Escolar Documentos
Profissional Documentos
Cultura Documentos
Proyecto de Ingeniería
Autor:
Santiago, 2019
Índice general
1. Estadística Descriptiva 4
1.1. Conceptos Estadísticos . . . . . . . . . . . . . . . . . . . . 4
1.4. Grácos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1
ÍNDICE GENERAL
2.11. Ejercicio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Normales) . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4. Regresión Lineal 57
4.1. Análisis de Correlación . . . . . . . . . . . . . . . . . . . . 58
4.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6. ¾ Tesis o Informe ? 91
6.1. Informe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2. Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Estadística Descriptiva
2. Muestra
3. Parámetro.
4. Estadígrafo o Estadístico.
5. Variable.
4
1. Estadística Descriptiva
b) Variables Cualitativos.
Intervalos de Clase
k = 1 + 3, 322 ∗ log(n)
rango
c=
k
6) Se construye la tabla:
150, 165, 165, 166, 171, 171, 175, 176, 180, 180, 180, 180, 181, 181, 190
Intervalos de Clase
Total 15 1
Interpretación ???
j cj nj fj fj % fj % Fj %
. . . . . . .
. . . . . . .
. . . . . . .
k ck nk fk fk % fk % Fk %
total n 1 100 %
total n = 40 1 100 %
Interpretación ???
1. Parámetro Centralización
a ) Moda :
formula.
n(i) − n(i−1)
M o = LInf + C ∗ (1.1)
(n(i) − n(i−1) ) + (n(i) − n(i+1) )
Intervalos de Clase
[LInf − LSup [ mi ni Ni fi Fi fp % Fp %
Total 15 1
7−4
M o = 180 + 10 ∗
(7 − 4) + (7 − 0)
3
M o = 180 + 10 ∗
10
M o = 180 + 3 = 183
b ) Mediana
1) Datos Sueltos
X n + 1 , n par
2
Me = (1.2)
X n + X n +1 , n impar
2 2
2) Datos Tabulados
n −N !
2 (i−1)
M e = LInf + C ∗ (1.3)
n(i)
cuencia.
[LInf − LSup [ mi ni Ni
Total 15
Como
n = 7, 5 ≈ 8, en la columna Ni , el tercer intervalo
2
que se encuentra el 8, El calculo de la media sería:
15 − 4 !
M e = 170 + 10 ∗ 2
4
M e = 170 + 10 ∗ (0, 875)
M e = 178, 75
Por lo tanto, la estatura media sería 178,75 cm
1) Datos Sueltos:
n
P
xi
i=1
X= (1.4)
n
Resumen Practico - Teórico 10 William Canales Verdugo
1. Estadística Descriptiva
2) Datos Tabulados:
k
P
mi ∗ ni
i=1
X= (1.5)
n
Si k número de intervalos.
2. Parámetro Dispersión
a) Varianza
1) Datos Sueltos
0
a Varianza Poblacional
n n
(xi − x)2 x2i
P P
i=1 i=1
σ2 = = − x2 (1.6)
n n
0
b Varianza Muestral
n n
(xi − x)2 x2i − nx2
P P
i=1 i=1
S2 = = (1.7)
n−1 n−1
2) Datos Tabulados
0
a Varianza Poblacional
k
(mi − X)2 ∗ ni
P
i=1
σ2 = (1.8)
n
con k número de intervalos
0
b Varianza Muestral
k
(mi − X)2 ∗ ni
P " k #
i=1 1 X 2
S2 = = m2 ∗ ni − n ∗ X
n−1 n − 1 i=1 i
(1.9)
b) Desviación estándar :
Se dene como la raíz de la Varianza.
√ √
S= S2 ∨ σ= σ2
ésta:
v
u n
uP
√ u (xi − x)2
S = S 2 = i=1
t
n−1
Si los datos están agrupados:
v
u k
u (mi − x)2 ∗ ni
uP
√ t i=1
S= S2 =
n−1
c) Coeciente de variación (C.V.)
S
C.V. = ∗ 100 (1.10)
X
M enor 30 %, Homogéneo
30 % < C.V. < 50 %, Tiende Homog.
C.V = (1.11)
M ayor 50 % Heterogéneo
3. Percentil
α∗n −N !
100 i−1
Pα = Linf + C (1.12)
ni
4. Quintil
cuencias, con α = 1, 2, . . ..
(son 4)
α∗n −N !
5 i−1
Kα = Linf + C (1.13)
ni
5. Cuartil
cuencias, con α = 1, 2, . . .
α∗n −N !
4 i−1
Qα = Linf + C (1.14)
ni
1.4. Grácos
Importante:
Ejemplo:
ciudad son : 25, 25, 26, 24, 30, 25, 29, 28, 26, y 27 en miles de pesos.
caja.
b ) ¾ Cuál es la muestra?
Donde:
grácos).
agrupado y no agrupados?
Notas de Número de
Estadísticas Alumnos
0 - 4 8
4 - 5 n2
5 - 7 8
7 - 9 6
9 - 10 6
7?
a ) ¾ La deuda es homogénea?.
estado civil.
o
Gastos en publicidad N de empresas
en (MM$) (ni )
0 - 5 8
5 - 10 10
10 - 15 11
15 - 20 15
20 - 25 13
25 - 35 10
estudio.
0 - 5 8
5 - 10 10
10 - 15 11
15 - 20 15
20 - 25 13
25 - 35 10
y escala.
sas.
la distribución.
b ) Usted cree que solo basta con el grácos de cajas para anali-
12,3 minutos?
años 2014
PROBABILIDADES:
MODELOS DISCRETOS Y
CONTINUOS
2.1. Probabilidad
Sea:
no Casos Faborables #A
IP (A) = o = (2.1)
n Casos Totales #Ω
Propiedades:
1. P(A) ≥ 0, ∀A
2. P(Ω) = 1
21
2. PROBABILIDADES: MODELOS DISCRETOS Y CONTINUOS
3. P(∅) = 0
4. P(Ac ) = 1 − P(A), ∀A
6. Si A ≤ B =⇒ P(A) ≤ P(B)
10 4 1 13
P(A ∪ B) = P(A) + P(B) − P(A ∩ B) = + − =
40 40 40 40
10 12 3 19
P(A ∪ D) = P(A) + P(D) − P(A ∩ D) = + − =
40 40 40 40
10 1 0 11
P(A ∪ C) = P(A) + P(C) − P(A ∩ C) = + − =
40 40 40 40
lletas.
Ω = {(N, N, N ), (D, N, N ), (N, D, N ), (N, N, D), (N, D, D), (D, N, D), (D, D, N )(D, D, D)}
probabilidad es :
Propiedades
1. f (x) > 0
P
2. f (x) = 1
3. f (x) = IP (X = x)
Observación
X
F (x) = IP (X ≤ x) = f (t) (2.2)
x≤t
ampolletas defectuosas
1 3 3 7
F (2) = IP (X ≤ 2) = IP (X = 0)+IP (X = 1)+IP (X = 2) = + + =
8 8 8 8
1. Esperanza de X
n
X
E(X) = µ = xi f (xi ) (2.3)
i=1
2. Varianza de X
n
X n
X
2 2
Var(X) = σ = (xi −µ) = x2i f (xi )−µ2 = E(x2i )−µ2 (2.4)
i=1 i=1
Entonces
a) E[K] = k
b) E[kH(X)] = kE[H(X)]
a) V ar(K) = 0
b) V ar(X + k) = V ar(X) = σ 2
c) V ar(Xk) = k2 V ar(X) = k2 σ 2
X ∼ Bi(n; p)
!
n
IP (X = a) = pa q n−a , a = 0, 1, 2, . . . , n (2.6)
a
√
E(X) = np, V ar(X) = npq, σ= npq (2.7)
Solución :
X ∼ P(λ)
λa e−λ
IP (X = a) = , a = 0, 1, · · · (2.8)
a!
Resumen Practico - Teórico 27 William Canales Verdugo
2. PROBABILIDADES: MODELOS DISCRETOS Y CONTINUOS
una tasa de 4 por minuto. Suponiendo que este proceso de llegada ocurre
IP (X = 0) = 0, 999100 = 0, 9048
ño.
son respectivamente:
IP (X = 0) = 0, 10 e−0,1 = 0, 9048
y
0, 11 e−0,1
IP (X = 1) = = 0, 0905
1!
X ∼ N (µ, σ 2 )
x−µ
2
−1
1 σ
f (x) = √ e 2
σ 2π
E(X) = µ y V ar(x) = σ 2
mal.
Propiedades
1. IP (X > a) = 1 − IP (X ≤ a)
3. IP (a ≤ X ≤ b) = IP (X ≤ b) − IP (X ≤ a)
X −µ
Z= (2.10)
σ
La función de distribución acumulada de esta variable Z, se representa
como:
Φ(Z) = IP (Z < z)
Por ejemplo,
1. Sea Z ∼ (0, 1)
a) P(Z ≤ 1, 23)
entre 64 y 76 Kg.
Solución
X ∼ N (70, 62 )
X −µ
Z=
σ
Por lo que se tiene:
64 − 70 76 − 70
P(64 ≤ X ≤ 76) = P ≤Z≤ = P(−1 ≤ Z ≤ 1) = P(Z ≤ 1)−P(Z ≤ −1)
6 6
de las solicitudes que llegan en una semana, son rechazadas por falta de
Solución :
IP (X < 3) = P I(X = 0) + IP (X = 1) + IP (X = 2)
Supongamos que clientes llegan a una cola de espera a una tasa de 4 por
Solución:
X ∼ N (µ = 500 ; σ 2 = 52 )
Interpretación
Interpretación ?????
2.11. Ejercicio
Concepto de Inferencia
Estadística
37
3. Concepto de Inferencia Estadística
S S
I.C. (µ) X − t(1− α ,n−1) √ ; X + t(1− α ,n−1) √ (3.2)
2 n 2 n
Caso c) I. C. para Proporciones.
" r r #
p̂(1 − p̂) p̂(1 − p̂)
I.C.(p̂) p̂ − Z1−α/2 p̂ + Z1−α/2 (3.3)
n n
con
n
P
xi
pq i=1
p̂ ∼ N (p, ) y p̂ =
n n
Ejemplo 3.2.1. Los datos que a continuación se dan los pesos en
506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506,
proceso.
Solución:
llenado es:
5 5
I.C. para (µ) = 503,75 − 1,96 √ ; 503,75 + 1,96 √ ≈ [501,69 ; 505,81]
16 16
Interpretación ?????
Ejemplo 3.2.2. Los datos que a continuación se dan, son los pesos
506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502,
Solución:
esta debe ser calculada lo que implica que S = 6, 20, por lo que
Interpretación ?????
Solución:
Dada una persona cualquiera (i) de la población, el resultado de su
Xi ∼ Bin(n, p)
estimación puntual de p:
35
p̂ = = 0, 35 =⇒ q̂ = 0, 65
100
El intervalo de conanza buscado es:
0, 35 ± 0, 0935
S2
µ = X ∓ T(1−α/2,n−1) √
n
| {z }
precisión ε
2
Z1−α/2
n≥ 2 S2 (3.4)
ε
Ejemplo 3.3.1. Un estudiante de administración pública desea de-
muestra?
Solución:
muestra requerido.
2
Z1−α/2 1,962
n≥ S2 = 10002 = 384,16
ε2 1002
El valor calculado se redondea hacia arriba quedando 385. Por lo
cual se requiere una muestra de 385 para cumplir con las especi-
caciones
2
Z1−α/2 p̂q̂
n= (3.5)
ε2
Ejemplo 3.3.2. Se quiere estimar el resultado de un referendum
del 1.
Solución:
Como no se tiene una idea previa del posible resultado del refe-
mediante:
2
Z1−α/2 p̂q̂
n= 2
ε
2
Z
n = 14 1−α/2
ε2
de esto se tiene:
2
Z 0,25 ∗ 2,172
n = 14 0,9852 = = 1177, 25
0,01 0,012
costoso.
x̄ −√µ0
H0 : µ = µ0 Zcal =
σ/ n
x̄ −√µ0
H0 : µ = µ0 tcal =
S/ n
p − p0
H0 : p = p0 Zcal = p
p0 q0 /n
cola derecha.)
izquierda).
bilateral)
derecha.)
izquierda).
bilateral)
3. Para proporciones.
izquierda).
bilateral)
toriamente: 0.9 , 10.4, 10.6, 9.6, 9.7, 9.9, 10.9, 11.1, 9.6, 10.2,
10.3, 9.6, 9.9, 11.2, 10.6, 9.8, 10.5, 10.1, 10.5, 9.7. Supóngase que
Solución:
Considérese la hipótesis nula:
H0 : µ = 10
contra la alternativa
H1 : µ > 10
x̄ − µ0 10,2 − 10
Zcal = √ = √ = 1,4907
σ/ n 0,6/ 20
hipótesis nula.
11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8,
efectivo?
contra la alternativa
H1 : µ > 11,5
El estadístico de contraste en este caso es:
x̄ − µ 12,47 − 11,5
tcal = √ = √ = 1,0178
s/ n 5,22/ 30
Como el contraste es unilateral, buscamos en las tablas de la t de Stu-
dent, con 29 grados de libertad, el valor que deja por debajo de sí una
hipótesis nula.
yor medida en hombres que en mujeres. Para ello se elige una muestra
podemos concluir?
Solución:
Sea p la proporción de hombres que existen entre los enfermos. Que-
remos encontrar evidencia a favor (H1 ) de que p > 1/2, pero nuestra
una proporción:
p − p0 0,7 − 0,5
Zcal = p =p =4
p0 q0 /n 0,5 × 0,5/100
hipótesis nula fuese cierta, deberíamos esperar que el valor del estadístico
nos sirve para saber a que nos referimos por un valor demasiado grande
para Z.
3.6. Ejercicios
1. Un fabricante arma que el peso promedio de las latas de fruta en
pestaña base_2.
conanza del 95 %?
promedios diario?
de 13,3
pestaña base_2.
puesta para las ratas que no han sido inyectadas es de 1,2 segundos.
que el tiempo que los niños de tres a cinco años dedican a ver la
una nota media de 5,6. ¾Sirven estos datos para conrmar la hi-
conanza del 95 %?
17. Una empresa de neumáticos arma que una nueva gama en prome-
dio dura al menos 28.000 km. Las pruebas con 64 neumáticos dan
como resultados una duración media de 27.800 km, con una desvia-
pide:
b ) ¾ Cual es el p-valor?
6,1 - 6,5 - 5,1 - 6,0 - 5,9 - 5,2 - 5,8 - 5,3 - 6,2 - 5,9 - 6,3
signicación del 1 %?
b ) Calcule el p-valor
internet.
producto han dado los siguientes pesos netos en gramos: 280, 290,
[275,8 ; 289,8])
(Resp : 98 %)
22. Una encuestadora utilizó una m.a. de 600 electores que acaban de
(X 1 − X 2 ) − d0
H0 : µ1 − µ2 = d0 Tcal = r ∼ t(n1 +n2 −2)
(n1 − 1)S12 + (n2 − 1)S22 1
1
n1 + n2 − 2 n1 + n2
Regresión Lineal
57
4. Regresión Lineal
cov(x, y)
ρ= , −1 < ρ < 1 (4.2)
σx σy
P P P
xy − x y n
rxy =p P P p P P (4.3)
x x2 − ( x)2 y y 2 − ( y)2
modelo.
y i = β 0 + β 1 xi + εi (4.4)
Donde:
de x.
V entast = β0 + β1 ∗ P ublicidadt + εt
La relación lineal entre las ventas (y) y los gastos en publicidad (x)
ción del ingreso (x1 ), los activos nancieros de la familia (x2 ) y del tamaño
de la familia (x3 ).
P P P P
(xi − x̄)(yi − ȳ) xi yi − ȳ xi xi yi − nxy
βb1 = 2 = P 2 = P 2 (4.8)
xi − nx̄2
P P
(xi − x̄) xi − x̄ xi
Ejemplo 4.3.1. Se seleccionó a 7 alumnas de la carrera de psicología
del 2013, quienes nos dieron sus datos de estatura (en cm) y de peso (en
una sola recta que pase por todos los puntos, por lo tanto, debemos hallar
Interpretación
X X X
(yi − ȳ)2 = y − ȳ)2 +
(b (yi − yb)2 (4.9)
donde:
X
S.C.T. = (yi − ȳ)2 (4.10)
X
S.C.E. = (yi − yb)2 (4.11)
X
S.C.R. = yi − ȳ)2
(b (4.12)
no explicada.
yi − ȳ)2
P
S.C.R.
2 (b S.C.E.
R = =P ¯ 2
=1− (4.15)
S.C.T. (yi − (y)) S.C.T.
Observación 4.4.1.
1. 0 ≤ R2 ≤ 1
tiva x e y.
4. SCR = R2 ∗ SCT
S.C.E.
2
Rajus =1− −k−1
n (4.16)
S.C.T.
n−1
Donde k = número de variables independientes que incluye el modelo
Bondad de ajuste
Nos indica el porcentaje de las variaciones que no se explican por el
de los residuos.
S.C.E. S.C.R.
Bon_Ajus = =1− = 1 − R2 (4.17)
S.C.T. S.C.T.
yi = βb0 + βb1 xi + εi
distribuida con:
• IE(ε) = 0.
Por lo tanto:
εi ∼ N (0, σ 2 ) (4.18)
σ2
βb1 ∼ N β1 ; P (4.19)
(xi − x̄)2
n o
R.C. = tcal < t(n−2; α2 ) ∨ tcal > t(n−2;1− α2 ) (4.21)
βb1 − β1
tcal = r (4.22)
2
P σε
(xi − x̄)2
yi − ybi
σε2 = Sxy
2
= (4.23)
n−2
2. Para β0
n o
R.C. = tcal < t(n−2; α2 ) ∨ tcal > t(n−2;1− α2 ) (4.25)
βb0 − β0
tcal = s (4.26)
2
σε2 1 x̄
n + P(xi − x̄)2
Test F
Bajo H0 ,
M.C.R.
F = ∼ F(1,n−2) (4.28)
M.C.E
Se rechaza la hipótesis nula para valores grandes, es decir, si:
o
X: temperatura máxima diaria (en C)
Se pide lo siguiente:
Solución
Para 2. Analizamos el R2 y R
R = −0, 96
Esto signica que existe una alta correlación lineal inversa entre las dos
variables.
R2 = 0, 92
la variabilidad de x
3.2) R.C. n o
R.C. = tcal < t(n−2; α2 ) ∨ tcal > t(n−2;1− α2 )
De esto se tiene:
βb1 − β1
tcal = r
2
P σε
(xi − x̄)2
P
(xi − x̄i X
Sx2 = ⇒ (xi −x̄i = (n−1)∗Sx2 = (14−1)∗(5, 42)2 = 381, 89
n−1
A continuación debemos obtener el valor de Sxy Para esto debemos
P
(yi − ȳi S.C.T.
Sy2 = =
n−1 n−1
Esto implica que:
(yi − ybi )2
P
2 S.C.E.
⇒ Sxy = =
n−1 n−1
2 751, 53 p
⇒ Sxy = ≈ 58, 58 ⇒ Sxy = 58, 58 =≈ 7, 65
13
Por lo tanto:
−4, 8 − 0
tcal = =≈ −12, 25
√ 7, 65
381, 19
3.4) Se analiza el cumplimiento de la R.C.
Salida Excel
Fobs = 138, 8
signicativamente el comportamiento de y
c) Coeciente de determinación:
R2 = 0, 92
bilidad de x.
4.9. Ejercicios
1. Un centro comercial sabe en función de la distancia, en kilómetros,
esperar?.
10
X 10
X 10
X
yt = 1700, ct = 1110, ct yt = 205500
t=1 t=1 t=1
10
X 10
X
yt2 = 322000, c2t = 132100, t = 1, . . . , 10
t=1 t=1
de pesos.
X X
σ 2 = 80, 376431, x2i = 471, xi = 69
X X
yi xi = 3541, yi = 561
4. de la base de datos
Posiblemente esta técnica sea una de las más extendidas en las más
Donde:
1. Y : variable dependiente.
3. ε: Error.
4. β0 : intercepto .
75
5. Regresión Lineal Múltiple
Supuestos
2. V ar(εi ) = σ 2 (homocedasticidad)
Estimación
Al igual que en el modelo de regresión lineal simple, la solución de míni-
decir, nos interesa determinar los betas que minimizan S(β), es decir:
∂S(β)
= 0|βi =βbj , i = 1, . . . , n
∂βi
Generalmente, la solución se presenta en términos matriciales. Así, el
los parámetros:
Siempre que (XT X) tenga inversa, por tanto es condición necesaria que
X sea de rango completo.
Donde:
YT Y − βbT XT Y
b2 =
σ (5.5)
n−k
La matriz de los parámetros y la matriz de varianza covarianza se
de signicancia individuales)
Ejemplo 5.0.1.
rido por las familias. Se cree que los grados de temperatura y el grado de
Usando:
YT Y − βbT XT Y
b2 =
σ
n−k
ellos: Usando:
p
σ
bβb0 = 444, 92 = 21, 0931
p
σ
bβb1 = 0, 11 = 0, 3362
p
σ
bβb0 = 5, 49 = 2, 3495
(Analisys of Variance)
5.1. Test F
Permite llevar a cabo la prueba estadística para:
H0 : β1 = β2 = . . . = βk = 0
v/s
H1 : βj 6= 0
SCT , es decir,
(Yi − Yb̄ )2
P b
2 SCR SCE
R = =P 2
=1− (5.6)
SCT (Yi − Ȳ ) SCT
Generalmente, se expresa en términos porcentuales y mientras más cer-
2 βbT XT Y − nȲ 2
R = (5.7)
YY Y − nȲ 2
R2 ajustado
n−1
R̄2 = 1 − (1 − R2 ) (5.8)
n−k
Relación entre R2 y F
La estadística de prueba F , se puede expresar en términos R2 , mediante
la siguiente fórmula:
R2
k
F = 1−R2
(5.9)
n−k−1
SELECCIÓN DE MODELOS
Cuando se dispone de muchas variables explicatorias, existen métodos
ser eliminadas.
3. Selección de modelos
Como se indicó en los procesos de selección de modelos, un criterio
n−1
R̄2 = 1 − (1 − R2 )
n−k
cuya característica es incrementarse sólo cuando variables signica-
Donde:
o de tendencia.
Ejemplo 5.1.1.
Y el modelo es
Y = 43644 − 5, 46x1
Y el modelo es
Y el modelo es:
variables en el modelo
Considere un α = 5%
Para β0 se tiene:
H0 : β0 = 0 v/s H1 : β0 6= 0 (5.12)
βb0 − β0 562, 12 − 0
tcal = = = 26, 65 (5.13)
σβb0 21, 0931
Para β1 se tiene:
H0 : β1 = 0 v/s H1 : β1 6= 0 (5.15)
βb1 − β1 −5, 44 − 0
tcal = = = 16, 17 (5.16)
σβb1 0, 3266
p − valor = 0, 0000 (5.17)
Para β2 se tiene:
H0 : β2 = 0 v/s H1 : β2 6= 0 (5.18)
βb2 − β2 −20, 01 − 0
tcal = = = 8, 54 (5.19)
σβb2 2, 3425
p − valor = 0, 0000 (5.20)
R2
k
F = (1−R2 )
(5.21)
(n−k−1)
βbT XT Y − nȲ 2
R2 = (5.22)
YY Y − nȲ 2
Estos valores fueron calculados para la obtención de las varianzas
n−1 (15 − 1)
R̄2 = 1 − (1 − R2 ) = 1 − (1 − 0, 965612 ) = 0, 95988
n−k (15 − 3)
(5.24)
H0 : β0 = β1 = β2 v/s H1 : β0 6= β1 6= β2 (5.25)
cero
0,96561
(3−1)
F(2;12) = (1−0,96561)
= 168, 4712 (5.26)
(15−3)
Todo este proceso, se puede hacer a través del análisis de datos de Excel,
¾ Tesis o Informe ?
6.1. Informe
El informe es un documento escrito en prosa informativa (cientíca,
los datos necesarios para una completa comprensión del caso, explica los
hecho tratado.
cientícas.
91
6. ¾ Tesis o Informe ?
vestigación cientíca.
tarios.
dossier.
consultoría).
1. Portada.
2. Resumen.
3. Indice.
4. Introducción.
5. Objetivos.
a ) Objetivo General.
b ) Objetivos Especícos.
8. Conclusiones.
9. Bibliográca.
6.2. Tesis
La tesis es un texto que se caracteriza por aportar conocimiento e
Es por eso que la tesis cumple con una variedad de funciones, como
por ejemplo:
a) Exponer
b) Argumentar,
c) Informar.
esta desarrollando.
ría, etc.).
cique su contenido.
2. Dedicatoria.
3. Agradecimientos.
4. Resumen.
5. Índice.
7. Introducción.
8. Capitulo 1.
c ) Objetivos.
1) Objetivo General
2) Objetivos especícos.
a ) Hipótesis de investigación.
c ) Alcances.
d ) Delimitación.
11. Resultados.
12. Conclusiones.
13. Recomendaciones.
14. Referencias.
15. Apéndices.
Observación 6.2.1.