estadistica
TRANSCRIPT
![Page 1: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/1.jpg)
INSTITUTO LATINOAMERICANO DE CIENCIA Y ARTES, A. C.
ESCUELA DE CIENCIAS POLITICAS Y ADMINISTRACION PÚBLICA SISTEMA UNIVERSIDAD ABIERTA
ESTADÍSTICA
Guía de Estudio Cuarto Semestre
Ciencias Políticas y Administración Pública
2007
![Page 2: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/2.jpg)
Datos curriculares de la asignatura
Asignatura: EstadísticaLicenciatura: Ciencias Políticas y Administración
Pública Semestre: Cuarto Área: Técnica-Instrumental Secuencia: Investigación de Operaciones Carácter: Obligatoria Créditos: 08 Clave: 0427
![Page 3: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/3.jpg)
PRESENTACIÓN
El Instituto Latinoamericano de Ciencia y Artes, A. C. inicia la implantación del Sistema Universidad Abierta en el año de 2007 como una opción educativa en la que el énfasis está en el aprendizaje más que en la enseñanza.
El Sistema Universidad Abierta forma parte de un amplio proceso
de adecuación académica y organizativa cuyo fin es responder con mayor calidad y eficacia tanto a las necesidades sociales y profesionales de la localidad como a la creciente demanda educativa, en general, y del ILCA en particular.
El propósito de esta opción educativa universitaria reside en que el estudiante se involucre en un proceso amplio y abierto de comunicación y de relación con su entorno -social, escolar/académico, laboral, familiar, cultural- aprendiendo a integrar el conocimiento relevante en ciertas materias, a combinar y adquirir capacidades, destrezas y hábitos de estudio, experiencias de aprendizaje permanente e independiente a fin de lograr una formación universitaria suficiente para el ejercicio profesional de la carrera que haya elegido.
Para esta nueva modalidad, nuestra Institución ha llevado a cabo diferentes acciones encaminadas a alcanzar una mayor calidad y eficacia del aprendizaje que demandan los estudiantes de los sistemas educativos abiertos.
Sabemos que la relación entre tutores-docentes, material didáctico y estudiantes es fundamental en esta opción abierta. Mientras mayor sea la calidad y rigor académico de los tutores-docentes y de los alumnos, y mientras más amplia sea la oferta de materiales educativos para promover el aprendizaje independiente, mayor será la posibilidad de formar estudiantes autodidactas, competentes y futuros profesionales universitarios.
![Page 4: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/4.jpg)
Con objeto de satisfacer lo anterior, se han organizado sesiones de trabajo con los tutores-profesores para la preparación de materiales didácticos escritos y audiovisuales; se ha diseñado e impartido un curso de actualización didáctica para los tutores/profesores y han participado en la planeación y preparación del curso de introducción a la metodología de estudio para los alumnos, acorde con opción educativa.
Por consiguiente, esta guía de estudio constituye un instrumento fundamental para el aprendizaje independiente en un sistema abierto. Cada uno de los componentes que integran esta guía tiene una correspondencia directa con los distintos momentos del proceso de aprendizaje; han sido integrados en una secuencia lógica con el fin de que el estudiante pueda avanzar y profundizar en el conocimiento, así como alcanzar los objetivos académicos de las asignaturas contando con la orientación, guía y estímulo experimentado del tutor/docente.
Los contenidos de la guía son perfectibles y deben ser revisados
periódicamente para su actualización y mayor efectividad. Las observaciones que resulten de las experiencias de los tutores/docentes y de los estudiantes nos permitirán, sin duda, enriquecer y mejorar esta herramienta didáctica que ahora está en sus manos. Las aportaciones que nos hagan llegar conducirán a seguir avanzando en fortalecer el sistema abierto de nuestra Institución de la que ahora forma parte.
Damos a usted la más cordial bienvenida y deseamos que realice
con empeño, responsabilidad y éxito sus estudios en el Sistema Universidad Abierta del Instituto Latinoamericano de Ciencia y Artes, A. C.
Sistema Universidad Abierta Escuela de Ciencias Políticas y Administración Pública
![Page 5: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/5.jpg)
SUGERENCIAS PARA LA UTILIZACIÓN DE LA GUÍA DE ESTUDIO
La presente guía de estudio ha sido elaborada con el propósito de que usted trabaje en forma independiente, es decir, sin la presencia continua del tutor. Ello significa, que durante el curso deberá responsabilizarse plenamente del estudio y el trabajo de los contenidos académicos según las indicaciones de esta guía. De este modo, estará en condiciones de solicitar y participar óptimamente en las sesiones de tutoría.
Con el objeto de lograr un mejor aprovechamiento de la guía de estudio, es importante que tenga conocimiento de lo siguiente:
La guía está organizada en unidades temáticas y presenta una serie de componentes didácticos que le permitirán orientar su aprendizaje: las introducciones de cada unidad lo relacionan con las temáticas centrales que integran el curso; los objetivos de la unidad indican los aspectos relevantes del conocimiento que usted tiene que lograr; con la lectura de la bibliografía básica obligatoria podrá conocer, analizar y comprender ampliamente los temas del curso; con la realización de las actividades de aprendizaje y las preguntas de evaluación sugeridas, usted podrá apropiarse de los conocimientos y valorar sus resultados en el aprendizaje.
La guía incluye, asimismo, una programación tentativa entre el número de unidades de aprendizaje y el número de sesiones de tutoría programadas por semestre, con la finalidad de que usted siga un ritmo adecuado en el estudio y en la realización de sus actividades, evitando retrasos o atiborramientos perjudiciales.
Por último, presenta un formato para registrar los criterios de evaluación y acreditación que normarán el curso. Esta actividad deberá realizarse junto con el tutor. El conocimiento inicial de estos criterios le será de gran utilidad para organizarse apropiadamente y llevar a buen término el curso.
![Page 6: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/6.jpg)
Algunas recomendaciones en el uso de esta guía son las siguientes:
o Trabaje las unidades de aprendizaje según el orden secuencial que presentan: no se salte ni adelante unidades. Inicie con la lectura de las introducciones y reflexione sobre los objetivos de aprendizaje que se le ponen.
o Lea los textos mencionados en la bibliografía básica en el orden en
que aparecen; después, realice las actividades de aprendizaje. No dude en ampliar y enriquecer su información consultando también la bibliografía complementaria.
o Al concluir el estudio de una unidad, conteste las preguntas de
evaluación, ello le permitirá valorar sus logros. Si encuentra que algún tema no le es suficientemente claro, revíselo nuevamente y consulte al tutor precisando con antelación sus dudas.
o Revise desde el inicio del curso los datos de la bibliografía básica y
complementaria de cada unidad y enliste los libros más solicitados. Es recomendable que los compre a fin de ir integrando su biblioteca personal. Al respecto puede pedir orientación al tutor.
o Realice siempre anotaciones a lo largo de las lecturas, escriba las
preguntas y dudas que vayan surgiendo: si estás no son contestadas al término de la lectura, busque ahondar en el tema auxiliándose de otros, discutiendo con sus compañeros o recurriendo a su tutor.
Recuerde que la modalidad educativa de estudios abiertos requiere un gran esfuerzo, compromiso y disciplina personal: haga una buena planeación de sus actividades personales y de su tiempo, ejercítese en el empleo de estrategias y técnicas de estudio, ponga en práctica hábitos pertinentes para el estudio y la investigación, no dude en pedir apoyo u orientación cuando lo requiera. Estamos seguros que con todo ello usted se convertirá en un estudiante exitoso; un estudiante SUA.
Sistema Universidad Abierta CPyAP
![Page 7: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/7.jpg)
ÍNDICE
Introducción general 11
Objetivos generales 13
Criterios de evaluación-acreditación 14
Cuadro programático de tutorías 15
Unidad 1. Datos y descripción (estadística descriptiva) 17
Unidad 2. Modelos de probabilidad (estadística inferencial) 27
Unidad 3. Dependencia probabilística 33
Unidad 4. Introducción al teorema del límite central y estimación 39
Anexo: Respuestas a las preguntas de autoevaluación 45
Bibliografía general 89
![Page 8: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/8.jpg)
Ciencias Políticas y Administración Pública
10
![Page 9: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/9.jpg)
Estadística
11
Introducción general
La Estadística es el conjunto de técnicas que se emplean para la recolección,
organización, análisis e interpretación de datos. Los datos pueden ser cuantitativos, con
valores expresados numéricamente o cualitativos, en cuyo caso se tabulan las características
de las observaciones. La estadística nos sirve para tomar mejores decisiones a partir de la
comprensión de las fuentes de variación y de la detección de patrones y relaciones en datos
económicos y administrativos.
La Estadística descriptiva está conformada por un conjunto de técnicas que se
utilizan para organizar y evaluar la información proveniente de una masa de datos. Con
estas técnicas es posible obtener distribuciones, gráficas y parámetros que permiten conocer
y cuantificar el comportamiento global.
La Estadística descriptiva intenta representar el comportamiento de una masa de
datos a través de parámetros que indiquen las tendencias más representativas de éstos. Es
importante reconocer que la información individual no tiene un significado estadístico, por
ello todos los parámetros estadísticos requieren al menos dos datos para evaluarse. Esta
consideración implica que siempre que se realice la evaluación u organización de la
información, se pierde el dato individual, éste pasa a formar parte del comportamiento
global representado a través de parámetros o gráficos.
![Page 10: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/10.jpg)
Ciencias Políticas y Administración Pública
12
La Estadística inferencial comprende las técnicas con las que, con base únicamente
en una muestra sometida a observación, se toman decisiones sobre una población o proceso
estadístico. Dado que estas decisiones se toman en condiciones de incertidumbre, suponen
el uso de conceptos de probabilidad.
Mientras que a las características medidas de una muestra se les llama estadísticas
muestrales, a las características medidas de una población estadística, o universo, se les
llama parámetros de la población. El procedimiento para la medición de las características
de todos los miembros de una población definida se llama censo. Cuando la inferencia
estadística se usa en el control de procesos, al muestreo le interesa en particular el
descubrimiento y control de las fuentes de variación en la calidad de la producción.
![Page 11: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/11.jpg)
Estadística
13
Objetivos generales
1. Seleccionar el método más apropiado para organizar la información.
2. Seleccionar el método gráfico más adecuado para representar la información
estadística.
3. Identificar y evaluar los distintos parámetros de la Estadística.
4. Comprender el manejo de los conceptos de la Estadística inferencial.
5. Aplicar las técnicas de la inferencia estadística.
![Page 12: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/12.jpg)
Ciencias Políticas y Administración Pública
14
Criterios de evaluación – acreditación
CRITERIO PORCENTAJE CONDICIONES
• El alumno deberá presentar tres exámenes parciales. Podrá reponer uno de ellos,
sólo en caso de haber aprobado por lo menos dos, con la finalidad de mejorar la
calificación del que no acreditó.
![Page 13: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/13.jpg)
Estadística
15
Cuadro programático de tutorías
Sesión Unidad de Aprendizaje
Temas
1
Presentación del programa. Introducción general al curso. Formas de trabajo. Criterios de evaluación.
2
Unidad 1. Datos y descripción (estadística descriptiva)
1. Organización y representación gráfica de la información
1.1 La información estadística 1.2 Variable 1.3 Organización de la información 1.4 Representación gráfica de la información
3
2. Evaluación de parámetros
2.1 Medidas de tendencia central 2.2 Medidas de posición 2.3 Medidas de dispersión 2.4 Medidas de concentración
4 Primer examen parcial
5
Unidad 2. Modelos de probabilidad (estadística inferencial)
1. Definición clásica y estadística de probabilidad 2. Probabilidad matemática
2.1 Experimentos aleatorios 2.2 Espacio de eventos
3. Elementos de la teoría de las probabilidades 3.1 Definición y axiomas 3.2 Propiedades 3.3 Sucesos mutuamente excluyentes y sucesos independientes 3.4 Regla de la adición 3.5 Regla de la multiplicación (probabilidad condicional) 3.6 Teorema de la probabilidad total 3.7 Teorema de Bayes 3.8 Análisis combinatorio 3.9 Permutaciones 3.10 Combinaciones
![Page 14: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/14.jpg)
Ciencias Políticas y Administración Pública
16
Sesión Unidad de Aprendizaje Temas
6
Unidad 3. Dependencia probabilística
1. Variable aleatoria 2. Distribución de probabilidad univariada, discreta y
continua 2.1 Función de distribución de probabilidad 2.2 Función de densidad de probabilidad 2.3 Propiedades y medidas de asociación de las distribuciones de probabilidad
3. Distribuciones discretas 3.1 Binomial 3.2 Hipergeométrico 3.3 Poisson
4. Distribuciones continuas 4.1 Normal
7
Segundo examen parcial
8
Unidad 4. Introducción al teorema del límite central y estimación
1. Teorema del límite central 2. Estimación
2.1 Estimación puntual 2.2 Estimador insesgado 2.3 Estimador consistente 2.4 Estimador eficiente 2.5 Estimador suficiente
9
3. Métodos de estimación
3.1 Estimación por intervalos 4. Cálculo del tamaño de la muestra
10
Tercer examen parcial, aclaración de calificaciones y reposición de alguno de los exámenes anteriores
![Page 15: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/15.jpg)
Estadística
17
Unidad 1. Datos y Descripción (estadística descriptiva) Introducción
En esta unidad, se presentan un conjunto de técnicas que comúnmente se utilizan
para organizar la información con fines estadísticos, así como para representarla
gráficamente con el propósito de visualizar el comportamiento global.
Este material tal vez no agote toda la gama de posibilidades para la organización y
representación gráfica, pero sí cubre los principales métodos utilizados en la Estadística
descriptiva y en la paquetería para PC.
Uno de los aspectos que forman parte de la Estadística descriptiva es el estudio de
las reglas y procedimientos para la recolección, organización y procesamiento de
información.
Los datos, que representan la materia prima para la Estadística, se obtienen a través
de encuestas, observaciones, experimentos o de información contenida en estudios previos.
La captación de información a través de encuestas se utiliza típicamente en el
levantamiento de censos o muestras.
Un censo es la indagación de las características de todos los elementos que
componen a la población en estudio, mientras que una muestra es una indagación
restringida a unos cuantos de los elementos que constituyen a la población en estudio.
![Page 16: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/16.jpg)
Ciencias Políticas y Administración Pública
18
Una encuesta es el instrumento mediante el cual se recopila la información que se
desea obtener de una población sin ejercer ningún control sobre las variables que se desean
estudiar. Por ejemplo:
a) El ingreso mensual de los alumnos del Instituto Latinoamericano de Ciencia y
Artes, A. C.
b) La inversión anual de las empresas que producen partes automotrices.
c) El Producto Interno Bruto.
A diferencia de la encuesta, en un experimento se controla el comportamiento de
alguna(s) variable(s), para analizar el cambio que sufre(n) otra(s), por ejemplo:
a) Estudiar la preferencia de los consumidores a distintos tipos de presentación de un
producto.
b) Estudiar la conductividad térmica de un sólido variando la temperatura.
c) Estudiar la respuesta de individuos a una nueva droga, variando la dosis
suministrada.
Las formas de obtener información son muy diversas, dependen del tipo de estudio
que se pretende llevar a cabo. Así, las técnicas a utilizar en cada caso son muy distintas, no
es igual realizar un muestreo que un censo o que un experimento.
La organización de la información y su representación gráfica son de gran utilidad
porque permiten apreciar de manera general el comportamiento del fenómeno en
consideración. Sin embargo, la organización por sí sola carece de objetividad sin la
evaluación de parámetros que cuantifiquen el comportamiento estadístico de la
información. Por esta razón, en esta unidad se aborda el tema de los parámetros
estadísticos, sin los cuales la gran masa de datos ordenados puede carecer de sentido al no
poderse interpretar, que es el objetivo principal de la Estadística descriptiva.
![Page 17: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/17.jpg)
Estadística
19
Temario
1. Organización y representación gráfica de la información
1.1 La información estadística
1.2 Variable
1.3 Organización de la información
1.3.1 Serie simple de datos
1.3.2 Distribución de clases y frecuencias
1.3.3 Distribución por intervalos de clases y frecuencias
1.4 Representación gráfica de la información
1.4.1 Diagramas de pastel
1.4.2 Histograma y polígono de frecuencias
1.4.3 Ojivas
2. Evaluación de parámetros
2.1 Medidas de tendencia central
2.1.1 Moda
2.1.2 Mediana
2.1.3 Media aritmética
2.1.4 Media geométrica
2.1.5 Media armónica
2.2 Medidas de posición
2.2.1 Cuantiles
2.3 Medidas de dispersión
2.3.1 Rango
2.3.2 Varianza y desviación típica
2.3.3 Coeficiente de variación
2.3.4 Coeficiente de asimetría
2.3.5 Coeficiente de curtosis
2.4 Medidas de concentración
2.4.1 Curva de Lorenz
2.4.2 Índice de Gini
![Page 18: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/18.jpg)
Ciencias Políticas y Administración Pública
20
Objetivos de la unidad
1. Identificar cuándo una variable es cuantitativa y cuándo cualitativa.
2. Diferenciar un valor observado de uno posible.
3. Organizar una serie simple de datos en una distribución de frecuencias.
4. Organizar una distribución de frecuencias en una de intervalos de clases y
frecuencias.
5. Construir diagramas de pastel, histogramas, polígonos de frecuencia y ojivas de
diversos tipos.
6. Establecer la diferencia entre una medida de:
• Tendencia Central
• Posición
• Dispersión
• Concentración
7. Conocer el procedimiento de cálculo y el significado de las siguientes medidas de,
para una serie simple de datos o para datos agrupado:
• Tendencia central (media, mediana, moda, media armónica y media
geométrica)
• Posición (cuantiles)
• Dispersión (rango, varianza y coeficiente de variación)
• Concentración (índice de Gini)
8. Calcular la asimetría y la curtosis de una serie simple de datos o de datos grupados.
Bibliografía básica
NÚÑEZ del Prado, Arturo y Benavente. Estadística básica para planificación. México, Siglo XXI, 1990. HOLGUÍN Quiñones, Fernando. Estadística descriptiva aplicada a las ciencias sociales. México, FCPyS-UNAM (Serie Estudios, núm. 13), 1970. SPIEGEL, Murray. Estadística. Mc Graw Hill (Serie Schaum's), 1970.
![Page 19: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/19.jpg)
Estadística
21
Actividades de aprendizaje
1. De la siguiente lista de variables indique con una letra Q si es cuantitativa y con una
C si es cualitativa.
a) La edad de un individuo
b) La religión de una persona
c) La temperatura
d) El clima
e) La humedad
f) La belleza
g) La escolaridad de una persona
h) El PIB
i) La nacionalidad
j) El estado civil
2. De la siguiente lista de variables indique con una D si es discreta o con una C si es
continua.
a) Salario de un individuo (en pesos).
b) Estatura de una persona (en mieras).
c) Producto Interno Bruto.
d) El índice de Precios al Consumidor
e) El número de automóviles que circulan por una carretera en un día
f) El número de personas atendidas en un hospital en un día
3. La inversión anual de un grupo de industrias textiles es la siguiente (en miles de pesos)
10, 12, 8, 40, 6, 8, 10, 30, 2, 8, 6, 14, 16, 20, 25, 28, 30, 26, 30, 4, 6, 10, 18, 17, 13, 17, 21, 7, 6, 8, 14, 7, 15, 19, 27, 22, 0, 14, 6, 8, 9, 11, 13, 15, 18, 20, 30, 60, 12, 6, 5, 5, 6, 8, 7, 12, 15, 36, 30, 52
a) Construya una distribución de clases y frecuencias (absolutas y relativas) con
ocho intervalos de 8 unidades de longitud.
b) Calcule las frecuencias acumuladas de cada clase.
c) Construya un histograma y un polígono con las frecuencias absolutas y las
relativas.
![Page 20: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/20.jpg)
Ciencias Políticas y Administración Pública
22
4. El número de accidentes de trabajo semanales por mil horas-hombre, de una fábrica
durante un año es:
Mes Accidentes Mes Accidentes Enero 3, 3.2, 3.7, 3.7 Julio 3, 2.9, 3.5, 3.1 Febrero 2.8, 3.7, 3.3, 4 Agosto 3.1, 2.7, 2.8, 3.4 Marzo 3.2, 3.9, 2.9, 3.8, 3.3 Septiembre 2.4, 3.3, 4.6, 3.3, 4.3 Abril 3.2, 1.8, 5.3, 2.6 Octubre 2.1,3.5,4,3.6 Mayo 4, 3.9, 4.4, 3.2 Noviembre 3.2, 2.5, 3.4, 3.4 Junio 3.8, 4.7, 2.3, 4.3, 4.2 Diciembre 3.5. 3.7, 3.6, 3.5, 2.6
a) Construye la distribución de clases y frecuencias (absolutas y relativas), con 8
intervalos de longitud 0.5.
b) Calcule las frecuencias acumuladas relativas y absolutas por clase.
c) Dibuje el histograma y el polígono con frecuencias relativas y absolutas.
5. De acuerdo con el censo nacional de población de 1970, la población
económicamente activa de 12 años y más por grupos quinquenales de edad fue:
GRUPO QUINQUENAL DE EDAD (AÑOS)
F (NO. DE INDIVIDUOS)
De 12 a 14 339,615 De 15 a 19 1,783,772 De 20 a 24 2,042,290 De 25 a 29 1,719,700 De 30 a 34 1,403,740 De 35 a 39 1,366,196 De 40 a 44 1,058,956 De 45 a 49 911,326 De 50 a 54 639,951 De 55 a 59 531,732 De 60 a 64 454,205 De 65 a 69 326,399 De 70 a 74 201,376 De 75 y más 178,799 Total 12,955,057
Encuentre:
a) Límite superior e inferior de cada clase.
b) Límite superior e inferior real de cada clase.
c) Punto medio por clase.
d) Rango de cada clase.
![Page 21: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/21.jpg)
Estadística
23
e) Frecuencias relativas por clase.
f) Frecuencias acumuladas por clase.
g) Frecuencias relativas y acumuladas por clase,
h) Frecuencias porcentuales por clase.
Grafique:
a) El histograma absoluto y el porcentual.
b) El polígono de frecuencias absoluto y el porcentual.
c) La ojiva P.M. vs far.
d) La ojiva más de...
e) La ojiva menos de...
De la ojiva del inciso c responda las siguientes preguntas:
a) Aproximadamente cuántos individuos son mayores de edad (más de 18 años).
b) Aproximadamente cuántos individuos tienen más de 43 años.
c) Aproximadamente cuántos individuos tienen menos de 30 años.
6. De acuerdo con el censo nacional de población de 1970, la población
económicamente activa de 12 años y más por grupos de ingreso mensual fue:
Grupo de ingreso mensual (pesos)
Total nacional (núm. de individuos)
Hasta 99 983,167 De 100 a 199 1’143,200 De 200 a 299 1'261,656 De 300 a 499 1'811,073 De 500 a 599 603,157 De 600 a 999 2'531,144 De 1,000 a 1,199 682,605 De 1,200 a 1,499 790,718 De 1,500 a 1,999 657,008 De 2,000 a 2,499 293,995 De 2,500 a 3,499 324,356 De 3,500 a 4,999 231,012 De 5,000 a 7,499 117,766 De 7,500 a 9,999 82,326 De 10,000 a 14,999 37,828 De 15,000 y más 69,458 Total 11'620,469
![Page 22: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/22.jpg)
Ciencias Políticas y Administración Pública
24
De acuerdo con el censo nacional de población de 1980, la población
económicamente activa por grupos de ingreso mensual fue:
Grupo de ingreso mensual (pesos)
Total Nacional (No. de individuos)
De 1 a 590 663,523 De 591 a 1,080 924,692 De 1,081 a 1,970 1'174,108 De 1,971 a 3,610 2'828,538 De 3,611 a 6,610 4,557,499 De 6,611 a 12,110 2'575,653 De 12,111 a 22,170 878,397 De 22,171 y más 451,217 Total 14'053,627
a) Con los datos anteriores construya una ojiva de P.M. vs fa, para cada uno de los
censos. Haga las comparaciones pertinentes.
b) De la ojiva para 1970 estime el porcentaje de la PEA cuyos ingresos son:
i. superiores a $300.
ii. inferiores a $1500.
iii. entre $400 y $1200.
c) Construya las tablas de cada censo utilizando salarios reales, en unidades
monetarias de la base del índice de Precios al Consumidor y haga algunas
comparaciones generales entre cada censo.
Preguntas de evaluación
1. Explique lo que entiende por:
• variable
• constante
• valor posible
• valor observado
2. ¿Cuándo se dice que una variable es cualitativa y cuándo cuantitativa?
3. ¿En qué consiste una serie simple de datos?
4. ¿En qué consiste una distribución de frecuencias?
![Page 23: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/23.jpg)
Estadística
25
5. ¿Cómo se obtiene una distribución de clases y frecuencias?
6. ¿Qué representa el punto medio?
7. ¿Cómo se construye un diagrama de pastel?
8. ¿Qué diferencia hay entre los histogramas para:
a) Una serie simple de datos.
b) Una distribución de frecuencias.
c) Una distribución de clases y frecuencias?
9. ¿Qué es una ojiva y cuántos tipos de ojivas se pueden construir?
10. ¿.Cuáles son las diferentes medidas de tendencia central?
11. ¿Cuáles son las diferentes medidas de Posición?
12. ¿Cuáles son las diferentes medidas de Dispersión?
13. ¿Cómo son los Coeficientes de Asimetría y de Curtosis?
14. ¿Qué es una medida de Concentración?
Bibliografía complementaria
CHAO, Lincon. Estadística para las ciencias administrativas. México, Mc Graw Hill, 1985. MENDENHALL, Reinmuth. Estadística para administración y economía. México, Grupo Editorial Iberoamericano, 1990. SANTALÓ, Luis. Probabilidad e inferencia estadísticas. Washington, OEA, 1975.
![Page 24: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/24.jpg)
Ciencias Políticas y Administración Pública
26
![Page 25: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/25.jpg)
Estadística
27
Unidad 2. Modelos de probabilidad (estadística inferencial)
Introducción
El comportamiento de ciertos fenómenos sociales no puede determinarse con
exactitud debido a su naturaleza aleatoria, por lo que para estudiarlos podemos utilizar
como herramienta la teoría de probabilidades, ya que ésta proporciona modelos
matemáticos que podemos adecuar para cada fenómeno en cuestión, es decir, el estudio de
la teoría de probabilidades nos mostrará las posibilidades que se tienen en función a
diferentes modelos (distribuciones de probabilidad), de elaborar el modelo matemático que
describa con bastante aproximación el comportamiento del fenómeno aleatorio.
En concreto, hemos dicho que dado un fenómeno aleatorio, podemos ajustar un
modelo matemático que describa su comportamiento en forma aproximada, para que de
esta manera, podamos determinar los parámetros que caractericen a nuestro fenómeno, a
través de los parámetros del modelo (media, varianza, desviación estándar, etc.). Este
proceso sólo es posible debido al estudio del comportamiento de ciertos fenómenos
aleatorios, determinando la ley de probabilidades que tienden a seguir, para, de esta forma,
establecer la confiabilidad en los resultados del fenómeno en estudio, determinar el número
de experimentos necesarios para obtener resultados confiables, probar los resultados bajo
ciertos supuestos, o bien, predecir su comportamiento en relación con los experimentos
realizados.
![Page 26: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/26.jpg)
Ciencias Políticas y Administración Pública
28
Es a partir del cálculo de probabilidades donde la Estadística ha adquirido un
amplio desarrollo, puesto que ha dado lugar a la Inferencia Estadística, es decir, la
estadística se convierte en una técnica inductiva, que por medio del estudio de una parte de
la población puede conocer, en forma aproximada, el comportamiento de la misma.
![Page 27: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/27.jpg)
Estadística
29
Temario
1. Definición clásica y estadística de probabilidad
2. Probabilidad matemática
Experimentos aleatorios
Espacio de eventos
3. Elementos de la teoría de las probabilidades
Definición y axiomas
Propiedades
Sucesos mutuamente excluyentes y sucesos independientes
Regla de la adición
Regla de la multiplicación (probabilidad condicional)
Teorema de la probabilidad total
Teorema de Bayes
Análisis combinatorio
Permutaciones
Combinaciones
Objetivos de la unidad
1. Señalar cuál es la diferencia existente entre la definición clásica y la estadística de
probabilidades.
2. Explicar, con sus propias palabras, el concepto de modelo matemático.
3. Diferenciar los diversos conceptos probabilísticos tratados en la presente unidad.
4. Manejar, dado algunos problemas específicos, correctamente las reglas de adición y
multiplicación.
5. Resolver un problema, utilizando el teorema de Bayes.
![Page 28: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/28.jpg)
Ciencias Políticas y Administración Pública
30
Bibliografía básica
NÚÑEZ del Prado, Arturo y Benavente. Estadística básica para planificación. México, Siglo XXI, 1990. HOLGUÍN Quiñones, Fernando. Estadística descriptiva aplicada a las ciencias sociales. México, FCPyS-UNAM (Serie Estudios, 13), 1970. SPIEGEL, Murray. Estadística. México, Mc Graw Hill (Serie Schaum's), 1970.
Actividades de aprendizaje
1. Explique la definición clásica de probabilidad.
2. Explique la definición estadística de probabilidad.
3. ¿Qué entiende por modelo matemático?
4. ¿Qué entiende por fenómeno aleatorio?
5. ¿Qué entiende por espacio de eventos?
6. Si denominamos a águila por A y sol por S en una moneda equilibrada, indique cuál
es el espacio de eventos del lanzamiento de 3 monedas.
7. Si el conjunto A está formado por los siguientes elementos:
A = 0, 3, 5, 7 y el B = 0, 1, 2, 4 encuentre:
A∩B, A∪B, Ac y Bc
8. Si el universo está formado por los números enteros U= {...., -2, -1, 0, 1, 2, ...,}
Encuentre la probabilidad de hallar al menos un 3 en 2 lanzamientos de un dado.
9. Si se lanzan simultáneamente 2 dados, ¿Cuál será la probabilidad de que los puntos
sumen 10?
10. Si se extraen 2 bolas al azar de una urna que contiene 10 bolas rojas, 30 bolas
blancas, 20 azules y 15 naranjas, halle la probabilidad de que: (para todos los casos
la selección se considerará con reemplazo y sin reemplazo)
a) Ambas sean blancas.
b) Una blanca y una roja.
c) Ninguna sea naranja.
d) Las 2 sean blancas o rojas o de ambos colores.
e) La segunda no sea azul.
![Page 29: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/29.jpg)
Estadística
31
f) La primera sea naranja.
g) Al menos una sea azul.
h) No más de una roja.
11. Dos dados son tirados n veces en forma sucesiva ¿cuál es la probabilidad de obtener
al menos una vez el evento (6, 6)?
12. Se extraen 4 cartas al azar de 52, se desea calcular la probabilidad de:
a) Extraer un as exactamente.
b) La probabilidad de al menos un as.
c) La probabilidad de ningún as.
13. Suponga que se tienen 2 fábricas. Sea A1 el suceso de fabricación de herramientas en
la fábrica 1, y sea A2 el suceso de fabricación de herramientas en la fábrica 2. Sea X
el suceso que representa una herramienta defectuosa. Si la probabilidad de
encontrar una herramienta defectuosa en la fábrica 1 es 3/5 y en la fábrica 2 es 2/3
¿Cuál es la probabilidad de encontrar una herramienta defectuosa?
14. Suponga que se tienen 2 urnas, la primera que contiene 10 bolas blancas y 5 bolas
rojas, y la segunda que contiene 3 blancas y 3 rojas. ¿Qué probabilidad existe de
que la bola blanca sea de la primera urna?
15. Muestre mediante un diagrama de árbol los ordenamientos que pueden hacerse de 4
libros tomados de 3 en 3, sin repetición. Suponiendo que A, B, C y D son los libros.
16. ¿Cuántos ordenamientos de 5 estudiantes (1, 2, 3, 4, 5) podemos hacer al colocarlos
de 2 en 2, sin repetirlos, y cuántos repitiéndolos?
17. ¿De cuántas maneras podemos elegir 4 personas de un total de 9, si nos interesa el
puesto que ocupan (Director, Subdirector, etc.)?
18. ¿De cuántas formas diferentes pueden ser colocadas en una fila de 5 lugares, 5
personas?
19. ¿De cuántas maneras pueden colocarse 8 torres en un tablero de ajedrez, de manera
que ninguna de las 8 torres se “coman”?
20. Con 5 estadísticos y 6 economistas quiere formarse un comité de 3 estadísticos y 2
economistas ¿cuántos comités diferentes pueden formarse? Si:
a) No se impone restricción alguna.
b) Dos estadísticos determinados deben estar en el comité.
c) Un economista determinado no debe estar en el comité.
![Page 30: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/30.jpg)
Ciencias Políticas y Administración Pública
32
21. ¿A qué denominamos un suceso mutuamente excluyente?
22. ¿A qué denominamos un suceso independiente?
Preguntas de evaluación
1. ¿Cuál es la definición clásica de probabilidad?
2. ¿Cuál es la definición estadística de probabilidad?
3. ¿Por qué utilizamos modelos matemáticos?
4. ¿En qué consiste el que un fenómeno sea aleatorio?
5. ¿Qué es un espacio de eventos?
6. ¿Cómo se define formalmente el concepto de probabilidad y cuáles son los axiomas
que fundamentan tal definición?
7. ¿Qué diferencia a un suceso mutuamente excluyente de un suceso independiente?
8. ¿Qué significado tiene la regla de adición?
9. ¿Qué significado tiene la regla de multiplicación?
10. ¿Cómo encontraría la probabilidad total de un suceso en un fenómeno dado?
11. ¿En qué consiste el teorema de Bayes?
Bibliografía complementaria
CHAO, Lincon. Estadística para las ciencias administrativas. México, Mc Graw Hill, 1985. MENDENHALL, Reinmuth. Estadística para administración y economía. México, Grupo Editorial Iberoamericano, 1990. SANTALÓ, Luis. Probabilidad e inferencia estadísticas. Washington, OEA, 1975.
![Page 31: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/31.jpg)
Estadística
33
Unidad 3. Dependencia probabilística
Introducción
En esta unidad, desarrollaremos los elementos teóricos generales de los modelos
probabilísticos, así como los modelos que comúnmente se utilizan, precisando las
características y parámetros que los determinan (media, desviación estándar, etc.). A estos
modelos se les conoce genéricamente con el nombre de distribuciones de probabilidad.
El comportamiento de los fenómenos aleatorios pueden ser discreto o continuo
dependiendo de los valores que asuma la variable aleatoria, las cuales son determinadas por
las características especiales de los eventos aleatorios del experimento. En consecuencia, la
distribución de probabilidad será discreta o continua dependiendo del comportamiento que
tenga la variable aleatoria. Por ejemplo, el número de personas que pertenecen a la
población económicamente activa en familias de 6 miembros describe una distribución de
probabilidad discreta; por otro lado, los tamaños de los tornillos producidos por una
máquina describen una distribución de probabilidad continua.
![Page 32: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/32.jpg)
Ciencias Políticas y Administración Pública
34
Temario
1. Variable aleatoria
2. Distribución de probabilidad univariada, discreta y continua
Función de distribución de probabilidad
Función de densidad de probabilidad
Propiedades y medidas de asociación de las distribuciones de probabilidad
3. Distribuciones discretas
Binomial
Hipergeométrica
Poisson
4. Distribuciones continuas
4.1 Normal
Objetivos de la unidad
1. Identificar cuándo una variable aleatoria tiene un comportamiento discreto o
continuo y determinar sus características.
2. Determinar, dado un problema, el tipo de función de densidad de probabilidad que
le corresponda de acuerdo con el comportamiento de la variable aleatoria.
3. Calcular los valores de los parámetros de la distribución de probabilidad ajustada.
4. Interpretar el significado de los valores que asumen los parámetros, de un problema
dado.
Bibliografía básica
NÚÑEZ del Prado, Arturo y Benavente. Estadística básica para planificación. México, Siglo XXI, 1990. HOLGUÍN Quiñones, Fernando. Estadística descriptiva aplicada a las ciencias sociales. México, FCPyS-UNAM (Serie Estudios, 13), 1970. SPIEGEL, Murray. Estadística. Mc Graw Hill (Serie Schaum's), 1970.
![Page 33: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/33.jpg)
Estadística
35
Actividades de aprendizaje
1. En la extracción de cartas de una baraja, deseamos conocer el número de corazones
rojos que pueden aparecer en una mano de 5 cartas. ¿Qué describe la variable
aleatoria? ¿Qué valores toma la variable aleatoria? ¿Qué características presenta?
2. El número de personas que llegan a una caja registradora en un supermercado es de
n por minuto. ¿Qué describe la variable aleatoria? ¿Qué valores toma la variable
aleatoria? ¿Qué características presenta?
3. En el ingreso a la escuela de Ciencias Políticas y Administración Pública, deseamos
conocer la edad a la que ingresan sus alumnos. ¿Qué describe la variable aleatoria?
¿Qué valores toma la variable aleatoria? ¿Qué características presenta?
4. Los salarios que perciben los obreros en cierta zona industrial son entre $250.00 y
$307.55 pesos diarios. ¿Qué describe la variable aleatoria? ¿Qué valores toma la
variable aleatoria? ¿Qué características presenta?
5. La probabilidad de que un equipo A gane es 1/2. A juega con B un torneo. El primer
equipo que gane 2 juegos seguidos o un total de 3 gana el torneo. Hallar el número
esperado de juegos en el torneo.
6. Una variable aleatoria puede tomar sólo los valores 1 y 3. Si la media es 8/3,
encontrar las probabilidades para estos 2 puntos y encontrar la varianza.
7. Si el número de accidentes en una jornada laboral, en cierta zona industrial sigue el
comportamiento:
X = No. de accidentes 0 1 2 3 P(X) = Probabilidad de accidentes 1/6 2/6 2/6 1/6
¿Cuál es el número esperado de accidentes por jornada? ¿Cuál es la desviación típica?
8. ¿Cuál es la función de densidad binomial y cuáles son los parámetros que la
determinan?
9. En la serie mundial de béisbol, la serie concluye cuando un equipo tiene ganados 4
partidos. Sea p la probabilidad de que el equipo A gane un juego y supongamos que
esta probabilidad permanece constante en la serie. Mostrar que las probabilidades de
que la serie termine en 4 ó 5 juegos son 0.125 y 0.25 respectivamente, cuando p=
1/2 y p= 2/3.
![Page 34: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/34.jpg)
Ciencias Políticas y Administración Pública
36
10. Supongamos que el tiempo registrado muestra que un promedio de 5 de los 30 días
de noviembre son días de lluvia, (a) Suponiendo una distribución binomial con cada
día como un evento independiente, encuentre la probabilidad de que el próximo
mes de noviembre tengamos cuando mucho tres días de lluvia, (b) Dar razones
fenomenológicas que justifiquen no usar la distribución binomial.
11. Sea X una variable aleatoria de una distribución binomial con E[X] = 2 y σ2 = 4/3.
Hallar la distribución de X.
12. ¿Cuál es la función de densidad hipergeométrica y cuáles los parámetros que la
determinan?
13. Una muestra de tamaño 3 es extraída de una caja de 12 artículos. Si 4 de los
artículos son defectuosos, ¿Cuál es la probabilidad de objetos no defectuosos en la
muestra?
14. Considérese el caso de 10 votantes de los cuales 7 son de cierto partido A y 3 de
otro distinto B. Se ha tomado una muestra de 5 de ellos. ¿Cuál es la probabilidad de
que en la muestra haya 3 del partido A?
15. ¿Cuál es la función de densidad de poisson y cuáles los parámetros que la
determinan?
16. Con los datos del problema 10 utilice la aproximación de poisson a la distribución
binomial y compare los resultados para ver que tan buena es la aproximación.
17. Supongamos que el número de artículos de cierta clase comprados en una tienda
durante una semana sigue una distribución de poisson con μ = 50. ¿De cuánto será
la existencia que el comerciante tiene para producir la probabilidad de 0.98 para que
sea capaz de satisfacer la demanda? Usar la aproximación a la normal.
18. Supongamos que en una tienda entran 60 personas por hora, (a) ¿Cuál es la
probabilidad que durante un intervalo de 5 minutos no entre alguno en la tienda?,
(b) ¿Cuál es el intervalo de tiempo en el cual la probabilidad es 1/2 para que no
entre alguna persona en este intervalo?
19. ¿Cuál es la función de densidad uniforme y cuáles los parámetros que la determinan?
20. ¿Cuál es la función de densidad normal y cuáles los parámetros que la determinan?
21. Tenemos una máquina automática que estampa piezas, si controlamos la longitud de
la pieza X que está distribuida normalmente con esperanza matemática igual a 50
mm. Y no mayor que 68 mm. Encontrar la probabilidad de que la longitud de una
![Page 35: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/35.jpg)
Estadística
37
pieza tomada al azar sea:
a) Mayor que 55 mm.
b) Menor que 40 mm.
22. Un fabricante sabe por experiencia que el 6% de sus productos es defectuoso. Si se
vende el producto en cajas de 100 unidades y garantiza que cuando mucho 10
unidades son defectuosas. ¿Cuál es la probabilidad de que en una caja falle la
garantía de calidad?
23. Supongamos que el número de llamadas telefónicas que llegan a un conmutador
siguen una distribución de poisson a razón de 10 llamadas por minuto. Si el
conmutador puede manejar cuando mucho 20 llamadas por minuto. ¿Cuál es la
probabilidad de que en un período de un minuto se sature? Usar aproximación
Normal.
24. Para n = 12 y p = 1/4. Dibujar en la misma gráfica:
a) El polígono binomial
b) El polígono poisson
c) La curva normal apropiada para ordenadas
d) Notar el alcance para el cual (b) y (c) se aproximan a (a).
25. Los errores aleatorios de la medición obedecen a una ley normal con desviación
cuadrática media σ = 20 mm. Y esperanza matemática μ = 0. Hallar la probabilidad
de que de tres mediciones independientes el error de por lo menos una de ellas no
sea mayor en valor absoluto de 4 mm.
Preguntas de evaluación 1. ¿Qué se entiende por variable aleatoria?
2. ¿Qué es una variable discreta?
3. ¿Qué es una variable continua?
4. ¿Qué es una distribución de probabilidad?
5. ¿Qué es la función de distribución de probabilidad?
6. ¿Qué es la función de densidad de probabilidad?
7. ¿Qué es la distribución Binomial?
8. ¿Qué es la distribución Hipergeométrica?
![Page 36: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/36.jpg)
Ciencias Políticas y Administración Pública
38
9. ¿Qué es la distribución de Poisson?
10. ¿Qué es la distribución Normal?
Bibliografía complementaria
CHAO, Lincon. Estadística para las ciencias administrativas. México, Mc Graw Hill, 1985. MENDENHALL, Reinmuth. Estadística para administración y economía. México, Grupo Editorial Iberoamericano, 1990. SANTALÓ, Luis. Probabilidad e inferencia estadísticas. Washington, OEA, 1975.
![Page 37: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/37.jpg)
Estadística
39
Unidad 4. Introducción al teorema del límite central y estimación
Introducción
En la tercera unidad de esta guía hemos estudiado las distribuciones teóricas de la
población con respecto a una cierta variable: edad, peso, ingreso, etcétera, la cual está
determinada por ciertos parámetros, como por ejemplo, la media aritmética u y la varianza
a2 para la distribución normal; la proporción P de casos favorables para la distribución
binomial, etcétera.
Hemos partido del supuesto de que el valor de dichos parámetros es conocido, lo
que no siempre es cierto, puesto que como sabemos se deben conocer todos los valores de
la variable para determinarlos. En múltiples ocasiones nos encontramos con que los valores
de los parámetros no se pueden conocer, es el caso del ingreso, del gasto, de las estaturas,
etc., sin embargo, es necesario tener una aproximación a su valor para poder inferir otros
valores de dicha población, con lo cual se hace necesario encontrar una estimación de estos
parámetros.
![Page 38: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/38.jpg)
Ciencias Políticas y Administración Pública
40
Así, por ejemplo, supongamos que se desea conocer el ingreso promedio de las
familias mexicanas; un procedimiento sería realizar un censo que abarcara a todas las
familias mexicanas, lo cual requiere de una cantidad estratosférica de recursos y de tiempo;
después de efectuado el censo, sería válido dudar de que se hubiera proporcionado con
veracidad la magnitud de su ingreso.
Debido a las dificultades señaladas, muchas veces se prefiere descartar al censo a
favor de un muestreo y con los datos obtenidos estimar el ingreso promedio.
Esta problemática es la que da lugar a la teoría de la estimación que desarrollaremos
en estas unidades, es decir, a partir de una muestra aleatoria extraída de una población se
estiman los parámetros de la misma; ahora bien estas aproximaciones o estimadores son
mejores entre más próximos se encuentren al valor verdadero de la población. Asimismo,
estudiaremos las propiedades que debe cumplir un buen estimador y los métodos de
obtención de estos estimadores a partir de los datos muestrales.
![Page 39: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/39.jpg)
Estadística
41
Temario
1. Teorema del límite central
2. Estimación
Estimación puntual
Estimador insesgado
Estimador consistente
Estimador eficiente
Estimador suficiente
3. Métodos de estimación
Estimación por intervalos
Estimación de medidas por intervalos de confianza
Estimación de proporciones por intervalos de confianza
4. Cálculo del tamaño de la muestra
Objetivos de la unidad
1. Explicar la diferencia entre estimación puntual y por intervalos.
2. Identificar las características de estimadores puntuales conocidas como
insesgamiento, consistencia, eficiencia y suficiencia.
3. Calcular un intervalo de confianza correspondiente a dos poblaciones.
4. Calcular, tomando como base los datos de dos poblaciones, el tamaño adecuado
para cada muestra satisfaciendo un nivel determinado de precisión.
Bibliografía básica
NÚÑEZ del Prado, Arturo y Benavente. Estadística básica para planificación. México, Siglo XXI, 1990. HOLGUÍN Quiñones, Fernando. Estadística descriptiva aplicada a las ciencias sociales. México, FCPyS-UNAM (Serie Estudios, 13), 1970. SPIEGEL, Murray. Estadística. Mc Graw Hill (Serie Schaum's), 1970.
![Page 40: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/40.jpg)
Ciencias Políticas y Administración Pública
42
Actividades de aprendizaje
1. Explique:
a) El concepto de estimador insesgado, consistente, eficiente y suficiente.
b) La diferencia entre estimación puntual y por intervalos.
2. ¿Qué utilidad aporta el cálculo de estimadores?
3. De una población de 450 se obtiene una muestra aleatoria simple de 81 unidades, la
media aritmética y desviación estándar de los ingresos mensuales en la muestra fue
de $1,200.00 y de $270.00 respectivamente:
a) ¿Podría decir cuáles son los parámetros de la población?
b) ¿Cuáles son los estadísticos?
c) ¿Cuál es la estimación de punto del ingreso medio mensual en la población?
d) ¿Cuál es la estimación de intervalo a un nivel de confianza del 99.73%
suponiendo que la desviación estándar de la población es σ = 270?
4. Determine los estimadores insesgados y eficientes de μ y σ2, tomando como base
los siguientes datos. Una muestra de cinco medidas del diámetro de una esfera se
registran como: 6.33, 6.37, 6.36, 6.32, 6.37 cm.
5. Se requiere encontrar el intervalo de confianza del 95% para el coeficiente
intelectual medio de los estudiantes de cierto colegio. Se ha tomado una muestra
aleatoria de 5 estudiantes y los resultados obtenidos son: 160, 170, 165, 175, 180.
¿Cuál es el intervalo buscado?
6. Dos grupos de cerdos fueron cebados con dietas diferentes. Se tomó una muestra
aleatoria de 9 cerdos de cada grupo y las medias muéstrales encontradas fueron X1
= 80Kg y X2 = 90 Kg, se admite que los pesos estaban distribuidos normalmente y
las desviaciones típicas eran σ1 = 9Kg y σ2 = 18Kg. Encuentre el intervalo de
confianza del 90% para la diferencia de medias.
7. En 1969 la especialidad de Relaciones Internacionales de la Facultad de Ciencias
Políticas y Sociales de la UNAM tenía un total de 356 egresados. Se diseñó una
muestra aleatoria simple con objeto de investigar la situación ocupacional de estos
egresados. La muestra se calculó para un nivel de confianza de 95%, precisión de
8% y estimado P= 0.7. ¿Cuántos egresados deberá contener la muestra?
![Page 41: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/41.jpg)
Estadística
43
8. Determine los tamaños de muestra requeridos para estimar el ingreso promedio de
una población de 1500 empleados, con los siguientes niveles de confianza: Z1 =
90%, Z2 = 95%, Z3 = 98% y con precisiones de ε1 =25, ε2 =50, ε3 =100. La
desviación estándar para dicha población es 250.
Preguntas de evaluación
1. ¿Cuál es el teorema del límite central?
2. ¿Qué es un estimador y qué es una estimación?
3. ¿Cuándo se dice que un estimador es insesgado?
4. ¿Cómo se define la consistencia?
5. ¿Cuándo se dice que un estimador es más eficiente que otro?
6. ¿Cuándo se dice que un estimador es suficiente?
7. ¿Cuál es la diferencia entre estimación puntual y por intervalos?
8. ¿A qué se llama confianza?
9. ¿Cómo se calculan los intervalos de confianza?
10. ¿Cómo se calcula el intervalo de confianza para estimar la media?
11. ¿Cómo se calcula el intervalo de confianza para estimar proporciones?
12. ¿Cómo se estima el tamaño de la muestra?
Bibliografía complementaria
CHAO, Lincon. Estadística para las ciencias administrativas. México, Mc Graw Hill, 1985. MENDENHALL, Reinmuth. Estadística para administración y economía. México, Grupo Editorial Iberoamericano, 1990. SANTALÓ, Luis. Probabilidad e inferencia estadísticas. Washington, OEA, 1975.
![Page 42: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/42.jpg)
Ciencias Políticas y Administración Pública
44
![Page 43: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/43.jpg)
Estadística
45
ANEXO: Respuestas a las preguntas de autoevaluación
Unidad 1.
1. Cuando la característica asociada a individuos u objetos puede asumir diferentes
valores, se dice que dicha característica es una variable, en caso contrario se
denomina constante, por ejemplo:
i) El número de automóviles vendidos diariamente, es una característica que se
modifica cada día.
ii) La estatura de los individuos de una población es una característica que asume
un valor distinto para cada individuo,
iii) El ingreso de la PEA es una característica que varía de individuo a individuo.
Los valores observados de una variable son aquellos que se obtienen a través de una
muestra, un censo o un experimento. Mientras que, los valores posibles de una variable son
todos aquellos que puede asumir una variable, aún aquellos que no sean observados. Esto
es, los valores observados son un subconjunto de los valores posibles. Por ejemplo, la
estatura de una persona adulta normal puede estar en un intervalo de valores que van desde
un metro cuarenta centímetros, hasta dos metros y diez centímetros, este intervalo
representa los valores posibles de la variable, mientras que, los valores observados serán
aquellos que se obtengan al levantar una muestra o un censo.
2. Se dice que una variable es cuantitativa cuando su valor se puede expresar
numéricamente. Si una variable se expresa a través de categorías por sus atributos se
denomina cualitativa. Por ejemplo, la edad de una persona se expresa
numéricamente, sin embargo su estado civil se expresa a través de atributos.
Las variables cuantitativas se dividen en dos categorías: discretas y continuas. Las
discretas se definen como un conjunto finito o infinito de valores que es posible numerar u
ordenar. Mientras que, las continuas se definen como un conjunto infinito de valores que es
imposible numerar.
![Page 44: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/44.jpg)
Ciencias Políticas y Administración Pública
46
En una variable continua siempre existen uno o más valores entre dos puntos contiguos,
lo que imposibilita la numeración del conjunto. Por ejemplo, la estatura de un individuo se
mide, por cuestiones prácticas, hasta centímetros, sin embargo, esto no quiere decir que no
existan estaturas en milímetros, millonésimas de milímetro, etc.
Esto implica que en medio de dos valores muy próximos existen uno o más valores que
no se han numerado. Si se acordara que las estaturas sólo se expresaran hasta centímetros,
los valores que asume la variable sí se podrían numerar y en este caso la variable ya no
sería continua sino discreta. Suele ocurrir que una gran variedad de variables discretas son
ordenadas de acuerdo al orden que siguen los números naturales, sin embargo, esto es sólo
una coincidencia, porque muchas variables que impliquen conteo asumirán valores
naturales, por ejemplo, el número de automóviles que entran a un estacionamiento en una
hora.
3. La forma más elemental de organizar los valores de una variable se denomina Serie
Simple de Datos y consiste en ordenarlos en forma creciente. Ejemplo:
La cantidad de pares de zapatos vendidos diariamente durante un mes por una casa
comercial es como sigue:
Pares de zapatos vendidos diariamente por una casa comercial.
La variable, en este caso, representa el número de pares vendidos:
Organización de la información de acuerdo con la talla del par vendido.
4. La siguiente etapa en el ordenamiento de los datos consiste en la denominada
distribución de frecuencias, en esta etapa los datos cuyo valor numérico se repite
son agrupados en una misma categoría. De esta manera se cuenta el número de
veces que un valor de la variable se ha repetido, a lo que se denomina frecuencia
absoluta.
31, 35, 41, 48, 43, 52, 38, 41, 55, 37, 34, 43, 50, 40, 45 48, 48, 47, 56, 57, 45, 32, 45, 43, 45, 47, 53, 50, 38, 46
X = 31, 35, 41, 48, 43, 52, 38, 41, 55, 37, 34, 43, 50, 40, 45 48, 48, 47, 56, 57, 45, 32, 45, 43, 45, 47, 53, 50, 38, 46
![Page 45: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/45.jpg)
Estadística
47
5. Frecuentemente, la información estadística es muy abundante, como sucede en un
censo nacional, motivo por el cual resulta poco práctico agrupar la información
utilizando distribuciones de frecuencias. En estos casos se establecen diferentes
categorías de valores, en las cuales se clasifican los datos de acuerdo con su valor
numérico. Así, una masa de datos puede ser clasificada en varias categorías
numéricas.
La distribución por intervalos de clase es el mecanismo típico para el ordenamiento de
la información. Cuando el número de datos es reducido, no es recomendable utilizar este
procedimiento por las causas que a continuación se exponen.
En los intervalos de clase se agrupan los individuos u objetos cuyo valor numérico de la
variable se encuentra comprendido entre los límites de dicha clase. Si bien el censo no
especifica cuál es el ingreso de cada individuo, la masa de datos agrupada en el intervalo es
tan grande que seguramente la distribución de valores dentro del intervalo es homogénea o
uniforme. Sin embargo, cuando la información no es abundante es posible que algunos
valores se concentren hacia algún extremo del intervalo, lo que ocasiona que los límites del
intervalo no sean representativos. Esto es, al construir un intervalo de clase se debe
procurar que la información ahí agrupada se distribuya homogéneamente a lo largo del
intervalo.
6. Se denomina punto medio o marca de clase al valor medio del intervalo de clase, el
cual se obtiene de sumar los límites inferior y superior de cada clase y dividir entre
dos, esto es:
(Li+ Ls)/ 2
El punto medio representa el valor numérico que se le asigna en promedio a cada
individuo u objeto que pertenece a esta clase.
En la práctica no conviene construir muchos intervalos de clase porque se dificulta
el manejo de muchas clases, lo típico es manejar de 6 a 15 grupos o categorías. Existe una
regla empírica muy utilizada que depende del número total de observaciones y del número
de observaciones por intervalo, esta es:
No. de intervalos = No. total de observaciones/No. de observaciones por intervalo
![Page 46: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/46.jpg)
Cienci
requer
una m
que or
7.
La
compo
pueden
So
rubro
es pos
una re
clase.
ias Políticas
El número
rimientos de
El cálculo
masa de dato
rganiza la inf
Existe un
estadística
con más fr
otros.
a representa
ortamiento d
n hacer a pri
on diagramas
o categoría
sible represe
ebanada. En
Diagra
s y Administ
de observac
l que maneja
del número
s no es exac
formación.
sinnúmero
, dependiend
recuencia so
ción gráfica
de la inform
imera vista,
s circulares e
respecto a u
entarlas en fo
la figura sig
A ama de pastel do
tración Públ
ciones por in
a la informac
o de interval
cto y único,
o de forma
do de los fin
on los diagra
a es un ins
mación estad
antes de rea
en forma de
un total. Por
orma de un
uiente se mu
onde cada interva
lica
48
ntervalo es a
ción.
los y la long
más bien d
as de repre
nes y propós
amas de past
strumento út
dística. Muc
lizar una eva
e pastel, en lo
ejemplo, la
diagrama de
uestra la frac
alo de clase está
asignado de
gitud de los
depende del
esentar gráfi
itos que se t
tel, los histo
til en el es
chas observa
aluación cua
os cuales ca
s categorías
e pastel supo
cción de past
á representado p
acuerdo a la
mismos en
criterio y ne
ficamente la
tengan. Las q
ogramas y la
studio y com
aciones y co
antitativa.
ada rebanada
establecidas
oniendo que
tel que corre
B por una rebanada
a experiencia
que se orde
ecesidades d
a informaci
que se utiliz
as ojivas, ent
mprensión d
onclusiones
a representa
s para la PE
e cada clase
esponde a ca
a.
a y
ena
del
ón
zan
tre
del
se
un
EA,
es
ada
![Page 47: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/47.jpg)
Estadística
49
8. Los histogramas son diagramas en forma de barras consecutivas, en donde la altura
de cada barra corresponde a la frecuencia absoluta y el ancho de la base al rango de
cada clase, en distribuciones de clases y frecuencias. En distribuciones de
frecuencia el ancho de cada barra es sólo representativo, por lo cual sólo importa
que la barra esté centrada en el valor que representa.
Histograma de la distribución de intervalos de clase y frecuencias de la Población Económicamente Activa
por grupos de ingreso mensual en el estado de Aguascalientes, según el censo de 1990.
Histograma de la distribución de clases y frecuencias de la venta de pares de zapatos.
9. Generalmente las ojivas son gráficas acumulativas de las frecuencias, por esta razón
es creciente el comportamiento de esta función.
Existen varios tipos de ojivas, dependiendo de las necesidades y usos de la información
estadística, casi para todas es necesario acumular las frecuencias clase por clase, por esta
razón, es importante distinguir tres tipos de frecuencias: absoluta, acumulada y relativa.
La primera es la correspondiente al conteo de individuos u objetos que poseen un
mismo valor de la variable (datos agrupados por valor de la variable) o que pertenecen a
una misma categoría (datos agrupados por intervalo de clase). La segunda es el resultado de
![Page 48: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/48.jpg)
Ciencias Políticas y Administración Pública
50
sumar sucesivamente las frecuencias absolutas hasta llegar al total de la población. La
tercera se calcula dividiendo la frecuencia absoluta entre el total de datos, es posible
combinar los dos últimos procedimientos para calcular las frecuencias relativas-acumuladas
o acumuladas-relativas dependiendo del orden que se siga, esto es, dividir entre el total de
datos y luego acumular los resultados o acumular y después dividir entre el total,
respectivamente.
Dentro de los diversos tipos de ojivas que se pueden construir, existen dos de
particular interés, la ojiva “más de...” y la “menos de...”. La primera consiste en ir
desagregando los elementos de cada clase del total, empezando por la primera, luego la
segunda, etc., en este caso la gráfica es decreciente. Mientras que, en la ojiva “menos de”
las frecuencias se van agregando clase por clase, como en una ojiva convencional. En
ambos casos el encabezado de cada clase se comienza con la frase “más de...” o “menos
de...” y se establece un valor de la variable que esté comprendido en el intervalo en
cuestión.
Ojiva “mas de...”, utilizando las frecuencias “desacumuladas”.
![Page 49: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/49.jpg)
Estadística
51
Ojiva “menos de...”, utilizando las frecuencias acumuladas.
10. Estas medidas permiten evaluar la tendencia que tiene la gran masa de datos, esto
es, el valor de la variable alrededor del cual se aglomera la mayoría de las
observaciones. Las medidas que se estudiarán son la moda, la mediana, la media, la
media geométrica y la media armónica.
La Moda
El valor de la variable que en una serie de observaciones se repite con mayor
frecuencia se denomina valor modal o moda. En algunos casos puede ocurrir que este valor
no exista o bien que no sea único.
Hasta aquí se ha evaluado la moda para una serie simple de datos, sin embargo, su
obtención se vuelve un poco más complicada para una distribución de clases y frecuencias.
En este caso, se puede demostrar de manera muy sencilla que la expresión es:
Mo = Linf + ∆∆ ∆
donde:
Linf, límite inferior de la clase modal
Δi-1, frecuencia de la clase modal menos frecuencia de la clase anterior a la modal
Δi+i, frecuencia de la clase modal menos frecuencia de la clase posterior a la modal
rMo, rango del intervalo de la clase modal
![Page 50: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/50.jpg)
Ciencias Políticas y Administración Pública
52
La Mediana
Es el valor de la variable que le corresponde al elemento que se encuentra
exactamente a la mitad de todos los datos, una vez que éstos han sido ordenados de menor a
mayor. Así, para una serie simple de datos hay dos posibilidades, si el número de datos es
impar o par. En el primer caso, la mediana corresponde al valor del dato que divide en dos
partes iguales a la serie. En el segundo, el valor de la mediana se obtiene de promediar los
dos datos que se encuentran a la mitad de la serie, esto es, en este caso la mediana está
asociada a un dato ficticio.
La mecánica para calcular la mediana en el caso de datos agrupados se complica un
poco, pero el principio es el mismo, esto es, se trata de obtener el valor de la variable para
el dato que divide en dos partes iguales la masa de datos. En una distribución de clases y
frecuencias los datos se encuentran ordenados por categorías de acuerdo al valor de la
variable en estudio, por lo cual el dato intermedio se encuentra incluido en una de estas
categorías. Para saber en qué categoría se encuentra es necesario acumular las frecuencias
de cada una.
La expresión utilizada en el caso de datos agrupados es:
Md Linf
donde:
Linf, es el límite inferior de la clase en donde se localiza la mediana.
(i-1)Md, es la frecuencia acumulada hasta la clase anterior a la clase en que se localiza la
mediana.
rMd, es el rango de la clase en donde se localiza la mediana.
Md, es la frecuencia absoluta de la clase en que se localiza la mediana.
![Page 51: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/51.jpg)
La Me
anterio
datos,
dato fu
años, e
seria e
Como
sino d
una se
elemen
edia Aritmé
Es la med
ores, involuc
se calcula su
La media r
fuera una pes
empezando p
el punto en d
18
Si se const
se podrá ob
e la diferenc
La expresi
erie simple
ntos de cada
ética
dida de ten
cra a todos
umando ésto
representa e
sa y fuera co
por la menor
donde se equ
19 20
truye un his
bservar, la lo
cia que hay e
ión de la me
de datos,
a valor o cate
ndencia cen
los datos en
os y dividién
X =
el punto de e
olocada una
r edad y term
uilibra dicha
21 2
21.33 a
stograma, se
ocalización d
entre ellos.
dia para dat
sólo es nec
egoría, esto e
X =
53
ntral más im
n su cálculo
ndolos por el
N
equilibrio de
en cada valo
minando con
regla si se so
22 23
años
puede local
de la media n
os agrupado
cesario agre
es:
N
mportante p
o. La media,
l número tot
e todos los d
or a lo largo
n la mayor. L
oporta en un
24 25
lizar el punt
no depende s
os es muy pa
egar la con
pues, a dife
para una se
al, esto es:
datos, por eje
o de una regl
La edad prom
na cuña.
5 26
to en donde
sólo del valo
arecida a la e
ntribución d
Estadísti
erencia de l
erie simple
emplo, si ca
la graduada
medio o med
27
está la med
or de los dato
expresión pa
el número
ica
las
de
ada
en
dia
dia.
os,
ara
de
![Page 52: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/52.jpg)
Cienci
Donde
r
N = ∑ i= r es el
i es e
xi es e
de aqu
que re
fracció
misma
de la c
M(a) =
M(a X
M(X+
donde
media
ias Políticas
e:
r
∑ i es el n1
número de c
el número de
l punto med
Esta expre
X =
uí se puede o
epresenta el
ón del total d
a. Por esta ra
cantidad de d
Algunas pr
= a
X) = a M(X)
Y) = M(X) +
a es una con
a y se cumple
s y Administ
número total
clases o cate
e datos por cl
dio de cada c
sión se pued
=
N
observar que
peso o fac
de datos (N)
azón, el valo
datos que est
ropiedades im
+ M(Y)
nstante. Esta
en para una s
tración Públ
l de datos
egorías.
lase.
lase.
de desglosar
=
e cada punto
tor de pond
) con que co
or de la medi
tén agrupado
mportantes d
as expresion
serie simple
lica
54
por sumand
+ +
o medio está
deración de
ntribuye cad
ia no sólo de
os en la cate
de la media
nes se pueden
de datos o d
dos de la sigu
+ +…
á multiplicad
cada catego
da clase al v
epende del v
goría o clase
son las sigui
n demostrar
datos agrupa
uiente maner
…+
do por un fac
oría. Este fa
alor del pun
valor del pun
e correspond
ientes:
utilizando la
ados.
ra:
ctor del tipo
actor indica
nto medio de
nto medio, si
diente.
a definición
la
la
ino
de
![Page 53: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/53.jpg)
La Me
tipo g
capital
geomé
adecua
expres
donde
i = 1 h
donde
caso e
elevad
siguien
luego
logarit
edia Geomé
Es una me
geométrico, c
l depositado
étrico, difíci
ado.
La media
sión:
significa la
hasta que i =
La media g
Xi es el pu
el cálculo de
do a la fi pue
nte artificio:
Primero se
M
se obtiene
tmos, es imp
étrica
dida de tend
como es el
o a plazo fijo
ilmente la
geométrica
Mg
productoria
N.
geométrica p
Mg =
unto medio d
e la media g
ede sobrepas
:
e expresa la e
Mg =
el logaritm
portante reco
dencia centra
caso del cr
o, etc. Si la
media geom
para una s
g = .
, es decir, sin
para datos ag
de la clase,
geométrica s
sar los límite
ecuación ant
mo de esta
ordar algunas
55
al para variab
recimiento d
variable en
métrica será
serie simple
. .… . =
ntetiza el pro
grupados se c
fi la frecuen
e complica
es de una cal
terior como:
= (
expresión.
s propiedade
bles que sigu
de la poblac
n estudio no
á un indica
e de datos s
= ∏
oducto de lo
calcula a tra
= ∏
ncia y r el n
con la fórm
lculadora, po
. . .
Sin embar
es de los mis
uen un comp
ión, el creci
sigue un co
ador de tend
se calcula a
os valores de
avés de la exp
número de cl
mula preceden
or ello conv
… . )1/N
rgo, antes d
smos.
Estadísti
portamiento
imiento de
omportamien
dencia centr
a través de
e Xi, desde qu
presión:
lases. En es
nte, porque
iene utilizar
de aplicar l
ica
de
un
nto
ral
la
ue
ste
Xi
r el
los
![Page 54: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/54.jpg)
Cienci
i)
ii)
iii)
Al
aplican
log
aplican
log Mg
antilog
ias Políticas
log(a b) =
log (a /b) =
) log a b = b
l aplicar las p
log M
ndo la propi
g Mg = log
ndo nuevam
g = ((log
Esta expre
Log Mg =
Para obte
garitmo de la
Para logari
Para logarit
s y Administ
log a + log b
= log a . log b
log a
propiedades
Mg = log(
edad del inc
g ( . .
mente la prop
+ log +
sión se pued
( log +
ner la med
a expresión p
itmos base 1
Mg
tmos naturale
tración Públ
b
b
del inciso ii
. . .…
ciso i) queda
.… . )
piedad del inc
+ log +…
de escribir en
+ log +
dia geométr
precedente,
0:
= anti log (l
s:
Mg = anti ln
lica
56
ii) a la expre
. )1/N =
:
= (log
ciso iii) a ca
…+ log )
log )
n forma abre
log +…+
rica y no
esto es:
log Mg) =
(ln Mg) =
esión anterio
log ( .
+ log +
ada sumando
= ( log
eviada como
+ log ) =
su logaritm
r, se tiene:
. .… .
log +…
o:
+ log +
:
= ∑
mo, se deb
)
+ log )
+ log +…
be obtener
…+
el
![Page 55: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/55.jpg)
La Me
propor
Por es
datos l
Para d
11
Los Cu
de la p
tres y
asume
tercero
en cin
total d
edia Armón
Esta media
rcional a la o
sta razón su
la media arm
datos agrupad
. Las medid
algún porc
que tiene l
uantiles
Los cuanti
población. P
se denomin
e la variable
o para el tota
nco quintiles,
de la població
nica
a es utilizad
otra, por ejem
utilidad se r
mónica se ex
dos la expre
das de posic
centaje de la
a variable, d
les proporci
Por ejemplo,
nan primero,
para el prim
al de la pobl
, en diez dec
ón por eso c
da en fenóm
mplo, la velo
restringe a lo
xpresa de la s
M a =
sión de la m
M a =
ción son par
a población.
de acuerdo al
onan el valo
si una pobla
segundo y t
mer tercio de
lación. Si la
ciles y en ci
oincide con
57
menos en los
ocidad y el t
os casos ante
siguiente ma
N
media armóni
N =
rámetros que
Se llaman d
l porcentaje
or que asume
ación es div
tercer tercile
e la població
población s
en percentile
el límite sup
s cuales una
tiempo, o la
es señalados
anera:
ica es:
e indican el
de posición p
de la poblac
e la variable
idida en tres
es. El prime
ón, el segund
se divide en
es. El último
perior de la ú
a variable es
productivida
s. Para una s
valor de la
porque se ub
ción seleccio
para una fra
s partes los c
ero nos indic
do para los d
cuatro se lla
o cuantil sie
última clase.
Estadísti
s inversamen
ad y el tiemp
serie simple
a variable pa
bican en val
onado.
acción del to
cuantiles ser
ca el valor q
dos tercios y
aman cuartile
mpre indica
.
ica
nte
po.
de
ara
lor
otal
rán
que
y el
es,
a el
![Page 56: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/56.jpg)
Ciencias Políticas y Administración Pública
58
Las medidas de posición tienen mayor importancia cuando se maneja una gran masa
de información, en una serie simple de datos resulta poco práctico ubicar los cuantiles si los
datos no han sido organizados en una distribución de clases y frecuencias, en cuyo caso los
cuartiles se encuentran a través de la siguiente expresión:
Cr = Lic +
los quintiles a través de la expresión:
Qr = Liq +
los deciles a través de la expresión:
Dr = Lid +
los percentiles a través de la expresión:
Pr = Lip +
12. Como se podrá apreciar, existe una gran variedad de parámetros para distintos
propósitos, en esta sección se tratarán los relacionados con la dispersión de la
información.
Rango
La medida de dispersión más sencilla es el rango, que es la diferencia entre el dato
de mayor valor y el de menor valor en una serie simple de datos. Para distribuciones de
clases y frecuencias es la diferencia entre el límite superior de la última clase y el límite
inferior de la primera.
![Page 57: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/57.jpg)
máxim
Varia
la disp
datos s
cuadra
mientr
forma
varian
clase r
obtien
medio
los dat
El rango e
ma que podrí
anza y Desv
Es la medi
persión cuad
se escribe:
La importa
ado radica e
ras que las g
Para una d
:
Al igual qu
nza no sólo d
respecto a la
La varianz
ne la desviac
os y la media
tos.
s una medid
ía tener la va
viación Típi
ida de dispe
drática medi
ancia de que
en el hecho
grandes pesan
distribución
ue en la med
depende de
as demás.
za por sí so
ción típica o
a, esto es, en
da demasiado
ariable en cu
ica
rsión más im
ia de los dat
S2 =
e la dispersió
o de que las
n cuadrática
de clases y
S2 =
dia, la disper
la magnitud
ola no dice
o estándar, q
ntre el centr
59
o burda, sin
uestión.
mportante, p
tos respecto
N
ón de los da
s dispersion
amente más.
frecuencias
N
rsión es pond
d de la dispe
mucho, per
que indica la
ro de cada c
embargo, d
pues es cons
a la media,
atos en torno
nes pequeña
la varianza
derada por l
ersión, sino d
ro si se obt
a distancia p
clase y el pu
da una idea d
istente y pon
, para una s
o a la media
s no contrib
se escribe e
os factores f
del “peso” q
iene su raíz
promedio en
unto de equil
Estadísti
de la variaci
nderada. Mi
erie simple
sea elevada
buyen much
en la siguien
fi/N, esto es,
que tenga ca
z cuadrada,
ntre los punt
librio de tod
ica
ión
ide
de
a al
ho,
nte
la
ada
se
tos
dos
![Page 58: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/58.jpg)
Ciencias Políticas y Administración Pública
60
Algunas propiedades importantes de la varianza son:
a) Var(a) = a
b) Var(aX) = a Var(X)
c) Var(a+X) = Var(X)
la demostración de estas propiedades se realiza aplicando la definición de la varianza.
Coeficiente de Variación
La varianza es una medida de la variación absoluta. Cuando se desea comparar la
dispersión de dos o más grupos de datos conviene utilizar el concepto de coeficiente de
dispersión, que se define como el cociente entre la desviación típica y la media, esto es:
S
CV =
Por ejemplo, dos distribuciones poseen la misma varianza S2, sin embargo, una
tiene una media de 50 y otra de 450, esto quiere decir que la primera tiene un coeficiente de
dispersión mayor que la segunda, esto es, la dispersión relativa de los datos respecto al
punto de equilibrio de la distribución es menor en el segundo caso que en el primero, sin
embargo, la dispersión absoluta es la misma.
La Asimetría
13. La asimetría es un parámetro estadístico que mide el grado de simetría respecto a la
media de una serie de datos agrupados. En general, las tres medidas de tendencia
central, media, mediana y moda no coinciden. Sin embargo, como la media es el
punto de equilibrio de una distribución, la condición para que una distribución sea
simétrica es que la moda y la mediana coincidan en valor numérico con la media,
esto es:
![Page 59: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/59.jpg)
Estadística
61
= Md = Mo
Por esta razón, una forma de medir la asimetría ha sido evaluar la distancia entre la
media y la moda, o la media y la mediana y estandarizarla dividiendo entre la desviación
típica. Particularmente, el primer y segundo coeficientes de asimetría de Pearson, están
basados en este principio:
3( – Mo) Asimetría = S
3( – Md) Asimetría = S
Otra forma de evaluar el grado de asimetría de una serie de datos agrupados consiste
en recurrir al tercer momento respecto a la media y dividirlo por la desviación típica al
cubo, esto es:
> 0 Asimetría positiva
a3 = m3/S3 = 0 Simétrica
< 0 Asimetría negativa
Asimetría positiva Simétrica Asimetría negativa Media - - - - - - - - Mediana …………… Moda ___________
Este coeficiente es adimensional y no depende de ninguna medida de tendencia
central, excepto de la media. Los términos del tercer momento (Xi-X)3 son positivos cuando
Xi >X y negativos cuando Xi < X, de manera que la suma de todos los términos resultará
positiva o negativa de acuerdo al peso de cada rama a la derecha o izquierda de la media. El
grado de asimetría tiene tres categorías.
![Page 60: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/60.jpg)
Ciencias Políticas y Administración Pública
62
La Curtosis
La curtosis es una medida de la heterogeneidad u homogeneidad de una
distribución, geométricamente representa el grado de abultamiento (o agudez) de la
distribución. La curtosis se mide con ayuda del cuarto momento respecto a la media,
dividiendo éste por el cuadrado de la varianza, esto es:
> 3 Leptocúrtica
a4 = m4/S4 = = 3 Mesocúrtica
< 3 Platocúrtica
Platocúrtica Mesocúrtica Leptocúrtica
14. Una medida de concentración mide el ritmo de acumulación de una variable, en este
sentido, es muy similar a la técnica utilizada para obtener una ojiva. Esta medida de
la concentración para una serie de datos agrupados se denomina Índice de Gini, y
no es una medida promedio como las estudiadas con anterioridad, es una medida
que se obtiene de consideraciones geométricas sobre la curva de Lorenz.
Curva de Lorenz
Como se recordará, las ojivas son gráficas acumulativas de los valores de la variable
y muestran gráficamente el ritmo de acumulación de una variable, por esta razón, la forma
gráfica de apreciar la concentración de una variable tiene que estar relacionada con las
ojivas. La curva de Lorenz es una ojiva invertida, esto es, las frecuencias acumuladas se
grafican en el eje X y el producto de f por X acumulado se gráfica en el eje Y.
![Page 61: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/61.jpg)
Estadística
63
Curva de Lorenz
Índice de Gini
Este índice tiene su origen en la curva de Lorenz, pues es el resultado de encontrar
el área entre esta curva y la recta que une el inicio y el fin de la misma. Esta recta
corresponde al caso ideal en el que la concentración sea homogénea, esto es, que cada clase
o valor de la variable contribuya con la misma frecuencia (en valores o clases igualmente
espaciadas), línea AC. El caso opuesto lo representan las rectas AB y BC, en donde la
concentración de la variable está acumulada en un solo individuo u objeto.
La expresión para el índice de Gini es la siguiente:
XiYi+1 – Xi+1Yi IG = (100)2
donde:
Xi = ia%
Yi = ( iXi)a%
![Page 62: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/62.jpg)
Ciencias Políticas y Administración Pública
64
Curva de Lorenz
Unidad 2.
1. La probabilidad de que se presente determinado suceso es igual al cociente del
número de casos que son favorables a este suceso por el número total de casos
posibles, con tal que todos estos casos sean mutuamente simétricos.
2. Si un total de c eventos mutuamente simétricos, de entre los cuales a nos son
favorables, y suponiendo que repetimos nuestro juego n veces, de las cuales f nos
son favorables porque aparecen algunos de los eventos, entonces n-f veces no serán
a nuestro favor, de donde podemos definir la razón frecuencial como f/n.
En el caso en que n → ∞ (sea n grande), esta razón (f/n) tenderá el valor a/c, puesto que
cada uno de los c casos posibles se presentará n/c veces, pero a de ellas son favorables, o
sea na/c, por lo que f ≡ na/c será el número de veces que ganemos.
3. La intención de la teoría de probabilidades en cualquiera de las disciplinas que la
utilicemos, consiste en proporcionar un modelo matemático adecuado a la
descripción del comportamiento (aleatorio) de nuestro fenómeno. A veces, el
comportamiento puede ser muy similar a los modelos más conocidos (Binomial,
Poisson, Normal, etc.), pero en otras, se deberá dar una descripción del
comportamiento de nuestro fenómeno en términos de modelos que nosotros
construyamos.
![Page 63: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/63.jpg)
Estadística
65
Un modelo matemático será aceptable en la medida en que éste se ajuste al
comportamiento del fenómeno estudiado. En general, el modelo puede resultar más sencillo
que el fenómeno, pero hay que tener en cuenta que por muy adecuado que sea nuestro
modelo, nunca lo podremos ajustar exactamente a nuestro fenómeno debido a su naturaleza
aleatoria, por lo que en este sentido representará una aproximación.
4. Que un fenómeno o suceso sea aleatorio, quiere decir que no podemos afirmar un
resultado a priori de su comportamiento. Por ejemplo, una moneda al ser arrojada,
tiene 2 posibilidades, que caiga sol, o bien águila, sin embargo, no podemos
predecir cuál de los 2 resultados será el que aparecerá. Ahora la pregunta adecuada
sería: ¿De dónde proviene la aleatoriedad de un fenómeno?
El que un fenómeno sea aleatorio proviene de la variabilidad de las condiciones en que
se lleva a cabo éste, es decir, cuando no hay posibilidades de fijar las condiciones en que se
produce nuestro fenómeno; por otra parte, si fijáramos todas las posibles fuentes de
variación de nuestro fenómeno, no tendríamos un fenómeno aleatorio, sino determinista,
puesto que conoceríamos a priori el resultado.
Hay que señalar que un fenómeno no es determinista o aleatorio, sino depende de las
condiciones en que se realice éste, para que sea lo uno o lo otro. Esto es, la arbitrariedad de
las condiciones es lo que nos permite fenómenos o eventos aleatorios.
5. Se denomina espacio de eventos aquel que contiene todos los eventos de un
experimento aleatorio.
6. La probabilidad es una idealización de la proporción de veces que ciertos resultados
ocurrirán en repetidos sucesos de un experimento, así, un modelo de probabilidad
para eventos, será uno para el cual la probabilidad de que un evento A ocurra, será
denotado por P(A), es igual a la proporción de veces que el evento A se espera que
ocurra en repetidos eventos de un experimento. Puesto que P(A) es una función
definida sobre conjuntos, tales como A, es decir, una función-conjunto.
![Page 64: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/64.jpg)
Ciencias Políticas y Administración Pública
66
De acuerdo con lo anterior, construimos 3 axiomas de la teoría de probabilidades:
a) o ≤ P(A) ≤ 1; para todo evento A
b) P(S) = 1
c) P (A1∪A2∪A3∪…) = P(A1) + P(A2) + …, para cualquier sucesión finita o infinita de
eventos A1, A2, A3, … mutuamente excluyentes.
7. SUCESOS MUTUAMENTE EXCLUYENTES Y NO MUTUAMENTE EXCLUYENTES.
Dos eventos A y B son mutuamente excluyentes si no pueden presentarse
simultáneamente, es decir, al ocurrir uno imposibilita la ocurrencia del otro; en caso
contrario se dirá que son no mutuamente excluyentes, o sea que la ocurrencia de uno no
imposibilita la ocurrencia del otro.
Para eventos mutuamente excluyentes tendremos:
A ∪ B = A ó B = A + B
Para eventos no mutuamente excluyentes tendremos:
A ∪ B = A + B - AB
SUCESOS INDEPENDIENTES Y SUCESOS DEPENDIENTES.
Se dice que dos sucesos A y B son independientes cuando la ausencia o presencia de A
es independiente de la presencia o ausencia de B. En caso contrario se dirá que son
dependientes.
De esta propiedad vemos que:
A ∩ B = (A) (B) para eventos independientes
A ∩ B = (A) (B/A) para eventos dependientes donde / significa dado.
![Page 65: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/65.jpg)
Estadística
67
8. Dados los eventos A y B los cuales tienen probabilidades P(A) y P(B)
respectivamente. La probabilidad del evento unión de A y de B para eventos no
mutuamente excluyentes será:
P(A ∪ B) = P(A + B) = P(A) + P(B) - P(A ∩ B ) = P(A) + P(B) - P(AB)
Y para eventos mutuamente excluyentes:
P(A ∪ B) = P(A) + P(B)
Puesto que A ∩ B = AB = 0 (ya que A y B son mutuamente excluyentes).
9. REGLA DEL PRODUCTO DE PROBABILIDADES (PROBABILIDAD
CONDICIONAL).
Sea A y B dos eventos, la probabilidad del evento intersección para eventos
independientes y dependientes será:
P(A ∩ B) = P(A) P(B) para eventos independientes
P(A ∩ B) = P(A) P(B/A) para eventos dependientes
Para mostrar de dónde proviene el inciso (b), es necesario suponer un espacio de
eventos S al cual pertenecen todos los eventos de B y al cual a su vez pertenecen los
eventos de A, donde B es posterior a la ocurrencia de A.
Si en m eventos simples se presentan los eventos de B la probabilidad de que ocurra el
evento A ∩ B, puesto que A es posterior a la ocurrencia de B en el espacio de eventos S,
será:
Número de veces que ocurra A∩B
Número de veces que ocurra B
Que representamos por P(A/B) y que recibe el nombre de probabilidad de A dado B. Si
X es el número de veces que se presenta el suceso A∩B, tendremos:
![Page 66: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/66.jpg)
Ciencias Políticas y Administración Pública
68
Número de veces (A∩B) X P(A/B) = =
Número de veces B m
De acuerdo con la definición clásica de probabilidad es:
Números de casos favorables de (A ∩ B) Número de casos posibles
P(A/B) = P(A∩B) = P (B) Números de casos favorables de B Número de casos posibles de B
Esta fórmula representa la probabilidad condicional, debido a que la aparición de los
sucesos A viene restringida a lo que haya sucedido previamente en B, por lo que queda:
P (A ∩ B) = P(B) x P(A/B)
Si ahora B está sujeto a lo que suceda en A, la expresión quedaría:
P (A ∩ B) = P(A) x P(B/A)
Puesto que A ∩ B = B ∩ A
O sea P(A) P(B/A) = P(B) P(A/B)
Lo anterior origina el teorema de las probabilidades compuestas:
TEOREMA: Si la verificación de un evento supone la ocurrencia de 2 eventos A y B,
su probabilidad es igual al producto de la probabilidad de ocurrencia de A, por la
probabilidad de que B ocurra cuando A se ha presentado.
10. Sean A1, A2,…, Ak eventos mutuamente excluyentes, tales que A1 ∪ A2, ∪,…, Ak =
S (espacio total de eventos). Por otra parte, sea X un evento arbitrario de S.
Entonces:
P(X) = P(A1) P(X/A1) + P(A2) P(X/A2) +… P(Ak) P(X/Ak)
![Page 67: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/67.jpg)
Estadística
69
11. Sea A1, A2, …, Ak un espacio completo de eventos, y sea X un evento cualquiera de
S, entonces:
P(Ai) P(X/Ai) P(Ai/X) =
P(Ai) P(X/Ai) +...+ P(Ak) P(X/Ak)
Unidad 3.
1. El conjunto de todos los posibles eventos resultantes de la realización de un
experimento aleatorio nos produce el espacio completo de eventos, también llamado
espacio muestral. De esta forma, cada fenómeno aleatorio genera su espacio
completo de eventos, el cual puede estar constituido por un conjunto de eventos
infinito o bien finito, dependiendo del tipo de evento generado por la
experimentación.
Si el espacio completo de eventos S lo relacionamos con el sistema de números
reales de acuerdo a cierta regla de asociación, definiremos como variable aleatoria a este
proceso funcional, es decir, es el valor de la función asociado a cada evento del espacio
completo con un número real, del conjunto de los reales. Entonces la serie de números
reales asociados a los eventos aleatorios de un espacio muestral es lo que llamamos la
variable aleatoria. Desde luego, existe una condición especial del evento que define el valor
del número real asignado. Denotemos a la variable aleatoria por X(w).
La regla de asociación mencionada, es sencillamente la que nos da el fenómeno
aleatorio a estudiar, puesto que, este fenómeno produce su propio espacio de eventos.
Esta regla de asociación o función es uno a uno, es decir, le asocia a una variable
aleatoria solamente un valor real del conjunto de números reales (R).
Dependiendo del espacio completo de eventos, tendremos que la serie de números
reales puede ser finita o infinita, la cual llamaremos el intervalo de definición de la variable
aleatoria X(w). De tal forma que este intervalo de definición puede ser continuo o
discontinuo o de ambas formas en un cierto intervalo.
![Page 68: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/68.jpg)
Ciencias Políticas y Administración Pública
70
Entonces, la variable aleatoria describe en valores reales el comportamiento de los
eventos resultantes de un fenómeno aleatorio.
2. Una variable aleatoria es discreta cuando la función asocia un conjunto numerable
de valores tomados de la recta de los reales para asociarlos al espacio muestral, de
tal forma que entre uno y otro valor posible sucesivo no haya valores intermedios,
es decir, medie una cierta distancia.
La discreción de la variable aleatoria, proviene del fenómeno aleatorio a tratar, por lo
que dicha variable también puede ser infinita siempre y cuando sus valores sean
numerables.
3. En general todos los fenómenos que se presentan tanto en las ciencias sociales como
en las exactas son de carácter continuo, puesto que están relacionados con
mediciones del comportamiento intrínseco del fenómeno aleatorio, como por
ejemplo, la medición de las estaturas de los estudiantes; la medición del diámetro de
los anillos de un motor; el ingreso de la población económicamente activa; el precio
de cierto producto en el mercado.
Esto quiere decir que, tanto la continuidad como la discreción de la variable aleatoria,
están determinadas por el tipo de fenómeno aleatorio a estudiar, ya que depende del
conjunto de valores reales que le asignemos.
Así, la variable aleatoria continua se define como la función que asume un conjunto de
valores no numerables (infinito) del sistema de números reales, donde entre uno y otro
valor sucesivo que puede tomar la variable aleatoria hay un conjunto infinito de valores
intermedios, es decir, la distancia entre uno y otro valor sucesivo es tan pequeña que tiende
a cero.
4. La variable aleatoria asigna valores reales a los eventos de un fenómeno aleatorio, y
también, este fenómeno tiene asociado un espacio completo de eventos, es decir,
una distribución de eventos o bien una distribución de valores de la variable
aleatoria.
![Page 69: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/69.jpg)
¿P
Po
consec
variab
cuyo i
probab
la prob
los in
semice
variab
compo
evento
probab
tendre
contin
Por qué distri
orque existe
cuentemente
ble aleatoria
intervalo de
bilidad de oc
babilidad de
ntervalos de
errados y ten
Similarmen
Las distrib
bles aleatoria
ortamiento d
Así, si la v
o o conjunto
bilidades de
emos:
En forma
nua tome valo
ibución?
e un rango
e, las probab
o a un conju
definición e
currencia de
e no-ocurren
definición
nemos que:
P( Ω
nte para un e
buciones de
as tienen la
de la variable
variable alea
de eventos
e los evento
P(x)
parecida po
ores en un in
de valores
bilidades que
unto de ellas
es [0, 1], por
e cualquier e
ncia de cualq
de la vari
) = P(-∞ < X
evento falso
P(Ω) = P(-
e probabilid
característic
e aleatoria.
atoria tiene u
estará dada
os del conju
para la
demos enco
ntervalo [a, b
71
que puede
e se les pue
s, nos produ
rque la prob
evento de un
quier evento
iable aleator
X(w) < ∞) =
o vacío:
∞ > X(w) >
dad por est
ca de ser dis
un comportam
por la proba
unto, las cu
probabilidad
ontrar la pro
b]. Así, tene
e tomar, y
den asignar
ce una distri
babilidad está
n fenómeno
o de un fenó
ria pueden
P(-∞, ∞) =
> ∞) = 0
ar definidas
scretas o con
miento discr
abilidad de é
uales serán
d de un even
babilidad de
mos:
no solame
a cada valo
ibución de p
á normalizad
aleatorio es
ómeno aleato
ser cerrado
1
s precisame
ntinuas, de a
reto, la prob
ste, o bien, p
discretas, si
nto.
e que la var
Estadísti
ente un valo
or que tome
probabilidade
da, es decir,
1. Asimism
orio es 0. A
os, abiertos
ente sobre l
acuerdo con
babilidad de
por la suma
imbólicamen
riable aleator
ica
or,
la
es,
la
mo,
Así,
o
las
el
un
de
nte
ria
![Page 70: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/70.jpg)
Cienci
donde
5.
funció
donde
cualqu
desde
espaci
ias Políticas
f(x) es una
Como una
podemos e
la variable
de probabi
Es decir, si
Dada la e
ón de distribu
En una dis
(x) es la fu
La función
uier valor de
-∞ hasta el
io de eventos
s y Administ
función de d
a variable al
encontrar la p
e aleatoria, d
ilidad, para
imbólicamen
P(-∞, λ
xistencia de
ución de pro
P(x ≤ λ
tribución de
unción de de
n de distribu
e R, y de é
l valor λ inc
s.
tración Públ
P(a ≤
densidad de p
eatoria defin
probabilidad
denominarem
distinguirla
nte tenemos
λ) = P(-∞ <
e variables a
obabilidades
λ) = F(λ) =
e tipo continu
P(x ≤ λ)
ensidad de pr
ución es una
sta manera
clusive, es d
lica
72
x ≤ b) =
probabilidad
ne una distr
d de a lo má
mos a esta n
de otras, pu
:
< x(w) ≤ λ)
aleatorias di
para una dis
=
uo:
) = F(λ) =
robabilidad
a función ac
representará
decir, acumu
d.
ribución de p
s λ eventos,
nueva funció
uesto que es
) = P(x(w)
iscretas ó c
stribución di
de la variabl
cumulativa, p
á la probabi
ula la probab
probabilidad
donde λ es
ón, función d
una función
≤ λ)
continuas, te
iscreta es:
le aleatoria x
puesto que λ
lidad de cua
bilidad de lo
des, de la cu
algún valor
de distribuci
n acumulativ
enemos que
x(w).
λ puede tom
alquier even
os eventos d
ual
de
ión
va.
la
mar
nto
del
![Page 71: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/71.jpg)
a)
b)
c)
d)
6.
En el c
DE
f(x) =
En el c
una fu
a)
b)
c)
donde
Las propie
0 ≤ F(x) ≤ 1
F (-∞) = 0
F (∞) = 1
F(x) ≤ F(y)Si x ≤ y lim F(x) = Fy→ x+
La idea de
aleatoria t
significado
caso discreto
EFINICIÓN
P {X = x} e
caso continu
DEFINICI
unción f que
(x) 0
a y b son cu
edades que ti
1
F(x)
e función d
tiene asignad
o para variab
o la podemo
N: Sea x una
es denominad
uo se define:
IÓN: Una fu
posee las sig
ualquiera do
iene dicha fu
(propiedad de
(propiedad de
(propiedad de
(propiedad de
(continua por
de densidad
da una prob
bles aleatoria
s definir de
variable ale
da función d
unción de de
guientes pro
s valores de
73
unción son la
e normalizaci
e que no apar
e que aparezc
e ser función
r la derecha)
es aquella
babilidad de
as discretas o
la siguiente
atoria discre
de densidad d
ensidad para
piedades:
x que satisf
as siguientes
ión a la unida
rezca algún ev
can todos los
monótona cre
en la que c
e ocurrencia
o continuas.
manera:
eta. Entonce
discreta de x
a una variab
facen a < b.
s:
ad)
vento)
eventos)
eciente)
cada valor
a y tiene va
s la función
x.
ble aleatoria
Estadísti
de la variab
ariantes en
f definida p
continua x
ica
ble
su
por
es
![Page 72: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/72.jpg)
Cienci
propie
inciso
b)
c)
Para to
7.
En
de la d
Si
una po
presen
ias Políticas
En caso d
edades ya se
s b) y c):
oda a < b
La distrib
distribució
complemen
por el even
se podrá p
conocemos
probabilida
decir, 1 - p
puesto que
fenómeno
complemen
n los fenóme
dicotomía, y
tenemos n e
oblación “m
ntan, entonce
s y Administ
de variable
ñaladas para
ución Bino
ón cuyo e
ntarios, dond
nto fracaso:
presentar un
s la probabi
ad del even
p, que la de
e aquí se pre
aleatorio,
ntarias.
enos binomi
fracaso a la
eventos mue
muy grande”
es habrá
tración Públ
s aleatorias
a el caso con
omial es un
espacio de
de a uno de
lo cual imp
no u otro, p
lidad de que
nto fracaso e
enotaremos p
esenta una d
es decir,
ales se deno
ocurrencia d
estrados (nos
”) de los cua
formas de e
lica
74
s discretas
ntinuo, con
n miembro
eventos e
ellos lo desi
lica que en
pero no am
e ocurra el e
estará dada
por q. De es
dicotomía en
se present
omina éxito
del evento c
s referimos a
ales k prese
encontrar los
también se
las siguiente
de la fami
está compu
ignamos por
la realizació
mbos. Si por
evento éxito
por el com
sta forma: 1
n las alterna
tan únicam
a la ocurren
ontrario.
a una muestr
entan cierta
s k eventos e
deben cum
es modificac
ilia Bernoul
uesto por
r el evento é
ón de un sol
r otra parte
o y lo denota
mplemento a
- p = q; o b
ativas de rea
mente dos
ncia de uno
ra de tamaño
característic
entre los n m
mplir las tr
ciones para l
li (es aque
dos event
éxito, y el otr
o experimen
e, previamen
amos por P,
la unidad,
bien p + q =
lización de
característic
de los event
o n extraída
ca y n-k no
muestrados.
res
los
lla
tos
ro,
nto
nte
la
es
= l
un
cas
tos
de
la
![Page 73: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/73.jpg)
Lo
caracte
probab
elemen
probab
probab
P
donde
8.
Si
dicha
presen
sea A
A será
n de l
caracte
Lo
o que signif
erísticas, pu
bilidades p
ntos sin d
bilidad entre
bilidad de ob
x – k; n =
: x = 0, 1, 2,
Esta distrib
dicotomía
misma pro
reemplazar
ocurrencia
anterior, o
distribucio
tenemos N
característic
nte la caracte
(sin caracter
á: y de q
la población
erística A y
os casos favo
fica que si
uesto que c
se multiplic
icha caract
e los (n - k
btener k con
= (1
, 3,…, n
bución perte
o policotom
obabilidad de
r nuevamen
a del siguien
sea se trata
ones binomia
objetos, de
ca (A), vemo
erística A se
rística) será
que el segun
n de N y se
de que n - k
orables de se
pk es la pr
cada evento
carán. Y si
terística, sup
k) eventos;
cierta carac
1 – p)n-k =
enece a la fa
mía, excepto
e ocurrencia
nte el eleme
nte elemento
de eventos d
al o multinom
los cuales M
os que la pro
erá y la pr
=
ndo sea A ser
e desea cono
k no la tengan
eleccionar k
75
robabilidad
es indepen
(1 - p)n-k e
poniendo s
tendremos q
cterística es:
familia Berno
o que aquí n
a, es decir, a
ento muestre
en muestre
dependiente
mial, donde
M tienen cier
obabilidad d
robabilidad d
. La prob
rá:
ocer la prob
n, tendremos
objetos con
de obtener
ndiente de l
es la probab
similarmente
que de una
= !
oulli, porque
no se consid
al obtener un
eado. Por lo
ear se ve con
s, a diferenc
cada evento
rta caracterí
de ocurrenci
de ocurrenci
babilidad de
. Si extraem
babilidad de
s que:
característic
k elemento
los demás,
bilidad de ob
e independe
muestra de
! ! =
e aquí tamb
dera a cada
na muestra l
o que la pr
ndicionada a
cia de lo que
era indepen
stica A, N -
a de que el
ia de que el
que el segun
mos una mues
que k de e
ca A de un to
Estadísti
os con ciert
por tanto l
btener (n -
encia e igu
e tamaño n
bién existe u
evento con
la hacemos s
robabilidad
a la extracci
e ocurría en l
ndiente.
M no tendr
primer even
primer even
ndo evento s
stra de tama
ellos tengan
otal de M ser
ica
tas
las
k)
ual
la
una
la
sin
de
ión
las
rán
nto
nto
sea
año
la
rá:
![Page 74: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/74.jpg)
Cienci
y el re
de ello
Y los
serán:
A en u
donde
distrib
9.
Co
Si mul
ias Políticas
esto de la mu
Formas dif
os son de cla
casos posibl
De lo ante
una muestra
P
: x = 0, 1,
bución hiperg
La distribu
ocurrencia
ocurran, es
y con una m
onsideremos
F(x) =
ltiplicamos y
s y Administ
uestra (n-k),
ferentes. Así
ase A será:
les de selecc
rior, podemo
de n será, de
= (X = K)
2, …., k, …
geométrica.
ución de P
a de eventos
sto es, cuand
muestra de t
la función d
= ….
y dividimos
tración Públ
serán aquell
í los casos f
cionar una m
os decir que
e acuerdo a l
=
…., M, que
Poisson es u
s poco proba
do p es un va
tamaño n gra
de densidad
!
por nx la exp
lica
76
los de tipo Ā
favorables de
muestra de ta
e la probabil
la definición
= úú
es la funció
utilizada pa
ables o alte
alor cercano
ande (n>50).
binomial, qu
=
presión ante
Ā y podrán se
e seleccionar
amaño n de
lidad de sele
n clásica de p
ón de densid
ara determin
ernativament
a cero y q e
.
ue como sab
….!
rior queda:
er selecciona
r n objetos d
la población
eccionar k ob
probabilidad
dad de prob
nar las prob
te, que muy
es muy cerca
emos tiene l
ados de:
de los cuales
n de tamaño
bjetos de cla
d:
babilidad de
babilidades
y posiblemen
ano a la unid
la forma:
s k
N
ase
la
de
nte
dad
![Page 75: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/75.jpg)
de aqu
Por otr
Al enc
entonc
Ahora
uí reconocem
f x
1 1
ro lado:
contrar el lím
ces si z = -p
a bien, el lím
F(x)
mos que en la
1‐ 1/n 1 ‐2
1 – p
mite de la suc
(1 + Z
tenemos:
mite cuando n
es:
) = …
a distribució
2/n ….. 1 –
n
cesión:
Z)1/z cu
n → ∞ de la
77
…. !
ón binomial n
– x – 1 /n
uando z →0,
λ
expresión:
….
(1-p)qn-
np = μ = λ. E
λx / x! 1
tenemos qu
λ
-x
Entonces:
n‐x
– p n / 1 – p
e:
Estadísti
p x
ica
![Page 76: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/76.jpg)
Ciencias Políticas y Administración Pública
78
por lo que cuando n → ∞, p → 0 y np permanece constante, tenemos:
f x λ λ!
donde x = 0, 1, 2, ….
que es la función de densidad de la distribución de Poisson y se puede enunciar en el
siguiente teorema:
“Si la probabilidad de un suceso en un solo evento p tiende a cero, y además el
número de eventos n es infinito de manera tal que la media μ= np permanezca constante,
entonces la distribución binomial se acerca de la distribución Poisson con media λ”.
10. La distribución Normal o Gaussiana es una distribución importante en el sentido de
que matemáticamente es un modelo de comportamiento común, y que muy
frecuentemente se encuentra en los fenómenos sociales, económicos, físicos, etc. Lo
característico de este tipo de distribución es debida a que su función de densidad, es
una función simétrica, esto es, que la media, la mediana y la moda son iguales, es
decir, coinciden tomando el mismo valor.
La distribución normal de probabilidad es una distribución de probabilidad continua
tanto simétrica como mesocúrtica. La curva de probabilidad que representa a la distribución
normal de probabilidad tiene forma de campana.
La distribución normal de probabilidad es importante para la inferencia estadística por
tres razones:
![Page 77: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/77.jpg)
probab
de val
con di
Donde
μ
σ
x, hac
media
que el
• Se sab
distribu
• Las pro
de prob
• Las di
muestr
indepen
Como suc
bilidad de un
lores. La alt
istribución n
e:
es la media
la varianza
Podemos n
cia ambos la
a, ya sea a la
área bajo la
e que las m
ución.
obabilidades
babilidad, co
stribuciones
al tienen di
ndientement
ede en toda
na variable
tura de la fu
normal está d
a de la distri
a de la distrib
notar de la g
ados de la m
izquierda o
a curva es ca
medidas obte
s normales s
omo las distr
s de estadís
istribución n
te de la distri
as las distrib
aleatoria co
unción de de
dada por:
x
bución
bución
gráfica que l
media μ, lo q
a la derecha
da vez meno
79
enidas en mu
suelen servi
ribuciones bi
sticas como
normal cuan
ibución de la
buciones con
ntinua sólo
ensidad, o cu
la curva se a
que signific
a, tienen poc
or.
uchos proce
ir para aprox
inomial y de
la media m
ndo el tamañ
a población
ntinuas de p
puede deter
urva de prob
aproxima asi
a que los va
ca probabilid
esos aleatorio
ximar otras
e Poisson.
muestral y
ño de mues
de origen.
probabilidad
rminarse par
babilidad, d
intóticament
alores muy
dad de realiz
Estadísti
os siguen es
distribucion
la proporci
stra es grand
d, un valor
ra un interva
e una variab
te al eje de l
alejados de
zarse, debido
ica
sta
nes
ión
de,
de
alo
ble
las
la
o a
![Page 78: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/78.jpg)
Cienci
inflexi
decir,
media
en que
objeto
se teng
Entonc
(Esta e
Unida
1.
tiene u
permit
consid
difiere
aproxi
forma
que se
ias Políticas
Además, l
ión de la cu
de la magn
a. En forma p
e se tenga un
o de tener un
ga una distri
ces:
es la distribu
ad 4.
“Sea X un
aleatoria
una distribuc
Desde un p
te el uso de
derablemente
en de la nor
imación nor
de f(x) (fun
e distribuye X
s y Administ
a desviación
urva, lo que
nitud de des
práctica, par
na distribuci
na tabla com
ibución norm
ución normal
na variable
ción que se a
punto de vist
la curva no
e de la nor
rmal debido
rmal de X. E
nción de den
X para algun
tración Públ
n típica σ m
nos permit
viación de l
ra simplifica
ión normal, s
mún de valor
mal.
Z
l de probabi
aleatoria co
Z aproxima a la
ta práctico, e
ormal cuando
rmal. Desde
o al tamaño
Experimento
nsidad de pr
na f(x).
lica
80
medida a am
te obtener u
los valores
ar el cálculo
se realiza un
es y que se
lidad con μ =
on media μ
a distribució
este teorema
o la variable
e luego, la
de n, el cu
os de muestr
robabilidad)
mbos lados d
una medida
de la variab
o de la proba
n cambio de
pueda aplica
= 0 y σ = l.
y varianza
ón normal es
a es excesiva
e X tiene un
mayoría de
ual, cuando
reo han mos
) influye mu
de μ nos da
del ancho d
ble aleatoria
abilidad para
variable de
ar a cualquie
σ2, entonce
stándar cuand
amente impo
na distribuci
e las distrib
n es grand
strado que p
uy poco sobr
los puntos
de la curva,
en torno a
a cada ocasi
x por z con
er caso en q
es, la variab
do n → ∞”.
ortante, porq
ión que difie
uciones de
de garantiza
para n > 50
re la forma
de
es
la
ión
n el
que
ble
que
ere
X
la
la
en
![Page 79: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/79.jpg)
100 m
por f(x
10 no
denota
Pu
que la
2.
En la sigu
muestras de t
x) = 1 con X
es una mues
Si X1 = 1 ó
a el número t
uesto que, la
variable Z d
Generalme
conocidos
es decir, ob
valor verda
,...., xn de
regularmen
es la func
desconocid
medio de l
número qu
sobre qué t
uiente figura,
tamaño n =
X ε [0, 1]. La
stra grande.
ó 0 represen
total de suce
media y la v
del teorema d
Z
ente estos p
o bien no pu
btener un va
adero del pa
valores extr
nte es desco
ción de dis
do θ. A este
la estimación
ue se aproxi
tan próximo
, por ejempl
10, donde X
a convergenc
nta la ocurren
esos en n eve
X1
varianza de X
de límite cen
μ √σ
parámetros
ueden ser co
alor o conjun
arámetro; est
raídos de di
onocida, pero
stribución d
e parámetro d
n. Hemos de
ima al parám
está el estim
81
lo, se muest
X tiene una
cia hacia la n
ncia de éxito
entos, entonc
1 …... Xn
Xi son dadas
ntral es:
(valores es
onocidos, po
nto de valore
ta estimación
cha població
o nos podem
de probabili
desconocido
e tener claro
metro pobla
mador Ô de d
tra la distrib
distribución
normal es mu
o o fracaso e
ces:
n
s por p y pq
√
stadísticos d
or lo que se
es que se ap
n se hace a p
ón, cuya dis
mos aproxim
idad teórica
o θ es al que
que cualqui
cional desco
dicho parám
bución empír
n uniforme q
uy rápida aq
en el i-ésimo
respectivam
de la pobla
hace necesa
proximen lo
partir de una
stribución de
mar a ella por
a con un p
e pretendemo
er estimador
onocido θ,
metro θ.
Estadísti
rica de pa
que viene da
quí, aunque n
o evento y si
mente, tenem
ación) no s
ario estimarlo
más posible
muestra x1,
e probabilid
r F(x ; θ), q
parámetro fi
os conocer p
r puntual es
sin decir na
ica
ara
ada
n =
X
mos
on
os,
al
x2
dad
que
fijo
por
un
ada
![Page 80: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/80.jpg)
Ciencias Políticas y Administración Pública
82
La estimación de parámetros de la población es un importante problema de la
inferencia estadística, en la que a partir de los estadísticos muéstrales (tales como la media,
varianza, proporción de la muestra) se estiman los correspondientes parámetros de la
población (es decir, media, varianza, proporción de la población, etc.). Entonces, tenemos
que la teoría de la estimación se divide en dos campos esenciales, la teoría de la estimación
de punto y la teoría de la estimación de intervalo.
Los valores muéstrales son utilizados para formar una relación funcional Ô =
f(x1,....,xn ) que no contiene ningún valor desconocido. Esta relación Ô es denominada
estimador de θ.
Como las xi son variables aleatorias que tienen la distribución F(x ; 0), el estimador
Ô es una variable aleatoria cuya distribución dependerá por lo general de θ. Observe que
para cada muestra de tamaño n que sea obtenida, puede calcularse un valor de Ô, este valor
se conoce como estimación de θ: dicho de otra forma, una estimación es un valor
observado de la variable aleatoria Ô = f(x1 ,....,xn).
Cabe señalar que el parámetro θ es estimado por una cantidad única, razón por la
cual este tipo de estimación es conocida como estimación puntual.
Algo deseable de cualquier estimador Ô es que con alta probabilidad sus
estimaciones sean muy cercanas al verdadero parámetro poblacional θ, para esto es
necesario que la distribución de Ô esté bastante concentrada alrededor de θ.
3. Se dice que el estimador Ô = f(x1,....,xn ) es insesgado si su promedio es igual a θ,
es decir, si cumple:
E(Ô) = θ
4. Una propiedad deseable de todo estimador, es que a medida que el tamaño de la
muestra aumente, la dispersión alrededor del parámetro θ disminuya, esto es, para
cualquier número ε arbitrariamente pequeño:
![Page 81: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/81.jpg)
Estadística
83
Lim p(| Ô – θ | < ε) = 1 N→∞
A todo estimador que cumpla con esta propiedad se le conoce como estimador
consistente. Así, un estimador Ô = f(x1 ,....,xn) es consistente si su varianza E(Ô - θ)2,
tiende a tomar el valor cero cuando el tamaño de la muestra n tiende a tomar valores muy
grandes, es decir, tiende a infinito.
5. Otra propiedad de los estimadores es la eficiencia, decimos que si tenemos dos
estimadores Ô1 y Ô2, donde ambos son insesgados, el seleccionar de entre ellos “al
mejor” sería escoger al estimador más eficiente, lo cual se determina si la varianza
de éste σ2 Ô1 es menor que la del otro σ2 Ô2. Por lo que tenemos que Ô1 es más
eficiente que Ô2 si:
E(Ô1-θ)2 < E(Ô2-θ)2
La eficiencia relativa de Ô1 con respecto a Ô2 se encuentra a partir de la razón:
E(Ô1 - θ)2 E(Ô2 - θ)2
Si esta razón es mayor que 1, entonces Ô2 es más eficiente que Ô1 y en caso
contrario (menor que uno), se dice que Ô1 es más eficiente que Ô2.
6. Debido a que cualquier información que sea recabada implica un costo, tanto
monetario como de tiempo, es importante no desperdiciar información, es por esto
que existen los estimadores que en su cálculo incluyen toda la información
disponible: los estimadores suficientes.
Ejemplo: La media es un estimador suficiente para la media poblacional μ, a diferencia
de la mediana y la moda en cuyo cálculo no interviene toda la información disponible.
![Page 82: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/82.jpg)
Ciencias Políticas y Administración Pública
84
7. Todo estimador puntual Ô no es más que una aproximación al parámetro
desconocido θ, debido a este desconocimiento no tenemos información precisa de
la proximidad entre ambos. Esta falta de información da lugar a la necesidad de que
una estimación se acompañe simultáneamente con un enunciado de la probabilidad
de esa estimación.
Un estimador de intervalo es aquel estimador Ô que toma un conjunto de valores
sucesivos entre dos puntos I y S, tal que el intervalo contiene al parámetro poblacional θ
con una probabilidad previamente determinada. Es decir, debido al desconocimiento de θ
nunca puede ser conocido el valor de la distancia | Ô - θ |, pero afortunadamente sí se puede
dar una medida en términos probabilísticos de la proximidad de Ô con respecto a θ.
8. En 1937 el profesor J. Neyman propuso un método de estimación, conocido como
intervalos de confianza, el cual permite dar aproximaciones de θ en la forma I < θ <
S junto con un valor de la probabilidad asociado a este intervalo, donde I y S se
obtienen a partir de una muestra.
Así, considérese una muestra aleatoria de tamaño n extraída de una población normal de
varianza σ2 y supóngase que el estadístico muestral es Ô. El problema consiste en estimar el
parámetro θ de la población utilizando un intervalo de valores de la variable aleatoria X.
Puesto que σ2 es la varianza de la población, tenemos que σ2Ô es la varianza de la
distribución muestral del estimador Ô. Aunque θ es un valor desconocido, se sabe por la
teoría del muestreo que Ô es una variable aleatoria con distribución de probabilidad cuya
media y varianza están dadas por μÔ y σ2 Ô.
9. Supongamos que Ô ≡ , aunque el valor de μ es desconocido sabemos que es una
variable aleatoria cuya distribución de probabilidad (distribución muestral de )
tendrá por media y varianza μ y σ2 .
Además, por el teorema central del límite, está distribuida normalmente con media μ
y varianza de tal forma que para encontrar el valor de a en la relación de probabilidad
p(-a < X < a) = β se estandariza, quedando:
![Page 83: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/83.jpg)
Estadística
85
p – σ
σ
σ
sustituyendo Z = σ
resulta:
p(-Z < σ
< Z) = β
de donde:
p( – Z σ < μ < + Z σ ) = β
observa que el intervalo + Z σ cubre la media poblacional μ con probabilidad β, lo cual
puede ser interpretado de la siguiente forma: Al ser el intervalo mencionado una variable
aleatoria que cambia para cada muestra de tamaño n extraída de la población, entonces el β
% de dichos intervalos contiene a la media.
10. Supongamos que x1, x2,….., xn son los valores obtenidos de una muestra aleatoria
de tamaño n extraída de una población cuya media μ es desconocida pero cuya
varianza σ2 se supone conocida, se distinguirán dos casos:
a) La población está normalmente distribuida.
b) La muestra es grande (n ≥ 30) y la media puede considerarse normalmente
distribuida con media μ y varianza σ2 =
En ambos casos la probabilidad de que la dispersión de | - μ | sea menor o igual a zσ
será igual a 1 - α, que es el intervalo de confianza.
Si la varianza de la población no es conocida, comúnmente se estima calculando la
varianza S2 de la muestra, con lo cual los intervalos de confianza para la media μ pueden
expresarse:
![Page 84: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/84.jpg)
Cienci
11
poblac
si el m
para la
n >30
confia
ias Políticas
. Si el estim
una pobla
probabilida
donde p e
obtenidos d
son dados
Para el cas
ción finita, p
muestreo es s
Para calcu
a proporción
0. Un métod
anza determin
s y Administ
mador Ô es la
ación binom
ad de éxito)
es la proporc
de σp, se tie
por:
p
so de muestr
para muestra
p
sin reemplaz
ularse estos l
n poblaciona
do más exa
nado por z, e
Z =
tración Públ
- Z
a proporción
mial en la q
), los límites
ción de éxit
ne que los lí
z =
ras en una p
s de tamaño
p z
o de una pob
límites de co
al p, que gen
acto para ob
es transform
lica
86
μ
n de éxitos en
que p es la
s de confian
tos en la m
ímites de con
p z
población in
n >30, y po
= p z
blación finit
onfianza pue
neralmente d
btener estos
mar la propor
+ Z
n una muestr
a proporción
nza para p v
muestra de ta
nfianza para
nfinita, o con
r:
a de tamaño
ede utilizars
da una aprox
límites de
rción p a uni
ra de tamaño
n de éxitos
vienen dados
amaño n. Co
a la proporció
n reemplazam
N.
se el estimad
ximación sat
confianza a
dades tipific
o n extraída
(es decir,
s por p ± zσ
on los valor
ón poblacion
miento en u
dor muestral
tisfactoria pa
a un nivel
cadas.
de
la
σp,
res
nal
una
l p
ara
de
![Page 85: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/85.jpg)
Estadística
87
donde despejando p, queda:
p =
Para poblaciones que tienen una distribución binomial se pueden encontrar
intervalos de confianza para la media de la población, o sea para la proporción de éxitos en
que no se conoce ésta por medio de utilizar la proporción de éxitos de una muestra p, así los
límites de confianza para la proporción p en la población se obtienen a partir de la relación:
p ± zασp
donde p es la proporción en la muestra extraída.
Como estamos utilizando la tabla normal de áreas, es decir, aproximando la
distribución binomial a la normal, en ambos casos se requiere de muestras “grandes”, o sea,
mayores de 25 observaciones.
Entonces, de manera general el intervalo para proporciones es:
p(p – zαp p p + zαp) = 1 - α
12. El concepto de intervalo de confianza se utiliza también para la determinación del
tamaño de la muestra. Por dos razones es importante estimar el tamaño de la
muestra n antes de hacer una investigación: la primera, consiste en que si se
selecciona una muestra muy pequeña, la precisión del intervalo puede ser muy baja
por lo tanto, éste carecerá de utilidad, implicando un aumento posterior de los
costos al aumentar la muestra; la segunda razón, es que si se trabaja con una
muestra grande se están desperdiciando recursos económicos y de tiempo.
![Page 86: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/86.jpg)
Ciencias Políticas y Administración Pública
88
Una pregunta frecuente que se plantea el estadígrafo es ¿cuántos casos necesito? La
respuesta depende, por supuesto, de lo que se pretenda hacer con los resultados de la
muestra. Por lo regular, lo que hemos de hacer es remontarnos hacia atrás, a partir de los
datos que esperamos obtener, para poder determinar el tamaño desconocido de la muestra.
Una vez que hemos decidido el intervalo de confianza deseado, podemos poner los valores
correspondientes en la fórmula y decidir la amplitud de dicho intervalo. Esto significa que
para poder resolver nuestra fórmula con respecto al tamaño de la muestra n, hemos de
conocer las demás cantidades de la fórmula, para que ésta se convierta en un sencillo
problema algebraico.
Antes de poder dar respuesta a la cuestión del tamaño de la muestra, necesitamos
obtener los siguientes elementos de información:
1) El nivel de confianza a utilizar
2) el grado de exactitud con que deseamos apreciar el parámetro y,
3) alguna estimación razonable de los valores de cualquiera de los parámetros que
puedan aparecer en la fórmula.
Estos elementos de información se requieren debido a que:
1) Es necesario establecer el grado de confianza de los valores puesto que inciden en el
tamaño de la muestra.
2) El grado de precisión de los resultados proporcionados por la muestra para
establecer más o menos cuánta aproximación se desea.
3) Se requiere conocer la tendencia de los estadísticos de acuerdo con el
comportamiento histórico de dichos parámetros.
![Page 87: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/87.jpg)
Estadística
89
Bibliografía general
CHAO, Lincon. Estadística para las ciencias administrativas. México, Mc Graw Hill, 1985. HOLGUÍN Quiñones, Fernando. Estadística descriptiva aplicada a las ciencias sociales. México, FCPyS-UNAM (Serie Estudios, 13), 1970. MENDENHALL, Reinmuth. Estadística para administración y economía. México, Grupo Editorial Iberoamericano, 1990. NÚÑEZ del Prado, Arturo y Benavente. Estadística básica para planificación. México, Siglo XXI, 1990. SANTALÓ, Luis. Probabilidad e inferencia estadísticas. Washington, OEA, 1975. SPIEGEL, Murray. Estadística. Mc Graw Hill (Serie Schaum's), 1970.
![Page 88: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/88.jpg)
APUNTES
![Page 89: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/89.jpg)
![Page 90: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/90.jpg)
![Page 91: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/91.jpg)
![Page 92: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/92.jpg)
DATOS DEL TUTOR
NOMBRE
CORREO ELECTRÓNICO
DIRECTORIO DEL GRUPO
NOMBRE CORREO ELECTRÓNICO
![Page 93: Estadistica](https://reader035.vdocuments.mx/reader035/viewer/2022081801/5571f99e49795991699003f7/html5/thumbnails/93.jpg)
NOMBRE CORREO ELECTRÓNICO
FECHAS DE TUTORÍA