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 [Link]; hoja: Ejemplo 1

11
Ejemplo 2

Fuente: archivo [Link]; hoja: 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
Fuente: archivo [Link]; hoja: Ejemplo 1

Fuente: archivo [Link]; 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

cero.
MEDIA ARITMETICA ; X =
Xi
; X =
∑X i * ni
= M[X ]
n n
Ejemplo 3

Fuente: archivo Medidas de posició[Link]; 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 posició[Link]; Hoja: Ejemplo 3

1.4 Taller en Excel.

14
Fuente: Archivo: Medidas de posición y [Link]; 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
3.4 Taller en Excel.

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.

=[Link](4;3.5;1.1;1) = 0.675281858

=[Link](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