Estadística

Aplicada
PROBABILIDAD Y ESTADISTICA

Eder Agustín Fabián Tinoco

INSTITUTO TECNOLOGICO SUPERIOR DE PATZCUARO
Introducción
La palabra estadística se origina, en las técnicas de recolección, organización,
conservación, y tratamiento de los datos propios de un estado, con que los antiguos
gobernantes controlaban sus súbditos y dominios económicos.

Estas técnicas evolucionaron a la par con el desarrollo de las matemáticas, utilizando sus
herramientas en el proceso del análisis e interpretación de la información. Para mediados
del siglo XVII en Europa, los juegos de azar eran frecuentes, aunque sin mayores
restricciones legales. El febril jugador De Méré consultó al famoso matemático y filosofo
Blaise Pascal (1623-1662) para que le revelara las leyes que controlan el juego de los
dados, el cual, interesado en el tema, sostuvo una correspondencia epistolar con el tímido
Pierre de Fermat (1601-1665, funcionario público apasionado por las matemáticas;
célebre porque no publicaba sus hallazgos) dando origen a la teoría de la probabilidad,
la cual se ha venido desarrollando y constituyéndose en la base primordial de la
estadística.

En nuestros días, son de uso cotidiano las diferentes técnicas estadísticas que partiendo
de observaciones muéstrales o históricas, crean modelos lógico-matemáticos que se
"aventuran" describir o pronosticar un determinado fenómeno con cierto grado de
certidumbre medible. El presente texto no pretende teorizar el saber estadístico, desde
luego, no es un libro para estadísticos, ya que, adrede se obvia el rigor científico de lo
expuesto en beneficio de la sencillez necesaria para el neófito; con un lenguaje coloquial
se conduce al lector a través del contenido, a partir de dos o tres ejemplos que ilustran la
aplicabilidad de los temas tratados.

El avance tecnológico en la informática ha contribuido enormemente al desarrollo de la

estadística, sobre todo en la manipulación de la información, pues en el mercado existen
paquetes estadísticos de excelente calidad, como el SAS, SPSS, SCA, STATGRAPHICS,
amén de otros, que "corren" en un ordenador sin mayores exigencias técnicas,
permitiendo el manejo de grandes volúmenes de información y de variables. La
estadística, entonces, dejó de ser una técnica exclusiva de los estados, para convertirse
en una herramienta imprescindible de todas las ciencias, de donde proviene la
desconcertante des-uniformidad en las definiciones de los diferentes autores, ya que
cada estudioso la define de acuerdo con lo que utiliza de ella y tenemos definiciones

1
como que: la estadística es la tecnología del método científico, o que es el conocimiento
relacionado.

Con la toma de decisiones en condiciones de incertidumbre, o que la estadística son

métodos para obtener conclusiones a partir de los resultados de los experimentos o
procesos, o que es un método para describir o medir las propiedades de una población.
En fin, no se trata de discutir si la estadística es una ciencia, una técnica o una
herramienta, sino de la utilización de sus métodos en provecho de la evolución del
conocimiento. La estadística hace inferencias sobre una población, partiendo de una
muestra representativa de ella. Es a partir del proceso del diseño y toma de la muestra
desde donde comienzan a definirse las bondades y confiabilidad de nuestras
aseveraciones, hechas, preferentemente, con un mínimo costo y mínimo error posible.

2
Contenido
Introducción ..................................................................................................................... 1

1.1 Muestreo ................................................................................................................ 4

1.1.1 Tipos De Muestreo ............................................................................................. 4

1.1.2 Teorema de Limite Central ..................................................................................... 7

1.1.2 Distribución Muestral De La Media ..................................................................... 7

1.1.3 Distribución Muestral De Una Proporción........................................................... 8

1.2 Estimación ............................................................................................................. 8

1.2.1 Estimación puntual ............................................................................................. 8

1.2.2 Estimación Por Intervalo ..................................................................................... 9

1.2.3 Intervalo de Confianza Para Una Media ............................................................. 9

1.2.4 Intervalo De Confianza Para Una Proporción ................................................... 12

1.3 Prueba de Hipótesis ............................................................................................ 12

1.3.1 Errores tipo I y II ................................................................................................... 12

1.3.2 Pasos Para Realizar Una Prueba De Hipótesis .................................................... 13

1.3.3 Prueba De Hipótesis Para Una Media .................................................................. 15

1.3.4 Prueba De Hipótesis Para Una Proporción .......................................................... 15

Conclusión ..................................................................................................................... 16

Bibliografía..................................................................................................................... 17

3
1.1 Muestreo
1.1.1Tipos De Muestreo

Existen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque

en general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos
y métodos de muestreo no probabilísticos.

I. Muestreo probabilístico Los métodos de muestreo probabilísticos son aquellos que se

basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los
individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra
y, consiguientemente, todas las posibles muestras de tamaño n tienen la misma
probabilidad de ser seleccionadas. Sólo estos métodos de muestreo probabilísticos nos
aseguran la representatividad de la muestra extraída y son, por tanto, los más
recomendables. Dentro de los métodos de muestreo probabilísticos encontramos los
siguientes tipos:

1.- Muestreo aleatorio simple: El procedimiento empleado es el siguiente: 1) se asigna un

número a cada individuo de la población y 2) a través de algún medio mecánico (bolas
dentro de una bolsa, tablas de números aleatorios, números aleatorios generados con
una calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario para
completar el tamaño de muestra requerido. Este procedimiento, atractivo por su simpleza,
tiene poca o nula utilidad práctica cuando la población que estamos manejando es muy
grande.

2.- Muestreo aleatorio sistemático: Este procedimiento exige, como el anterior, numerar
todos los elementos de la población, pero en lugar de extraer n números aleatorios sólo
se extrae uno. Se parte de ese número aleatorio i, que es un número elegido al azar, y
los elementos que integran la muestra son los que ocupa los lugares i, i+k, i+2k,
i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el resultado de dividir
el tamaño de la población entre el tamaño de la muestra: k= N/n. El número i que
empleamos como punto de partida será un número al azar entre 1 y k. El riesgo este tipo
de muestreo está en los casos en que se dan periodicidades en la población ya que al
elegir a los miembros de la muestra con una periodicidad constante (k) podemos

4
introducir una homogeneidad que no se da en la población. Imaginemos que estamos
seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son
varones y los 5 últimos mujeres, si empleamos un muestreo aleatorio sistemático con
k=10 siempre seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una
representación de los dos sexos.

3.- Muestreo aleatorio estratificado: Trata de obviar las dificultades que presentan los
anteriores ya que simplifican los procesos y suelen reducir el error muestral para un
tamaño dado de la muestra. Consiste en considerar categorías típicas diferentes entre sí
(estratos) que poseen gran homogeneidad respecto a alguna característica (se puede
estratificar, por ejemplo, según la profesión, el municipio de residencia, el sexo, el estado
civil, etc.). Lo que se pretende con este tipo de muestreo es asegurarse de que todos los
estratos de interés estarán representados adecuadamente en la muestra. Cada estrato
funciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio
simple o el estratificado para elegir los elementos concretos que formarán parte de la
muestra. En ocasiones las dificultades que plantean son demasiado grandes, pues exige
un conocimiento detallado de la población. (Tamaño geográfico, sexos, edades,...)

. La distribución de la muestra en función de los diferentes estratos se denomina afijación,

y puede ser de diferentes tipos: Afijación Simple: A cada estrato le corresponde igual
número de elementos muéstrales. Afijación Proporcional: La distribución se hace de
acuerdo con el peso (tamaño) de la población en cada estrato. Afijación Optima: Se tiene
en cuenta la previsible dispersión de los resultados, de modo que se considera la
proporción y la desviación típica. Tiene poca aplicación ya que no se suele conocer la
desviación.

4.- Muestreo aleatorio por conglomerados: Los métodos presentados hasta ahora están
pensados para seleccionar directamente los elementos de la población, es decir, que las
unidades muéstrales son los elementos de la población. En el muestreo por
conglomerados la unidad muestral es un grupo de elementos de la población que forman
una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los
departamentos universitarios, una caja de determinado producto, etc., son
conglomerados naturales.

5
En otras ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo,
las urnas electorales. Cuando los conglomerados son áreas geográficas suele hablarse
de "muestreo por áreas". El muestreo por conglomerados consiste en seleccionar
aleatoriamente un cierto número de conglomerados (el necesario para alcanzar el tamaño
muestral establecido) y en investigar después todos los elementos pertenecientes a los
conglomerados elegidos.

II. Métodos de muestreo no probabilísticos.

A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente

costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no
sirven para realizar generalizaciones (estimaciones inferenciales sobre la población),
pues no se tiene certeza de que la muestra extraída sea representativa, ya que no todos
los sujetos de la población tienen la misma probabilidad de se elegidos. En general se
seleccionan a los sujetos siguiendo determinados criterios procurando, en la medida de
lo posible, que la muestra sea representativa. En algunas circunstancias los métodos
estadísticos y epidemiológicos permiten resolver los problemas de representatividad aun
en situaciones de muestreo no probabilístico, por ejemplo los estudios de caso-control,
donde los casos no son seleccionados aleatoriamente de la población. Entre los métodos
de muestreo no probabilísticos más utilizados en investigación encontramos:

1.- Muestreo por cuotas: También denominado en ocasiones "accidental". Se asienta

generalmente sobre la base de un buen conocimiento de los estratos de la población y/o
de los individuos más "representativos" o "adecuados" para los fines de la investigación.
Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el
carácter de aleatoriedad de aquél. En este tipo de muestreo se fijan unas "cuotas" que
consisten en un número de individuos que reúnen unas determinadas condiciones, por
ejemplo: 20 individuos de 25 a 40 años, de sexo femenino y residentes en Gijón. Una vez
determinada la cuota se eligen los primeros que se encuentren que cumplan esas
características. Este método se utiliza mucho en las encuestas de opinión.

2.- Muestreo intencional o de conveniencia: Este tipo de muestreo se caracteriza por un

esfuerzo deliberado de obtener muestras "representativas" mediante la inclusión en la
muestra de grupos supuestamente típicos. Es muy frecuente su utilización en sondeos
preelectorales de zonas que en anteriores votaciones han marcado tendencias de voto.
6
También puede ser que el investigador seleccione directa e intencionadamente los
individuos de la población. El caso más frecuente de este procedimiento el utilizar como
muestra los individuos a los que se tiene fácil acceso (los profesores de universidad
emplean con mucha frecuencia a sus propios alumnos).

3.- Bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros, y estos
a otros, y así hasta conseguir una muestra suficiente. Este tipo se emplea muy
frecuentemente cuando se hacen estudios con poblaciones "marginales", delincuentes,
sectas, determinados tipos de enfermos, etc.

4.- Muestreo Discrecional · A criterio del investigador los elementos son elegidos sobre
lo que él cree que pueden aportar al estudio.

1.1.2 Teorema de Limite Central

El teorema del límite central es un teorema fundamental de probabilidad y estadística. El

teorema establece que la distribución de , que es la media de una muestra aleatoria de
una población con varianza finita, tiene una distribución aproximadamente normal cuando
el tamaño de la muestra es grande, independientemente de la forma de la distribución de
la población. Muchos procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales, pero el teorema del límite central le permite aplicar estos
procedimientos útiles a poblaciones que son marcadamente no normales. El tamaño que
debe tener la muestra depende de la forma de la distribución original. Si la distribución
de la población es simétrica, un tamaño de muestra de 5 podría generar una aproximación
adecuada; si la distribución de la población es marcadamente asimétrica, se requiere un
tamaño de muestra de 50 o más.

1.1.2Distribución Muestral De La Media

Cada muestra de tamaño n que podemos extraer de una población proporciona una
media. Si consideramos cada una de estas medias como valores de una variable aleatoria
podemos estudiar su distribución que llamaremos distribución muestral de medias.

7
Si tenemos una población normal N(,) y extraemos de ella muestras de tamaño n, la
distribución muestral de medias sigue también una distribución normal

Si la población no sigue una distribución normal pero n>30, aplicando el

llamado Teorema central del límite la distribución muestral de medias se aproxima
también a la normal anterior

1.1.3 Distribución Muestral De Una Proporción

En numerosas ocasiones se plantea estimar una proporción o porcentaje. En estos casos

la variable aleatoria toma solamente dos valores diferentes (éxito o fracaso), es decir
sigue una distribución binomial y cuando la extensión de la población es grande la

distribución binomial B(n,p) se aproxima a la normal .

Para muestras de tamaño n>30, la distribución muestral de proporciones sigue una

distribución normal

donde p es la proporción de uno de los valores que presenta la variable estadística en la

población y q=1-p.

1.2 Estimación
1.2.1Estimación puntual

Consiste en la estimación del valor del parámetro mediante un sólo valor, obtenido de
una fórmula determinada. Por ejemplo, si se pretende estimar la talla media de un
determinado grupo de individuos, puede extraerse una muestra y ofrecer como
estimación puntual la talla media de los individuos. Lo más importante de un estimador,

8
es que sea un estimador eficiente. Es decir, que sea insesgado (ausencia de sesgos) y
estable en el muestreo o eficiente (varianza mínima).

1.2.2Estimación Por Intervalo

En estadística, se llama intervalo de confianza a un par de números entre los cuales se

estima que estará cierto valor desconocido con una determinada probabilidad de acierto.
Formalmente, estos números determinan un intervalo, que se calcula a partir de datos de
una muestra, y el valor desconocido es un parámetro poblacional. La probabilidad de
éxito en la estimación se representa con 1 - α y se denomina nivel de confianza. En estas
circunstancias, α es el llamado error aleatorio o nivel de significación, esto es, una medida
de las posibilidades de fallar en la estimación mediante tal intervalo.

El nivel de confianza y la amplitud del intervalo varían conjuntamente, de forma que un

intervalo más amplio tendrá más posibilidades de acierto (mayor nivel de confianza),
mientras que para un intervalo más pequeño, que ofrece una estimación más precisa,
aumentan sus posibilidades de error.

Para la construcción de un determinado intervalo de confianza es necesario conocer

la distribución teórica que sigue el parámetro a estimar, θ. Es habitual que el parámetro
presente una distribución normal. También pueden construirse intervalos de confianza
con la desigualdad de Chebyshov.

En definitiva, un intervalo de confianza al 1 - α por ciento para la estimación de un

parámetro poblacional θ que sigue una determinada distribución de probabilidad, es una
expresión del tipo [θ1,θ2] tal que P[θ1 ≤ θ ≤ θ2] = 1 - α, donde P es la función de
distribución de probabilidad de θ.

1.2.3Intervalo de Confianza Para Una Media

De una población de media y desviación típica se pueden

tomar muestras de elementos. Cada una de estas muestras tiene a su vez una media

9
( ). Se puede demostrar que la media de todas las medias muestrales coincide con la
media poblacional:

Pero además, si el tamaño de las muestras es lo suficientemente grande, la distribución

de medias muestrales es, prácticamente, una distribución normal (o gaussiana) con

media μ y una desviación típica dada por la siguiente expresión: . Esto se

representa como sigue: . Si estandarizamos, se sigue

que:

En una distribución Z ~ N(0, 1) puede calcularse fácilmente un intervalo dentro del cual
caigan un determinado porcentaje de las observaciones, esto es, es sencillo
hallar z1 y z2 tales que P[z1 ≤ z ≤ z2] = 1 - α, donde (1 - α)·100 es el porcentaje deseado.

Se desea obtener una expresión tal que

En esta distribución normal de medias se puede calcular el intervalo de confianza donde

se encontrará la media poblacional si sólo se conoce una media muestral ( ), con una
confianza determinada. Habitualmente se manejan valores de confianza del 95 y del 99
por ciento. A este valor se le llamará (debido a que es el error que se cometerá,
un término opuesto).

Para ello se necesita calcular el punto —o, mejor dicho, su versión

estandarizada o valor crítico— junto con su "opuesto en la distribución" .

Estos puntos delimitan la probabilidad para el intervalo, como se muestra en la siguiente
imagen:

10
Dicho punto es el número tal que:

Y en la versión estandarizada se cumple que:

Así:

Haciendo operaciones es posible despejar para obtener el intervalo:

De lo cual se obtendrá el intervalo de confianza:

Obsérvese que el intervalo de confianza viene dado por la media muestral ± el

producto del valor crítico por el error estándar .

11
Si no se conoce y n es grande (habitualmente se toma n ≥ 30):

, donde s es la desviación típica de una muestra.

Aproximaciones para el valor para los niveles de confianza estándar son 1,96
para y 2,576 para .

1.2.4 Intervalo De Confianza Para Una Proporción

Dada una variable aleatoria con distribución Binomial B(n, p), el objetivo es la
construcción de un intervalo de confianza para el parámetro p, basada en una
observación de la variable que ha dado como valor x. El mismo caso se aplica si
estudiamos una Binomial B(1, p) y consideramos el número de veces que ocurre el
suceso que define la variable al repetir el experimento n veces en condiciones
de independencia.

Existen dos alternativas a la hora de construir un intervalo de confianza para p:

Considerar la aproximación asintótica de la distribución Binomial en la distribución

Normal.

Utilizar un método exacto.

1.3 Prueba de Hipótesis

1.3.1 Errores tipo I y II

Cuando usted realiza una prueba de hipótesis, puede cometer dos tipos de errores: tipo
I y tipo II. Los riesgos de estos dos errores están inversamente relacionados y son
determinados por el nivel de significancia y la potencia de la prueba. Por lo tanto, usted
debe determinar qué error tiene consecuencias más graves para su situación antes de
definir sus riesgos.

12
Ninguna prueba de hipótesis es 100% cierta. Puesto que la prueba se basa en
probabilidades, siempre existe la posibilidad de sacar una conclusión incorrecta.

Error de Tipo I

Si rechaza la hipótesis nula cuando ésta es verdadera, usted comete un error de tipo I.
La probabilidad de cometer un error de tipo I es α, que es el nivel de significancia que
usted establece para su prueba de hipótesis. Un α de 0.05 indica que usted está dispuesto
a aceptar una probabilidad de 5% de que está equivocado cuando rechaza la hipótesis
nula. Para reducir este riesgo, debe utilizar un valor más bajo para α. Sin embargo, si
utiliza un valor más bajo para alfa, significa que tendrá menos probabilidades de detectar
una diferencia verdadera, si es que realmente existe.

Error de tipo II

Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II. La
probabilidad de cometer un error de tipo II es β, que depende de la potencia de la prueba.
Puede reducir su riesgo de cometer un error de tipo II al asegurarse de que la prueba
tenga suficiente potencia. Para ello, asegúrese de que el tamaño de la muestra sea lo
suficientemente grande como para detectar una diferencia práctica cuando ésta
realmente exista.

La probabilidad de rechazar la hipótesis nula cuando es falsa es igual a 1–β. Este valor
es la potencia de la prueba.

1.3.2 Pasos Para Realizar Una Prueba De Hipótesis

Usted puede seguir seis pasos básicos para configurar y realizar correctamente una
prueba de hipótesis. Por ejemplo, el gerente de una fábrica de tuberías debe asegurarse
de que el diámetro de los tubos sea de 5 cm. El gerente sigue los pasos básicos para
realizar una prueba de hipótesis.

NOTA

Debe determinar los criterios para la prueba y el tamaño de muestra necesario antes de
recolectar los datos.

13
  Especificar las hipótesis.

En primer lugar, el gerente formula las hipótesis. La hipótesis nula es: la media de la
población de todos los tubos es igual a 5 cm. Formalmente, esto se escribe como: H0: μ
=5

Luego, el gerente elige entre las siguientes hipótesis alternativas:

Condición que se probará Hipótesis alternativa

La media de la población es menor que el objetivo. unilateral: μ < 5

La media de la población es mayor que el objetivo. unilateral: μ > 5

La media de la población es diferente del objetivo. bilateral: μ ≠ 5

Como tiene que asegurarse de que los tubos no sean más grandes ni más pequeños de
5 cm, el gerente elige la hipótesis alternativa bilateral, que establece que la media de la
población de todos los tubos no es igual a 5 cm. Formalmente, esto se escribe como H1:
μ≠5

 Determinar la potencia y el tamaño de la muestra para la prueba.

El gerente utiliza un cálculo de potencia y tamaño de la muestra para determinar cuántos

tubos tienen que medir para tener una buena probabilidad de detectar una diferencia de
0.1 cm o más con respecto al diámetro objetivo.

 Elegir un nivel de significancia (también denominado alfa o α).

El gerente selecciona un nivel de significancia de 0.05, que es el nivel de significancia

más utilizado.

 Recolectar los datos.

Recogen una muestra de tubos y miden los diámetros.

14
  Comparar el valor p de la prueba con el nivel de significancia.

Después de realizar la prueba de hipótesis, el gerente obtiene un valor p de 0.004. El

valor p es menor que el nivel de significancia de 0.05.

 Decidir si rechazar o no rechazar la hipótesis nula.

El gerente rechaza la hipótesis nula y concluye que el diámetro medio de todos los tubos
no es igual a 5 cm.

1.3.3 Prueba De Hipótesis Para Una Media

Si queremos decidir entre dos hipótesis que afectan a un cierto parámetro de la población,
a partir de la información de la muestra usaremos el contraste de hipótesis, cuando
optemos por una de estas dos hipótesis, hemos de conocer una medida del error
cometido, es decir, cuantas veces de cada cien nos equivocamos. En primer lugar,
veremos cómo se escribirían las hipótesis que queremos contrastar: H0 se llama
hipótesis nula y es lo contrario de lo que sospechamos que va a ocurrir (suele llevar los
signos igual, mayor o igual y menor o igual) H1 se llama hipótesis alternativa y es lo que
sospechamos que va a ser cierto (suele llevar los signos distinto, mayor y menor). Los
contrastes de hipótesis pueden ser de dos tipos:

Bilateral: En la hipótesis alternativa aparece el signo =.

Unilateral: En la hipótesis alternativa aparece o el signo > o el signo

1.3.4 Prueba De Hipótesis Para Una Proporción

Las pruebas de proporciones son adecuadas cuando los datos que se están analizando
constan de cuentas o frecuencias de elementos de dos o más clases. El objetivo de estas
pruebas es evaluar las afirmaciones con respecto a una proporción (o Porcentaje)
de población. Las pruebas se basan en la premisa de que una proporción muestral (es
decir, x ocurrencias en n observaciones, o x/n) será igual a la proporción verdadera de la
población si se toman márgenes o tolerancias para la variabilidad muestral. Las pruebas
15
suelen enfocarse en la diferencia entre un número esperado de ocurrencias, suponiendo
que una afirmación es verdadera, y el número observado realmente. La diferencia se
compara con la variabilidad prescrita mediante una distribución de muestreo que tiene

como base el supuesto de que es realmente verdadera.

En muchos aspectos, las pruebas de proporciones se parecen a las pruebas de medias,

excepto que, en el caso de las primeras, los datos muestrales se consideran como
cuentas en lugar de como mediciones. Por ejemplo, las pruebas para medias y
proporciones se pueden utilizar para evaluar afirmaciones con respecto a:

1) Un parámetro de población único (prueba de una muestra)

2) La igualdad de parámetros de dos poblaciones (prueba de dos muestras), y

3) La igualdad de parámetros de más de dos poblaciones (prueba de k muestras).

Además, para tamaños grandes de muestras, la distribución de muestreo adecuada para
pruebas de proporciones de una y dos muestras es aproximadamente normal, justo como
sucede en el caso de pruebas de medias de una y dos muestras

Conclusión

Los conceptos antes mencionados han sido analizados e investigados de tal manera de
hacer más fácil su comprensión y entendimientos ya que la estadística es la ciencia que
trata de entender, organizar y tomar decisiones que estén de acuerdo con los análisis
efectuados. La estadística juega un papel muy importante en nuestras vidas, ya que
actualmente ésta se ha convertido en un método muy efectivo para describir con mucha
precisión los valores de datos económicos, políticos, sociales, psicológicos, biológicos y
físicos, además, sirve como herramienta para relacionar y analizar dichos datos. El
trabajo del experto estadístico ha evolucionado mucho, ya no consiste sólo en reunir y
tabular los datos, sino sobre todo en el proceso de interpretación de esa información,
ahora tiene un papel mucho más importante del que tenia en años pasados.

Es de vital importancia para nuestra vida profesional venidera, que manejemos estos
conceptos con facilidad, así mismo el que los usemos de la manera apropiada, siempre
en pro de buscar soluciones a los problemas que se nos puedan presentar.

16
Bibliografía

 Alatorre, et al., Introducción a los métodos estadísticos, México, UPN. Azorín,

Poch. Francisco.
 Curso de muestreo y aplicaciones, Aguilar, 1969. Barahoma, Abel y otro.
Metodología de trabajos científicos, Ipler, 1979. Bencardino M., Ciro.
 Estadística, Apuntes y 600 Problemas Resueltos, 2a Edición, Ecoe, 1982.
Castillo, Juana,
 Estadística inferencial básica, México, CCH, UNAM.
 Tratamiento de la Incertidumbre www.dc.fi.udc.es/
 Universidad de Antioquia extension.udea.edu.co/
 Estadística Lejarza www.uv.es/

17