ESTADÍSTICA BÁSICA

UNIDAD 1 CONCEPTOS BÁSICOS, PRESENTACIÓN DE INFORMACIÓN, MEDIDAS

DE TENDENCIA
CENTRAL Y DISPERSIÓN.

1.1 CONCEPTOS BÁSICOS

1.1.1 SIGNIFICADO DE ESTADÍSTICA
La estadística es una rama de las matemáticas que conjunta herramientas para
recolectar, organizar, presentar y analizar datos numéricos u observacionales.
Presenta números que describen una característica de una muestra. Resulta de la
manipulación de datos de la muestra según ciertos procedimientos especificados.
Procedimiento:
1) Obtención de datos
2) Clasificación
3) Presentación
4) Interpretación
5) Descripción
6) Generalizaciones
7) Comprobación de hipótesis por su aplicación.
8) Toma de decisiones

Términos comunes.
Población: conjunto de todos los individuos (personas, objetos, animales, etc.) que
porten información sobre el fenómeno que se estudia. Por ejemplo, si estudiamos la
edad de los habitantes en una ciudad, la población será el total de los habitantes de
dicha ciudad.
Muestra: Subconjunto de la población seleccionado de acuerdo con un criterio, y que
sea representativo de la población. Por ejemplo, elegir 30 personas por cada colonia
de la ciudad para saber sus edades, y este será representativo para la ciudad.
Individuo: cualquier elemento que porte información sobre el fenómeno que se
estudia. Así, si estudiamos la altura de los niños de una clase, cada alumno es un
individuo; si estudiamos la edad de cada habitante, cada habitante es un individuo.
Variable: Fenómeno que puede tomar diversos valores. Las variables pueden ser de
dos tipos:
Variables cualitativas o atributos: no se pueden medir numéricamente (por
ejemplo: nacionalidad, color de la piel, sexo).
Variables cuantitativas: tienen valor numérico (edad, precio de un producto,
ingresos anuales
Por su parte, las variables cuantitativas se pueden clasificar en discretas y continuas:
Discretas: sólo pueden tomar valores enteros (1, 2, 8, -4, etc.). Por ejemplo:
número de hermanos (puede ser 1, 2, 3....,etc, pero, por ejemplo, nunca podrá
ser 3,45).
Continuas: pueden tomar cualquier valor real dentro de un intervalo. Por
ejemplo, la velocidad de un vehículo puede ser 80,3 km/h, 94,57 km/h...etc.
Las variables también se pueden clasificar en:
Variables unidimensionales: sólo recogen información sobre una característica
(por ejemplo: edad de los alunmos de una clase).
Variables bidimensionales: recogen información sobre dos características de la
población (por ejemplo: edad y altura de los alumnos de una clase).
Variables pluridimensionales: recogen información sobre tres o más
características (por ejemplo: edad, altura y peso de los alumnos de una clase).

1
1.1.2 CONCEPTO Y CLASIFICACIÓN DE DATOS
DATOS
Características o números que son recolectados por observación. No son otra
cosa que el producto de las observaciones efectuadas en las personas y objetos
en los cuales se produce el fenómeno que queremos estudiar
Los datos estadísticos pueden ser clasificados en cualitativos, cuantitativos,
cronológicos y geográficos
Datos Cualitativos: cuando los datos son cuantitativos, la diferencia entre ellos es
de clase y no de cantidad. Ejemplo: Si deseamos clasificar los estudiantes que cursan
la materia de estadística I por su estado civil, observamos que pueden existir solteros,
casados, divorciados, viudos.
Datos cuantitativos: cuando los valores de los datos representan diferentes
magnitudes, decimos que son datos cuantitativos.
Ejemplo: Se clasifican los estudiantes del Núcleo San Carlos de la UNESR de acuerdo a
sus notas, observamos que los valores (nota) representan diferentes magnitudes.
Datos cronológicos: cuando los valores de los datos varían en diferentes instantes o
períodos de tiempo, los datos son reconocidos como cronológicos.
Ejemplo: Al registrar los promedios de notas de los Alumnos del Núcleo San Carlos de
la UNESR en los diferentes semestres.
Datos geográficos: cuando los datos están referidos a una localidad geográfica se
dicen que son datos geográficos.
Ejemplo: El número de estudiantes de educación superior en las distintas regiones del
país

1.2 PRESENTACION DE INFORMACIÓN

1.2.1 DISTRIBUCION DE TABLAS DE FRECUENCIAS
Estadística Descriptiva:
Tienen por objeto fundamental describir y analizar las características de un conjunto
de datos, obteniéndose de esa manera conclusiones sobre las características de dicho
conjunto y sobre las relaciones existentes con otras poblaciones, a fin de compararlas.
No obstante puede no solo referirse a la observación de todos los elementos de una
población (observación exhaustiva) sino también a la descripción de los elementos de
una muestra (observación parcial).
En relación a la estadística descriptiva, Ernesto Rivas Gonzáles dice; "Para el estudio
de estas muestras, la estadística descriptiva nos provee de todos sus medidas;
medidas que cuando quieran ser aplicadas al universo total, no tendrán la misma
exactitud que tienen para la muestra, es decir al estimarse para el universo vendrá
dada con cierto margen de error; esto significa que el valor de la medida calculada
para la muestra, en el oscilará dentro de cierto límite de confianza, que casi siempre
es de un 95 a 99% de los casos.
Distribución de frecuencias: muestra el número de veces que ocurre cada
observación.
Ejemplo: Se elaboró una encuesta en un jardín de niños y ésta informó que las
mascotas más comunes que tiene un niño son perros, gatos, peces, hámsteres y
pájaros

perro gato perro hamster

pájaro hamster gato perro
hámster gato pájaro gato
perro perro hámster pájaro
perro perro pájaro gato 2
A continuación se muestra la distribución de frecuencias absolutas, relativas y
porcentuales de las mascotas más comunes de los niños.

Mascota Frecuencia absoluta Frecuencia relativa Frecuencia

acumulada
Perro 7 .35 35 %
Pájaro 4 .20 20 %
Hámster 4 .20 20 %
gato 5 .25 25 %

Estos datos se pueden representar en una gráfica de barras o en una gráfica de

pastel:

Gráfica de barras

Gráfica de pastel

NOTA: Para calcular:..

Frecuencia absoluta: se cuenta la cantidad de veces que ocurre el evento, en este
caso, las mascotas.

3
Frecuencia relativa: se divide la frecuencia absoluta de cada evento entre el total de
eventos.
Frecuencia porcentual: se multiplica la frecuencia relativa por 100.

1.2.2 CONSTRUCCION DE TABLAS ESTADÍSTICAS

Distribución agrupada de frecuencias: Distribución de frecuencias en la que los
valores de la variable se han agrupado en clases. Esto se debe principalmente a la
disposición de gran número de datos. Las razones por las que se elaboran este tipo de
agrupación de datos es por economía, practicidad, y baja frecuencia de algunos
puntajes.
Agrupación de datos: para elaborar las tablas estadísticas, se debe seguir un
procedimiento preciso:
1) Toma de datos.- es la obtención de una colección de datos por medio de
encuestas, preguntas, sondeos etc. Que no han sido ordenados numéricamente
y que dicha información se extrae al azar, es decir, de tal forma que cada
miembro de la población tenga la misma oportunidad de ser elegida o
seleccionada.

Estos son algunos métodos para obtener datos:

Censo: Se entiende por censo aquella numeración que se efectúa a todos y
cada uno de los caracteres componentes de una población. Para Levin & Rubin
(1996) "Algunas veces es posible y práctico examinar a cada persona o
elemento de la población que deseamos describir. A esto lo llamamos una
numeración completa o censo. Utilizamos el muestre cuando no es posible
contar o medir todos los elementos de la población. Si es posible listar (o
enumerar) y observar cada elemento de la población, los censos se utilizan rara
vez porque a menudo su compilación es bastante difícil, consume mucho
tiempo por lo que resulta demasiado costoso.
Encuesta: Se entiende por encuesta las observaciones realizadas por muestreo,
es decir son observaciones parciales. El diseño de encuestas es exclusivo de las
ciencias sociales y parte de la premisa de que si queremos conocer algo sobre
el comportamiento de las personas, lo mejor, más directo y simple es
preguntárselo directamente a ellas. (Cadenas, 1974). Según Antonio Napolitano
"La encuesta, es un método mediante el cual se quiere averiguar. Se efectúa a
través de cuestionarios verbales o escritos que son aplicados a un gran número
de personas".
2) Ordenación de datos: es una colocación de los datos numéricos tomados en
orden creciente a decreciente de magnitud. La diferencia entre el mayor y el
menor de los números se llama rango o recorrido de datos.
3) Cálculo de tamaño de clase: para calcular el tamaño de clase es necesario
calcular primeramente el número de clases utilizando la regla de Sturges y
despés se obtiene el tamaño de clase dividiendo el rango entre el número de
clases.
*No. De clases (Regla de Sturges): 1 + 3.332 log N
*Tamaño de clase = Rango / No. De clases
4) Límites de clase: representan el tamaño de cada clase. El límite inferior de la
primer clase toma el valor de el dato menor de la colección de datos, para
obtener el límite inferior de la clase siguente, se suma al límite inferior de la
case anterior el tamaño de clase.
4
 5) Límites reales de clase: se obtienen sumando al LS de la clase el Lide la clase
contigua superior y dividiendo entre dos.

6) Marca de clase: Es el punto medio de la clase y se obtiene sumando los LI y LS

de la clase y dividiendo entre 2. La marca de clase también se llama punto
medio de la clase.

Ejemplo de tablas estadísticas:

AUTOBUSES FORANEOS
1) Toma de datos
Los siguientes datos corresponden a la cantidad de asientos vacíos que reportaron 50
autobuses foráneos en un domingo.

12 11 4 6 6 11 3 10 12 4
10 1 1 2 4 5 2 4 4 8
8 7 8 4 10 4 2 6 2 9
5 6 6 4 12 8 1 12 1 7
7 6 8 4 6 9 3 7 7 5
2) Ordenación de datos
1 2 4 4 5 6 7 8 9 11
1 2 4 4 5 6 7 8 10 12
1 2 4 4 6 6 7 8 10 12
1 3 4 4 6 6 7 8 10 12
2 3 4 5 6 7 8 9 11 12
Rango = 12-1 = 11

3) Tamaño de clase
No de clases = 1 + 3.332log (50) = 6
Tamaño de clase = 11/6 = 2
4) Límites de clase
5) Límites reales de clase
6) Marca de clase

Clase Intervalo LRI LRS Frec. Frec. Frec. X

LI LS Absolut Relat Porcentua
a l
1 1 2.9 0.95 2.95 8 .16 16 % 1.95
2 3 4.9 2.95 4.95 11 .22 22 % 3.95
3 5 6.9 4.95 6.95 10 .20 20 % 5.95
4 7 8.9 6.95 8.95 10 .20 20 % 7.95
5 9 10.9 8.95 10.95 5 .10 10 % 9.95
6 11 12.9 10.95 12.95 6 .12 12 % 11.95
total 50 1 100 %
Representación gráfica de datos.
Se tomará el ejemplo anterior para demostrar el uso de diferentes gráficas.
5
Histograma: forma gráfica de barras que emplea variables con escala de intervalos o
de proporciones. Para realizarla, se toma en cuenta para el eje X, los Límites reales, y
para el eje Y, las frecuencias absolutas.

Polígono de frecuencias: Forma gráfica que representa una distribución de

frecuncias en la forma de una línea continua que traza un histograma. Para su
elaboración, se consideran las marcas de clase en el eje X y las frecuencias absolutas
en el eje Y.

Gráfica de barras: la gráfica de barras es una forma de gráfica que utiliza barras
para indicar la frecuencia de ocurrencia de las observaciones. Para construirla se
constituye el eje y por las frecuencias absolutas y el eje X por los límites inferior y
superior de cada clase, dejando un espacio entre barra y barra.

6
1.3 CALCULO DE LA MEDIA, MEDIANA Y MODA
Medidas de tendencia central:
La tendencia central se refiere al punto medio de una distribución. Las medidas de
tendencia central se conocen como medidas de posición.

Media
La media es el punto en una distribución de medidas, alrededor del cual las
desviaciones sumadas son iguales a cero. Es el valor promedio de una muestra o
población. La media es muy sensible a mediciones extremas que no estén
balanceadas en ambos lados. Se pueden calcular diversos tipos de media, siendo las
más utilizadas:
a) Media aritmética: se calcula multiplicando cada valor por el
número de veces que se repite. La suma de todos estos productos se
divide por el total de datos de la muestra:

b) Media geométrica: se eleva cada valor al número de veces que se

ha repetido. Se multiplican todo estos resultados y al producto fiinal se le
calcula la raíz "n" (siendo "n" el total de datos de la muestra).

Según el tipo de datos que se analice será más apropiado utilizar la media aritmética
o la media geométrica.
La media geométrica se suele utilizar en series de datos como tipos de interés
anuales, inflación, etc., donde el valor de cada año tiene un efecto multiplicativo
sobre el de los años anteriores. En todo caso, la media aritmética es la medida de
posición central más utilizada.
Lo más positivo de la media es que en su cálculo se utilizan todos los valores de la
serie, por lo que no se pierde ninguna información.
Sin embargo, presenta el problema de que su valor (tanto en el caso de la media
aritmética como geométrica) se puede ver muy influido por valores extremos, que se

7
aparten en exceso del resto de la serie. Estos valores anómalos podrían condicionar
en gran medida el valor de la media, perdiendo ésta representatividad.
Mediana
Observación u observación potencial en un conjunto que divide el conjunto, de
modo que el mismo número de observaciones estén en cada uno de sus lados. Para
un número impar de valores, es el valor de en medio; para un número par es el
promedio de los dos medios. Para un conjunto con un número par de números, la
mediana será el promedio aritmético de los dos números medios.
Ejemplo:
Calcule la mediana para los siguientes datos.
La edad de una muestra de cinco estudiantes es: 21, 25, 19, 20 y 22.
Al ordenar los datos de manera ascendente quedan: 19, 20, 21, 22, 25.
La mediana es 21.

La mediana de una muestra de datos organizados en una distribución de frecuencias

se calcula mediante la siguiente fórmula:
Mediana = LRI + [(n/2 - FA)/f] c
donde L es el límite inferior de la clase que contiene a la mediana, FA es la frecuencia
acumulada que precede a la clase de la mediana, f es la frecuencia de clase de la
mediana e i es el intervalo de clase de la mediana.

MODA
La moda es el valor de la observación que aparece con más frecuencia.
Ejemplo:

Clase Intervalo LRI LRS Frec. Frec. Frec. X fx

LI LS Absol Relat Porcent
uta ual
1 1 2.9 0.95 2.95 8 .16 16 % 1.95 15.60
2 3 4.9 2.95 4.95 11 .22 22 % 3.95 43.45
3 5 6.9 4.95 6.95 10 .20 20 % 5.95 59.50
4 7 8.9 6.95 8.95 10 .20 20 % 7.95 79.50
5 9 10.9 8.95 10.9 5 .10 10 % 9.95
5 49.75
6 11 12.9 10.95 12.9 6 .12 12 % 11.9
5 5 71.70
total 50 1 100 % 319.50
las calificaciones de un examen de diez estudiantes son:
81, 93, 84, 75, 68, 87, 81, 75, 81, 87.
Como la calificación 81 es la que más ocurre, la calificación modal es 81
La moda de los datos agrupados se aproxima por el punto medio de la clase que
contiene la frecuencia de clase mayor.
Cuando dos valores ocurren una gran cantidad de veces, la distribución se llama
bimodal, como en dicho ejemplo.
Ejemplo de cálculo de media mediana y moda. Para ejemplificar, tomaremos el
ejemplo de autobuses foráneos de la pagina 6.

8
1.3 CÁLCULO DE VARIANZA, DESVIACIÓN ESTÁNDAR Y COEFICIENTE DE
VARIACIÓN.
Medidas de dispersión: Estudia la distribución de los valores de la serie, analizando
si estos se encuentran más o menos concentrados, o más o menos dispersos
Varianza: Mide la distancia existente entre los valores de la serie y la media. Se
calcula como sumatorio de las diferencias al cuadrado entre cada valor y la media,
multiplicadas por el número de veces que se ha repetido cada valor. El sumatorio
obtenido se divide por el tamaño de la muestra.

La varianza siempre será mayor que cero. Mientras más se aproxima a cero, más
concentrados están los valores de la serie alrededor de la media. Por el contrario,
mientras mayor sea la varianza, más dispersos están.
Desviación estándar: Se calcula como raíz cuadrada de la varianza.

Coeficiente de variación de Pearson: se calcula

como cociente entre la desviación típica y la media de la muestra

Continuando con el caso de los autobuses foráneos, se realizará el ejemplo de medidas de

dispersión.
Clase Intervalo LRI LRS Frec. Frec. Frec. X fx
f(x-x)2
LI LS Absol Relat Porcent
uta ual
1 1 2.9 0.95 2.95 8 .16 16 % 1.95 15.60 157.71
2 3 4.9 2.95 4.95 11 .22 22 % 3.95 43.45 171.63
3 5 6.9 4.95 6.95 10 .20 20 % 5.95
59.50 354.03
4 7 8.9 6.95 8.95 10 .20 20 % 7.95 79.50 632.03
5 9 10.9 8.95 10.9 5 .10 10 % 9.95
5 49.75 495.01

9
6 11 12.9 10.95 12.9 6 .12 12 % 11.9
5 5 71.70 856.82
total 50 1 100 % 319.50 2667.21

UNIDAD II FUNDAMENTOS DE PROBABILIDAD

2.1 CONCEPTOS BÁSICOS
Probabilidad: valor entre cero y uno, inclusive, que describe la posibilidad relativa de
que ocurra un evento.
Experimento: proceso que conduce a la ocurrencia de una de varias observaciones
posibles.
Resultado: lo que resulta en particular de un experimento.
Evento: conjunto de uno o más resultados de un experimento.
Espacio muestral: son todos los posibles resultados de un experimento. Cualquier
resultado experimental particular se llama punto muestral y es un elemento del
espacio muestral.
Tipos de sucesos
o Exhaustivo: se dice que dos o más sucesos son exhaustivos si se consideran
todos los posibles resultados.
Simbólicamente: p (A o B o...) = 1
o No exhaustivos: se dice que dos o más sucesos son exhaustivos si no cubren
todos los posibles resultados.
o Mutuamente excluyentes: sucesos que no pueden ocurrir en forma simultánea:
P(A y B) = 0 y p(A o B) = p(A) + p (B)
Ejemplo: hombres, mujeres
o No mutuamente excluyentes: sucesos que pueden ocurrir en forma simultánea:
P (A o B) = p (A) + p (B) – p (A y B )
Ejemplo: hombres, ojos cafés
o Independientes: Sucesos cuya probabilidad no se ve afectada por la ocurrencia
o no ocurrencia del otro :
P ( AI B ) = P ( A ); P ( BIA ) = P (B) Y P (A Y B) = P(A) P(B)
Ejemplo: sexo y color de ojos
o Dependientes: sucesos cuya probabilidad cambia dependiendo de la ocurrencia
o no ocurrencia del otro:
P ( AI B ) difiere de p (A); P ( BIA ) difiere de P(B);
y P (A Y B)= P ( A ) P ( BIA )= P (B) P ( AI B )
Ejemplo: raza y color de ojos

Probabilidades conjuntas: probabilidad de que dos sucesos o más, ocurran

simultáneamente

10
Probabilidades marginales: o probabilidades incondicionales = suma de
probabilidades.
Enfoques de la probabilidad
Probabilidad clásica se basa en la consideración de que los resultados de un
experimento son igualmente posibles.
Utilizando el punto de vista clásico,
Probabilidad de un evento = no. de resultados probables no. De resultados
posibles
Ejemplo
Considere el experimento de lanzar dos monedas al mismo tiempo.
El espacio muestral S = {HH, HT, TH, TT}
Considere el evento de una cara.
Probabilidad de una cara = 2/4 = 1/2.
Distribución muestral
El diagrama de árbol es muy útil para visualizar las probabilidades condicional y
conjunta y en particular para el análisis de decisiones administrativas que
involucran varias etapas.
EJEMPLO: una bolsa contiene 7 fichas rojas (R) y 5 azules (B), se escogen 2
fichas, una después de la otra sin reemplazo. Construya el diagrama de árbol
con esta información.

2.2 AXIOMAS DE PROBABILIDAD

Primer axioma : La probabilidad de un suceso A es un número real entre 0 y 1.
Segundo axioma :Ocurre un suceso de la muestra de todos los sucesos o espacio de
sucesos Ω con probabilidad 1.
Tercer axioma Si A1, A2 ... son sucesos mutuamente excluyentes
2.3 PROBABILIDAD CONDICIONAL
Probabilidad condicional es la probabilidad de que ocurra un evento en particular,
dado que ocurrió otro evento.
Nota: la probabilidad de que ocurra el evento A dado que ya ocurrió B se denota como

P(A|B).

Reglas básicas de probabilidad

Si los eventos son mutuamente excluyentes, la ocurrencia de cualquier evento impide
que otro eventos ocurra.
Reglas de adición: si dos eventos A y B son mutuamente excluyentes, la regla
especial de adición indica que la probabilidad de que ocurra A o B es igual a la suma
de sus probabilidades respectivas:
P(A o B) = P(A) + P(B)

11
Ejemplo
Aerolíneas Argentinas acaba de proporcionar la siguiente información de sus vuelos de
Buenos Aires a Rosario:
Llegada Frecuencia
Antes de tiempo 100
A tiempo 800
Demorado 75
Cancelado 25
Total 1000

Ejemplo
Si A es el evento de que un vuelo llegue antes de tiempo, entonces
P(A) = 100 /1000 = 0.1.
Si B es el evento de que un vuelo llegue demorado, entonces
P(B) = 75 /1000 = 0.075.
La probabilidad de que un vuelo llegue antes de tiempo o demorado es
P(A o B) = P(A) + P(B) = .1 + .075 = 0.175.

UNIDAD III DISTRIBUCIONES DE PROBABILIDAD

3.1 VARIABLES ALEATORIAS

Las variables aleatorias son una transformación o función que asignan uny sólo un
valor numérico a cada resultado de un experimento.
Variables aleatorias discretas: comprenden reglas o modelos de probabilidad para
asignar o generar sólo valores diversos (no mediciones fraccionarias).
Variables aleatorias continuas:
3.2 DISTRIBUCION BINOMIAL
Una distribución de probabilidad ampliamente utilizada de una variable aleatoria
discreta es la distribución binomial. Esta describe varios procesos de interés para
los administradores.
Describe datos discretos, resultantes de un experimento denominado proceso de
Bernoulli en honor del matemático suizo Jacob Bernoulli, quien vivió en el siglo XVII.
Empleo del proceso de Bernoulli.
Podemos servirnos de los resultados de un número fijo de lanzamientos de una
moneda como ejemplo de un proceso de Bernoulli. Este proceso lo describimos así:
1. Cada ensayo ( cada lanzamiento, en nuestro caso) tiene sólo dos resultados
posibles: lado A o lado B, sí o no, éxito o fracaso.
2. La probabilidad del resultado de cualquier ensayo (lanzamiento) permanece fija
con el tiempo. Tratándose de una moneda la probabilidad de que salga de el lado A
sigue siendo de 0.5 en cada lanzamiento, cualquiera que sea el número de veces
que la moneda sea arrojada.
3. Los ensayos son estadísticamente independientes, es decir, el resultado de un
lanzamiento no afecta al de cualquier otro lanzamiento.
Cada proceso de Bernoulli tiene su propia probabilidad característica. Pongamos el
caso en que siete décimas partes de las personas que solicitaron cierto tipo de
empleo pasaron la prueba. Diremos entonces que la probabilidad característica fue
de 0.7 pero podemos describir los resultados de la prueba como un proceso de
12
 Bernoulli sólo si tenemos la seguridad de que la proporción de los que fueron
aprobados permaneció constante con el tiempo.
Des de luego, la otra característica del proceso de Bernoulli también deberá ser
satisfecha. Cada prueba deberá arrojar tan sólo dos resultados (éxito o fracaso= y
los resultados de las pruebas habrán de ser estadísticamente independientes.
En un lenguaje más formal, el símbolo p representa la probabilidad de un éxito y el
símbolo q ( 1- p ) representa la probabilidad de un fracaso. Para representar cierto
número de éxitos, utilizaremos el símbolo r y para simbolizar el número total de
ensayos emplearemos el símbolo n.

Entonces tenemos que :

P Probabilidad de éxito.
Q Probabilidad de fracaso.
r Número de éxitos deseados.
n Número de ensayos efectuados.

Existe una fórmula binomial:

Probabilidad de r éxitos en n ensayos es :
N! / R! (N-R)! PR QN-R
Recordemos que el símbolo factorial! Significa por ejemplo que es 3! = 3*2*1 = 6
Los matemáticos definen 0! = 1.

3.3 DISTRIBUCION NORMAL

La Distribución Normal: una distribución de una variable aleatoria continua.
Una muy importante distribución continua de probabilidad es la distribución normal.
Varios matemáticos intervinieron en su desarrollo entre ellos figura el astrónomo
del siglo XVIII Karl Gauss, a veces es llamada en sus honor la distribución de Gauss.

Características de la distribución normal de la probabilidad.

1. La curva tiene un solo pico, por consiguiente es unimodal. Presenta una forma de
campana.
2. La media de una población distribuida normalmente se encuentra en el centro de
su curva normal.
3. A causa de la simetría de la distribución normal de probabilidad, la mediana y la
moda de la distribución también se hallan en el centro, por tanto en una curva
normal, la media, la mediana y la moda poseen el mismo valor.
4. Las dos colas (extremos) de una distribución normal de probabilidad se
extienden de manera indefinida y nunca tocan el eje horizontal.
Áreas bajo la curva normal.
El área total bajo la curva normal será de 1.00 por lo cual podemos considerar que
las áreas bajo la curva son probabilidades.

El valor de Z.
Z= Número de desviaciones estándar de x respecto a la media de esta distribución.

Z= x-m / s

X=valor de la variable aleatoria que nos interesa.

m= media de la distribución de esta variable aleatoria.
s = desviación estándar de esta distribución.

13
 Las variables aleatorias distribuidas en forma normal asumen muchas unidades
diferentes de medición, por lo que hablaremos de forma estándar y les daremos el
símbolo de Z.

UNIDAD IV TIPOS DE MUESTREO

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

Muestreo probabilístico
Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de
equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente,
todas las posibles muestras de tamaño n tienen la misma probabilidad de ser
elegidas. Sólo estos métodos de muestreo probabilísticos nos aseguran la
representatividad de la muestra extraída y son, por tanto, los más recomendables.
Dentro de los métodos de muestreo probabilísticos encontramos los siguientes tipos:
El método otorga una probabilidad conocida de integrar la muestra a cada elemento
de la población, y dicha probabilidad no es nula para ningún elemento.
Los métodos de muestreo no probabilísticos no garantizan la representatividad de la
muestra y por lo tanto no permiten realizar estimaciones inferenciales sobre la
población.
(En algunas circunstancias los métodos estadísticos y epidemiológicos permiten
resolver los problemas de representatividad aun en situaciones de muestreo no
probabilistico, por ejemplo los estudios de caso−control, donde los casos no son
seleccionados aleatoriamente de la población.)
Entre los métodos de muestreo probabilísticos más utilizados en investigación
encontramos:

o Muestreo aleatorio simple:

El procedimiento empleado es el siguiente:
1) Se asigna un número a cada individuo de la población
2) A través de algún medio mecánico (bolas dentro de una bolsa, tablas de
números aleatorios, números aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como
sea necesario para completar el tamaño de muestra requerido.
Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica
cuando la población que estamos manejando es muy grande.
Ejemplo: formar el equipo de fútbol de la universidad seleccionando 11 boletas
de una urna con el nombre de todos los alumnos de la universidad.

o Muestreo aleatorio sistemático:

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

14
 El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en
la población ya que al elegir a los miembros de la muestra con una periodicidad
constante (k) podemos introducir una homogeneidad que no se da en la
población.
Imaginemos que estamos seleccionando una muestra sobre listas de 10
individuos en los que los 5 primeros son varones y los 5 últimos mujeres, si
empleamos un muestreo aleatorio sistemático con k=10 siempre
seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una
representación de los
dos sexos.

o Muestreo aleatorio estratificado:

Trata de obviar las dificultades que presentan los anteriores ya que simplifican
los procesos y suelen reducir el error muestral para un tamaño dado de la
muestra. Consiste en considerar categorías típicas diferentes entre sí (estratos)
que poseen gran homogeneidad respecto a alguna característica (se puede
estratificar, por ejemplo, según la profesión, el municipio de residencia, el sexo,
el estado civil, etc.).
Lo que se pretende con este tipo de muestreo es asegurarse de que todos los
estratos de interés estarán representados adecuadamente en la
muestra. Cada estrato funciona independientemente, pudiendo aplicarse dentro
de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos
concretos que formarán parte de la muestra. En ocasiones las dificultades que
plantean son demasiado grandes, pues exige un conocimiento detallado de la
población.
(Tamaño geográfico, sexos, edades,...).
La distribución de la muestra en función de los diferentes estratos se denomina
afijación, y puede ser de diferentes tipos:
Afijación Simple: A cada estrato le corresponde igual número de elementos
muéstrales.
Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño)
de la población en cada estrato.
Afijación Optima: Se tiene en cuenta la previsible dispersión de los resultados, de
modo que se considera la proporción y la desviación típica. Tiene poca aplicación
ya que no se suele conocer la desviación.

o Muestreo aleatorio por conglomerados:

Los métodos presentados hasta ahora están pensados para seleccionar
directamente los elementos de la población, es decir, que las unidades
muéstrales son los elementos de la población.
En el muestreo por conglomerados la unidad muestral es un grupo de elementos
de la población que forman una unidad, a la que llamamos conglomerado. Las
unidades hospitalarias, los departamentos universitarios, una caja de
determinado producto, etc., son conglomerados naturales.
En otras ocasiones se pueden utilizar conglomerados no naturales como, por
ejemplo, las urnas electorales. Cuando los conglomerados son áreas geográficas
suele hablarse de "muestreo por áreas".
El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto
numero de conglomerados (el necesario para alcanzar el tamaño muestral
establecido) y en investigar después todos los elementos pertenecientes a los
conglomerados elegidos.

15
 Métodos de muestreo no probabilísticos
A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente
costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no
sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra
extraída sea representativa, ya que no todos los sujetos de la población tienen la
misma probabilidad de se elegidos.
En general se seleccionan a los sujetos siguiendo determinados criterios procurando
que la muestra sea representativa.

Muestreo por cuotas:

También denominado en ocasiones "accidental". Se asienta generalmente sobre la
base de un buen
conocimiento de los estratos de la población y/o de los individuos más
"representativos" "adecuados" para los fines de la investigación. Mantiene, por tanto,
semejanzas con el muestreo aleatorio estratificado, pero no tiene el carácter de
aleatoriedad de aquél.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de
individuos que reúnen unas determinadas condiciones, por ejemplo: 20 individuos de
25 a 40 años, de sexo femenino y residentes en Gijón. Una vez determinada la cuota
se eligen los primeros que se encuentren que cumplan esas características. Este
método se utiliza mucho en las encuestas de opinión.
Muestreo opinático o intencional:
Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras
"representativas" mediante la inclusión en la muestra de grupos supuestamente
típicos. Es muy frecuente su utilización en sondeos preelectorales de zonas que en
anteriores votaciones han marcado tendencias de voto.
Muestreo casual o incidental:
Se trata de un proceso en el que el investigador selecciona directa e
intencionadamente los individuos de la población. El caso más frecuente de este
procedimiento el utilizar como muestra los individuos a los que se tiene fácil acceso
(los profesores de universidad emplean con mucha frecuencia a sus propios alumnos).

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

4.2 ESTIMACIÓN DE LÍMITES

Para una población con media σ y variancia σ 2, la distribución de muestreo de las
medias de todas las muestras posibles de tamaño n obtenidas de una población
tendrá una distribución normal aproximada —con la media de la distribución de
muestreo igual a σ y la variancia igual a σ 2/ n —si se supone que el tamaño de la
muestra es suficientemente grande.

4.3 PRUEBA DE HIPÓTESIS PARA UNA MEDIA

Qué es una hipótesis?
Hipótesis: enunciado acerca de una población elaborada con el propósito de
ponerse a prueba.
Ejemplos de hipótesis acerca de un parámetro de población son:
la media mensual de ingresos para analistas de sistemas es $3625,
el 20% de los delincuentes juveniles son capturados y sentenciados a prisión.

16
CONCEPTO DE PRUEBA DE HIPÓTESIS
Afirmación acerca de los parámetros de la población.
Etapas Básicas en Pruebas de Hipótesis.
Al realizar pruebas de hipótesis, se parte de un valor supuesto (hipotético) en
parámetro poblacional. Después de recolectar una muestra aleatoria, se compara la
estadística muestral, así como la media (x), con el parámetro hipotético, se compara
con una supuesta media poblacional (). Después se acepta o se rechaza el valor
hipotético, según proceda. Se rechaza el valor hipotético sólo si el resultado muestral
resulta muy poco probable cuando la hipótesis es cierta.
Etapa 1.- Planear la hipótesis nula y la hipótesis alternativa. La hipótesis nula (H0) es
el valor hipotético del parámetro que se compra con el resultado muestral resulta muy
poco probable cuando la hipótesis es cierta.
Etapa 2.- Especificar el nivel de significancia que se va a utilizar. El nivel de
significancia del 5%, entonces se rechaza la hipótesis nula solamente si el resultado
muestral es tan diferente del valor hipotético que una diferencia de esa magnitud o
mayor, pudiera ocurrir aleatoria mente con una probabilidad de 1.05 o menos.
Etapa 3.- Elegir la estadística de prueba. La estadística de prueba puede ser la
estadística muestral (el estimador no segado del parámetro que se prueba) o una
versión transformada de esa estadística muestral. Por ejemplo, para probar el valor
hipotético de una media poblacional, se toma la media de una muestra aleatoria de
esa distribución normal, entonces es común que se transforme la media en un valor z
el cual, a su vez, sirve como estadística de prueba.

Definiciones
Hipótesis nula H0: afirmación acerca del valor de un parámetro poblacional.
Hipótesis alterna H1: afirmación que se aceptará si los datos muestrales
proporcionan evidencia de que la hipótesis nula es falsa.
Nivel de significancia: probabilidad de rechazar la hipótesis nula cuando es
verdadera.
Error Tipo I: rechazar la hipótesis nula cuando en realidad es verdadera.
Error Tipo II: aceptar la hipótesis nula cuando en realidad es falsa.
Estadístico de prueba: valor obtenido a partir de la información muestral, se utiliza
para determinar si se rechaza o no la hipótesis.
Valor crítico: el punto que divide la región de aceptación y la región de rechazo de la
hipótesis nula.
Valor p en la prueba de hipótesis
Valor p: es la probabilidad de observar un valor muestral tan extremo o más que el
valor observado, dado que la hipótesis nula es verdadera.
Si el valor p es menor que el nivel de significancia, H0 se rechaza.
Si el valor p es mayor que el nivel de significancia, H0 no se rechaza

UNIDAD V ANÁLISIS DE REGRESIÓN

5.1 CONCEPTOS BÁSICOS DE SERIES DE TIEMPO
Se llama Series de Tiempo a un conjunto de mediciones de cierto fenómeno o
experimento registrado secuencialmente en el tiempo. El primer paso para analizar
una serie de tiempo es graficarla, esto permite: identificar la tendencia, la
estacionalidad, las variaciones irregulares (componente aleatoria). Un modelo clásico
para una serie de tiempo, puede ser expresada como suma o producto de tres
componentes: tendencia, estacional y un término de error aleatorio.
En adelante se estudiará como construir un modelo para explicar la estructura y
prever la evolución de una variable que observamos a lo largo del tiempo.

17
5.2 METODO DE MINIMOS CUADRADOS
Modelo de minimos cuadrados ordinarios
El análisis de regresión trata de la dependencia de las variables explicativas, con el
objeto de estimar y/o predecir la media o valor promedio poblacional de la variable
dependiente en términos de los valores conocidos o fijos de las variables explicativas.
Se trata de encontrar una método para hallar una recta que se ajuste de una manera
adecuada a la nube de puntos definida por todos los pares de valores muestrales
(Xi,Yi).
Este método de estimación se fundamenta en una serie de supuestos, los que hacen
posible que los
estimadores poblacionales que se obtienen a partir de una muestra, adquieran
propiedades que permitan señalar que los estimadores obtenidos sean los mejores.
Pues bien, el método de los mínimos cuadrados ordinarios consiste en hacer mínima la
suma de los cuadrados residuales, es decir lo que tenemos que hacer es hallar los
estimadores que hagan que esta suma sea lo más pequeña posible.
Los supuestos del método MCO son los que se presentan a continuación:
Supuesto 1
El modelo de regresión es lineal en los parámetros:
Yi = _ + _*Xi +_i
La linealidad de los parámetros se refiere a que los _´s son elevados solamente a la
primera potencia.
Supuesto 2
Los valores que toma el regresor X son considerados fijos en muestreo repetido. Esto
quiere decir que la variable X se considera no estocástica. Este supuesto implica que
el análisis de regresión es un análisis condicionado a los valores dados del (los)
regresores.
Supuesto 3
Dado el valor de X, el valor esperado del término aleatorio de perturbación _i es cero.
E ( _i/Xi ) = 0
Cada población de Y corresponde a un X dado, está distribuida alrededor de los
valores de su media con algunos valores de Y por encima y otros por debajo de ésta.
Las distancias por encima y por debajo de los valores medios son los errores, y la
ecuación antes señalada requiere que en promedio estos valores sean cero.

Supuesto 4
Homoscedasticidad. Dado el valor de X, la varianza de _i es la misma para todas las
observaciones.
Var (_i/Xi ) = E (_i − E(_i)/ Xi)2
= E (_i2/Xi )
=_
Esta ecuación señala que la varianza de las perturbaciones para cada Xi es algún
número positivo igual a _. Homoscedastidad significa igual dispersión, en otras
palabras significa que las poblaciones Y correspondientes a diversos valores de X
tienen la misma varianza. Por el contrario, se dice que existe heteroscedasticidad
cuando la varianza poblacional, ya no es la misma en cada muestra. El supuesto de
homoscedasticidad está indicando que todos los valores de Y correspondientes a
diversos valores de X son igualmente importantes.
Supuesto 5
Dados dos valores cualquiera de X, Xi y Xj ( i " j ), la correlación entre _i y _j cualquiera
( i " j ) es cero.
18
Cov ( _i, _j / Xi, Xj ) = E (_i − E(_i)/ Xi) (_j − E (_j/Xj ))
= E (_i/Xi ) (_j/Xj )
=0
Este supuesto indica que las perturbaciones no están correlacionadas. Esto significa
que los errores no siguen patrones sistemáticos. La implicancia del no cumplimiento
de este supuesto (existencia de auto correlación) implicaría que Yt no depende tan
sólo de Xt sino también de _t−1, puesto que _t−1 determina en cierta forma a _t.
Supuesto 6
La covarianza entre _i y Xi es cero, formalmente:
Cov (_i/Xi ) = E (_i − E(_i)) (Xi − E(Xi))
= E (_i (Xi − E(Xi)))
= E (_i Xi − E(Xi) E(_i))
= E (_i Xi)
=0
Este supuesto indica que la variable X y las perturbaciones no están correlacionadas.
Si X y _ estuvieran relacionadas, no podrían realizarse inferencias sobre el
comportamiento de la variable endógena ante cambios en las variables explicativas.
Supuesto 7
El número de observaciones debe ser mayor que el número de parámetros a estimar.
Supuesto 8
Debe existir variabilidad en los valores de X. No todos los valores de una muestra
dada deben ser
iguales. Técnicamente la varianza de X debe ser un número finito positivo. Si todos los
valores de X son idénticos entonces se hace imposible la estimación de los
parámetros.
Supuesto 9
El modelo de regresión debe ser correctamente especificado, esto indica que no existe
ningún en el modelo a estimar. La especificación incorrecta o la omisión de variables
importantes, harán muy cuestionable la validez de la interpretación de la regresión
estimada.
Supuesto 10
No hay relaciones perfectamente lineales entre las variables explicativas. No existe
multicolinealidad perfecta. Aunque todas las variables económicas muestran algún
grado de relación entre sí, ello no produce excesivas dificultades, excepto cuando se
llega a una situación de dependencia total, que es lo que se excluyó al afirmar que las
variables explicativas son linealmente dependientes.

19