Unidad 4.

Esperanza matemática o valor esperado o media: es un concepto estadístico que se utiliza para calcular el promedio
de los posibles resultados de un experimento aleatorio. Se representa mediante el símbolo E[X], donde X es una
variable aleatoria. Para variables aleatorias Discretas: E[X] = Σ (x * P(x)) , en el caso de una variable aleatoria continua,
el cálculo se realiza mediante una integral.
Distribuciones discretas teóricas de probabilidad:

1. Distribución binomial.
2. Distribución hipergeométrica.
3. Distribución Poisson.
4. Distribución Binomial negativa.
5. Distribución geométrica.
6. Distribución multinomial.

Unidad 5.

Distribuciones continuas teóricas de probabilidad. Son:

1. Distribución uniforme.
2. Distribución normal.
3. Distribución normal estandarizada.
4. T de Student.
5. Gamma.
6. Distribución exponencial negativa.
7. Chi cuadrada.
8. Betta.
9. F de Fisher.

Unidad 6. Muestreo

No
Probabilistico
Probabilistico

Conveniencia Por cuotas Bola de nieve. Discrecional Aleatorio simple Sistematico Estatrificado. Conglomerado.

Conglomerado: En lugar de seleccionar elementos individuales de la población, se divide la población en grupos más
pequeños llamados conglomerados y se seleccionan algunos de estos conglomerados para formar la muestra.
Unidad 7. Distribuciones y tamaño muestrales.

TEOREMA DEL LIMITE CENTRAL: establece que la distribución de la media de una muestra grande (n>30) tiende a
aproximarse a una distribución normal a medida que el tamaño de la muestra aumenta, independientemente de la
forma de la distribución poblacional original.

El área bajo una curva va a ser en la parte central 1 - α lo cual significa el nivel de significancia (%), el ara fuera de esa
zona es α.
(Zα/2)2
Tamaño muestral para estimar la media µ: no = ∗ s2
𝜖
no
Ajuste del tamaño muestral para estimar la media µ: no′ = no
1+ 𝑁

Una muestra resultará sesgada si su selección se realiza de forma no probabilística.El sesgo lo produce si NO elegís
aleatoriamente.

Unidad 8: Estimación puntual y de intervalo.

Estimación: nos permite predecir un valor de un parámetro de la población.

Estimación puntual: Se usa un solo valor extraído de la muestra para estimar el parámetro desconocido de la
población.

El valor se llama estimador.

• INSESGADO: Un estimador es insesgado si su distribución tiene como valor esperado al parámetro que se
desea estimar. 𝑬(𝒙̅) = 𝝁
Si la media de la distribución del estimador es igual al parámetro. (media muestral, varianza población)
• CONSISTENCIA: Es decir, que esperamos obtener mejores estimaciones cuanto mayor sea el número de
individuos.
• EFICIENCIA: A menor varianza mejor estimador.
• VARIANZA MINIMA.

ESTIMACIÓN POR INTERVALOS DE CONFIANZA.

Definición: se llama así a un par de números entre los cuales se estima que estará cierto valor desconocido con una
determinada probabilidad de acierto.

Nivel de confianza: se denomina así a la probabilidad de éxito que en la estimación se representa con 1 – α (%).

Nivel de significación: α es la posibilidad de fallar en la estimación.

Estimación del intervalo para la media (desconocida) y desviaciones poblacionales (conocida):

Necesitamos una muestra grande (n>30) para aplicar teorema del límite central.

Unidad 10: test de hipótesis

Hipótesis: es una afirmación acerca de un parámetro de una o más poblaciones y que está sujeta a verificación.
• HIPÓTESIS NULA: es cualquier hipótesis que se desea probar. Si se comprueba decimos que es acertada, sino
decimos que no es concluyente o se rechaza. La hipótesis nula se rechaza sólo si los datos ofrecen suficiente
evidencia para no considerarla verdadera. Se denota 𝐻0
• HIPÓTESIS ALTERNATIVA: es la hipótesis que se acepta cuando la hipótesis nula es rechazada; es la contraria a
la nula. Se denota 𝐻1
Prueba de hipótesis: procedimiento basado en evidencia de la muestra y la teoría de probabilidades para determinar
si la hipótesis es una afirmación razonable.
¿Por qué la hipótesis nula se rechaza sólo si los datos ofrecen suficiente evidencia para no considerarla verdadera?
Dado que las muestras se obtienen al azar, la media en cada muestra será distinta, por lo que esas diferencias no se
atribuyen a problemas en el producto, sino que son causadas por el azar. La media en cada muestra será distinta, por
lo que esas diferencias no se atribuyen a problemas en el producto, sino que son causadas por el azar. Esta vida media
está influenciada por otros factores.
¿Cómo se sabe qué tanto es “suficiente evidencia"?
NIVEL DE SIGNIFICANCIA: Es la probabilidad de rechazar la hipótesis nula cuando es verdadera. Se denota por 𝛼.
Normalmente utilizamos el 5%, le damos una posibilidad muy pequeña a que esto ocurra. Definiendo indirectamente
zonas de aceptación a través de 𝛼, dependiendo si es a dos o
una
cola.
La

prueba de hipótesis consistirá en definir estas zonas. La

hipótesis alternativa nos define si es a dos (cuando el símbolo sea distinto) o una cola. Este nivel de significancia permite
establecer, con base en probabilidades, un criterio para determinar si se tiene “suficiente evidencia” para descartar la
hipótesis nula.
¿Cuánto es un nivel de significancia “aceptable”?
No se desea que la probabilidad de rechazar la hipótesis nula cuando es verdadera sea demasiado alta. Generalmente
las pruebas de hipótesis se realizan con niveles de significancia de 5% o 1%. Vamos a trabajar con un nivel de confianza
de un 95% o 99%.
¿Es confiable esta decisión basada en datos de una muestra”?
Al basarse en datos de la muestra es posible cometer dos tipos de errores:
• Error tipo I: se comete cuando se rechaza una hipótesis que es correcta. La probabilidad de cometer este error se
denota 𝜶
• Error tipo II: se comete cuando se acepta una hipótesis que es incorrecta. La probabilidad de cometer este error se
denota 𝜷
Estos NO son complementarios, a pesar de que cuando uno aumenta el otro disminuye.