UNIVERSIDAD TECNICA DE

MACHALA
FACULTAD DE CIENCIAS
EMPRESARIALES
CARRERA DE CONTABILIDAD

ESTADISTICA II
ESTUDIANTE:
GALARZA SOLANO NORMA
CURSO:
TERCER NIVEL D
CARRERA:
CONTABILIDAD Y AUDITORIA
DOCENTE:
ING. KELVIN PIZARRO ROMEO

AO LECTIVO:
2013 -2014

UNIVERSIDAD TECNICA DE MACHALA

FACULTAD DE CIENCIAS EMPRESARIALES
ESCUELA DE CONTABILIDAD Y AUDITORIA

1. DATOS GENERALES
Asignatura:
ESTADISTICA II
Eje Curricular de la Asignatura:
Bsica
Horas presenciales teora:
80 horas
Horas presenciales practica:
50 horas

Cdigo de la Asignatura:
CA.4.01
Ao:
2013-2014
Ciclo/Nivel:
III Nivel
Nmero de crditos:
5 de 16 horas
Total de horas: 80 horas
Hora trabajo autnomo:
55 de 16 horas presenciales
Fecha de Finalizacin:
20 de Septiembre del 2013

Horas atencin a estudiantes:

30 horas
Fecha de Inicio:
6 de Mayo del 2013
Prerrequisitos:
CA.3.02 ESTADISTICA I
Correquisitos:

MATEMATICA FINANCIERA
MACROECONOMIA
DERECHA III

2. JUSTIFICACION DE LA ASIGNATURA
La asignatura de Estadstica II en el cuarto nivel de la carrera de Contabilidad y
Auditora; una materia importante en la formacin del futuro profesional es de
eje formativo bsico y tiene como propsito que los estudiantes usen y
apliquen las herramientas que brinden la estadstica en la evaluacin y anlisis
de situaciones que plantee el desarrollo econmico y que adems le permita al
futuro profesional a tomar decisiones bajo condiciones de incertidumbre y
poder obtener un desenvolvimiento eficaz dentro del campo profesional.

3. OPERACIONALIZACION DE LA ASIGNATURA CON

RESPECTO A LAS COMPETENCIAS DEL PERFIL
PROFESIONAL

3.1

Objeto de estudio de la asignatura:

Desarrollar la capacidad del alumno para hacer inferencias estadstica de

poblaciones, en bases de tcnicas de muestreo, de pruebas de hiptesis y el
establecimiento de niveles de significancia; uso correlacin y regresin
lineal en problemas aplicativos de xito a nivel de importancia y con sus
conocimientos de ndices y seres de tiempo, establecer el comportamiento
de variables a travs del tiempo del tiempo; prever y plantear el futuro
organizacional.
Aplicar las tcnicas estadstica de muestro e inferencia orientada a la
problemtica empresarial para poder deducir el comportamiento
poblacional.
Realizar estimaciones y pronstico sobre variables econmicas relacionadas
con la contabilidad para una adecuada toma de decisiones.

Obtener e interpretar adecuadamente los ndices de variables econmicas,

orientadas al manejo de series de tiempo.
3.2

3.3

Competencia de la asignatura:
Desarrollo en el estudiante habilidades de clculo, razonamiento y
sistematizacin de procesos, para la direccin y toma de decisiones
dentro del campo empresarial.
Interpreta, analiza y resuelve problemas referidos a informe
econmicos utilizando las tcnicas del muestreo estadstica.
Formula, analiza y resuelve problemas sobre construccin de
hiptesis propias del campo de la contabilidad utilizando las pruebas
ms adecuadas.
Relacin de la asignatura con los resultados de aprendizaje

La asignatura de Estadstica II capacita al estudiante de la escuela de

Contabilidad y Auditora en el uso de las herramientas que le permitan
manejo adecuadamente las tcnicas y procedimientos de la
estadstica, en la evaluacin y anlisis que plantee el desarrollo econmico
permitindose producir, orientar y evaluar proyectos de investigacin.

RESULLTADOS DEL
APRENDIZAJE
a) Habilidad para
aplicar el
conocimiento de
las matemticas y
estadstica,
encaminando a la
Contabilidad y la
Auditoria.
b) Pericia para
disear conducir
y ejecutar
polticas
contables.

CONTRIBUCIN
(alta, media, baja)

ALTA

ALTA

EL ESTUDIANTE DEBE:
Aplicar
frmulas
matemticas para el
desarrollo de modelos
estratgicos y analizar
resultados,
comparndolos
con
modelos
previos
estableciendo
y
presentando
dichos
resultados en cuadros y
grficos.
Redactar e interpretar
las distintas polticas
estratgicas, sean estas
descriptivas
o
diferenciales
con
presupuestos
en

resultados.

i) Aprendizaje para
la vida.

Utilizar
herramientas
metodologa
de
investigacin
estratgica para analizar
diferentes niveles en el
direccionamiento
de
procesos productivos de
las empresas
Elaborar
planes
estratgicos para hacer
aplicados en diferentes
reas contables.
Analizar y dar soluciones
estratgicos
en
diferentes
reas
relacionadas
a
la
Contabilidad y Auditora
de empresas.
Aplicar
la
tica
profesional
en
el
desarrollo del proceso
estratgicos contables y
de auditoria.
Dar
a
conocer
los
resultados estratgicos
enmarcados
en
contabilidad y auditora
en un lenguaje claro y
pertinente.
Aplicar
los
conocimientos
adquiridos
en
las
diferentes reas de la
contabilidad y auditora.
Presentar disposicin en
la
actualizacin
permanente.

j) Asuntos
contemporneos.

Utilizar las herramientas

tecnolgicas y cientficas

c) Destrezas para el
manejo de
empresas
privadas o
pblicas.

MEDIAS

ALTO
d) Trabajo
multidisciplinario
ALTA
e) Resuelve
problemas de la
profesin.

f) Compromiso tico:
Responsabilidades
profesionales y
ticas.

MEDIA

BAJA
g) Comunicacin
efectiva

h) Impacto en la
profesin y en
contexto social.

MEDIA

ALTA

BAJA

k) Utilizacin de
tcnicas e
instrumentos
modernos.
l) Capacidad para
liderar, gestionar
o emprender
proyectos.
3.4

MEDIA

ALTA

en el rea contable.
Actualizar
informacin
de acuerdo a las nuevas
tendencias del mercado
en
el
rea
de
contabilidad
y
la
auditoria.
Liderar
grupos
estratgicos
en
las
diferentes reas de la
contabilidad y auditora.

Proyecto o producto de la asignatura.

Los estudiantes desarrollan micro-proyectos en cada unidad acadmica

estudiada y al finalizar el semestre presentaran las conclusiones generales
de ellos. Llevaran el registro de toda la materia tratada en el aula de clases,
conjuntamente con los trabajos autnomos, trabajos grupales y
evaluaciones parciales, para evidenciar el alcance de los logros planteados
al trmino del nivel.
3.4.1

Evidencias.
Control de asistencias a diaria a clases.
Registro de entrega de trabajos y exposiciones.
Registro de participaciones individuales y grupales.
Evaluacin de talleres en clases.
Evaluacin de lecciones escritas.

3.4.2

Medias y materiales educativos.

Pizarro y marcadores
Libros
Copias y folletos
Internet
Papelografo

4. Desarrollo de las Unidades

5. Metodologa: (Enfoque metodolgico)

En el desarrollo de la asignatura se utilizar la siguiente metodologa:
Clase Terica

Etapa expositiva
Desarrollar el aprendizaje constructivo
Participacin del estudiante
Reforzar los contenidos cognitivos

Dinmica de pares

Formar parejas, resolver ejercicios y problemas programados

Entregar su reporte
Exposicin de resultados obtenidos
Reforzar contenidos cognitivos procedimental y actitudinal, y as mismo
Retroalimentacin

Trabajo individual

Tema especfico asignado a cada alumno

Presentar y exponer al finalizar el ciclo

Orientacin y asesora

Elaboracin de los trabajos individuales asignados

Medios de enseanza
Recursos de aprendizaje
Usos del tic`s

5.1. Mtodos de enseanza

De acuerdo a la temtica propuesta, las clases y las actividades sern:
a)

b)

Clases magistrales.
Conferencias
Anlisis de lecturas
Exposiciones de temas
Trabajo grupal:
Talleres
Resolucin de ejercicios
c) Trabajos autnomos y horas no presenciales.
Estudio de casos
Aplicaciones al realidad
Tareas estudiantiles

 Investigaciones bibliogrficas
d) Formas organizativas de las clases:
Asistir a clases con el material, gua, folletos y textos
Traer adelantado la lectura del tema de clase de acuerdo a la
instruccin previa
Resaltar aspectos ms sobresalientes o trascendentales del
desarrollo de la clase
Trabajos bibliogrficos que debern desarrollar y entregar
posteriormente
Del texto gua de los estudiantes, realizaran las lecturas previas
para tener argumentos de opinin en las clases
e) Medios tecnolgicos:
Pizarrn para tizas liquidas y marcadores de varios colores
Libros y revistas de la biblioteca
Internet y materiales de Web
Equipos de proyeccin multimedia y material acadmico de Power
Point
Aula virtual
6.

Componente investigativo de la asignatura:

La asignatura de estadstica II tendr un componente investigativo en la parte

cognitiva mediante el envi de tareas que permitan desarrollar l investigacin
por parte del estudiante.

7.

La participacin activa de los estudiantes mediante debates,

formacin de equipos de trabajos para la investigacin,
elaboracin de organizadores visuales, desarrollo de casos,
exposiciones e interpretacin de casos prcticos
El profesor se desempeara como motivador, orientador,
facilitador y planificador a travs de una enseanza tericapractica.

Portafolio de la asignatura.

Control de asistencia diaria a clases de todos los estudiantes

Registro de entrega de trabajos y exposiciones
Registro de participaciones individuales y grupales
Evaluacin de talleres en clase
Evaluacin de lecciones escritas
Evaluacin de exposiciones

El mejor portafolio ser seleccionado para entregar al SEPYCA. Al portafolio se

le agregara los exmenes finales de ambos parciales.

8) Evaluacin
Para la evaluacin de los estudiantes, se tomara en cuenta los resultados de
sus exmenes parciales, tareas, trabajos de consulta o investigacin y la
participacin individual y colectiva. Los porcentajes sern previamente
acordados la inicio del semestre.
El aprendizaje
evaluaciones:

del

estudiante

se

determina

mediante

tres

tipos

de

Evaluacin diagnostica.- Para conocer pre-requisitos de dominio

de la asignatura que permita realizar reajustes en la programacin
Evaluacin formativa.-Con la finalidad de obtener informacin
acerca del aprendizaje, avance en el logro de las competencias
previstas y ara retroalimentar el proceso docente. Esta evaluacin
se realizara peridicamente a travs de la observacin, aplicacin
de instrumentos de evaluacin diseada para este fin
Evaluacin sumativa se realizara con la finalidad de evaluar las
competencias al finalizar cada unidad didctica, con el propsito
de profundizar o reorientar os contenidos. La nota final del curso
ser el promedio de las calificaciones obtenidas en :
Criterios.
El estudiante aprobara el nivel cuando mnimo con el 90% de
asistencia
El estudiante aprobara el nivel cuando mnimo la calificacin de
7/10

Tcnicas e Instrumentos.

Discusin
Dialogo
Mesa redonda
Lluvia de ideas
Clase magistral
Pruebas parciales dentro del proceso
Presentacin de informes escritos, individuales y por grupos
durante el desarrollo de la unidad.
Investigaciones bibliogrficas y de campo, individuales o por
grupos
Participacin en clase
Trabajo autnomo

8.1. Evaluaciones parciales:

Pruebas parciales dentro del proceso

Presentacin e informes escritos

Trabajo autnomo del estudiante

8.2. Exmenes:
I Parcial
II Parcial final
8.3. Parmetros de evaluacin

PARAMETRO DE EVALUACION ACADEMICA

REGULAR
Pruebas parciales dentro del proceso
Presentacin informes escritos, individuales o por
grupos durante el desarrollo de la unidad
Investigaciones bibliogrficas o de campo, individuales
o por grupo
Participacin en clase
Trabajo autnomo
Examen
TOTAL

20 puntos
10 puntos
10 puntos
20 puntos
10 puntos
30 puntos
100 puntos

PARAMETROS DE EVALUACION ACADEMICA

DE ARRASTRE Y EQUIPARACION
Presentacin informes escritos,
individuales o por grupo durante
el desarrollo de la unidad
Investigaciones bibliogrficas o
de campo, individuales o por
grupo
Trabajo autnomo
Examen

Total
9.- BIBLIOGRAFIA

30 PUNTOS

20 puntos

20 puntos
30 puntos

100 puntos

9.1 BIBLIOGRAIA BASICA

DIND Douglas, MARCHAL William, MASON Robert (2004) Estadstica para
Administracin y Economa, Editorial Alfa omega

SEMANAS DE
ESTUDIO

TEMAS
Poblacin y
Muestra

Tipos de
Muestreo

16 de Mayo al 27
de Mayo
Tamao de
la Muestra

Distribucion
es
Mustrales

UNIDAD I: Distribuciones de Muestreo

CONTENIDOS
1.1 Definicin de Poblacin y Muestra
1.2 Definicin de Estimacin
1.3 Seleccin de la Muestra
1.4 Muestreo Probabilstica
1.5 Aleatorio Simple
1.6 Aleatorio Sistemtica
1.7 Aleatorio Estratgico
1.8 Por Conglomerado
1.9 Muestreo No-Probabilstico
1.10 Bola de Nieve
1.11 De conveniencia
1.12 Por juicios
1.13 Discrecional
1.14 Poblacin finita
1.15 Muestreo de una poblacin finita
1.16 Poblacin Infinita e infinita
1.17 Muestreo de una poblacin finita e
infinita
1.18 Media Muestral
1.19 Error de Muestro
1.20 Ejercicios de Aplicacin
1.21 Definicin de Distribuciones
Mustrales
1.22 Distribucin Normal
1.23 Distribucin T Student
1.24 Distribucin Chi cuadrada
1.25 Limite Central
1.26 Error Estndar de la Media

Teorema del
Limite
Central
Distribucin 1.27 Distribucin de muestreo de Medias
para medias Mustrales

ESTRATE
APREND

Elabora
Mapas
concept
Diseo
de mue
Parafras
Resumir
bsicos
Crear A
Respond
Pregunt
Exposic
trabajos
Mesas R
Tutoras
Lluvia d
Resoluc
problem
Reconoc
alternat
solucin
problem
Constru
distribu
medias
Elabora
estadst

1.1
Poblacin y Muestra

Definicin de

Definicin: "Una poblacin es un conjunto de todos los elementos que

estamos estudiando, acerca de los cuales intentamos sacar conclusiones".
Levin & Rubin (1996).
El tamao que tiene una poblacin es un factor de suma importancia en el
proceso de investigacin estadstica y en nuestro caso social, y este tamao
vienen dados por el nmero de elementos que constituyen la poblacin, segn
el nmero de elementos la poblacin puede ser finita o infinita. Cuando el
nmero de elementos que integra la poblacin es muy grande, se puede
considerar a esta como una poblacin infinita, por Ejemplo; el conjunto de
todos los nmeros positivos.
Una poblacin finita es aquella que est formada por un limitado nmero de
elementos, por Ejemplo; el nmero de habitantes de una comarca.
Cuando la poblacin es muy grande, es obvio que la observacin y/o medicin
de todos los elementos se multiplica la complejidad, en cuanto al trabajo,
tiempo y costos necesarios para hacerlo. Para solucionar este inconveniente se
utiliza una muestra estadstica.
Definicin:

La

muestra

es

una

representacin

significativa

de

las

caractersticas de una poblacin, que bajo, la asuncin de un error

(generalmente no superior al 5%) estudiamos las caractersticas de un

conjunto poblacional mucho menor que la poblacin global, Murria R. Spiegel
(1991).
"Una muestra debe ser definida en base de la poblacin determinada, y las
conclusiones que se obtengan de dicha muestra solo podrn referirse a la
poblacin en referencia", Cadenas (1974).
Por ejemplo estudiamos los valores sociales de una poblacin de 5000
habitantes aprox., entendemos que sera de gran dificultad poder analizar los
valores sociales de todos ellos, por ello, la estadstica nos dota de una
herramienta que es la muestra para extraer un conjunto de poblacin que
represente a la globalidad y sobre la muestra realizar el estudio. Una muestra
representativa contiene las caractersticas relevantes de la poblacin en las
mismas proporciones que estn incluidas en tal poblacin.

1.2
Estimacin

Definicin de

Se llama estimacin al conjunto de tcnicas que permiten dar un valor

aproximado

de

un parmetro de

una

poblacin

partir

de

los

datos

proporcionados por una muestra. Por ejemplo, una estimacin de la media de

una determinada caracterstica de una poblacin de tamao N podra ser la
media de esa misma caracterstica para una muestra de tamao n.1

1.3
Muestra

Seleccin de la

Una muestra debe ser representativa si va a ser usada para estimar las
caractersticas de la poblacin. Los mtodos para seleccionar una muestra
representativa son numerosos, dependiendo del tiempo, dinero y habilidad
disponibles para tomar una muestra y la naturaleza de los elementos
individuales de la poblacin. Por lo tanto, se requiere un gran volumen para
incluir

todos

los

tipos

de

mtodos

de

muestreo.

Los mtodos de seleccin de muestras pueden ser clasificados de acuerdo a:

El nmero de muestras tomadas de una poblacin dada para un estudio

y
La manera usada en seleccionar los elementos incluidos en la muestra.
Los mtodos de muestreo basados en los dos tipos de clasificaciones son
expuestos en seguida.

1.4
Probabilstico

Muestreo

Este muestreo se distingue del no probabilstico (tambin conocido como

determinstico) en dos caractersticas:
1. Todos los elementos de la poblacin tienen la misma probabilidad de ser
elegidos como parte de la muestra.
2. Se deben ocupar instrumentos de aleatoriedad para seleccionar los
elementos de la muestra (o personas a estudiar en caso de ser una
investigacin social).
Se considera que el muestreo probabilstico es ms cientfico y objetivo que el
determinstico dado que no est atado a la personalidad, opiniones o
preferencias personales del investigador para seleccionar la muestra.

1.5

Aleatorio Simple

Donde cada elemento de la poblacin tiene la misma probabilidad de ser

elegida. Para realizar este procedimiento debe definirse un marco de
muestreo (enumeracin de todos los elementos del universo a
estudiar). Este mtodo equivale a una lotera, donde a cada
elemento del universo se le asigna un nmero y despus se determinan los
nmeros con un proceso aleatorio.
Todos los elementos tienen la misma probabilidad de aparicin. Cogemos un
listado de los elementos de la poblacin y se va seleccionando al azar. Tambin
se puede utilizar una eleccin mediante una tabla de nmeros aleatorios, o un
programa informtico que nos ofrezca nmeros aleatorios.

1.6
Sistemtica

Aleatorio

La forma de seleccin depende de la poblacin y el nmero del nmero de la

muestra. Mediante la aplicacin del coeficiente K=N/m
donde N es la poblacin y m el tamao muestral, se nos
ofrece k que es el coeficiente de elevacin. Tras su
obtencin K indica el punto de inicio de la seleccin en el
listado de la poblacin, y a partir de este valor se
seleccionan los elementos situados a K posiciones del el
K inicial.
Por ejemplo un directorio telefnico donde los nombres estn ordenados
alfabticamente puede no tener nada que ver con su opinin poltica.

1.7

Aleatorio Estratgico

Si la poblacin est en subconjuntos que son homogneos respecto a la

variable de estudio, podemos dividir la poblacin en
subgrupos

homogneos

realizar

el

muestreo

aleatorio dentro de cada estrato.

Este muestreo se divide en dos etapas, donde la
primera es dividir la poblacin bajo estudio en subpoblaciones denominadas
estratos; cada estrato debe ser mutuamente excluyente y colectivamente
exhaustivo.
Mutuamente excluyente: Es decir, si un elemento poblacional pertenece al
estrato A no puede pertenecer al estrato B ni a ningn otro.
Colectivamente exhaustivo: Cada elemento poblacional debe asignarse a
un estrato sin omitir ningn elemento.

1.8

Por Conglomerado

Se toman al azar grupos de elementos de los cuales sacaremos al azar los

individuos para la muestra. De manera que cada grupo tienen la misma
probabilidad de ser elegido.
Es un estudio til para poblaciones grandes y dispersadas, aunque de
estimaciones menos precisas. Pero es una solucin muy rentable si se ha
elegido un muestreo aleatorio simple.

1.9
Probabilstico

Muestreo No

Este tipo de muestreo se efecta seleccionando los

elementos de la muestra en forma tal que no interviene
el azar, sino algn criterio determinado que permite
realizar el muestreo, el cual generalmente es informal.
Los individuos pertenecientes a la poblacin tienen
diferente probabilidad de ser seleccionados y la misma
es desconocida, por lo cual no pueden incluirse modelos de probabilidad. Por
esta misma razn tienden a producir estimadores sesgados y propenden a la
no representatividad de la poblacin. Uno de los mtodos ms difundidos es el
muestreo de conveniencia o incidental.

1.10

Bola de Nieve

El muestreo por bola de nieve permite seleccionar un grupo inicial de

encuestados (referencias), por lo general al azar, a quienes despus de
entrevistar se les solicita que identifiquen a otras personas que pertenezcan a
la poblacin meta de inters.
De esta forma, los siguientes encuestados se seleccionan con base en las
referencias. Este proceso puede realizarse en olas para obtener referencias de
las referencias, lo cual en si origina un efecto de bola de nieve.
Ejemplo:

1.11

De Conveniencia

Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener

muestras "representativas" mediante la inclusin en la muestra de grupos
supuestamente

tpicos.

Es

muy

frecuente

su

utilizacin

en

sondeos

preelectorales de zonas que en anteriores votaciones han marcado tendencias

de voto.
Tambin puede ser que el investigador seleccione directa e intencionadamente
los individuos de la poblacin. El caso ms frecuente de este procedimiento el
utilizar como muestra los individuos a los que se tiene fcil acceso (los
profesores de universidad emplean con mucha frecuencia a sus propios
alumnos).

1.12

Por Juicios

Se caracteriza por la forma de juicio por conveniencia teniendo como base el

juicio del investigador que elige porque los considera lo ms representativos de
la muestra.

1.13

Discrecional

En el muestreo discrecional la seleccin de los elementos de la muestra la

realiza un experto que indica al investigador que elementos de la poblacin son
los que ms pueden contribuir al estudio. Este muestreo es adecuado cuando
existen lderes de opinin dentro de la poblacin objeto de estudio, sabemos
quines son esos lderes y no queremos que se nos escapen por utilizar un
mtodo

totalmente

aleatorio

de

conveniencia.

Ejemplo: Seleccionar a los cajeros de un banco en el

estudio sobre el comportamiento del usuario ante el
pago de impuestos.

1.14

Poblacin Finita

Una poblacin finita se refiere al grupo de clientes de

tamao
y
Esta

que,

en

clasificacin

ciertos

limitado que utilizar el servicio

momentos, har fila.

de

porque cuando un cliente

finita
deja

su

es

importante

posicin

como

miembro de la, poblacin (por ejemplo, una mquina que se avera y requiere
servicio), el tamao del grupo de usuarios se reduce en uno, lo cual reduce la
probabilidad de la siguiente ocurrencia.
Por el contrario, cuando se atiende un cliente y ste regresa al grupo de
usuarios la poblacin aumenta y la probabilidad de que un usuario requiera
servicio aumenta. Este tipo de problemas con poblacin finita precisa de una
serie de frmulas distintas de las que se aplican a una poblacin infinita.

1.15
Poblacin Finita

Muestreo de una

El muestreo en poblaciones finitas o encuesta por muestreo consiste en la

seleccin de una parte de los elementos de una poblacin estadstica ( ), con
el objetivo de sacar conclusiones de dicha poblacin.

1.16
infinita

Poblacin Infinita e

Poblacin Finita: Es aquella que indica que es posible alcanzarse o

sobrepasarse al contar, y que posee o incluye un nmero limitado de medidas
y observaciones; por ejemplo el nmero de alumnos de un centro de
enseanza.

Poblacin Infinita: Es infinita si se incluye un gran conjunto de medidas y

observaciones que no pueden alcanzarse en el conteo. Son poblaciones
infinitas porque hipotticamente no existe lmite en cuanto al nmero de
observaciones que cada uno de ellos puede generar; por ejemplo si se realizara
un estudio sobre los productos que hay en el mercado. Hay tantos y de tantas
calidades que esta poblacin podra considerarse infinita.

1.17
Poblacin Finita e Infinita

Muestreo de

Ahora bien si la poblacin es infinita: diremos que:

Una muestra de tamao n de una poblacin infinita es aleatoria si consta de
valores

de

variables

aleatorias

independientes

que

tienen

la

misma

distribucin.
Por ejemplo si lanzamos un dado 12 veces y obtenemos 2, 5, 5, 3, 3, 3, 5, 1, 6,
1,4, 1. Estos nmeros constituyen una variable aleatoria si son valores
aleatoria independientes que tienen la misma distribucin de probabilidad f(x)

= 1/6 para x= 1, 2, 3, 4, 5, 6.

1.18

Media Muestral

El estudio de determinadas caractersticas de una poblacin se efecta a

travs de diversas muestras que pueden extraerse de ella.
El muestreo puede hacerse con o sin reposicin, y la poblacin de partida
puede ser infinita o finita. Una poblacin finita en la que se efecta muestreo

con reposicin puede considerarse infinita tericamente. Tambin, a efectos

prcticos, una poblacin muy grande puede considerarse como infinita. En todo
nuestro estudio vamos a limitarnos a una poblacin de partida infinita o a
muestreo con reposicin.
Poblaciones finitas.-Se conoce el tamao de la poblacin de donde se obtendr
la muestra a estudiar; la poblacin es representada por la letra N.
Consideremos todas las posibles muestras de tamao n en una poblacin. Para
cada muestra podemos calcular un estadstico (media, desviacin tpica,
proporcin,...) que variar de una a otra. As obtenemos una distribucin del
estadstico que se llama distribucin muestral.

1.19

Error de Muestreo
Un proceso inductivo (que va de lo particular
a lo general) se asocia inevitablemente a la
posibilidad de cometer errores y este es
mayor en la medida que la parte observada
sea ms pequea, y sobre todo, cuando
dicha parte no refleja o representa la
realidad

sobre

la

que

recaen

las

conclusiones de la inferencia.
El error que se comete debido al hecho de que se sacan conclusiones sobre
cierta realidad, a partir de la observacin de slo una parte de ella, se
denomina error de muestreo.

1.20
Aplicacin

Ejercicios de

De una poblacin de 1176 adolescentes, de la ciudad de Pachuca de Soto, se

pretende conocer la aceptacin de los programas humorsticos televisivos.
Se desea tomar una muestra para saber la cantidad de adolescentes a

entrevistar y con ello tener una informacin adecuada, con un error standard
de 1.5% al 90% de confiabilidad.

n=

n' =

s
2

Datos:
n = 1 176
se = 1.5 % = 0.015
p = 90 % = 0.9
s2 = p (1-p) = 0.9 (1 0.9) = 0.09
2 = (se)2 = (0.015)2 = 0.000225

n'
n'
1+
N

'

n=

n=

s2
0.09
=
=400
2
0.000225

n'
400
=
=298
n'
400
1+
1+
N
1176

1.21 Definicin de Distribuciones Mustrales

Una

distribucin

muestral

es

una

distribucin

de Probabilidad de

una

estadstica muestral calculada a partir de todas las muestras posibles de

tamao "n" elegidas al azar de una poblacin determinada. Generalmente nos
interesa conocer una o ms de las siguientes caractersticas de la distribucin
muestral.

1.- Su forma funcional (como aparece en su representacin grfica).

2.- Su media.
3.-Su desviacin estndar (error estndar).

1.22 Distribucin Normal

Distribucin es frecuentemente utilizada en
las

aplicaciones

nombre

indica

estadsticas.
su

extendida

Su

propio

utilizacin,

justificada por la frecuencia o normalidad con

la que ciertos fenmenos tienden a parecerse
en su comportamiento a esta distribucin.
Muchas

variables

aleatorias

continuas

presentan una funcin de densidad cuya

grfica tiene forma de campana.
En resumen, la importancia de la distribucin normal se debe principalmente a
que hay muchas variables asociadas a fenmenos naturales que siguen el
modelo de la normal.

Caracteres morfolgicos de individuos (personas, animales, plantas,)

de

una

especie,

p.

ejemplo.

Tallas,

pesos,

envergaduras,

dimetros,

permetros.

Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un

frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de

adaptacin a un medio.

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos maestrales, por ejemplo: la media.

Otras

distribuciones

como

la

binomial

la

de

Poisson

son

aproximaciones normales.

1.23 Distribucin T Student

La distribucin t (de Student) es una distribucin de probabilidad que surge del
problema

de estimarla media de

una poblacin normalmente

distribuida cuando el tamao de la muestra es pequeo.

Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias mustrales y para la
construccin del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviacin tpica de una poblacin y
sta debe ser estimada a partir de los datos de una muestra.

1.24 Distribucin Chi Cuadrada

Sea

variables

aleatorias

normales

independientes, cada una con media 0 y desviacin tpica 1. Entonces, la

variable aleatoria

Se llama la variable aleatoria chi cuadrado con k grados de libertad.

Frmula de Chi Cuadrado

1.25 Limite Central.

El teorema central del lmite es uno de los resultados fundamentales de la

estadstica. Este teorema nos dice que si una muestra es lo bastante grande
(generalmente cuando el tamao muestral (n) supera los 30), sea cual sea la
distribucin de la media muestral, seguir aproximadamente una distribucin
normal. Es decir, dada cualquier variable aleatoria, si extraemos muestras de
tamao n (n>30) y calculamos los promedios mustrales, dichos promedios
seguirn
una distribucin normal.

1.26 Error Estndar de la Media

El error

estndar es

la desviacin

estndar de

la distribucin

muestral de

un estadstico. El trmino se refiere tambin a una estimacin de la desviacin

estndar, derivada de una muestra particular usada para computar la
estimacin.
El error estndar de la media es cuantificar las oscilaciones de la media
muestral (media obtenida en los datos) alrededor de la media poblacional
(verdadero valor de la media). El EEM o SEM se estima generalmente
dividiendo la desviacin estndar de la poblacin entre la raz cuadrada del
tamao de la muestra (asumiendo independencia estadstica de los valores en
la muestra):

Dnde:
Es la desviacin estndar (es decir, la estimacin basada en la muestra de la
desviacin estndar de la poblacin).
n es el tamao (nmero de individuos de la muestra)
Esta estimacin puede ser comparada con la frmula de la verdadera
desviacin estndar de la media de la muestra:

Dnde:

 es la verdadera desviacin estndar de la poblacin.

1.27 Distribucin de muestreo de Medias Mustrales

Si tenemos una muestra aleatoria de una poblacin N(m,s ), se sabe (Teorema
del lmite central) que la fdp de la media muestral es tambin normal con
media m y varianza s2/n. Esto es exacto para poblaciones normales y
aproximado (buena aproximacin con n>30) para poblaciones cualesquiera. Es
decir

es el error tpico, o error estndar de la media.

1.28 Distribucin de muestreo para la proporciones

En numerosas ocasiones se plantea estimar una proporcin o porcentaje. En
estos casos la variable aleatoria toma solamente dos valores diferentes (xito o
fracaso), es decir sigue una distribucin binomial y cuando la extensin de la
poblacin

es

grande

normal

SEMANAS DE
ESTUDIO

la

distribucin binomial

B(n,p) se

aproxima

la

TEMAS

UNIDAD II: Estimacin de Parmetros

CONTENIDOS

Definicin de
Estimacin y un
Estimador
Propiedades de los
estimadores
Estimacin de la
Media, Varianza y
Proporcin
El mtodo de

2.1 Definicin de Estimacin

Puntual
2.2 Definicin de un Estimador
2.3 Tipos de Estimadores
2.4 Propiedades de los
Estimadores
2.5 Estimacin de la Media
2.6 Estimacin de la Varianza
2.7 Estimacin para la Proporcin
2.8 Mtodo de Mximo

ESTRATE
APREND

Elabora
Mapas
concept
Diseo
de mue
Parafras
Resumir
bsicos
Crear A
Respond
Pregunt

16 de Mayo al 27
de Mayo

Mxima
Verosimilitud
Intervalos de
Confianza

Intervalos de
Confianza para la
media

Verosimilitud

2.9 Intervalos de confianza

2.10 Niveles de confianza

2.11 Eleccin correcta del
tamao de la muestra
2.12 Intervalos de confianza para
la media muestral
2.13 Intervalos de confianza para
media poblacional
2.14 Ejercicios de aplicacin

Exposic
trabajos
Mesas R
Tutoras
Lluvia d
Resoluc
problem
Reconoc
alternat
solucin
problem
Constru
distribu
medias
Elabora
estadst

2.1

Definicin Estimacin Puntual

Un estimador es una regla que expresa como calcular la estimacin, basndose

en la informacin de la muestra y se enuncia, en general, mediante una
formula.
En estadstica, un estimador es un estadstico (esto es, una funcin de la
muestra) usado para estimar un parmetro desconocido de la poblacin. Por
ejemplo, si se desea conocer el precio medio de un artculo (el parmetro
desconocido) se recogern observaciones del precio de dicho artculo en
diversos

establecimientos

(la muestra)

la media

aritmtica de

las

observaciones puede utilizarse como estimador del precio medio.

2.2

Definicin de un Estimador

Consiste en la estimacin del valor del parmetro mediante un slo valor,

obtenido de una frmula determinada. Por ejemplo, si se pretende estimar la
talla media de un determinado grupo de individuos, puede extraerse una
muestra y ofrecer como estimacin puntual la talla media de los individuos. Lo
ms importante de un estimador, es que sea un estimador eficiente. Es decir,
que sea insesgado (ausencia de sesgos) y estable en el muestreo o eficiente
(varianza mnima).

2.3

Tipos de Estimadores
Estimacin puntual: La estimacin se representa mediante un solo
nmero.

Estimacin por intervalo: La estimacin se representa mediante dos

nmeros que determinan un intervalo sobra la recta.

2.4

Propiedades de los estimadores

1) SESGO. Se dice que un estimador es insesgado si la Media de la

distribucin del estimador es igual al parmetro.

Estimadores insesgados son la Media muestral y la varianza.

2) CONSISTENCIA. Un estimador es consistente si aproxima el valor del
parmetro cuanto mayor es n (tamao de la muestra).
3) EFICIENCIA. La eficiencia de un estimador se mide por la varianza de su
distribucin muestral. Un estimador es ms eficiente que otro si la Varianza de
la distribucin muestral es menor a la del otro estimador. Cuanto menor es la
eficiencia, menor es la confianza de que el estadstico obtenido en la muestra
aproxime al parmetro poblacional.
4) EXACTITUD: Es la combinacin de sesgo y varianza (cuanto menos sesgo y
varianza posea ms exacto ser).
5) ROBUSTEZ: Es la calidad de resistencia en la eficiencia al cambiar el
modelo de la distribucin.

2.5

Estimacin de la Media

Para estimar la media poblacional por medio de intervalos de confianza, ser

necesario recordar que el Teorema Central del Lmite nos daba informacin de
cmo se hallaban distribuidas las medias mustrales: "normalmente" con una
media igual a la de la poblacin original m (que es la que ahora tratamos de
conocer) y desviacin tpica.

2.6

Estimacin para la varianza

El conocimiento de las varianzas es un elemento de especial inters, tanto para

los usuarios de estadsticas, como para los diseadores.
Las estadsticas obtenidas mediante encuestas probabilsticas permiten al
usuario decidir acerca del grado de validez o confianza de los datos de relacin
con el uso que va a hacer de ellos, as como al diseador le permite decidir
entre varios procedimientos alternativos o en su caso mejorar un diseo ya
establecido

2.7

Estimacion para la Proporcion

Sea X una variable binomial de parmetros n y p (una variable binomial es el

nmero de xitos en n ensayos; en cada ensayo la probabilidad de xito (p) es
la misma, por ejemplo: nmero de diabticos en 2000 personas).
Como recordars, la distribucin binomial B(n,p), nos permite conocer cmo se
distribuye el nmero de xitos, correspondiente a un experimento realizado n
veces, y en el que la probabilidad de xito en cada experimento es p. Dicha
distribucin tiene media y desviacin tpica.
2.8

Mtodo de Mximo Verosimilitud

En estadstica, la estimacin por mxima verosimilitud (conocida tambin como

EMV y MLE por sus siglas en ingls) es un mtodo habitual para ajustar un
modelo y encontrar sus parmetros.
Fue recomendado, analizado y popularizado por R. A. Fisher entre 1912 y 1922,
aunque haba sido utilizado antes por Gauss, Laplace, Thiele y F. Y. Edgeworth
El mtodo de mxima verosimilitud se utiliza por ejemplo para estimar los
coeficientes de un modelo logstico de regresin, en el que se calcula la
probabilidad de que ocurra un determinado suceso mediante la siguiente
ecuacin:

El mtodo de la mxima verosimilitud estima 0 buscando el valor de que

maximiza
0:

. Este es el llamado estimador de mxima verosimilitud (MLE) de

En ocasiones este estimador es una funcin explcita de los datos observados

x1, , xn, pero muchas veces hay que recurrir a optimizaciones numricas.
Tambin puede ocurrir que el mximo no sea nico o no exista.

2.9

Intervalos de Confianza

En estadstica, se llama a un par o varios pares de nmeros entre los cuales se

estima que estar cierto valor desconocido con una determinada probabilidad
de acierto. Formalmente, estos nmeros determinan un intervalo, que se
calcula a partir de datos de una muestra, y el valor desconocido es
un parmetro poblacional. La probabilidad de xito en la estimacin se
representa

con 1

se

denomina nivel

de

confianza.

En

estas

circunstancias, es el llamado error aleatorio o nivel de significacin, esto es,

una medida de las posibilidades de fallar en la estimacin mediante tal
intervalo.

2.10 Nivel de Confianza

El nivel de confianza y la amplitud del intervalo varan conjuntamente, de
forma que un intervalo ms amplio tendr ms posibilidades de acierto (mayor
nivel de confianza), mientras que para un intervalo ms pequeo, que ofrece
una estimacin ms precisa, aumentan sus posibilidades de error.

2.11 Eleccin correcta del tamao de la muestra

La eleccin del tamao de una muestra apropiada es una pregunta frecuente al
disear un estudio estadstico.
Cuntos objetos deben tomarse en la muestra?
Si la muestra es demasiado grande, se desperdicia dinero al obtener los datos,
si la muestra es demasiado pequea, la conclusin obtenida ser insegura.
El tamao de una muestra es el nmero de individuos que contiene.
Una frmula muy extendida que orienta sobre el clculo del tamao de la
muestra para datos globales es la siguiente:

N: es el tamao de la poblacin o universo (nmero total de posibles

encuestados).
K: es una constante que depende del nivel de confianza que asignemos. El
nivel de confianza indica la probabilidad de que los resultados de nuestra
investigacin sean ciertos: un 95,5 % de confianza es lo mismo que decir que
nos podemos equivocar con una probabilidad del 4,5%. Los valores de k se
obtienen de la tabla de la distribucin normal estndar N (0,1).

2.12 Intervalos de Confianza para la Media Muestral

De una poblacin de media y desviacin tpica se pueden tomar muestras de
elementos. Cada una de estas muestras tiene a su vez una media (x). Se puede
demostrar que la media de todas las medias mustrales coincide con la media
poblacional:

2.13 Intervalos de Confianza para la Media Poblacional

El objetivo de este apartado es conseguir una estimacin de la media
(desconocida) de una poblacin, cuya desviacin tpica es conocida.

2.14 Ejercicios de Aplicacin

Una mquina llena tazas con lquido, y se supone que est ajustada para vertir
la cantidad de 250 g. Como la mquina no puede llenar cada taza con
exactamente 250 g, el contenido que se aade a cada taza individual presenta
cierta variacin y se le asigna una variable aleatoria X. Se asume que esta
variacin se ajusta a una distribucin normal de alrededor del porcentaje
promedio deseado de 250 g, con una desviacin estndar de 2.5 g. Para
determinar si la mquina est adecuadamente calibrada, se toma una muestra
aleatoria de n = 25 tazas de helado para pesarlas. La medicin resultante de
sustancia helada es X1, ..., X25, una muestra aleatoria desde X.
Para tener una apreciacin de la expectativa , es suficiente con dar una
estimacin. El estimador adecuado es la media muestral:

La muestra seala los pesos efectivos x1, ..., x25, con media:

Al tomar otra muestra de 25 tazas, es esperable, de igual manera, que la masa

presente valores como 250.4 o 251.1 gramos. Un valor medio muestral de
280 gramos en cambio, sera extremadamente excepcional si el contenido
medio de las tazas est en la prctica cerca de 250 gramos. En este caso, se
determinar los extremos considerando la media muestral X a partir de la
muestra en distribucin normal est tambin normalmente distribuida con la
misma expectativa , pero con un error estndar de:

Por estandarizacin, se obtiene una variable aleatoria:

Dependiente del parmetro a ser estimado, pero con una distribucin normal
estndar independiente del parmetro . Por lo tanto, es posible hallar
nmeros z y z, independientes de , entre los cuales yace Z con probabilidad
1 , una medida de cun confiados queremos estar.
Tomamos 1 = 0.95, por ejemplo. As, tenemos:

El nmero z sigue desde la funcin de distribucin acumulada, en este caso

la Funcin de distribucin normal acumulativa:

y se obtiene:

En otras palabras, el lmite inferior de un intervalo de confianza del 95% es:

y el superior de tal intervalo es:

Con los valores de este ejemplo, el intervalo de confianza es:

Esto podra interpretarse como: con probabilidad del 0.95 encontramos un

intervalo de confianza en el que se cumple con el parmetro entre los lmites
estocsticos

Esto no implica que haya una probabilidad de 0.95 de encontrar el

parmetro en el intervalo obtenido usando el valor efectivamente establecido
para el valor medio de la muestra.

Sin embargo, cada vez que se repitan las mediciones, darn otro valor para la
media X de la muestra. En el 95% de los casos estar entre los lmites
calculados a partir de la media, pero en el 5% de los casos no lo estar. El
intervalo de confianza efectivo se calcula anotando los valores de masas de
helado medidas en la frmula. Este intervalo de confianza de 0.95 resulta:

SEMANAS DE
ESTUDIO

17 de Junio al 8
de Julio

UNIDAD III: Prueba de Hiptesis Paramtricas y no Paramtricas

TEMAS
CONTENIDOS
ESTRATE
APREND
Definicin de
3.1Objetivo de la prueba de
Pruebas de
hiptesis
3.2 Qu es una Hiptesis? Para la
hiptesis
media y la proporcin
Los elementos de 3.3 Cinco pasos para probar una
una prueba de
Hiptesis
3.4 Hiptesis Nula
hiptesis
3.5 Hiptesis Alternativa
3.6 El estadstico de la prueba
Errores alfa, beta 3.7 Error tipo 1
3.8 Error tipo 2
y nivel de
3.9 Nivel de significancia
significancia
Elabora
La potencia de
3.10 Valor critico
Mapas
3.11 Prueba de significancia de una
una prueba
concept
y dos colas
Parafras
3.12 Valor p en las pruebas de
Resumir
Hiptesis

Prueba de
hiptesis para
media
Prueba de
hiptesis para
proporcin

3.13 Prueba de Hiptesis de una y

dos colas para la media

3.14 Prueba de Hiptesis de una y

dos colas para la proporcin

Prueba de
hiptesis para
varianza
El valor de a
estimado
Prueba Binomial,
che-cuadrada y la
prueba de MannWhitney

3.15 Prueba de Hiptesis de una y

dos colas para la varianza
3.16
3.17
3.18
3.19
3.20

Valor de a
Estimacin de a
Distribucin Binomial
Prueba de Chi-cuadrado
Prueba Mann_Whitney

Crear A
Respond
Pregunt
Tutoras

3.1 Objetivo de la prueba de hiptesis

El propsito de la prueba de hiptesis no es cuestionar el valor calculado del
estadstico (muestral), sino hacer un juicio con respecto a la diferencia entre
estadstico de muestra y un valor planteado del parmetro.

3.2 Qu es una Hiptesis? Para la media y la Proporcin

Tenemos que empezar por definir que es una hiptesis y que es prueba de
hiptesis.
Hiptesis es una aseveracin de una poblacin elaborado con el propsito de
poner a prueba, para verificar si la afirmacin es razonable se usan datos.
En el anlisis estadstico se hace una aseveracin, es decir, se plantea una
hiptesis, despus se hacen las pruebas para verificar la aseveracin o para
determinar que no es verdadera.
Por tanto, la prueba de hiptesis es un procedimiento basado en la evidencia
muestral y la teora de probabilidad; se emplea para determinar si la hiptesis
es una afirmacin razonable.

3.3

Cinco pasos para probar una Hiptesis

Prueba de una hiptesis: se realiza mediante un procedimiento sistemtico de

cinco paso:

Siguiendo este procedimiento sistemtico, al llegar al paso cinco se puede o no

rechazar la hiptesis, pero debemos de tener cuidado con esta determinacin
ya que en la consideracin de estadstica no proporciona evidencia de que algo
sea verdadero. Esta prueba aporta una clase de prueba ms all de una duda
razonable. Analizaremos cada paso en detalle

3.4

Hiptesis Nula

La hiptesis nula (Ho) Se refiere siempre a un valor especificado del parmetro

de poblacin, no a una estadstica de muestra. La letra H significa hiptesis y el
subndice cero no hay diferencia. Por lo general hay un "no" en la hiptesis nula
que indica que "no hay cambio" Podemos rechazar o aceptar Ho.
La hiptesis nula es una afirmacin que no se rechaza a menos que los datos
maestrales

proporcionen

evidencia

convincente

de

que

es

falsa.

El

planteamiento de la hiptesis nula siempre contiene un signo de igualdad con

respecto al valor especificado del parmetro.
3.5

Hiptesis Alternativa

La hiptesis alternativa (H1) Es cualquier hiptesis que difiera de la hiptesis

nula. Es una afirmacin que se acepta si los datos maestrales proporcionan
evidencia suficiente de que la hiptesis nula es falsa. Se le conoce tambin
como la hiptesis de investigacin. El planteamiento de la hiptesis alternativa
nunca contiene un signo de igualdad con respecto al valor especificado del
parmetro.
3.6

El estadstico de la prueba

Valor determinado a partir de la informacin muestral, que se utiliza para

determinar si se rechaza la hiptesis nula., existen muchos estadsticos de
prueba para nuestro caso utilizaremos los estadsticos z y t. La eleccin de uno
de estos depende de la cantidad de muestras que se toman, si las muestras
son de la prueba son iguales a 30 o ms se utiliza el estadstico z, en caso
contrario se utiliza el estadstico t.
3.7 Error Tipo 1
Un error tipo I Se presenta si la hiptesis nula Ho es rechazada cuando es
verdadera y deba ser aceptada. La probabilidad de cometer un error tipo I se
denomina con la letra alfa
3.8

Error Tipo 2

Un error tipo II, Se denota con la letra griega se presenta si la hiptesis nula
es aceptada cuando de hecho es falsa y deba ser rechazada.
En cualquiera de los dos casos se comete un error al tomar una decisin
equivocada.
En la siguiente tabla se muestran las decisiones que pueden tomar el
investigador y las consecuencias posibles.

3.9

Nivel de Significancia

Nivel de significancia: Probabilidad de rechazar la hiptesis nula cuando es

verdadera. Se le denota mediante la letra griega , tambin es denominada
como nivel de riesgo, este trmino es ms adecuado ya que se corre el riesgo
de rechazar la hiptesis nula, cuando en realidad es verdadera. Este nivel est
bajo el control de la persona que realiza la prueba.
Si suponemos que la hiptesis planteada es verdadera, entonces, el nivel de
significacin indicar la probabilidad de no aceptarla, es decir, estn fuera de
rea de aceptacin. El nivel de confianza (1-), indica la probabilidad de
aceptar la hiptesis planteada, cuando es verdadera en la poblacin.

3.10 Valor Critico

Se representa por Z/2. Es el valor de la abscisa en una determinada
distribucin que deja a su derecha un rea igual a /2, siendo 1- el nivel de
confianza. Normalmente los valores crticos estn tabulados o pueden
calcularse en funcin de la distribucin de la poblacin. Por ejemplo, para
una distribucin normal, de media 0 y desviacin tpica 1, el valor crtico para
= 0,1 se calculara del siguiente modo: se busca en la tabla de la
distribucin ese valor (o el ms aproximado), bajo la columna "rea"; se
observa que se corresponde con -1,28. Entonces Z/2 = 1,64. Si la media o
desviacin tpica de la distribucin normal no coinciden con las de la tabla, se
puede realizar el cambio de variable t =(X-)/ para su clculo.

3.11 Prueba de Significancia de una y dos colas

3.11 Valor P en las pruebas de Hiptesis

Valor p: probabilidad de observar un valor de prueba ms extremo que el valor

observado, dado que la hiptesis nula es verdadera.

Si el valor p es ms chico que el nivel de significacin la hiptesis nula es

rechazada.
Si el valor p es ms grande que el nivel de significacin la hiptesis nula
no es rechazada

3.12 Pruebas de Hiptesis para media.

x
N (0,1)
/ n
Cuando se plantean hiptesis para la media de la

poblacin y la desviacin estndar poblacional es conocida o el tamao

de la muestra es grande, el estadstico de prueba est dado por:

El cual se distribuye como una Normal de media 0 y desvo estndar 1.

x
t gl n1
S n1 / n
Cuando se plantean hiptesis para la media de

la poblacin y la desviacin estndar poblacional es desconocida y el

tamao de la muestra es pequeo, el estadstico de prueba est dado
por:

El cual se distribuye como una t de Student con n-1 grados de libertad.

3.14 Prueba de Hiptesis para proporciones

Cuando se plantean hiptesis para la proporcin de la poblacin, el estadstico
de prueba est dado por:

pHo * qHo z p pHo N (0,1)

p
n
Donde

El cual se distribuye como una Normal de media 0 y desvo estndar 1.

Tiene las siguientes propiedades:

Es continua, campnulas, y simtrica como la distribucin z.

Existe una familia de distribuciones t con media cero, pero con

diferentes desviaciones estndar.

La distribucin t es ms aplanada y de colas ms largas que la z.
Tiende a la z para tamaos grandes de muestra

3.15 Prueba de Hiptesis para varianza

Es frecuente que se desee comprobar si la variacin o dispersin de una
variable ha tenido alguna modificacin, lo cual se hace con la prueba de
hiptesis para la varianza.
Se puede plantear uno de los siguientes tres tipos de hiptesis:

Prueba de hiptesis a dos colas

H0 :

=k

H1 :

Prueba de hiptesis a una cola superior

H0 :
H1 :

=k
>k

H0 :

H1 :

>k

Prueba de hiptesis a una cola inferior

H0 :
H1 :

=k
<k

H1 :

H1 :

<k

En este caso se tienen dos situaciones, dependiendo de si se utiliza la varianza

muestral sin corregir o corregida.
Si se utiliza la varianza sin corregir (

) la estadstica de trabajo es la

expresin (1.4):

(3.6)
Si se utiliza la varianza corregida, la estadstica de trabajo es la expresin
(1.5):

(3.7)

3.16 El valor de a
Tambin llamado nivel de significacin. Es la probabilidad (en tanto por uno) de
fallar en nuestra estimacin, esto es, la diferencia entre la certeza (1) y el nivel
de confianza (1-). Por ejemplo, en una estimacin con un nivel de confianza
del 95%, el valor es (100-95)/100 = 0,05

3.17 Prueba Binomial, che-cuadrada y la prueba de MannWnitney.

Prueba binomial analiza variables dicotmicas y compara las frecuencias
observadas en cada categora con las que cabra esperar segn una
distribucin binomial de parmetro

especificado en la hiptesis nula.

Distribucin binomial: es una distribucin de probabilidad discreta que mide el

nmero de xitos en una secuencia de n ensayos de Bernoulli independientes
entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo
son posibles dos resultados. A uno de estos se denomina xito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p.
En la distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado
nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en
una distribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:

Prueba del Chi-Cuadrado: Esta prueba puede utilizarse incluso con datos
medibles en una escala nominal. La hiptesis nula de la prueba Chi-cuadrado
postula una distribucin de probabilidad totalmente especificada como el
modelo matemtico de la poblacin que ha generado la muestra.
Para realizar este contraste se disponen los datos en una tabla de frecuencias.
Para cada valor o intervalo de valores se indica la frecuencia absoluta
observada o emprica (Oi). A continuacin, y suponiendo que la hiptesis nula
es cierta, se calculan para cada valor o intervalo de valores la frecuencia
absoluta que cabra esperar o frecuencia esperada (Ei=npi , donde n es el
tamao de la muestra y pi la probabilidad del i-simo valor o intervalo de

valores segn la hiptesis nula). El estadstico de prueba se basa en las

diferencias entre la Oi y Ei y se define como:

Este estadstico tiene una distribucin Chi-cuadrado con k-1 grados de libertad
si n es suficientemente grande, es decir, si todas las frecuencias esperadas son
mayores que 5. En la prctica se tolera un mximo del 20% de frecuencias
inferiores a 5.
Si existe concordancia perfecta entre las frecuencias observadas y las
esperadas el estadstico tomar un valor igual a 0; por el contrario, si existe
unas grandes discrepancias entre estas frecuencias el estadstico tomar un
valor grande y, en consecuencia, se rechazar la hiptesis nula. As pues, la
regin crtica estar situada en el extremo superior de la distribucin Chicuadrado con k-1 grados de libertad.
Prueba de Mann Whitney: a hiptesis nula del contraste es que las dos
muestras, de tamao n1 y n2, respectivamente, proceden de poblaciones
continuas idnticas:

La hiptesis alternativa puede ser unilateral o bilateral y nicamente supone

que la tendencia central de una poblacin difiere de la otra, pero no una
diferencia de forma o de dispersin. Por esta razn esta prueba es el
equivalente no paramtrico de la prueba t para la diferencia de dos medias
cuando las muestras son independientes pero no puede suponerse la
normalidad de las poblaciones de origen.
Para realizar el contraste se ordenan conjuntamente las observaciones de las
dos muestras, de menor a mayor, y se les asignan rangos de

. Si la

tendencia central de ambas poblaciones es la misma los rangos deberan

distribuirse aleatoriamente entre las dos muestras y el rango medio
correspondiente a las observaciones de una muestra debera ser muy similar a
los correspondientes a las observaciones de la otra. El estadstico de prueba U

de Mann-Whitney se construye a partir de la suma de rangos de una de las

muestras, Ri, elegida arbitrariamente:

Para tamaos de muestra pequeos la distribucin del estadstico U, bajo el

supuesto de que la hiptesis nula sea cierta, es discreta y est tabulada. Si los
tamaos son suficientemente grandes la distribucin del estadstico se
aproxima a una normal de parmetros:

El estadstico de prueba es el valor Z:

La regin de rechazo de H0 se localiza en las dos colas de la normal tipificada

si H1 no es direccional o en una de las colas si H1 es direccional.

SEMANAS DE
ESTUDIO

UNIDAD IV: Anlisis De Correlacin y Regresin Lineal

TEMAS
CONTENIDOS
ESTRATE
APREND
Ajustes de Curvas 4.1Ajustes de curvas
4.2 Interpolacin
Los elementos de
una prueba de
hiptesis

4.3 Mtodo de Mnimos Cuadrados

4.4 Variable Independiente

4.5 Variable Dependiente

4.6 Ecuacin de Regresin
Errores alfa, beta
y nivel de
significancia
9 de Julio al 29
de Julio

La potencia de
una prueba

4.7 Forma General de la Ecuacin

de Regresin Lineal
4.8 Pendiente de la Lnea de
Regresin
4.9 Punto de Intercepcin
4.10 Trazo de la Lnea de Regresin
4.11 Intervalos de Confianza
4.12 Intervalos de Prediccin

Prueba de
hiptesis para
media
Prueba de
hiptesis para
proporcin
Prueba de
hiptesis para
varianza

4.13 Error de Estimacin

4.14 Coeficiente de Correlacin

4.15 Tipos de correlacin

Mapas
concept
Parafras
Resumir
Crear A
Respond
Pregunt
Tutoras

4.1 Ajuste de curvas

El ajuste de curvas consiste en encontrar una curva que contenga una serie de
puntos y que posiblemente cumpla una serie de restricciones adicionales. Esta
seccin es una introduccin tanto a la interpolacin (cuando se espera un
ajuste exacto a determinadas restricciones) y al ajuste de curvas/anlisis de
regresin

4.2

Interpolacin

En el subcampo matemtico del anlisis numrico, se denomina interpolacin a

la obtencin de nuevos puntos partiendo del conocimiento de un conjunto
discreto de puntos.
En ingeniera y algunas ciencias es frecuente disponer de un cierto nmero de
puntos obtenidos por muestreo o a partir de un experimento y pretender
construir una funcin que los ajuste.
Otro problema estrechamente ligado con el de la interpolacin es la
aproximacin de una funcin complicada por una ms simple. Si tenemos una
funcin cuyo clculo resulta costoso, podemos partir de un cierto nmero de
sus valores e interpolar dichos datos construyendo una funcin ms simple. En
general, por supuesto, no obtendremos los mismos valores evaluando la
funcin obtenida que si evaluamos la funcin original, si bien dependiendo de
las caractersticas del problema y del mtodo de interpolacin usado la
ganancia en eficiencia puede compensar el error cometido.

En todo caso, se trata de, a partir de n parejas de puntos (x k,yk), obtener una
funcin f que verifique

a la que se denomina funcin interpolante de dichos puntos. A los puntos x k se

les llama nodos. Algunas formas de interpolacin que se utilizan con frecuencia
son la interpolacin lineal, la interpolacin polinmica (de la cual la anterior es
un caso particular), la interpolacin por medio de spline o la interpolacin
polinmica de Hermite.
4.3

Mtodo de mnimos cuadrados

Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de

la optimizacin matemtica, en la que, dados un conjunto de pares ordenados:
variable independiente, variable dependiente, y una familia de funciones, se
intenta encontrar la funcin continua, dentro de dicha familia, que mejor se
aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo
error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las
diferencias en las ordenadas (llamadas residuos) entre los puntos generados
por

la

funcin

elegida

los

correspondientes

valores

en

los

datos.

Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el

nmero de datos medidos es 1 y se usa el mtodo de descenso por gradiente
para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el
residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero
requiere un gran nmero de iteraciones para converger

4.4
En

Variable independiente
la

verificacin

experimental,

el

investigador

intenta

reproducir

artificialmente los fenmenos que se dan de forma espontnea en la realidad y

que desea comprender; cuando dispone de una hiptesis que establece un
supuesto vnculo causal entre un objeto, proceso o caracterstica (supuesta

causa) y el objeto proceso o caracterstica que exige una explicacin (el

efecto), manipula experimentalmente la primera para ver si se produce el
efecto que la hiptesis describa. La variable que manipula el experimentador
recibe el nombre de variable independiente.
El objeto, proceso o caracterstica a estudiar y que modifica su estado con la
modificacin de la variable independiente (es decir que depende de ella y que
en esa medida es un efecto) se llama variable dependiente. Si queremos
averiguar cmo se produce la modificacin en nuestras sensaciones visuales
con la modificacin de la luz, la luz sera la variable que tiene que manipular el
investigador (es decir, la variable independiente) y la sensacin luminosa del
sujeto, la variable dependiente.

4.5

Variable dependiente

La variable dependiente; es aquella caracterstica, propiedad o cualidad de

una realidad o evento que estamos investigando. Es el objeto de estudio, sobre
la cual se centra la investigacin en general. Tambin la variable independiente
es manipulada por el investigador, porque el investigador l puede variar los
factores para determinar el comportamiento de la variable.
Por ejemplo: Los nios que hacen tres aos de educacin preescolar,
aprenden a leer ms rpido en primer grado.
En este caso la variable dependiente sera aprenden a leer mas rpido, pero
aprenden a leer ms rpido como consecuencia de que hacen tres ao de
educacin preescolar. Por esta razn se recomienda que en el ttulo de un
trabajo siempre debe aparecer la variable dependiente, pues est es el objeto
de estudio.
PUNTO DE INTERCECCION
Cuando dos o ms lneas se cortan en un punto, este punto es llamado PUNTO
DE INTERSECCIN. En la geometra hay muchos puntos de interseccin
notables, tales como el ortocentro, baricentro, incentro, circuncentro que
estudiaremos en el tema de tringulos.

4.11 Intervalos de confianza

En el contexto de estimar un parmetro poblacional, un intervalo de confianza
es un rango de valores (calculado en una muestra) en el cual se encuentra el
verdadero valor del parmetro, con una probabilidad determinada.
La probabilidad de que el verdadero valor del parmetro se encuentre en el
intervalo construido se denomina nivel de confianza, y se denota 1- . La
probabilidad de equivocarnos se llama nivel de significancia y se simboliza .
Generalmente se construyen intervalos con confianza 1- =95% (o significancia
=5%). Menos frecuentes son los intervalos con

=10% o

=1%.

Para construir un intervalo de confianza, se puede comprobar que la

distribucin Normal Estndar cumple 1:
P(-1.96 < z < 1.96) = 0.95
(Lo anterior se puede comprobar con una tabla de probabilidades o un
programa computacional que calcule probabilidades normales).
Luego, si una variable X tiene distribucin N( ,
veces se cumple:

), entonces el 95% de las

Despejando

en la ecuacin se tiene:

El resultado es un intervalo que incluye al

el 95% de las veces. Es decir, es un

intervalo de confianza al 95% para la media

cuando la variable X es normal y

es conocido.

4.12 Intervalo de prediccin

Un intervalo de prediccin es un intervalo elaborado con una serie de datos de
las muestras de modo que contenga observaciones futuras. Tenga en cuenta
que ste es un problema diferente a la elaboracin de un intervalo para el
promedio con cierto grado de confianza, como se muestra en la Parte 1 de esta
serie de artculos. Supongamos que una futura muestra se toma en las mismas
condiciones y de la misma poblacin o proceso que la muestra original y que la
muestra era aleatoria o que el proceso estaba en condiciones de control
estadstico. Hay muchas variaciones sobre este tema, pero todas tienen que
ver con el problema esencial de lo que pasar en el futuro y con qu frecuencia
suceder la esencia de la estadstica. Podemos tener intervalos de prediccin
para los datos de las variables, o para datos del tipo de atributo; podemos
basar ms la prediccin en un modelo paramtrico, como la distribucin normal
o usar mtodos no paramtricos. Ambos son tiles en la prctica. Tambin
podemos pone condiciones sobre la prediccin futura. Por ejemplo, tal vez
queramos que el intervalo tenga como mnimo 4 de las siguientes 5, o que
tenga el promedio de la prxima muestra de 10. En este artculo, exploramos el
uso comn de los intervalos de prediccin cuando la distribucin normal sea
pertinente.
Supongamos que tenemos una muestra aleatoria de n observacionesX1, X2, ..,
Xn y sabemos que los datos provienen de una distribucin normal, pero no
sabemos el promedio ni la distribucin estndar de la distribucin. Una nica
observacin futura sera Xn+1 y su error de prediccin seraXn+1 - . La varianza
de este error de prediccin puede resultar ser:

Que se calcula por

(1)

Queremos un intervalo de prediccin para la prxima nica observacin de esta

distribucin normal. Para nuestros fines, la frmula es:

(2)
Podr encontrar los detalles de esta teora en la Referencia 1. El intervalo de
prediccin para la futura observacin X n+1 ser siempre ms amplio que un
intervalo de confianza para el promedio debido a la mayor variabilidad del
error de prediccin para una nica observacin en comparacin con el error del
clculo del promedio. El trmino bajo el signo de raz cuadrada aparece porque
estamos teniendo en cuenta la variabilidad en el promedio de la muestra (s/
) como tambin la variabilidad del nico valor futuro (s). El valor det/2 es un
nmero positivo tomado de la distribucin t de Student usando n - 1 grados de
libertad de tal manera que d P(-t/2 t t/2) = 1 - . Cuando se sustituyen los
nmeros reales en la Ecuacin 2, decimos que el intervalo de prediccin
obtenido tiene una confianza relacionada C = 1 - de contener la siguiente
observacin.
Recordemos las n = 22 pruebas de adhesin ante tensin hechas en U-700
muestras de aleaciones. En la Parte 1, encontramos

= 13.71 y s = 3.55 por

lo tanto el 95% de intervalo de confianza para era 12,14 15,28. Si

aplicamos la frmula para este ejemplo y usamos una confianza del 95%, el
valor de t con 21 grados de libertad es t = 2,080 y el intervalo de prediccin
para la siguiente observacin,X23', puede determinarse de la siguiente manera.

Note la diferencia en la amplitud del intervalo de prediccin en comparacin

con el intervalo de confianza. La Ecuacin 2 es til para situaciones en las que
podemos tener pequeos grupos de datos, y los datos son escasos, como, por
ejemplo, cuando podemos obtener un valor de tan poca frecuencia como uno
en una semana. Cuando la desviacin estndar,, se conoce, sustituimos por
s en la Ecuacin 2 y reemplazamos t/2 por el cuantil normal estndar Z/2.
Supongamos que queremos que el intervalo contenga las siguientes k
observaciones. Slo tenemos que modificar t en la Ecuacin 2. El intervalo para
ms de un valor futuro debe necesariamente ser mayor que el intervalo para
un valor futuro porque estamos tratando de captar valores mltiples en el
mismo nivel de confianza total. Hay una manera exacta de sacar el valor t
modificado, pero la mayora de los usuarios usan el valor t corregido de
Bonferroni. En el caso de una confianza especificada C = 1 - , el valor t se
modifica como t/(2k). Por ejemplo, con una confianza del 95% y 21 grados de
libertad

(en

nuestro

ejemplo),

un

intervalo

para

las

siguientes

cinco

observaciones sera t0,005 (o sea, /(2k) = 0,05/(10) = 0,005). Este valor resulta
ser 2,831. Si usamos este valor en la Ecuacin 2, el intervalo estara entre 3,43
y 23,99 y luego contendra las siguientes cinco observaciones con una
confianza

del

95%.

Podemos

hacer

esto

con

cualquier

cantidad

de

observaciones futuras. En caso de que nos interese un intervalo de prediccin

unilateral, el valor t se cambia a t/k (omitiendo el 2 en el subndice) por k, la
cantidad de valores futuros que el intervalo contendr. Ahora supongamos que
queremos un intervalo unilateral para las siguientes cinco observaciones a una
confianza del 95% y que el intervalo va a estar delimitado en el lado elevado.
Aqu = 0,05, entonces usamos t0,05/5 = t0,01 en la frmula (2). En el caso de 21
grados de libertad, t0,01 = 2,518. Como queremos un lmite mximo, usamos la
forma + de la Ecuacin 2, que da 22,85 como lmite mximo. Formalmente,
el intervalo unilateral es (-, 22,85] con una confianza del 95% de contener las
siguientes cinco observaciones. Hay muchas variaciones sobre este tema
cuando la distribucin normal es pertinente.

4.13 Error de estimacin

En inferencia estadstica se llama estimacin al conjunto de tcnicas que

permiten dar un valor aproximado de un parmetro de una poblacin a partir
de los datos proporcionados por una muestra. Por ejemplo, una estimacin de
la media de una determinada caracterstica de una poblacin de tamao N
podra ser la media de esa misma caracterstica para una muestra de tamao
n.[

4.14 Coeficiente de correlacin

En estadstica, el coeficiente de correlacin de Pearson es una medida de la
relacin lineal entre dos variables aleatorias cuantitativas. A diferencia de la
covarianza, la correlacin de Pearson es independiente de la escala de medida
de las variables.
De manera menos formal, podemos definir el coeficiente de correlacin de
Pearson como un ndice que puede utilizarse para medir el grado de relacin de
dos variables siempre y cuando ambas sean cuantitativas.
En el caso de que se est estudiando dos variables aleatorias x e y sobre una
poblacin estadstica; el coeficiente de correlacin de Pearson se simboliza con
la letra

, siendo la expresin que nos permite calcularlo:

Dnde:

es la covarianza de

es la desviacin tpica de la variable

es la desviacin tpica de la variable

De manera anloga podemos calcular este coeficiente sobre un estadstico

muestral, denotado como

a:

4.15 Tipos de correlacin

La correlacin puede clasificarse en dos tipos dependiendo de la cantidad de
variables analizadas y por el tipo de relacin lineal, en el primer caso estamos
haciendo referencia a:
1. Correlacin simple: se estudia la dependencia nicamente entre
dos variables
2. Correlacin mltiple: se estudia la dependencia entre ms de 2
variables
3. Correlacin parcial: cuando se incluye la influencia de variables
exgenas no consideradas en el clculo de los coeficientes.
Dependiendo del tipo de relacin lineal el coeficiente relaciona:
1. Relacin directa entre las variables: un aumento en la variable
independiente implica un aumento en la variable dependiente.
2. Relacin inversa entre las variables: un aumento en la variable
independiente

implica

una

disminucin

en

la

variable

dependiente.
A partir de ello la ecuacin puede mejorar su correlacin si se hace pruebas
para determinar si se ajusta ms a una recta, una curva exponencial o
parablica.

SEMANAS DE
ESTUDIO

TEMAS

UNIDAD V : Series de Tiempo

CONTENIDOS

ESTRATE
APREND

5.1Series de Tiempo

Componentes de
las series de
tiempo

Anlisis de
Tendencias
30 de Julio al 20
de Agosto

Variacin de
Estndar
Variacin de
Cclica
Variacin Irregular

5.2 Representacin de una Serie

Temporal
5.3 Tendencia
5.4 Variaciones Estacionales
5.5 Variaciones Cclicas

5.6 Variaciones Residuales

5.7 Mtodo Grafico

5.8 Mtodo de las medias mviles
5.9 Condicin de Estacionalidad
5.10 Construccin de modelos
estacionales
5.11 Naturaleza de los Ciclos
5.12 Medicin de los Ciclos
5.13 Variacin Irregular

Mapas
concept
Parafras
Resumir
Crear A
Respond
pregunt
Tutoras

5.1

Series de Tiempo

Una serie temporal o cronolgica es un conjunto e observaciones de una

variable, ordenadas segn transcurre el tiempo.
En una serie de tiempo las observaciones no se deben ordenar de mayor a
menor debido a que se perdera el grueso de la informacin debido a que nos
interesa detectar como se mueve la variable en el tiempo es muy importante
respetar la secuencia temporal de las observaciones.

5.2

Representacin de una Serie Temporal

Par realizar la representacin de una serie y temporal se debe realizar

mediante una grfica de dispersin x-y como se muestra en la fig.1

Fig.1. Representacin de una serie temporal

5.3

Tendencia

La tendencia es un movimiento de larga duracin que muestra la evolucin

general de la serie en el tiempo.
La tendencia es un movimiento que puede ser estacionario o ascendente, y su
recorrido, una lnea recta o una curva. Algunas de las posibles formas son las
que se muestran en la fig.2

Fig.2. Representacin de la tendencia

La tendencia es un movimiento que puede ser estacionario o ascendente o
descendente como se indica en la fig.3

Fig. 3 Tendencias ascendente, estacionaria y descendente

Tambin

son

posibles

algunas

formas

para

la

tendencia,

que

no

necesariamente tiene una distribucin de puntos en forma aproximadamente

lienal sino como las que se muestran en la fig. 4

Fig.4 Lneas de tendencia de otras posibles formas.

5.4

Variaciones estacionales.

Se habla de este tipo de variaciones usualmente cuando el comportamiento de

la variable en el tiempo en un periodo est relacionado con la poca o un
periodo particular, por lo general en el espacio cronolgico presente.

Fig. 5 Variaciones estacionales

5.5

Variaciones cclicas

Se llama as a las oscilaciones a lo largo de una tendencia con un periodo

superior al ao. El ciclo sugiere la idea de que este tipo de movimiento se
repite cada cierto periodo con caractersticas parecidas. Los ejemplos ms
frecuentes se encuentran en el campo de las variables econmicas, en estos
casos se deben principalmente a la alternancia de las etapas de prosperidad y
depresin en la actividad econmica.

5.6

Variaciones residuales

Cuando a parecen hechos imprevistos, repentinos que afecten las variables en

estudio acotando que no podemos prever nos hallamos frente a variaciones
residuales provocadas por factores externos aleatorios.
Por ejemplo un da lluvioso y frio durante el verano es difcil de predecir y
aunque perturbara ciertas actividades diarias como la venta de helados no
afectara en este caso significativamente la serie.
En la prctica es difcil distinguir la tendencia del comportamiento cclico. Por
ejemplo la grfica puede conducirnos a concluir que existe una tendencia
ascendente en la parte de 1980 a 1982, pero esto es una parte de la serie de
tiempo ms grande.

Fig., 6 Tendencias decrecientes, crecientes entre periodos de tiempo

5.7

Mtodo Grfico

Mediante este mtodo muy elemental se determina la tendencia a partir de

una representacin grfica de la serie. La aplicacin de este mtodo es como
sigue

Se representa grficamente la serie cronolgica

Se unen los extremos superiores de la serie, se hace los mismo con los
inferiores

Se obtiene dos lneas que encierran ala serie original

Uniendo los puntos medios de las distancias entre las dos delineas o
curvas se obtiene la tendencia. La lnea o curva de tendencia obtenida
tendr un trazad mucho ms suave que la serie original.

Fig. 7 Representacin tendencia estacionaria

5.8

Mtodo de las medias mviles

Para este mtodo se deben de considerar los siguientes pasos que se detallan

Observar con detenimiento la serie para determinar aproximadamente la

fluctuacin con periodo ms largo y llamamos q al nmero de
observaciones que forman una oscilacin compleja.

Se procede a calcular una serie de medias. La primera de ellas se calcula

partir de las primeras observaciones de la serie pero eliminado la
primera observacin y aadiendo al inmediato posterior. Se prosigue as
hasta calcular la media de la ltima q observaciones.

Cada una de las medias obtenidas en el paso anterior se asigna al

instante o momento central del periodo temporal que promedian.

Uniendo las medias se obtiene la tendencia.

5.9
Condicin de Estacionalidad
Corresponde a los movimientos en una serie de tiempo, que ocurren ao tras
ao en los mismos meses o perodos del ao poco ms o menos con la misma
intensidad. Tambin se aplica la variacin estacional a otros movimientos

peridicos por naturaleza, como los que ocurren en un da, una semana o un
mes, cuyo perodo es como mximo un ao.
Entre los factores ms importantes que originan variaciones estacionales, se
encuentran las condiciones climticas, las costumbres sociales y las fiestas
religiosas. Las climticas son la causa ms importante de las variaciones
estacionales en la produccin agrcola, la construccin y el turismo.

5.10

Variacin Irregular

Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que

afectan a la serie de tiempo. Como este componente explica la variabilidad
aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir su
impacto

sobre

la

serie

de

tiempo.

Existen dos tipos de variacin irregular:

a) Las variaciones que son provocadas por acontecimientos especiales,
fcilmente identificables, como las elecciones, inundaciones, huelgas,
terremotos.
b) Variaciones aleatorias o por casualidad, cuyas causas no se pueden
sealar en forma exacta, pero que tienden a equilibrarse a la larga.

EXPOSICIO
NES

TRABAJO
S EN
CLASES

GRUPO
1

TAMAO DE LA MUESTRA

Poblacin Finita
Muestreo de una Poblacin Finita
Poblacin Infinita
Muestreo de Poblacin Infinita
Media Muestral
Error de Muestreo
Ejercicios de Aplicacin
POBLACIONES FINITAS

En los problemas planteados en las distintas disciplinas se estudia el

comportamiento de una o ms variables sobre un conjunto de unidades. A este
conjunto de unidades lo denominamos

poblacin P.

Las unidades de la

poblacin pueden ser pacientes, hospitales, alumnos, mdicos, objetos, etc.

La variable es la caracterstica estudiada que puede tomar distintos valores de
unidad en unidad. Cuando hablamos de poblaciones finitas, por lo menos en
teora, podemos acceder a todos los individuos o elementos que la componen.
MUESTREO EN POBLACIONES FINITAS
El muestreo en poblaciones finitas o encuesta por muestreo consiste en la
seleccin de una parte de los elementos de una poblacin estadstica ( ), con
el objetivo de sacar conclusiones de dicha poblacin.
Estimacin de poblacin
Por lo tanto una poblacin es un conjunto de
numeran de 1 a

elementos, los cuales se

, por lo tanto:
, cada elemento

posee un valor

asociado a la

variable de inters .
El objetivo es estimar el total de la variable

, donde

o sea:

indica la suma en toda la poblacin ( )

o la media poblacional de dicha variable.

por lo tanto el estimador HT para la variable

es:

Donde

es el inverso de la probabilidad de inclusin del elemento

en la

muestra.

POBLACION INFINITA
Son aquellas de tamao desconocido.
El nmero de elementos que forman una poblacin es infinito, pero si una
poblacin es finita pero muy grande, desde un punto de vista estadstico da
igual considerarla infinita.
Como por ejemplo si se realizase un estudio sobre los productos de lnea
blanca q hay en el mercado. Hay tantos y de tantas calidades y prestaciones
que esta poblacin podra considerarse infinita.
Normalmente en un estudio estadstico no se puede trabajar con todos los
elementos de la poblacin sino que se realiza sobre un subconjunto de la
misma.
Este subconjunto puede ser una muestra, cuando se toman un determinado
nmero de elementos de la poblacin, sin que en principio tengan nada en
comn; o una subpoblacin, que es el subconjunto de la poblacin formado por
los elementos de la poblacin que comparten una determinada caracterstica.
La poblacin debe estar perfectamente definida en el tiempo y en el espacio,
de modo que ante la presencia de un potencial integrante de la misma, se
pueda decir si forma parte o no de la poblacin bajo estudio. Por lo tanto, al
definir una poblacin, se debe cuidar que el conjunto de elementos que la
integran quede perfectamente delimitado.

MUESTREO DE UNA POBLACION INFINITA

Ahora bien si la poblacin es infinita: diremos que:

Una muestra de tamao n de una poblacin infinita es aleatoria si consta de

valores

de

variables

aleatorias

independientes

que

tienen

la

misma

distribucin.
Por ejemplo si lanzamos un dado 12 veces y obtenemos 2, 5, 5, 3, 3, 3, 5, 1, 6,
1,4, 1. Estos nmeros constituyen una variable aleatoria si son valores
aleatoria independientes que tienen la misma distribucin de probabilidad f(x)
= 1/6 para x= 1, 2, 3, 4, 5, 6

LA MEDIA MUESTRAL DE LA POBLACION FINITA E INFINITA

El estudio de determinadas caractersticas de una poblacin se efecta a
travs de diversas muestras que pueden extraerse de ella.
El muestreo puede hacerse con o sin reposicin, y la poblacin de partida
puede ser infinita o finita. Una poblacin finita en la que se efecta muestreo
con reposicin puede considerarse infinita tericamente. Tambin, a efectos
prcticos, una poblacin muy grande puede considerarse como infinita. En todo
nuestro estudio vamos a limitarnos a una poblacin de partida infinita o a
muestreo con reposicin.
Poblaciones finitas.-Se conoce el tamao de la poblacin de donde se obtendr
la muestra a estudiar; la poblacin es representada por la letra N
Consideremos todas las posibles muestras de tamao n en una poblacin. Para
cada muestra podemos calcular un estadstico (media, desviacin tpica,
proporcin,...) que variar de una a otra. As obtenemos una distribucin del
estadstico que se llama distribucin muestral.

TIPOS DE ERROR
Nunca sabremos, ciertamente, cul es el verdadero valor de cualquier
parmetro poblacional. Una fuente posible de error procede del hecho de que
no observamos toda la poblacin, y le llamamos error de muestreo, de azar o
de estimacin. Este tipo de error es inevitable, ya que siempre habr diferencia

entre los valores medios de la muestra y los valores medios de la poblacin. La

magnitud de este error depende del tamao de la muestra (a mayor tamao de
muestra menor error) y de la dispersin o desviacin estndar del estimador (a
mayor dispersin mayor error).La Estadstica estudia de qu forma se puede
tratar ese tipo de error o, al menos, cmo se puede incorporar en el proceso de
inferencia (intervalos de confianza, nivel de significacin, etc.). Sin embargo,
hay otras posibles fuentes de error que no pueden ser tratadas de la misma
forma. Los llamaremos errores ajenos al muestreo y algunos de ellos son:
Definicin incorrecta de la poblacin de referencia.
Respuestas imprecisas o falsas. Normalmente proceden de falta de claridad
en el cuestionario y de la formulacin de preguntas delicadas para el
entrevistado.
Falta de respuesta. Este hecho puede producir estimaciones sesgadas, ya que
los que respondieron pueden no representar fielmente a la poblacin. Por eso,
en este caso, conviene analizar las caractersticas de los que no lo hicieron
(posible sesgo) y compararlas con los que s lo hicieron, para ver si son
homogneos o no ambos grupos.
Sesgo en la seleccin de los elementos de la muestra. Por ejemplo, cambio
de un vecino por otro ausente, desatendiendo el proceso de muestreo
estipulado.
Errores de manipulacin, tabulacin y clculo.
No existe un procedimiento general para evitar y analizar tales errores. Pero el
investigador debe tenerlos muy presentes para tratar de minimizarlos. Es
preciso recabar toda la informacin disponible. Puede hacerse una encuesta
previa para detectar posibles fallos.
MUESTREO A PARTIR DE UNA POBLACION FINITA E INFINITA
Cuando una poblacin infinita o muy grande se somete a una investigacin
puede resultar imposible o inconveniente realizarla sobre todos los elementos
que la forman, entonces se estudia slo una parte de la poblacin que se llama
muestra.
La muestra debe estar bien elegida para que los resultados que de ella se
obtengan puedan aplicarse al total de la poblacin. El tamao de la muestra

debe ser proporcionado al tamao de la poblacin y adems ha de ser

representativa.
Una buena muestra se puede obtener mediante los mtodos del muestreo.

EJEMPLO DE CLCULO DEL TAMAO DE LA MUESTRA:

De una poblacin de 1 176 adolescentes, de la ciudad de Pachuca de Soto, se
pretende conocer la aceptacin de los programas humorsticos televisivos. Se
desea tomar una muestra para saber la cantidad de adolescentes a entrevistar
y con ello tener una informacin adecuada, con un error standard de 1.5% al
90% de confiabilidad.

n=

n'
n'
1+
N

Datos:
n = 1 176
se = 1.5 % = 0.015
p = 90 % = 0.9
s2 = p (1-p) = 0.9 (1 0.9) = 0.09

GRUPO
2

2 = (se)2 = (0.015)2 = 0.000225

'

n=

n=

s2
0.09
=
=400
2
0.000225

n'
400
=
=298
n'
400
1+
1+
N
1176

GRUPO
3

ESTIMADOR PUNTUAL
Consiste en la estimacin del valor del parmetro mediante un slo valor,
obtenido de una frmula determinada. Por ejemplo, si se pretende estimar la
talla media de un determinado grupo de individuos, puede extraerse una
muestra y ofrecer como estimacin puntual la talla media de los individuos, lo
ms importante de un estimador, es que sea un estimador eficiente, es decir,

que sea insesgado(ausencia de sesgos) y estable en el muestreo o eficiente

(varianza mnima).
ESTIMACIN POR INTERVALOS
Consiste en la obtencin de un intervalo dentro del cual estar el valor del
parmetro estimado con una cierta probabilidad.
En la estimacin por intervalos se usan los siguientes conceptos:
INTERVALO DE CONFIANZA
VARIABILIDAD DEL PARMETRO
LMITE DE CONFIANZA
ESTIMADOR
Definicin
La estimacin es el proceso por el que se averigua el valor de un parmetro de
la poblacin a partir de los estadsticos obtenidos de la muestra
TIPOS

ESTIMACION PUNTUAL: La estimacin se representa mediante un solo

nmero.

ESTIMACION POR INTERVALO: La estimacin se representa mediante

dos nmeros que determinan un intervalo sobra la recta.
PROPIEDADES

1) SESGO. Se dice que un estimador es insesgado si la Media de la

distribucin del estimador es igual al parmetro.
Estimadores insesgados son la Media muestral y la varianza.
2) CONSISTENCIA. Un estimador es consistente si aproxima el valor del
parmetro cuanto mayor es n (tamao de la muestra).
3) EFICIENCIA. La eficiencia de un estimador se mide por la varianza de su
distribucin muestral. Un estimador es ms eficiente que otro si la Varianza de
la distribucin muestral es menor a la del otro estimador. Cuanto menor es la
eficiencia, menor es la confianza de que el estadstico obtenido en la muestra
aproxime al parmetro poblacional.

4) EXACTITUD: Es la combinacin de sesgo y varianza (cuanto menos sesgo y

varianza posea ms exacto ser).
5) ROBUSTEZ: Es la calidad de resistencia en la eficiencia al cambiar el
modelo de la distribucin.
ESTIMACION DE LA MEDIA
Para estimar la media poblacional por medio de intervalos de confianza, ser
necesario recordar que el Teorema Central del Lmite nos daba informacin de
cmo se hallaban distribuidas las medias muestrales: "normalmente" con una
media igual a la de la poblacin original m (que es la que ahora tratamos de
conocer) y desviacin tpica.

ESTIMACION DE PROPORCIONES
Como recordars, la distribucin binomial B(n,p), nos permite conocer cmo se
distribuye el nmero de xitos, correspondiente a un experimento realizado n
veces, y en el que la probabilidad de xito en cada experimento es p. Dicha
distribucin tiene media y desviacin tpica:

MTODO DE MXIMA VEROSIMILITUD

La estimacin por mxima verosimilitud (conocida tambin como EMV y MLE

por sus siglas en ingls) es un mtodo habitual para ajustar un modelo y
encontrar sus parmetros.
Fue recomendado, analizado y popularizado por R. A. Fisher entre 1912 y 1922,
aunque haba sido utilizado antes por Gauss, Laplace, Thiele y F. Y. Edgeworth
Se utiliza por ejemplo para estimar los coeficientes de un modelo logstico de
regresin, en el que se calcula la probabilidad de que ocurra un determinado
suceso mediante la siguiente ecuacin:

Donde p es la probabilidad de que ocurra el suceso de inters y xi son los

posibles factores (factores de riesgo) que se piensa que estn relacionados con
la probabilidad de que el suceso se produzca.
Este mtodo estima 0 buscando el valor de que maximiza. Este es el
llamado estimador de mxima verosimilitud (MLE) de 0:

En ocasiones este estimador es una funcin explcita de los datos observados

x1, , xn, pero muchas veces hay que recurrir a optimizaciones numricas.
Tambin puede ocurrir que el mximo no sea nico o no exista.
PROPIEDADES DEL ESTIMADOR DE MXIMA VEROSIMILITUD
En muchos casos, el estimador obtenido por mxima verosimilitud posee un
conjunto de propiedades asintticas atractivas:

Consistencia

Normalidad Asinttica

Eficiencia
EJEMPLO DE UNA DISTRIBUCIN DE PROBABILIDAD BINOMIAL
APLICANDO EL PRINCIPIO DE MXIMA VEROSIMILITUD

 Se desea estimar la prevalencia en Espaa de personas de ms de 50

aos con cifras de tensin igual o superior a 160/100 mmHg. Vamos a
llamar a esa prevalencia p y si se calcula en tanto por 1 ser 0< p <1.
En este ejemplo es razonable suponer que la variable aleatoria X,
nmero de sujetos con cifras altas de tensin, que observaremos en
nuestro estudio siga una distribucin de probabilidad binomial, cuya
frmula es la siguiente:

Donde CX,N es el nmero combinatorio que se calcula como N!/X!(N-X)!

INTERVALOS Y NIVELES DE CONFIANZA

INTERVALO
Un intervalo (del latn intervallum)

es

un conjunto comprendido

entre

dos

valores. Especficamente, un intervalo real es un subconjunto conexo de

la recta real, es decir, una porcin de recta entre dos valores dados.
En Estadstica, se llama a un par o varios pares de nmeros entre los cuales se
estima que estar cierto valor desconocido con una determinada probabilidad
de acierto. Formalmente, estos nmeros determinan un intervalo.
CLASIFICACIN
Se

pueden

clasificar

los

intervalos

segn

sus

caractersticas TOPOLGICAS (intervalos abiertos, cerrados, semiabiertos) o

segn sus caractersticas MTRICAS (longitud: nula, finita no nula, infinita).
NIVEL DE CONFIANZA
El nivel de confianza es la probabilidad de que el parmetro a estimar se
encuentre en el intervalo de confianza.
El nivel de confianza y la amplitud del intervalo varan conjuntamente, de
forma que un intervalo ms amplio tendr ms posibilidades de acierto (mayor
nivel de confianza), mientras que para un intervalo ms pequeo, que ofrece
una estimacin ms precisa, aumentan sus posibilidades de error.
ELECCIN CORRECTA DEL TAMAO DE LA MUESTRA
La eleccin del tamao de una muestra apropiada es una pregunta frecuente al
disear un estudio estadstico.
Cuntos objetos deben tomarse en la muestra?
Si la muestra es demasiado grande, se desperdicia dinero al obtener los datos,
si la muestra es demasiado pequea, la conclusin obtenida ser insegura.
El tamao de una muestra es el nmero de individuos que contiene.
Una frmula muy extendida que orienta sobre el clculo del tamao de la
muestra para datos globales es la siguiente:

N: es el tamao de la poblacin o universo (nmero total de posibles

encuestados).
K: es una constante que depende del nivel de confianza que asignemos. El
nivel de confianza indica la probabilidad de que los resultados de nuestra
investigacin sean ciertos: un 95,5 % de confianza es lo mismo que decir que
nos podemos equivocar con una probabilidad del 4,5%. Los valores de k se
obtienen de la tabla de la distribucin normal estndar N (0,1).
Los valores de k ms utilizados y sus niveles de confianza son:
Valor de

1,15

1,28

1,44

1,65

1,96

2,24

2,58

k
Nivel de

75%

80%

85%

90%

95%

97,5%

99%

confianz
a
(Por tanto si pretendemos obtener un nivel de confianza del 95% necesitamos
poner en la frmula k=1,96) e: es el error muestral deseado, en tanto por uno.
El error muestral es la diferencia que puede haber entre el resultado que
obtenemos preguntando a una muestra de la poblacin y el que obtendramos
si preguntramos al total de ella.
EJEMPLOS:
Ejemplo 1: si los resultados de una encuesta dicen que 100 personas
compraran un producto y tenemos un error muestral del 5% comprarn
entre 95 y 105 personas.

Ejemplo 2: si hacemos una encuesta de satisfaccin a los empleados

con un error muestral del 3% y el 60% de los encuestados se muestran
satisfechos significa que entre el 57% y el 63% (60% +/- 3%) del total de
los empleados de la empresa lo estarn.

Ejemplo 3: si los resultados de una encuesta electoral indicaran que un

partido iba a obtener el 55% de los votos y el error estimado fuera del
3%, se estima que el porcentaje real de votos estar en el intervalo 5258% (55% +/- 3%).

p: proporcin de individuos que poseen en la poblacin la caracterstica de

estudio. Este dato es generalmente desconocido y se suele suponer que
p=q=0.5 que es la opcin ms segura.
q: proporcin de individuos que no poseen esa caracterstica, es decir, es 1-p.
n: tamao de la muestra (nmero de encuestas que vamos a hacer).
Altos niveles de confianza y bajo margen de error no significan que la encuesta
sea de mayor confianza o est ms libre de error necesariamente; antes es
preciso minimizar la principal fuente de error que tiene lugar en la recogida de
datos.
INTERVALOS DE CONFIANZA
En el contexto de estimar un parmetro poblacional, un intervalo de confianza
es un rango de valores (calculados en una muestra) en el cual se encuentra el
verdadero valor del parmetro con la probabilidad determinada.
INTERVALO de confianza para la media muestral
De una poblacin de media y desviacin tpica se pueden tomar muestras de
elementos. Cada una de estas muestras tiene a su vez una media (x). Se puede
demostrar que la media de todas las medias mustrales coincide con la media
poblacional:
INTERVALO DE CONFIANZA DE LA MEDIA POBLACIONAL
El objetivo de este apartado es conseguir una estimacin de la media
(desconocida) de una poblacin, cuya desviacin tpica es conocida.
VARIANZA
En teora de probabilidad, la varianza (que suele representarse como

) de

una variable aleatoria es una medida de dispersin definida como la esperanza

del cuadrado de la desviacin de dicha variable respecto a su media.
Est medida en unidades distintas de las de la variable. Por ejemplo, si la
variable mide una distancia en metros, la varianza se expresa en metros al

cuadrado. La desviacin estndar es la raz cuadrada de la varianza, es una

medida de dispersin alternativa expresada en las mismas unidades de los
datos de la variable objeto de estudio. La varianza tiene como valor mnimo 0.
Hay que tener en cuenta que la varianza puede verse muy influida por los
valores atpicos y no se aconseja su uso cuando las distribuciones de las
variables aleatorias tienen colas pesadas. En tales casos se recomienda el uso
de otras medidas de dispersin ms robustas.
El trmino varianza fue acuado por Ronald Fisher en un artculo de 1918
titulado The Correlation Between Relatives on the Supposition of Mendelian
Inheritance.

COVARIANZA
En probabilidad y estadstica, la covarianza es un valor que indica el grado de
variacin conjunta de dos variables aleatorias. Es el dato bsico para
determinar si existe una dependencia entre ambas variables y adems es el
dato necesario para estimar otros parmetros bsicos, como el coeficiente de
correlacin lineal o la recta de regresin
DISTRIBUCION NORMAL
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas.
Su propio nombre indica su extendida utilizacin, justificada por la frecuencia o
normalidad con la que ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para un
mismo valor de p y valores de n cada vez mayores, se ve que sus polgonos de
frecuencias

se

aproximan

una

curva

en

"forma

de

campana".

En resumen, la importancia de la distribucin normal se debe principalmente a

que hay muchas variables asociadas a fenmenos naturales que siguen el
modelo de la normal.

Caracteres morfolgicos de individuos (personas, animales, plantas,)

de una especie, p. ejm. Tallas, pesos, envergaduras, dimetros,
permetros

Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un

frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de

adaptacin a un medio

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos maestrales, por ejemplo: la media.

Otras

distribuciones

como

la

binomial

la

de

Poisson

son

aproximaciones normales
Y en general cualquier caracterstica que se obtenga como suma de muchos
factores.
EJERCICIO DE DISTRIBUCIN NORMAL
El 2% de los tornillos fabricados por una mquina presentan defectos. Si
tenemos un lote de 2000 tornillos, cul es la probabilidad de que haya menos
de 50 defectuosos?
SOLUCIN
1. Es una distribucin binomial, los tornillos slo pueden ser defectuosos o
no defectuosos
-Datos:
p= 0.02

q= 1-p = 0.98

n= 2000

=>B (n, p)

=>B (2000, 0.02)

2. La n es grande podemos hacer la aproximacin de la binomial a la

normal.
Comprobamos que:
n.p 5 => 2000(0.02) 40 y n.q 5 => 2000(0.98) => 1960

3. Calculamos la media y la desviacin tpica de la distribucin normal

Media: = n.p => = 2000(0.02)= 40
Desviacin tpica: =

n . p . q

=> =

2000(0.02)(0.98)

= 6.26

4. x es B (2000; 0.02) => correccin x es N (40; 6.26) => tipificamos z es

N(0.1)`
p(x < 50) = p (x 49.5) = p (z

49.540
) = p ( z 1.52) = 0.9357
6.26

DESVIACION ESTANDAR
La desviacin estndar (o desviacin tpica) es una medida de dispersin para
variables de razn (ratio o cociente) y de intervalo, de gran utilidad en la
estadstica descriptiva. Es una medida (cuadrtica) de lo que se apartan los
datos de su media, y por tanto, se mide en las mismas unidades que la
variable.
Para conocer con detalle un conjunto de datos, no basta con conocer las
medidas de tendencia central, sino que necesitamos conocer tambin la
desviacin que representan los datos en su distribucin, con objeto de tener
una visin de los mismos ms acorde con la realidad a la hora de describirlos e
interpretarlos para la toma de decisiones.