proporción de estas decisiones están basadas en corazonadas o en extrapolaciones de decisiones anteriores que corresponden a otro contexto. la estadística nos permite presentar esa información de manera más convincente y útil. como en el censo de un país. Estadística descriptiva e inferencial y probabilidad La estadística descriptiva se ocupa de la descripción de un conjunto de datos llamado población. El papel de la estadística en la toma de decisiones En el mundo laboral la toma de decisiones es algo común. en la industria que porción de artículos no cumplen con las especificaciones de producto. situaciones de carácter común para el estudiante de Informática sin duda. se elabora un pronóstico en base a esa información. Todos los casos anteriormente expuestos hacen uso e la estadística. nos muestra las variables que inciden en un determinado efecto. nos permite trabajar con una parte de esa información a partir de la cual se pueden inferir comportamientos y resultados. para una investigación de mercado nos interesa conocer de un grupo de potenciales compradores cual modelo de auto eligen. la incidencia de algunas variables sociológicas sobre el consumo de algunos bienes. con objeto de anticipar su comportamiento tomando en consideración una muestra representativa. La estadística inferencial. La probabilidad nos ayuda a razonar a partir de una población conocida hacia una muestra desconocida.

Un conjunto cuyos elementos representan todos los posibles resultados de un experimento se llama espacio muestral y se representa como S. dependiendo de nuestra valoración de los resultados. Sucesos compuestos. Un suceso. numéricos o no numéricos. pero cuyas frecuencias. En estadística esta definición se modifica añadiendo una propiedad adicional: El azar es la característica de un experimento que produce resultados diversos. Como consecuencia. Sucesos simples. podemos construir diferentes espacios muestrales. en estadística. se definen los sucesos aleatorios como los resultados de un experimento cuya variación (la de los resultados) es debida al azar. Si consideramos el conjunto de las partes de (P(S)) sus elementos son los sucesos. se considera como la característica de un suceso imprevisible. que son los que engloban más de un punto del espacio muestral. Todo suceso compuesto se puede considerar como unión de puntos del espacio muestral o unión de sucesos simples. por tanto. que son aquellos que comprenden un sólo punto muestral. suceso aleatorio El azar. en el lenguaje normal. Los elementos del espacio muestral se llaman puntos muestrales y son los distintos resultados del experimento. es cualquier proceso que proporciona datos. UNIVERSIDAD VASCO DE QUIROGA 33 . Existen dos tipos de sucesos: 1. El espacio muestral de un experimento siempre existe y no es necesariamente único pues. a la larga. es un subconjunto del espacio muestral.Licenciatura en Informática Administrativa El espacio de los sucesos. impredecibles en cada situación concreta. Un experimento. Azar. 2. tienden a estabilizarse hacia un valor "límite" en el infinito.

Hay varias formas de definir la probabilidad. es decir. Esta segunda definición presenta el inconveniente de que no siempre es posible saber cuántos son los resultados posibles de un experimento y no siempre todos los resultados posibles son igualmente probables. tiende a estabilizarse. Por tanto.Licenciatura en Informática Administrativa Probabilidad La probabilidad de un suceso sólo se define para el caso de sucesos aleatorios. Suponiendo que pudiéramos realizar el experimento infinitas veces. consideraremos la probabilidad definida de otra forma. como sabemos. es decir. Es decir. La probabilidad de un suceso es siempre mayor o igual que cero y menor o igual que uno Si A es un suceso 2. En esta definición se empieza por considerar todos los resultados posibles de un experimento. el valor de estabilización de las frecuencias en el infinito sería la probabilidad de los sucesos. Esta primera definición no parece de gran utilidad por ser difícilmente cuantificable. después se contabilizan los resultados favorables a nuestro suceso. Axiomas de Kolmogorov Todo el cálculo de probabilidades y. se define la probabilidad como el número de casos favorables dividido por el número de casos posibles. por ser un suceso aleatorio. suponiendo que existe simetría recíproca de todos los resultados. todos aquellos en que el experimento resulta en el suceso considerado. La probabilidad del espacio muestral es igual a uno: UNIVERSIDAD VASCO DE QUIROGA 34 . con él. nadie puede garantizar una ecuación matemática para el valor de la frecuencia relativa. que todos los resultados posibles son igualmente posibles. Supongamos que realizamos muchas veces un experimento y vamos anotando el valor de la frecuencia relativa que. que este valor de estabilización no es un límite en el sentido matemático de la expresión pues. Es importante señalar. por último. toda la estadística se basan en tres propiedades que se asignan a las probabilidades. la probabilidad es el valor de la frecuencia relativa en el infinito. En primer lugar podemos considerar la definición intuitiva que nos dice que la probabilidad de un suceso es la posibilidad de que éste ocurra. que se llaman axiomas de Kolmogorov 1. También podemos considerar la definición clásica de probabilidad.

Si A y B son sucesos mutuamente excluyentes. 3. pues si realizamos un experimento siempre ha de suceder alguna cosa. de que ocurra uno u otro es la suma de sus probabilidades. o en notación de conjuntos la probabilidad del conjunto vacío (F) es cero. Como consecuencia. nunca ocurren simultáneamente (A Ç B = F) la probabilidad de su unión. P(F) = 0 Se llama suceso imposible a aquel cuya probabilidad vale cero. P(A È B) = P(A) + P(B) Otras propiedades de las probabilidades. Esta propiedad se expresa como que la probabilidad de un suceso cierto es igual a uno. es decir. es decir. la probabilidad de que no ocurra nada. La probabilidad del suceso contrario es: UNIVERSIDAD VASCO DE QUIROGA 35 .Licenciatura en Informática Administrativa Si S es el espacio muestral Es evidente. siguiendo el razonamiento anterior. lo cual es imposible. Si S tiene un único elemento ése es un suceso cierto. Si A y B son dos sucesos cualesquiera: Se llama suceso contrario del suceso A al suceso A' que se define como A’ = S – A.

Eventos E1 1ª moneda A 1/2 2ª moneda A ½ P(Ei) 1/4 UNIVERSIDAD VASCO DE QUIROGA 36 . Este valor se representa como P(B|A). Por transposición de términos en la ecuación anterior y en la correspondiente a la probabilidad condicional de A respecto de B llegamos a: Se dice que dos sucesos A y B son independientes si y sólo si la probabilidad de su intersección es igual al producto de sus probabilidades Sucesos dependientes Sucesos independientes ACTIVIDADES DE APRENDIZAJE Calcular la probabilidad de que caiga un águila en la tirada de dos monedas.Licenciatura en Informática Administrativa Se llama probabilidad condicional del suceso B respecto del suceso A a la probabilidad de que. B. dado que el resultado de un experimento haya sido A sea. simultáneamente.

Licenciatura en Informática Administrativa E2 E3 E4 S A S 1/2 1/2 1/2 S S A ½ ½ ½ 1/4 1/4 1/4 Si A= Observar que caiga una águila P(x=A) = P (E3) + P(E4) = ½ AUTOEVALUACIÓN Encuentra los resultados posibles a un experimento Experimento Lanzar una moneda Seleccionar una parte para inspección Telefonema para ventas Tirar un dado Jugar un partido de futbol Resultados UNIVERSIDAD VASCO DE QUIROGA 37 .

2. 2.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Aprenderá: definición de variables aleatorias continuas • Definición de una distribución de probabilidad como una función puntos percentiles para una distribución normal • Estimación puntual de parámetros de población o del proceso. Definir función de probabilidad de una variable aleatoria discreta.1 2.2 2. 2.3 UNIVERSIDAD VASCO DE QUIROGA 38 . 2. 2.6 Obtener probabilidades de eventos con la función de distribución acumulada. 2. VARIABLES ALEATORIAS 2. 2.4 Definir la función de distribución acumulada de una variable aleatoria discreta.9 Definir la función de densidad de una variable aleatoria continua. 2.8 Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria continua.7 Definir función de probabilidad de una variable aleatoria continúa. 2.5 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria discreta dada su función de probabilidad.10 Obtener y graficar la función de probabilidad acumulada de una variable aleatoria continua dada su función de probabilidad.2 TEMAS Y SUBTEMAS: UNIDAD 02 VARIABLES ALEATORIAS Definir variables aleatorias discretas y continuas. 2. • Concepto de distribución de muestreo.11 Obtener probabilidades de eventos con la función de distribución acumulada.12 Verificar que una función dada es una función de densidad 2 2. Obtener la probabilidad de eventos haciendo uso de la probabilidad de una variable aleatoria discreta.Licenciatura en Informática Administrativa UNIDAD 02.

Estas descripciones numéricas son observaciones aleatorias. Para su utilización en estadística. la utilización de clasificaciones cualitativas. Así pues. una variable aleatoria es una variable matemática cuyos valores posibles son las descripciones numéricas de todos los resultados posibles de un experimento estadístico. un espacio no numerable (o un espacio infinito de tipo C o infinito dos) En general. Variables cualitativas que son las que proceden de experimentos cuyos resultados expresan una cualidad no numérica que necesita ser cuantificada. Otra clasificación más operativa de las variables aleatorias sería: • Variable discreta: Aquella que se define sobre un espacio muestral numerable. estos datos tienen que despojarse de detalles accesorios para convertirse en descripciones numéricas del resultado. A los valores posibles de la variable aleatoria se les asigna una probabilidad que es la frecuencia del resultado al que corresponden. • Variable continua: Es aquella que se define sobre un espacio asimilable al conjunto de los números reales. es decir. A las observaciones aleatorias se les considera como la expresión en cada caso concreto de una variable aleatoria que toma valores en los resultados del experimento. la regla de oro es que todas las variables que proceden de experimentos en los que se cuenta son discretas y todas las variables que proceden de experimentos en los que se mide son continuas. son variables discretas. asignándoles a cada uno un número de la serie de los números naturales (del 1 al n ó del 1 al I). finito o infinito.Licenciatura en Informática Administrativa Introducción: Variables aleatorias Como dijimos. un experimento estadístico es cualquier proceso que proporciona datos. una variable aleatoria es una función cuyos valores son números reales determinados por los elementos del espacio muestral. Espacio numerable es aquel cuyos elementos se pueden ordenar. UNIVERSIDAD VASCO DE QUIROGA 39 . Se pueden distinguir distintos tipos de variables aleatorias según dos criterios de clasificación: • • Variables cuantitativas que son las que resultan de experimentos cuyos resultados son directamente numéricos. restringe a la mera descripción las posibilidades de manejo estadístico. Todas las variables con un número finito de valores y todas las que tomen valores en números enteros o racionales (fraccionarios). es decir.

. como el sabor de una sopa. el número de autos compactos en una agencia de ventas. Como los dividendos. También se pregunta cuál es la categoría socio-profesional en la que se sitúa el encuestado: Su profesión es: UNIVERSIDAD VASCO DE QUIROGA 40 . Buena. Variables cuantitativas: Representan la cantidad o monto de algo. Variables cualitativas nominales y ordinales. la consistencia de una pasta. Variable discreta: Si el número de valores que puede tomar la variable aleatoria es contable se conoce como variable discreta. Normal. Variables cualitativas y cuantitativas Variables cualitativas: Son aquellas que denotan una cualidad. ejemplos las estatuas y pesos de un grupo de personas. En una encuesta sobre el gasto turístico se pregunta a los visitantes de una autonomía cuál es la impresión que han obtenido de su viaje.Licenciatura en Informática Administrativa Variables Continuas y Discretas Variables continuas: Son las que pueden adoptar un número infinitamente grande de valores que corresponden a un intervalo de una recta. La pregunta y las posibles respuestas son las siguientes: La impresión que ha tenido de su viaje ha sido: • • • • Muy buena. el tiempo entre eventos. se describe contando el número de observaciones en cada categoría. Mala. el tiempo para llenar un formulario.. los conceptos asociados a la distribución de frecuencia y los limitados estadísticos que pueden emplearse en la descripción. el matiz de un producto. la producción petrolera. El capítulo se cierra con algunos de los procedimientos gráficos empleados para representar las distribuciones de estas variables. ejemplo: número de productos no conformes de un lote. Característica o atributo. Descripción de variables cualitativas Definiremos las variables cualitativas nominales y ordinales.

Por distribución de frecuencias se entiende el registro de todas las posibles categorías o valores de la variable. calificándose como de tipo ordinal (la primera) y nominal (la segunda). al contrario de las de una variable ordinal. la respuesta “muy buena” indica un nivel de satisfacción mayor que “buena”. Las variables cualitativas nominales únicamente ponen nombre a una característica. Además de las frecuencias absolutas se suelen presentar las frecuencias relativas de cada categoría.…. no es posible ordenar de menos a más las respuestas de una variable como la categoría profesional. En la pregunta sobre la impresión del viaje. Trabajador Autónomo. La principal herramienta de análisis de una variable de tipo cualitativo es el simple recuento del número de los casos dentro de cada categoría. Estudiante Otras. Supongamos que tenemos una variable A. ésta última respuesta estaría a su vez por encima de “normal” y “mala” señalaría en nivel mínimo de satisfacción. Frecuencia relativa y frecuencia relativa acumulada. frecuencia absoluta (que denotaremos ni). de manera más precisa. junto con sus frecuencias asociadas. en algún sentido. Las anteriores variables son de tipo cualitativo. El primer objetivo es conocer cuántos individuos tienen cada característica. que puede tomar las categorías A1. Administrativo. A2. no pueden ordenarse de menos a más. La distinción entre ellas es clara. emplearemos también el término “valores” de la variable. Las respuestas pueden.Licenciatura en Informática Administrativa • • • • • • • • Directivo o empresario. La frecuencia relativa se define como la frecuencia absoluta dividida por el total de observaciones: UNIVERSIDAD VASCO DE QUIROGA 41 . ordenarse de menos a más. Trabajador manual. Además de referirnos a las categorías de una variable. Las categorías de una variable nominal. En estadística. el número de veces que se repite una de las categorías o valores de la variable se denomina frecuencia o. Funcionario. Distribución de frecuencias. En cambio. Jubilado. La principal herramienta de análisis de una variable de tipo cualitativo es el simple recuento del número de los casos dentro de cada categoría. las variables ordinales llevan asociadas un orden en las respuestas. AI.

La idea de acumulación facilita conocer rápidamente el número de observaciones que están por debajo de un determinado valor o categoría. para el total de n observaciones. Se distingue entre frecuencias acumuladas absolutas y relativas. UNIVERSIDAD VASCO DE QUIROGA 42 . los I distintos atributos de la variable.Licenciatura en Informática Administrativa Cuando se trabaja con una variable de tipo ordinal (cuyas categorías se pueden ordenar de menor a mayor) se pueden calcular las frecuencias acumuladas. En la misma aparecerían. La frecuencia absoluta acumulada se define como: Y la frecuencia relativa acumulada como: Sólo tiene sentido hablar de valores acumulados cuando las respuestas de la variable se han ordenado de menor a mayor. sus frecuencias absolutas. La imagen estándar de una distribución de frecuencias es tan sencilla como la que se muestra en el siguiente cuadro. las frecuencias relativas y las frecuencias relativas acumuladas. lo que sólo es posible si la variable cualitativa es de tipo ordinal.

La vivienda en propiedad y ya pagada. • La frecuencia relativa (Percent) . Aunque no es estrictamente necesario suele ser cómodo. podemos describir de una manera cuantitativa su relación con la propiedad de su vivienda. El número de individuos que tiene cada una de las categorías. 1 y 2 reflejan las categorías de alquiler. con un 36. Ante una muestra concreta de familias. la vivienda es de propiedad con la hipoteca pendiente o la vivienda es de propiedad sin hipoteca. con un 43. igual a 1cuando la vivienda es de propiedad pero tiene la hipoteca aún vigente y valor 2. UNIVERSIDAD VASCO DE QUIROGA 43 . Finalmente. En nuestro ejemplo se ha definido una variable denominada “vivienda” que toma un valor igual a 0 cuando la vivienda es de alquiler. distinguiendo tres posibles categorías: la vivienda está en alquiler. convertir las categorías en etiquetas numéricas. En el cuadro aparecen los siguientes conceptos: • Los valores que toma la variable (Value). La segunda es la categoría de vivienda en alquiler. cuando se graban los datos. • La frecuencia relativa acumulada (Cum Percent). Para esta variable los valores 0. Definida como el cociente entre la frecuencia absoluta y el número total de observaciones. Régimen de propiedad de la vivienda. vivienda con hipoteca vigente y vivienda de propiedad (en la columna Value Label se muestran las “etiquetas” de la variable). si la vivienda es de propiedad y sin hipoteca. • La Frecuencia absoluta (Frequency).8% de declarantes.1% de los declarantes tiene el mayor porcentaje de individuos. La frecuencia relativa acumulada se define como la suma acumulada de los porcentajes relativos de las categorías anteriores y hasta la propia categoría. la categoría con menos individuos corresponde a la de declarantes que viven en vivienda de propiedad.Licenciatura en Informática Administrativa Ejemplo 1. En el cuadro se muestra la distribución de frecuencias de una muestra de 4791 declarantes. El régimen de propiedad de la vivienda familiar puede considerarse como una variable cualitativa.

La importancia de cada una de las categorías es fácil de percibir cuando el número de categorías de la variable es muy pequeño.Licenciatura en Informática Administrativa aún no pagada. el sentido de la acumulación puede ser confuso. puesto que al no existir un orden en las categorías. Los resultados de la distribución de frecuencias se pueden acompañar de ayudas gráficas que facilitan la lectura de la información. El diagrama de barras representa gráficamente las frecuencias (absolutas o relativas) de la variable. Los porcentajes acumulados no tienen una interpretación “inocente” cuando se tratan variables de tipo cualitativo. La frecuencia relativa se define como la frecuencia en cada clase dividida por el total de observaciones: La frecuencia relativa acumulada en cada clase se define. Su objetivo es disponer de una visualización clara y rápida de la importancia de cada una de las categorías de la variable. UNIVERSIDAD VASCO DE QUIROGA 44 . Diagrama de barras. En la gráfica se muestra el diagrama de barras correspondiente al ejemplo anterior.9% de los individuos viven en régimen de alquiler o en vivienda propia con hipoteca puede ser una información sin sentido. su frecuencia absoluta o relativa (que se muestra en un segundo eje). una vez ordenadas las respuestas desde la categoría inferior a la superior. para cada una de las categorías de la variable (indicada en uno de los ejes de la gráfica). El diagrama de barras representa. como: En variables de tipo cualitativo nominal el porcentaje acumulado de frecuencias no debe leerse de manera automática. La información de que el 56.

La diferencia esencial es que este segundo tipo de variable admite un cero verdadero (toneladas consumidas o número de empleados. no es más que una “etiqueta”. Las variables cuantitativas tienen una escala de intervalo si se pueden ordenar sus valores y.Licenciatura en Informática Administrativa Descripción de variables cuantitativas Las variables de tipo cuantitativo son aquellas que toman. además. pero eso no las convierte en cuantitativas. puesto que el número. o que entre dos individuos hay una diferencia de veinte unidades. donde el UNIVERSIDAD VASCO DE QUIROGA 45 . por ejemplo. Escala de intervalo y escala de cociente. en su caso. Las categorías de las variables cualitativas pueden relacionarse con valores numéricos. Permite afirmar. valores numéricos. se pueden realizar con ellos las operaciones de suma y resta. en la escala de intervalo puede medirse la distancia entre distintas observaciones. que un individuo tiene un valor que supera en diez unidades al que toma otro individuo. Desde un punto de vista teórico se distingue entre variables cuantitativas medidas en escala de intervalo y en escala de cociente. por ejemplo. careciendo de sentido operar matemáticamente con ellos. La primera característica la comparte con las variables cualitativas ordinales. en lugar de categorías. pero al contrario que en aquéllas. Las variables con escala de cociente añaden a estas características la de incorporar un origen no arbitrario.

el primer paso del análisis. desde el punto de vista práctico. Normalmente. El trabajo con intervalos de la variable. en lugar de con cada uno de sus posibles valores. como en el caso de las variables cualitativas.Licenciatura en Informática Administrativa cero se entiende como inexistencia) y permite el cálculo de proporciones entre los distintos valores (una observación toma un valor que es el doble que el de otra). En este primer ejemplo vamos a obtener la distribución de frecuencias y el diagrama de barras del número de hijos de una muestra de familias españolas. Distribución de frecuencias. no siempre se realiza una distinción entre ellas. porque la información está poco resumida. ordenarlos de menor a mayor y contar el número de veces que aparece cada valor nos dará una idea de su comportamiento. es el procedimiento normal para conseguir una imagen sintética de la distribución. la idea de crear una distribución de frecuencias debe ser. La distribución de frecuencias para una muestra de esta variable Número de hijos del hogar aparece en el cuadro 1 y su representación en un diagrama en barras en la gráfica UNIVERSIDAD VASCO DE QUIROGA 46 . La imagen general que se pretende dar con la distribución de frecuencias puede ser entonces poco útil. Diagrama de barras. Distribución de frecuencias del número de hijos. es decir. El único problema que se plantea con una variable de tipo cuantitativo es que suele tomar un número de valores mucho mayor que las posibles categorías de una variable cualitativa. La idea de recuento. La muestra de 1254 familias está formada por una selección aleatoria de declarantes que ya hemos analizado anteriormente. Observar los distintos valores que toma una variable. Ejemplo 1.

0 3.7 2. 3.8 3.1 4.8 3.7 4.3 3.6 2.3 = 3 UNIVERSIDAD VASCO DE QUIROGA 47 .3 2.1 5.1 3. alrededor de los cuales se organizan los datos en el histograma de frecuencias.3 2. Por ejemplo: Sean los réditos comunes % para 25 acciones.2 2. información que a priori no conocíamos.9 n = 25 Observaciones K = 7 Clases Rango = 5.3 4. 5. 2. 4. El número de hijos en la muestra toma únicamente valores 0.3 3.0 3.8 5.6 3.4 3.2 4.2 3. 1.2 3.Licenciatura en Informática Administrativa El primer resultado interesante de la distribución es el disponer de los valores que toma la variable. 3. Organización y clasificación de los datos de las tablas Se organizan los datos creando clases.5 3.3 4.3 – 2.

2.8 .2 3.4.42 ≈ 0. 0 fr (A) 1 cualquiera que sea el suceso A.3 . La frecuencia relativa del suceso A: Propiedades de la frecuencia relativa: 1.Licenciatura en Informática Administrativa Límite de clase = 3/7 = 0. 3.2.2 5.7 4.4 Clase Límite Marca Frecuencia Frecuencia relativa 1 2 3 4 5 6 7 2. fr(E) = 1 fr(Ø) = 0.. fr( ) = fr(A) + fr(B) si = Ø..8 .7 3. UNIVERSIDAD VASCO DE QUIROGA 48 ..3. Esta propiedad es conocida como ley de los grandes números.5.2 4. 1111 111111 111111 1111 111 1 1 4 6 6 4 3 1 1 4/25 6/25 6/25 5/25 3/25 1/25 1/25 Probabilidad básica Un experimento aleatorio se caracteriza porque repetido muchas veces y en idénticas condiciones el cociente entre el número de veces que aparece un resultado (suceso) y el número total de veces que se realiza el experimento tiende a un número fijo.3 .3.4.3 .8 .7 2. establecida por Jakob Bernouilli Podemos definir probabilidad de un suceso como el número al que tiende la frecuencia relativa asociada al suceso a medida que el número de veces que se realiza el experimento crece.3 .

la probabilidad de su unión es igual a la suma de sus probabilidades. P(E) = 1. La Probabilidad de cada suceso es un número que verifica: Cualquiera que sea el suceso A. P(A) 0. En el caso de que todos los sucesos elementales del espacio muestral E sean equiprobables. Laplace define la probabilidad del suceso A como el cociente entre el número de resultados favorables a que ocurra el suceso A en el experimento y el número de resultados posibles del experimento. =Ø P( ) = P(A) + P(B). Definición de Laplace. 1.Licenciatura en Informática Administrativa Esta definición presenta el inconveniente de tener que realizar el experimento un gran número de veces y además siempre obtendremos un valor aproximado de la probabilidad. Si dos sucesos son incompatibles. 2. Ejemplo: • Registrar la producción diaria en una fábrica. • La paridad del dólar con el peso. La definición axiomática de probabilidad se debe a Kolmogorov. Sea E el espacio muestral de cierto experimento aleatorio. Los resultados de un experimento se les conoce como eventos y se registran con literales mayúsculas así la probabilidad de un evento A se denota UNIVERSIDAD VASCO DE QUIROGA 49 . Experimento: proceso mediante el cual se obtiene una observación ( o una medida de un fenómeno). Eventos A. quien consideró la relación entre la frecuencia relativa de un suceso y su probabilidad cuando el número de veces que se realiza el experimento es muy grande. La probabilidad total es 1.

despliega el conjunto eventual I1 I2 I1 I3 I1 I4 I1 I5 I1 I6 I2 I3 I2 I4 I2 I5 I2 I6 I3 I4 I3 I5 I3 I6 I4 I5 I4 I6 I5 I6 15 opciones distintas de inversión Si posteriormente se conoce que las tres primeras fueron las más lucrativas.Licenciatura en Informática Administrativa como P(A)= n/N también conocido como frecuencia relativa de probabilidad. tomando la decisión en pares de inversiones. I1 I2 I1 I3 I2 I3 =1/15+1/15+1/15=3/15=0. si ocurre con seguridad P(A)=1 Intersección de eventos A y B: Es el evento en donde ambos ocurren. se lee P(AB) Unión de A y B: Denotando como AUB es la probabilidad de que alguno de los 2 eventos ocurra o bien ambos.2=P(A) Probabilidad básica P(A)=1-P(A^) Espacio muestral A A^ UNIVERSIDAD VASCO DE QUIROGA 50 . si un conjunto no puede ocurrir P(A)=0. Eventos mutuamente excluyentes: Donde no pueden ocurrir ambos eventos a la vez. que probabilidad hay de que haya seleccionado solo las más lucrativas. ejemplo que P(AB)=0 A: Suba el dólar B: Baje el dólar C: No haya variación - Si A y B son eventos mutuamente excluyentes la probabilidad de que ocurra A o B estaría dada por P(AUB) =P(A)+P(B) Ejemplo Un inversionista depositará 10000 en un conjunto de 6 inversiones.

dos eventos se relacionan muchas veces de tal manera que la probabilidad de ocurrencia de en evento depende o no de la ocurrencia de otro.5.3.2. 3/6-------. o ambos F: Observar A y C Evento simples: 1.4. 1/6-------. 1/6-------2 Probabilidad condicional y eventos independientes.3 O A U B: 4/6------. no depende de la ocurrencia del otro.2.3.3.4.5.2 3/6-------.3.Licenciatura en Informática Administrativa La unión de 2 eventos A y B P(A U B)=P(A)+P(B)-P(A П B) Evento A Espacio muestral Evento B Un experimento consiste en tirar un dado.1. P (B/A)= P(B) P(A/B) =P(A) También P(AB) =P(A)P(B) Ejemplo: UNIVERSIDAD VASCO DE QUIROGA 51 .6.1. especifique los eventos simples A: Caer 2 B: Caer impar C: Caer un número menor que 4 D: Observar ambos A y B E: Observar A y B. P (B/A)= P(AB)/P(A) La probabilidad de B dado que ocurrió el evento A P (A/B)= P(AB)/P(B) Son independientes si la probabilidad de uno.1.

Distribuciones de probabilidad Recordemos inicialmente que existen las variables aleatorias. xi P(xi) UNIVERSIDAD VASCO DE QUIROGA 52 . la cual es la distribución de las probabilidades asociadas a cada uno de los valores de la variable aleatoria. la probabilidad asociada a cada uno de tales valores puede ser organizada como una distribución de probabilidad. en cuyo caso tal regla de correspondencia se le denomina función de probabilidad. dado que el consumidor es mujer. P(AB)=516/1000 Que el pedido sea para la línea cara. La relación entre valores y probabilidades en una variable X se puede expresar de forma tabular de la siguiente manera: Valores de X P(X = x) x1 P(x1) x2 P(x2) . siendo aquellas que se asocian a la ocurrencia de un fenómeno aleatorio. las prendas se clasifican según la siguiente tabulación por género y por clase: Línea Cara 132 516 648 Sexo Masculino Femenino Total a) b) c) d) Barata 147 205 352 Total 279 721 1000 Calcular la probabilidad de que el consumidor sea mujer. “B” P(B)=648/1000 Que sea para la línea cara y sea una mujer quien compra.Licenciatura en Informática Administrativa Una casa oferta ropa. “A” P(A)=721/100 El pedido sea para la línea cara.. P(B/A)=P(AB)/P(A)=516/721. Las distribuciones de probabilidad pueden representarse a través de una tabla.. Función de probabilidad Una variable aleatoria discreta toma cada uno de sus valores con una determinada probabilidad. e) Demostrar si A y B son eventos independientes si P(B/A)=P(B) como 516/721≠648/1000 por lo tanto: Son eventos dependientes. Cuando una de estas variables aleatorias toma diversos valores. una gráfica o una fórmula.

la función de probabilidad se representa como f(x). f(x) = P(X = x) Las funciones de probabilidad sólo se definen para los valores de la variable aleatoria y deben cumplir tres propiedades: 1. Habitualmente. 3. es una función de la variable en la que al sustituir x por un valor. Por tanto. existe una forma sistemática de aplicación de los valores de la probabilidad a los valores de la variable. de modo tal que se puede establecer una ecuación que ligue ambos. con función de probabilidad f(x). Como consecuencia del segundo axioma. el valor que toma la función es la probabilidad de que la variable X asuma el valor x. la función de probabilidad de una variable aleatoria discreta X es una función tal que. e incluso imposible. UNIVERSIDAD VASCO DE QUIROGA 53 . Función de distribución La función de distribución F(x) de una variable aleatoria discreta X. el valor de la función es la probabilidad de que la variable tome valores menores o iguales que dicho valor x. Como consecuencia del primer axioma. al sustituir x por un valor de la variable. P(X = x) = f(x) Por definición.Licenciatura en Informática Administrativa Este método puede ser complicado. 2. A esta ecuación se le llama función de probabilidad. si los valores de la variable son muchos o infinitos. En algunos casos.

puede calcularse la probabilidad de que la variable tome valores en determinados intervalos (los intervalos en cuestión pueden ser abiertos o cerrados. xn Función de densidad Una variable aleatoria continua tiene la característica de tomar cada uno de sus valores con probabilidad infinitesimal.Licenciatura en Informática Administrativa La función de distribución se define para todos los números reales. a efectos prácticos. P(a ≤ X ≤ b) = P(X = a) + P(a < X < b) + P(X = b) = P(a < X < b) UNIVERSIDAD VASCO DE QUIROGA 54 . no se pueden expresar en forma tabular.. sus valores se dan de forma tabular. Supongamos. .. Normalmente. Por tanto.. Sin embargo. Su máximo es siempre 1 pues cuando el valor que se sustituye es mayor o igual que el valor máximo de la variable. x3. no sólo para los valores de la variable. por ejemplo que los valores de la variable X sean x1. aunque no se pueden considerar probabilidades de valores concretos. 0. x2. la probabilidad de que ésta tome valores menores o iguales que el sustituido es la probabilidad del espacio muestral. sin que se modifique la probabilidad total).

cuando existe una asignación regular de probabilidad se puede definir una función que nos permita calcular probabilidades para cualquier intervalo de valores. si no fuera así. sobre el eje de las X. Esta construcción es una extensión por diferenciación del concepto de histograma. la integral de f(x) sobre todo el campo de variación de X es igual a 1. construida de forma tal que la altura de la curva. en abierta contradicción con la definición de probabilidad. Es evidente que f(x) es siempre positiva pues si no lo fuera cabría la posibilidad de encontrar intervalos para los cuales la integral sería negativa y eso significaría probabilidad negativa. a esta función se le llama función de densidad.Licenciatura en Informática Administrativa Tal como ocurría en el caso de las variables discretas. La función de densidad debe cumplir tres condiciones análogas a las de la función de probabilidad: como consecuencia del primer axioma como consecuencia del segundo axioma por definición UNIVERSIDAD VASCO DE QUIROGA 55 . Como consecuencia. en cada punto es el cociente entre el diferencial de la probabilidad en dicho punto y el diferencial de x. f(x) La función de densidad de una variable aleatoria continua X es una función continua tal que su integral entre los extremos de un intervalo nos da el valor de la probabilidad de que X tome valores en ese intervalo. La función de densidad siempre se define para todos los valores en el intervalo (-∞. la función se define como igual a cero para todos los valores no incluidos en el campo de variación de X. La representación gráfica de la función de densidad en un sistema de ejes cartesianos es la de una curva continua.∞) Esto no ofrece problemas si el campo de variación de X se extiende por todo el intervalo.

las funciones de distribución nos pueden servir para calcular probabilidades. de la siguiente manera: Las características de F(x) son iguales a las expuestas para el caso de las variables discretas. UNIVERSIDAD VASCO DE QUIROGA 56 .Licenciatura en Informática Administrativa Función de distribución Para variables continuas también se define la función de distribución. para variables continuas. la función de densidad es la derivada respecto a X de la función de distribución. salvo que. obviamente. en el caso de las variables continuas: Dada su definición. Por ejemplo. Las funciones de distribución de las variables continuas más interesantes están tabuladas. nunca se expresan en forma tabular. En general. cualquiera que sea el tipo de variable. resulta que.

Cuando n sea igual a infinito.Licenciatura en Informática Administrativa Valor esperado de una variable Supongamos que hemos realizado n veces un experimento aleatorio que genera una variable X. el valor esperado de ésta queda multiplicado por el valor de la constante. el valor esperado de X se calcula según decíamos anteriormente sumando los productos de los valores de la variable por sus respectivas probabilidades. UNIVERSIDAD VASCO DE QUIROGA 57 . E[X]. En el caso de una variable continua Propiedades del valor esperado • Al multiplicar todos los valores de una variable por una misma constante. el valor medio del experimento se llama valor esperado o esperanza matemática. Si X es una variable discreta con función d probabilidad f(x). El valor medio del experimento en estas n repeticiones es la suma de los productos de los valores de la variable por su frecuencia relativa.

discretas o continuas. • Si tenemos dos variables X e Y.Licenciatura en Informática Administrativa • Al sumar a todos los valores de una variable una misma constante. el valor esperado de ésta queda incrementado por el valor de la constante. el valor esperado de su suma o diferencia es la suma o diferencia de sus valores esperados E[X ± Y] = E[X] ± E[Y] UNIVERSIDAD VASCO DE QUIROGA 58 .

E[X Y] = E[X] E[Y] Es importante indicar que la independencia de las variables es condición suficiente pero no necesaria para que el valor esperado del producto de dos variables sea igual al producto de sus valores esperados. El valor esperado de z(x) es el k-ésimo momento de la variable X respecto a su origen y se llama • • k=0 k=1 A este primer momento respecto al origen que es igual al valor esperado se le llama también media aritmética de la variable y se le denomina µX. Media Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X que sea igual a la variable elevada a un exponente entero no negativo.Licenciatura en Informática Administrativa • Si las variables anteriores. simplemente µ. es decir. UNIVERSIDAD VASCO DE QUIROGA 59 . ésta es una propiedad de las variables independientes pero se cumple en variables que no son independientes. X e Y son variables aleatorias independientes ocurre que el valor esperado de su producto es igual al producto de sus valores esperados.

Licenciatura en Informática Administrativa En la mayoría de los casos. la media µ expresa la tendencia central de la variable o el orden de magnitud de sus valores. Para calcular la varianza por un método más sencillo se utiliza la expresión: Es decir. Esta propiedad se utilizar reiteradamente en las demostraciones estadísticas. El resto de los momentos respecto al origen tienen escaso interés en la mayoría de los casos. UNIVERSIDAD VASCO DE QUIROGA 60 . Varianza Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X que sea igual a la diferencia entre la variable y su media aritmética elevada a un exponente entero no negativo. La varianza de una variable mide la dispersión de sus valores respecto al valor central µ. la varianza de una variable es igual a la media de los cuadrados menos el cuadrado de la media. El valor esperado de z(x) es el k-ésimo momento de la variable X respecto a la media y se llama µk. k=0 k=1 Es decir. k=2 Este segundo momento respecto de la media se le llama también varianza. en cualquier variable aleatoria su primer momento respecto de la media es igual a 0.

Para obviar este problema se define otra medida de la dispersión que es la desviación típica. o simplemente σ.80/(5-1)=57 (Xi-X media)² 1. evidentemente.. que se calcula como la raíz cuadrada positiva de la varianza.80 Desviación estándar: será la raíz cuadrada de la varianza. Ѕ=√ Ѕ²=√[∑i=1.84 3.n =19 Por lo tanto Xi-X media 5-3.n (Xi.8=1.2 -2. σX.2 3. la desviación típica se mide en las mismas unidades que la variable Ejemplo Consideremos la siguiente tabla: Xi 5 7 1 2 4 ∑i.44 10.Licenciatura en Informática Administrativa Desviación estándar o típica El principal problema de la varianza es que se expresa en unidades cuadráticas que no siempre tienen una interpretación clara.8 -1.X media )²/ n-1] UNIVERSIDAD VASCO DE QUIROGA 61 .24 7..04 22.2 0 Ѕ²=22.8 0.24 0.

como por ejemplo la comparación de situaciones en las que la unidad de medida o el orden de magnitud de esta sea diferente.Licenciatura en Informática Administrativa Otra forma para calcular S Xi 85 70 60 90 81 ∑xi=386 Xi² 7225 4900 3600 8100 6561 ∑xi²=30386 X media=386/5=77. Covarianza En este contexto de la medida de la variación se plantea el problema de medir la variación conjunta de variables de variables asociadas. Supongamos que tenemos dos variables aleatorias X e Y. C V.1 S=√∑i=1.. con función de probabilidad o densidad conjunta f(x.y) tiene la misma estructura que (X ..y) y definimos una función z(x.n(Xi. discretas o continuas.n Xi)²/n]/n-1 S²=√[(30386-386²/5)/5-1]=12.µ) (X .nXi²-(∑i=1.µ)2 = (X . la desviación típica no resuelve todos los problemas que se pueden plantear. z(x.X media )²/n-1 = √586.1 El coeficiente de variación No obstante. Para resolver esta cuestión se define una medida adimensional de la variabilidad que es el coeficiente de variación.y) igual al producto de las desviaciones de cada valor a su media respectiva (es decir..X media )²]/n-1= S² =[∑i=1.2 S²=[∑i=1.µ) si sustituimos una vez a X por Y). que se calcula como el cociente entre la desviación típica y la media (a veces este cociente se expresa en tanto por ciento multiplicándolo por 100)..8/4=12.n(Xi. UNIVERSIDAD VASCO DE QUIROGA 62 .

y) > 0 cov(x.y) se le llama covarianza de las variables X e Y y se representa como σxy o cov(x. • σxy es positiva si los valores altos de X están asociados a los valores altos de Y y viceversa. un medio más sencillo para calcular la covarianza de dos variables. Coeficiente de correlación En el caso de la covarianza tenemos el mismo problema que se nos presentó con la varianza. La independencia es condición suficiente pero no necesaria para que la cov(x. • σxy es negativa si los valores altos de X están asociados a los valores bajos de Y y viceversa.y) = 0 . cov(x. una medida del grado y tipo de su relación.y).Licenciatura en Informática Administrativa Al valor esperado de z(x. La covarianza es una medida de la variación común a dos variables y. la covarianza se expresa en términos del producto de las UNIVERSIDAD VASCO DE QUIROGA 63 . es decir. algebraicamente. • Si X e Y son variables aleatorias independientes cov(x. por tanto.y) < 0 Se puede deducir.y) sea nula.y) = 0 cov(x.

000 ¿Cuál será la ganancia esperada del adquiriente de los boletos? X p(x) $= ocurrencia $-7998/8000 Probabilidad de perder o donar $10 $-2/8000. siendo su signo igual al de la covarianza.S S.. el auto tiene un costo de $12. ambos problemas se solucionan de una vez mediante la definición del coeficiente de correlación. Espacio eventual. entre las dos variables y correlaciones iguales a 0 implican ausencia de asociación. positiva o negativa.. La correlación toma valores entre -1 y 1. ρ. que se define como el cociente entre la covarianza y el producto de las desviaciones típicas de las dos variables.Licenciatura en Informática Administrativa unidades de medida de ambas variables.. Ejemplos Ejemplo 1: Sea x el número observado al tirar un dado. S.000.. la independencia es condición suficiente pero no necesaria.C X 0 1 1 P(X) ¼ ¼ ¼ E(x) 0 1/4 1/4 (x. las variables independientes tienen correlación 0.. de un tiraje de 8.. En este caso.2.µ)² P(x) ¼ 0 0 64 UNIVERSIDAD VASCO DE QUIROGA .S C. Probabilidad de ganar el auto E(x)=-10(7998/8000) +11990(2/8000)=-$7 lo esperado es que done 7 pesos Ejemplo 3: Sea X el número de caras en el lanzamiento de 2 monedas.. obtenga su valor esperado: X=1. Por otra parte también es difícil comparar situaciones diferentes entre sí. Correlaciones con valor absoluto 1 implican que existe una asociación matemática lineal perfecta. pero nuevamente. lo cual no siempre es fácilmente interpretable.6 con P(1)=P(2)=1/6 E(x)=∑x=1.µ)² (0-1)²=1 (1-1)²=0 (1-1)²=0 (x. encuentre su valor esperado y varianza. Correlaciones con valores absolutos intermedios indican cierto grado de asociación entre los valores de las variables. Obviamente.+.6XP(x)=1(1/6)+2(1/6)+.6(1/6)=21/6 Ejemplo 2: Se compran dos boletos de $ 5 pesos c/u.

Licenciatura en Informática Administrativa

C.C

2

¼ ∑=1.0

2/4 ∑=1.0

(2-1)²=1

¼ ∑=1/2=δ²

Ejemplo 4: Sea una variable aleatoria con la distribución de probabilidad dada X -1 0 1 2 3 4 5 P(x) .05 .1 .4 .2 .1 .1 .05

µ=E(x)=-1(0.05)+0(0-1)+2(0.2)+3(0.1)+4(0.1)+5(0.05)=1.3 δ²=(-1-1.3)²(0.05) (0-1.3)²(0.1) (1-1.3)²(0.4) (2-1.3)²(0.2) (3-1.3)²(0.1) (4-1.3)²(0.1) (5-1.3)²(0.05) δ²=2.27 δ=√2.27=1.506

¿Qué probabilidad tiene X de caer +/- 2δ? -1.712 a 4.312 =95%

UNIVERSIDAD VASCO DE QUIROGA

65

Licenciatura en Informática Administrativa

UNIDAD 03. DISTRIBUCIONES DISCRETAS
3.1 OBJETIVOS PARTICULARES
Al finalizar esta Unidad el estudiante:

• Conocerá el concepto de función de una variable aleatoria continua y obtendrá probabilidades a partir de la función de densidad. • Identificara si la función dada es una función de densidad y aplicara el tipo de distribución adecuado para la solución de problemas.

3.2 TEMAS Y SUBTEMAS:
UNIDAD 03
DISTRIBUCIONES DISCRETAS Definir la imagen de una función de probabilidad. el valor esperado y la varianza de las variables aleatorias discretas que tienen las siguientes distribuciones. 4.2 Bernoulli y binomial 4.3 Geométrica y binomial negativa. 4.4 Hipergeométrica. 4.5 Poisson. 4.6 Reconocer las condiciones bajo las cuales se puede aplicar cada uno de los modelos anteriores a la resolución de problemas. Aleatorias Resolución de problemas 4 4.1

UNIVERSIDAD VASCO DE QUIROGA

66

Licenciatura en Informática Administrativa

Distribuciones de variables discretas
Debido a que no sabemos la probabilidad de ocurrencia de variables discretas, lo que se hace es trabajar con estimaciones. Precisamente esto nos lleva a modelos teóricos que estiman los resultados, los principales son los que a continuación se presentan. Los modelos de distribuciones de probabilidad de variables discretas que se estudiarán son 1. Uniforme. Es la distribución donde todos los eventos elementales tienen la misma probabilidad. a. Por ejemplo: tirar un dado, donde la función P(X=x)=1/6 para valores de x=1,2,3,4,5,6. 2. Binomial. Es la que maneja la distribución de la probabilidad de obtener cierta cantidad de éxitos al realizar una cantidad de experimentos con probabilidad de éxito constante y con ensayos independientes. 3. Geométrica. Es la distribución de la probabilidad de realizar cierto número de experimentos antes de obtener un éxito. 4. Hipergeométrica. Es similar a la binomial, pero con un tamaño de muestra grande en relación al tamaño de la población. a. La función de Excel que proporciona sus valores es DISTR.HIPERGEOM 5. De Poisson. Es la distribución de la probabilidad de que ocurra un evento raro en un periodo de tiempo, un espacio o un lugar. a. La función de Excel que da los valores de la distribución es POISSON

Distribución uniforme
La distribución uniforme es la que corresponde a una variable que toma todos sus valores, x1, x2... , xk, con igual probabilidad; el espacio muestral debe ser finito. Si la variable tiene k posibles valores, su función de probabilidad sería:

Donde k es el parámetro de la distribución (un parámetro es un valor que sirve para determinar la función de probabilidad o densidad de una variable aleatoria) La media y la varianza de la variable uniforme se calculan por las expresiones:

UNIVERSIDAD VASCO DE QUIROGA

67

Cada prueba resulta en un suceso que cumple las propiedades de la variable binómica o de Bernouilli. la variable aleatoria X que cuenta el número de éxitos en las n pruebas se llama variable binomial.p = q 4. siendo n un número natural fijo. P(éxito) = p . 3. P(fracaso) = 1 . Se suele decir que una variable binómica cuenta objetos de un tipo determinado en un muestreo de n elementos con reemplazamiento. sólo existen dos posibles resultados.Licenciatura en Informática Administrativa El histograma de la función toma el aspecto de un rectángulo. En estas condiciones. Las pruebas son estadísticamente independientes. La probabilidad del ‚éxito (o del fracaso) es constante en todas las pruebas. por ello. Distribución binomial La distribución binomial es típica de las variables que proceden de un experimento que cumple las siguientes condiciones: 1. a la distribución uniforme se le suele llamar distribución rectangular. el espacio muestral está compuesto por los números enteros del 0 al n. mutuamente excluyentes. que se denominan generalmente como éxito y fracaso. UNIVERSIDAD VASCO DE QUIROGA 68 . El experimento está compuesto de n pruebas iguales. 2. es decir. Evidentemente.

n. a los que se denominarán éxito y fracaso. Por ejemplo: Los siguientes son ensayos Bernoulli. donde el número de ensayos se denota con n. Si consideramos una serie de ensayos Bernoulli que tiene como características: 1. el caso en que n = 4: Consideremos los llamados ensayos Bernoulli. éstos son aquellos experimentos cuyo resultado es uno de dos posibles y mutuamente excluyentes. UNIVERSIDAD VASCO DE QUIROGA 69 . los ensayos son independientes entre sí.Licenciatura en Informática Administrativa La función de probabilidad de la variable binomial se representa como b(x. y 2. la probabilidad de éxito con p y la de fracaso con q. n y p son los parámetros de la distribución. puede estar defectuoso o no defectuoso. • Un tornillo. la probabilidad de éxito permanece constante. el aspecto de la distribución depende de que sea o no simétrica Por ejemplo. La media y la varianza de la variable binomial se calculan como: Media = µ = n p Varianza = σ2 = n p q Gráficamente. Entonces se tiene lo que se denomina experimento binomial. • La respuesta correcta o incorrecta en un examen.p) siendo n el número de pruebas y p la probabilidad del ‚éxito. • El sexo de un bebé al nacer: niño o niña. ensayo tras ensayo.

UNIVERSIDAD VASCO DE QUIROGA 70 .95)¹⁰=0.El significado de la palabra “^Xkzñ” es a) Lápiz b) árbol c) miedo d) fiera Con esto contamos con un experimento binomial..91385 p(0)=10C0*(0.2)²(0. a) Cuál es la probabilidad de que dos compren el producto b) Que al menos dos compren el producto.1808 p(3)= [4!/(3!*1!)]*(0. 1. p(2)= [4!/(2!(4-2))]*(0. Se cuenta con una cantidad n=3 de ensayos y q=1-p=3/4. con cuatro opciones..0016 Ejemplo: Se realiza un plan de muestreo para conocer la probabilidad de aceptar un lote defectuoso. ya que la probabilidad de éxito permanece constante en las tres preguntas (p=¼) y las respuestas de una a otra pregunta son independientes entre sí.8)º=0.8)²=0.2)⁴ (0.2)³(0. P= aceptar lotes buenos. Ejemplo: Se conoce que un vendedor determinado puede concluir una compra con 20% de probabilidad de éxito.05)⁰*(0.31512 p(x>1)=1-p(0)-p(1)=0.Don Luis Inocuo descubrió el trideralto de magnesio en: a) 1518 b) 1635 c) 1457 d) 1706 3. c) De que compren el producto.Las flores de la carrastrana frisólea son: a) rojas b) azules c) amarillas d) naranjas 2.95)⁹=0.. si entrevista a 4 prospectos. p= aceptar lotes malos p(x≤1)=p(0)+p(1)=0. Hay que decir que n y p son los llamados parámetros de la distribución.1536 p(x>2)=p(2)+p(3)+p(4)=0. se selecciona una muestra de los artículos y una aceptación de hasta un artículo defectuoso.05)¹ (0. Se conoce históricamente que el 5% de los artículos tienen algún defecto.0256 p(4)=4C4*(0.Licenciatura en Informática Administrativa Hay que notar que las probabilidades de éxito y de fracaso están relacionadas de la siguiente manera: p+q=1.0861 Ejemplo: Consideremos un examen con tres preguntas de opción múltiple.8)¹=0.59873 p(1)=10C1*(0. y que será contestado al azar.

siendo sus posibles valores: 0.422 0. 2) K de los N objetos se pueden clasificar como éxitos y N .141 0.016 Distribución hipergeométrica Una variable tiene distribución hipergeométrica si procede de un experimento que cumple las siguientes condiciones: 1) Se toma una muestra de tamaño n. Así pues. UNIVERSIDAD VASCO DE QUIROGA 71 .K como fracasos. 2. de un conjunto finito de N objetos.422 0. tenemos que P(X=0)= P (F1∩F2∩F3)= P(F1)—P(F2)—P(F3) =(3/4)3 = 27 /64 =1—(3/4)3—(1/4)0 P(X=1)=P [(E1∩F2∩F3)∪(F1∩E2∩F3)∪ (F1∩F2∩E3)]=81/256=3—(3/4)2—(1/4)1 P(X=2)=P [(E1∩E2∩F3)∪(E1∩F2∩E3)∪ (F1∩E2∩E3)]=9/64=3—(3/4)1—(1/4)2 P(X=3)=P E1∩E2∩E3)= P(E1)—P(E2)—P(E3)= (1/4)3 = 1/64=1—(3/4)0—(1/4)3 Al presentar esta información como tabla y su respectivo histograma se obtiene: X 0 1 2 3 P(X=x) 0. El espacio muestral es el conjunto de los números enteros de 0 a n. X cuenta el número de ‚éxitos obtenidos en la muestra. consideraremos como E los éxitos y como F los fracasos (el subíndice indica el número de pregunta). ó de 0 a K si K < n. 1. sin reemplazamiento. y 3.Licenciatura en Informática Administrativa Tenemos ahora la variable aleatoria X que representará el número de respuestas correctas. Para calcular la distribución de probabilidad correspondiente.

Licenciatura en Informática Administrativa En este caso. mostramos los casos análogos a los de las binomiales del apartado anterior (p inicial = 0. La media de la variable aproximada (µ = n p = n (K / N)) es la misma que la de la variable antes de la aproximación. Como ejemplo. así pues. El aspecto de la distribución es bastante similar al de la binomial. La función de probabilidad de la variable hipergeométrica es: Los parámetros de la distribución son n.25 y n = 4) UNIVERSIDAD VASCO DE QUIROGA 72 . con relación a N (n << N). la probabilidad de un ‚éxito variar muy poco de una prueba a otra. El factor por el que difieren ser siempre menor que 1 y tan próximo a 1 como cierto sea que n << N. Por tanto. las pruebas no son independientes entre sí. en esta situación. N y K. la probabilidades se calculan más cómodamente aproximando por las ecuaciones de una binomial con p = K / N. la probabilidad del ‚éxito en pruebas sucesivas no es constante pues depende del resultado de las pruebas anteriores. es esencialmente binomial. así pues. la varianza de la variable binomial es ligeramente superior a la de la hipergeométrica. sin embargo. en este caso. Los valores de la media y la varianza se calculan según las ecuaciones: Si n es pequeño. la variable. N suele ser muy grande y los números combinatorios se vuelven prácticamente inmanejables.

Como consecuencia de estas condiciones. La probabilidad de un ‚éxito en un tiempo o espacio pequeño es proporcional al tamaño de este y no depende de lo que ocurra fuera de él. La función de probabilidad de una variable Poisson es: UNIVERSIDAD VASCO DE QUIROGA 73 . de las cuales 2 presentan defectos. El número de éxitos que ocurren en cada región del tiempo o del espacio es independiente de lo que ocurra en cualquier otro tiempo o espacio disjunto del anterior.3003/184756 P(x=5)0. de entre 20 doctores se seleccionan 10 ¿Cuál es la probabilidad de que incluyan a 5 de los mejores? N=20 n=10 r=5 P(x=5)=[5C5*15C5]/20C10=1. El experimento que la genera debe cumplir las siguientes condiciones: 1.01625 Distribución de Poisson Una variable de tipo Poisson cuenta éxitos (es decir. 2. La probabilidad de encontrar uno o más ‚éxitos en una región del tiempo o del espacio tiende a cero a medida que se reducen las dimensiones de la región en estudio. 3. las variables Poisson típicas son variables en las que se cuentan sucesos raros. objetos de un tipo determinado) que ocurren en una región del espacio o del tiempo. si se seleccionan 3 ¿Cuál es la probabilidad de que 2 presenten fallas? P(2)=[3C2*18C1]/20C7=0.Licenciatura en Informática Administrativa Ejemplo: Un furgón contiene 20 computadoras.01578 Ejemplo: En una selección de personal.

siendo np constante (y menor que 7).5 (derecha) y λ= 5 (abajo) Obsérvese que la asimetría de la distribución disminuye al crecer λ y que. UNIVERSIDAD VASCO DE QUIROGA 74 . Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes es otra Poisson con media igual a la suma las medias. en esta situación sería difícil calcular probabilidades en una variable binomial y. λ = 1.5 (izquierda). se utiliza una aproximación a través de una variable Poisson con media l = n p. en paralelo. El aspecto de la distribución depende muchísimo de la magnitud de la media. Como ejemplo. por tanto. La distribución de Poisson se puede considerar como el límite al que tiende la distribución binomial cuando n tiende a y p tiende a 0. mostramos tres casos con λ = 0. Esta característica puede servirnos para identificar a una variable Poisson en casos en que se presenten serias dificultades para verificar los postulados de definición. La varianza de la variable aproximada es ligeramente superior a la de la variable binomial.Licenciatura en Informática Administrativa El parámetro de la distribución es λ que es igual a la media y a la varianza de la variable. la gráfica empieza a tener un aspecto acampanado.

067205+2..1 con una Poisson Encuentre p(x≤3) Binomial p(x≤3=p(0)+p(1)+p(2)+p(3)=0. los accidentes industriales.7635 Numero éxito=3 Ensayos=25 Probabilidad de éxito=0..7 accidentes por año ¿qué probabilidad existe de que el número de accidentes sea menor que 2? P(x<2)=p(0)+p(1)=(2.2486 Ejemplo: Compara un experimento binomial con n=25 y p=0.7)⁰*e¯ ²·⁷/0!+(2. los reclamos de garantías.Licenciatura en Informática Administrativa Empleada para calcular las llegados de clientes.067205)=0.7(0.1 UNIVERSIDAD VASCO DE QUIROGA 75 .7)¹*e¯ ²·⁷/1! =0. También se utiliza para aproximar a la binomial cuando n es grande y p pequeño y cuando la media es menor que 7 Ejemplo: Las lesiones en una fábrica tienen una media de 2.

007 entre binomial y poisson X=3 µ=2.7575 µ=np =25(.1) Difiere tan solo en 0.5 Acumulado=3 UNIVERSIDAD VASCO DE QUIROGA 76 .Licenciatura en Informática Administrativa Acumulado=3 Poisson p(x≤3)=0.

frente a la media usando la distribución normal.1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Se mostraran los pasos para la hipótesis con el método del valor crítico.. UNIVERSIDAD VASCO DE QUIROGA 77 .2 TEMAS Y SUBTEMAS: UNIDAD 05 5 LA DISTRIBUCIÓN NORMAL 5.Licenciatura en Informática Administrativa UNIDAD 05. 5.2 Calcular probabilidades para eventos relacionados con una variable normal estándar 5. DISTRIBUCIÓN NORMAL 5.1 Uso de la distribución normal en el calculo de probabilidades 5.3 Distribuciones relacionadas con la distribución normal. Errores de tipo I Y II en pruebas de hipótesis.

Su función de densidad es la siguiente: Los parámetros de la distribución son la media y la desviación típica. UNIVERSIDAD VASCO DE QUIROGA 78 . Una variable es normal cuando se ajusta a la ley de los grandes números. respectivamente. es decir. cuando sus valores son el resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal. Es convexa entre ambos puntos de inflexión y cóncava en ambas colas. media y desviación típica no deben estar correlacionadas en ningún caso (como desgraciadamente ocurre en la inmensa mayoría de las variables aleatorias reales que se asemejan a la normal. Como consecuencia.Licenciatura en Informática Administrativa Distribución normal La distribución normal fue definida por De Moivre en 1733 y es la distribución de mayor importancia en el campo de la estadística. 3) La curva tiene dos puntos de inflexión situados a una desviación típica de la media. Las variables normales tienen una función de densidad con forma de campana a la que se llama campana de Gauss. 2) Es perfectamente simétrica respecto a la media (g1 = 0). en una variable normal. µ y σ. La curva normal cumple las siguientes propiedades: 1) El máximo de la curva coincide con la media.

por desgracia (o por suerte). Estas tablas tendrían que ser de triple entrada (µ.Licenciatura en Informática Administrativa 4) Sus colas son asintóticas al eje X. X. cualquier que sea la variable normal. habría que integrar la función de densidad entre los extremos del intervalo. la función de densidad normal no tiene primitiva. Para calcular probabilidades en intervalos de valores de la variable. Afortunadamente. Por ello la única solución es referirse a tablas de la función de distribución de la variable (calculadas por integración numérica). σ. valor) y el asunto tendría una complejidad enorme. no se puede integrar. es decir. se puede establecer una correspondencia de sus valores con los de otra variable con distribución UNIVERSIDAD VASCO DE QUIROGA 79 .

De forma análoga a lo pasaba con las variables Poisson.0101 Acotación: sigma=(varianza)^1/2=(9800)^1/2 Como 1. consultando en las tablas se pueden calcular probabilidades en cualquier intervalo que nos interese.8438. ¿Cuál será la probabilidad de que 8 personas excedan de 1300 libras? Datos: Varianza=9800 libras^2 Media=1200 libras X= 1300 libras P(x>=1300)=? Sustituimos en nuestro estimador Z=(1300-1200)/98.Licenciatura en Informática Administrativa normal.994=1. a la que se llama variable normal tipificada o Z. que representa la UNIVERSIDAD VASCO DE QUIROGA 80 . Histograma de una normal idealizada Histograma de una muestra de una variable normal Ejemplo: Se conoce que el promedio de peso de un límite de 8 personas en un ascensor es de 1200 libras. con una varianza de 9800 libras^2. el dato correspondiente en la tabla de la normal es 0. media 0 y varianza 1.0101 es positivo quiere decir que se ubica a la derecha de la media. la suma de variables normales independientes es otra normal. simplemente. La equivalencia entre ambas variables se obtiene mediante la ecuación: La función de distribución de la variable normal tipificada está tabulada y.

a partir de registros establecidos.1562 o 15. AUTOEVALUACIÓN Contesta las siguientes preguntas. a) Cuál es la probabilidad de tardar cuando menos una hora b) De que tarde menos de 30 minutos en leerla c) Para el 10% que leen asiduamente esta lectura.Licenciatura en Informática Administrativa probabilidad acumulada de todas las ocasiones en que ingresaron 8 personas al ascensor y que no excedieron de 1300 libras. suponga una desviación estándar de 16 minutos. normalmente distribuidos. nos ayuda a inferir sobre futuros comportamientos. UNIVERSIDAD VASCO DE QUIROGA 81 . Se encontró que de 10 personas.62% De 100 mediciones que se realicen en el ascensor poco mas de 15 veces. la suma de los pesos de las personas excederán de 1300 libras. Utilizando la distribución hipergeométrica a) Cuál es la probabilidad que 2 prefieran Coca b) Cual es la probabilidad que la mayoría prefiera Pepsi 3) A una aerolinea llegan en promedio 48 llamadas por hora a) Qué probabilidad hay de recibir 3 llamadas en el intervalo de 5 minutos b) La probabilidad de recibir 10 llamadas en 15 minutos c) Cuál es la probibilidad de ausentarse 3 minutos y no recibir llamadas 4) El tiempo promedio para leer una publicación del Wall Street Journal es de 49 min. 1) En una encuesta universitaria se encontró que el 33% de los estudiantes empleaban tarjeta de crédito.8438=. útil para predecir garantías pagaderas a productos que no cumplieron con lo establecido por ejemplo. Así la distribución de probabilidad normal. por tanto P(x>=1300 libras)=1-. a) En una muestra de 6 estudiantes que probabilidad hay de que 2 tengan tarjeta de crédito b) Qué por lo menos 2 tengan tarjeta de crédito c) Si la muestra es de 10 estudiantes que ninguno tenga tarjeta de crédito 2) En 1998 se realizó una encuesta para saber la preferencia en el consumo de refrescos de cola. Se selecciona una muestra aleatoria de 3 personas. 6 preferían Coca y 4 Pepsi. cuanto tiempo les toma la actividad.

1 OBJETIVOS PARTICULARES Al finalizar esta Unidad el estudiante: • Conocerá técnicas para hacer inferencias de una población 6.1 Distribución de muestreo e intervalos de confianza para la media 6.6 Otros intervalos de confianza. 6.5 Construir intervalos de confianza para la media de una población arbitraria con varianza conocida y desconocida. UNIVERSIDAD VASCO DE QUIROGA 82 . 6. 6.3 Determinar la cota del error de estimación de Mu mediante un coeficiente de confianza con varianza conocida. 6.2 TEMAS Y SUBTEMAS: UNIDAD 06 6 INFERENCIAS EN UNA POBLACIÓN. 6.Licenciatura en Informática Administrativa UNIDAD 06. INFERENCIAS EN UNA POBLACIÓN.2 Intervalos de confianza. 6.4 Determinar el tamaño de la muestra mínima.

b(p) . o de imposibilidad de localizar a todos ellos. nos conviene más decir que la población es la característica que se está estudiando. Y. En este caso.Licenciatura en Informática Administrativa Introducción El nombre "población" se utiliza en estadística por motivos históricos. aunque el modelo es el mismo. esto es. sería posible estudiar a todos los individuos. en general no es posible o conveniente hacerlo. denominamos población a la variable aleatoria que representa su comportamiento. puede que deseemos conocer si una moneda está cargada o no. esto es. y cero si no lo es. podemos hacer una investigación exhaustiva (censo) entre todos los alumnos matriculados y preguntarles si son fumadores o no lo son. es decir. por ejemplo. seleccionar una parte representativa de la población de alumnos para extraer conclusiones que serán extrapoladas a toda la población. de tiempo. o bien. aunque muchas veces el objeto de estudio sea de una naturaleza completamente distinta. si queremos conocer cuál es la proporción de fumadores entre los alumnos de la Escuela (la población). a que. El comportamiento de esa moneda puede describirse como una variable aleatoria. Por ejemplo: si en la Escuela hay 3000 alumnos de los cuales 1000 son fumadores. achacando las posibles desviaciones al azar. donde p es la probabilidad de que el alumno elegido al azar sea fumador. y cero si sale cruz. aunque el proceso de selección de la muestra sea sensato. por motivos de coste económico. si escogemos una muestra representativa formada por 30 alumnos. Decimos entonces que tenemos una población X ~ b(p). Esta cifra no se alcanza habitualmente con exactitud. Aunque cuando se trata de una población de personas u objetos. Se busca entonces una parte que sea representativa del todo y se le realiza una encuesta. definimos la variable aleatoria X que vale 1 si un alumno elegido al azar es fumador. Por ejemplo. ni tan siquiera de objetos. que tienen que ver con el estudio de características vinculadas a las poblaciones humanas. Obsérvese que X tiene una distribución de Bernoulli. el azar hace que sea posible. la proporción de fumadores de la Facultad. Aunque en este caso la población en estudio es una población humana. En un juego de azar. que los 30 seleccionados sean fumadores (aunque sea bastante raro que ello ocurra). que vale la unidad si sale cara al hacer un lanzamiento. UNIVERSIDAD VASCO DE QUIROGA 83 . donde p sería la probabilidad de obtener cara con la moneda. En concreto. Obsérvese que. ahora la población no es humana. más o menos 10 de ellos deberían ser fumadores. la población sería la variable aleatoria Y ~ b(p).

Licenciatura en Informática Administrativa

Cada alumno a encuestar, se representa mediante una variable que se distribuye igual que X. Si, en general, encuestamos a n alumnos, les representaremos mediante una variable n-dimensional, , que denominaremos muestra. , que

Una vez encuestados, los resultados serán n números, denominaremos realización de la muestra.

Así, definimos muestreo como el proceso que nos permite la extracción de una muestra a partir de una población Hay dos tipos básicos de muestreo: 1. Muestreo probabilístico. En este tipo de muestreo, la probabilidad de aparición en una muestra de cualquier elemento de la población es conocida (o calculable). Es el único científicamente válido, y es sobre el que nos extenderemos especialmente. 2. Muestreo no probabilístico. Es aquel en el que la selección de los elementos de la muestra no se hacen al azar. El muestreo probabilístico nos garantiza que, a la larga, las muestras que se van obteniendo de la población sean representativas de la misma. Vamos a ver varios tipos de muestreo probabilístico. • • • • • Muestreo aleatorio simple Muestreo estratificado Muestreo por conglomerados Muestreo sistemático Muestreo por etapas (o polietápico)

Distribuciones de muestreo en la media
Nos permiten inferir el comportamiento de una población a partir de la descripción de una muestra representativa. Definiciones Si las variables aleatorias x1.x2...........xn. tienen la misma función de densidad de probabilidad que la de la distribución de la población, y su función de distribución conjunta de probabilidad es igual al producto de las marginales, entonces x1.x2............xn forman un conjunto de n variables aleatorias independientes e idénticamente distribuidas (IID) que constituyen una muestra aleatoria de la población.

UNIVERSIDAD VASCO DE QUIROGA

84

Licenciatura en Informática Administrativa

Un Parámetro es una caracterización numérica de la distribución de la población de manera que describe, parcial o completamente la función de densidad de población de la característica de interés. Una estadística (un estadístico) es cualquier función de las variables aleatorias que se observaron en la muestra, de manera que esta función no contiene cantidades desconocidas. La distribución de muestreo de una estadística es la distribución de probabilidad que puede obtenerse como resultado de un número infinito de muestras aleatorias independientes, cada una de tamaño n provenientes de la población de interés. TEOREMA: Sean x1.x2...........xn, un conjunto independientes normalmente distribuidas con medias E(xi) = µ y varianzas Var(xi) = σi2, para i = 1.2.......n. Si Y = a1x1 + a2x2 + ......+anxn, en donde a1.a2...an son constantes, entonces “Y” es una variable aleatoria distribuida normalmente Con media E(y) = a1µ1 + a2µ2 +......+ anµn Varianza Var(y) = a12σ12 + a22σ22 +...+ an2σn2. de variables aleatorias

Teorema del límite central Sean x1.x2.........xn, n variables aleatorias independientes idénticamente distribuidas con media µ y varianza σ2 ambas finitas. La suma de esas variables Sn = x1+x2+ ...+ xn es una variable aleatoria con media nµ y varianza nσ2, entonces µ σ Z = se distribuye como una normal N(0;1). En otras palabras, el nσ 2 teorema expresa que cuando n crece sin límite, la variable z tiende a distribuirse normalmente. Si las variables no son idénticamente distribuidas, se podría ∑ xi - ∑ µ i se distribuye como una normal demostrar igualmente que: z =

S

n

− nµ

∑σ

2

i

N(0;1), es decir que la suma de variables independientes tiende a ser normal con media suma de medias y varianza suma de varianzas.

UNIVERSIDAD VASCO DE QUIROGA

85

Licenciatura en Informática Administrativa

Ejemplo: Un embotellador desea reducir los problemas con las agencias de protección al consumidor, por tanto debe medir muy bien la cantidad de líquido en cada botella, debe contener 12 onzas, se miden al azar 10 botellas por hora, si los registros marcan una desviación de 0.2 onzas habrá que registrar la maquina a 12.1 onzas ¿Qué probabilidad habrá de que la media muestral sea menor que 12 onzas? Datos µ=12.1=x~ δx~=δ√n=0.2/√10=0.063 Ζ=[x~-µ]/δx~=[12-12.1]/0.0630=1.59 P(x<12)0.5-0.4441=0.056 Habrá un 5.6% de probabilidad de incumplir la norma de llenado. Ejemplo: Se selecciona una muestra de 25 unidades que tiene una distribución normal, con media de 106 desviación estándar de 12 a) Obtenga la media y desviación estándar de la muestra. b) Encuentre la probabilidad de que x excede a 110. c) Calcule la probabilidad de que la media muestral se desvíe de la media poblacional µ=106 por más de 4 a) µx~=µ=106 δx~=δ/√n=12/√25=2.4 b) P(x>110)=110-106/2.4=1.666=0.5-0.4515=0.0485 c) P(x>110)+P(x<102)=0.097 Distribución de la media muestral X : Sea x1, x2,… xn una muestra aleatoria de tamaño “n” de una población con función de densidad f(x) con media µ y varianza σ2 . La media muestral representada por . n Teorema: Sea x1,x2,…..,xn, una muestra aleatoria que consiste de n variables aleatorias independientes normalmente distribuidas con medias E(xi) = µ y varianzas Var(xi) = σ2 , i = 1,2, ……, n. Entonces la distribución de la media muestral x es normal con media µ y varianza σ E (x) = E (
2

x , es la media aritmética de los elementos de la muestra, es decir: x =

∑x
i =1

n

i

∑ x ) = 1 ∑ E ( x ) = 1/n(n.µ) ⇒ E( x ) = µ.
i

n

. En efecto:
i

n

n

UNIVERSIDAD VASCO DE QUIROGA

86

) Luego: Z = (x − µ ) ~ N(0.xn una muestra aleatoria de tamaño n. podemos encontrar valores de χ 2 α tales que P ( χ 2 > χ 2 α )=α..2. X 2.µ  ∑   σ  n i =1 2 tiene una distribución χ 2 con n grados de libertad En la tabla correspondiente a esta distribución..n y ∑z n 1 2 i =    xi . Entonces: ∑ xi − x i =1 n ( ) 2 σ 2 = (n − 1)s 2 σ 2 tiene una distribución χ 2 con (n-1) grados de libertad.1) σ n Teorema: Sean x1. de una distribución normal con media µ y varianza σ2. …….…. Xn.x2. Entonces zi = (xi – µ)/σ son variables aleatorias normales estándar e independientes. una muestra aleatoria de una distribución normal con media µ y varianza σ2. 2 UNIVERSIDAD VASCO DE QUIROGA 87 .. σ n 2 .Licenciatura en Informática Administrativa ∑  Var ( x ) = Var  xi  =  n    ∑Var ( x ) = nσ n n i 2 2 2 ⇒ Var ( x ) = σ 2 n .. i = 1. x y s son también variables aleatorias independientes. χ 2 α La distribución de muestreo de S2: Teorema: Sea X1. De aquí se tiene que x ~N(µ.

. Supóngase que una muestra aleatoria contiene n1 variables aleatorias distribuidas 2 normalmente con una varianza común σ 1 y que la otra muestra aleatoria contiene n2 variables aleatorias distribuidas normalmente con una varianza común Si calculamos estimación de σ 2 2 . se tiene sustituyendo en la expresión anterior: x-µ   σ n x -µ   = ~ t n-1 g.1)σ 2 T= Distribución F: Supóngase que deseamos comparar las varianzas de dos poblaciones normales basados en la información contenida en muestras aleatorias independientes de las poblaciones. X2.Licenciatura en Informática Administrativa Ejemplo: Si X1. si dividimos cada s 2 1 por 2 1 entonces la razón siguiente: UNIVERSIDAD VASCO DE QUIROGA 88 .l.…. 2 s (n . entonces .753 Sea Z una variable aleatoria normal estándar y sea χ 2 una aleatoria Ji-cuadrada con v grados de libertad.1)s n (n . De manera similar s 2 1 es una s 2 2 calculada a partir de las observaciones de la segunda muestra es una estimación para σ 2 2 . Calcular la probabilidad de que la varianza muestral sea mayor que 3. Entonces si Z y χ 2 son independientes: T= Z χ2 v se dice que tiene una distribución t con v grados de libertad. Si no se conoce σ y n < 30. X10 es una muestra aleatoria de una población distribuida normalmente con media 8 y varianza 9. Así intuitivamente podríamos pensar en utilizar respecto a las magnitudes relativas de σ σ 2 1 y σ s s 2 1 2 2 2 2 para hacer inferencias con . σ s 2 1 2 1 de las observaciones en la muestra 1.

q ˆ Var(x) = 2 n. pq/n). entre el número total de elementos x ˆ de la muestra p = . UNIVERSIDAD VASCO DE QUIROGA 89 . todos los elementos de la muestra tienen la misma probabilidad de aparición.q ⇒ Var ( p ) = luego 2 n n n ˆ p ~N (p.p.1). Entonces: F = 2 1 2 2 v2 distribución F con v1 grados de libertad del numerador y v2 grados de libertad del denominador. sistemático.Licenciatura en Informática Administrativa s s 2 1 2 2 σ σ 2 1 2 σ 22 s1 = 2 2 tiene una distribución “F” con (n1-1) y (n2-1) grados de libertad. es decir: ˆ p-p Z= ~ N (0. a priori. conglomerado y estratificado Muestreo aleatorio simple Es aquel en el que. pq n Muestreo simple. dada una muestra aleatoria (con reemplazamiento). n 1 ˆ ˆ E ( p ) = E(x/n) = 1/n E(x) = np ⇒ E ( p ) = p n χ v1 se dice que tiene una ˆ Var ( p ) = Var(x/n) = 1 1 p. La σ1 s2 2 2 definición general de una distribución F es como sigue: Definición: Sean χ 2 1 y χ 2 2 variables aleatorias independientes con v1 y v2 grados χ de libertad respectivamente. la proporción muestral se define como el cociente del número de elementos de la muestra que tienen la característica deseada. Distribución de la proporción muestral: En una población binomial.

63 Varianza muestral si² 1.473 35.000 individuos.92 2. en Morelia. los investigadores han de dividir a los sujetos en diferentes subpoblaciones (o estratos).de familias Distrito 1 2 3 Ni 12. se seleccionaron 30. y después lo que hacen es un muestro aleatorio simple de cada estrato.96 [(280)(227)/√30]*√280-30/280 T^=Nx¯ =280(1342) 375. Para un intervalo de confianza de 95% T^±1. los objetos son unidades muestrales y la lista se llama marco muestral.241 23. se decidió seleccionar una muestra de 1ro de cada distrito No. en función de cierta característica relevante. Supongamos que tengamos una población de 50. Si queremos elegir 100 personas. Una estación de TV desea estimar el número promedio de horas que pasa una familia viendo TV. lo que necesitamos es que el programa elija al azar a 100 individuos de esos 50. lo que haremos es dividir los alumnos en 2 estratos (pública y privada) y se eligen aleatoriamente 700 niños de la pública y aleatoriamente 300 de la concertada.251 km Muestreo estratificado En el muestreo estratificado. cada individuo debe pertenecer a un estrato (y solo uno). teniendo una media de recorrido de 1342 km.Licenciatura en Informática Administrativa Para realizar un muestreo es necesario hacer una lista de los objetos de donde se seleccionara la muestra. 70% de los niños de primaria van a escuela pública y el 30% a privada.14 3.491 ó 354. Evidentemente. Ejemplo: Supongamos que. Otro ejemplo: el arrendador de una compañía de coches desea estimar el número de kilómetros que recorren sus coches de una flotilla de 280.269 km a 397. Si queremos 1.24 Solución Media estratificada: UNIVERSIDAD VASCO DE QUIROGA 90 . y cada individuo del estrato habrá de tener la misma probabilidad de ser escogido como parte de la muestra. con una desviación de 227 km.760 ± 21.21 3.000.96 1.241 N=70892 Tamaño muestral Ni 125 352 232 Media muestral x~ 2. y que tenemos un listado con sus nombres.000 niños.

79)/124+(35241)²(0.96√(2149)²(2149-200/2149)+(1872)²(1872-200/1872))=73882 *40122/200 *37104/200 Gastarán entre $528.179+23178(0.96/125)+35241(1.23 Como la muestra es pequeña en relación a los estratos 0.241(2.17)(0. Un comerciante de electrodomésticos desea estimar el gasto en aparatos caros para el siguiente año.63))=2.03 Es decir entre el 0.21/352)+23178(3.34)( 0.892(124(2..14)+23.26 prefieren los programas.580 y $676.76 Horas diarias 2.66 a 2.86 horas por familia frente a la TV.24/232)] 2. Ejemplos: UNIVERSIDAD VASCO DE QUIROGA 91 . El proceso es elegir aleatoriamente uno o varios conglomerados y la muestra estará formada por TODOS los elementos de los conglomerados.96√∑Ni²(Ni-ni/Ni) si²/ni T^=Nx~st=N(1/N(Nixi~+N₂x₂~)=2149(134)+1872(168)=602462 602462±1.83)/351+(23178)²(0.178(3. p~st=1/N(Nip1~+N₂p~₂+N₃p₃^)=1/70892(12473(0..1 ó 2.2 y 0.21)(0.344 dólares Para el caso de la televisora estimar la proporción de familias que prefieren los programas de la televisora. Muestreo por conglomerados En el muestreo por conglomerados.96√(1/70892)²((12473)²(0.+)= 1/70. Se realzó una encuesta e 2 pequeñas ciudades con los datos a continuación: Ciudad No.76±0.Licenciatura en Informática Administrativa x~st=1/N(Nix~₁+N₂x~₂+.21)+35241(0.76±1.92)+35.23±1.66)/231)=0.96√1/(70892)²[(12473)(1. en lugar de considerar cada elemento de la población.34))=0. lo que consideramos son “conglomerados de elementos”.de familias Ni 2149 1872 4021 Tamaño muetral ni 200 200 Media muestral $ Xi~ 134 168 Varianza muestral si² 40122 37104 1 2 T^±1.

en base a los siguientes datos.7500 Ingreso total Xi 39100 23000 31000 35300 29000 26200 32800 36300 48000 38600 26300 35100 48500 36100 13200 18400 27800 21500 30000 21500 ∑i=₁²⁰xi=617700 m~=33/20=1.19900 13200 18400 13100.18900.27000 23000 18200..12800 20900.18 ∑i=₁.7500 26300 35100 17400.5731258 x~= 617700/33=18718..14400 29000 26200 14500.12000. Familia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 No.n mi²=63 ∑i=₁.96√(12205-20)/12205)(20)(1.n xi²=20669130000 ∑i=₁. los conglomerados pueden ser las mesas electorales.nximi+x~²∑i=₁.65 M~=19200/12205=1.n(xi-x~mi)²=∑i=₁.5713258)²(2243802645/19)=2243802645 UNIVERSIDAD VASCO DE QUIROGA 92 . etc. Ejemplo: Obtener un intervalo de confianza de 95% para el sueldo anual de una persona...Licenciatura en Informática Administrativa En las encuestas durante las elecciones.nxi²-2x~∑i=₁.18300 16900.n ximi=1081800 ∑i=₁.12200 16200..19400 48000 19100.. y lo que se hace es escoger algunas mesas al azar (y de ahí se toman todos los votos de las mesas seleccionadas).nmi² X~±1. asalariados mi 2 1 2 2 1 1 2 2 1 3 1 1 3 2 1 1 2 1 2 2 ∑i=i²⁰mi=33 Ingreso $ 12100.8000 14400.. los municipios. En otros ejemplos. los conglomerados pueden ser los bloques de viviendas.14700 21500 22000.

Ejemplo: Tenemos 10000 estudiantes (en una lista) y queremos obtener una muestra de 100 estudiantes.Licenciatura en Informática Administrativa 18718. el segundo elemento será el estudiante 100+26 (126).08 ó de $15693. se seleccionan aleatoriamente varios de ellos). estudiantes de secundaria) y queramos una muestra de tamaño “n”.) Es decir. y luego se elige de manera sistemática el que esté k lugares después del primer elemento.. sino que se elige una muestra aleatoria. En este caso..g. Segundo.. el siguiente será el 226. no se eligen todos los alumnos (como ocurriría en un muestro por conglomerados). si los conglomerados son colegios en Morelia. donde x es el número de elementos en la muestra que poseen cierta característica y n es el total de elementos de la muestra. etc. UNIVERSIDAD VASCO DE QUIROGA 93 .. hemos tenido 2 etapas de muestreo. en función de los apellidos) y después se elige aleatoriamente un elemento entre los N/n=k primeros. Muestreo aleatorio sistemático Supongamos que tengamos una lista de N elementos (e. es posible tener más de 2 etapas. Distribuciones de muestreo de la proporción y de la diferencia Proporción poblacional Una proporción poblacional se define como =X/N. (Dicha muestra puede ser obtenida por muestreo aleatorio simple o puede ser estratificado. Primero elegimos al azar un estudiante entre los 10000/100=100 primeros (supongamos que salga el 26).1 a $21743. donde X es el número de elementos en la población que poseen cierta característica y N es el total de elementos de la población.g. Una proporción muestral se define como p = x/n. luego el 326. y así sucesivamente. Y claro está. lo que se hace es ordenarlos (v..g.18 ± 3025.26 Muestreo por etapas En este caso se combina el muestreo aleatorio simple con el muestreo por conglomerados: Primero se realiza un muestreo por conglomerados (v.

y en cada una de ellas se observa una característica o cualidad.Licenciatura en Informática Administrativa Cuando se desea estimar una proporción. n 30. se utiliza la proporción muestral para estimar la varianza. por el teorema central del límite se aproxima a una distribución normal. es decir. Si la muestra se obtiene con reemplazo. por lo tanto: Distribución de la diferencia de proporciones De dos poblaciones se toman dos muestras aleatorias independientes de tamaños n1 30 y n2 30. La proporción muestral de elementos con una característica se define como: UNIVERSIDAD VASCO DE QUIROGA 94 . por consiguiente: Debido a que se desconoce la proporción poblacional. el tamaño de la muestra siempre debe ser grande. x tiene distribución binomial y debido a que la muestra es grande.

Como se vió. se tiene la fundamentación teórica que nos permite desarrollar el tema correspondiente a los intervalos de confianza y las pruebas de hipótesis. en la distribución de la varianza se llega a una distribución chicuadrado y del cociente de dos chi-cuadrado se obtiene una distribución F de Snedecor. Conocidas las distribuciones en el muestreo de los principales estimadores.Licenciatura en Informática Administrativa Distribución del cociente de varianzas y se De dos poblaciones con distribución normal y varianzas poblacionales toman dos muestras aleatorias independientes de tamaños n1 y n2 . UNIVERSIDAD VASCO DE QUIROGA 95 .

Licenciatura en Informática Administrativa Cuadros de referencia UNIVERSIDAD VASCO DE QUIROGA 96 .

26 NiXi 69322 60215.15 1.27 0.88 44524. 0.78 173.31 0.23 1.22 0.02 Desv. Est.925 311.4 244.34 (Ni^2*DE)/ni 3255120 3035272 1530540 3243084 UNIVERSIDAD VASCO DE QUIROGA 97 .Licenciatura en Informática Administrativa AUTOEVALUACIÓN Se desea conocer las horas que en promedio se dedican a la lectura en una ciudad Determina la media estratificada y un intervalo de 95% de confianza para la media Sector Norte Sur Oriente Poniente hogares 60280 48956 34785 62367 Muestra 301.28 1.8 63614.835 Media muestral 1.

Intervalo de confianza Cuando se selecciona una muestra aleatoria y se obtiene un estimador puntual (promedio. un rango dentro del cual esperamos que esté el valor del parámetro. pero no se sabe qué tan cerca está el valor estimado del parámetro y generalmente se necesita más que un valor exacto.= Se conoce como confiabilidad o nivel de confianza y generalmente está entre el 90 y el 99% = Nivel de significancia o margen de error. es de gran utilidad la estimación por intervalo en donde se tiene en cuenta la dispersión de los datos y de antemano se conoce la confiabilidad de la estimación.Licenciatura en Informática Administrativa Intervalos de confianza Concepto Hasta ahora se ha hablado de la estimación puntual. se hallan dos valores tales que el área que hay entre Z1 y Z2 sea 1y el área restante ( ) se divide en dos partes iguales. tales que la confiabilidad de que el parámetro q esté dentro de los límites Z1 y Z2 sea . proporción.a . quedando /2 en la parte UNIVERSIDAD VASCO DE QUIROGA 98 . por ésta razón es necesario construir un intervalo de confianza. en donde además de tener en cuenta el grado de dispersión o variación de los datos y el tamaño de la muestra se establece un nivel de confianza o probabilidad de que el valor del parámetro esté contenido en dicho intervalo o rango. por esta razón. Gráficamente. Los valores de estos percentiles también dependen del nivel de confianza. la cual depende de la distribución en el muestreo del estimador con el que se esté trabajando. en donde se halla un solo valor o indicador del comportamiento de una variable. del 1 al 10% Z1 y Z2 = son percentiles correspondientes a una distribución de probabilidad.). etc. no se sabe qué tan cerca está dicha estimación del parámetro. la proporción y la varianza. Para obtener un intervalo de confianza se determinan los valores Z1 y Z2 y a. En esta unidad se desarrolla el tema correspondiente a los intervalos de confianza para la media. es decir: Donde: 1.

UNIVERSIDAD VASCO DE QUIROGA 99 . Intervalo de confianza para la media. Interpretando este intervalo se dirá que el promedio poblacional estará entre: con una confiabilidad del (1. por las condiciones de la muestra se utiliza la distribución normal estándar. por lo tanto y pertenecen a una distribución normal estándar.) por ciento. Por esta razón de ahora en adelante Z1 y Z2 se notarán como y . los cuales dependen de las características de la población y el tamaño de la muestra. Nivel de confianza y nivel de significancia Estimación de la media poblacional a partir de la media muestral Como en el caso de las distribuciones en el muestreo. En este caso. cuando se selecciona una muestra aleatoria de tamaño n de una población con distribución normal con media y varianza conocida. se tienen varios casos.1) Donde Z pertenece a una distribución normal estándar. y son iguales pero con diferente signo. tal como se observa en la figura. por lo tanto en la fórmula se incluye el signo y y se reemplazan por Z.Licenciatura en Informática Administrativa inferior y el otro /2 en la parte superior de la distribución. Como se trabaja con una distribución normal. Para obtener el intervalo de confianza para la media se utiliza la siguiente expresión: (6. es negativo y es positivo.

Se desea estimar un intervalo de confianza del 90 por ciento para el promedio de unidades por hora producido con dicho proceso. tiene una distribución normal con desviación estándar de 8 unidades por hora.95 y para ésta área el valor de Z en la distribución normal es 1.1 para calcular el intervalo de confianza.a Z es 0. se toma una muestra aleatoria de la producción por hora durante 25 horas y se obtiene un promedio de 160 unidades. La confiabilidad es del 90 por ciento. Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con distribución diferente a la normal. Para tal efecto. Solución: Como la distribución de la población es normal y se conoce la desviación estándar poblacional. se utiliza la expresión 2. El valor de Z se halla en una tabla de la distribución normal. Por las condiciones de la muestra.2.1) se divide en dos y se deja a /2 en la cola inferior y a /2 en la cola superior.Licenciatura en Informática Administrativa Ejemplo: Un proceso manufacturero usado por una fábrica durante los últimos 10 años. se utiliza la siguiente expresión: UNIVERSIDAD VASCO DE QUIROGA 100 . el área que hay de .64 Percentil de la distribución normal Interpretación: El promedio de unidades por hora producidas en dicha fábrica está entre 157 y 163 con una confiabilidad del 90 por ciento. por lo tanto el nivel de significancia o a (0. En la figura 2.

921 horas. se utiliza la expresión 2. obteniéndose: (6. se determinó un promedio de duración de 1.Licenciatura en Informática Administrativa (6. Solución Como el tamaño de la muestra es mayor que 30. Halle un intervalo con el 95 por ciento de confiabilidad para estimar la media poblacional. Intervalo de confianza para la media si se selecciona una muestra aleatoria de tamaño n<30. Si se trabaja con la desviación estándar corregida. UNIVERSIDAD VASCO DE QUIROGA 101 . el valor de Z en la distribución normal es 1.96. Ejemplo: En un estudio elaborado acerca de la duración de 51 bombillas de semáforos en cierta ciudad.661 y 1. la duración promedio de las bombillas de semáforos de dicha ciudad.4) En donde Z pertenece a una distribución t con (n-1) grado de libertad.2 y para una confiabilidad del 95 por ciento. se utiliza la expresión.795 horas con una desviación estándar de 489 horas. se utiliza la siguiente expresión para despejar el intervalo de confianza para .2) Donde Z pertenece a una distribución normal estándar. Como la muestra es pequeña.3) En donde Z pertenece a una distribución t con (n-1) grado de libertad. Reemplazando: Interpretación: Con una confiabilidad del 95 por ciento. obteniéndose: (6. está entre 1.

Solución: Con la información disponible se calculó el promedio aritmético y la desviación estándar.= 0.Licenciatura en Informática Administrativa Ejemplo: Se desea hallar un intervalo de confianza para la estatura promedio de todos los estudiantes de ingeniería industrial de la Universidad. 1.79 1.70 1. los que respectivamente son 1.69 1.50 1. se puede afirmar que la estatura promedio de los estudiantes de ingeniería industrial de la universidad.69 1. nos da una noción clara de hasta dónde y con qué probabilidad una estimación basada en una muestra se aleja del valor que UNIVERSIDAD VASCO DE QUIROGA 102 . el error muestral admisible. Reemplazando: Interpretación. Para tal efecto.74 1. Con un 95 por ciento de confiabilidad.63 1. de estimación o standard. Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor de la población. Parámetro.73 1. 2.50 1. Error Muestral. Por ello antes de presentar algunos casos sencillos de cálculo del tamaño muestral delimitemos estos factores.71 mts. 3.70 Halle un intervalo de confianza del 95 por ciento.65 1. está entre 1. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una estimación de los parámetros. el parámetro a estimar. obteniéndose los siguientes resultados: ESTATURA: 1.6613 y 0. Estadístico.70 1. que para un nivel de confianza del 95 por ciento es 2.65 1.95 Como la muestra es pequeña se utiliza la expresión 2. la varianza poblacional y el nivel de confianza.62 y 1. de los estudiantes de dicha carrera se seleccionó una muestra aleatoria de 15 personas a quienes se les preguntó su estatura en metros. Es la diferencia entre un estadístico y su parámetro correspondiente.0808 n = 15 y 1. Son las medidas o datos que se obtienen sobre la población. Determinación del tamaño de la muestra para estimar la media Conceptos básicos A la hora de determinar el tamaño que debe alcanzar una muestra hay que tomar en cuenta varios factores: el tipo de muestreo. El valor de Z se halla en una tabla de la distribución t con 14 grados de libertad.69 1.56 1.145.3.

Para ello es necesario partir de dos supuestos: en primer lugar el nivel de confianza al que queremos trabajar. pero la naturaleza de la investigación nos indicará hasta qué medida podemos cometerlo (los resultados se someten a error muestral e intervalos de confianza que varían muestra a muestra).. Cualquier información que queremos recoger está distribuida según una ley de probabilidad (Gauss o Student).Comprobar si se cumple UNIVERSIDAD VASCO DE QUIROGA 103 . Varía según se calcule al principio o al final. 4. Siempre se comete un error. Cuando una población es más homogénea la varianza es menor y el número de entrevistas necesarias para construir un modelo reducido del universo. 5. Podríamos decir que es la desviación de la distribución muestral de un estadístico y su fiabilidad. Nivel de Confianza. Probabilidad de que la estimación efectuada se ajuste a la realidad. Generalmente es un valor desconocido y hay que estimarlo a partir de datos de estudios previos.. en segundo lugar. o de la población. Tamaño de muestra para estimar la media de la población Veamos los pasos necesarios para determinar el tamaño de una muestra empleando el muestreo aleatorio simple.Obtener el tamaño muestral considerando que : donde: : z correspondiente al nivel de confianza elegido : varianza poblacional e: error máximo 2. así llamamos nivel de confianza a la probabilidad de que el intervalo construido en torno a un estadístico capte el verdadero valor del parámetro. Varianza Poblacional. cual es el error máximo que estamos dispuestos a admitir en nuestra estimación. Así pues los pasos a seguir son: 1. será más pequeño.Licenciatura en Informática Administrativa se hubiera obtenido por medio de un censo completo. Un estadístico será más preciso en cuanto y tanto su error es más pequeño.

no Obtener se el cumple. en muchas ocasiones es necesario hacer pruebas de hipótesis..1).- .Comprobamos que no se cumple 10. tamaño de pasamos la muestra a según una la tercera siguiente fase: fórmula: Ejemplo: La Secretaria de Salud planea un estudio con el interés de conocer el promedio de horas semanales trabajadas por las mujeres del servicio doméstico.648.730 3. que corresponde con = ±1. La muestra será extraída de una población de 10000 mujeres que figuran en los registros de la Seguridad Social y de las cuales se conoce a través de un estudio piloto que su varianza es de 9.706 .1. ¿cuál debe ser el tamaño muestral que empleemos? Buscamos en las tablas de la curva normal el valor de el nivel de confianza elegido: arriba. Si 3. las cuales se hacen con base en la información muestral. y ese es el tamaño adecuado que debemos muestrear.Licenciatura en Informática Administrativa si esta condición se cumple el proceso termina aquí.730. 10.- 2.000 < 13. pues en este caso La prueba de hipótesis para media y proporción Dentro del proceso de inferencia. UNIVERSIDAD VASCO DE QUIROGA 104 .96 y seguimos los pasos propuestos 1.95 y estando dispuestos a admitir un error máximo de 0. además de la estimación puntual y la por intervalo.000 < 3.706*(3. Trabajando con un nivel de confianza de 0.

es decir está en la zona de rechazo y la que lleva al no rechazo de H0 . Formulación de hipótesis El primer paso en la prueba de hipótesis es el planteamiento de las hipótesis. se la rechaza (ERROR TIPO I) y la probabilidad de cometer un error tipo I se llama nivel de significancia ( ). a saber: 1. Prueba de hipótesis a dos colas H0: = k H1: k 2. la hipótesis nula. Para establecer esta regla de decisión la distribución de probabilidad se divide en dos categorías mutuamente excluyentes: la que lleva al rechazo de H0. Hay tres tipos de hipótesis. o no. Hipótesis Una hipótesis estadística es un supuesto acerca del valor de un parámetro de una población determinada.Licenciatura en Informática Administrativa Se verá la prueba de hipótesis para la media y la proporción. podemos no rechazar H0 siendo en realidad falsa. se plantean dos hipótesis que deben ser mutuamente excluyentes. está en la zona de no rechazo. Debido a que se está trabajando con una muestra aleatoria. La hipótesis nula (H0) es en realidad verdadera. Este supuesto debe comprobarse con la información suministrada por una muestra aleatoria obtenida de dicha población. Si se rechaza la hipótesis nula (H0) se acepta hipótesis alternativa (H1). se puede definir el nivel de significancia como la probabilidad de decidirnos por H1 dado que H0 es verdadera. es decir. Cuando se realiza una prueba de hipótesis. Puesto que cuando se comete un error tipo I. lo que en algunos casos no es una tarea fácil. pero debido a que los datos muestrales parecen ser inconsistentes con ella. Por otro lado. a este error se le llama ERROR TIPO II. Se debe establecer un criterio o regla de decisión según la cual se rechace. Prueba de hipótesis a una cola superior UNIVERSIDAD VASCO DE QUIROGA 105 . seguiríamos una acción errónea. cuando se realiza una prueba de hipótesis se pueden cometer dos tipos de errores. una es la hipótesis nula que se nota como H0 y la otra es la hipótesis alternativa que se nota como H1 .

por lo tanto. El cuarto paso es establecer la regla de decisión. ha aumentado o ha disminuido. El tercer paso es la estadística a probar o estadística de trabajo. del nivel de significancia ( ) y de la hipótesis alternativa (H1). A través de la prueba de hipótesis se determina si la media poblacional es significativamente mayor o menor que algún valor supuesto.Licenciatura en Informática Administrativa H0 : = k H1 : > k ó ó H0: k H1 : > k 3. Cuando se realizan los cálculos siempre se supone que la hipótesis nula (H0) es cierta. Finalmente se toma la decisión de no rechazar la hipótesis nula o rechazarla. Prueba de hipótesis a una cola superior H0 : = k ó H0 : k H1 : >k ó H1 : > k UNIVERSIDAD VASCO DE QUIROGA 106 . Hipótesis Se puede plantear uno de los siguientes tres tipos de hipótesis: 1. se selecciona el nivel de significancia o margen de error ( ) el que generalmente se fija entre el uno y el diez por ciento. la cual depende de la distribución en el muestreo del estimador con el que se esté trabajando y de los supuestos correspondientes a la población y al tamaño de la muestra. la cual depende de la distribución de probabilidad de la estadística a probar. Prueba de hipótesis a dos colas H0 : = k H1 : k 2. Una vez establecidas las hipótesis. Prueba de hipótesis a una cola inferior H0 : = k H1 : < k ó ó H0 : k H1 : < k Nótese que las hipótesis siempre se plantean para un parámetro . Prueba de hipótesis para la media El promedio aritmético poblacional es un indicador muy importante. frecuentemente se desea probar si dicho promedio ha permanecido igual.

Si el valor de la estadística de trabajo (Zx) está entre y no se rechaza la hipótesis nula. Prueba de hipótesis a una cola inferior H0 : = k H1 : < k ó ó H0 : k H1 : < k En las distribuciones en el muestreo se vio que para el caso de la media. por lo tanto. Es decir: Si se ha planteado la hipótesis alternativa como: UNIVERSIDAD VASCO DE QUIROGA 107 . en caso contrario se rechaza H0 lo cual implica aceptar H1. quedando estos valores en los extremos de la distribución como se aprecia en la figura Regla de decisión para una prueba de hipótesis a dos colas. y pertenecen a una distribución normal estándar. el nivel de significancia ( ) se divide en dos partes iguales. hay tres situaciones. Regla de decisión: Si se ha planteado la hipótesis alternativa como: H1 : k se tiene una prueba de hipótesis a dos colas. La estadística de trabajo a usar corresponde a la expresión: Donde: es el valor que se está suponiendo en la hipótesis nula (H0). por consiguiente la estadística de trabajo a utilizar depende de los supuestos de la población y del tamaño de la muestra Prueba de hipótesis para la media si la población de donde se obtiene la muestra tiene distribución normal con conocida.Licenciatura en Informática Administrativa 3.

como se aprecia en la figura Regla de decisión para una prueba de hipótesis a una cola inferior. quedando el nivel de significancia ( ) en la parte superior de la distribución. quedando el nivel de significancia ( ) en la parte inferior de la distribución. como se aprecia en la figura 3.Licenciatura en Informática Administrativa H1 : > k. Es decir. Si se ha planteado la hipótesis alternativa como: H1 : < k.2 Regla de decisión para una prueba de hipótesis a una cola superior. Es decir. en caso contrario se rechaza H0 lo cual implica aceptar H1. Si el valor de la estadística de trabajo (Zx) es menor que no se rechaza la hipótesis nula. pertenece a una distribución normal estándar. se tiene una prueba de hipótesis a una cola superior. se tiene una prueba de hipótesis a una cola inferior. en caso contrario se rechaza H0 lo cual implica aceptar H1. UNIVERSIDAD VASCO DE QUIROGA 108 . Z pertenece a una distribución normal estándar. Si el valor de la estadística de trabajo (Zx) es mayor que Z no se rechaza la hipótesis nula.

la estadística de trabajo está en la zona de rechazo de la hipótesis nula. por lo tanto. a la gerencia de la fábrica se le permite hacer un ensayo durante 35 horas. Para decidir si se debiera comprar la nueva máquina. UNIVERSIDAD VASCO DE QUIROGA 109 . solo se compra la máquina si la producción es de más de 150 unidades por hora. con una confiabilidad del 99 por ciento el valor de Z es 2. por lo tanto se usa la expresión por el planteamiento de la hipótesis alternativa se trabaja a una cola superior.33. Regla de decisión para una prueba de hipótesis a una cola inferior. Con ésta información qué decisión se debe tomar si se asume un nivel de confianza del 99 por ciento. si la media de producción de la nueva máquina es de más de 150 unidades por hora. por lo tanto las hipótesis son: H0 : = 150 H1 : > 150 Para elegir la estadística de trabajo se tiene en cuenta que se conoce la varianza poblacional. hallándose un promedio de 160 unidades por hora. Solución: Según el enunciado. Aunque es muy cara comparada con la que está ahora en uso. En la distribución normal.Licenciatura en Informática Administrativa Ejemplo: Un proceso manufacturero usado por una fábrica durante los últimos años da una producción media de 100 unidades por hora con una desviación estándar de 8 unidades. su adopción daría bastantes beneficios. Como puede observarse en la siguiente figura. se acepta que la producción promedio por hora es superior a las 150 unidades y asumiendo un riesgo del 1 por ciento se puede comprar la nueva máquina. Se acaba de introducir en el mercado una nueva máquina para realizar ese tipo de producto.

la regla de decisión es a dos colas. Solución H 0 : = 46. como estadística de trabajo se utiliza Por la hipótesis alternativa. según experiencias registradas es de 46.Licenciatura en Informática Administrativa Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n 30 de una población con cualquier distribución.050 kms.050 kms. con una desviación estándar de 3. UNIVERSIDAD VASCO DE QUIROGA 110 . por consiguiente.050 Teniendo en cuenta que el tamaño de la muestra es grande. Ejemplo: La duración promedio de las llantas producidas por una fábrica de llantas. para tal efecto se toma una muestra aleatoria de 60 llantas y se obtiene una duración promedio de 45. Asumiendo un nivel de confianza del 95 por ciento.070 kms. el valor de la estadística de trabajo está en la zona de rechazo de la hipótesis nula. La tabla a utilizar es la de la distribución normal.050 H1 : 46.96. Como puede observarse en la figura. La estadística de trabajo a usar es la expresión: Regla de decisión: Es la misma que en el caso anterior y depende en todo caso de la hipótesis alternativa. con una confiabilidad del 95 por ciento se acepta que la duración promedio de las llantas ha cambiado.96 y 1. Se desea probar si el promedio poblacional ha cambiado. los correspondientes valores de Z son -1.

es decir mayor o igual a 16 grs.. Si se utiliza la varianza sin corregir ( ) la estadística de trabajo es la expresión Si se utiliza la varianza corregida la estadística de trabajo es la expresión: Ejemplo: En su calidad de comprador comercial para un supermercado. por sobre. con una desviación estándar de 0. ¿Puede aceptarse ésta afirmación si se asume un nivel de confianza del 90 por ciento? Solución: Se desea probar si el peso mínimo es de 16 grs. Se encuentra que el peso promedio del contenido de café de cada sobre es 15. La compañía empacadora afirma que el peso promedio mínimo del café es de 16 grs. dependiendo de si se utiliza la varianza muestral sin corregir o corregida..Licenciatura en Informática Administrativa Regla de decisión para una prueba de hipótesis a dos colas Prueba de hipótesis para la media si se selecciona una muestra aleatoria de tamaño n<30 En este caso se tienen dos situaciones.97 grs. se toma una muestra aleatoria de doce (12) sobres de café de una empacadora. así que las hipótesis adecuadas son: H0 : 16 H1 : < 16 UNIVERSIDAD VASCO DE QUIROGA 111 .15.

Prueba de hipótesis a dos colas UNIVERSIDAD VASCO DE QUIROGA 112 . se puede plantear uno de los siguientes tres tipos de hipótesis: 1. con un nivel de confianza del 90 por ciento no se rechaza que los empacadores de café tienen la razón.Licenciatura en Informática Administrativa Teniendo en cuenta que el tamaño de la muestra es pequeño. el valor de Z es . Hipótesis: Como en el caso de la media. es útil trabajar con la prueba de hipótesis para la proporción. Regla de decisión para una prueba de hipótesis a una cola inferior Prueba de hipótesis para la proporción Frecuentemente se desea estimar la proporción de elementos que tienen una característica determinada.1. por lo tanto se concluye que el peso promedio de los sobres de café es mayor o igual a 16 grs. en tal caso. Cuando se analiza información cualitativa y se está interesado en verificar un supuesto acerca de la proporción poblacional de elementos que tienen determinada característica. como estadística de trabajo se utiliza la expresión Como lo indica la hipótesis alternativa.663) está ubicada en la zona de no rechazo de la hipótesis nula. las observaciones son de naturaleza cualitativa. la estadística de trabajo (-0. se trabaja a una cola inferior en la tabla de la distribución t con 11 grados de libertad y una confiabilidad del 90 por ciento. por lo tanto.363 Como puede observarse.

Si el valor de la estadística de trabajo (Zp ) es menor que no se rechaza la hipótesis nula. Es decir. si Zp < no se rechaza H0 . Es decir. Si se ha planteado la hipótesis alternativa como: H1 : < k. quedando el nivel de significancia ( ) en la parte superior de la distribución. y pertenecen a una distribución normal estándar. en caso contrario se rechaza H0 lo cual implica aceptar H1 . Prueba de hipótesis a una cola inferior H0 : = k ó H1: < k ó H0 : k H1 : < k Cuando se va a estimar una proporción el tamaño de la muestra (n) siempre debe ser mayor a 30. se tiene una prueba de hipótesis a una cola inferior. se tiene una prueba de hipótesis a una cola superior. el nivel de significancia ( ) se divide en dos partes iguales. por lo tanto se tiene un solo caso. La estadística de trabajo a utilizar es la expresión Regla de decisión: Si se ha planteado la hipótesis alternativa como: H1: k se tiene una prueba de hipótesis a dos colas. Si el valor de la estadística de trabajo (Zp) está entre y no se rechaza la hipótesis nula. Si se ha planteado la hipótesis alternativa como: H1 : > k. pertenece a una distribución normal estándar. si < Zp < no se rechaza H0 . quedando el nivel de significancia ( ) en la parte inferior de la distribución UNIVERSIDAD VASCO DE QUIROGA 113 . Prueba de hipótesis a una cola superior H0 : = k H1 : > k ó ó H0 : k H1 : > k 3.Licenciatura en Informática Administrativa H0 : = k H1 : k 2. por lo tanto. quedando estos valores en los extremos de la distribución. en caso contrario se rechaza H0 lo cual implica aceptar H1 .

Es decir.9 Para realizar una prueba de hipótesis para la proporción se utiliza la expresión: Asumiendo una confiabilidad del 95 por ciento. Si el valor de la estadística de trabajo (Zp ) es mayor que Z no se rechaza la hipótesis nula. en caso contrario se rechaza H0 lo cual implica aceptar H1 .64 Como puede observarse en la figura. el valor de la estadística de trabajo se encuentra en la zona de rechazo de la hipótesis nula. si Zp > Z no se rechaza H0. Pruebe si lo que afirma el fabricante es cierto. el valor correspondiente a Z en la distribución normal es -1. Solución H0 : 0. Ejemplo: Un fabricante afirma que por lo menos el 90 por ciento de las piezas de una maquinaria que suministra a una fábrica guardan las formas especificadas. Un examen de 200 de esas piezas reveló que 160 de ellas no eran defectuosas. Regla de decisión para una prueba de hipótesis a una cola inferior Errores en prueba de hipótesis Tabla de decisiones UNIVERSIDAD VASCO DE QUIROGA 114 .Licenciatura en Informática Administrativa Z pertenece a una distribución normal estándar. con una confiabilidad del 95 por ciento se concluye que la afirmación del fabricante no es cierta. por consiguiente.9 H1 : < 0.

Licenciatura en Informática Administrativa Decisión Rechazar Ho Aceptar Ho Ho verdadera Error tipo 1 Decisión correcta Falsas Decisión correcta Error tipo 2 La probabilidad de cometer un error tipo 1. La probabilidad de cometer un error tipo 2 se denota con la letra β. se denota con la letra α. UNIVERSIDAD VASCO DE QUIROGA 115 .

UNIVERSIDAD VASCO DE QUIROGA 116 . Estadística para administración y economía.Licenciatura en Informática Administrativa Bibliografía William Mendenhall. 1988 Anderson Sweeney Williams. 2005. Grupo Editorial Iberoamerica. Editorial Math Learning Thomson. Estadística para Administradores.

Sign up to vote on this title
UsefulNot useful