MAYO-AGOSTO 2024

NOMBRE DEL ALUMNO: ________________________________________

GRUPO: ______________________________________________________

ING. ROOSEVELT ERIKA GUERRERO VAZQUEZ

pág. 1
pág. 2
TÍTULO DE LA PRÁCTICA: 1.1 Introducción a la estadística
UNIDAD TEMÁTICA: 1. Estadística Descriptiva
OBJETIVO:Que el alumno defina los conceptos básicos y esenciales de la estadística,
que determine el tipo de estadística emplear a partir de la naturaleza de los datos.

Instrucciones: Contesta correctamente los siguientes

cuestionamientos.

¿Qué es la estadística descriptiva?

¿Qué es la estadística inferencial?

¿Cuál es el concepto de variable estadística?

¿Cuál es la diferencia entre estadística y estadístico?

pág. 3
Define Población:

¿Qué es una muestra?

¿Qué es una clase?

Instrucciones: Analiza los conceptos de estadística descriptiva e

inferencial y redacta una lista con 5 ejemplos c/u de la aplicación de
cada una de estas disciplinas.

pág. 4
Ejemplo 1:

Ejemplo 2:

Ejemplo 3:

Ejemplo 4:

Ejemplo 5:

pág. 5
 Instrucciones: Indica
que variables son cualitativas y
cuales cuantitativas:

1 Comida Favorita.
___________________________________________
2 Profesión que te gusta.
___________________________________________
3 Número de goles marcados por tu equipo favorito en la última temporada.
___________________________________________
4 Número de alumnos de tu Instituto.
___________________________________________
5 El color de los ojos de tus compañeros de clase.
_________________________________________________________________________________
6 Coeficiente intelectual de tus compañeros de clase.
_________________________________________________________________________________

Instrucciones: De las siguientes variables indica cuáles son discretas y

cuales continuas.

1 Número de acciones vendidas cada día en la Bolsa.

_________________________________________________________________________________
2 Temperaturas registradas cada hora en un observatorio.
_________________________________________________________________________________
3 Período de duración de un automóvil.
_________________________________________________________________________________
4 El diámetro de las ruedas de varios coches.
_________________________________________________________________________________
5 Número de hijos de 50 familias.
_________________________________________________________________________________
6 Censo anual de los mexicanos.
_________________________________________________________________________________

pág. 6
Instrucciones: Clasificar las
siguientes variables en cualitativas y cuantitativas discretas o continuas.

1 La nacionalidad de una persona.

_________________________________________________________________________________
2 Número de litros de agua contenidos en un depósito.
_________________________________________________________________________________
3 Número de libro en un estante de librería.
_________________________________________________________________________________
4 Suma de puntos tenidos en el lanzamiento de un par de dados.
_________________________________________________________________________________
5 La profesión de una persona.
_________________________________________________________________________________
6 El área de las distintas baldosas de un edificio.
_________________________________________________________________________________

Elabora un esquema que incluya los tipos de variables que existen, sus conceptos y
ejemplos:

Instrucciones: Elabora una investigación de las aplicaciones de la estadística

descriptiva en el mantenimiento.

pág. 7
TÍTULO DE LA PRÁCTICA: 1.2 Población, muestra y muestreo
UNIDAD TEMÁTICA: 1. Estadística Descriptiva

1.2 Población, muestra y muestreo

POBLACIÓN
El concepto de población en estadística va más allá de lo que
comúnmente se conoce como tal. Una población se precisa como un
conjunto finito o infinito de personas u objetos que presentan características
comunes.

De esta forma Levin & Rubin (1996). Indica que "Una población es un
conjunto de todos los elementos que estamos estudiando, acerca de los
cuales intentamos sacar conclusiones".
De igual forma Cadenas (1974). Expresa "Una población es un conjunto de
elementos que presentan una característica común".

PARÁMETRO
Es un valor, medida o indicador representativo de la población que se
selecciona para ser estudiado.
Otra definición podría ser, función definida sobre valores numéricos de una
población. Se llama parámetro a un valor representativo de una población,
como la media aritmética, una proporción o su desviación típica.

MUESTRA
La muestra es una pieza de la población a estudiar que sirve para
representarla.
Según Levin & Rubin (1996). Apuntan que "Una muestra es una colección
de algunos elementos de la población, pero no de todos".

pág. 8
Según Cadenas (1974). "Una muestra debe ser definida en base de la
población determinada, y las conclusiones que se obtengan de dicha
muestra solo podrán referirse a la población en referencia",

El estudio de muestras es más sencillo que el estudio de la población

completa; cuesta menos y lleva menos tiempo.
Una muestra representativa contiene las características relevantes de la
población en las mismas proporciones que están incluidas en tal población.

Los expertos en estadística recogen datos de una muestra, utilizan esta

información para hacer referencias sobre la población que está
representada por la muestra. En consecuencia muestra y población son
conceptos relativos. Una población es un todo y una muestra es una
fracción o segmento de ese todo.

ESTADÍSTICO
Es el elemento que describe una muestra y sirve como una estimación del
parámetro de la población correspondiente.
El estadístico sirve como una estimación del parámetro. Aunque en
realidad el interés se fija en el valor del parámetro de la población, con
frecuencia debe haber conformidad con solo calcularlo con un estadístico
de la muestra que se ha seleccionado.

Concepto de muestreo
El muestreo es una herramienta de la investigación científica. Su función
básica es determinar que parte de una realidad en estudio (población o
universo) debe examinarse con la finalidad de hacer inferencias sobre
dicha población. El error que se comete debido a hecho de que se
obtienen conclusiones sobre cierta realidad a partir de la observación de
sólo una parte de ella, se denomina error de muestreo. Obtener una
muestra adecuada significa lograr una versión simplificada de la población,
que reproduzca de algún modo sus rasgos básicos.

Muestra: En todas las ocasiones en que no es posible o conveniente realizar

un censo, lo que hacemos es trabajar con una muestra, entendiendo por
tal una parte representativa de la población. Para que una muestra sea
representativa, y por lo tanto útil, debe de reflejar las similitudes y diferencias
encontradas en la población, ejemplificar las características de la misma.

pág. 9
Cuando decimos que una muestra es representativa indicamos que reúne
aproximadamente las características de la población que son importantes
para la investigación.

a. Población Los estadísticos usan la palabra población para referirse no

sólo a personas sino a todos los elementos que han sido escogidos
para su estudio.
b. Muestra Los estadísticos emplean la palabra muestra para describir
una porción escogida de la población. Matemáticamente, podemos
describir muestras y poblaciones al emplear mediciones como la
Media, Mediana, la moda, la desviación estándar. Cuando estos
términos describen una muestra se denominan estadísticas.

Una estadística es una característica de una muestra, los estadísticos

emplean letras latinas minúsculas para denotar estadísticas y muestras.

Tipos de muestreo
Los autores proponen diferentes criterios de clasificación de los diferentes
tipos de muestreo, aunque en general pueden dividirse en dos grandes
grupos: métodos de muestreo probabilísticos y métodos de muestreo no
probabilísticos:

Muestreo probabilístico
Los métodos de muestreo probabilísticos son aquellos que se basan en el
principio de equiprobabilidad. Es decir, aquellos en los que todos los
individuos tienen la misma probabilidad de ser elegidos para formar parte
de una muestra y, consiguientemente, todas las posibles muestras de
tamaño n tienen la misma probabilidad de ser elegidas. Sólo estos métodos
de muestreo probabilísticos nos aseguran la representatividad de la
muestra extraída y son, por tanto, los más recomendables. Dentro de los
métodos de muestreo probabilísticos encontramos los siguientes tipos:

El método otorga una probabilidad conocida de integrar la muestra a

cada elemento de la población, y dicha probabilidad no es nula para
ningún elemento.

pág. 10
Los métodos de muestreo no probabilisticos no garantizan la
representatividad de la muestra y por lo tanto no permiten realizar
estimaciones inferenciales sobre la población.

(En algunas circunstancias los métodos estadísticos y epidemiológicos

permiten resolver los problemas de representatividad aun en situaciones de
muestreo no probabilístico, por ejemplo los estudios de caso-control, donde
los casos no son seleccionados aleatoriamente de la población.)
Entre los métodos de muestreo probabilísticos más utilizados en
investigación encontramos:

o Muestreo aleatorio simple

o Muestreo estratificado
o Muestreo sistemático
o Muestreo polietápico o por conglomerados

Muestreo aleatorio simple:

El procedimiento empleado es el siguiente: 1) se asigna un número a cada
individuo de la población y 2) a través de algún medio mecánico (bolas
dentro de una bolsa, tablas de números aleatorios, números aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos sujetos
como sea necesario para completar el tamaño de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad
práctica cuando la población que estamos manejando es muy grande.

Muestreo aleatorio sistemático:

Este procedimiento exige, como el anterior, numerar todos los elementos
de la población, pero en lugar de extraer n números aleatorios sólo se
extrae uno. Se parte de ese número aleatorio i, que es un número elegido
al azar, y los elementos que integran la muestra son los que ocupa los
lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k,
siendo k el resultado de dividir el tamaño de la población entre el tamaño
de la muestra: k= N/n. El número i que empleamos como punto de partida
será un número al azar entre 1 y k.

El riesgo este tipo de muestreo está en los casos en que se dan

periodicidades en la población ya que al elegir a los miembros de la
muestra con una periodicidad constante (k) podemos introducir una
homogeneidad que no se da en la población. Imaginemos que estamos

pág. 11
seleccionando una muestra sobre listas de 10 individuos en los que los 5
primeros son varones y los 5 últimos mujeres, si empleamos un muestreo
aleatorio sistemático con k=10 siempre seleccionaríamos o sólo hombres o
sólo mujeres, no podría haber una representación de los dos sexos.

Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que
simplifican los procesos y suelen reducir el error muestral para un tamaño
dado de la muestra. Consiste en considerar categorías típicas diferentes
entre sí (estratos) que poseen gran homogeneidad respecto a alguna
característica (se puede estratificar, por ejemplo, según la profesión, el
municipio de residencia, el sexo, el estado civil, etc.). Lo que se pretende
con este tipo de muestreo es asegurarse de que todos los estratos de interés
estarán representados adecuadamente en la muestra. Cada estrato
funciona independientemente, pudiendo aplicarse dentro de ellos el
muestreo aleatorio simple o el estratificado para elegir los elementos
concretos que formarán parte de la muestra. En ocasiones las dificultades
que plantean son demasiado grandes, pues exige un conocimiento
detallado de la población. (Tamaño geográfico, sexos, edades,...).

La distribución de la muestra en función de los diferentes estratos se

denomina afijación, y puede ser de diferentes tipos:

Afijación Simple: A cada estrato le corresponde igual número de elementos

muéstrales.
Afijación Proporcional: La distribución se hace de acuerdo con el peso
(tamaño) de la población en cada estrato.
Afijación Optima: Se tiene en cuenta la previsible dispersión de los
resultados, de modo que se considera la proporción y la desviación típica.
Tiene poca aplicación ya que no se suele conocer la desviación.

Muestreo aleatorio por conglomerados:

Los métodos presentados hasta ahora están pensados para seleccionar
directamente los elementos de la población, es decir, que las unidades
muéstrales son los elementos de la población.

En el muestreo por conglomerados la unidad muestral es un grupo de

elementos de la población que forman una unidad, a la que llamamos
conglomerado. Las unidades hospitalarias, los departamentos universitarios,

pág. 12
una caja de determinado producto, etc., son conglomerados naturales. En
otras ocasiones se pueden utilizar conglomerados no naturales como, por
ejemplo, las urnas electorales. Cuando los conglomerados son áreas
geográficas suele hablarse de "muestreo por áreas".

El muestreo por conglomerados consiste en seleccionar aleatoriamente un

cierto número de conglomerados (el necesario para alcanzar el tamaño
muestral establecido) y en investigar después todos los elementos
pertenecientes a los conglomerados elegidos.

Métodos de muestreo no probabilísticos

A veces, para estudios exploratorios, el muestreo probabilístico resulta
excesivamente costoso y se acude a métodos no probabilísticos, aun
siendo conscientes de que no sirven para realizar generalizaciones, pues no
se tiene certeza de que la muestra extraída sea representativa, ya que no
todos los sujetos de la población tienen la misma probabilidad de ser
elegidos. En general se seleccionan a los sujetos siguiendo determinados
criterios procurando que la muestra sea representativa.

Muestreos No Probabilísticos:

• de Conveniencia
• de Juicios
• por Cuotas de Bola de Nieve Discrecional

Muestreo por cuotas:

También denominado en ocasiones "accidental". Se asienta generalmente
sobre la base de un buen conocimiento de los estratos de la población y/o
de los individuos más "representativos" o "adecuados" para los fines de la
investigación. Mantiene, por tanto, semejanzas con el muestreo aleatorio
estratificado, pero no tiene el carácter de aleatoriedad de aquél.

En este tipo de muestreo se fijan unas "cuotas" que consisten en un número

de individuos que reúnen unas determinadas condiciones, por ejemplo: 20
individuos de 25 a 40 años, de sexo femenino y residentes en Reynosa. Una
vez determinada la cuota se eligen los primeros que se encuentren que
cumplan esas características. Este método se utiliza mucho en las encuestas
de opinión.

pág. 13
Muestreo opinático o intencional:
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras "representativas" mediante la inclusión en la muestra de grupos
supuestamente típicos. Es muy frecuente su utilización en sondeos
preelectorales de zonas que en anteriores votaciones han marcado
tendencias de voto.

Muestreo casual o incidental:

Se trata de un proceso en el que el investigador selecciona directa e
intencionadamente los individuos de la población. El caso más frecuente
de este procedimiento el utilizar como muestra los individuos a los que se
tiene fácil acceso (los profesores de universidad emplean con mucha
frecuencia a sus propios alumnos).

Bola de nieve:
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros,
y así hasta conseguir una muestra suficiente. Este tipo se emplea muy
frecuentemente cuando se hacen estudios con poblaciones "marginales",
delincuentes, sectas, determinados tipos de enfermos, etc.

Muestreo Discrecional:
A criterio del investigador los elementos son elegidos sobre lo que él cree
que pueden aportar al estudio. • Ej. : muestreo por juicios; cajeros de un
banco o un supermercado; etc.

Información tomada de las siguientes páginas web:

http://desirestadisticasbasicas.blogspot.mx/2010/07/poblacion-parametro-muestra-estadistico.html
http://metodologia02.blogspot.mx/p/tipos-de-muestreo.html

pág. 14
 Instrucciones: Contesta correctamente los
siguientes cuestionamientos.

En qué consiste el muestreo

¿Cuál es la diferencia entre el muestreo

probabilístico y el no probabilístico?

¿Cuál sería el tipo de muestreo recomendado?, ¿Por qué?

Describe la técnica de muestreo probabilístico, aleatorio simple:

En que consiste la técnica de muestro aleatorio sistemático

pág. 15
Describe la técnica de muestreo no probabilístico, de bola de nieve

Metodología para la
solución de un problema
Planteamiento del
problema: Una vez
implementado el proyecto
integrador, es necesario
evaluar el grado de
aceptación que tiene y
determinar con un
fundamento científico las
mejoras a implementar.

Paso 1, Determinar las

variables de estudio:
analiza tu proyecto
integrador y todo su
contexto de
implementación y
determina 10 variables de
influyan en su grado de aceptación y satisfacción, enlístalas y
fundamenta su elección.

Paso 2, Determinar el tamaño de la muestra: Para calcular el tamaño

de la muestra suele utilizarse la siguiente fórmula:

Donde:
n = el tamaño de la muestra.

pág. 16
N = tamaño de la población.
σ=Desviación estándar de la población que, generalmente cuando no se
tiene su valor, suele utilizarse un valor constante de 0,5.
Z = Valor obtenido mediante niveles de confianza. Es un valor constante
que, si no se tiene su valor, se lo toma en relación al 95% de confianza
equivale a 1,96 (como más usual) o en relación al 99% de confianza
equivale 2,58, valor que queda a criterio del investigador.
e = Límite aceptable de error muestral que, generalmente cuando no se
tiene su valor, suele utilizarse un valor que varía entre el 1% (0,01) y 9%
(0,09), valor que queda a criterio del encuestador.

Paso 3, Seleccionar la técnica de muestreo, Justificar su selección (1

cuartilla)
Paso 4, elaborar un instrumento de medición, utilizando la escala de
Likert.
Paso 5, validar el instrumento de medición, por tres docentes.
Paso 6, llevar a cabo las encuestas, al tamaño total de la muestra.
Paso 7, Analizar los resultados.

Instrucciones: En base a la metodología

descrita, desarrolla lo siguiente.

1. Determinación de las 10 variables de

estudio, justifica su elección, una cuartilla
2. Determina el tamaño de la muestra,
explica el procedimiento a seguir, escribe la
formula, sustitúyela, desarróllala y anota tus
conclusiones, una cuartilla
3. Determina la técnica de muestreo a
utilizar, justifica tu elección, una cuartilla
4. Desarrolla tu instrumento de muestreo, utilizando la escala de Likert,
con 10 afirmaciones que provendrán de cada una de tus variables de
estudio.

Todo lo anterior, se llevará a cabo a computadora y será entregado

para la evaluación del primer parcial.

pág. 17
TÍTULO DE LA PRÁCTICA: 1.4 Distribución de frecuencias y su representación gráfica
UNIDAD TEMÁTICA: 1. Estadística Descriptiva
OBJETIVO:Que el alumno defina los conceptos de medidas de tendencia central, de localización
y de dispersión, que obtenga las medidas mencionadas y las interprete a partir de un caso
propuesto.

Resolver los siguientes problemas calculando la media aritmética, la mediana y

la moda. Varianza y desviación estándar

1. Calcular la media aritmética, la mediana y la moda de la siguiente serie de

números, Varianza y desviación estándar: 5, 3, 6, 5, 4, 5, 2, 8, 6, 5, 4, 8, 3, 4, 5, 4,
8, 2, 5, 4.

2. Las puntuaciones obtenidas por un grupo en una prueba han sido: 15, 13, 16, 15,
19, 18, 15, 14, 18. Calcular la moda, la mediana y la media aritmética. Varianza y
desviación estándar.

3. El número de estrellas de los hoteles de una ciudad viene dado por la siguiente
serie: 3, 3, 4, 3, 4, 3, 1, 3, 4, 3, 3, 3, 2, 1, 3, 3, 3, 2, 3, 2, 2, 3, 3, 3. Hallar la moda, la
mediana y la media aritmética. Varianza y desviación estándar.

4. Las calificaciones de 36 alumnos en Matemáticas han sido las siguientes: 5, 2, 4,

9, 7, 4, 5, 6, 5, 7, 7, 5, 5, 8, 2, 10, 5, 6, 10, 4, 7, 6, 7, 3, 5, 6, 9, 6, 1, 4, 6, 3, 5, 5, 6, 7.
Calcular la moda, la mediana y la media aritmética. Varianza y desviación estándar.

5. En un estudio que se realizó en un asilo de ancianos, se tomó las edades de los

envejecientes que pueden caminar sin dificultades. Buscar la media, la mediana y la
moda de las siguientes edades. Varianza y desviación
estándar. 69 73 65 70 71 74 65 69 60 62

pág. 18
Resolver los siguientes problemas calculando Varianza y desviación estándar.
Con datos agrupados.

Edad X f X*f (x-x)2 (x-x)2.f

15 3

16 4

17 6

18 9

19 10

20 11

Edad X f X*f (x-x)2 (x-x)2.f

1 13

2 1

3 5

4 10

5 9

6 11

pág. 19
X f X*f (x-x)2 (x-x)2.f

60 1

70 3

80 6

90 9

100 10

X f X*f (x-x)2 (x-x)2.f

4 4

5 7

6 6

7 15

8 7

pág. 20
 1. Se capturaron de 42 días, los minutos de paro de una maquina:

Elabora una distribución (tablas) de frecuencias con los siguientes datos:

2. Se recopilaron de 35 empleados las horas de tiempo extra durante el primer

cuatrimestre del año.

pág. 21
Problema 1: Se tiene una muestra aleatoria con datos del costo por consumo de
electricidad en una zona residencial de cierta ciudad:
96 202 147 213 207
157 90 172 168 164
141 206 123 166 168
95 150 135 137 149
108 183 153 127 158
171 178 148 130 251
185 116 144 109 89
149 175 187 139 258
163 154 191 129 314
119 151 129 82 298
a) Elabora una distribución de frecuencias
b) Construye un histograma
c) Traza una ojiva
d) Elabora el polígono de frecuencias
d) Elabora la gráfica circular
Problema 2: Los siguientes 40 datos corresponden a una muestra
del tiempo que se utilizó para atender las ordenes de trabajo de cierto
departamento de mantenimiento:

3.1 4.9 2.8 3.6 5.1 1.8 2.5 6.2

4.5 3.5 2.8 4.1 2.5 3.6 5.6 4.8
2.9 2.7 3.7 4.1 3.6 6.1 5.1 3.9
2.7 4.2 3.5 3.7 4.3 5.7 4.7 4.6
3.8 2.2 4.4 2.9 5.1 4.9 4.2 3.1
a) Elabora una distribución de frecuencias
b) Construye un histograma
c) Traza una ojiva
d) Elabora el polígono de frecuencias
d) Elabora la gráfica circular

pág. 22
 Problema 3: Los siguientes datos representan la duración de
vida, en años, medida al décimo más cercano, de 30 bombas
de combustibles similares:

2 6 3 6.5 0.2 2.3

0.2 0.3 6 1.8 4.7 0.7
1.5 5.5 4 0.5 2.5 5
4.5 5.9 0.3 6 1.2 0.2
1 1.5 3.3 1.3 0.4 5.6

a) Construye un diagrama de tallo y hoja

Problema 4: Las mediciones humanas constituyen una rica área

de aplicación de métodos estadísticos. El artículo (“A Longitudinal
Study of the Development of Elementary School Children’s Private
Speech”, Merrill-Palmer Q., 1990: 443-463) reportó sobre un
estudio de niños que hablan solos (conversación a solas). Se
pensaba que la conservación a solas tenía que ver con el IQ,
porque se supone que éste mide la madurez mental y se sabía que
la conservación a solas disminuye conforme los estudiantes
avanzan a través de los años de la escuela primaria. El estudio incluyó 33 estudiantes cuyas
calificaciones de IQ de primer año se dan a continuación:
82 96 99 102 103 103 106 107 108 108 108 108
109 110 110 111 113 113 113 113 115 115 118 118
119 121 122 122 127 132 136 140 146

Describa los datos y comente sobre cualquier característica importante, calcula:

a) Las medidas de tendencia central: Media, Mediana y Moda

b) Las medidas de localización: tercer cuartil, 5 decil y el Percentil 85
c) Las medidas de dispersión: varianza, desviación estándar y desviación media

pág. 23
TÍTULO DE LA PRÁCTICA: Conjuntos
UNIDAD TEMÁTICA: II. Probabilidad
OBJETIVO: El alumno definirá el concepto de conjunto y aprenda a representar conjuntos y
realizar operaciones con conjuntos.

2.1 Conjuntos
Es importante que antes de
iniciar formalmente el estudio
de la probabilidad se analicen
los conceptos básicos con los
que se estará trabajando. Un
conjunto es una agrupación
bien definida de objetos no
repetidos y no ordenados. El
conjunto que contiene a todos
los elementos a los que se hace
referencia recibe el nombre de
conjunto Universal, este conjunto depende del problema que se estudia, se
denota con la letra U y algunas veces con la letra S (espacio muestral).
Por ejemplo, si solo queremos referirnos a los 5 primeros números naturales el
conjunto queda:
U={ 1, 2, 3, 4, 5 }
Sean los conjuntos A={ 0, 1, 2, 3, 5, 8 } y B={ 1, 2, 5 }
En este caso decimos que B está contenido en A, o que B es subconjunto de
A. En general si A y B son dos conjuntos cualesquiera, decimos que B es un
subconjunto de A si todo elemento de B lo es de A también.
Cuando un conjunto carece de elementos, se le denomina “Conjunto Vacío
o nulo”. El conjunto vacío se expresa simbólicamente por “ o { }”. También
establecemos que el “conjunto vacío o nulo es un subconjunto de todos los
conjuntos”.
Los diagramas de Venn son esquemas usados en la teoría de conjuntos. Estos
diagramas muestran colecciones (conjuntos) de cosas (elementos) por
medio de líneas cerradas. La línea cerrada exterior abarca a todos los
elementos bajo consideración, el conjunto universal U.
Un evento es simplemente un conjunto, así que las relaciones y resultados de
la teoría elemental de conjuntos pueden ser utilizados para estudiar eventos.
Se utilizarán las siguientes operaciones para crear eventos nuevos a partir de
eventos dados:

pág. 24
El complemento de un conjunto respecto al universo U es el conjunto de
elementos de U que no pertenecen a A y se denota como A' y que se

representa por comprensión como:

La unión de dos conjuntos A y B la denotaremos por A B y es el conjunto
formado por los elementos que pertenecen al menos a uno de ellos o a los

dos. Lo que se denota por:

La intersección de dos eventos A y B, Sean A= {1, 2, 3, 4, 5, 6, 8, 9} y B= {2, 4, 8,
12} Los elementos comunes a los dos conjuntos son: {2, 4, 8}. A este conjunto se

le llama intersección de A y B; y se denota por A B, algebraicamente se

escribe así: Y se lee el conjunto de

elementos x que están en A y están en B.
La diferencia de los conjuntos A y B se denota por A-B y es el conjunto de los
elementos de A que no están en B y se representa por comprensión como:

Actividad 1 Contesta los siguientes cuestionamientos, posteriormente discute

en grupo la respuesta correcta a dichas preguntas.

1. Con tus propias palabras, explica que es un conjunto

pág. 25
2. En el siguiente cuadro sinóptico, describe las operaciones que se pueden
realizar con un conjunto, y da un ejemplo:

OPERACIÓN DESCRIPCIÓN EJEMPLO

INTERSECCION

UNION

COMPLEMENTO

DIFERENCIA

Ejercicio 1: En tu cuaderno de apuntes escribe los elementos de cada uno de

los siguientes conjuntos descritos por la notación de constitución:
a) B={ x  x es el cuadrado de un numero entero mayor que 2 y menor que
11 }
b) B={ x  x es un presidente de los Estados Unidos Mexicanos desde 1937 a
la fecha }
c) B={ x  x es el conjunto de herramientas que un técnico en
Mantenimiento debe portar}
d) B={ x  x una maquiladora del parque industrial del norte en Reynosa
México}
e) B={ x  x es un equipo de la liga de futbol Mexicana}

pág. 26
Ejercicio 2: Se sabe que, de los 65 alumnos del sexto curso, a 30 les gusta la
Biología, a 40 las Matemáticas y a 10 les gustan ambas asignaturas, en tu
cuaderno de apuntes elabora el diagrama de Venn y da respuesta a las
siguientes preguntas.
a) ¿A cuántos alumnos les gusta al menos una de esas asignaturas?
b) ¿A cuántos les gusta solamente la biología?
c) ¿A cuántos les gusta exactamente una de esas dos?
d) ¿A cuántos alumnos no les gustan ninguna de esas asignaturas?

Ejercicio 3: En una escuela de 600 alumnos, 100 no estudian ningún idioma

extranjero, 450 estudian francés y 50 estudian francés e inglés. ¿Cuántos
estudian solo inglés?

Ejercicio 4: De 106 personas se sabe que los que hablan solo ingles son tantos
como los que hablan inglés y francés y además los que hablan solo francés es
la quinta parte de los que hablan inglés. Si 10 personas no hablan ninguno de
estos dos idiomas, cuántos hablan solo francés.
a) 8 b) 16 c) 24 d) 32 e) 40

pág. 27
TÍTULO DE LA PRÁCTICA: 2.2 Probabilidad Básica y Condicional
UNIDAD TEMÁTICA: 2.Probabilidad
OBJETIVO:El alumno defina los conceptos básicos y esenciales de probabilidad y resuelva
problemas de su entorno de probabilidad básica, probabilidad condicional y técnicas de conteo

2.2 Probabilidad Básica y Condicional

El termino probabilidad se refiere al estudio de la aleatoriedad y la

incertidumbre. La probabilidad constituye una rama de las matemáticas que
se ocupa de medir o determinar cuantitativamente la posibilidad de que un
suceso o experimento produzca un determinado resultado.
Un experimento es cualquier acción o proceso que genera observaciones. En
teoría de la probabilidad un experimento aleatorio es aquel que, bajo el mismo
conjunto aparente de condiciones iniciales, puede presentar resultados
diferentes, es decir, no se puede predecir o reproducir el resultado exacto de
cada experiencia particular.

El espacio muestral de un experimento aleatorio, denotado por S, es el

conjunto de todos los posibles resultados de ese experimento.
En el estudio de la probabilidad, estaremos interesados no solo en los resultados
individuales de S, sino también en cualquier conjunto de resultados de S. Un
evento es cualquier conjunto (subconjunto) de resultados contenidos en el
espacio muestral S. Se dice que un evento simple si está formado exactamente
por un resultado y compuesto si consta de más de un resultado.

Eventos mutuamente excluyentes

Los eventos mutuamente excluyentes son aquellos en los que si un evento
sucede significa que el otro no puede ocurrir.
Definición clásica de la probabilidad de un evento
La probabilidad de un evento A es igual a la razón entre el número de casos
favorables a él y el número total de casos posibles en el experimento, siempre
que nada obligue a creer que alguno de estos casos es más favorable que
otro, esto es, si aceptamos que todos los casos son igualmente posibles:
𝑛𝐴 𝐶𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑑𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴
𝑃(𝐴) = =
𝑛 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Definición de Pierre – Simón de Laplace, es únicamente aplicable si el espacio
muestral es finito y cada evento simple tomado de S, tienen igual probabilidad
de suceder.

Técnicas de conteo

pág. 28
Cuando los diversos resultados de un experimento sean igualmente probables,
entonces la tarea de calcular probabilidades se reduce a contar. Una técnica
de conteo es aquel método que es usado para enumerar eventos difíciles de
cuantificar. Se les denomina técnicas de conteo a: las combinaciones,
permutaciones y diagrama de árbol.

Diagrama de árbol
Es un gráfico que ilustra como enumerar todos los resultados posibles de una
serie de experimentos, en donde cada experimento puede suceder de un
numero finito de maneras.
Ejemplo:
Si una dama tiene dos faldas { 𝑓1 , 𝑓2 } y cuatro blusas { 𝑏1 , 𝑏2 , 𝑏3 , 𝑏4 }, de cuantas
maneras puede seleccionar una falta y luego una blusa.

𝑏1 (f1, b1)
𝑏2
𝑓1 (f1, b2)
𝑏3
𝑏4 (f1, b3)

(f1, b4)
𝑏1
𝑏2 (f2, b1)
𝑓2
𝑏3
(f2, b2)
𝑏4
(f2, b3)

(f2, b4)

Principio de multiplicación:
Si un evento E1 puede suceder de n1 maneras diferentes, el evento E2 pude
ocurrir de n2 maneras distintas, y así sucesivamente hasta el evento Ep, el cual
puede ocurrir de np maneras diferentes, entonces el total de maneras distintas
en que puede suceder el evento conjunto “ocurren E1 y E2 y ….Ep” es igual al
producto
n1 x n2 x ….x np

Permutaciones
Como ya se analizó el diagrama de árbol y el principio de multiplicación son
modelos para representar procesos de selección sucesivas de cosas y efectuar
cálculos. Los conteos realizados con el principio de multiplicación se refieren a
arreglos de cosas en las cuales el orden en que ellas se presentan es
importante. Estos arreglos se llaman permutaciones; por lo tanto, una
permutación es cada una de las posibles maneras en que pueden ser
ordenados los elementos de un conjunto finito. Las permutaciones de n

pág. 29
 𝑛
elementos tomados a la vez, donde el símbolo ( ) representa el número total
𝑛
de permutaciones posibles de n objetos distintos, tomados de n en n, es decir
n=n y matemáticamente se representa por la ecuación:
𝑛
𝑃 ( ) . = 𝑛!
𝑛

En las permutaciones de n diferentes elementos tomados en grupos de r a un

𝑛
tiempo, el símbolo ( ) representa el número total de permutaciones de n
𝑟
objetos tomados de r en r, siendo r≤n, matemáticamente se representa:
𝑛 𝑛!
𝑃( ) =
𝑟 (𝑛 − 𝑟)!

Combinaciones
Es un conjunto de elemento en el cual no importa el orden, solo el número de
ellos. Dos combinaciones son diferentes si tienen al menos un elemento
diferente.
Dado un conjunto de n objetos distintos, cualquier subconjunto no ordenado
de tamaño k de los objetos, se llaman combinaciones. El número de
combinaciones de tamaño k que se puede formar de n objetos distintos se
𝑛
denotará por ( ).
𝑟
El número de combinaciones de n objetos tomados de r en r, siendo r < n, se
𝑛
simboliza por C( ); matemáticamente se expresa por la ecuación:
𝑟
𝑛
𝑛 𝑃( ) 𝑛!
( )= 𝑟 =
𝑟 𝑟! 𝑟! (𝑛 − 𝑟)!

Probabilidad como frecuencia relativa

La probabilidad es el estudio de experimentos “aleatorios” o libres de
determinación. Si una moneda es lanzada al aire, se tiene la certeza de que
caerá, pero no es posible afirmar que aparecerá un “águila”. Si repetimos el
experimento de lanzar la moneda al aire; sea “S” el número de aciertos
(número de veces que aparece un “águila”) y sea “n” el número de
lanzamientos hechos. Se sabe entonces que, de acuerdo a lo anterior, la
“probabilidad estimada o empírica” de un suceso se toma como la

pág. 30
“frecuencia relativa” de la aparición del suceso. La ecuación matemática
para la probabilidad como frecuencia relativa es:
𝑆
𝑝𝑓 =
𝑛

Probabilidad Condicional:
Para dos eventos cualesquiera A y B en un espacio muestra S, tales que P(A) >
0 con P(A) ¹ 0, la probabilidad del evento B dado el evento A, se define por:
P ( A  B)
P(B A) =
P (A)
Probabilidad Conjunta
Medida de la verosimilitud del acontecimiento simultáneo de dos o más
eventos.
Dada la experiencia aleatoria con espacio muestral S y dos eventos A y B, se
define un nuevo evento llamado conjunción de A y B, que se denota A∩B, de
la siguiente manera: A∩B ocurre siempre que ocurra A y ocurra B, es decir, que
ocurran ambos simultáneamente.
La probabilidad de A∩B, que simboliza P (A ∩ B), se le llama probabilidad
conjunta de A y B.

Eventos independientes
Se establece que dos eventos son “independientes” si la ocurrencia de uno de
ellos no afecta de ninguna manera la ocurrencia o no ocurrencia de otro.

E1 y E2 son eventos independientes si y solo si:

p (E1 /E2) = p(E1) p (E1 /E2) = p(E2)
y
También si E1 y E2 son eventos independientes, entonces tenemos que:

p (E1  E2) = p(E1). p(E2)

A esta ecuación se le denomina “teorema de la multiplicación para
probabilidad condicional”

Eventos independientes
Cuando la ocurrencia de un evento E 1 afecta la probabilidad de ocurrencia
de un evento E2 , entonces se dice que E1 y E2 son eventos dependientes.
La probabilidad de dos eventos dependientes es igual a la probabilidad de un
evento multiplicado por la probabilidad condicional del otro, es decir:

p (E1  E2) = p(E1). p (E2/ E1)

y

p (E1  E2) = p(E2). p (E1/ E2)

pág. 31
Teorema de Bayes
Es una ecuación que permite determinar probabilidades condicionales. Se
aplica a eventos diferentes donde al menos uno de ellos se sabe que ha
ocurrido.

Sea E1, E2, E3 tres eventos diferentes de los que al menos uno de ellos se sabe
que ha ocurrido. Supóngase que con cualquiera de esto puede presentarse
otro evento F que se sabe que ha ocurrido.

F F F
Si todas las probabilidades p( E1), p( E2 ), p( E3 ), y p (E ), p (E ), p (E ) son
1 2 3
conocidas, se tiene la formula:
F
E1 p(E1 ) ∙ p (E )
1
p( ) =
F F F F
p( E1 ) ∙ p (E ) + p( E2 ) ∙ p (E ) + p( E3 ) ∙ p (E )
1 2 3
E2 E3
Ecuaciones similares se pueden ordenar para p ( F ), p ( F )
“Si un evento puede ocurrir en más de una forma, entonces la probabilidad de
que ocurra en una forma particular será igual a la razón de la probabilidad de
que se presente la forma respecto a la probabilidad de que ocurra”

Actividad 1 Analiza los conceptos básicos de probabilidad y elabora en este

espacio un mapa mental, que te permita conocer y entender dichos
conceptos.

pág. 32
Actividad 2 Completa el siguiente cuadro.

pág. 33
TÍTULO DE LA PRÁCTICA: 2.3 Distribuciones discretas de Probabilidad
UNIDAD TEMÁTICA: 2.Probabilidad
OBJETIVO: El alumno practicará el uso de las distribuciones binomial, hipergeométrica y de
Poisson

pág. 34
 2.3 Distribuciones discretas de Probabilidad
Extraer un solo componente de una población y determinar si está o no
defectuoso es ejemplo de un ensayo de Bernoulli. En la práctica, es
posible extraer varios componentes de una gran población y contar el
número de elementos defectuosos. Esto implica realizar diversos
ensayos de Bernoulli independientes y contar el número de éxitos. El
número de éxitos es una variable aleatoria, que tiene una distribución
binomial.

Una distribución binomial o de Bernoulli tiene las siguientes

características:

1. En cada prueba del experimento sól o son posibles dos

resultados: éxito y fracaso.
2. La probabilidad de éxito es constante , es decir, que no varía
de una prueba a otra . Se representa por p.
3. La probabilidad de fracaso también es constante , S e
representa p or q,
q = 1 – p
4. El resultado obtenido en cada prueb a es independiente de
los resultados obtenidos anteriormente.
5. La variable aleatoria binomial , X, expresa el número de
éxitos obtenidos en las n pruebas. Por tanto, los valores que
puede tomar X son: 0, 1 , 2, 3, 4, ..., n .

La distribución binomial se expresa por B(n, p)

Cálculo de probabilidades en una distribución binomial

n es el número de pruebas.
k es el número de éxitos.
p es la probabilidad de éxito.
q es la probabilidad de fracaso.

El número combinatorio
La distribución hipergeométrica

Cuando una población finita contiene dos tipos de unidades, que pueden ser
denominados como éxitos y fracasos, y se extrae una muestra aleatoria simple

pág. 35
de la población, cada unidad representa un ensayo de Bernoulli. A medida que
se selecciona cada unidad, la proporción de éxitos en la población restante
disminuye o aumenta, dependiendo si la unidad extraída es un éxito o fracaso.
Por esta razón, los ensayos no son independientes, de ahí que el número de éxitos
en la muestra no siga una distribución binomial. En su lugar, la distribución que
describe adecuadamente el número de éxitos en esta situación se llama
distribución hipergeométrica.

La distribución hipergeométrica sigue el siguiente modelo:

Donde:

Vamos a tratar de explicarlo:

N: es el número total de bolas en la urna
N1: es el número total de bolas blancas
N2: es el número total de bolas negras
k: es el número de bolas blancas cuya probabilidad se está calculando
n: es el número de ensayos que se realiza

La distribución de Poisson parte de la distribución binomial:

Cuando en una distribución binomial se realiza el experimento un número "n" muy

elevado de veces y la probabilidad de éxito "p" en cada ensayo es reducida,
entonces se aplica el modelo de distribución de Poisson:

Se tiene que cumplir que:

" p " < 0,10
" p * n " < 10

La distribución de Poisson sigue el siguiente modelo:

pág. 36
Vamos a explicarla:

El número "e" es 2,71828

" l " = n * p (es decir, el número de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de éxito en cada ensayo)
" k " es el número de éxito cuya probabilidad se está calculando

Actividad 1 En la siguiente tabla, explica los conceptos enlistados.

Concepto Definición Aplicación

pág. 37
 Distribución
Binomial

Distribución
Hipergeométrica

Distribución Poisson

TÍTULO DE LA PRÁCTICA: 2.4 Distribuciones Continuas de Probabilidad

UNIDAD TEMÁTICA: 2.Probabilidad
OBJETIVO: El alumno practicará la resolución de problemas utilizando métodos de distribución
normal, Chi cuadrada, F de Fisher.

pág. 38
 TÍTULO DE LA PRÁCTICA: 2.4 Distribuciones Continuas de Probabilidad
UNIDAD TEMÁTICA: 2.Probabilidad
OBJETIVO: El alumno practicará la resolución de problemas utilizando métodos de distribución
normal, Chi cuadrada, F de Fisher.

2.4 Distribuciones Continuas de Probabilidad

La distribución normal (también conocida como

distribución de Gauss) es la distribución más utilizada
en la estadística. Constituye un buen modelo para
muchas, aunque no para todas las poblaciones
continuas. La distribución normal es continua en vez
de discreta. La media de una variable aleatoria
normal puede tener cualquier valor y la varianza
cualquier valor positivo. La función de densidad de
probabilidad de una variable aleatoria normal con
media m y varianza s está dada por:

1 (𝑥−𝜇)2
−
𝑓 (𝑥 ) = 𝑒 2𝜎2
𝜎√2𝜋
La siguiente gráfica de la función de densidad de probabilidad normal con
media 𝜇 y desviación estándar 𝜎. Algunas veces a la función de densidad de
probabilidad normal se le llama curva normal.

Observe que ésta es simétrica alrededor de 𝜇, de tal forma que representa la

mediana, así como la media. También, toda población normal se caracteriza
por:

• Aproximadamente 68% de la población se encuentra en el intervalo 𝜇 ± 𝜎

• Aproximadamente 95% de la población se encuentra en el intervalo 𝜇 ±
2𝜎
• Aproximadamente 99.7% de la población se encuentra en el intervalo 𝜇 ±
3𝜎

La proporción de una población normal que se encuentra a cierto número de

desviaciones estándar de la media es la misma en cualquier población normal.
Por esta razón, cuando se trabaja con poblaciones normales, se convierte las

pág. 39
unidades en las cuales se midió originalmente las unidades de la población a
unidades estándar.

Estas últimas indican a cuántas desviaciones estándar se encuentra un dato de

la media poblacional.

La función Chi-cuadrado es igual a la función normal elevada al cuadrado. Esto

es, el producto de dos distribuciones de Gauss es una distribución de Chi-
cuadrado. Si de una población normal, o aproximadamente normal, se extraen
muestras aleatorias e independientes, y se le calcula el estadígrafo χ2 usando el
valor muestral de la varianza y el poblacional con:

( n − 1)s 2
2 =
2
Actividad En la siguiente tabla, explica los conceptos enlistados, basándote en
el marco teórico de las practicas 8 y utilizando fuentes adicionales.

Concepto Definición Aplicación

pág. 40
 Distribución
Normal

Distribución Chi
cuadrada

Distribución F de
Fisher

TÍTULO DE LA PRÁCTICA 2.5 Distribuciones Muéstrales

UNIDAD TEMÁTICA: 2.Probabilidad
OBJETIVO: El alumno practicará la resolución de problemas utilizando métodos de cálculo de
probabilidades de la distribución t de Student.

En probabilidad y estadística, la distribución t (de Student) es una distribución de

probabilidad que surge del problema de estimar la media de una población
normalmente distribuida cuando el tamaño de la muestra es pequeño.

pág. 41
Si
n(  ,  2 ) es una muestra aleatoria de una Población (X) con
distribución

normal .

Entonces
de libertad.
( X −  ) (s / n) se distribuye t-student con n-1 grados

( X −  ) (s / n) → tn−1

◼ La media y la varianza de la distribución t son:

 =0 =
k
k −2
; k 3

◼ De una muestra aleatoria de n artículos, la probabilidad de que caiga

entre dos valores especificados es igual al área bajo la distribución de
probabilidad t de Student con los valores correspondientes en el eje X,
con n-1 grados de libertad

x−
t=
s/ n

Sesión 45| Actividad 1 En la siguiente tabla, explica los conceptos enlistados,

basándote en el marco teórico de las practicas 9 y utilizando fuentes
adicionales.

Concepto Definición Aplicación

pág. 42
 Distribución t-
student

TÍTULO DE LA PRÁCTICA: 3.1 Estimación

UNIDAD TEMÁTICA: III. Estadística Inferencial
OBJETIVO: El alumno defina que son las estimaciones estadísticas, y cuáles son sus
aplicaciones.

pág. 43
 3.1 Estimación estadística
Estimación de parámetros
Es el procedimiento utilizado para conocer las características de un parámetro
poblacional, a partir del conocimiento de la muestra.

Con una muestra aleatoria, de tamaño n, podemos efectuar una estimación de

un valor de un parámetro de la población; pero también necesitamos precisar
un:

Intervalo de confianza
Se llama así a un intervalo en el que sabemos que está un parámetro,
con un nivel de confianza específico.

Nivel de confianza
Probabilidad de que el parámetro a estimar se encuentre en el
intervalo de confianza.

Error de estimación admisible

Que estará relacionado con el radio del intervalo de confianza.
Estimación de la media de una población

El intervalo de confianza, para la media de una población, con un nivel

de confianza de 1 − α , siendo X la media de una muestra de tamaño n
y σ la desviación típica de la población, es:

El error máximo de estimación es:

Cuanto mayor sea el tamaño de la muestra, n, menor es el error.

Cuanto mayor sea el nivel de confianza, 1-α, mayor es el error.
Tamaño de la muestra

Si aumentamos el nivel de confianza, aumenta el tamaño de la muestra.

Si disminuimos el error, tenemos que aumentar el tamaño de la muestra.

pág. 44
Sesión 40| Actividad 1 En la siguiente tabla, explica los conceptos enlistados,
basándote en el marco teórico de las practicas 10 y utilizando fuentes
adicionales.

Concepto Definición Aplicación

Estimación
estadística

TÍTULO DE LA PRÁCTICA: 3.2 Prueba de Hipótesis

UNIDAD TEMÁTICA: III. Estadística Inferencial

OBJETIVO: El alumno realice y analice una prueba de hipótesis con una y dos muestras de
media y varianza en situaciones relacionadas con su perfil profesional.

3.2 Prueba de hipótesis

pág. 45
Hipótesis estadísticas

Un test estadístico es un procedimiento para, a partir de una muestra aleatoria y

significativa, extraer conclusiones que permitan aceptar o rechazar una hipótesis
previamente emitida sobre el valor de un parámetro desconocido de una
población.

La hipótesis emitida se designa por H0 y se llama hipótesis nula.

La hipótesis contraria se designa por H1 y se llama hipótesis alternativa.

Sesión 45| Actividad 1 Analiza y resuelve los siguientes ejercicios

1. Una máquina produce piezas metálicas de forma cilíndrica. Se toma una

muestra de piezas cuyos diámetros son 1.01, 0.97, 1.03, 1.04, 0.99, 0.98, 0.99,
1.01, 1.03 centímetros. Con un nivel de significancia de .01. ¿Pruebe la
hipótesis de que el diámetro promedio de piezas de esta máquina es de
1.009?

2. Si Usted patenta su proyecto integrador se espera que al menos pueda

venderlo a un precio razonable de $1,500, sin embargo basándonos en un
estudio de aceptación y mercado se obtuvieron los siguientes posibles precios

1000 1200 900 750 100 1300 1900 1000 800

300
Con un nivel de significancia del 10% pruebe la hipótesis de que su proyecto
se venderá en el precio arriba mencionado.

pág. 46
 3. Usted Aplica oportunamente el mantenimiento preventivo a una cortadora,
el nivel de tolerancia superior es de 1 mm, se tomó una muestra de 50
productos cortados en dicha máquina y la media obtenida fue de 4 mm con
una desviación estándar de 0.58 mm. Con un nivel de significancia del 10%
pruebe la hipótesis de que usted este aplicando de manera errónea su
mantenimiento.

TÍTULO DE LA PRÁCTICA: 3.3 Regresión Lineal y Correlación

UNIDAD TEMÁTICA: III. Estadística Inferencial

OBJETIVO: El alumno grafique un diagrama de dispersión, determine el coeficiente de

correlación, obtenga la ecuación de la recta, interprete los resultados.

3.3 Regresión Lineal y Correlación

Modelos predictivos o de regresión: la representación de la relación entre dos (o más)

variables a través de un modelo formal supone contar con una expresión lógico-
matemática que, aparte de resumir cómo es esa relación, va a permitir realizar
predicciones de los valores que tomará una de las dos variables (la que se asuma como

pág. 47
variable de respuesta, dependiente, criterio o Y) a partir de los valores de la otra (la que
se asuma como variable explicativa, independiente, predictora o X).

REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE

Es común que las personas tomen decisiones personales y profesionales basadas
en predicciones de sucesos futuros. Para hacer estos pronósticos, se basan en la
relación intuitiva y calculada entre lo que ya se sabe y lo que se debe estimar. Si
los responsables de la toma de decisiones pueden determinar cómo lo conocido
se relaciona con un evento futuro, pueden ayudar considerablemente al
proceso de toma de decisiones. Cualquier método estadístico que busque
establecer una ecuación que permita estimar el valor desconocido de una
variable a partir del valor conocido de una o más variables, se denomina análisis
de regresión. Los análisis de regresión y correlación mostrarán como determinar
la naturaleza y la fuerza de una relación entre dos variables.

El término regresión fue utilizado por primera vez por el genetista y estadístico
inglés Francis Galton (1822-1911) en 1877 Galton efectúo un estudio que
demostró que la altura d los hijos de padres altos tendía a retroceder, o
“regresar”, hacia la talla media de la población. Regresión fue el nombre que le
dio al proceso general de predecir una variable,(la talla de los niños) a partir de
otra (la talla de los padres). Hoy en día, esta tendencia de miembros de cualquier
población que están en una posición extrema (arriba o debajo de la media
poblacional) en un momento, y luego en una posición menos extrema en otro
momento, (ya sea por sí o por medio de sus descendientes), se llama efecto de
regresión. El análisis de regresión se desarrolla una ecuación de estimación, es
decir, una formula matemática que relaciona las variables conocidas con las
desconocidas. Luego de obtener el patrón de dicha relación, se aplica el análisis
de correlación para determinar el grado de relación que hay entre las variables.

Actividad 1 Analiza y resuelve los siguientes ejercicios

Ejercicio 1 Se ha medido la potencia (en kW) y el consumo (litros/100 km) de 6

modelos distintos de coches, obteniéndose los siguientes resultados:

pág. 48
 Halla la covarianza y el coeficiente de correlación.

Ejercicio 2 En distintos modelos de aspiradores se ha medido el peso, en

kilogramos, y la capacidad útil de la bolsa, en litros, obteniendo los siguientes
resultados:

a) Halla la recta de regresión de y sobre x.

TÍTULO DE LA PRÁCTICA: 3.4 Diseño de experimentos

UNIDAD TEMÁTICA: III. Estadística Inferencial

OBJETIVO: El alumno explique que es el ANOVA

Actividad 1 En base a la investigación del tercer parcial, elabora un cuadro

sinóptico donde expliques, que es, para que sirve y cuáles son las aplicaciones
del ANOVA.

pág. 49