EstadísticaYProbabilidadExcel (Vargas) PDF

http://www.esap.edu.co/portal/wp-content/uploads/2015/08/6_estadstica_ii.
pdf
ESTADÍSTICA II
PROGRAMA ADMINISTRACIÓN PÚBLICA
TERRITORIAL
RAFAEL VARGAS BARRERA
ESCUELA SUPERIOR DE ADMINISTRACIÓN PÚBLICA

Director
HONORIO MIGUEL HENRIQUEZ PINEDO
Subdirector académico
CARLOS ROBERTO CUBIDES OLARTE
Decano de pregrado
JAIME ANTONIO QUICENO GUERRERO
Coordinador Nacional de A.P.T

JOSE PLACIDO SILVA RUIZ

Bogotá D.C., Noviembre de 2008
2
INDICE DE CONTENIDOS
DE LOS NUCLEOS TEMÁTICOS Y PROBLEMÁTICOS
UNIDAD 1. REPASO DE CONCEPTOS DE LA ESTADÍSTICA DESCRIPTIVA.

1.1 Tablas de frecuencia en Excel
1.2 Grafica en Excel
1.3 Medidas tendencia central en Excel
1.3.1 Media aritmética.
1.4 Medidas de dispersión en Excel.
1.4.1 Varianza, Desviación estándar
1.5 Taller en Excel
UNIDAD 2. TEORÍA DE PROBABILIDADES.

2.1 Aspectos generales.
2.2 Experimento aleatorio
2.4 Regla básicas de probabilidad.
2.5 Reglas de conteo
2.5.1 Permutaciones
2.5.2 Combinaciones
Unidad 3. Distribuciones de probabilidad en Excel

3.1 Tipos de variables.
3.2 Distribuciones de Probabilidad
3.2.1 Valor esperado
3.2.2 Varianza esperada
3.3 Distribución de probabilidad variables discretas
3.3.1 Distribución Binomial
3.3.2 Distribución Hipergeométrica.
3.3.3 Distribución de Poisson
3.4 Taller en Excel.
UNIDAD 4. DISTRIBUCIÓN DE PROBABILIDAD NORMAL

4.1 Variable aleatoria continua
4.2 Distribución de probabilidad uniforme
4.3 Distribución Normal
4.4 Distribución normal estandarizada.
UNIDAD 5. MUESTREO Y DISTRIBUCIONES MUESTRALES

5.1 Muestreo
5.2 Distribuciones de medias muestrales.
5.3 Teorema del límite central
5.4 Determinación del tamaño de la muestra
UNIDAD 6. ESTIMACIÓN POR INTERVALO.
3
6.1 Intervalos de confianza.
6.2 Estimación para la media poblacional. Muestras grandes.
6.3 Estimación para la media poblacional. Muestras pequeñas.
6.4 Estimación de una proporción de poblacional. Muestras grandes.
6.5 Estimación de una proporción de la población Muestras pequeñas.
6.6 Análisis de sensibilidad en Excel para la estimación del intervalo.
UNIDAD 7. PRUEBA DE HIPÓTESIS

7.1 Definición de hipótesis nula y alterna.
7.2 Tipos de errores.
7.3 Nivel de significancia
7.4 Pruebas de hipótesis unilaterales y bilaterales sobre la media
7.4.1 Muestras grandes
7.4.2 Muestras pequeñas
7.5 Prueba de hipótesis sobre la proporción de una población.
7.5.1 Muestras grandes
7.5.2 Muestras pequeñas
7.6 Calculo de la probabilidad para el error tipo II
UNIDAD 8. REGRESIÓN SIMPLE Y MÚLTIPLE.

8.1 Diagramas de dispersión.
8.2 Estimación del modelos de regresión lineal por el método de los mínimos
cuadrados.
8.3 Coeficiente de correlación y de determinación.
8.4 Pronósticos por el modelo de regresión lineal.
8.5 Modelos de regresión no lineal.
8.6 Modelos de regresión múltiples.
8.7 Pronósticos
4
DE LOS NUCLEOS TEMÁTICOS Y PROBLEMÁTICOS
Espacio–
Problemática
Tiempo y Pública
Territorio
ADMINISTRACIÓN
PÚBLICA
Gestión del TERRITORIAL Problemática
Desarrollo del Estado y
del Poder
Economía de Organizaciones
lo Público Públicas
Formación
General
El plan de estudios del Programa de Administración Pública Territorial,

modalidad a distancia, se encuentra estructurado en siete núcleos temáticos.
Éstos, a su vez, se constituyen en los contenidos nucleares del plan de
formación que, en la exposición didáctica del conocimiento, se acompañan de
contenidos complementarios específicos.
Cada uno de los siete núcleos temáticos que componen el programa tiene una
valoración relativa en número de créditos y, en consecuencia, varía también en
el número de asignaturas que lo conjugan. El primer momento en cualquier
proceso de formación ha de establecer las particularidades del programa, de
ahí que sea necesario dar a conocer los núcleos temáticos con su respectiva
valoración en número de créditos: Problemática pública, once (11) créditos;
Problemática del estado y del poder, 23 créditos; Organizaciones públicas, 24
créditos; Espacio–tiempo y territorio, 22 créditos; Gestión del desarrollo, 16
créditos; Economía de lo público, 18 créditos; y Formación general, 21 créditos.
De igual manera, se debe reconocer que el plan de estudios se cimienta en el

principio de la problematización. En otras palabras, la formación en
Administración Pública Territorial parte del hecho de que la disciplina se
encuentra en constante cambio teórico y práctico; lo cual genera, a su vez,
problemas multifacéticos que implican la formación de profesionales con
capacidad de comprender, explicar y resolver los distintos textos y contextos
que conforman la administración pública.
5
EL TRABAJO DEL TUTOR
El tutor tendrá libertad de cátedra en cuanto a su posición teórica o ideológica

frente a los contenidos del módulo, pero el desarrollo de los contenidos de los
módulos son de obligatorio cumplimiento por parte de los tutores. Los Tutores
podrán complementar los módulos con lecturas adicionales, pero lo obligatorio
para el estudiante frente a la evaluación del aprendizaje son los contenidos de
los módulos; es decir, la evaluación del aprendizaje deberá contemplar
únicamente los contenidos de los módulos. Así mismo, la evaluación del Tutor
deberá diseñarse para dar cuenta del cubrimiento de los contenidos del
módulo.
El Tutor debe diseñar, planear y programar con suficiente anticipación las

actividades de aprendizaje y los contenidos a desarrollar en cada sesión de
tutoría (incluyendo la primera), y diseñar las actividades para todas las
sesiones (una sesión es de cuatro horas tutoriales). También debe diseñar las
estrategias de evaluación del trabajo estudiante que le permita hacer
seguimiento del proceso de autoaprendizaje del estudiante. Los módulos
(asignaturas) de APT son de dos créditos (16 horas de tutoría grupal presencial
por crédito para un total de 32 horas), tres créditos (48 horas de tutoría grupal
presencial) y de 4 créditos (64 horas de tutoría grupal presencial, distribuidas
así:
MÓDULO DE ESTADÍSTICA II (3 créditos)

No. Horas por Total No. No. max.
Créditos crédito horas No. de Horas por mínimo de sesiones
Tutoría sesiones sesión encuentros por
Grupal tutoriales* encuentro
2 16 32 8 4 2 8
3 16 48 12 4 3 12
4 16 64 16 4 4 16
* El número de encuentros se programara de acuerdo con las distancias y costos de transporte de la Sede Territorial al
CETAP, por ejemplo para los casos de los CETAP de Leticia, San Andrés, Mitú, Puerto Inírida y Puerto Carreño, se
podrán programar un mínimo de dos encuentros para un módulo de 2 Créditos (16 horas por encuentro), tres
encuentros para un módulo de 3 créditos y cuatro encuentros para un módulo de 4 créditos.
Encuentro: número de veces que se desplaza un Tutor a un CETAP para desarrollar un módulo.
Sesión: número de horas por cada actividad tutorial, por ejemplo: 8-12 a.m., 2-6 p.m., 6-10 p.m.
6
E
STADÍSTICA II
7
INTRODUCCION:
En el módulo anterior de estadística se vieron los conceptos y herramientas
para recopilar datos, procesarlos, analizarlos y analizar los resultados.
Generalmente estos datos corresponden a hechos cumplidos, pero a partir de
ellos se debe mirar los que vendría hacia el futuro con el comportamiento de
las mismas variables. Las organizaciones públicas y privadas toman decisiones
permanentemente basándose en los resultados históricos; pero los resultados
se verán en el futuro por lo que la toma de decisiones se vuelve incierta y llena
de incertidumbre.
En este módulo ordenaremos nuestro conocimiento para darle valores a la
posibilidad que ocurran esos hechos futuros y con otras herramientas
estadísticas le daremos valor a la incertidumbre y la certeza que ocurran esos
eventos.
La probabilidad y otros parámetros de medición hacia el futuro son elementos
fundamentales en los ejecutivos privados y funcionarios públicos que tienen su
hombro la responsabilidad de planear, dirigir y programar la ejecución de las
actividades de su entorno, en beneficio de una sociedad, familia o empresa.
Objetivos
Formar el participante en la utilización de medias que analizan hacia el futuro
los resultados de hechos. El asistente adquirirá los conceptos y herramientas
que le permitirán ser un usuario casi permanente de las probabilidades, el
muestreo, las estimaciones, las pruebas de hipótesis, los modelos de
regresión lineal o lineal.
Objetivos específicos.
• Conceptualizar los principios teóricos básicos de la inferencia estadística.
• Aplicar las fases metodológicas de una investigación por muestreo.
• Estimar promedios poblacionales, totales, proporciones y varianzas
• Determinar tamaños de muestra.
• Revisar la fundamentación de los procedimientos de prueba de hipótesis.
• Estudiar la correlación de Pearson entre parejas de variables.
• Estudiar la fundamentación de los modelos de regresión como técnica de
análisis econométrico.
• Analizar el comportamiento de series cronológicas económicas y sociales.
• Proyectar variables económicas utilizando los modelos de regresión lineal y
no lineal.
Competencias que el alumno debe desarrollar

Comprender y aplicar la teoría de probabilidad como introducción a las técnicas
estadísticas de inferencia y pronósticos.
Aplicar conceptos, métodos y técnicas para el manejo de la información
numérica y no numérica relacionada con la administración de las
organizaciones y el manejo de cifras económicas.
Utilizar hojas de cálculo para el procesamiento, análisis y presentación de
grandes volúmenes de datos.
8
Inferir comportamiento de poblaciones (datos reales de un problema) a partir de
muestras aleatorias.
Identificar la distribución de probabilidades, en las situaciones que se viven a
diario en las empresas.
Utilizar correctamente un software estadístico, e interpretar acertadamente los
resultados para la toma de decisión ante una situación real del mercadeo y la
logística.
Mapa conceptual.
Metodología.
Evaluación
9
UNIDAD 1. ESTADÍSTICA DESCRIPTIVA.
Si uno ve el fútbol por televisión o escucha un noticiero por la radio o televisión,

o lea algún periódico o revistas de negocios, se verá sometido a una gran
cantidad de cifras a las que comúnmente se denomina estadísticas. Estas
cifras pueden referirse a deportes, mercado de valores, desempleo, producción
industrial o esperanza de vida.
A un dato numérico o valor aislado se le denomina dato, o valor, estadístico. El

precio al cierre de acciones comunes de Ecopetrol es un dato estadístico. La
utilidad de un negocio también es un valor estadístico. Las ventas totales al
menudeo en un cierto mes, es asimismo un dato estadístico. A un conjunto de
datos numéricos se le denomina estadística.
El estudio de las estadísticas tiene un significado mucho más amplio que la

simple recopilación y publicación de hechos y datos numéricos. El estudio
general de las estadísticas se define como la ciencia estadística o Estadística.
Estadística Ciencia que trata de la recopilación, organización, presentación,

análisis e interpretación de datos numéricos (estadística) con el fin de realizar
una toma de decisiones más efectiva.
Así como los abogados tienen "reglas de evidencia" y los contadores "prácticas
de uso común", las personas que trabajan con datos numéricos siguen ciertos
lineamientos estándares.
Las técnicas estadísticas se aplican de manera amplia en producción, en el

almacén, en un estudio de mercados, en control de calidad, en la Bolsa de
Valores Colombia, mercadotecnia, contabilidad, control de calidad, gestión
pública y en otras actividades.
La estadística se divide en estadística descriptiva y estadística inferencial.
La estadística descriptiva se refiere a la organización, presentación y análisis

de datos numéricos. Es un procedimientos empleados para organizar y resumir
conjuntos de datos numéricos. Se dispone de técnicas estadísticas para
organizar este tipo de datos en forma significativa. Algunos datos pueden
organizarse en una distribución de frecuencias. Pueden utilizarse diversos tipos
de gráficas para describir datos. Los promedios especializados, como la
mediana, pueden calcularse para describir el valor central de un grupo de datos
numéricos.
Estadística inferencial o también denominada inferencia Estadística y

Estadística inductiva. Lo más importante con respecto a la Estadística
inferencial es determinar algo acerca de una población. Una población puede
estar formada por personas como todos los estudiantes inscritos en una
universidad, todos los alumnos de una clase de contabilidad, o todos los
reclusos de una prisión. Una población también puede estar formada por
10
objetos, como las llantas producidas durante una semana en una fábrica, o
todas las truchas que habitan en una presa. Una población también puede
estar formada por un grupo de medidas, como podrían ser los salarios de los
empleados, o las estaturas de los alumnos de un curso.
1.1 Tablas de frecuencia en Excel

Es la técnica para la presentar en forma organizada los datos. Agrupamiento de
datos en categorías que muestren el número de observaciones de cada
categoría.
Para preparar una tabla de frecuencias se debe establecer un conjunto de
agrupamientos que se denominan clases. Una clase puede ser el valor de una
cualidad o un valor numérico o un intervalo.
Las variables pueden ser cualitativas, cuantitativas, discretas o continuas
En las variables continuas, cada categoría (clase) tiene dos límites, un límite
inferior declarado y un límite superior declarado. En práctica es común hacer
que el límite inferior de la primera clase sea igual a la más baja observación, y
hacer que todas las clases tengan el mismo ancho o amplitud.
En lo posible los intervalos o clases de frecuencias deben ser iguales. Los

intervalos de clase desiguales ofrecen problemas al representarse en forma
gráfica. Sin embargo, en algunos casos pueden ser necesarios intervalos
desiguales de clase para evitar un gran número de clases vacías, o casi vacías.
X MAX − X MIN
Intervalo de clase = donde m es el número de clases
m
Simbología Básica:
ni Frecuencia absoluta
hi Frecuencia relativa
Ni Frecuencia absoluta acumulada
Hi Frecuencia relativa acumulada
Ejemplo 1
Fuente: archivo Frecuencias.xls; hoja: Ejemplo 1
11
Ejemplo 2
X’i-1 Límite inferior del intervalo

X’i Límite superior del Intervalo
Xi Marca de clase o valor medio del intervalo
ni Frecuencia absoluta
hi Frecuencia relativa
Ni Frecuencia absoluta acumulada
Hi Frecuencia relativa acumulada
1.2 Gráficas en Excel

Las frecuencias pueden mostrarse utilizando diagramas o gráficas. Tres
diagramas que representan de manera adecuada, una distribución de
frecuencias son el histograma, el polígono de frecuencias y diagrama de
sectores.
12
1.3 Medidas tendencia central en Excel
Media aritmética. Es un valor tal que la suma de las desviaciones es igual a

cero.
MEDIA ARITMETICA ; X =
Xi
; X =
∑X i * ni
= M[X ]
n n
Ejemplo 3
Fuente: archivo Medidas de posición.xls; Hoja: Ejemplo 1
13
1.4 Medidas de dispersión en Excel.
Al aplicar una medida de dispersión es posible evaluar la confiabilidad del

promedio que se está utilizando. Una dispersión pequeña indica que los datos
se encuentran acumulados cercanamente, por ejemplo, alrededor de la media
aritmética. Por tanto, la media se considera bastante representativa de los
datos. Esto es, la media es un promedio confiable. Por el contrario, una
dispersión grande indica que la media no es muy confiable, es decir, que no es
muy representativa de los datos.
1.4.1 Varianza poblacional.

Media aritmética de las desviaciones cuadráticas con respecto a la media.
∑ (X − X) ∑ (X − X ) * ni ∑X ⎛ ∑ Xi ⎞
2 2 2 2
VARIANZA POBLACIONAL = σ n = ;σn = −⎜ ⎟

2 2
; =
i i i
n n n ⎜ n ⎟
⎝ ⎠
∑ (X − X) ∑ (X − X ) * ni
2 2
VARIANZA MUESTRAL : σ n2−1 = S 2 = ; σ n2−1 = S 2 =

i i
n −1 n −1
DESVIACION POBLACIONAL : σ n = S = σ n ; DESVIACION MUESTRAL ; σ n−1 = S = σ n −1

2 2
Ejemplo 5:
Fuente: archivo Medidas de posición.xls; Hoja: Ejemplo 3
14
Fuente: Archivo: Medidas de posición y dispersion.xls; Hoja: ejemplo 4
Taller. Analice cada una de las variables de la encuesta que está en el

archivo TALLER CAPITULO 1
15
UNIDAD 2. TEORÍA DE PROBABILIDADES.
2.1 Aspectos generales.

La probabilidad es una medida numérica entre cero y uno que mide la opción
que en un futuro ocurra un evento específico como resultado de un
experimento. Mide el grado de incertidumbre de la ocurrencia de un eventos o
suceso.
Los encargados de tomar decisiones no saben con certeza lo que puede ocurrir
en un futuro cercano o lejano. Sin embargo la decisión la tiene que tomar. Por
ejemplo un fabricante ha desarrollado un nuevo producto basado en la
determinación de las necesidades del mercado. Se desea saber si el mercado
comprará o no el producto. Una forma de minimizar el riesgo de tomar una
decisión incorrecta sería contratar a una empresa de encuestas para que tome
una muestra de 100 o 1200 o 2000 elementos de la población y preguntarle a
cada persona cómo reaccionaría ante el nuevo producto. Otro ejemplo podría
darse cuando el director de un departamento de Planeación de una entidad
oficial no sabe cuánto presupuestar para la reparación de vías. Debe tomar
datos de las reparaciones anteriores y predecir aproximadamente el valor a
presupuestar.
Debido a que existe una incertidumbre considerable al tomar decisiones,

resulta importante que todos los riesgos implícitos conocidos se evalúen en
forma científica minimizando el riesgo y la incertidumbre de la toma de
decisiones.
La probabilidad es la posibilidad que ocurra un evento futuro cuyo valor está

entre 0 y 1. La probabilidad que el año termine el 31 de diciembre es 1.0, pero
la probabilidad que el año inicie en febrero es 0. En estos casos hay certeza de
los que puede ocurrir con respecto a esos dos eventos.
Pero, la probabilidad que el año termine bien es una medida cuyo valor
dependerá de varios factores. Una persona que se acaba de ganar el Baloto
dirá que es muy cercana a uno, pero una víctima de una pirámide financiera
dirá que está cercana a 0.
2.2 Experimento aleatorio

Es definido como un proceso o actividad que la ejecutarse puede uno o varios
posibles resultados. Si el azar es el que define el resultado, se dice que el
experimento es aleatorio. En cada una de las repeticiones del experimento,
habrá uno y sólo uno de los posibles resultados experimentales.
Todos los posibles resultados se conocen como espacio muestral.
Ejemplo:
Experimento Aleatorio Posibles resultados Espacio Muestral
Jugar un partido de Ganar, empatar, S= {ganar, empatar,
futbol perder perder}
16
Lanzar un Dado 1, 2, 3, 4, 5, 6 S= {1, 2, 3, 4, 5, 6}
Lanzar una moneda Cara, Sello S= {cara, sello}
Otros ejemplos de experimentos. Preguntar a un grupo de estudiantes

universitarios que probaron tres computadoras personales, cuál prefieren.
Medir el niel del agua de un río. Contar el número de empleados de una
empresa que tienen más de 60 años de edad. Hacer girar la llave de un
mecanismo de encendido de una máquina para determinar si el motor
arrancará o no.
Un experimento puede tener uno o más resultados posibles, a los que se
denomina eventos.
Si una empresa tiene sólo cinco regiones de ventas y el nombre o número de
cada zona se escribe en un trozo de papel y éstos se colocan en una urna, la
probabilidad de seleccionar una de las cinco regiones es 1/5.
Si todos los papeles tienen el mismo nombre, “ACEROS LTDA”, la probabilidad

que al seleccionar un papel alzar diga “ACEROS LTDA” es 1. De esta forma, la
probabilidad 1, representa algo que seguramente va a suceder, y la
probabilidad 0 corresponde a algo que no puede suceder.
Cuanto más se acerca una probabilidad a 1, es más improbable que suceda el

evento al que se asocia, mientras que cuanto más se acerca la probabilidad a
0, más seguros estamos de que no sucederá.
Las probabilidades se analizan desde dos puntos de vista. Probabilidad clásica

y probabilidad empírica.
El enfoque clásico o a priori de la probabilidad se basa en la consideración de

que los resultados de un experimento son igualmente posibles. Empleando el
punto de vista clásico, la probabilidad de que suceda un evento se calcula
dividiendo el número de resultados favorables, entre el número total de
posibles, como por ejemplo, la probabilidad que la lanzar una moneda salga
cara, la probabilidad que al lanzar un dado salga un número mayor de 4, la
probabilidad que al lanzar dos dados salga pares, la probabilidad que al lanzar
una moneda tres veces, ganen los sellos.
En la probabilidad empírica, la probabilidad de que un evento ocurra a largo
plazo se determina observando en que fracción de tiempo sucedieron eventos
semejantes en el pasado.
2.4 Regla básicas de probabilidad.
Existe una marcada relación entre la Teoría de Conjuntos y la Teoría de las

Probabilidades, derivándose algunas expresiones que representan las
operaciones entre conjuntos.
17
Eventos disjuntos o excluyentes Eventos no disjuntos
Complemento.
A’ se conoce como el complemento de un evento, donde el
complemento donde A’ = {x ∈Ω / x∉ A}
Intersección
A ∩B=∅ A ∩B
Si A ocurre y B ocurre, se representa por A ∩ B. Esta probabilidad se simboliza

como P(A ∩ B) = P(A y B).
Unión de eventos.
AUB AUB
Si A ocurre o B ocurre, se representa por A U B y significa que A o B ocurre, o

al menos uno de los dos eventos ocurren. Esta probabilidad se simboliza como
P(A U B) = P(A o B).
P(AUB)=P(A) + P(B). Eventos excluyentes.

P(AUB)=P(A) + P(B) – P(A∩B). Eventos no excluyentes.
P(AUBUC)=P(A) + P(B) + P(C). Eventos excluyentes.
P(AUBUC)=P(A) + P(B) + P(C) - P(A∩B) - P(A∩C) - P(B∩C) + P(A∩B∩C).
Eventos no excluyentes.
2.5 Reglas de conteo.
18
2.5.1 Se denomina permutación a las diferentes ordenaciones que se
pueden hacer con un conjunto de eventos. (a1, a2, a3, …, an). El número de
permutaciones que se pueden hace con n elementos es n!, donde
n ! = 1 x 2 x 3 x ……. x n
El número de permutaciones de r elementos que se pueden tomar de un
conjunto de n elementos es
n!
n Pr = n x (n - 1) x (n - 2) x......x (n - r + 1) =
(n - r )!
Ejemplo. Una junta está compuesta por 5 vocales de los cuales se debe elegir
el presidente, el secretario y el fiscal. El número de forma como se puede
formar esa junta es
5! 120
5P3 = 5 x 4 x 3 = 60 = = = 60
(5 − 3) ! 2
En Excel =PERMUTACIONES(5;3)
2.5.2 Se denomina combinación a los subconjuntos no ordenados de un

conjunto, es decir, sin tener en cuenta el orden en la colocación de los objetos.
El número de combinaciones de r elementos tomados de un conjunto de n

elemento es:
⎛n⎞ n!
⎜ ⎟ = n Cr =
⎝r⎠ (n − r )!*r !
Ejemplo. De junta compuesta por 10 miembros se va a sacar la comisión de
empalme compuesta por 4 personas. ¿De cuántas formas se puede sacar esa
comisión?
⎛n⎞ n!
⎜ ⎟ = n Cr =
⎝r⎠ (n − r )!*r !
19
⎛ 10 ⎞ 10!
⎜ ⎟ =10 C 4 = = 5040
⎝4⎠ (10 − 4)!*4!
En Excel =PERMUTACIONES(10;4)
20
UNIDAD 3. DISTRIBUCIONES DE PROBABILIDAD EN EXCEL
3.1 La variable aleatoria está asociada con los resultados de los

experimentos aleatorios.
Ejemplo:
Experimento: Lanzar tres monedas.
Variable aleatoria: Número de caras que resulten
X: Número de caras obtenidas en el lanzamiento.

S = { ccc, ccs, csc, css, scc, scs, ssc, sss } X = { 0, 1, 2 ,3}
La variable aleatoria toma diferente valores dependiendo del resultado del

experimento aleatorio.
Según el tipo de valor que toma la variable discretas, reales y continuas. Las
variables discretas son aquellas cuyos valores son números enteros. Las
variables reales son las que toman valores decimales. La variables continuas
son las que toman valores en un intervalo.
3.2 Distribución de probabilidades

En el experimento de lanzar tres monedas la distribución para el valor de la
variable es :
Otro ejemplo de distribución de probabilidades empírica es el caso con la

variable numero de accidentes.
21
En ella observamos que esas considerados todos los posibles valores de la
variable y que las suma de estas probabilidad es 1.
Esta tabla de probabilidades se le conoce como Distribución de

probabilidades. La distribución de probabilidades es un modelo teórico que
describe la forma en que varían los resultados de un experimento aleatorio.
La función de probabilidad
La distribución de probabilidad acumulada es la que acumula las

probabilidades:
i =1
P(X Xi) = P(X1) + P(X2) + P(X3) + ….. P(Xm) = P( X ≤ X i ) = ∑ [P( X i )]
m
3.2.1 Valor esperado o esperanza matemática
Es el valor promedio probabilístico asociado con el valor de una variable.
i =1 i =1
µ = E ( X ) = ∑ P( X i ) * X i ; con ∑ P( X ) = 1
i
m m
Ejemplo. Valor esperado del lanzamiento de monedas.
Ejemplo. Valor esperado de accidentes en cada fin de semana.
22
3.2.2 Varianza esperada
La varianza esperada es el promedio esperado de los cuadrados de las

dispersiones con respecto al valor esperado.
σ 2 = ∑ (X i − µ ) 2 * P ( X i ) )
i =1
m
Ejemplo. Varianza para el lanzamiento de las monedas
Ejemplo. Varianza para los accidentes de los fines de semana
3.5 Distribución de probabilidad variables discretas

3.3.1 Distribución Binomial. Es una distribución de probabilidad discreta,
mide el número de éxitos en una secuencia de n ensayos independientes de
Bernoulli , con una probabilidad fija p de ocurrencia del éxito entre los ensayos.
La variable binomial es una variable aleatoria discreta, sólo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como
hay que considerar todas las maneras posibles de obtener x-éxitos y (n-x)
fracasos debemos calcular éstas por combinaciones (número combinatorio n
sobre x).
23
La función de probabilidad binomial está dada por
⎛n⎞
P ( X = x) = ⎜ ⎟ p x + q n− x ; con x = 1,2,3,.....
⎝x⎠
Cada experimento tiene dos resultados posibles: ÉXITO y FRACASO

La probabilidad de éxito es p
La probabilidad de fracaso es q = 1 – p
El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
La probabilidad de éxito permanece contante entre un experimento y otro.
(Población infinita o ensayos con reemplazamiento).
n es el número de ensayos o el número de veces que se aplica el experimento
Todo experimento que tenga esas características se le puede aplicar el modelo

de la distribución Binomial. A la variable x que expresa el número de éxitos
obtenidos en cada prueba del experimento se llamará variable aleatoria
binomial.
Ejemplo:
En una universidad el 20% de los alumnos son empleados oficiales. Se
selecciona una muestra de 20 alumnos. Cuál es la probabilidad que en la
muestra haya 0, 1, 2, 3, etc., empleados oficiales.
La distribución de probabilidades es:
Repita el ejercicio con una probabilidad de p = 0.8
24
Repita el ejercicio con una probabilidad de p = 0.5
3.3.2 Distribución Hipergeométrica.

El curso de estadística está conformado por 25 mujeres y 15 hombres. Para
formar parte del comité de acreditación se tomé una muestra de 10 alumnos.
Construya la distribución de probabilidad hipergeométrica
25
Repetir el ejercicio suponiendo que el número de empleados oficiales es 20 y
no oficiales, es 20
Repetir el ejercicio suponiendo que el número de empleados oficiales es 15 y

no oficiales es 25
26
3.3.3 Distribución de Poisson
La llamada distribución de probabilidad de Poisson describe la cantidad de
veces que ocurre un evento en un intervalo de tiempo determinado o de
espacio o de volumen. El valor de la probabilidad está dada por la siguiente
función.
e - λ * λx
P(X = x) = ; para x = 0,1,2,3,.........
x!
La variable a la cual se le aplicará es distribución de probabilidad debe cumplir

los siguientes aspectos.
• x es el número de éxitos en el intervalo.
• λ es el promedio de éxitos en el intervalo.
• La ocurrencia del evento en un intervalo no puede afectar la ocurrencia
en otro intervalo, es decir la ocurrencia el evento en cada intervalo es
independiente de los otros intervalos.
• Se utiliza para medir la gestión de servicio al cliente o para analizar la
calidad del servicio o de cumplimiento de los agentes productivos.
Ejemplo. El director de un Empresa de Servicio Público domiciliario que está

interesado en mejorar la atención a los clientes, colocó un encuestador en la
puerta de ingreso y le pidió que en intervalos de 15 minutos contara los clientes
que llegaban. El encuestador entregó los siguientes datos, (clientes que
llegaron en intervalos de 15 minutos.
12 15 10 12 15 18 15 12
11 15 16 14 13 16 17 13
14 18 12 14 16 15 14 12
Según esos datos la media de ellos es 14.125 clientes. Es decir en promedio

cada 15 minutos llegan 14.125 clientes, es decir λ = 14.125 clientes cada 15
minutos.
27
Con estos datos se pueden resolver preguntas como: ¿Cuál es la probabilidad
que en un intervalo de 15 minutos lleguen exactamente 10 clientes?
e -14.125 *14.12510
P(X = 10) = = 0.06393107
10!
En Excel =POISSON(10;14.125;0)
La distribución de probabilidad, en Excel, para esta variable sería.
28
29
UNIDAD 4. DISTRIBUCIÓN DE PROBABILIDAD NORMAL
4.1 Variable aleatoria continua.

Se ha dicho que una variable es discreta cuando los resultados del
experimento son valores enteros. Cuando los resultados toman valores con
decimales, se dirá que la variable es real. Esos valores podría estar en un
intervalo, como en el caso que los salarios de una empresa oscilan entre 1
SMLM y 8 SMLM , entendiéndose que una persona puede tener como salario
5.75 SMLM .E
En el caso de la variable número de personas que van a pagar a una oficina de
recaudos, es un valor enero, sin embargo, es común afirma que el valor de la
variable toma valores en un rango. Por ejemplo en el día van entre 100 y 200
personas a pagar a EPS. En estos casos la variable la asociaremos como
continua.
En el caso de variable continua la distribución de probabilidad es la integral de

la función de densidad, por lo que tenemos entonces que:
El valor esperado y la varianza esperada se calculará de la misma forma como

se calculó para la variable discreta.
4.2 Distribución de probabilidad Uniforme.

Una variable es uniforme cuando cualquier resultado de la variable tiene el
mismo valor de probabilidad.
4.3 Distribución normal.
30
Para entender el comportamiento de la distribución normal, tomemos la
siguiente distribución de Probabilidad.
La distribución de probabilidad es simétrica y la grafica tiende a tener una

forma de campana simétrica.
Distribuciones con estas características se le conocerá como distribuciones de

probabilidad normal o también llamada distribución de Gauss o distribución
gaussiana.
De las distribuciones de probabilidad para variable contínua es la mas

importante pues describe en forma aproximada muchos fenómenos que La
función de densidad está dada por:
x ( x−µ )2
1 −
P ( X ≤ x) = ∫ e 2σ 2
dx
−∞σ 2π
Si f(x) =Esta función cumple con

( x−µ )2 ∞ ( x−µ )2 0 ( x−µ )2 ∞ ( x−µ )2
1 − 1 − 1 − 1 −
si f ( x ) = e 2σ 2
; entonces ∫ e 2σ 2
dx = 1; ∫ e 2σ 2
dx = 0.5; ∫ e 2σ 2
dx = 0.5
σ 2π − ∞σ 2π − ∞σ 2π 0 σ 2π
31
Donde µ es la media y σ es la desviación estándar y σ2 es la varianza.
Como la gran dificultad está el cálculo de las integrales en función de la media

µ, y la desviación estándar σ, se puede medir las dispersiones en desviaciones
estándar de la siguiente forma:
Xi – X es la dispersión de la variable Xi con

respecto a la media aritmética.
Xi − X
=Z Es el número de dispersiones de la
σ
variable medida en desviaciones estándar. Esta medida se conoce como Z y el
procedimiento se le conoce como estandarización.
El valor de Z puede ir desde -∝ a +∝

1 ∞ 1 0 1 ∞ 1
1 − Z2 1 −2Z2 1 − Z2 1 − Z2
si f ( z ) =
σ 2π
e 2 ; entonces ∫
−∞ 2π
e dx = 1; ∫
− ∞σ 2π
e 2
dx = 0.5; ∫0 σ 2π 2 dx = 0.5
e
Esto permite que se hayan construido tablas que permitan rápidamente

aproximar el valor de la probabilidad en función dl valor de Z.
Tabla N° 1
32
Tabla N° 2
Tabla N° 3
Aplicaciones de la distribución normal

Ejemplo N° 1. Las ventas diarias de una empresa tiene media igual a 3.5
millones con una desviación estándar de 1.1 millones.
¿Cuál es la probabilidad que en un día se vendan 4 o menos millones de
pesos?
4 − 3.5
X = 3.5; σ = 1.1 X i = 4; Z = = 0.45
1.1
El valor de Z se busca en la tabla N° 1 Ubicando la fila

0.4 y la columna 0.05.
La probabilidad que la venta sea menor o igual a 4 millones es 0.67364, es
decir
P( X ≤ 4 ) = P( Z ≤ 0.45 )= 0.67364
33
¿Cuál es la probabilidad que en un día se vendan 2.8 o menos millones de
pesos?
2.8 − 3.5
X = 3.5; σ = 1.1 X i = 2.8; Z = = −0.67
1.1
En la tabla N° 2 se encuentra el valor de Z
El valor de Z se busca en la tabla N° 2 Ubicando la fila -0.6 y la columna -0.07.

La probabilidad que la venta sea menor o igual a 2.8 millones es 0.2514289, es
decir, P( X ≤ 2.8 ) = P( Z ≤ -0.67 )= 0.2514289
¿Cuál es la probabilidad que en un día se vendan 3.8 o más millones de

pesos?
Hay que entender que P(X ≥ x) = 1 - P( X ≤ x )
3.8 − 3.5
X = 3.5; σ = 1.1 X i = 3.8; Z = = 0.27
1.1
El valor de Z se busca en la tabla N° 1.
34
P(Xi≥3.8)=1-P(X≤3.8) = P(Z ≥ 0.27) =1–P(Z < 0.27) = 0.6064199 = 0.3935801
¿Cuál es la probabilidad que en un día se vendan entre 3 y 4 millones de

pesos?
P(a ≤ X ≤ b) = P(X ≤ b) - P(X ≤ a)
3.0 − 3.5
X = 3.5; σ = 1.1 X i = 30; Z = = −0.45
1.1
4.0 − 3.5
X = 3.5; σ = 1.1 X i = 4; Z = = 0.45
1.1
P(3 ≤ X ≤ 4) = P(X ≤ 4) - P( X ≤ 3) = P(X ≤ 0.45) - P( X ≤ 0.45) = = 0.6736448

- 0.3263552 = 0.3472896
P(X ≤ 0.45) - P( X ≤ 0.45) = = 0.6736448 - 0.3263552 = 0.3472896
Estas mismas funciones e pueden aplicar en Excel utilizando las siguientes

funciones estadísticas.
=DISTR.NORM(4;3.5;1.1;1) = 0.675281858
=DISTR.NORM(3.5;3.5;1.1;1) = 0.262269718
Realizar el siguiente taller en Excel utilizando las funciones para distribución

normal
35
36
UNIDAD 5. MUESTREO Y DISTRIBUCIONES MUESTRALES.
5.1 Muestreo
El análisis de la información que resultan de los procesos de las organizaciones
es importante para la toma de decisiones y controlar la gestión.
En la mayoría de los casos resulta casi imposible tomar toda la información de

esos procesos, o bien por incapacidad física o por falta de tiempo o por
aspectos económicos, etc.
Cuando no se puede hacer un censo para el análisis global de la población,

se recurre al proceso estadístico por medio del cual se toma una parte de la
población, bajo ciertos parámetros, se toma la información requerida y a partir
de ahí se sacan conclusiones del comportamiento del universo o población.
Esta técnica se conoce como muestreo.
El muestreo lo aplican en la investigación científica, en los estudios de

mercados en los análisis sociales. Se puede decir que la 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.
Cuando se aplica esta técnica se está expuesto a que los valores de la muestra
no correspondan con los parámetros de población, es decir se está expuesto a
lo que se conoce como el error del muestreo. Con la muestra adecuada SE
trata de conocer los rasgos de la los parámetros poblacionales.
5.1.1 Metodología para hacer muestreo.

Para realizar un muestreo se debe realizar un proceso que va desde la
planeación y termina con la inferencia de los resultados. En eso proceso
metodológico para realizar el muestreo se debe tener en cuenta ls siguientes
características.
Tamaño de la Población: Finita o infinita.
Objetivos de la investigación
Preguntas a realizar
Tipos de de preguntas y respuestas
Tipos de muestreo
Forma de recolectar la información
Recurso humano.
Recursos económicos
Recursos físicos.
Recursos tecnológicos.
Cronograma.
5.1.2 Tipos de muestreo

Según la forma como se seleccione los elementos a encuestas el muestreo se
puede clasificar en:
- Muestreo No probabilístico
- Muestreo Probabilístico o aleatorio.
o Muestreo aleatorio simple.
37
o Muestreo aleatorio sistemático
o Muestreo aleatorio estratificado
o Muestreo aleatorio por conglomerados
En el Método de Muestreo no probabilísticos, se seleccionan a los sujetos

siguiendo determinados criterios personales procurando que la muestra sea
representativa.
Los métodos de muestreo probabilísticos son aquellos que se basan en el

principio del azar, es decir todo los elementos tienen la misma probabilidad de
ser elegidos para formar parte de una muestra. Los métodos de muestreo
probabilísticos nos aseguran la representatividad de la muestra extraída y son,
por tanto, los más recomendables.
En el Muestreo Aleatorio Simple se asigna un número a cada elemento de la

población y a través de algún medio mecánico (papeletas, números aleatorios
generados por la calculadora o e l Excel, etc) se eligen tantos sujetos como sea
necesario para completar el tamaño de muestra requerido.
En el Muestreo Aleatorio Sistemático todos los elementos de la población,

deben estar ordenados en una lista en la cual se toman grupos para
seleccionarlos elementos al azar haciendo desplazamientos sistemáticos. La
manera de la selección depende del número de elementos incluidos en la
población y el tamaño de la muestra. El número de elementos en la población
es, primero, dividido por el número deseado en la muestra. El cociente indicará
si cada décimo, cada onceavo, o cada centésimo elemento en la población va a
ser seleccionado. El primer elemento de la muestra es seleccionado al azar.
La muestra sistemática puede dar la misma precisión de estimación acerca de
la población, que una muestra aleatoria simple cuando los elementos en la
población están ordenados al azar.
En el muestreo aleatorio estratificado se divide la población en grupos

homogéneos al interior, de donde se extraen al azar de cada grupo un cierto
número de elementos. 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. Las estimaciones de la población, basadas en la muestra
estratificada, usualmente tienen mayor precisión (o menor error muestral) que
si la población entera muestreada mediante muestreo aleatorio simple. El
número de elementos seleccionado de cada estrato puede ser proporcional o
desproporcional al tamaño del estrato en relación con la población.
En el Muestreo Aleatorio por Conglomerados el universo se divide en

grupos que son muy heterogéneos al interior y homogéneos al exterior. Luego
se selecciona y luego se toman todos los elementos del grupo o parte de ellos.
38
Una muestra de conglomerados, usualmente produce un mayor error muestral
que una muestra aleatoria simple del mismo tamaño. En una localidad pueden
vivir gente pobre como también pueden vivir puede vivir gente acomodada.
Muestreo con reposición y sin reposición.

Cuando un elemento se toma para ser parte de la muestra, con el se puede
tomar la decisión de no regresarlo a la población y tener la opción de volverlo a
seleccionar o excluirlo definitivamente de la población. En el primer caso se
habla de muestreo con reposición y en el segundo muestreo con reposición. En
el primer caso la probabilidad entre u ensayo y otro se mantiene constante, es
decir equivale a trabajar con una población infinita.
5.2 Distribuciones de medias muestrales.

Una distribución de medias muestrales consiste en tomar todas las posibles
muestra de cierto tamaño de una población y con ellas hacer el cálculo de las
medias para encontrar la distribución de probabilidad.
Como ejemplo podemos suponer que una población está compuesta por cinco
elementos cuyos valores son S = {1,2,3,4,5}.
La media de esa población es µ = 3.0 con una varianza de σ2 = 2.0
Se van a tomar todas las muestras de tamaño 2 con reemplazamiento lo que

equivale a trabajar con una de tamaño infinito, pues la probabilidad entre un
ensayo y otro no cambia.
Los cálculos se encuentran en el archivo de Distri muestal-xls
39
Se observa que la media Poblacional (µ) es igual a la media de todas la media
de tamaño 2 ( ( µ X = 3.0) = 3.0).
No ocurre lo mismo con la varianza, pues la varianza poblacional es 2.0; σ2 =
2.0, mientras que la varianza de las medias muestrales es 1.0
σ2 2
σ2 = = =1
X
n 2
σ2 σ
Si σ 2 = entonces σ = ,
X
n n
σ
donde L es el error es tan dar del muestreo para poblaciones inf initas.
n
Si ahora tomamos todas las muestras posibles de tamaño 2 pero con

reemplazamiento, loo que equivale a decir que se tiene una población finita,
pues la probabilidad entre un ensayo y otro cambia.
Los resultados se pueden ver en el archivo XXXXX
40
Se observa que la media muestral es igual a la media poblacional µ X = µ
Pero la relación entre la varianza de las medias muestrales y la varianza
poblacional es
σ2 N-n N-n
σ X2 = * ; donde ; se le conoce como factor de correción para población finita
n N -1 N -1
41
El mismo procedimiento se puede aplicar la misma población pero tomando
muestras de tamaño 3.
Un resultado importante de este análisis es que a pesar que la distribución de

probabilidades de la población original es uniforme, las distribuciones de
probabilidad de las medias muestrales tienen forma normal y entre mayor sea
el tamaño de la muestras, mayor es la aproximación.
5.2 Teorema del Límite central

De los anteriores resultados se obtiene una conclusión importante para
determinar el tamaño de la muestra.
E! teorema de límite central establece que para muestras aleatorias grandes, la

distribución de probabilidad para las medias muéstrales, se acerca a una
distribución del tipo normal. La aproximación es más exacta en la media que la
muestra es más grande que para pequeñas. Esta es una de las conclusiones
más útiles en Estadística. Se puede razonar acerca de la distribución de las
medias muéstrales sin contar con alguna información respecto de la forma de
42
la distribución original de la cual se toma la muestra. En otras palabras, el
teorema de límite central es cierto para todas las distribuciones.
El teorema del límite central dice que al seleccionar muestras aleatorias

simples de tamaño n de una población, la distribución muestral de la media
muestral X se puede aproximar a una distribución de probabilidad normal,
cuando el tamaño de la muestra es grande.
Si la población está distribuida normalmente, entonces, para cualquier tamaño

de muestra, la distribución de la media muestral también será normal. Si la no
es normal, es posible que se necesiten muestras de al menos 30 elementos
para observar el aspecto de normalidad. La mayor parte de los estadísticos
consideran que una muestra de 30 o mayor, es suficiente para que se emplee
el teorema de límite central.
5.4 Determinación del tamaño de la muestra

Partiendo que el muestreo es la forma científica para que a partir de los
resultados obtenidos en una muestra se infiera valores para la población, la
muestra debe ser representativa de la población en lo que se refiere a la
característica en estudio, o sea, la distribución de la característica en la
muestra debe ser aproximadamente igual a la distribución de la característica
en la población. Cualquier información obtenida de una muestra se le conoce
como estadístico y a partir de él se puede estimar los valores equivalentes
poblacionales o parámetro.
La Inferencia estadística se trata de estimar los parámetros poblacionales a

partir de las estadísticas obtenidas en la muestra. Para que los resultados
obtenidos de los datos muestrales se puedan extender a la población, la
muestra debe ser representativa de la población en lo que se refiere a la
característica en estudio, o sea, la distribución de la característica en la
muestra debe ser aproximadamente igual a la distribución de la característica
en la población.
La diferencia entre el estadístico y el parámetro poblacional se le conoce como

el error muestral o de estimación. Midiendo la variabilidad de las estimaciones
de muestras repetidas en torno al valor de la población, nos da una noción
clara de hasta dónde y con qué probabilidad una estimación basada en una
muestra se aleja del valor que se hubiera obtenido por medio de un censo
completo. Siempre se habrá un error, pero así podemos saber hasta qué
medida podemos cometerlo (los resultados se someten a error muestral e
intervalos de confianza que varían muestra a muestra). El estadístico será más
preciso en cuanto y tanto su error es más pequeño.
La representatividad en estadística se logra con el tipo de muestreo adecuado

que siempre incluye la aleatoriedad en la selección de los elementos de la
población que formaran la muestra. Sin embargo, tales métodos solo nos
garantizan una representatividad muy probable pero no completamente segura.
43
Ahora trataremos de resolver a pregunta ¿Cuál es el número adecuado de
elemento que se debe analizar u menor error?
Si con el muestreo se trata de estimar la media poblacional de la variable

característica de población, se debe tener en cuenta la varianza, bien sea que
se conozca de antemano no. El error estándar del muestreo está asociado con
la varianza de la población.
Esto nos lleva a que en la determinación del tamaño d e la muestra de debe

tener en cuenta los siguientes aspectos
Nivel de Confianza. Es la probabilidad de que el parámetro poblacional esté

en el error estimado Cualquier información que queremos recoger está
distribuida según una ley de probabilidad (Gauss o Student), 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. Cuando una población es más homogénea la varianza

es menor y el número de entrevistas necesarias para construir un modelo
reducido del universo, o de la población, será más pequeño. Generalmente es
un valor desconocido y hay que estimarlo a partir de datos de estudios previos.
La representatividad en estadística se logra con el tipo de muestreo adecuado

que siempre incluye la aleatoriedad en la selección de los elementos de la
población que formaran la muestra. No obstante, tales métodos solo nos
garantizan una representatividad muy probable pero no completamente segura.
Después de estos preliminares imprescindibles es posible pasa a tratar algunas

de las formas que desde el punto de vista científico se puede extraer una
muestra.
En la determinación del tamaño de la muestra se busca que con un nivel de

confianza y un cierto error asociado con el tipo de
población
El primer factor se llama nivel de confianza (1-α) ,

que en la probabilidad que la media poblacional esté
en un cierto intervalo asociado con el error que se
puede permitir.
Tamaño de la muestra para estimar la media poblacional para poblaciones

infinitas está dada por
Z12−α / 2 * σ 2
n=
E2 Donde Z es el nivel de confianza y E es el error estándar
permitido.
44
Tamaño de la muestra para estimar la media poblacional para poblaciones
finitas está dada por
N 2 * Z12−α / 2 * σ 2
n= 2
E *( N − 1) + Z12−α / 2 * σ 2 Donde Z es el nivel de confianza y E es el error
estándar permitido y N es el tamaño de la población
Tamaño de la muestra para estimar la proporción poblacional para población

infinitas está dada por.
Z12−α / 2 * P * Q
n=
ε2 Donde Z es el nivel de confianza, P es la probabilidad de
éxito, Q=1-P, la probabilidad de fracaso. y ε es el error estándar permitido.
Tamaño de la muestra para estimar la proporción poblacional para población

infinitas está dada por.
N 2 * Z12−α / 2 * P * Q
n= 2
ε *( N − 1) + Z12−α / 2 * P * Q Donde Z es el nivel de confianza, P es la
probabilidad de éxito, Q=1-P, la probabilidad de fracaso, ε es el error estándar

permitido y N es el tamaño de la población
Ejemplo 1. Encuestas pasadas indican que los clientes de una empresa pedían
en promedio 2500 unidades con una desviación de 600 unidades. Para
actualizar la opinión de los clientes hacia la empresa se va a aplicar una
encuesta a una parte de los elementos de la población. De qué tamaño debe
ser la muestra si se quiere un nivel de confianza del 90% y un error de 100.
En este caso. σ = 600, 1-a = 0.90; E = 100; 1-α/2 = 0.95; Z = 1.64
1.642 * 6002
n= = 96.82; Se deben aplicar 97 encuestas.
1002
Cuando no se conoce el valor de la varianza σ2, poblacional inicial, se puede

encontrar a través de una prueba piloto.
Ejemplo 2. En una reciente encuesta realizada a los consumidores de un

producto se obtuvo que el 80% estaban satisfechos con la calidad. El gerente
del producto quiere actualizar esta información, por lo que le ha pedido a usted
45
que realice una encuesta que tenga un nivel de confianza del 0.95 y un error
del 5%. ¿De qué tamaño deberá de ser la muestra?
En este caso. P = 0.8, 1-α = 0.95; E = 100; 1-α/2 = 0.975; Z = 1.64
1.962 * 0.8 * 0.2

n= = 245.8624 . Se deben hacer 246 encuestas.
(0.05) 2
Cuando no se conoce el valor de la proporción poblacional inicial, se puede

encontrar a través de una prueba piloto o simplemente tomando a P = 0.5 y Q =
0.5
Las respuestas de los ejercicios anteriores se encontraron utilizando el Excel.
El siguiente figura se muestra un análisis de sensibilidad en Excel para

determinar el tamaño de la muestra cuando se quiera estimar la media
poblacional.
El siguiente figura se muestra un análisis de sensibilidad en Excel para

determinar el tamaño de la muestra cuando se quiera estimar el promedio
poblacional.
46
Unidad 6. Estimación por intervalo.
6.1 Intervalos de confianza.
En la determinación del tamaño de la muestra se tuvieron en cuenta el nivel de

confianza y el error buscando que al estimar los parámetros poblacionales
fueran lo ms confiables posibles.
Una vez aplicada la encuesta a la muestra se debe hacer las estimaciones de
los parámetros poblacionales.
Para hacer esas estimaciones se puede utilizar cualquiera de los estadísticos
de la muestra. El estadístico que se usa para hacer la estimación del
parámetro poblacional se le denomina estimador puntal. Usualmente se usan
como estimadores puntales la muestra. La media de la muestra es una
estimación puntual de la media población. La media muestral no es el único
valor que se podría usar para estimar la media poblacional. También se podría
usar la mediana muestral, aunque no es tan eficiente, lo que significa que hay
más dispersión en la distribución de las dispersiones.
Los estimadores puntuales usados son:
Estadístico muestral Parámetro poblacional
X µ
p P
S σ2
La media muestral es una estimación puntual de la media poblacional. p es

una puntual de la proporción poblacional y s, la desviación estándar muestral,
es una estimación puntual de σ, la desviación estándar poblacional.
Pero como la estimación puntual no da mucha información acerca del

parámetro poblacional, se necesita mayor información por lo que el intervalo de
confianza cumple este propósito.
47
El intervalo de confianza Es el conjunto de valores obtenido a partir de los
datos muestrales en el que hay una determinada probabilidad de que se
encuentre el parámetro poblacional. Esta probabilidad se le conoce como el
nivel de confianza.
Por ejemplo, en una encuesta se encontró que en una determinada región el
ingreso mensual promedio de los trabajadores de la construcción es 2.5 SMLM.
Un intervalo podrá ser que el salario promedio global este entre 2 y 3 SMLM. Y
¿cuál es la seguridad que eso sea así? Se podrá indicar que se tiene una
seguridad del 90% que eso es así.
La información que se tiene acerca de la forma de la distribución muestral de la

media muestral, es decir de la distribución muestral de X, permite localizar un
intervalo que tenca una determinada probabilidad de contener a la media
poblacional.
Si el tamaño de la muestra es razonablemente grande, el teorema del límite
central permite establecer lo siguiente:
1. El noventa y cinco por ciento de las medias muéstrales obtenidas de
una. población se e encuentran a no más de 1.96 desviaciones
estándar de la media poblacionalµ.
2. El noventa y nueve por ciento de las medias poblacionales se
encuentran a no más de 2.58 desviaciones estándar de la media
poblacional
La probabilidad de que el verdadero valor del parámetro se encuentre en el

intervalo construido se denomina nivel de confianza, y se denota 1-α. La
probabilidad de equivocarnos se llama nivel de significancia y se simboliza con
α. Generalmente se construyen intervalos con confianza 1-α = 95% (o
significancia =5%). Menos frecuentes son los intervalos con α = 10% o α = 1%.
En la distribución normal P(-1.96 < z < 1.96) = 0.95, lo que indica que si una
variable tiene distribución normal N(µ; σ), entonces el 95% de las muestras
X −µ σ
cumplen que − 1.96 ≤ ≤ 1.96 , donde σ X = , error estándar del
σX n
muestreo
σ σ
Despejando se tiene que X − 1.96 * ≤ µ ≤ X + 1.96 * con una probabilidad
n n
de 1-α
Esto quiere decir que de 100 muestras de tamaño n, 95 contienen la media

poblacional µ, cuando la variable X es normal y se conoce σ.
48
6.2 Estimación para la media poblacional. Muestras grandes.
Cuando el tamaño de la muestra es grande o la variable tiene distribución
normal, el intervalo de confianza está dado por
σ σ
X − Zα / 2 * ≤ µ ≤ X + Zα / 2 *
n n
⎡ σ σ ⎤
P ⎢ X − Zα / 2 * ≤ µ ≤ X + Zα / 2 * = 1−α
⎣ n n ⎥⎦
Como el error estándar está afectado por el tamaño de la muestra, este a su

vez afecta el intervalo de confianza. Conforme aumenta el tamaño de la
muestra, el error estándar disminuye, indicando esto que hay menos
variabilidad en la distribución muestral de a media muestral. La estimación
obtenida de una muestra grande será más precisa que una estimación obtenida
de una muestra pequeña.
Cuando el tamaño de la muestra n es mayor o igual a 30, se aplica el teorema

de límite central asegura que la media muestral sigue la distribución normal. Si
la media muestral tiene una distribución normal, se puede usar la distribución
normal estándar, es decir, z, para los cálculos.
Ejemplo. En una encuesta aplicada a 1600 colombiano se encontró que en

promedio ven 14.6 horas de televisión a la semana con una desviación
estándar de 5 horas. Realice una estimación de la variable con para un nivel
de confianza del 80%.
n = 1600; X = 14.6 horas; σ = 5 horas; 1 - α = 0.80; Z0.80 = 1.28
⎡ 5 5 ⎤
P ⎢14.6 − 1.28 * ≤ µ ≤ 14.6 + 1.28 * ⎥ = 0.80
⎣ 1600 1600 ⎦
P[14.44 ≤ µ ≤ 14.76] = 0.80

Los colombiano ven televisión en promedio entre 14.4 y 14.76 horas con un
nivel de confianza del 80%
49
6.3 Estimación para la media poblacional. Muestras pequeñas.
Cuando el número de observaciones es menor de 30, la estimación del
intervalo se basa en las suposiciones que si la población es normal o que si se
conoce ls desviación estándar de la población.
En caso que la muestra sea pequeña, menor de 30, y se conozca la varianza

de la población σ2, el intervalo de confianza es.
σ σ
X − Zα / 2 * ≤ µ ≤ X + Zα / 2 *
n n
Cauno el tamaño de la muestra sea pequeño y no se conozca la varianza

poblacional σ2 , se utiliza la desviación estándar de la muestra s, y la
distribución de probabilidad t.
La distribución de probabilidad t o 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. Ésta es
la base del popular test de la t de Student para la determinación de las
diferencias entre dos medias muestrales y para la construcción del intervalo de
confianza para la diferencia entre las medias de dos poblaciones.
La distribución t surge, en la mayoría de los estudios estadísticos prácticos,

cuando la desviación típica de una población se desconoce y debe ser
estimada a partir de los datos de una muestra.
La distribución te tiene las siguientes características.

• Al igual que la distribución Z, es una distribución continua
• La distribución t tiene una media de cero, es simétrica respecto de la
v
media y se extiende de - ∝ a + ∝ la varianza de t es para v > 2.
v+2
Cuando los grados de libertad son suficientemente grandes la varianza de
la distribución t tiende a 1.
• Tiene forma acampanada y simétrica.
• No hay una distribución t, sino una "familia" de distribuciones t. todas con
la misma media cero, pero con su respectiva desviación estándar
diferente de acuerdo con el tamaño de la muestra n. Existe una
distribución t para una muestra de 20, otra para una muestra de 22, y así
sucesivamente.
• La distribución t es más ancha y más plana en el centro que la distribución
normal estándar como resultado de ello se tiene una mayor variabilidad
en las medias de muestra calculadas a partir de muestras más pequeñas.
Sin embargo, a medida que aumenta el tamaño de la muestra, la
distribución t se aproxima a la distribución normal estándar.
50
Para la estimación del intervalo de confianza, el valor de t depende de los
grados de libertad, n-1, (fila) y del nivel de confianza.
Por ejemplo para un niel de confianza de 90% y 5 grados de libertad, t =

2.01505
6.4 Intervalo de confianza para muestras pequeñas donde no se conoce

la varianza poblacional.
s s ⎡ s s ⎤
X −t* ≤ µ ≤ X +t* ; P⎢ X − t * ≤ µ ≤ X +t* ⎥ = 1−α
n n ⎣ n n⎦
Ejemplo. En una encuesta aplicada a 10 personas de la calle se encontró que

en promedio ven 2.5 horas de televisión al día con una desviación estándar de
0.8 horas. Con un nivel de confianza del 95% estime el intervalo d confianza
51
para la media poblacional.
En ese caso
n = 10; X = 2.5; s = 0.8 horas;1 − α = 0.95, por lo tan to; t 9;0.95 = 2.262
⎡ 0 .8 0. 8 ⎤
P ⎢2.5 − 2.262 * ≤ µ ≤ 2.5 + 2.262 * ⎥ = 0.95
⎣ 10 10 ⎦
P[1.92775 ≤ µ ≤ 3.0722] = 0.95
Se estima que la población debe ver en promedio entre 1.93 horas y 3.07 horas
de televisión al día, con un nivel de confianza del 95%
6.4 Estimación para la proporción poblacional. Muestras grandes
Todo el análisis para la estimación de la media poblacional para muestras

grandes se aplica para determinar la proporción poblacional
p * (1 − p ) p * (1 − p ) ⎡ p * (1 − p ) p * (1 − p ) ⎤
p−Z* ≤ µ ≤ p+Z* ; P⎢ p − Z * ≤µ ≤ X +Z* ⎥ = 1−α
n n ⎣⎢ n n ⎦⎥
número de éxitos
Recuerde que p =
n
Ejemplo. La cadena de televisión TVK está considerando la posibilidad de
sustituir una de sus series policiales por una serie de comedia con orientación
familiar. Antes de tomar una decisión, los directores de la red toman una
muestra de 400 televidentes. Después de ver la nueva serie, 250 indican que sí
la verían y sugieren que reemplace a la serie policíaca. Estime el valor de la
proporción poblacional con un nivel de 99%
n = 400; X = 250; p = 400/250 = 0.625; q = 1-0.625 = 0.375; 1- α = 0.99; Z
0.995 = 2.58
⎡ 0.625 * 0.375 0.625 * 0.375 ⎤

P ⎢0.625 − 2.58 * ≤ µ ≤ 0.625 + 2.58 * ⎥ = 0.99
⎣ 400 400 ⎦
P[0.6008 ≤ µ ≤ 0.6492] = 0.99
52
Entre el 60.08% y el 64.92% de los televidentes aceptna el cambio de
programa
6.5 Estimación para la proporción poblacional. Muestras pequeñas
Todo el análisis para la estimación de la proporción poblacional para muestras

grandes se aplica para determinar la proporción poblacional par muestras
pequeñas.
p * (1 − p ) p * (1 − p ) ⎡ p * (1 − p ) p * (1 − p ) ⎤
p −t* ≤ µ ≤ p+t* ; P⎢ p − t * ≤ µ ≤ p+t* ⎥ = 1−α
n n ⎢⎣ n n ⎥⎦
Ejemplo. Un periodista estaba preguntando en la calle sobre la opinión que

tienen los transeúntes sobre la pena de muerte. De las 25 persona a las que
se les preguntó, 20 estuvieron de acuerdo. Encontrar el intervalo de confianza
con un nivel de confianza del 95%.
n = 425; X = 20; p = 20/25 = 0.80; q = 1-0.8 = 0.20; 1- α = 0.95; t24;0.95 = 2.0639
⎡ 0 .8 * 0 .2 0 .8 * 0 .2 ⎤
P ⎢0.80 − 2.0639 * ≤ µ ≤ 0.80 + 2.0639 * ⎥ = 0.95
⎣ 25 25 ⎦
P[0.634888 ≤ µ ≤ .965112] = 0.95
Según los transeúntes, entre el 63.49% y el 96.51% de los transeúntes están

de acuerdo con la pena de muerte.
53
6.7 Análisis de sensibilidad en Excel para la estimación del intervalo.
54
UNIDAD 7. PRUEBA DE HIPÓTESIS
7.1 Definición de Hipótesis Nula y Alterna

La estadística inferencial es el proceso de usar la información de una muestra
para describir el estado de una población. Sin embargo es frecuente que
usemos la información de una muestra para probar un reclamo o conjetura
sobre la población. El reclamo o conjetura se refiere a una hipótesis. El
proceso que corrobora si la información de una muestra sostiene o refuta el
reclamo se llama prueba de hipótesis.
En la prueba de hipótesis se pone a prueba un reclamo hecho sobra la

naturaleza de una población a base de la información de una muestra. El
reclamo se llama hipótesis estadística.
Hipótesis es una aseveración acerca de una población.
Hipótesis Estadística: Una hipótesis estadística es una afirmación acerca de

un parámetro poblacional, hecho con el propósito de ponerlo a prueba.
Por ejemplo, la premisa formulada por un productor de baterías para autos de

que su batería dura en promedio 48 meses, es una hipótesis estadística porque
el manufacturero no inspecciona la vida de cada batería que él produce. Si
surgieran quejas de parte de los clientes, entonces se pone a prueba el
reclamo del manufacturero.
El procedimiento para mostrar si la afirmación es válida o no, se conoce como

prueba de hipótesis. Ese procedimiento esta basado sobre los resultados de un
muestra realizada para tal fin.
La hipótesis estadística sometida a prueba se llama la hipótesis nula, y se

denota como H0.
La hipótesis Nula (H0) es la afirmación o conjetura que se hace sobre el

parámetro poblacional.
En caso que no se logre tomar como válida la hipótesis nula se debe tener una
afirmación alterna que se debe dar como válidas y conocida cono la hipótesis
alterna que se denota como H1
Hipótesis Alterna: Una premisa que es cierta cuando la hipótesis nula es

falsa.
Por ejemplo, para el productor de baterías
Por ejemplo, para probar o desaprobar el reclamo pronunciado por el productor

de baterías debemos probar la hipótesis estadística de que µ ≥ 48. Por lo
tanto, la hipótesis nula es:
55
H0 : ≥ 48 H1 : < 48
Luego de tener H0 y H1 se procede a tomar una muestra aleatoria de baterías y
medir su vida media.
Para probar si la hipótesis nula es cierta, se toma una muestra aleatoria y se
calcula la información, como el promedio, la proporción, etc. Esta información
muestral se llama estadística de prueba.
7.2 Tipos de Errores

A base de la información de una muestra nosotros podemos cometer dos tipos
de errores en nuestra decisión.
• Rechazar H0 siendo que es cierta. Error tipo 1

• Aceptar H0 siendo que es falsa. Error tipo 2
El error Tipo 1 se da cuando se rechaza la Hipótesis Nula siendo que es
válida.
El error Tipo 2 se da cuando aceptamos la Hipótesis Nula siendo que es falsa.
7.3 Nivel de Significancia (α)

Para ser muy cuidadosos en no cometer el error tipo 1, debemos especificar la
probabilidad de rechazar H0, denotada por α.
El nivel de significancia es la probabilidad de cometer el error tipo I. Este valor
debe ser pequeño.
Los valores más usados para hacer prueba de hipótesis es 1%, 5% y 10%.
Usando un valor preasignado de α se construye una región de rechazo o región

crítica en la curva normal estándar o en la curva t que indica si debemos
rechazar H0 o aceptarla.
Región Crítica o de Rechazo. Una región crítica o de rechazo es una parte

de la curva de z o de la curva t donde se rechaza H0. La región puede ser de
una cola o de dos dependiendo de la Hipótesis Alterna. Si la hipótesis alterna
es H1: µ > k, la cola es hacia la derecha, si H1: µ < k, la cola es hacia la
derecha, o si H1: µ = k, son dos coas.
56
7.4 Prueba de Hipótesis Unilaterales y Bilaterales sobre la Media
Si queremos decidir entre dos hipótesis que afectan a un cierto parámetro de la

población, a partir de la información de la muestra usaremos el contraste de
hipótesis, cuando optemos por una de estas dos hipótesis, hemos de conocer
una medida del error cometido, es decir, cuantas veces de cada cien nos
equivocamos.
En primer lugar, veremos cómo se escribirían las hipótesis que queremos
contrastar:
H0 se llama hipótesis nula y es lo contrario de lo que sospechamos que va a
ocurrir (suele llevar los signos igual, mayor o igual y menor o igual)
H1 se llama hipótesis alternativa y es lo que sospechamos que va a ser cierto
(suele llevar los signos distinto, mayor y menor). Los contrastes de hipótesis
pueden ser de dos tipos:
Bilateral: En la hipótesis alternativa aparece el signo =.
Unilateral: En la hipótesis alternativa aparece o el signo > o el signo <.
Nivel de significancia α. Es la probabilidad de cometer un error de tipo I. β es

la probabilidad de cometer un error de tipo II. De los dos, el más importante es
α
Debido a que los dos errores anteriores a la vez son imposibles de controlar,
vamos a fijarnos solamente en el nivel de significación, este es el que nos
interesa ya que la hipótesis alternativa que estamos interesados en probar y no
queremos aceptarla si en realidad no es cierta, es decir, si aceptamos la
hipótesis alternativa queremos equivocarnos con un margen de error muy
pequeño.
El nivel de significación lo marcamos nosotros. Si es grande es más fácil

aceptar la hipótesis alternativa cuando en realidad es falsa. El valor del nivel de
significación suele ser un 5%, lo que significa que 5 de cada 100 veces
aceptamos la hipótesis alternativa cuando la cierta es la nula.
Ejemplos Para H1: µ > valor aceptado, la región de rechazo está dada
α por:
(cola derecha, z* ó t*)
Para H1 : µ < valor aceptado, la región de rechazo está dada por
(cola izquierda, z* ó t*)

α
Para H1 : µ ≠ k valor aceptado, la región de rechazo es de dos colas y está
dada por
α/2 α/2
57
(2-colas, Z* ó t*)
Ejemplo 1: Determine si la región de rechazo es de la cola derecha, de la cola

izquierda o de dos colas.
a. H0 : µ = 15, H1 : µ ≠ 15, α=.05
b. H0 : p ≤ 0.7, H1 : p > 0.7, α=.02
Solución: La forma de la región de rechazo está determinada por la hipótesis

alterna.
a. H1 : µ ≠ 15 significa que la región está en ambas colas.
.05/2 .05/2
b. H1 : p > 7 significa que la región está en la cola derecha.
.02
Ejemplo 2: En el Ejemplo 1a, presumamos que la región de rechazo es parte de

la curva normal estándar. Complete el dibujo de la región crítica
para los valores α siguientes:
a. α = .05
Solución:
a. Del ejemplo 1(a), tenemos:
De la tabla de la distribución
.05/2=0.025 .05/2=0.025 normal, la
P(Z<z) =.025 corresponde a un
valor Z= -1.96. Por simetría la
-1.96 1.96
Ejemplo 3: En el ejemplo 1a, presumamos que la región de rechazo es parte de la

curva t. Complete el dibujo de la región de rechazo para:
a. α = .05 y υ = 14
Solución:
a. Del ejemplo 1(a), α = .05, y υ = 14, tenemos:
58
De la tabla de la distribución t, la
.05/2=0.025 .05/2=0.025 P(T<t) =.025 corresponde a un
valor t= -2.086. Por simetría la
P(T>t)=.025 corresponde a t=
-2.086 2.086
Ejemplo 4: Establezca las hipótesis nula y alterna.

a. Las millas por galón (mpg) promedio de un nuevo modelo
de automóvil es 32.
b. Más del 65% de los empleados de un colegio aportan a
Fondos Unidos.
c. En promedio, los empleados de cierta compañía viven a no
más de 15 millas de la misma.
d. Al menos un 60% de la población adulta de una comunidad
votará en las próximas elecciones Presidenciales.
e. El peso promedio de un pollo para asar es de al menos
cuatro libras.
Solución:
a. H0 : µ = 32 b. H0 : p ≥ .65 c. H0 : µ ≤ 15
H1 : µ ≠ 32 H1 : p < .65 H1 : µ > 15
d. H0 : p ≥ .6 e. H0 : µ ≥ 4
H1 : p < .6 H1 : µ < 4
EJERCICIOS
En los ejercicios (1-6) determine si la región de rechazo para la hipótesis nula
está en la cola izquierda, en la cola derecha, o ambas colas. Para el nivel de
significancia α dibuje la región de rechazo.
1. H0 : µ ≤ 11; H1 : µ > 11 2. H0 :µ ≥ 5.8; H1 : µ < 5.8
3. H0 : p = 0.4; H1 : p ≠ 0.4 4. H0 : µ = 110; H1 : µ ≠ 110
5. H0 : p ≥ 0.3; H1 : p < 0.3 6. H0 : p ≥ 0.8; H1 : p < 0.8
En los ejercicios (7 - 18) complete la región de rechazo (encuentre el valor de z y t).

7. α a) z, si α = .05 b) t, si α = .025 y υ = 9
8. α a) z, si α = .01 b) t, si α = .05 y υ = 13
9. α a) z, si α = .02 b) t, si α = .01 y υ = 5
α 59
10. a) z, si α = .025 b) t, si α = .01 y υ = 9
11. α/2 α/2 a) z, si α = .05 b) t, si α=.05 y υ = 10
12. a) z, si α = .01 b) t, si α=0.1 y υ = 7

α/2 α/2
En los ejercicios (13 - 18) establezca las hipótesis nula y alterna.
13. Los automóviles estacionados en el estacionamiento de periodo

prolongado del aeropuerto internacional de Baltimore permanecen
un promedio de 2.5 días.
14. Una nueva marca de llantas radiales dura en promedio más de

48,000 millas.
15. El balance promedio de una cuenta de cheques en el First State

Bank es de al menos $150.
16. Se reclama que al menos el 60% de las compras realizadas en

cierta tienda por departamentos son artículos de especiales.
17. Se reclama que el 20% de los graduados de cierto colegio privado

solicitan admisión a escuelas de medicina.
18. Un dentista reclama que el 5% de sus pacientes sufren

enfermedades en las encías.
7.4.1 Muestras Grandes

En las pruebas de hipótesis para la media (µ), cuando se conoce la desviación
estándar (σ) poblacional, o cuando el valor de la muestra es grande (30 o más),
el valor estadístico de prueba es z y se determina a partir de:
El valor estadístico z, para muestra grande y desviación estándar poblacional

desconocida se determina por la ecuación:
60
7.4.2 Muestras Pequeñas
En la prueba para una media poblacional con muestra pequeña y desviación

estándar poblacional desconocida se utiliza el valor estadístico t.
Procedimiento para una prueba de hipótesis
Los pasos a seguir son:

1. Formular la hipótesis nula H0 y la alternativa H1, de acuerdo al problema.
2. Escoger un nivel de significación o riesgos α.
3. Elegir la estadística de prueba apropiada, cuya distribución por muestreo
sea conocida en el supuesto de que Ho es cierta.
4. En base a α y H1, determinar el valor (o los valores) críticos y con ello se
establecen las regiones de aceptación o rechazo.
5. Calcular los valores de la prueba estadística a partir de una muestra
aleatoria de tamaño n, Ho y reemplazarlos en la estadística de prueba
elegida en el paso 3, para hallar el valor experimental.
6. Tomar la decisión de aceptar Ho si el valor experimental cae en la región
de aceptación y rechazarla si dicho valor cae en la región crítica o de
rechazo.
7. Opcional: Si se rechaza H0, se puede hallar un intervalo de confianza
para el parámetro de interés.
Prueba de hipótesis sobre la media poblacional
Caso A: Cuando la varianza poblacional es conocida.
Deseamos contrastar la hipótesis de que el parámetro poblacional µ = X toma

un determinado valor K Conocemos que la población se distribuye
normalmente y conocemos también su varianza , o bien si nos es desconocida,
el tamaño muestral es lo suficientemente grande cómo para poder utilizar la
muestral cómo poblacional.
Hemos determinado un nivel de significación para la realización del

contraste y vamos a plantearlo en el supuesto de realizar una muestra
aleatoria de tamaño n.
61
Así: conocemos que x ⇒ N ⎡u , σ ⎤ de lo que deducimos que
⎢⎣ n ⎥⎦
x−u
⇒ N [0,1] de forma que la hipótesis nula es: H0: µ = Κ.
σ
n
x−u
El estadístico está dado por: Z = .
σ
n
Ejemplo Nº 1. De 100 observaciones de una población normal se obtiene

que x = 5 y que σ=2.Contrastar con un nivel de significación del 5% la
hipótesis de que la media de la población sea 7.
Aplicando el procedimiento para probar una hipótesis tenemos:

1. H0: µ=7
H1: µ ≠ 7
2. El nivel de significancia es del 5%. (α=5%)
x−u
3. Z =
σ
n
4. Establecemos la región de aceptación y de rechazo:
5.
5−7
6. Realizamos la prueba estadística: Z = = −10
2
100
7. Dado que Z=-10 y no pertenece a la región de aceptación estamos en
condiciones de rechazar la hipótesis nula, luego aceptar la alternativa :
µ0 ≠ 7.
Ejemplo Nº 2. Un empresario está considerando la posibilidad de ampliar su

negocio mediante la adquisición de un pequeño bar. El dueño actual del bar
afirma que el ingreso diario del establecimiento sigue una distribución
normal de media $675 y una desviación estándar de $75 s. Para comprobar
si decía la verdad, tomó una muestra de treinta días y ésta reveló un
ingreso diario promedio de $625. Utilizando un nivel de significación del 10
62
%. ¿Hay evidencia de que el ingreso diario promedio sea menor del que
afirma el presente dueño?.

1. H0: µ ≥ 675
H1: µ <675
2. El nivel de significancia es del 10%. (α=10%)
x−u
3. Z =
σ
n
5.
625 − 675
6. Realizamos la prueba estadística: Z = = −3.65
75
30
7. Dado que Z=-3.65 y no pertenece a la región de aceptación estamos en
condiciones de rechazar la hipótesis nula, luego aceptar la alternativa:
µ < 7.
Caso B: Cuando no se conoce la varianza poblacional y para una muestra

pequeña.
Deseamos contrastar la hipótesis de que el parámetro poblacional µ toma un

determinado valor Κ . Desconocemos la varianza de la población y, dado que el
tamaño muestral es pequeño (menor o igual a 30), podemos utilizar varianza
en su lugar.
Hemos determinado un nivel de significación para la realización del contraste y

vamos a plantearlo en el supuesto de realizar una muestra aleatoria de tamaño
n menor o igual a 30.
X −µ
En este caso el estadístico de prueba será t =
s
n
63
Ejemplo . Se escoge a 17 individuos al azar y se les mide, resultando que su
estatura media es de 1,71 metros con desviación típica de 0,02 .Contrastar
la hipótesis de que la estatura media nacional sea de 1.75 metros si
utilizamos un nivel del significación del 5%. Se supone normalidad

1. H0: µ = 1.75
H1: µ ≠ 1.75
2. El nivel de significancia es del 5%. (α=5%).
3. Como n es meor de 30 se busca en la tabla para un nivel de caso t* = +/-
2.11991.
4. Establecemos la región de aceptación y de rechazo Utilizando la tabla T.
1.71 − 1.75
5. Se calcula el estadístico de prueba. t = = −8.25
0.02
17
6. Dado que t=-8.25 y no pertenece a la región de aceptación estamos en
condiciones de rechazar la hipótesis nula, luego aceptar la alternativa:
µ ≠ 1.75.
7.5 Prueba de Hipótesis sobre la Proporción de una Población p
Se trata de efectuar una prueba de hipótesis acerca de la proporción de

elementos con cierto atributo en una población, hipótesis de la forma:
H0: P = p0.
H1: p ≠ p0.
H0: p ≤ p0.
H1: p > p0.
H0: p ≥ p0.
H1: p < p0.
Cuando el tamaño de la muestra es mayor o igual a 30 el estadístico de prueba

es Z.
64
P − p0
Z=
p 0 (1 − p0 )
n
x
Donde P = (proporción muestral)
n
Ejemplo 1. Una empresa de publicidad desea comprobar si un determinado

programa de televisión es visto por el 30% de la audiencia potencial .Para ello
se escoge al azar una muestra de 200 familias resultando que de ellas 50 lo
ven asiduamente. Contrastar la hipótesis con un nivel de significación del 5%.
Aplicando el procedimiento para probar una hipótesis tenemos
1. H0: p = 0.3
H1: p ≠ 0.30
3. Z* = +/- 1.96
4. Establecemos la región de aceptación y de rechazo
5. Realizamos la prueba estadística:

50
P= = 0.25
200
P − p0 0.25 − 0.30
Z= = = −1.54
p0 (1 − p0 ) 0.3(1 − 0.3)
n 200
6. Dado que Z=-1.54 y pertenece a la región de aceptación estamos en
condiciones de acepta la hipótesis nula, es decir: p=0,3
Ejemplo. Un fabricante de refrescos sin burbujas desea sacar al mercado

una variedad de su producto que tenga burbujas. Su director comercial opina
65
que al menos el 50 % de los consumidores verá con buenos ojos la innovación.
Se realiza un sondeo de mercado y resulta que de 100 consumidores
encuestados 40 son favorables a la innovación.
a) Contrastar la hipótesis del director comercial frente a la alternativa de que el

% de aceptación es inferior, con un nivel de significación del 1%.
b) Si el aceptable la hipótesis de que el % de aceptación del nuevo producto

es inferior o igual al 30 % el fabricante decidirá no fabricarlo. Si es aceptable
el criterio del director comercial entonces sí fabricarán el refresco con
burbujas. Y si ninguna de las 2 hipótesis es aceptable procederán a hacer
otro sondeo. Para tomar esta decisión trabajarán con un nivel de
significación del 5 %. ¿ Por qué optarán?.
Para el punto a)
1. H0: p ≤ 0.5
H1: p > 0.5
3. Z = 2.33
40
5. Realizamos la prueba estadística: P = = 0.4
100
P − p0 0.4 − 0.5
Z= = = −2
p0 (1 − p0 ) 0.5(1 − 0.5)
n 100
6. Dado que Z=-2 y pertenece a la región de aceptación estamos en

condiciones de aceptar la hipótesis nula, es decir: p ≤ 0,5.
Para el punto b)
66
1. H0: p ≤ 0.3
H1: p > 0.3
3. Z = 2.33
5. Realizamos la prueba estadística:

40
P= = 0.4
100
P − p0 0.4 − 0.3
Z= = = 2.18
p0 (1 − p0 ) 0.3(1 − 0.3)
n 100
6. Dado que Z=2.18 y pertenece a la región de aceptación estamos en
condiciones de aceptar la hipótesis nula, es decir: p ≤ 0,3. Por lo tanto se
recomiendo no fabricar el refresco.
Cálculo de la Probabilidad para el error tipo II
Analizaremos en forma completa los errores Tipo I y Tipo II, con respecto a las
prueba de una media hipotética. Sin embargo los conceptos que se ilustran
aquí son aplicables también a otros modelos de pruebas de hipótesis.
La probabilidad del error Tipo I es siempre igual al nivel de significancia que se

utiliza al probar las hipótesis nulas. Dicho de otra manera, hay todavía una
probabilidad (valor de α ) de que se pudiera elegir una muestra al azar que
diera una media comprendida dentro de la región de rechazo ó las regiones de
rechazo. Ello haría que al rechazar la hipótesis nula siendo verdadera
cometiéramos el error Tipo I.
67
La única forma en que se puede determinar la probabilidad del error Tipo II
( β ) es con respecto a un valor específico incluido dentro del rango de la
hipótesis alternativa.
News & World Report publicó un artículo sobre la carrera de éxitos de Wal-
Mart. Actualmente es la mayor cadena de ventas al por menor de la nación.
Empezó con una sola tienda de descuento en la pequeña localidad de Rogers,
Arkansas, y a crecido hasta poseer 1300 tiendas en 25 estados. Este éxito le
ha valido a Sam Walton, fundador y mayor accionista, el título del hombre más
rico de América. Las ventas anuales se cifran en 15 millones de dólares por
tienda.
a) Si se elige al azar una muestra de 120 tiendas y se hallan unas ventas
medias de 15.39 millones de dólares, con una desviación estándar de
2.9 millones de dólares. Pruebe la hipótesis µ = 15 millones con un nivel
de significancia del 10%
b) Si la µ es en realidad 14.8 millones de dólares, ¿Cuál es la probabilidad
de cometer el error Tipo II.
Datos
n = 120
X = 15.39 millones
σ = 2.9 millones
α = .10
1.Establecer la hipótesis
Ho: µ = 15
H1: µ ≠ 15
2. Establecer la estadística de prueba

X −µ
Z=
σ
n
2. Definir el nivel de significancia y la zona de rechazo
3.Nivel de significancia β = 0.10

Zona de rechazo = { Z/ Z < -1.64 o Z/Z > 1.64 }
68
X −µ
4. Calcular la estadística de prueba Z = el valor de la media poblacional
σ
n
15.39 − 15
es el que esta a prueba en la hipótesis por lo tanto Z = = 1.47
2.9
120
Como 1.47 < 1.64, No se rechaza Ho
5. Conclusión. Existe evidencia para decir que las ganancias anuales por
tienda son de 15 millones de dólares por tienda con un nivel de significancia
de 0.10.
Pasos para calcular el error Tipo II

1. Plantear la hipótesis nula y alternativa para la prueba
Ho: µ = 15
H1: µ ≠ 15
2. Determinar el valor crítico de la media muestral que debe utilizarse para

probar la hipótesis nula con un nivel de significancia dado.
Xc =µ ±Z σ / n
X = 15 ± (1.64) 2.9 / 120 = 14.5659

X = 15 ± (1.64) 2.9 / 120 = 15.4341
Identificar la probabilidad del error Tipo I correspondiente al valor crítico que se

calculó antes, como base para la regla de decisión. α = 0 .10
Identificar la probabilidad del error Tipo II correspondiente a la regla de

decisión, dada una media alternativa especificada.
P (error Tipo II) = P (14.56 < X < 15.44)
15.4341 − 14.8 15.5659 − 14.8

Z= = 2.40 ; Z = = 0.88
2.9 2.9
120 10
P (error Tipo II) = P (-0.88 < Z < 2.40) = 0..8024
69
70
UNIDAD 8. REGRESIÓN Y CORRELACIÓN SIMPLES.
En la Estadística descriptiva se analizó el comportamiento de una variable
aleatoria. En cada variable se hace un análisis y luego se buscó hacer un
estimado a cerca de un parámetro poblacional utilizando las técnicas de
Estimación por intervalo o un aprueba de hipótesis utilizando las distribuciones
de probabilidad.
Ahora se buscará analizar dos variables que de alguna forma podrían tener un
relación donde el resultado de una esta ligado al resultado de la otra variable.
El espacio muestral de un experimento con dos variables consiste en cierto
conjunto de pares ordenados de medidas. Es decir, se hacen dos
observaciones en cada prueba. Por ejemplo, en un almacén se puede observar
los descuentos y el volumen de ventas. Otro ejemplo podría ser que a cada
estudiante se observara su estatura y el peso. La tabulación de los datos
podría tener las siguientes tablas de resultados.
Ejemplo 1:
Ejemplo 2:
El problema principal de la inferencia estadística en una distribución de dos

variables es el de determinar la verdadera relación entre X y Y; es decir, cómo
se comportan las dos variables, una con respecto a la otra. Los almacenes con
alto descuento tendrían mayores ventas. Estudiantes altos deberían tener
mayores pesos corporales.
El problema que se plantea es como se establece un tipo de relación en forma
de ecuación, de tal manera que basados en el valor de una X, se pueda hallar
una estimación de la otra variable.
Una ecuación de este tipo se conoce como una relación de estimación. El
procedimiento de estimación es también una técnica de predicción, lo cual es
función fundamental de la ciencia, natural o social. En las ciencias naturales, la
predicción se hace posible porque existe la relación de causa y efecto entre
dos o más variables.
Si existe una relación funcional entre dos variables nos lleva a un tema
importante de la estadística, el análisis de regresión.
Si son dos variables las que se relacionan, la variable independiente se
designa por X; en tanto que la variable cuyo valor se va a estimar se llama la
variable dependiente y se designa por Y. Cuando se formula una ecuación para
estimar Y a partir de X, ésta se denomina una regresión de Y respecto de X.
La técnica del análisis de la regresión no es otra cosa que un procedimiento de
estimación o predicción. El término "regresión" es un término estadístico. Fue
introducido por primera vez en 1877 por Sir Francis Galton, quien encontró en
sus estudios sobre la herencia que los padres altos tendían a engendrar hijos
71
altos y que los padres bajos mostraban tendencia a tener hijos bajos. Pero con
todo, la estatura promedio de los hijos de padres muy altos era menor que la
estatura promedio de sus padres, en tanto que los hijos de padres muy bajos,
en promedio, eran más altos que sus padres. Galton llamó esta tendencia hacia
la estatura promedio de todos los hombres con el nombre de regresión.
Asociaciones parecidas en otros varios fenómenos fueron observadas por
Galton, quien entonces las generalizó como una ley universal de
comportamiento entre dos o más variables asociadas.
El análisis de la regresión se clasifica generalmente en dos tipos, simple y
múltiple. La regresión simple es aquella en que entran solamente dos variables,
tales como la regresión de Y respecto a X antes mencionada. La regresión
múltiple es aquella en la que intervienen tres o más variables, una de las cuales
es la variable dependiente, la que se va a asociar con los valores de todas las
demás.
Por demás, el estudio se restringirá a la regresión simple solamente o sea
aquella en que la ecuación que describe la relación entre X y Y es lineal y se
representa gráficamente por una recta. A veces ocurre que una ecuación de
regresión que describe de la mejor manera posible la relación entre variables
resulta curvilínea; su representación geométrica es entonces una curva en vez
de una recta.
Cuando se encuentra que unas variables están relacionadas entre sí, suele ser
útil averiguar cuan estrecha es la relación. El grado de relación entre éstas se
denomina también correlación entre las variables. El problema de correlación
está íntimamente asociado al de la regresión y es parte integrante del análisis
de dos variables.
El análisis de correlación es el conjunto de técnicas estadísticas empleados
para medir la intensidad de la asociación entre dos variables. El objetivo es
determinar que tan intensa es la relación entre las dos variables.
Diagramas de dispersión. Es la gráfica que representa la relación entre las

dos variables.
La siguiente gráfica muestra en una como están relacionados la variable
descuento con el volumen de ventas. Es claro que entre mayor descuento se
ofrezca a los clientes mayor será el volumen de venta. Hay una tendencia
creciente.
72
35
30
25
Ventas
20
15
10
1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5
Descuentos (%)
La siguiente gráfica muestra en una como están relacionados la variable

estatura con el volumen de peso. Se observa que a mayor estatura mayor
pesos. Hay una tendencia creciente.
100
90
80
Peso (Kgs)
70
60
50
40
155 160 165 170 175 180 185
Estatura (cm s)
Para hacer una estimación se parte de la propuesta de un modelo. En el

análisis de dos variables interesa un modelo particular, la recta de regresión
de la población. Ésta, la cual se refiere a la población, no puede ser conocida y
por tanto, debe ser estimada con base en los datos muéstrales y se obtiene la
recta de regresión estimada. Como es de esperarse, para dar validez a las
conclusiones acerca de la citada recta, hay que fijar ciertos supuestos. Entre
los de mayor relevancia están los siguientes:
1. Los valores de la variable dependiente X y Y se toman previamente. Se
consideran variables determinísticas. si su valor está prefijado de antemano en
el experimento.
73
2. Se supone que la relación entre X y Y. está dada por la ecuación: Yi = α +
βXi + єi, donde α, β son los parámetros poblacionales y єi es el error por la
diferencia entre Yi y el valor esperado de Y como variable aleatoria
determinada por el valor de X en particular. La variable dependiente es la que
se predice o calcula mientras que la independiente es la base del cálculo.
α es la intersección de la recta con el eje Y y β es la pendiente de la recta de
regresión. Cuando β es negativo, la recta es decreciente y si β es positivo, la
recta de regresión es creciente. Otros autores se refieren al modelo de
regresión lineal con la ecuación Y = A + B*X
35
30
25
Ventas
20
15
10 y = 10,201 + 5,2122x
5
0
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5
Descuentos (%)
100
90
y = 1,4779x - 180,4
80
Peso (Kgs)
70
60
50
40
155 160 165 170 175 180 185
Estatura (cm s)
La representación de los datos muestra lo que se conoce como nube de puntos

y el ubicar una línea describe con la técnica de mano alzada el modelo de
regresión, lineal o no lineal. Al analizar la gráfica de una serie de datos se
puede observar que la tendencia tiene una de los siguientes formas.
1. Tendencia lineal creciente
1 2 3 4
74
2. Tendencia lineal creciente
3. Tendencia no-lineal creciente
4. Tendencia lineal decreciente.
8.2 Ecuación del modelo de regresión lineal simple

Yˆ = α + β * Xˆ ; donde Yˆ se conoce comoY estimado y Xˆ , se conoce como estimado
Y = A + B * Xˆ
La técnica para estimar los valores de α y β se conoce como análisis de

regresión lineal. La ecuación de regresión define la relación entre dos variables.
Utilizando el método de los mínimos cuadrados se puede llegar a determinar el

valor del coeficiente β y el término independiente α
El método de los mínimos cuadrados consiste en minimizar la suma de los

cuadrados de las distancias verticales entre los valores verdaderos de Y y los
valores estimados de Ŷ .
Las fórmulas de α y β
Donde
n∑ ( X i Yi ) − (∑ X i )(∑ Yi ) ∑Y ∑X
β= ; α= −β* = Y − βX
i i
n(∑ X i2 ) − (∑ X i )
2
n n
Ejemplo 1: Descuentos comparados con las ventas
10 * 675,6630 − 26.5 * 240.13

β= = 5.21119947
10 * 5981,9733 − 77,770
240.13 26,5
α= − 5,21119947 * = 10.2033214
10 10
Modelo de regresión lineal Yˆ = 10,2033214 + 5,21119947 * Xˆ
75
Trazado de la línea de regresión
35
30
25
Ventas
20
15
10 y = 10,201 + 5,2122x
5
0
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5
Descuentos (%)
Obsérvese en el gráfico de dispersión anterior no todos los puntos quedan con

exactitud en la recta de regresión. Si todos hubieran quedado en la línea y si el
número de observaciones hubiera sido suficientemente grande, no existiría
error en el cálculo del número de unidades vendidas. Dicho de otra forma, si
todos los puntos estuvieran en recta de regresión, las ventas podrían
pronosticarse con una precisión de 100% Entonces no habría error al
pronosticar la variable Y con base en la variable X. Podemos tomar como
ejemplo los siguientes datos históricos de ventas.
Debido a que no hay diferencia entre los valores observados y los valores
pronosticados, no existe error en esta estimación.
Obtener una predicción perfecta en los aspectos de economía y administración
es prácticamente imposible. Por ejemplo, los ingresos anuales provenientes de
ventas de gasolina (Y) con base en los registros de automóviles (X) hasta cierta
fecha, sin duda podrían aproximarse con gran exactitud, pero el pronóstico no
sería preciso con redondeo a unidades monetarias enteras, o tal vez hasta el
millar de unidades monetarias. Aun los pronósticos de resistencia a la tensión
mecánica de los alambres de acero, con base en el diámetro externo de los
mismos, no siempre son exactos, debido a ligeras diferencias en la
composición del acero.
76
Entonces, lo que se necesita es una medida que indique qué tan preciso es el
pronóstico de Y con base en X o, por el contrario, cuan inexacta podría ser la
predicción. A esta medida se le denomina error estándar de estimación, el
cual se representa por sx,y (es el mismo concepto que el de la desviación
estándar). La desviación estándar mide la dispersión respecto a la línea de
regresión.
Error estándar de estimación. Es la medida de la dispersión de los valores
observados, con respecto a la línea de regresión.
El error estándar de estimación se determina aplicando la siguiente ecuación.
Obsérvese que ésta es muy semejante a la de la desviación estándar de una
muestra.
∑ (Y − Yˆ )
2
ERROR ESTANDAR DE LA ESTIMACION : S Y , X =

n−2
10,83506
ERROR ESTANDAR DE LA ESTIMACION : S Y , X = = 1.163779599
8
Las desviaciones son las desviaciones verticales con respecto a la
Y − Yˆ
recta de regresión. Deben sumar cero. Uno puntos estarán por encima de la
i
recta y los otros por debajo.
∑Y 2
− α (∑ Yi ) − β (∑ X i * Yi )
ERROR ESTANDAR DE LA ESTIMACION : S Y , X =
i
n−2
77
8.3 Coeficiente de correlación.
Es el valor que mide de laguna manera la intensidad de la relación entre dos
conjuntos de variables.
Originado por el investigador KarI Pearson, aproximadamente en el año 1900,

el coeficiente de correlación describe la intensidad de la relación entre dos
conjuntos de variables.
Como se le denota con r, con frecuencia se menciona también como r de
Pearson, o como coeficiente de correlación. Puede tomar cualquier valor de -
1.00 a +1.00, inclusive. Un coeficiente de correlación de -1.00 o de +1.00 indica
una correlación perfecta. Un valor de -1.00 indicaría que las variables están
perfectamente relacionadas en un sentido lineal negativo.
Si no existe en absoluto alguna relación entre los dos conjuntos de variables, la

r de será cero. Un coeficiente de correlación r cercano a 0 (por ejemplo, 0.08)
indica que relación es muy débil. Se llega a la misma conclusión si r = -0.08.
Coeficientes de -0.91 +0.91 tienen igual fuerza; ambos indican una correlación
muy intensa entre los dos conjuntos de variables. De modo que la fuerza de la
correlación no depende de la dirección (ya sea –/+).
En el diagrama se muestran diagramas de dispersión para r = 0, una r débil
(por ejemplo, -0.23) y una r fuerte (por ejemplo, +0.87). Obsérvese que si la
correlación es débil, existe una dispersión considerable con respecto a una
recta trazada a través del espacio central de los datos. Para que el diagrama
de dispersión represente una relación fuerte, debe existir poca dispersión con
respecto a la citada línea.
n(∑ X iYi ) − (∑ X i )(Yi )

r=
[n(∑ X i
2
) − (∑ X ) ] [n(∑ Y ) − (∑ Y ) ]
i
2
i
2
i
2
78
10 * 675,6630 − 26,5 * 240,13
r= = 0.974564139
(10 * 77,770 − 26,5 )* (10 * 5981.9733 − 240,13
2 2
Coeficiente de determinación r2. La proporción de la variación total en la

variable dependiente Y, que se explica por la variación de la variable
independiente X
Existen calculadoras que vienen con el modelo de regresión para hacer los
cálculos directos, solamente con entrar los datos históricos. Esto nos permite
encontrar en forma rápida los parámetros del modelo de regresión lineal y el
coeficiente de correlación.
También podemos utilizar las hojas electrónicas como el Excel para encontrar
los parámetros del modelo y hacer los pronósticos. Dentro del grupo de las
funciones estadísticas están las que nos pueden servir para hacer el
pronóstico.
79
Ventas ( millones $ )
36,00
31,00
26,00
21,00
16,00
11,00
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5
80
8.5 Modelos de regresión no lineal
Modelos de regresión Logarítmica

Y = α+β*LN(X)
Modelos de regresión Exponencial

Y = α*eβX Modelo lineal equivalente: LN(Y) = Ln(α) + βX Y’ = α’+ β*X
Modelos de regresión Potencial

Y = α*Xβ Modelo lineal equivalente: LN(Y) = Ln(α) + β*ln(X) Y’ = α’+ β*X’
81
EJERCICIO
1. Utilizando las calculadora o Excel, complete el siguiente cuadro y realice el

pronóstico para los años 6, 7, 8, 9, 10
2. Utilizando las fórmulas estadísticas del Excel complete el siguiente cuadro
82
3. Taller. Realice el pronóstico para los años 6, 7, 8, 9 y 10.para los siguientes
datos
83
84
85
86
87
Profesor ESAP
Matemático
Especialista en Costos y Control de Gestión
Master en finanzas
[email protected]
88

EstadísticaYProbabilidadExcel (Vargas) PDF

Cargado por

Copyright:

Formatos disponibles

EstadísticaYProbabilidadExcel (Vargas) PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

EstadísticaYProbabilidadExcel (Vargas) PDF

Cargado por

Copyright:

Formatos disponibles

http://www.esap.edu.co/portal/wp-content/uploads/2015/08/6_estadstica_ii.

RAFAEL VARGAS BARRERA

ESCUELA SUPERIOR DE ADMINISTRACIÓN PÚBLICA

Coordinador Nacional de A.P.T

ESCUELA SUPERIOR DE ADMINISTRACIÓN PÚBLICA

Bogotá D.C., Noviembre de 2008

DE LOS NUCLEOS TEMÁTICOS Y PROBLEMÁTICOS

UNIDAD 1. REPASO DE CONCEPTOS DE LA ESTADÍSTICA DESCRIPTIVA.

UNIDAD 2. TEORÍA DE PROBABILIDADES.

Unidad 3. Distribuciones de probabilidad en Excel

UNIDAD 4. DISTRIBUCIÓN DE PROBABILIDAD NORMAL

UNIDAD 5. MUESTREO Y DISTRIBUCIONES MUESTRALES

UNIDAD 6. ESTIMACIÓN POR INTERVALO.

UNIDAD 7. PRUEBA DE HIPÓTESIS

UNIDAD 8. REGRESIÓN SIMPLE Y MÚLTIPLE.

El plan de estudios del Programa de Administración Pública Territorial,

De igual manera, se debe reconocer que el plan de estudios se cimienta en el

El tutor tendrá libertad de cátedra en cuanto a su posición teórica o ideológica

El Tutor debe diseñar, planear y programar con suficiente anticipación las

MÓDULO DE ESTADÍSTICA II (3 créditos)

Competencias que el alumno debe desarrollar

Si uno ve el fútbol por televisión o escucha un noticiero por la radio o televisión,

A un dato numérico o valor aislado se le denomina dato, o valor, estadístico. El

El estudio de las estadísticas tiene un significado mucho más amplio que la

Estadística Ciencia que trata de la recopilación, organización, presentación,

Las técnicas estadísticas se aplican de manera amplia en producción, en el

La estadística se divide en estadística descriptiva y estadística inferencial.

La estadística descriptiva se refiere a la organización, presentación y análisis

Estadística inferencial o también denominada inferencia Estadística y

1.1 Tablas de frecuencia en Excel

En lo posible los intervalos o clases de frecuencias deben ser iguales. Los

Fuente: archivo Frecuencias.xls; hoja: Ejemplo 1

Fuente: archivo Frecuencias.xls; hoja: Ejemplo 2

X’i-1 Límite inferior del intervalo

1.2 Gráficas en Excel

Fuente: archivo Frecuencias.xls; hoja: Ejemplo 2

1.3 Medidas tendencia central en Excel

Media aritmética. Es un valor tal que la suma de las desviaciones es igual a

Fuente: archivo Medidas de posición.xls; Hoja: Ejemplo 1

Al aplicar una medida de dispersión es posible evaluar la confiabilidad del

1.4.1 Varianza poblacional.

VARIANZA POBLACIONAL = σ n = ;σn = −⎜ ⎟

VARIANZA MUESTRAL : σ n2−1 = S 2 = ; σ n2−1 = S 2 =

DESVIACION POBLACIONAL : σ n = S = σ n ; DESVIACION MUESTRAL ; σ n−1 = S = σ n −1

Fuente: archivo Medidas de posición.xls; Hoja: Ejemplo 3

1.4 Taller en Excel.

Taller. Analice cada una de las variables de la encuesta que está en el

2.1 Aspectos generales.

Debido a que existe una incertidumbre considerable al tomar decisiones,

La probabilidad es la posibilidad que ocurra un evento futuro cuyo valor está

2.2 Experimento aleatorio

Otros ejemplos de experimentos. Preguntar a un grupo de estudiantes

Si todos los papeles tienen el mismo nombre, “ACEROS LTDA”, la probabilidad

Cuanto más se acerca una probabilidad a 1, es más improbable que suceda el

Las probabilidades se analizan desde dos puntos de vista. Probabilidad clásica

El enfoque clásico o a priori de la probabilidad se basa en la consideración de

2.4 Regla básicas de probabilidad.

Existe una marcada relación entre la Teoría de Conjuntos y la Teoría de las

Si A ocurre y B ocurre, se representa por A ∩ B. Esta probabilidad se simboliza