TEMA 1:

INTRODUCCIÓN A
LA ECONOMETRÍA
Objetivo:
Proporcionar al estudiante los conceptos y procedimientos básicos relacionados con la construcción de
modelos econométricos para describir de manera simplificada el funcionamiento de la realidad
económica.
Econometría - Definición

Interpreta
Ciencia

Explica
Predice
Econometría - Definición

Teoría Económica Sustento teórico

Matemáticas Modelos funcionales

Estadística Inferencias
Modelo econométrico- Definición

 Es una representación simplificación

de la realidad económica.
 Utiliza técnicas, herramientas y
procedimientos matemáticos y
estadísticos.
 Muestra las relaciones entre las
variables analizadas explícitamente.
 Permite obtener soluciones al
problema más fácilmente.
Elementos de un modelo

Variables
• Característica o cualidad que puede fluctuar y cuya variación es
susceptible a adoptar diferentes valores, los cuales pueden medirse u
observarse.

Ecuaciones
• Igualdad o expresión matemáticas que establece o describe las
relaciones de dependencia entre dos o más variables.

Parámetros
• Magnitudes de ponderación de cada variable explicativa, miden el
efecto de estas variables sobre la variable dependiente.
Clasificación de las variables

 Desde el punto de vista del modelo:

 Endógenas.- Sus valores se calculan dentro del modelo.
 Exógenas.- Sus valores se determinan fuera del modelo.
 Desde el punto de vista estadístico:
 Discretas.- Solo toman valores enteros.
 Continuas.- Toman cualquier valor.
 Cuantitativas.- Solo toman valores numérico.
 Cualitativas.- Su valor es una cualidad o característica.
Clasificación de las variables

 Desde el punto de vista del tiempo:

 Retardadas.- Sus valores corresponden a periodos de
análisis anteriores.
 Sin retardos.- Sus valores corresponden al periodo de
análisis.
 De acuerdo a su rol en el modelo:
 Dependiente.- Es la variable explicada.
 Independiente.- Es la variable explicativa.
Clasificación de las ecuaciones

 De comportamiento.- aquellas que muestran el

comportamiento de los agentes económicos.
 Tecnológicas.- aquellas que muestran la estructura
tecnológica de una organización.
 Institucionales.- aquellas que expresan las decisiones
de los estamentos de decisión.
Clasificación de las ecuaciones

 De definición o contables.- son ecuaciones o identidades

matemáticas válidas por definición.
 De equilibrio o de ajuste.- aquellas que garantizan que el
modelo tenga solución.
 Restricciones.- Especifican restricciones para parámetros y
variables.
 Modelo económico

Modelo econométrico

Modelo macroeconómico

Modelo microeconómico

Modelo aleatorio

Modelo determinista

Modelo uniecuacional

Modelo multiecuacional

Modelo lineal
Clasificación de los modelos

Modelo no lineal
Tipos de modelos

Modelo estático

Modelo Dinámico

Modelo abierto

Modelo cerrado
Proceso para la formulación de un
modelo econométrico

Predecir
Definir
lasel
Verificar
Seleccionar problema
elvariables
modelo relevantes
Recolectar
Estructurar el
Establecer la forma datos
modelo
funcional
Probabilidad - Concepto

▪ Posibilidad de que un evento suceda

0 ≤ 𝑃 ≤1

𝑃 ( 𝐴 ) =0

𝑃 ( 𝐴 ) =1

𝑁 ° 𝑑𝑒𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 ( 𝐴)=
𝑁 ° 𝑑𝑒𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Conceptos relacionados

▪ Espacio muestral (): Conjunto de todos los posibles resultados

▪ Suceso: cualquier subconjunto del espacio muestral

Conceptos relacionados

▪ Variable aleatoria

▪ Distribución de probabilidad
 Conceptos relacionados

▪ Probabilidad de un suceso

▪ Probabilidad acumulada
Probabilidad Condicional

▪ Analiza la correspondencia o correlación entre dos o más variables

aleatorias.
▪ Permite conocer la probabilidad de que ocurra un suceso, cuando se
sabe que otro suceso ya ha ocurrido.
▪ Matemáticamente se expresa como:

𝑃 ( 𝐴 ∩ 𝐵) 𝑃 ( 𝐵∩ 𝐴)
𝑃 ( 𝐴|𝐵 )= 𝑃 ( 𝐵| 𝐴 )=
𝑃 ( 𝐵) 𝑃 ( 𝐴)
Probabilidad Condicional

Ej: Se realizó una encuesta sobre consuno de Coca Cola a una muestra de
150 personas jóvenes, los resultados se muestran en la siguiente tabla:
Consume Coca No consume Total
cola Coca Cola
Hombres 10 20 30
Mujeres 90 30 120
Total 100 50 150
▪ Calcule la probabilidad de que la persona seleccionada sea mujer y
consuma coca cola.
▪ Calcule la probabilidad de que la persona seleccionada sea hombre y
no consuma coca cola.
▪ Solución: 𝑁 ° 𝑑𝑒𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 ( 𝐴)=
– A: Consume 𝑁 ° 𝑑𝑒𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
– B: Género
𝑃 ( 𝐴 ∩ 𝐵) 𝑃 ( 𝐵∩ 𝐴 )
𝑃 ( 𝐴|𝐵 )= 𝑃 ( 𝐵| 𝐴 )=
𝑃 ( 𝐵) 𝑃 ( 𝐴)

120 4
𝑃 ( 𝐵=𝑀𝑢𝑗𝑒𝑟 ) = = =0,8
150 5

90 3
𝑃 ( 𝐴 ∩ 𝐵 )= = =0,6
150 5

0,6
𝑃 ( 𝐵| 𝐴 )= =0,75
0,8
▪ Solución: 𝑁 ° 𝑑𝑒𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 ( 𝐴)=
– A: Consume 𝑁 ° 𝑑𝑒𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
– B: Género
𝑃 ( 𝐴 ∩ 𝐵) 𝑃 ( 𝐵∩ 𝐴 )
𝑃 ( 𝐴|𝐵 )= 𝑃 ( 𝐵| 𝐴 )=
𝑃 ( 𝐵) 𝑃 ( 𝐴)

30 1
𝑃 ( 𝐵 = 𝐻𝑜𝑚𝑏𝑟𝑒 ) = = =0,2
150 5

20 2
𝑃 ( 𝐴 ∩ 𝐵 )= = =0,133
150 15

0,133
𝑃 ( 𝐵| 𝐴 )= =0,667
0,2
Un taller sabe que por término medio acuden: por la mañana tres
automóviles con problemas eléctricos, ocho con problemas mecánicos y
tres con problemas de chapa, y por la tarde dos con problemas eléctricos,
tres con problemas mecánicos y uno con problemas de chapa. Se pide:
▪ Ordenar en una tabla los datos anteriores.
▪ Calcular el porcentaje de vehículos que acuden al taller por la tarde.
▪ Calcular el porcentaje de vehículos que acuden al taller por problemas
mecánicos.
▪ Calcular la probabilidad de que un automóvil con problemas eléctricos
acuda por la mañana.
Solución:
▪ Ordenar en una tabla los datos anteriores.
Tipo de problema Total
Turno
Eléctrico Mecánico Chapa
Mañana 3 8 3 14
Tarde 2 3 1 6
Total 5 11 4 20

▪ Calcular el porcentaje de vehículos que acuden al taller por la tarde.

6 3
𝑃 ( 𝐴 =𝑇𝑎𝑟𝑑𝑒 )= = =0,30 𝑃 ( 𝐴 =𝑇𝑎𝑟𝑑𝑒 )=30 %
20 10
▪ Calcular el porcentaje de vehículos que acuden al taller por
problemas mecánicos.
11
𝑃 ( 𝐴 =𝑀𝑒𝑐 á 𝑛𝑖𝑐𝑜 )= =0,55 𝑃 ( 𝐴 =𝑀𝑒𝑐 á 𝑛𝑖𝑐𝑜 )=55 %
20

▪ Calcular la probabilidad de que un automóvil con problemas

eléctricos acuda por la mañana.
5 1
𝑃 ( 𝐴 =𝐸𝑙 é 𝑐𝑡𝑟𝑖𝑐𝑜 )= = =0,25
20 4 0,15
𝑃 ( 𝐵| 𝐴 )= =0,60
3 0,25
𝑃 ( 𝐴 ∩ 𝐵)= =0,15
20
 Distribución de probabilidad de una
variable aleatoria

▪ Es la relación de todos los valores posibles de la variable aleatoria

junto a la probabilidad de que ocurra cada valor.
▪ Ejemplo:
– Experimento: Lanzar un dado y ver el número que sale

= { 1,2,3,4,5,6 }

Espacio muestral
Resultados posibles 1 2 3 4 5 6
Probabilidades 1/6 1/6 1/6 1/6 1/6 1/6
Distribución de probabilidad acumulada

▪ Muestra la probabilidad de que la variable aleatoria sea menor o igual

a un valor concreto.

Espacio muestral
Resultados posibles 1 2 3 4 5 6
Probabilidades 1/6 1/6 1/6 1/6 1/6 1/6

Espacio muestral
Resultados posibles 1 2 3 4 5 6
Probabilidad
acumulada 0,16667 0,33333 0,50 0,66667 0,83333 1,00
Distribución de Bernouilli

▪ Asume dos valores específico: 0 y 1.

0 → 𝐶𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑃
𝑋=¿
1→ 𝐶𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 1 − 𝑃

𝑃 + ( 1− 𝑃 )=1
Distribución de probabilidad de una
variable aleatoria contínua

▪ Distribución de probabilidad
– Es la relación de todos los valores posibles de la
variable aleatoria junto a la probabilidad de que
ocurra cada valor.

▪ Distribución de probabilidad acumulada

– Probabilidad de que la variable aleatoria sea menor
o igual que un valor concreto.

▪ Función de densidad de una variable

contínua
– Función que determina la probabilidad de que la
variable aleatoria se encuentre entre dos valores
(área bajo la función de densidad).
Tipos de función de densidad de una
variable aleatoria contínua

▪ Distribución normal
▪ Distribución ji cuadrada
▪ Distribución t de student
▪ Distribución f
Distribución normal

▪ Su gráfica tiene forma de campana

▪ Es simétrica, por lo que su coeficiente de
simetría es cero.
▪ Es mesocúrtica, por lo que su coeficiente de
curtosis es 3.
▪ Su media es 𝑁(𝜇,𝜎2)
▪ Su varianza es
▪ Tiene el 95% de su probabilidad entre
▪ y
Distribución normal

▪ Para calcular la probabilidad de ocurrencia de un suceso, se debe

estandarizar o tipificar, es decir:
▪ Si una variable , entonces la variable tipificada es:

𝑋 −𝜇
𝑍=
𝜎
▪ que también sigue una distribución normal con y , es decir:
Características de la distribución
normal

▪ Tiene forma de campana y presenta

un punto máximo justo al centro de la
distribución.
▪ Su gráfica es simétrica respecto de su 68 %
media.
▪ La media, la mediana y la moda son
exactamente iguales y están al centro
95 %
de la distribución
▪ La curva decrece uniformemente en 99 %
ambas direcciones a partir del valor
central 𝜇 1𝜎 2𝜎 3𝜎
𝑀𝑒
𝑀𝑜
▪ Su ubicación en el plano
depende del valor de , si la
media cambia, la curva se
desplaza a la derecha o
izquierda.
▪ Su altura o apuntamiento
depende del valor de , si la
desviación es grande, la curva es
más aplanada y si es pequeña,
será más puntiaguda.
Distribución Chi-Cuadrado

▪ Es una distribución continua especificada por los

grados de libertad y el parámetro de no
centralidad.
▪ La curva es asimétrica positiva y disminuye a
medida que aumentan los grados de libertad y si
éstos son de 30 o más, la gráfica se aproxima a
una distribución normal.
▪ Es utilizada para comprobar la independencia de
variables categóricas.
▪ Simbólicamente esta representada por:
 Distribución Chi-Cuadrado

▪ Se aplica a muestras independientes

pequeñas ().
▪ Su valor está entre cero e infinito.
▪ Se utiliza para contrastar hipótesis.
▪ Matemáticamente está representada
por:
2
( 𝑂 − 𝐸 )
𝑥𝑚 =∑
2 𝑖 𝑖
𝐸𝑖
Distribución t

▪ Utilizada en el análisis de probabilidad para muestras pequeñas ()

extraídas de una población que presenta una distribución normal.
▪ Tiene forma de campana, solo que más aplanada que la distribución
normal.
Distr. Normal
▪ Su cálculo depende de los grados de
Distr. T Student
libertad considerados.
▪ Matemáticamente se calcula:

𝑥−𝜇
𝑡=
𝑠 / √𝑛
Distribución F

▪ Es utilizada para comparar la varianza de

dos poblaciones distribuidas
normalmente.
▪ Permite detectar la existencia o no de
similitudes entre dos muestras diferentes.
▪ Matemáticamente se define como el
cociente de dos variables chi cuadrado
con sus respectivos grados de libertad.

𝑋 /𝑚 𝑋 . 𝑛
𝐹= =
𝑌 /𝑛 𝑌 .𝑚
Momentos

▪ Son formulaciones estadístico matemáticas, definidas como

parámetros estadísticos que permiten caracterizar estadísticamente
a una población. Tienen amplia connotación dentro del estudio de
curvas de distribución de frecuencias y más específicamente respecto
de las mediadas de tendencia central, medidas de sesgo o dispersión
y medidas de forma o curtosis.
▪ Momento 1: Esperanza matemática:
– Para variables discretas

𝐸 ( 𝑥 ) =∑ 𝑥 1 .𝑝 𝐸 ( 𝑥 ) =1× 𝑝+ 0 × ( 1 − 𝑝 )= 𝑃

– Para variables continuas ∞

𝐸 ( 𝑥 ) = ∫ 𝑥𝑓 ( 𝑥 ) 𝑑𝑥
−∞
Momentos

▪ Son formulaciones estadístico matemáticas, definidas como

parámetros estadísticos que permiten caracterizar estadísticamente
a una población. Tienen amplia connotación dentro del estudio de
curvas de distribución de frecuencias y más específicamente respecto
de las mediadas de tendencia central, medidas de sesgo o dispersión
y medidas de forma o curtosis.
▪ Momento 1: Esperanza matemática:
– Para variables discretas

𝐸 ( 𝑥 ) =∑ 𝑥 1 .𝑝
– Para variables de Bernoulli
𝐸 ( 𝑥 ) =1× 𝑝+ 0 × ( 1 − 𝑝 )= 𝑃
Momentos

– Para variables continuas

∞
𝐸 ( 𝑥 ) = ∫ 𝑥𝑓 ( 𝑥 ) 𝑑𝑥
−∞

▪ Propiedades de la esperanza matemática

𝐸 ( 𝑐 )=𝑐

𝐸 ( 𝑐 . 𝑥 ) =𝑐 . 𝐸 (𝑥 )

𝐸 ( 𝑥+ 𝑦 )= 𝐸 ( 𝑥 )+ 𝐸 ( 𝑦 )
Momentos

▪ Momento 2: Varianza y desviación estándar

– Para variables discretas

𝑉 ( 𝑥 )=𝐸 [ (𝑥 −𝜇𝑥 ) ] =∑ [ 𝑥 𝑖 − 𝐸(𝑥)] ×𝑃(𝑥𝑖 )

2 2

– Para variables de Bernoulli

𝑉 ( 𝑥 )=(1− 𝑝)2 × 𝑝+(0 − 𝑝)2 × ( 1− 𝑝 )=𝑝 (1 − 𝑝) 𝜎 𝑥 = √𝑉 ( 𝑥)

∞
( 𝑥 )= ∫
– Para𝑉variables ( 𝑥 − 𝐸 ( 𝑥 ) )2 . 𝑓 ( 𝑥 ) 𝑑𝑥
continuas
−∞
Momentos

▪ Momento 3: Asimetría
𝑆𝑖 𝐶𝑎=0 → 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖 ó 𝑛 𝑆𝑖𝑚 é 𝑡𝑟𝑖𝑐𝑎(𝑛𝑜𝑟𝑚𝑎𝑙 )
𝐸 [ (𝑥 −𝜇 𝑥 ) ]
3

𝐶𝑎= 3 𝑆𝑖 𝐶𝑎>0 → 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖 ó 𝑛 𝐴𝑠𝑖𝑚 é 𝑡𝑟𝑖𝑐𝑎+¿

𝜎 𝑥
𝑆𝑖 𝐶𝑎< 0 → 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖 ó 𝑛 𝐴𝑠𝑖𝑚 é 𝑡𝑟𝑖𝑐𝑎 −

▪ Momento 4: Curtosis 𝑆𝑖 𝐶𝑐 =3 → 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖 ó 𝑛 𝑀𝑒𝑠𝑜𝑐 ú 𝑟𝑡𝑖𝑐𝑎(𝑛𝑜𝑟𝑚𝑎𝑙 )

𝐸 [ ( 𝑥 − 𝜇𝑥 ) ]
4

𝐶𝑐= 4
𝑆𝑖 𝐶𝑐 > 3→ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖 ó 𝑛 𝐿𝑒𝑝𝑡𝑜𝑐 ú 𝑟𝑡𝑖𝑐𝑎
𝜎 𝑥
𝑆𝑖 𝐶𝑐 < 3→ 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖 ó 𝑛 𝑃𝑙𝑎𝑡𝑖𝑐 ú 𝑟𝑡𝑖𝑐𝑎
Ejercicios de repaso de probabilidad

Se lanzan dos dados al aire y se anota la suma de los puntos obtenidos. Se pide:
▪ Describir el espacio muestral
▪ La función de distribución de probabilidad
▪ La función de distribución de probabilidad acumulada
▪ La probabilidad de que el número obtenido sea par
▪ La probabilidad de que el número obtenido sea múltiplo de tres
▪ La probabilidad de que el número obtenido esté en
▪ La probabilidad de que el número obtenido sea impar y mayor que 5
▪ La media, la varianza, coeficientes de asimetría y curtosis
 Solución

▪ Espacio muestral 1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6
=¿
4,1 4,2 4,3 4,4 4,5 4,6
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6

▪ Función de distribución de probabilidad

𝐶𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑃 ( 𝑋 =𝑥𝑖 ) =
𝐶𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

Resultados (sucesos) 2 3 4 5 6 7 8 9 10 11 12
1/36  2/36  3/36  4/36  5/36  6/36  5/36  4/36  3/36  2/36  1/36 
Probabilidad
0,028 0,056 0,083 0,111 0,139 0,167 0,139 0,111 0,083 0,056 0,028
 Solución

▪ Función de probabilidad acumulada

𝑃 ( 𝑋 ≤ 𝑥 𝑖 ) = 𝑥1 + 𝑥 2+ …+ 𝑥 𝑖

Resultados (sucesos) 2 3 4 5 6 7 8 9 10 11 12
1/36  2/36  3/36  4/36  5/36  6/36  5/36  4/36  3/36  2/36  1/36 
Probabilidad
0,028 0,056 0,083 0,111 0,139 0,167 0,139 0,111 0,083 0,056 0,028
Probabilidad 1/36  3/36  6/36  10/36  15/36  21/36  26/36  30/36  33/36  35/36  36/36 
acumulada 0,028 0,083 0,167 0,278 0,417 0,583 0,722 0,833 0,917 0,972 1,000
solución

▪ La probabilidad de que el número obtenido sea par

1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6
=¿
4,1 4,2 4,3 4,4 4,5 4,6
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6

18 1
𝑃 ( 𝑥= 𝑁 º 𝑝𝑎𝑟 )= = = 0,50
36 2
solución

▪ La probabilidad de que el número obtenido sea múltiplo de 3

1,1 1,2 1,3 1,4 1,5 1,6

2,1 2,2 2,3 2,4 2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6
=¿
4,1 4,2 4,3 4,4 4,5 4,6
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6

12 1
𝑃 ( 𝑥= 𝑁 º 𝑝𝑎𝑟 )= = =0,3333
36 3
 Solución

▪ La probabilidad de que la suma de los números obtenidos sea mayor

que 5 pero menor que 8
Resultados (sucesos) 2 3 4 5 6 7 8 9 10 11 12
1/36  2/36  3/36  4/36  5/36  6/36  5/36  4/36  3/36  2/36  1/36 
Probabilidad
0,028 0,056 0,083 0,111 0,139 0,167 0,139 0,111 0,083 0,056 0,028
Probabilidad 1/36  3/36  6/36  10/36  15/36  21/36  26/36  30/36  33/36  35/36  36/36 
acumulada 0,028 0,083 0,167 0,278 0,417 0,583 0,722 0,833 0,917 0,972 1,000

Primera forma Segunda forma

5 6 11 21 10 11
𝑃 ( 5 < 𝑥< 8 )= + = =0,3056 𝑃 ( 5 < 𝑥< 8 )= − = =0,3056
36 36 36 36 36 36
Solución

▪ Probabilidad de que el número obtenido sea impar y mayor que 5

𝑋=𝑁 ú 𝑚𝑒𝑟𝑜 𝑖𝑚𝑝𝑎𝑟 𝑃 (𝑌 ∩ 𝑋 )
𝑃 ( 𝑌 |𝑋 ) =
𝑃 ( 𝑋)
𝑌 =𝑁 ú 𝑚𝑒𝑟𝑜 𝑒𝑠 𝑚𝑎𝑦𝑜𝑟 𝑞𝑢𝑒 5
18 1
1,1 1,2 1,3 1,4 1,5 1,6 𝑃 ( 𝑋 = 𝑁 º 𝑖𝑚𝑝𝑎𝑟 )= = =0,50
36 2
2,1 2,2 2,3 2,4 2,5 2,6
3,1 3,2 3,3 3,4 3,5 3,6
=¿ 12 1
4,1 4,2 4,3 4,4 4,5 4,6 𝑃 ( 𝑌 ∩ 𝑋 )= = =0,3333
36 3
5,1 5,2 5,3 5,4 5,5 5,6
6,1 6,2 6,3 6,4 6,5 6,6
0,3333
𝑃 ( 𝑌 |𝑋 ) = 0,6667
0,50
Solución

▪ Media o esperanza matemática

▪ Varianza

𝜎 =√ 5,83=2,4145
2
𝑉 ( 𝑋 )= 𝐸( 𝑋 ¿¿ 2)− ( 𝐸 ( 𝑋 ) ) =54,83 − 49=5,83 ¿
Solución

▪ Coeficiente de asimetría

0
𝐶 𝑎= 3
=0
2,4145
Solución

▪ Coeficiente de curtosis

80,50
𝐶𝑐= 4
= 2,3686
2,4145
Tarea

En un almuerzo hay 28 hombres y 32 mujeres. Han comido carne 16

hombres y 20 mujeres, comiendo pescado el resto. Si se elige una de las
personas al azar.

▪ ¿Cuál es la probabilidad de que la persona escogida sea hombre?

▪ ¿Cuál es la probabilidad de que la persona escogida sea mujer?

▪ ¿Cuál es la probabilidad de que la persona escogida coma carne?

▪ ¿Cuál es la probabilidad de que la persona escogida coma pescado?

▪ ¿Cuál es la probabilidad de que la persona escogida sea hombre y

como coma carne?

▪ ¿Cuál es la probabilidad de que la persona escogida sea mujer y coma

pescado?

▪ Calcular la esperanza matemática, el coeficiente de asimetría y de

curtosis.
Repaso de
estadística Estimación, Contrastes de hipótesis
e Intervalos de confianza
 Estimación

Puntual
Descriptiva Estimación
Estadística

Inferencias Intervalo

Matemática Contraste

En la mayoría de las investigaciones resulta imposible estudiar a todos y cada uno de

los individuos de la población ya sea por el coste que supondría, o por la imposibilidad
de acceder a ello.
 Parámetros y
Población características
poblacionales
En definitiva, la idea es, a partir de una población se
extrae una muestra por algunos de los métodos existentes,
Estimar y
Se extrae con la que se generan datos numéricos que se contrastar
van a
utilizar para generar estadísticos con los que realizar
estimaciones o contrastes
Genera poblacionales. Estadísticos
Muestra

Datos
Utilizados
numéricos para
Estimación puntual

▪ Un estimador de un parámetro poblacional es una

función de los datos muestrales. En pocas palabras,
es una fórmula que depende de los valores
obtenidos de una muestra, para realizar
estimaciones.
▪ Lo que se pretende obtener es el valor exacto de un
parámetro.
Propiedades deseables de un estimador

▪ Insesgadez: Un estimador de un parámetro

poblacional es insesgado si su esperanza coincide
con el verdadero valor del parámetro.

▪ Eficiencia: Dados dos estimadores y para un

mismo parámetro , se dice que es más eficiente que
si:
Propiedades deseables de un estimador

▪ Suficiencia: Un estimador de un parámetro es

suficiente cuando para su cálculo se utiliza toda la
información de la muestra.
▪ Consistencia: Un estimador de un parámetro es
consistente si la distribución del estimador tiende a
concentrarse en un cierto punto cuando el tamaño de
la muestra tiende a infinito.
Métodos para obtener estimadores

▪ Método de los mínimos cuadrados: consiste en obtener un

estimador que hace mínima una determinada función.
▪ Método de los momentos: Se basa en que los momentos
poblacionales y se estiman mediante los momentos
muestrales. Suelen dar estimadores consistentes.
▪ Método de máxima verosimilitud: Consiste en tomar como
parámetro poblacional el valor de la muestra que sea más
probable, es decir, que tenga mayor probabilidad. Se suelen
obtener estimadores consistentes y eficientes. Es el más
utilizado.
Estimación mediante intervalos

▪ El intervalo de confianza está determinado por dos valores

dentro de los cuales afirmamos que está el verdadero
parámetro con cierta probabilidad.
▪ Son unos límites o margen de variabilidad que damos al
valor estimado, para poder afirmar, bajo un criterio de
probabilidad, que el verdadero valor no los rebasará.
Conceptos relacionados

▪ Variabilidad del parámetro: Si no se conoce, puede

obtenerse una aproximación en los datos o en un estudio
piloto. Habitualmente se usa como medida de esta
variabilidad la desviación típica poblacional y se denota σ.
▪ Error de la estimación: Es una medida de su precisión que
se corresponde con la amplitud del intervalo de confianza.
Cuanta más precisión se desee en la estimación de un
parámetro, más estrecho deberá ser el intervalo de
confianza y, por tanto, menor el error, y más sujetos
deberán incluirse en la muestra estudiada. Llamaremos a
esta precisión E, según la fórmula .
Conceptos relacionados

▪ Nivel de confianza: Es la probabilidad de que el verdadero valor

del parámetro estimado en la población se sitúe en el intervalo
de confianza obtenido. El nivel de confianza se denota por (1-α),
aunque habitualmente suele expresarse con un porcentaje ((1-
α)·100%). Es habitual tomar como nivel de confianza un 95% o
un 99%, que se corresponden con valores α de 0,05 y 0,01,
respectivamente.
▪ Valor α: También llamado nivel de significación. Es la
probabilidad (en tanto por uno) de fallar en nuestra estimación,
esto es, la diferencia entre la certeza (1) y el nivel de confianza
(1-α). Por ejemplo, en una estimación con un nivel de confianza
del 95%, el valor α es (100-95)/100 = 0,05.
▪ Valor crítico: Se representa por . Es el valor de la abscisa en
una determinada distribución que deja a su derecha un área
igual a α/2, siendo 1-α el nivel de confianza. Normalmente
los valores críticos están tabulados o pueden calcularse en
función de la distribución de la población.
Fórmulas a utilizar

Si la muestra es pequeña y no se Si la muestra es pequeña y se

conoce la desviación estándar conoce la desviación estándar
poblacional poblacional

Si la muestra es pequeña y se conoce la desviación estándar

poblacional, se utiliza la variable Z tipificada.
Fórmulas a utilizar

Si la muestra es grande: y no se
Si la muestra es grande y se conoce
conoce la desviación estándar
la desviación estándar poblacional
poblacional

Si la muestra es grande y se conoce la desviación estándar

poblacional, se utiliza la variable Z tipificada.
Ejemplo 1

Un fabricante de paneles solares desea investigar la durabilidad

promedio de horas antes de que los paneles fallen. Una muestra de 10
paneles indicaron que en promedio su durabilidad antes de que se
dañen fue de 27.500 horas con una deviación estándar de 355 horas.
Calcule un intervalo de confianza con un 95% de confianza para estimar
al parámetro de interés.
Ejemplo 2

Un fabricante de paneles solares desea investigar la durabilidad

promedio de horas antes de que los paneles fallen. Una muestra de 45
paneles indicaron que en promedio su durabilidad antes de que se
dañen fue de 27.500 horas con una deviación estándar de 355 horas.
Calcule un intervalo de confianza con un 95% de confianza para estimar
al parámetro de interés.
Práctico: Construcción de intervalos de
confianza

▪ En una población cuya distribución se desconoce, se obtiene una

muestra de 2000 valores de la que resulta una media de 225 y una
desviación típica de 10. Estimar un intervalo para la media de la
población con un nivel de confianza del 98%.
▪ Un investigador está interesado en determinar el gasto promedio de
los estudiantes en fotocopia. Para ello, define una muestra de 20
valores de la que resulta una media de 120 y una desviación típica de
8. Suponiendo que la varianza muestral coincide con la poblacional,
estimar un intervalo para la media de la población con un nivel de
confianza del 97%.
Contraste de hipótesis

Procedimiento basado en la evidencia muestral y la teoría de

probabilidades que permite comprobar una determinada afirmación
sobre el comportamiento del fenómeno o parámetro poblacional
estudiado.
Normalmente se plantean dos hipótesis mutuamente excluyentes
denominadas como Hipótesis nula () e Hipótesis alternativa o de
investigación ().
El procedimiento permitirá determinar si se acepta o rechaza la
Hipótesis nula. Siendo el propósito del proceso, por lo tanto,
determinar si el valor propuesto (hipotético) debe aceptarse como
verosímil en base a la evidencia muestral.
Paso de la prueba de hipótesis

▪ Planteamiento de las hipótesis nula y alternativa:

Bilateral

Unilateral positivo

Unilateral negativo

▪ Definir el nivel de significancia () y como consecuencia el nivel de confianza ().

 Paso de la prueba de hipótesis

▪ Definición de la zona de rechazo y aceptación de

Rechazo Rechazo Rechazo Rechazo

2,5% 2,5% 5% 2,5%
Aceptación Aceptación Aceptación
95% 95% 95%
− 𝑍 𝛼/ 2 + 𝑍𝛼 / 2 + 𝑍𝛼 −𝑍𝛼
-1,96 +1,96 +1,64 -1,64
Bilateral Bilateral positivo Bilateral negativo

▪ Determinación de la función de pivoteo

𝑥 −𝜇 Si 𝑥 −𝜇
𝑍𝑐 = 𝑡𝑐 = ( 𝑛 − 1 ) 𝐺𝐿 Si
𝜎 /√𝑛 𝜎 /√𝑛
Paso de la prueba de hipótesis

▪ Cálculo de la función pivotal y conclusión. Consiste en reemplazar los

datos en la ecuación y si el valor cae en la zona de aceptación o
rechazo, se acepta o rechaza la hipótesis nula. Es decir, se aplica la
regla de decisión de finida.
Ejemplo 2

Un cliente de la empresa fabricante de paneles solares del ejemplo 1,

indica que la durabilidad promedio de horas antes de que los paneles
fallen es diferente al promedio de horas indicadas en la garantía de
venta de 27.000 horas. El propietario saca una muestra de 45 paneles y
de la cual se determinó una durabilidad promedio antes de que se
dañen de 27.500 horas con una deviación estándar de 355 horas. ¿El
cliente tiene razón? Utilice un nivel de significancia del 3%.
Ejemplo 3

Un consumidor afirma que la nueva cuerda para pescar producida por la

empresa XYZ tiene una resistencia mayor de 15kg. Para verificar esta
hipótesis, el fabricante escogió una muestra de 36 cuerdas y encontró
una media de 16kg y una desviación estándar de 3kg ¿A qué conclusión
se llega? Utilice un nivel de significancia del 5%.
Práctico

▪ Un docente de la FCEE, afirma que el rendimiento académico promedio

de los estudiantes de la facultad es de menor a 75 puntos. Para
corroborar esta afirmación, el decano de la facultad toma una muestra
de 100 estudiantes y de la cual se obtiene que el rendimiento promedio
de los estudiantes es de 78 puntos con una desviación estándar de 2,34.
verifique si la afirmación que hace el docente es correcta.
▪ El gerente de venta de la empresa COBOLDE, afirma que los productos
que salen envasados a la venta, y que debieran pesar ¼ kilo, están
saliendo en realidad con un peso promedio mayor a 250 gr. Para verificar
esta afirmación, el encargado de envasado, toma una muestra aleatoria
de 28 sachet y de la cual obtiene que, los productos envasados están
saliendo a la venta con un peso promedio de 249 gr con una desviación
estándar de 1,2 gr. ¿El gerente de ventas tiene razón?