Universidad de El Salvador

Facultad de Ciencias Econmicas

Escuela de Economa
Departamento de Matemtica y Estadstica

PROGRAMA DE LA ASIGNATURA ESTADISTICA I

DATOS GENERALES

Ciclo Acadmico: I 2013

Obligatoria para las carreras: - Licenciatura en Economa (1801)

- Licenciatura en Administracin de Empresas (1802)
- Licenciatura en Contadura Pblica (1803)
- Licenciatura en Mercadeo Internacional (1804)

Plan de estudios: 1994

Nmero de horas por ciclo: 80

Duracin de la hora clase: 50 minutos

Horas clase semanales: 5

Duracin del ciclo: 16 semanas

Unidades Valorativas: 5 U.V.

Pre-requisitos: - Para Licenciatura en economa: Bachillerato

- Para Licenciatura en administracin de empresas:
Matemtica financiera
- Para Licenciatura en contadura pblica:
Matemtica II
- Para licenciatura en Mercadeo Internacional:
Matemtica II

Pre-requisito para: Estadstica II

1
 San Salvador, El Salvador, Centro Amrica

OBJETIVO GENERAL DE LA ASIGNATURA

Que el alumnado desarrolle capacidades para investigar y analizar problemas del

mbito econmico, social y empresarial, a travs del aprendizaje de herramientas y
tcnicas estadsticas y su aplicacin a datos reales.

DESCRIPCIN DE LA ASIGNATURA

El curso est estructurado en tres unidades didcticas, con contenidos estadsticos que
forman parte de los conocimientos, herramientas y tcnicas, que el alumnado necesita
para desarrollar competencias en la organizacin y anlisis de datos.

En la Unidad I, se estudian los conceptos y campos de estudio de la estadstica,

destacando su importancia en las Ciencias Econmicas. Se identifican las tcnicas
bsicas de presentacin e interpretacin de datos en grficos y tablas. Se desarrolla el
instrumental de la estadstica descriptiva aplicado a series simples de datos y a series
de datos agrupados. Se resumen los conjuntos de datos en medidas de tendencia
central, medidas de posicin y medidas de dispersin, con nfasis en la descripcin y el
anlisis de variables de inters en las ciencias econmicas.

En la Unidad II, se estudian los principios de conteo: diagramas de rbol, el principio de

la suma y el principio de la multiplicacin, combinaciones y permutaciones. Se
introduce la teora subjetiva y la teora objetiva de la probabilidad. Se desarrollan las
reglas del clculo de probabilidades y se aplican a la solucin de problemas de inters
en las ciencias econmicas.

En la unidad III, se estudian las variables aleatorias discretas (VAD) y las variables
aleatorias continuas (VAC), se realizan clculos de esperanza matemtica y de
varianza, destacando la importancia de su interpretacin. Se estudian algunos modelos
de distribucin de probabilidad de variable aleatoria discreta y de variable aleatoria
continua. El nfasis est puesto en el anlisis de variables aleatorias que tienden a
comportarse de manera similar a los modelos de probabilidad tericamente
establecidos. Se estudian los modelos de distribucin: binomial, poisson, normal y
exponencial.

2
 UNIDADES DIDCTICAS

Unidad 3: Modelando la realidad

Objetivo:
Que los y las estudiantes utilicen los modelos de distribucin de probabilidades
mediante el anlisis del comportamiento de variables discretas y variables continuas
para modelar situaciones relacionadas con problemas de los mbitos: econmico,
social y empresarial.

Contenidos:
3.1 Definicin de variable aleatoria

3.2 Definicin de variable aleatoria discreta

3.2.1. Distribucin de Probabilidad

3
4
 3.2.2. Distribucin Acumulada de Probabilidad
La funcin distribucin acumulada de la variable aleatoria discreta , cuya distribucin de
probabilidad es , es la probabilidad de que la variable sea menor o igual al valor Esto
es,

5
3.2.3. Esperanza Matemtica [E(X)] y Varianza [V(X)]

6
7
8
9
Ojo : http://www.scribd.com/doc/52816014/68/Definicion-2-13-Funcion-de-densidad-de-una-v-
a-discreta

10
11
12
3.3. Definicin de variable aleatoria continua
3.2.1. Funcin de Densidad

13
14
15
 3.2.2. Funcin Acumulada de Probabilidad
Funcin de Probababilidad Acumulada

La funcin distribucin acumulada de la variable aleatoria discreta , cuya distribucin de

probabilidad es , es la probabilidad de que la variable sea menor o igual al valor Esto
es,

Ejemplo

Para el ejemplo tratado anteriormente, La funcin distribucin acumulada de la variable

aleatoria discreta es determinada as:

1. Divida el rango de la variable en subintervalos: y . Esta divisin

es realizada de acuerdo a la particin de la recta real dada en la funcin de probabilidad.

2. Calcule la funcin de probabilidad acumulada para un un valor que se encuentre en el

intervalo como la suma de las probabilidades de los valores de la variable menores a .

ya que segn la definicin de la funcin de probabilidad cuando como

es en este caso.

16
Luego La funcin distribucin acumulada de la variable aleatoria discreta es dada por

Funcin de Densidad VARIABLE CONTINUA

Sea una variable aleatoria definida sobre La funcin de

densidad es dada por alguna funcin integrable sobre tal que

para todo evento

Teorema

Sea una variable aleatoria definida sobre . Toda

funcin que es integrable sobre y satisface:

17
es la funcin de densidad de alguna variable aleatoria continua .

Este teorema nos sirve para determinar cuando una funcin integrable
sobre es una funcin de densidad de alguna variable aleatoria
continua .

Ejemplo

Sea una funcin sobre dada por

Esta es una funcin integrable que satisface que para

todo como se puede observar en la figura 1.

Figura 1. Grfico de funcin de probabilidad

Adems

Sea el evento A= entonces la probabilidad de A puede ser

calculada como

3.2.3. Concepto de Esperanza Matemtica [E(X)] y Varianza [V(X)]

18
3.4 Aplicaciones relacionadas al anlisis de variables aleatorias de inters en
economa

3.5 Modelos de distribucin de probabilidad en variable aleatoria discreta

3.5.1 Binomial

19
20
21
22
23
24
25
26
27
28
EJERCICIOS

3.5.2 Poisson

29
30
31
32
EJERCICIOS

3.5.3 Aproximacin de Poisson a la distribucin binomial

Aproximacin Poisson a la distribucin binomial

Si n es grande y p es pequeo tenemos la siguiente aproximacin:

k
n k n k np ( np)
p q e
k k!

Teorema
Si n y p0 en forma tal que npa entonces C(n,k) pkqnk ea ak / k!

Demostracin
Definimos an = np as que ana. Tenemos que:
n k nk n( n 1) ( n k 1) k nk
p q p q
k k!
n
k 1 2
k 1 an
n 1 1 1 k 1 k
=
n n n an n

a
e
a

k k
k! n a k!
1 n
n
Ejemplo
Se distribuyen al azar n bolillas entre n cajas. Cual es la probabilidad de encontrar k bolillas en una dada
caja ?
C(n,k) (1/n)k (1 1/n)nk e1 / k!

Ejemplo
Durante la segunda guerra mundial cayeron sobre Londres 537 bombas voladoras. El rea afectada fu
dividida en 576 sectores iguales. Sea N k el nmero real de sectores en los cuales cayeron k bombas.
Suponiendo que las bombas cayeron al azar, el nmero esperado de bombas por sector es 537/576= 0.932.
La probabilidad que caigan k bombas en un sector, segn la aproximacin Poisson , es P k= e0.932 (0.932)k /
k! La tabla adjunta muestra la comparacin entre real y terico:

k 0 1 2 3 4 5
Nk 229 211 93 35 7 1
576 Pk 226 211 99 31 7 2

33
Proceso Poisson
A lo largo del eje positivo del tiempo (t>0) se presentan aleatoriamente eventos. Por ejemplo, una sustancia
radioactiva emite partculas o llegan llamadas a una central telefnica. El modelo ms simple para describir
este tipo de proceso es el que se describe a continuacin.

Para 0u<t llamemos Ak(u,t] = {en el intervalo (u,t] se emiten k partculas}.

Haremos las siguientes hiptesis.

I) El proceso es homogneo con respecto al tiempo:

P{A(u,t]} = Pk(tu)

II) Lo que ocurre en intervalos disjuntos es independiente:

Ak(u,t] y Ak(t,v] son independientes.

III) La probabilidad que se presenten simultneamente 2 o ms eventos es imposible. Esto se puede

expresar imponiendo la condicin de que la probabilidad que se presenten 2 o mas eventos en el intervalo
(0,t] ,dado que se present un evento en dicho intervalo, tiende a 0 con t. Esto es equivalente a la condicin:
1 P0 ( t )
lim 1
t 0 P1 ( t )

Demostraremos que I), II) y III) implican que

Pk(t)= et (t)k / k! (A)

Demostracin
Realizaremos la demostracin en 4 pasos.

1) De la definicin de Ak(u,t] resulta:

Ak(0,t+s] = Ak(0,t] A0(t,t+s] + Ak1(0,t] A1(t,t+s] + ... + A0(0,t] Ak(t,t+s]

De los axiomas I) y II) resulta :

Pk(t+s) = Pk(t) P0(s) + Pk1(t) P1(s) + ... + P0(t) Pk(s) (B)

2) Demostraremos que

P0(t)= et donde >0. (C)

De (B) resulta para k=0 que P0(t+s) = P0(t) P(s). Esto muestra que P0(t) es no creciente. Adems, si r y s
son enteros positivos deducimos que:
P0(r/s) = [P0(1/s)]r
Para el caso particular r=s se deduce P0(1/s) = [P0(1)]1/s . Reemplazando:
P0(r/s) = [P0(1)]r/s
Como P0(t) es no creciente debemos tener 0P0(1)1.
P0(1)= 1 implica P0(t) = 1 para t racional lo que contradice III)
P0(1)= 0 implica por (B) P 1 (t+s)=0 lo que tambien contradice III)
Por lo tanto, existe >0 tal que P0(1) = e. Esto demuestra (C) para t racional.
Sea t>0 un nmero real y dos sucesiones de numeros racionales tales que r n t y sn t entonces:
exp(rn) P0(t) exp(sn)
Tomando el lmite queda demostrado (C).

3) De (C) resulta:

[1P0(t)] / t cuando t0 (D1)

Aplicando este resultado en III) resulta:

P1(t) / t cuando t0 (D2)

34
 Finalmente observamos que 0 P0(t) + P1(t) + Pk(t) 1. De donde:
0 Pk(t) / t P1(t) / t + [1P0(t)] / t . De donde:

Pk(t)/ t 0 cuando t0 (k2) (D3)

4) A partir de (B) obtenemos:

Pk (t s ) Pk (t ) P0 ( s ) 1 P (s) Pk ( s )
Pk (t ) Pk 1 (t ) 1 P0 (t )
s s s s
Haciendo s0 y teniendo en cuenta (D1), (D2) y (D3) resulta:
Pk(t) = Pk(t) + Pk1(t) et [Pk(t) + Pk(t)] = et Pk1(t)

El primer miembro es la derivada de et Pk(t). Integrando resulta:

e
t u
Pk (t ) e Pk 1 (u)du
0

Para k=1 se obtiene P1(t) = t et. Por induccin resulta (A)

Interpretacin de
Llamemos (t) = nmero de eventos en el intervalo (0,t]. Para cada t, (t) es una variable aleatoria con
distribucin Poisson. Tenemos que E{t} = t. Por lo tanto, es el nmero esperado de eventos que se
presentan en la unidad de tiempo.

Proceso Poisson (continuacion)

En el proceso Poisson llamemos n = instante en que ocurre el ensimo evento. Hallaremos la funcin
densidad de n computando (1/x) lim P{x<nxx} cuando x0. Llamemos:

Aj= {j eventos ocurren en (0,x] }

Bk= {Por lo menos k eventos ocurren en (x,xx]}

Tenemos que P{x<nxx}= P{A0Bn A1Bn1 ... An1B1}

= P{A0Bn ... + An2B2} P{An1B1}

Observemos que P{B2} = 1P0(x)P1 (x). Por lo tanto, P{B2}/x 0 cuando x0.
Como A0Bn ... + An2B2 B2 resulta que P{A0Bn ... + An2B2}/x0.

Por otra parte, P{B1An1}= [1P0(x )] ex (x)n1 / (n1)!

En consecuencia la funcin densidad de n est dada por:
x n1
e ( x )
( n 1)!

3.6 Modelos en Distribucin de Probabilidad en variable aleatoria continua

35
36
37
38
3.6.1 Exponencial

39
40
41
42
3.6.2 Normal

43
44
45
46
47
48
49
50
51
52
 3.6.3 Aproximacin del modelo binomial a la distribucin binomial

3.7 Aplicaciones relacionadas con el estudio de variables que se comportan como

Binomial, Poisson, exponencial normal.

53
 METODOLOGA

El curso se desarrolla mediante cinco sesiones semanales de 50 minutos, en las que

se combinan clases expositivas y trabajo grupal. Generalmente se utilizan tres
sesiones de clase por parte del/la docente y dos sesiones destinadas a que los
estudiantes resuelvan ejercicios con asesora del/la profesor/a; adems de veinte
horas destinadas para asesoras ex aula. En cada unidad se asignan tareas para la
organizacin, procesamiento y anlisis de datos, utilizando soporte informtico (Excel,
SPSS).
Para estimular y orientar la utilidad de los contenidos hacia la investigacin, los y las
estudiantes realizan un trabajo ex - aula a fin de emplear las herramientas estadsticas
adquiridas a lo largo del ciclo. Como parte de la formacin integral, la ctedra asigna un
control de lectura sobre un tema complementario, en el que se pretende evaluar la
capacidad de los y las estudiantes para estudiar y comprender temas estadsticos por
su propia cuenta.

SISTEMA DE EVALUACION Y FECHAS

Primer Examen Parcial 20.0% (6 de abril)

Segundo Examen Parcial 20.0% (18 de mayo)
Tercer Examen Parcial 20.0% (22 de junio)
Control de lectura 10.0% (15 de abril
Trabajo ex - aula 20.0% (10 de junio)
Otras actividades evaluadas 10.0% (Segn indique cada profesor/a de grupo)
(Exmenes cortos, tareas)
Total...................................... 100.0%

Evaluaciones Diferidas:
Exmenes Parciales y Control de lectura una semana despus de cada evaluacin,
y/o segn indique profesor de cada grupo.

DISPOSICIONES GENERALES

El alumnado podr diferir las siguientes evaluaciones:

Exmenes parciales y control de lectura. No se podr diferir ninguna otra
evaluacin.
Para diferir una evaluacin, deber presentar solicitud de evaluacin diferida a la
coordinacin de ctedra, anexando constancia que justifique la solicitud. La
solicitud debe ser presentada a ms tardar en los 5 das hbiles despus de
realizada la prueba (Podr obtener el formato de solicitud con la secretaria del
Departamento de Matemtica y Estadstica).

REFERENCIAS BIBLIOGRAFICAS

1. Anderson Sweeney Willians. Estadstica Para Administracin y Economa

Dcima edicin
Cencage Learning

54
2. Lind Marchal Wathen. Estadstica Aplicada a los Negocios y economa
Dcimo segunda edicin,
Editorial Mc Graw Hill

3. William Mendenhall. Estadstica para Administradores.

Grupo Editorial Iberoamrica

4. Robert Jonson. Estadstica Elemental

Grupo Editorial Iberoamrica

5. William J Stevenson. Estadstica para Administracin y Economa

Editorial Harla.

6. Mendenhall-Scheaffer-Wackerly. Estadstica Matemtica con Aplicaciones

Grupo Editorial Iberoamrica

7. Freund-Williams-Perles. Estadstica para la Administracin, 5a. Edicin

Editorial Prentice Hall

8. Gildaberto Bonilla Estadstica, Elementos de Estadstica

Descriptiva y Probabilidad
UCA Editores.
9. Leonard J. Kazmier
Estadstica Aplicada a la Administracin y
Economa. Tercera edicin.

PERSONAL ACADEMICO RESPONSABLE

Jefe del Departamento de Matemtica y Estadstica:

Lic. Mario Wilfredo Crespn

Coordinador Estadstica I: Lic. No Eduardo Cortez Hernndez

Profesores titulares: Msc. Deysi Renderos de Molina

Lic. Sal Orlando Quintanilla Lemus
Ing. Oscar Armando Mndez Delgado
Lic. Edgardo Antonio Morales
Lic. No Eduardo Cortez Hernndez
Msc. Balmore Enrique Lpez
Licda. Gilma Sabina Lizama Gaitn
Lic. Carlos Ernesto Castelln Vsquez
Lic. Leonardo Dimitri Garca Rubio

55