Clases Teóricas PDF

CONCEPTOS
GENERALES
INTRODUCCIÓN A LA
ESTADÍSTICA
Diapositivas elaboradas por el

Mg. Marcelo De Feudis (MBA)
Introducción a la Esradística
Conceptos Generales
TEMAS DE ESTA CLASE
Conceptos Generales

ESTADÍSTICA: DEFINICIÓN
 Es la ciencia que estudia los fenómenos o
experimentos aleatorios y transforma los datos
recopilados en información útil para la toma de

Conceptos Generales
decisiones
EXPERIMENTO ALEATORIO
 Son aquellas observaciones de fenómenos más o
menos impredecibles con la finalidad de describir
un comportamiento y/o tomar una decisión

Conceptos Generales
ANÁLISIS DE LOS DATOS
 Una vez recopilados los datos se pueden
distinguir los siguientes tipos de análisis:
 Análisis Descriptivo

Conceptos Generales
 Análisis Inferencial
 Análisis Probabilístico
ANÁLISIS DESCRIPTIVO
 Permite describir en forma apropiada el
comportamiento de las variables a través de
cuadros, gráficos y medidas que resumen

Conceptos Generales
información
ANÁLISIS INFERENCIAL
 Permite tener información de una o más
características de una población o tomar
decisiones concernientes a la misma usando como

Conceptos Generales
base datos de la muestra.
ANÁLISIS PROBABILÍSTICO
 Permite cuantificar la incertidumbre que provoca
el resultado de un experimento cuando éste no
puede predecir con exactitud y tener una idea del

Conceptos Generales
“error” en la decisión arribada en el análisis
inferencial
UNIDAD EXPERIMENTAL
 Es cada uno de los entes que son objetos del
experimento aleatorio

Conceptos Generales
UNIVERSO
 Es el total de unidades experimentales que
poseen características comunes observables, para
obtener información sobre un hecho en particular

Conceptos Generales
Ej. : Si se quiere obtener información acerca de
los alumnos de un curso, el universo está formado
por los alumnos de dicho curso
DATO
 Es el resultado de una medición, el cual puede ser
cualitativo o cuantitativo

Conceptos Generales
INFORMACIÓN
 Es la evaluación de los datos, comparándolas con
un patrón, de modo tal que permita la toma de
decisiones

Conceptos Generales
VARIABLE
 Es toda característica observable de las unidades
experimentales estudiadas

Conceptos Generales
Conceptos Generales
CLASIFICACIÓN DE VARIABLES
 Cuantitativa: discreta
continua
Cualitativa

VARIABLE CUALITATIVA
Es aquella que se origina a partir de datos
cualitativos

Conceptos Generales
VARIABLE CUANTITATIVA
 Es aquella que se origina a partir de datos
cuantitativos

Conceptos Generales
VARIABLE CUANTITATIVA DISCRETA
 . Es aquella que asume una cantidad finita de
valores en un intervalo dado.
Ej.: cantidad de multas por mal estacionamiento

Conceptos Generales
durante un mes determinado
VARIABLE CUANTITATIVA CONTINUA
 Son aquellas que pueden asumir infinitos valores
en un intervalo dado
Ej.: peso de los paquetes de galletitas

Conceptos Generales
Conceptos Generales
Es el conjunto de todos los posibles valores de
una variable
POBLACIÓN

MUESTRA
 Es un subconjunto de una población en base a la

cual se puede hacer un juicio acerca de ésta

Conceptos Generales
CONDICIONES QUE DEBEN REUNIR
LAS MUESTRAS
 Homogeneidad: debe ser extraída de la misma
población.
 Independencia: las observaciones no deben estar

Conceptos Generales
mutuamente condicionadas entre sí.
 Representatividad: la muestra debe ser el mejor
reflejo posible del conjunto del cual proviene.
MÉTODOS DE SELECCIÓN DE MUESTRAS
Los más importantes son:
 Probabilísticos: Simple al azar
Sistemático

Conceptos Generales
Estratificado
Por Conglomerados
Polietápico
 No Probabilísticos: por cuotas
de juicios
discrecional
casual
bola de nieve
de poblaciones móviles
MUESTREO PROBABILÍSTICO
 Se basa en el principio de equiprobabilidad, todos
los individuos tienen la misma posibilidad de ser
elegidos para formar parte de la muestra,

Conceptos Generales
asegurando la representatividad de la muestra
elegida
MUESTREO NO PROBABILÍSTICO
 Es menos costoso que el probabilístico pero no
nos asegura que todos los individuos tengan la
misma posibilidad de ser elegidos

Conceptos Generales
MUESTREO SIMPLE AL AZAR
 El procedimiento empleado es el siguiente:
1) se asigna un número a cada individuo de la
población

Conceptos Generales
2) a través de algún medio mecánico ( tablas de
números aleatorios, números aleatorios
generados con una calculadora o computadora) se
eligen tantos sujetos como sea necesario para
completar el tamaño de muestra requerido.
MUESTREO ALEATORIO SISTEMÁTICO
 Procedimiento:
1) se asigna un número a cada individuo de la
población

Conceptos Generales
2) Se extrae un número aleatorio desde el cual se
comenzará a seleccionar la muestra
3) Se divide el tamaño de la población por el
tamaño de la muestra y se obtiene un número k
4) Se continúan seleccionando los elementos de la
muestra desde el número aleatorio de k en k
elementos hasta conseguir la totalidad de los
elementos de la muestra
MUESTREO ALEATORIO ESTRATIFICADO
 Consiste en dividir a la población en grupos
homogéneos llamadas estratos Ej.: profesión,
sexo, estado civil

Conceptos Generales
 Dentro de cada estrato puede usarse el muestreo
aleatorio simple para extraer los elementos de la
muestra
MUESTREO ALEATORIO POR
CONGLOMERADOS
 Se divide a la población en grupos llamados
conglomerados Ej.: unidades hospitalarias,
departamentos universitarios, área geográfica

Conceptos Generales
 Se selecciona uno o más de uno de los
conglomerados y de esos se analizan rodos los
elementos del mismo
ETAPAS DE LA TAREA ESTADÍSTICA
 1) Formulación del problema y definición de las
variables
 2) Recopilación de los datos

Conceptos Generales
 3) Presentación de los datos
 4) Análisis de los datos
 5) Interpretación de los resultados

FORMULACIÓN DEL PROBLEMA Y
DEFINICIÓN DE LAS VARIABLES
 Este trabajo debe llevarse a cabo entre el
estadístico y el especialista en la disciplina quien
decide el “qué”, el “para qué”, cuáles son los

Conceptos Generales
sujetos del estudio y las características de
interés.
RECOPILACIÓN
 Algunos métodos de recopilación son:
 Entrevistas

Conceptos Generales
 Cuestionarios
 Observación Directa
 La recopilación documental
 Censo
PRESENTACIÓN DE LOS DATOS
 La presentación se realiza habitualmente a
través de cuadros y gráficos estadísticos

Conceptos Generales
CUADROS ESTADÍSTICOS
 Es el método para presentar y organizar los datos
que consiste en formar filas y columnas con el
objeto de clasificarlos adecuadamente

Conceptos Generales
 Las partes componentes de un cuadro estadístico
son:
título
nota de encabezado
columna matriz
encabezado
cuerpo
nota al pie
fuente
EJEMPLO DE CUADRO ESTADÍSTICO
Indicadores demográficos seleccionados para fechas censales. Total del país. Años 1869-2001
Porcentaje de
Esperanza de vida al nacer, Tasa global de fecundidad
Años
Adultos mayores Jóvenes (2) en años (3) (hijos / mujer)

Conceptos Generales
1869 2,2 42,8 32,9 6,8
1895 2,5 40,3 40,0 7,0
1914 2,3 38,4 48,5 5,3
1947 3,9 30,9 61,1 3,2
1960 5,6 30,8 66,4 3,1
1970 7,0 29,3 65,6 3,1
1980 8,2 30,3 68,9 3,3
1991 8,9 30,6 71,9 2,9
2001 9,9 28,3 73,8 2,4
(1) Adultos mayores: población de 65 años y más de edad.

(2) Jóvenes: población de 0 a 14 años de edad.
(3) Los valores de 1869 y 1895 corresponden a los dos primeros períodos intercensales, mientras que los
valores sucesivos provienen de Tablas de Vida elaboradas para cada fecha censal
Fuente: INDEC, Censos Nacionales de Población.

INDEC (1975), La población de Argentina, Buenos Aires, Serie Investigaciones Demográficas N° 1.
INDEC (1988), Tabla de mortalidad 1980-1981, total y jurisdicciones. Buenos Aires, Estudios 10.
GRÁFICOS ESTADÍSTICOS
 Gráfico de Barras
 Gráfico de Partes Componentes

Conceptos Generales
 Gráfico de Área
 Gráfico de líneas
 Pictograma
 Mapas Estadísticos
GRÁFICO DE BARRAS
Esperanza de vida al nacer

80

Conceptos Generales
70
60
50
40
Series1
30
20
10
0
1869 1895 1914 1947 1960 1970 1980 1991 2001
Fuente: Indec
GRÁFICO DE PARTES COMPONENTES
Porcentaje de adultos y jóvenes por año

Conceptos Generales
50
45
40
35
30
25 Jóvenes
Adultos
20
15
10
0
1869 1895 1914 1947 1960 1970 1980 1991 2001
Fuente : Indec
GRÁFICO DE ÁREA (CIRCULAR)

Conceptos Generales
Porcentaje de Población Urbana y Rural
Urbana (1)
Rural (2)
Fuente: Indec
GRÁFICOS DE LÍNEAS
Cantidad de hijos por familia

8

Conceptos Generales
7
4
Series1
3
0
1869 1895 1914 1947 1960 1970 1980 1991 2001
Fuente: Indec
Conceptos Generales
PICTOGRAMA
ORGANIZACIÓN DE DATOS EN SERIES
DE FRECUENCIAS
 Cuando la variable es discreta podemos organizar
los datos de la siguiente manera
 Tomamos una muestra de 25 empleados

Conceptos Generales
 Ej_ Cantidad de hijos a cargo de cada empleado
0 – 0 – 1 – 1- 1 – 1- 2 -2 -2 -2 -2 -2 -2 -2- 3 -3- 3-
3- 3- 4 -4- 4- 5 – 6- 8
ORGANIZACIÓN DE DATOS EN SERIES
DE FRECUENCIAS
X f F G fr
0 2 2 25 2/25 X: variable
1 4 6 23 4/25 f: frecuencia absoluta

Conceptos Generales
2 8 14 19 8/25 F: Frecuencia Acumulada (< =)
3 5 19 11 5/25 G. Frecuencia Acumulada (>
=)
4 3 22 6 3/25 fr Frecuencia Relativa f / n
5 1 23 3 1/25
6 1 24 2 1/25
7 0 24 1 0/25
8 1 25 1 1/25
GRÁFICO DE BASTONES
 Sirve para representar la frecuencia absoluta o
relativa cuando la variable es de tipo discreta

Conceptos Generales
GRÁFICO DE BASTONES

Conceptos Generales
Gráfico de Bastones
10
Cantidad de
empleados
8
6
4
2
0
0 1 2 3 4 5 6 7 8
Cantidad hijos a cargo
GRÁFICO ESCALONADO
 Sirve para representar la frecuencia acumulada o
acumulada relativa cuando la variable es de tipo
discreta

Conceptos Generales
Conceptos Generales
8
7
6
5
Gráfico Escalonado
Hijos a Cargo
4
GRÁFICO ESCALONADO
3
2
1
0
5
0
30
25
20
15
10
Empleados
ORGANIZACIÓN DE DATOS POR
INTERVALOS DE CLASE
 X: Remuneración del último mes
954.90 – 689.85 – 1361.50 – 1093 – 1007 –
1361.50 – 739.80 – 1147.80 – 1571.20 – 985

Conceptos Generales
829.65- 1704.55 – 800 – 1195.35 – 635.40 –
901.40 – 875.20 – 698.70 – 764.95 – 1213.10- 642
– 925.75 – 1428.30- 1064.25- 824.30
INTERVALOS DE CLASE
 Para organizar estos datos usaremos intervalos. La
forma ideal de armado de estos intervalos es la
siguiente

Conceptos Generales
n
 1º Rango = Xmax – Xmin= 1704.55 – 635.40= 1069.15
 2º Cantidad ideal de intervalos h=
= 5
3º i= Rango / h =1069.15 / 5 = 213.83 aprox. 200
25
INTERVALOS DE CLASE
x f PM F G fr
600 - 800 6 700 6 25 6/25

Conceptos Generales
800 - 1000 8 900 14 19 8/25
1000 - 1200 5 1100 19 11 5/25
1200 – 1400 3 1300 22 6 3/25
1400 - 1600 2 1500 24 3 2/25
1600 - 1800 1 1700 25 1 1/25
Conceptos Generales
1800
1600
1400
Sueldo
Histograma
1200
1000
800
600
HISTOGRAMA
10
8
6
4
2
0
Cantidad de empleados
POLÍGONO DE FRECUENCIA
Polígono de Frecuencia

Conceptos Generales
10
8
6
4
2
0
600 800 1000 1200 1400 1600 1800
Sueldo
Conceptos Generales
1800
1600
1400
Sueldo
1200
Ojiva
1000
800
600
5
0
30
25
20
15
10
Empleados
OJIVA
Conceptos Generales
EN ESTA CLASE HEMOS VISTO
Conceptos Generales

AUTOEVALUACIÓN
 Indica si las siguientes variables son discretas o
continuas
a) Cantidad de pacientes por médico

Conceptos Generales
b) Peso de los envases de café
c) Cantidad de avisos publicitarios por minuto
d) Longitud de árboles
AUTOEVALUACIÓN
 Observar en el diario cuadros y gráficos
estadísticos. Y detectar las fallas de confección, si
las hubiere

Conceptos Generales
Conceptos Generales
TEMAS DE LA PRÓXIMA CLASE
Análisis Descriptivo

FRASE PARA REFLEXIONAR
“ Si haces algo como hace diez años, entonces

existen muchas probabilidades de que lo hagas

Conceptos Generales
mal”
Charles Kettering
Conceptos Generales
Muchas Gracias
PRÓXIMA CLASE
ANÁLISIS
DESCRIPTIVO
INTRODUCCIÓN A LA
ESTADÍSTICA
Diapositivas elaboradas por el Mg. Marcelo De Feudis

(MBA)
Introducción a la Estadística
TEMAS DE LA CLASE ANTERIOR
Conceptos Generales

TEMAS DE ESTA CLASE

ANÁLISIS DESCRIPTIVO
 Los cuatro grupos de medidas son las siguientes:
Medidas de Tendencia Central y Posición

Medidas de Variabilidad
Medidas de Asimetría
Medidas de Curtosis
MEDIDAS DE TENDENCIA CENTRAL Y
DE POSICIÓN
 Promedio
 Modo

 Mediana
 Fractiles (Percentiles)
PROMEDIO
 Estudiaremos la media aritmética
 Se la define como la sumatoria de todos los valores
de la variable dividida por la cantidad de datos
 Se la simboliza con x para el caso de una muestra y
con µ para una población
MEDIA ARITMÉTICA
 Datos sin agrupar
Muestra del plantel de empleados en una
sucursal por área de trabajo

Contaduría 4
Ventas 12
Depósito 4
Personal 3
Sistemas 2
MEDIA ARITMÉTICA

x
x =∑
n
25
x= =5 empleados
5
MEDIA ARITMÉTICA
 Datos organizados por frecuencia

X f X.f
0 2 0
1 4 4
2 8 16
3 5 15
4 3 12
5 1 5
6 1 6
7 0 0
8 1 8
MEDIA ARITMÉTICA
x=
∑ x. f
n
66
x= = 2,64hijos
25
MEDIA ARITMÉTICA
 Variable organizada con intervalos
x f PM PM. f

600 - 800 6 700 4200
800 - 1000 8 900 7200
1000 - 1200 5 1100 5500
1200 – 1400 3 1300 3900
1400 - 1600 2 1500 3000
1600 - 1800 1 1700 1700
MEDIA ARITMÉTICA
 Datos Organizados con intervalos de clase
x=
∑ Pm. f
=
n
25500
x= = $1020
25
PROPIEDADES DE LA MEDIA
ARITMÉTICA
 1º (fundamental) La suma de los desvíos de los valores

de la variable con respecto al promedio es igual a 0
∑ (x − x) = 0
Ej: Se toma una muestra de tres familias arrojándose la
siguiente cantidad de hijos por familia: 1 – 2 – 3
x = 2hijos
x 1 2 3
-1 0 1
∑ (x − x) = 0
x−x
ARITMÉTICA
 2º (fundamental) La suma de los desvíos de los valores de

variable con respecto a la media aritmética elevados al
cuadrado da como resultado un valor mínimo
∑ (x− x)
2
= mínimo
 Usando el ejemplo anterior
X 1 2 3
( x − x ) 2 -1 0 1
( x− x ) 1 0 1 ∑ ( x − x ) = 2
2
Tomamos para comprobar un valor distinto al promedio

(x – 3)2 4 1 0 Σ(x – 3 )2 = 5
ARITMÉTICA
 3º El promedio de la constante es la constante
misma
x (k ) = k
ARITMÉTICA
4º El promedio de la suma, resta, multiplicación o

división de cada valor de variable por una constante
es el promedio de la variable sumado, restado,
multiplicado o dividido por dicha constante
Usando el ejemplo anterior
Se sabe que en el edificio B las familias tienen el
doble de hijos que en el edificio estudiado
x: 1 2 3 x = 2hijos
x.2 2 4 6 x.2 = 4hijos
MODO
 Es el valor de variable que más se repite o que
presenta mayor frecuencia absoluta
 La simbolizamos con Mo

 Si una distribución no tiene modo la
denominamos amodal
 Si posee un modo unimodal
 Si posee dos modos bimodal
 Si posee tres o más modos polimodal
MODO
En el ejemplo anterior el modo es 4 empleados,
pues es el valor de variable que más se repite

En el ejemplo es 2 empleados porque es el valor
de variable que posee mayor frecuencia absoluta
8
7
Cantidad hijos a cargo
6
Gráfico de Bastones
5
4
3
2
1
0
Modo
10
8
6
4
2
0
empleados
Cantidad de
MODO
MODO
 Datos organizados por intervalos

x f PM
600 - 800 6 700
800 - 1000 8 900
1000 - 1200 5 1100
1200 – 1400 3 1300
1400 - 1600 2 1500
1600 - 1800 1 1700
MODO
Mo = LI + ∆ 1
.i
∆1 + ∆ 2
∆ 1
= f mod al − f anterior
∆ 2
= f mod al − f posterior
2
Mo = 800 + .200 = $880
2+3
1800
1600
1400
Sueldo
Histograma
1200
1000
800
Modo
600
10
8
6
4
2
0
MODO
MEDIANA
 Es aquel valor de variable que supera y es
superado por la misma cantidad de datos
Lo simbolizamos con Me

MEDIANA
. Datos sin agrupar
1º Ordenar los datos

En el ejemplo 2 3 4 4 12
2º Calcular el orden mediano (n+1)/2
6/2 = 3
3º Ubicar el dato que se encuentra en la tercer
posición
En este caso el dato es el 4
La mediana es cuatro empleados
MEDIANA
Suponer ahora seis secciones con los siguientes
datos ordenados

2 – 3 – 4 – 5 – 8 – 12
El orden mediano ahora es 7/2 = 3.5
La mediana se calcula promediando los datos
que se encuentran en la posición 3 y 4
La mediana es igual a 4.5 empleados
MEDIANA
Datos organizados por frecuencia

X f F
0 2 2

1 4 6
2 8 14
3 5 19
4 3 22
5 1 23
6 1 24
7 0 24
8 1 25
MEDIANA
. Datos organizados por frecuencia

1º Calcular el orden mediano como n/2
n 25
Ome = =
2 2
= 12,5
2º Buscar en la columna de F hasta encontrar el primer valor que

Ome al
iguale o supere , en este caso será el 14
3º La mediana será el valor de variable que se encuentre en esa
fila
Me= 2 empleados
MEDIANA
Gráfico Escalonado
30
25
Empleados
20
15
10
5
0
0 1 2 3 4 5 6 7 8
Hijos a Cargo
MEDIANA
 Datos organizados por intervalos
x f F

600 - 800 6 6
800 - 1000 8 14
1000 - 1200 5 19
1200 – 1400 3 22
1400 - 1600 2 24
1600 - 1800 1 25
MEDIANA
Datos organizados por intervalos
n
− F ant
Me = Li + 2 .i
f
12,5 − 6
Me = 800 + .200 = $962,5
8
1800
1600
1400
Sueldo
1200
Ojiva
1000
800
600
MEDIANA
5
0
30
25
20
15
10
Empleados
FRACTILES
 Es aquel valor de variable que deja un porcentaje
de los datos por encima de ese valor y otro
porcentaje por encima

FRACTILES
 Si dividimos a la distribución en cuartos
obtendremos cuartiles, en décimos deciles y en
centésimos percentiles

PERCENTILES
 Fórmula
k .n
− F ant
= + 100 .i
P k Li
f
PERCENTILES
 Ej: ¿Cuál es el sueldo no superado por el 40 % de los

empleados?
Otra forma de redactarla
¿Cuál es el sueldo máximo del 40% de los menores
sueldos?
10 − 6
P 40 = 800 + .200 = $900
8
PERCENTILES
 ¿Cuál es el salario solo superado por el 10% de los

empleados?
O también ¿Cuál es el salario mínimo del 10 % de los
mejores sueldos?
22,5 − 22
P90 = 1400 + .200 = $1450
2
PERCENTILES
 ¿Cuál es el sueldo no superado por los 10 empleados

de menores sueldos?
Reemplazo este valor en la fórmula en donde
aparece k . n /100
10 − 6
800 + .200 = $900
8
Si fuera superado por los 10 empleados de mejores
sueldos el reemplazo lo tendría que haber hacho por
15 ( 25 -10)
PERCENTILES
 ¿Qué porcentaje de empleados ganan a lo sumo $1080?

x −L
F ( x0) = F ant + 0 inf
.f
i
1080 − 1000
F (1080) = 14 + .5 = 16
200
16
.100 = 64%
25
El 64 % gana menos de $1080 y el 36% gana más de $1080
MEDIDAS DE VARIABILIDAD
 Estas medidas nos indican como se apartan los
datos con respecto a su valor central.
 Las que estudiaremos son las siguientes:

Variabilidad Absoluta: Rango o Amplitud Total
Variancia
Desvío Estándar
Variabilidad Relativa: Coeficiente de Variación
VARIANCIA
 Es el cociente entre la suma de cuadrados y el

número de observaciones.
Sus símbolos son: S2 ( muestral )
σ2 (poblacional)
Su fórmula por definición
∑ − ∑ − µ
2 2
( x x ) ( x )
σ =
2
=
2
S n −1 N
X max – X min (valor máximo – valor mínimo)
RANGO O AMPLITUD TOTAL

VARIANCIA
Muestra del Plantel de empleados en una
sucursal por área de trabajo

Contaduría 4
Ventas 12
Depósito 4
Personal 3
Sistemas 2
VARIANCIA
 Datos sin agrupar (fórmula de trabajo)
∑ x − n. 2
x
2
189 − 5 . 5
2
S = n − 1 = 4 = 16 empleados
2 2
X X2
4 16
12 144
4 16
3 9
2 4 Σ x2 = 189
VARIANCIA
X f X.f X2 . f

0 2 0 0
1 4 4 4
2 8 16 32
3 5 15 45
4 3 12 48
5 1 5 25
6 1 6 36
7 0 0 0
8 1 8 64
VARIANCIA
 Datos organizados por frecuencia (fórmula de
trabajo)
2
=
∑ x
2
f − n. x 2
=
S n −1
254 − 25. 2,64 2

= = 3,32 hijos 2
2
S 24
VARIANCIA
 Variable organizada con intervalos
x f PM PM. f PM2 .f

600 - 800 6 700 4200 2940000
800 - 1000 8 900 7200 6480000
1000 - 1200 5 1100 5500 6050000
1200 – 1400 3 1300 3900 5070000
1400 - 1600 2 1500 3000 4500000
1600 - 1800 1 1700 1700 2890000
VARIANCIA
 Datos Organizados con intervalos de clase
(Fórmula de Trabajo)
∑ PM f − n.2
x
2
S = =
2
n −1
27930000 − 25.10202 2
= = $ 80000
2
S 24
PROPIEDADES DE LA VARIANCIA
 1º La variancia de una constante es cero
σ (k ) = 0
2
2º La variancia de la suma, resta de cada valor de variable por

una constante es igual a la variancia de la variable (que no se
ve modificada)
σ ( x + k ) = σ ( x) σ ( x − k ) = σ ( x)
2 2 2 2
En un edificio que tiene tres departamentos la cantidad de

hijos por familia es:
X: 1 2 3
Se sabe que en el edificio B las familias tienen dos hijos más
por departamento que en el edificio estudiado
x+2 3 4 5 50
14 2 σ 2 ( x + 2) = − 42 = 0.66 hijos 2
σ 2
( x ) = − 2 = 0. 66 hijos
2
3 3
3º La variancia de la multiplicación o división de cada valor de

variable por una constante es la variancia de la variable
multiplicada o dividida por dicha constante elevada al
cuadrado
σ 2 ( x.k ) = σ 2 ( x). k 2 σ 2 ( x : k ) = σ 2 ( x) : k 2
Usando el ejemplo anterior
Se sabe que en el edificio B las familias tienen el doble de hijos
que en el edificio estudiado
x: 1 2 3
x.2 2 4 6
14 2 56 2
σ ( x) = − 2 = 0.66 hijos
2 2
σ ( x.2) =
2
− 4 = 2.66 hijos 2 = 22 .0,66
3 3
DESVÍO ESTÁNDAR
Es la raíz cuadrada de la variancia
S= S 2
σ= σ 2
COEFICIENTE DE VARIACIÓN
 Es el cociente entre el desvío estándar y el promedio
S
CV =
x
σ
CV =
µ
COEFICIENTE DE VARIACIÓN
 El coeficiente de variación tiene los siguientes
usos:
1º Nos mide la homogeneidad de un grupo de

datos, es decir la concentración de los mismos
sobre un valor central (el promedio). Será
homogénea aquella que tenga un coeficiente de
variación menor a 0.10. En este caso también
diremos que el promedio es representativo a este
grupo de datos
2º Nos sirve para comparar entre dos tipos de
distribuciones, será más homogénea aquella que
tenga menor coeficiente de variación
MEDIDAS DE ASIMETRÍA
 Se distinguen tres tipos de Asimetría:
Asimetría Positiva

Asimetría Negativa
Simétríca
En este caso el modo es menor al promedio
Variable
ASIMÉTRICA POSITIVA
frecuencia
En este caso el promedio es menor al modo
Variable
ASIMETRÍA NEGATIVA
frecuencia
SIMÉTRICA
Se cumplen dos condiciones:

1º El promedio, la mediana y el modo son iguales
2º A distancias equidistantes del promedio frecuencias absolutas
iguales
CURTOSIS
 Nos indica el apuntamiento de la distribución
 Encontramos distribuciones: leptocúrticas

mesocúrticas
platicúrticas
LEPTOCÚRTICA
MESOCÚRTICA
PLATICÚRTICA
EN ESTA FILMINA HEMOS VISTO

AUTOEVALUACIÓN
 ¿Cuál es el valor solo superado por el 18 % de los
sueldos?
a) P 18
b) P 82
c) Me
AUTOEVALUACIÓN
 Calcular la mediana es idéntico a calcular el
Percentil 50
a) Verdadero

b) Falso
AUTOEVALUACIÓN
 Al observar la cantidad de caramelos de frutilla
en bolsas de caramelos surtidos se observó lo
siguiente: 15 – 25 – 46 -58 -24. Al hacer el cálculo

el analista obtuvo un promedio de 70 caramelos
de frutilla. ¿Es correcto el promedio calculado por
el analista? Justifique sin realizar el cálculo del
mismo
 Análisis Descriptivo
 Medidas de Variabilidad

 Medidas de Asimetría
 Medidas de Curtosis
“ El 90% de cada batalla es
Napoleón
información”
Muchas Gracias
Probabilidades
PRÓXIMA CLASE
PROBABILIDADES
INTRODUCCIÓN A LA
ESTADÍSTICA
Diapositivas elaboradas por el Mg Marcelo De Feudis

(MBA)
Probabilidades
Mg Marcelo De Feudis (MBA)

Probabilidades
TEMAS DE ESTA CLASE
Probabilidades

EXPERIMENTO ALEATORIO
 Es todo proceso repetible bajo las mismas
condiciones cuyos resultados no pueden
predecirse en las mismas condiciones

Probabilidades
ESPACIO MUESTRAL
 Es el conjunto de todos los resultados posibles de
un experimento

Probabilidades
SUCESO ALEATORIO
 Es un conjunto de resultados posibles de un

Probabilidades
PROBABILIDADES
 Definición Clásica
 Definición Frecuencial

Probabilidades
 Definición Axiomática
HISTORIA DE LA PROBABILIDAD
 La primera formulación explícita del concepto de leyes del
azar se debe al famoso matemático y físico Cardano, quien
en 1526 establece , por condiciones de simetría, la

Probabilidades
equiprobabilidad de aparición de las caras de un dado a
largo plazo. También se conserva un fragmento de Galileo,
respondiendo a un jugador que le preguntó por qué es más
difícil obtener 9 tirando tres dados que obtener 10, que
pone de manifiesto que comprendió claramente el método
de calcular probabilidades en el juego de dados
 El caballero de Meré planteó a los principales matemáticos
de la época diversos problemas relativos a juegos de azar,
dando origen a numerosa correspondencia entre Pascal y
Fermat. El principal de los problemas planteados consistía
en cómo repartir equitativamente la apuesta entre
jugadores de la misma destreza cuando se decide
abandonar la partida antes de que finalice
DEFINICIÓN CLÁSICA O DE LAPLACE
 Creada por Pierre Simon Laplace (28/3/1749-
5/3/1827) Su publicación "Théorie Analitique des
Probabilités" se publicó en 1812.

Probabilidades
 Si un experimento aleatorio admite n resultados,
todos igualmente probables la probabilidad de un
suceso A se define como
P(A)= casos favorables
casos posibles
Este concepto está basado en el Principio de la
Razón Insuficiente
DEFINICIÓN FRECUENCIAL O DE VON
MISES
 Creado por el matemático austríaco Richard Edler
Von Mises (19/4/1883-14/7/1953) En 1919 publica el
libro Fundamentos del cálculo de probabilidades.
 Luego en 1928 publica otro libro Probabilidad,
estadística y verdad
 El define a la probabilidad como el cociente entre el
número de éxitos y el número total de pruebas
cuando éste número tiende a infinito
P ( A) = limn→∞ fr
Este concepto se basa en el Principio de estabilidad
de la frecuencia relativa
Probabilidades
TEORÍA AXIOMÁTICA O DE
KOLMOGOROV
 Escrita por Andrei Nikolavevich Kolmogórov (25/4/1903 -
20/10/1987)
 En1929 publica el libro “La teoría General de la medida y el
Cálculo de las probabilidades”
 El define:
 Si el suceso es un conjunto vacío, la probabilidad del suceso es 0
 Si el suceso es el conjunto Universal , la probabilidad del suceso es
igual a 1
0 ≤ P( X ) ≤ 1
 Por lo tanto:
P( S ) = 1 − P( S )
Probabilidades
REGLA DE LA SUMA
 Podemos encontrar dos tipos de sucesos:

Probabilidades
Sucesos Mutuamente Excluyentes
Sucesos no excluyentes
Fue desarrollada por Thomas Bayes (1702-
7/4/1761) quien desarrolló la primera definición de
sucesos mutuamente excluyentes (inconsistentes)
en 1763
SUCESOS MUTUAMENTE EXCLUYENTES
Son aquellos sucesos que no pueden ocurrir

simultáneamente en una repetición en un
Ej: Que una persona sea hombre o mujer
P( AoB) = P( A) + P( B)
Probabilidades
SUCESOS NO EXCLUYENTES
 Son aquellos sucesos que pueden ocurrir

simultáneamente en una repetición de un
 Ej: que un estudiante sea varón o estudiante de

administración
P( AoB) = P( A) + P( B) − P( AyB)
Probabilidades
REGLA DE LA MULTIPLICACIÓN
 Podemos encontrar dos tipos de sucesos:
Sucesos Independientes

Probabilidades
Sucesos Dependientes
Publicado este concepto porel matemático
francés Abraham de Movre (26/5/1607-
27/11/1754) publicado en el libro Doctrina de las
probabilidades en 1711 donde definió el concepto
de independencia de los sucesos
SUCESOS INDEPENDIENTES
. Dos sucesos son independientes cuando la
ocurrencia de uno de ellos no modifica la
ocurrencia del otro suceso en por lo menos dos
repeticiones de un experimento aleatorio
Un ejemplo especial son los sucesos con reposición.
P ( AyB) = P ( A).P ( B )
Probabilidades
SUCESOS DEPENDIENTES
 Dos sucesos son dependientes cuando la
ocurrencia de uno de ellos modifica la
probabilidad del otro suceso en por lo menos dos
experimentos aleatorios
P( AyB) = P( A).P( B / A)
Probabilidades
PROBABILIDAD CONDICIONAL
 P(A / B) = Probabilidad de A dado que

ocurrió B
P( AyB)
P( B / A) =
P ( A)
Probabilidades
PRUEBAS DE INDEPENDENCIA
 Nos sirven para probar la independencia de dos o

más sucesos
1º P ( AyB) = P ( A).P ( B )
2º P ( B / A) = P ( B )
3º P( B / A) = P( B / A )
Probabilidades
AUTOEVALUACIÓN
 Dados dos sucesos A y B y se sabe que P(A)=0.45,
P(B)=0.50 y P(A o B)= 0.75.
Indicar cómo son los sucesos, justificando

Probabilidades
a) Mutuamente Excluyentes
b) No Excluyentes
c) Independientes
d) Dependientes
AUTOEVALUACIÓN
 Armar el espacio muestral del siguiente juego.
En un sombrero hay cuatro papeles de distintos
colores: azul, amarillo, rojo y blanco.

Probabilidades
En otro sombrero hay cuatro papeles con los
mismos colores.
El participante gana el juego si saca el mismo
color de papel de los dos sombreros.
a) Armar el espacio muestral con todas las
posibilidades favorables o no
b) Calcular la probabilidad de ganar
Probabilidades
Probabilidades
Probabilidades
TEMAS DE LA PRÓXIMA FILMINA
Variable aleatoria

“ Aprender sin pensar, es

inútil. Pensar sin aprender,

Probabilidades
peligroso”
Confucio
Probabilidades
Muchas Gracias
Clase 5
PRÓXIMA CLASE
REGRESIÓN Y CORRELACIÓN
INTRODUCCIÓN A LA
ESTADÍSTICA
Diapositivas elaboradas por

el M.G.. Marcelo De Feudis ,
MBA
Regresiòn y Correlaciòn
M.G: Marcelo De Feudis, MBA
TEMAS DE LA FILMINA ANTERIOR
Probabilidades

Análisis de Regresión y Correlación
TEMAS DE ESTA CLASE

ANÁLISIS DE REGRESIÓN
El análisis de regresión trata la dependencia de una variable
dependiente “y” en una o más variables independientes “x”.
La variable “y” debe ser aleatoria y en cambio la “x” puede o no
serlo.

Cuando esta función es una recta decimos que la regresión es
lineal y si solo tiene una variable dependiente diremos que es
simple.
Y=α+ β.X+ε
La primer forma de regresiones lineales documentada fue el
método de los mínimos cuadrados, el cual fue publicado por
Adrein-Marie Legendre(18/9/1752-10/1/1833) en 1805] y por
Carl Friedrich Gauss (30/4/1777-23/2/1855) en 1809.
Y=α+ β.X+ε

Y= variable dependiente del modelo poblacional
α= ordenada al origen modelo poblacional
β= coeficiente de regresión modelo poblacional
ε= errores o perturbaciones
α= nos indica el valor de Y

cuando X= 0

β= nos indica cómo se incrementa
el valor de Y ante aumentos
unitarios del valor de X
 Para estimar la recta de regresión usaremos

la siguiente recta:
yˆ = a + bx
 Para poder resolver y conseguir el valor de los
estimadores se usa el método de los mínimos
cuadrados.

La aplicación de este método se puede realizar si
se cumplen los supuestos de Gauss.
SUPUESTOS DE GAUSS
 1) La variable aleatoria ε es estadísticamente

independiente a los valores de x

 2) La variable ε tiene distribución normal
 3) La variable ε tiene una media igual a 0 E(ε)= 0
 4) Cualquier par de errores ε1 y ε2 son
estadísticamente independientes entre si o sea que
su covariancia es igual a 0
 5) Las variables aleatorias ε tienen una variancia
finita σ2 que es constante para todos los valores de
x (homocedasticidad)
NUBE DE PUNTOS
 Cuando tenemos los datos podemos

graficarlos utilizando una nube de puntos
 Utilizaremos un ejemplo sobre el precio de
la construcción y el tamaño del lote en una
muestra de 15 casas
EJEMPLO
Observación Tamaño del lote Costo de construcción
(en decenas de metros (en miles de dólares)
cuadrados)
1 5 31,6
2 7 32,4
3 10 41,7
4 10 50,2
5 12 46,2
6 20 58,5
7 22 59,3
8 15 48,4
9 30 63,7
10 40 85,3
11 12 53,4
12 15 54,5
50
40
Tamaño del Lote
Nube de Puntos
30
20
10
0
NUBE DE PUNTOS
100
80
60
40
20
0
Construcción
Costo de la
CÁLCULOS AUXILIARES
 Para poder estimar los valores debemos comenzar

por realizar los siguientes cálculos auxiliares
S ∑ xy − n * x * y = 11840,1 − 12 *16,5 * 52,1 = 1524,3

xy =
= ∑ x − n * x = 4396 − 12 *16,5 = 1129

2 2 2
S xx
=∑
2 2 2
S yy y − n * y = 34878,58 − 12 * 52,1 = 2305,66
CÁLCULO DE ESTIMADORES
Para calcular la recta de regresión se debe

calcular el a y el b (ordenada al origen y
coeficiente de regresión)
b=
S xy
=
1524,3
= 1,35
S xx
1129
a = y − b * x = 52,1 − 1,35 *16,5 = 29,825
RECTA DE REGRESIÓN
En el ejemplo la recta de regresión quedaría

yˆ = 29,825 + 1,35 x
Su interpretación es la siguiente:
Si el tamaño del lote es 0 m2 el costo de
construcción es de 29.825 miles de dólares y por
cada m2 adicional el costo aumenta en 1.35 miles
de dólares.
En otras palabras la construcción de estas casas
tiene un costo fijo de 29.825 miles de dólares y un
costo variable de 1.35 miles de dólares
ESTIMACIÓN PUNTUAL
Estime el costo de la construcción para una

casa cuyo lote es de 35 m2
yˆ = 29,825 + 1,35 * 35
yˆ = 77,075 miles de dólares

Con el método de los mínimos
cuadrados
Se busca la recta que haga
mínima
∑(y− y) = ∑ e
2 2
 Diferentes nubes de puntos y modelos de

regresión para ellas
GRÁFICO DE LA RECTA DE REGRESIÓN
Variable X 1 Curva de regresión ajustada

90
80
70
60
50 Y
Y
40 Pronóstico para Y
30
20
10
0
0 10 20 30 40 50
Variable X 1
COEFICIENTE DE DETERMINACIÓN
 Mide la bondad del ajuste o sea en qué medida se
ajusta la recta de regresión a los datos,
idealmente si las observaciones coincidieran con

la línea de regresión el ajuste sería perfecto.
Generalmente existen diferencias entre los
valores estimados y los observados, esperamos
que éstos sean lo más pequeños posibles
 Lo simbolizamos con r2
2 2
2
=
S xy
=
1524,3 =
23235490,49
= 0.8926
r
S *S
xx yy
1129 * 2305,66 2603090,14
Esto nos indica que el 89,26% de la

variabilidad está siendo explicada por la
regresión
 El dominio del coeficiente de determinación:
0 ≤ r ≤1
2
Un coeficiente de determinación de 1 nos

indica que todos los puntos se encuentran
sobre la recta
Un coeficiente de determinación es bueno
cuando su r2 es mayor a 0.50
ANÁLISIS DE CORRELACIÓN
 Es un método estadístico que se usa para medir

el grado de asociación entre las variables.

 Parte del supuesto de que ambas variables son
aleatorias
 El coeficiente poblacional que se usa para medir
este grado de asociación se simboliza con la
letra ρ
 El estimador de ρ es r coeficiente de correlación
muestral
 El dominio de r es: −1 ≤ r ≤ 1
 Estonos indica que existe una muy buena

relación entre las variables
r=
S xy
=
1524,3
= 0,944
S *S
xx yy
1129 * 2305,66
 Si r=1 decimos que la relación entre las

variables es perfecta y positiva

 Si r=-1 decimos que la relación entre las
variables es perfecta y negativa
 Si r= 0 decimos que no existe relación entre las
variables, esto pasa porque las variables no
están relacionadas o su relación no es lineal
 Nosotros decimos que existe una buena
relación cuando r>= 0.70
“La vida es una oportunidad. APROVÉCHALA.
La vida es belleza. ADMÍRALA.

La vida es bien aventurada. SABORÉALA.
La vida es un sueño. HAZLO REALIDAD.
La vida es un desafío. ENFRÉNTALO.
La vida es un deber. CÚMPLELO.
La vida es un juego. JUÉGALO.
La vida es un tesoro. CUÍDALO.
La vida es una riqueza. CONSÉRVALA.
La vida es Amor. GÓZALA.

La vida es un misterio. DESCÚBRELO.

La vida es una promesa. REALÍZALA.
La vida es tristeza. SUPÉRALA.
La vida es un himno. CÁNTALO.
La vida es una lucha. ACÉPTALA.
La vida es una aventura. ARRIÉSGATE
La vida es felicidad. MERÉCELA.
La vida es vida. CUÍDALA.“
Madre Teresa de Calcuta
Muchas Gracias
VARIABLE ALEATORIA
INTRODUCCIÓN A LA
ESTADÍSTICA

Variable Aleatoria
Mg. Marcelo De Feudis, MBA
Revisión clase anterior

 Probabilidades

Variable Aleatoria
TEMAS DE ESTA CLASE
 Esperanza Matemática
Variable Aleatoria
 Varianza

VARIABLE ALEATORIA
 Es toda regla bien definida para asignar valores
numéricos a todos los resultados posibles de un

Variable Aleatoria
 Los primeros pasos en la dirección de introducir
la idea de ‘variable aleatoria’ fueron dados por el
matemático francés Siméon Denis Poisson
(21/6/1781-25/4/1840) en 1832 en su libro Sobre
la Probabilidad de los Resultados Promedios de
Observaciones. La palabra ‘variable’ fue utilizada
por primera vez por Pafnuti Lvóvich Chebyshev
(26/5/1821 – 8/12/1894) en 1845
VARIABLE ALEATORIA DISCRETA
 Cuando la variable toma una cantidad finita de
valores. Recordemos que para distinguirla
observábamos que entre uno y otro valor de

Variable Aleatoria
variable no existía un valor intermedio
VARIABLE ALEATORIA CONTINUA
 Cuando toma una cantidad infinita de valores.
Recordemos que entre uno y otro valor de
variable existían infinitos valores

Variable Aleatoria
DISTRIBUCIÓN DE PROBABILIDAD
 Es cualquier regla o mecanismo que sirve para
determinar la probabilidad de que una variable
aleatoria discreta tome cada uno de los valores
posibles
 Debe cumplir las siguientes condiciones:
y
P(r ) ≥ 0 ∑ P(r ) = 1
Variable Aleatoria
FUNCIÓN DE PROBABILIDAD
 Cuando se está averiguando
f ( r ) = P ( r = r 0)
Variable Aleatoria
Variable Aleatoria
FUNCIÓN DE DISTRIBUCIÓN
G ( r ) = P ( r ≥ r 0)
F ( r ) = P ( r ≤ r 0)
FUNCIÓN DE DENSIDAD
 Si la variable es continua y cumple con las
condiciones de la variable aleatoria, la función
matemática con la que se define dicha variable se

Variable Aleatoria
llama función de densidad
ESPERANZA MATEMÁTICA
Es el valor esperado o promedio de una variable
aleatoria.
Su fórmula es:
E ( r ) = ∑ r. p ( r )
 Este concepto fue desarrollado por el holandés

Christiaan Huygens (14/4/1629 – 8/7/1695)
publicado en el año 1656 en el libro Sobre los
Cálculos en los Juegos de Azar
Variable Aleatoria
VARIANZA
σ = ∑ r . p (r ) − [ E (r )]
2 2 2
Variable Aleatoria
PROPIEDADES DE LA ESPERANZA
. E (k ) = k k= constante
E ( x.k ) = E ( x).k k distinta 0
E ( x + y ) = E ( x) + E ( y )
E ( x − y ) = E ( x) − E ( y )
Variable Aleatoria
PROPIEDADES DE LA VARIANZA
σ (k ) = 0
2
σ 2
( x.k ) = σ 2
( x ). k
2

σ
2
( x + y ) = σ
2
( x ) + σ ( y) ⇔
2 x,y son
estadísticamente independientes
− = + ⇔ x,y son

σ σ σ
2 2 2
( x y ) ( x ) ( y )
estadísticamente independientes
Variable Aleatoria
Variable Aleatoria
al tirar tres monedas
p(x)
1/8
3/8
3/8
1/8
EJEMPLO
Caras
0
1
2
3
x
EJEMPLO
x p(x) x . p(x) x2 . p(x)

Variable Aleatoria
0 1/8 0 0
1 3/8 3/8 3/8
2 3/8 6/8 12/8
3 1/8 3/8 9/8
Σ = 12/8 Σ= 24/8
EJEMPLO
E(x) = 12/8=1.5 caras

σ2 (x)= 24/8 – 1.52 =0.75

Variable Aleatoria
caras2
σ (x)= 0.86 caras
 Variable Aleatoria Discreta
 Esperanza Matemática

Variable Aleatoria
 Varianza
AUTOEVALUACIÓN
 Indica si las siguientes variables aleatorias son
discretas o continuas
a) Cantidad de hijos por familia

Variable Aleatoria
b) Peso de los paquetes
c) Cantidad de llamadas que atiende una
telefonista pro día
d) Cm3 de gaseosa por envase
AUTOEVALUACIÓN
 2)
En la sucursal A de una empresa se atienden en
promedio a 100 clientes con un desvío de 25

Variable Aleatoria
clientes
En la sucursal B se atiende el doble de personas
¿Cuál es su promedio y su desvío?
a) 200 y 50
b) 200 y 35.35
c) 100 y 50
AUTOEVALUACIÓN
El promedio por ventas de la sucursal 1 es $100 y

Variable Aleatoria

su desvío es $10 y en la sucursal 2 es $50 y su
desvío $ 5 ¿Cuál es el promedio total de la empresa
?
 a) 150
 b) 165
 c) 1250
Variable Aleatoria
TEMAS DE LA PRÓXIMA FILMINA
Distribuciones Discretas

“La estadística es la primera

de las ciencias inexactas”

Variable Aleatoria
Edmond
Gouncourt
Variable Aleatoria
Muchas Gracias
Clase 7
PRÓXIMA CLASE
DISTRIBUCIÓN
BINOMIAL
ESTADÍSTICA I
Diapositivas elaboradas por el Mg.. Marcelo De Feudis

Distribución Binomial
TEMAS DE LA FILMINA ANTERIOR

TEMAS DE ESTA CLASE

DISTRIBUCIÓN BINOMAIL
CARACTERÍSTICAS
 Creada por el matemático suizo Jacob, Jaques o
James Bernouilli (27/12/1654- 16/8/1705)
 Fue publicado en 1713 por su sobrino Nicholas

Bernouilli en el libro “El arte de pronosticar”
 Variable aleatoria Discreta
 Sucesos Dicotómicos (dos posibilidades, éxito –

fracaso)
 La probabilidad de éxito se mantiene constante
de experimento en experimento
 Sucesos mutuamente Excluyentes
 Observaciones Independientes
CARACTERÍSTICAS
 Dominio Naturales 0 ≤ r ≤ n
 Parámetros Matemáticos n y p
 n: cantidad de observaciones
 p: probabilidad de éxito
FORMA DE LA DISTRIBUCIÓN
Es asimétrica positiva para p <

0.5

Es simétrica para p = 0.5 y para
n grande
Es asimétrica negativa para p >
0.5
FUNCIÓN BINOMIAL
  x n− x n
Pbi ( x = x0) =  x . p . q
ESPERANZA Y VARIANZA
σ2 ( x ) = n . p . q
E(x)=n.p


EJEMPLO
Una firma que comercializa juguetes ha
comprobado que el 40% de ellos tienen éxito en
las ventas Si se diseñaon 6 nuevos juguetes

¿Cuál es la probabilidad de que exactamente 2
tengan éxito?
Pbi ( x=2 / n=6 ; p=0.40) = 0.3110

EJEMPLO
 ¿Cuál es la probabilidad que a lo sumo 2 tengan
éxito?
Pbi ( r <= 2 / n=6 ; p=0.40) = P (r=0) + P(r=1) +

P(r=2) = 0.5443
¿Cuál es la probabilidad que más de 4 tengan

éxito?
Pbi (r > 4 / n=6 ; p=0.40) = P (r =5) + P (r=6)=
0.041

AUTOEVALUACIÓN
 1) Indica si las siguientes variables aleatorias
siguen una distribución binomial
. Cantidad de pasajeros de un taxi por día

. Cantidad de juguetes defectuosos
. Cantidad de alumnos aprobados
. Cantidad de lápices rojos (sabiendo que en la
cartuchera hay lápices rojos, amarillos y azules)
AUTOEVALUACIÓN
 2) Sabiendo que en promedio hay 15 respuestas a
una encuesta y que la probabilidad de que
respondan es de 0.30.

¿Cuántas encuestas he mandado?
a) 4.5
b) 50
c) 45
Distribución Normal

“ La estadística es una ciencia

en la cual todas las mentiras

se tornan cuadros”
Pitigrilli
Muchas Gracias
PRÓXIMA CLASE
DISTRIBUCIÓN
NORMAL ESTADÍSTICA
I

Mg Marcelo De Feudis

TEMAS DE ESTA CLASE

CARACTERÍSTICAS
 Fue presentada por primera vez por Abraham de Movre
(26/5/1667-27/11/1754) en 1733 en el libro teoría de la
probabilidad. Esta distribución se la asocia a Johann Carl
Friedrich Gauss (30/4/1777-23/2/1855) por el gran usos que
le dio cuando analizaba datos astronómicos
 Variable aleatoria Continua
 Distribución Acampanada
 Distribución Simétrica
 Mesocúrtica
 Unimodal
 Asintótica al eje de abcisas
 Tiene dos puntos de inflexión µ +/- σ
CARACTERÍSTICAS
 Dominio todos los reales
 Parámetros Matemáticos µ y σ
Función de densidad
 x−µ 
2
 
1
1 −
f ( x) =
e  σ 
. 2
2η ο
DISTRIBUCIÓN NORMAL ESTANDARIZADA
 Para entrar en tabla, debemos usar una normal
que tenga un µ = 0 y un σ = 1
La variable que usaremos se llama z
x−µ
Z=
σ
La función de densidad es
f ( x) =
1 −
1
(z )
2
2η
.
e 2
TABLAS DE NORMAL
 A) Función de Distribución : sirve para ubicar un

valor de probabilidad cuando tengo como dato un
valor de z
 B) Percentiles: sirve para ubicar un valor de z

partiendo de un valor de probabilidad
EJEMPLO
 En una ciudad, los gastos mensuales en
alimentación efectuados por familias se
distribuyen normalmente con un promedio de
$700 y un desvío de $100
Se selecciona una persona al azar
a) ¿Cuál es la probabilidad de que gane menos de
$500?
P (x < 500) = F ( -2) = 0.02275
z= (500 – 700) / 100 = -2
EJEMPLO
 ¿Cuál es la probabilidad de que gane más de
$760?
P( x > 760 ) = 1 – F ( 0.60 )
1 – 0. 72575
0. 27425
Z= 760-700
100
EJEMPLO
 c) ¿Cuál es la probabilidad de que gane entre 500 y
760 ?
P ( 560 < x < 760 ) = F ( 0.60 ) – F ( -2 )
0.72575 – 0.02275
0. 703
EJEMPLO
d) ¿Cuál es el gasto no superado por el 5% de las
familias?
F ( z ) = 0.05 z= - 1.645
x= µ + z . σ
=700 – 1.645 . 100
= 535.5
EJEMPLO
e) ¿Cuál es el valor mínimo del 10 % de los
ingresos más elevados?
F ( z ) = 0.10 z= 1.282
x= µ + z . σ
=700 + 1.282 . 100
= 828.2

AUTOEVALUACIÓN
 1) Indica cuál de las características corresponden
a la distribución normal
 a) Simétrica
 b) Asimétrica Positiva
 c) Parámetros µ y σ
 d) Parámetros µ = 0 y σ = 1
AUTOEVALUACIÓN
 2) Se sabe que el peso de las mujeres entre 30 y
40 años se distribuye normalmente con un
promedio de 55 kg. con un desvío de 5 kg
Se selecciona al azar una mujer entre 30 y 40
años ¿cuál es la probabilidad de que pese más de
55 kg?
a) 0
b) 0.64
c) 0.50
 Aproximación de Binomial a Poisson
 Aproximación de Binomial a Normal
 Aproximación de Poisson a Normal
“ Sabio no es el que responde

las preguntas correctas; es el
que hace las preguntas
correctas”
Claude Lévi
Strauss
Muchas Gracias
Clase 12
PRÓXIMA CLASE
INTRODUCCIÓN A LA ESTADÍSTICA
DISTRIBUCIÓN x
Diapositivas elaboradas por el M.G. Marcelo

De Feudis, MBA
PARÁMETROS Y ESTIMADORES
 Los parámetros son medidas o características que
representan poblaciones
 Los estimadores son medidas o características
Mg Marcelo De Feudis,MBA
Distribución de medias
que representan muestras
ESTIMACIÓN PUNTUAL
 Los estimadores más comunes son:

x µ
S σ
p̂ p
DISTRIBUCIÓN EN EL MUESTREO
 Calcular la esperanza y la varianza de los
siguientes datos poblacionales:
1–2–3–4
La E(X) = 2.5 y σ2 = 1.25

 Hallamos todas las posibles muestras de tamaño
2
11 21 31 41
12 22 32 42
13 23 33 43
14 24 34 44
 De cada una de ellas calculamos el promedio,
organizados nos queda la siguiente tabla
x 1 1.5 2 2.5 3 3.5 4
f 1 2 3 4 3 2 1
E( x ) = 2.5 σ2( x ) = 0.625
 Con estos resultados podemos observar

que la E( ) = µ ( x ),x de esta forma
demostramos que el promedio
muestral se concentra alrededor del
promedio poblacional
 Con respecto a la σ2 , podemos ver que
la σ2 ( x) = σ2 ( x ) / (n), a la raíz de
esta expresión la llamamos Error
estándar de la media
GRÁFICO DE LA DISTRIBUCIÓN DE LA
MEDIA
Distribución de Medias
4,5
4
3,5
Frecuencia
3
2,5
Frecuencia
2
1,5
1
0,5
0
1 1,5 2 2,5 3 3,5 4
Promedio
DISTRIBUCIÓN DE MEDIAS
 Pudimos comprobar que la media aritmética

muestral es una variable aleatoria que tiene
las siguientes características
µ (x ) = µ ( x )
σ2 ( x ) = σ2 ( x ) / n
Con respecto a la distribución y basándonos en el
teorema central del límite podemos decir que la
misma tiende a una distribución normal
DISTRIBUCIÓN DE MEDIAS
 Lanormal Estandarizada para el trabajo

con la distribución de medias es:
x−µ
z=
σ
n
PROPIEDADES DE LOS ESTIMADORES
 Para que un estimador sea bueno debe gozar de
por lo menos una de estas propiedades:
Insesgado o no viciado
Consistente
Eficiente
Suficiente
INSESGADO
 Un estimador es insesgado cuando la

esperanza del estimador es igual al valor
del parámetro
Ej: E(x ) = µ
CONSISTENTE
 Es una propiedad límite, se verifica para
muestras grandes. El valor esperado del
estimador tiende al parámetro y su variancia
tiende a 0
Cuando el estimador tiene variancia mínima
EFICIENTE

SUFICIENTE
El estimador puntual debe resumir la información
proporcionada por la muestra
1) ¿Puede un parámetro ser variable?
AUTOEVALUACIÓN

“ El 90% de cada batalla es
Napoleón
información”
Muchas Gracias
INTERVALO DE CONFIANZA
INTRODUCCIÓN A LA
ESTADÍSTICA
Diapositivas elaboradas por el M.G.. Marcelo
De Feudis (MBA)
INFERENCIA ESTADÍSTICA
 Estimaciones Puntuales
Por Intervalos de
M.G. Marcelo De Feudis (MBA)

Intervalo de Confianza
Confianza
 Pruebas de Hipótesis
ESTIMACIÓN PUNTUAL
 Consiste en utilizar un valor que depende de las
observaciones muestrales para poder estimar el
valor poblacional respectivo

INTERVALO DE CONFIANZA
 Es el intervalo donde se espera se encuentre el

parámetro que se desea estimar, con una cierta
probabilidad denominada nivel de confianza
 Los intervalos de confianza tienen la siguiente
estructura cuando las distribuciones con que se
trabaja son simétricas
P{estimador − ε ≤ parámetro ≤ estimador + ε } = 1 − α
NIVEL DE CONFIANZA
1 – α es el nivel de confianza. Es la probabilidad
de que intervalo contenga el parámetro que se
desea estimar.

Los valores más usados son 90, 95, y 99 %
α es la probabilidad que el intervalo no contenga
NIVEL DE RIESGO
al parámetro

HIPÓTESIS ESTADÍSTICA
Una hipótesis estadística

es una proposición o supuesto

sobre los parámetros de una
o más poblaciones
PRUEBA DE HIPÓTESIS
. Es el procedimiento que
conduce a una decisión

sobre una hipótesis en
particular
Inferencia para el µ con σ 2 conocida
esta primera parte haremos
INFERENCIA
 En
INFERENCIA PARA EL PROMEDIO CON
VARIANCIA CONOCIDA
Para realizar esta

inferencia usaremos la

distribución normal
INTERVALO DE CONFIANZA PARA EL
PROMEDIO CON VARIANCIA CONOCIDA
P{x − ε ≤ µ ≤ x + ε } = 1 − α
σ
ε = z1−α / 2 *
n
 σ σ 
p  x − z1−α / 2 * ≤ µ ≤ x + z1−α / 2 *  = 1−α
 n n
TAMAÑO DE MUESTRA
 Para calcular el tamaño de muestra se debe

aplicar la siguiente fórmula
*σ 
2

n =
Z −α

1 / 2
 ε 
CARACTERÍSTICAS DE LA DISTRIBUCIÓN
Χ2
Fue elaborada por el estadístico británico

Karl Pearson (27/3/1857-27/4/1936)

Variable Aleatoria Continua
Distribución asimétrica positiva
Dominio Reales positivos
Parámetro: Grados de libertad
E(x) = grados de libertad
σ2(x)= 2 grados de libertad
GRADOS DE LIBERTAD
 Es la cantidad de elementos de la muestra en
estudio menos la cantidad de estimadores en la
fórmula

DISTRIBUCIÓN CHI CUADRADO
2
χ =∑z
2
“La estadística es la
primera de las ciencias

inexactas”
Edmond Gouncourt
Muchas Gracias
PRUEBAS NO PARAMÉTRICAS
INTRODUCCIÓN A LA
ESTADÍSTICA
Diapositivas elaboradas por el M.G.Marcelo
De Feudis, MBA
Pruebas no paramétricas
MG Marcelo De Feudis, MBA
TEMAS DE ESTA FILMINA
Pruebas no Paramétricas

CONTRATE CHI-CUADRADO
En este curso estudiaremos Prueba de
Independencia
Desarrolladas por Karl Pearson (27/3/1857-

27/4/1935)
CONTRASTE CHI-CUADRADO
 Los requisitos para realizar esta pruebas son:
.las observaciones deben ser independientes

. El tamaño de muestra debe ser de al menos 50
observaciones
. Las frecuencias esperadas deben ser mayores o
iguales a 5 y las observadas mayores a 5
 Esta prueba nos sirve para demostrar la
independencia entre dos variables

 H0) Los atributos son independientes entre si
 H1) Hay asociación entre los atributos

Cr: Si χ2calc >χ2crit Rechazo Ho Hay asociación
entre los atributos
PRUEBA INDEPENDENCIA
( fo − fe)
2
f c
χ = ∑∑
2
calc
i =1 j =1 fe
χ =χ
2 2
crit (( f −1)*( c −1);1−α )
“ El olvido de las matemáticas
perjudica a todo el
conocimiento, ya que el que

las ignora no puede conocer
las otras ciencias ni las cosas
de este mundo”
Roger Bacon
Muchas Gracias

Clases Teóricas PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Clases Teóricas PDF

Încărcat de

Drepturi de autor:

Formate disponibile

CONCEPTOS

Diapositivas elaboradas por el

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

 Es un subconjunto de una población en base a la

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

 4) Análisis de los datos

 5) Interpretación de los resultados

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

(1) Adultos mayores: población de 65 años y más de edad.

Fuente: INDEC, Censos Nacionales de Población.

Mg. Marcelo De Feudis (MBA)

Esperanza de vida al nacer

Mg. Marcelo De Feudis (MBA)

Porcentaje de adultos y jóvenes por año

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Cantidad de hijos por familia

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

 1º Rango = Xmax – Xmin= 1704.55 – 635.40= 1069.15

 2º Cantidad ideal de intervalos h=

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)

“ Si haces algo como hace diez años, entonces

Mg. Marcelo De Feudis (MBA)

Diapositivas elaboradas por el Mg. Marcelo De Feudis

Mg. Marcelo De Feudis (MBA)

Mg. Marcelo De Feudis (MBA)