CONCEPTOS BASICOS PARA EL DESARROLLO DEL CURSO DE ESTADISTICA.

Rama de las matemticas que se refiere a un conjunto de mtodos, normas, reglas y principios para observar, agrupar, describir, cuantificar y analizar el comportamiento de un grupo.

Generalmente se considera que la estadstica tiene dos funciones ( divisiones). Una es describir conjuntos de datos ( estadstica descriptiva); la otra es ayudar a hacer inferencias.Como ejemplo del uso descriptivo, se quiere saber cuantas mujeres zurdas fueron recluidas en la prision en Holloway en 1976. Para responder e esta pregunta, debe obtenerse informacin sobre la mano que usaban las prisioneras en 1976 y contar simplemente cuantas eran zurdas. Para ilustrar el uso inferencial ( estadstica inferencial), pudiera haber inters en averiguar si es ms probable que las personas que conducen automviles grandes sean ms agresivas que aquellas que conducen automviles pequeos. Debido al gran numero de personas que habra sondear, estara fuera de consideracin la investigacin de cada conductor de automvil. Seria necesario estudiar una muestra de ellos, y usar los resultados de la muestra para hacer inferencias que se espera sern aplicables a todos los conductores de automviles. Sin embargo, como solo s esta estudiando una muestra, hay la posibilidad de que las conclusiones pueden no ser del todo precisas y nunca puede tenerse la certeza de que se ha hecho la inferencia correcta. Por esta razn el uso de la estadstica inferencial puede considerarse como una ayuda para tomar decisiones en condiciones de incertidumbre. No obstante, es diferente de la conjeturacion, puesto que en la estadstica se proporciona tambin un mtodo para estimar el grado de confiabilidad de las conclusiones. En cada proposicin estadstica que se hace, se indica la probabilidad de que los descubrimientos como los hechos podran haber sido el resultado de factores casuales.

Una poblacin es el conjunto total de eventos que s esta considerando. La poblacin de inters podra ser el conjunto de toas las personas, o el conjunto de las personas que residan en Londres en 1982, o el conjunto de todos los nios en edad escolar que provienen de un hogar malogrado. Una poblacin es su uso estadstico no tiene que estar formado por personas. Por ejemplo, pudiera haber inters en la poblacin de utensilios de la edad de hierro, i en la poblacin de las calculadoras de bolsillo fabricadas por cierta compaa o en la poblacin de palabras de la novela de Rex Stout o en la poblacin de los resultados del examen del primer ao de psicologa en 1968 de la Universidad de Newcastle en Tyne. Cualquier conjunto completo de personas objetos o resultados que tengan alguna caracterstica observable comn constituyen una poblacin.

Se dice de cualquier fraccin de una poblacin y sobre la que se estudian ciertas caractersticas que posteriormente se generalizan a todo el conjunto. La seleccin de la muestra se efecta segn un criterio determinado y sus caractersticas dependen del muestreo que se tiene que realizar. Por ejemplo, el conjunto de palabras del capitulo 2 de la novela de Rex Stout es una muestra de la poblacin de palabras de la novela completa. Que es muestreo? Estudio, por medio de muestras representativas y debidamente elegidas, de las caractersticas de una poblacin. En su empleo interesa tener en cuenta los siguientes factores: Los procedimientos para obtener una muestra verdaderamente representativa, para determinar la probabilidad de que posea las caractersticas de la poblacin y para determinar el tamao segn la precisin que de ella se quiere obtener en las conclusiones estadsticas posteriores.

Fundamentalmente el muestreo es de dos tipos:

No probabilistico: En el que el calculo del error no es posible De entre los primeros l mas utilizado es el llamado aleatorio o al azar, en el cual la muestra se obtiene mediante sorteo de los individuos que la tienen que formar. El segundo puede ser de dos clases: por cuotas, en el que solo se especifica el tamao de la muestra y las caractersticas que tienen que tener los individuos que la componen, y por juicio, en el que el investigador selecciona los individuos de la muestra segn su representatividad.

Es la unin de todos los efectos posibles de una serie de pruebas estadsticas.

Las caractersticas de los elementos que no se pueden medir se denominan atributos o variables cualitativas. Ejemplo : hombre - mujer es lo mismo; pero hay una distincion.

Se le llama variable a cualquier cantidad medible que puede variar de un individuo a otro. Un ejemplo en la poblacin de palabras de la novela de Rex Stout, la variable en la que haba inters era la longitud de las palabras; cada palabra individual tiene una longitud particular y esta puede variar de una palabra a otra.

* Variable cualitativa: esta constituida por la marca, el tipo, el color y el estado general; que corresponde a aspectos que no se pueden medir sino observar, y por ello se denominan variables cualitativas. Pueden ser nominales o ordinarias. * Variable cuantitativa: esta constituida por el tiempo de uso, el precio, el tamao del marco y l numero de velocidades, que corresponden a aspectos que son medibles y por ello se denominan cuantitativas. Puede ser discreta o continua. * Variable aleatoria: Una variable aleatoria es una funcin que asigna un numero real a cada resultado en el espacio muestral de un experimento aleatorio. Las variables aleatorias se denotan con una letra mayscula, tal como X, y con una letra minscula, como x, el valor posible de x. El conjunto de los posibles valores de la variable aleatoria X recibe el nombre de rango de X. Ejemplo: El sistema de comunicacin por voz de una empresa tiene 48 lneas externas. En un determinado momento, se observa el sistema y algunas lneas estn ocupadas. Sea X la variable aleatoria que denota l numero de lneas en uso. Entonces X puede tomar cualquier valor entero de cero a 48. * Variable aleatoria discreta: Es una variable aleatoria con un rango finito. * Variable aleatoria discreta uniforme: Una variable aleatoria X es una variable aleatoria discreta uniforma si cada uno de los n valores que estn en el rango de esta, x1, x2, x11, tiene la misma probabilidad. * Variable aleatoria continua: Si el rango de una variable aleatoria X contiene un intervalo ( ya sea finito o infinita) de numera reales. En algunos ejemplos, la variable aleatoria en realidad es discreta, pero como el rango de todos los valores posibles es muy grande, puede resultar ms conveniente utilizar un modelo basado en una variable aleatoria continua. Por ejemplo, una escala digital puede mostrar el peso de una pieza redondeado hasta centsimos de gramo, tal vez sea conveniente pensar el peso de la pieza como una variable aleatoria continua. Como otro ejemplo, es posible medir la corriente hasta el microampere ms cercano. Dado que solo es posible un numero entero de microamperes, la variable aleatoria es discreta. Sin embargo, tal vez sea ms conveniente suponer que las mediciones de corriente corresponden a valores de una variable aleatoria continua. - Variable aleatoria normal estndar: Una variable aleatoria normal con = 0 y =1 y se denota por Z.

Los datos recogidos deben ser organizados, tabulados y presentados para que su anlisis e interpretacin sean rpidos y tiles. Por ejemplo, para estudiar e interpretar la distribucin de las notas o calificaciones de un examen en una clase con 30 alumnos, primero se ordenan las notas en orden creciente: 3,0; 3,5; 4,3; 5,2; 6,1; 6,5; 6,5; 6,5; 6,8; 7,0; 7,2; 7,2; 7,3; 7,5; 7,5; 7,6; 7,7; 7,8; 7,8;

8,0; 8,3; 8,5; 8,8; 8,8; 9,0; 9,1; 9,6; 9,7; 10 y 10. Esta secuencia muestra, a primera vista, que la mxima nota es un 10, y la mnima es un 3; el rango, diferencia entre la mxima y la mnima es 7. En un diagrama de frecuencia acumulada, como el de la figura 1, las notas aparecen en el eje horizontal y el nmero de alumnos en el eje vertical izquierdo, con el correspondiente porcentaje a la derecha. Cada punto representa el nmero total de estudiantes que han obtenido una calificacin menor o igual que el valor dado. Por ejemplo, el punto A corresponde a 7,2, y segn el eje vertical, hay 12 alumnos, o un 40%, con calificaciones menores o iguales que 7,2. Conceptos estadsticos Rango: Diferencia entre el valor mximo y mnimo de una muestra o poblacin. Solo es vlido en variables continuas. Media: Suma de todas las mediciones dividida por el nmero total de valores sumados. "Centro de gravedad" de la distribucin de las observaciones. Forma especial de promedio. Moda:Valor o (valores) que aparece(n) con mayor frecuencia. Distribucin unimodal tiene una sola moda y una distribucin bimodal tiene dos. Util como medida resumen para las variables nominales. Desviacin estndar o tpica: La desviacin estndar (standard deviation en ingls) es la raz cuadrada de la varianza. Como conceptos estadsticos ntimamente relacionados se podra decir que la varianza y la desviacin son hermanas. La desviacin estndar tambin se conoce como desviacin tpica (del francs cart-type) y en Amrica Latina se usa a veces desvo estndar con el mismo sentido de raz cuadrada de la varianza.Caracterstica de una muestra o poblacin que cuantifica su dispersin o variabilidad. Tiene las mismas unidades que la variable. La desviacin tpica es invariante con respecto al origen de la distribucin. Su cuadrado es la varianza.

Se denomina estadstica aplicada al rea de la estadstica que se ocupa de inferir resultados sobre una poblacin a partir de una o varias muestras.

Definiciones: Media: Es una medida de centralizacin para una variable continua. Se obtiene sumado todos los valores mustrales y dividiendo por el tamao muestral. Moda: Valor o (valores) que aparece(n) con mayor frecuencia. Distribucin unimodal tiene una sola moda y una distribucin bimodal tiene dos. til como medida resumen para las variables nominales.

Rango: Diferencia entre el valor mximo y mnimo de una muestra o poblacin. Solo es vlido en variables continuas. Desviacin estndar o tpica: La desviacin estndar es una medida de la dispersin de un conjunto de puntajes alrededor de la media. Para obtener la desviacin estndar se empieza por restar la media de cada uno de los puntajes, con lo cual se llega a una nueva serie de valores denominados puntajes de desviacin. Luego se elevan al cuadrado estos puntajes de desviacin, se suman los cuadrados y se divide la suma por el nmero de valores que integran la serie, con el fin de obtener la desviacin cuadrtica media o variando. La desviacin estndar es la raz cuadrada de la desviacin cuadrtica media o variancia. TEORIA DE LA UNIDAD I, II, III. ESTADISTICA: son todos los conceptos y tcnicas que son empleados en la recopilacin, organizacin, resumen, anlisis, interpretacin y comunicacin de datos numricos. AREAS PRINCIPALES DONDE SE EMPLEA LA ESTADISTICA: * Agricultura * Negocios * Construccin * Educacin POBLACION: Es el conjunto total de elementos bajo estudio en el cual existe un inters y es elegida por el investigador. La poblacin puede ser: * Finita: se conocen todos sus elementos bajo estudio. * Infinita: no se conocen todos sus elementos bajo estudio. MUESTRA: Parte de la poblacin, debe ser representativa y a partir de la cual se sacan conclusiones del comportamiento del grupo mayor. Mtodos estadsticos: 1. Recopilacin: se refiere a la forma en cmo son obtenidos los datos que servirn para analizar el problema, estos pueden ser de dos tipos: a) Internos: son aquellos que se localizan dentro de la empresa. b) Externos: son aquellos que se localizan fuera de la empresa.

2. Organizacin: en esta etapa los datos son obtenidos de las fuentes primarias son organizados de acuerdo a ciertas caractersticas o cualidades (peso, ingresos, utilidades, resistencia). 3. Presentacin: una vez que los datos son organizados tomando en consideracin las caractersticas de los mismos, viene su presentacin, la que puede realizarse en tres formas: * Mediante enunciados: se recomienda cuando son pocos los datos. * Tablas o cuadros estadsticos: se recomienda para representar informacin con gran cantidad de datos. * Graficas estadsticas: medio plstico para representar informacin. 1. Anlisis: se inicia a el momento de la recopilacin de la informacin y se ampla al realizar los clculos matemticos, ya que el anlisis trata con informacin cuantitativa. 2. Interpretacin: se refiere a sacar conclusiones del comportamiento de la informacin.

LAS GRAFICAS PUEDEN SER: * DE LINEAS: consiste en graficar los datos y unir estos con una lnea continua o punteada. * DE BARRAS: consiste en barras rectangulares, en donde el ancho es igual y las longitudes representan a los datos. * DE PARTES COMPONENTES: Esta grafica sirve para mostrar las relaciones que existen entre las partes individuales. * GRAFICA DE PASTEL: Esta es una variante de la grafica de partes componentes. * PICTOGRAMAS: Este tipo de grafica consiste en smbolos que se utilizan para representar la informacin. HISTOGRAMA: Es una serie de rectngulos que tienen: * Su base sobre un eje horizontal, con centro en la marca de clase. * La altura representa la frecuencia POLIGONO DE FRECUENCIA: es un grafico de lneas trazadas sobre la marca de clase y puede obtenerse uniendo los puntos medios de los techos de los rectngulos. FRECUENCIA: son las veces que se repite un dato, se representa por la letra f. FRECUENCIA RELATIVA: es la razn de la frecuencia individual al total de frecuencias y es expresado en porciento.

INTERVALO DE CLASE: es un conjunto de datos que tienen caractersticas semejantes y consta de dos partes: * Lmite inferior: es el nmero menor de cada intervalo y se localiza en la parte izquierda de la primera columna. * Lmite superior: es el nmero mayor que se localiza a la parte derecha de cada intervalo de clase. Tamao de intervalo de clase: es la diferencia entre el lmite superior y el lmite inferior. Marca o centro de clase: es igual al lmite inferior ms el lmite superior dividido entre dos. Repblica Bolivariana de Venezuela. Ministerio del Poder Popular para la Educacin Superior. Universidad Nacional Experimental Simn Rodrguez. Ncleo Coro Falcn. Curso: Estadstica I

Facilitador: Cristobal Lpez Seccin: A

Participantes: Camacho Sabrina, C.I.: 25.613.276 Johana Chirino, C.I.: 19.928.372 Gaby Prez, C.I.:

Santa Ana de Coro, Abril 2011. Tabla de contenido

Introduccin Desarrollo 1. 2. 3. Breve resea histrica de la estadstica. Estadstica. Propsitos de la estadstica.

4. 5. 6. 7. 8. 9. 10.

Poblacin y Muestra. Unidad y Datos estadsticos. Datos de caractersticas cuantitativas. Datos de caractersticas cualitativas. Parmetros y estadgrafos Medidas de centralizacin: Media aritmtica. Mediana. Moda. Medidas de posicin: Cuartiles. Deciles. Percentiles. Medidas de dispersin: Rango o recorrido. Desviacin media. Varianza. Desviacin tpica. Variables y atributos Escalas de medicin Escala nominal. Escala ordinal. Escala de intervalo. Escala de razn. Sumatorias y Productorias. Razn, proporcin y tasa.

11. 12.

Porcentaje. Frecuencia. Frecuencia simple absoluta. Frecuencia simple relativa. Frecuencia acumulada. Frecuencia acumulada absoluta. Frecuencia acumulada relativa.

Conclusin Bibliografa

Introduccin

La estadstica es comnmente considerada como una coleccin de hechos numricos expresados en trminos de una relacin sumisa, y que han sido recopilados a partir de otros datos numricos. La importancia que tiene est relacionada con el rea o reas en las que se puede aplicar, debido a que est presente en todas las reas del saber

La estadstica es una ciencia de aplicacin prctica casi universal en todos los campos cientficos. Es una herramienta fundamental para la investigacin cientfica y emprica en los campos de la administracin, educacin, sociologa, psicologa, medicina, gentica, informtica, ingeniera, contabilidad, economa, agricultura, etc. El objetivo bsico de la estadstica es hacer inferencia acerca de una poblacin con base a la informacin contenida en una muestra, qu significa esto? Inferir significa inducir una cosa de otra, llevar consigo, conducir a un resultado. Es decir se pretende establecer inferencia acerca de una poblacin, entendiendo a la poblacin como un conjunto de individuos, organismos o entes inanimados de los cuales queremos conocer alguna o algunas caractersticas para que nos ayuden a tomar una decisin u obtener alguna conclusin de suma importancia.

Resea Histrica de la Estadstica Desde los comienzos de la civilizacin han existido formas encillas de estadstica, pues ya se utilizaban representaciones grficas y otros smbolos en pieles, rocas, palos de madera y paredes de cuevas para contar el nmero de personas, animales o cosas.

Hacia el ao 3000 a.C. los babilonios usaban pequeas tablillas de arcilla para recopilar datos sobre la produccin agrcola y sobre los gneros vendidos o cambiados mediante trueque. En el siglo XXXI a.C., mucho antes de construir las pirmides, los egipcios analizaban los datos de la poblacin y la renta del pas. Los libros bblicos de Nmeros y Crnicas incluyen, en algunas partes, trabajos de estadstica. El primero contiene dos censos de la poblacin de Israel y el segundo describe el bienestar material de las diversas tribus judas. El registro de nacimientos y defunciones comenz en Inglaterra a principios del siglo XVI, y en 1662 apareci el primer estudio estadstico notable de poblacin, titulado Observations on the London Bills of Mortality (Comentarios sobre las partidas de defuncin en Londres). La estadstica Es la ciencia que trata de la recopilacin, organizacin presentacin, anlisis e interpretacin de datos numricos con el fin de realizar una toma de decisin ms efectiva. Murria R. Spiegel, (1991) "La estadstica estudia los mtodos cientficos para recoger, organizar, resumir y analizar datos, as como para sacar conclusiones vlidas y tomar decisiones razonables basadas en tal anlisis. Propsito de la Estadstica El propsito de la estadstica es ensear a registrar, clasificar, redactar y describir a travs de los nmeros los hechos relevantes, denotando los propios datos o nmeros derivados de ellos, tales como los promedios. Analiza tambin los datos obtenidos, enunciando las propiedades comunes a todas las observaciones. La intencin de esta ciencia es agilizar el proceso de recoleccin y clasificacin de los datos, para que, la bsqueda de la totalizacin sea ms eficaz y fcil de visualizar y entender a travs de grficos y tablas representativas.

Poblacin y Muestra Poblacin:

El conjunto de datos de los cuales se ocupa un determinado estudio estadstico se llama poblacin. El tamao que tiene una poblacin es un factor de suma importancia en el proceso de investigacin estadstica, y este tamao viene dado por el nmero de elementos que constituyen la poblacin, segn el nmero de elementos la poblacin puede ser finita o infinita. Cuando el nmero de elementos que integra la poblacin es muy grande, se puede considerar a esta como una poblacin infinita, por ejemplo; el conjunto de todos los nmeros positivos. Una poblacin finita es aquella que est formada por un limitado nmero de elementos. Muestra: Una muestra es un conjunto de unidades, una porcin del total, que representa la conducta del universo en su conjunto. Una muestra, en un sentido amplio, no es ms que eso, una parte del todo que se llama universo o poblacin y que sirve para representarlo. Cuando un investigador realiza en ciencias sociales un experimento, una encuesta o cualquier tipo de estudio, trata de obtener conclusiones generales acerca de una poblacin determinada. Para el estudio de ese grupo, tomar un sector, al que se conoce como muestra. "Se llama muestra a una parte de la poblacin a estudiar qu sirve para representarla". Murria R. Spiegel (1991). Unidad y Datos Estadsticos Unidad: O tambin llamado dato individual es un dato de un solo individuo, por ejemplo: la edad de Jonathan es un dato individual. Datos Estadsticos: Es un dato de una muestra o poblacin de personas, por ejemplo, el promedio de ingresos mensuales de las personas de una muestra. Los datos estadsticos han sido usados durante siglos por los gobiernos organizados como forma de ayudar a la toma de decisiones en la administracin del estado. Los datos estadsticos son concisos, especficos y capaces de ser analizados objetivamente por diferentes procedimientos. En funcin de sus caractersticas los datos se clasifican en cuantitativos y cualitativos. Datos de caractersticas cuantitativas: son aquellos que se pueden expresar numricamente y se obtienen a travs de mediciones y conteos. Un dato cuantitativo se puede encontrar en cualquier disciplina; psicologa, contabilidad, economa, publicidad, etc.

Datos de caractersticas cualitativas: Los datos de caractersticas cualitativas son aquellos que no se pueden expresar numricamente. Estos datos se deben convertir a valores numricos antes de que se trabaje con ellos.

Parmetros y Estadgrafos Parmetro: Es una medida utilizada para describir alguna caracterstica de una poblacin, tal como una media, una mediana, una varianza, una proporcin, etc. Un parmetro es un valor real y es nico para la poblacin. Son cantidades, las cuales son constantes para distribuciones en particular, pero pueden tomar diferentes valores para diferentes miembros de familias de distribuciones del mismo tipo. Los parmetros ms comunes son y Tipos de parmetros estadsticos: De centralizacin. De posicin De dispersin.

Medidas de centralizacin: Nos indican en torno a qu valor (centro) se distribuyen los datos. Media aritmtica: La media es el valor promedio de la distribucin. Mediana: La mediana es la puntacin de la escala que separa la mitad superior de la distribucin y la inferior, es decir divide la serie de datos en dos partes iguales. Moda: La moda es el valor que ms se repite en una distribucin.

Medidas de posicin: dividen un conjunto de datos en grupos con el mismo nmero de individuos. Para calcular las medidas de posicin es necesario que los datos estn ordenados de menor a mayor. Cuartiles: dividen la serie de datos en cuatro partes iguales. Deciles: dividen la serie de datos en diez partes iguales. Percentiles: dividen la serie de datos en cien partes iguales.

Medidas de dispersin: nos informan sobre cuanto se alejan del centro los valores de la distribucin.

Rango o recorrido: es la diferencia entre el mayor y el menor de los datos de una distribucin estadstica. Desviacin media: es la media aritmtica de los valores absolutos de las desviaciones respecto a la media. Varianza: es la media aritmtica del cuadrado de las desviaciones respecto a la media. Desviacin tpica: es la raz cuadrada de la varianza. Estadgrafo: Estadgrafo o estadstico es una medida que se realiza sobre las observaciones de la muestra, como dicha medida cambia de muestra en muestra el estadgrafo es entonces una variable aleatoria y como tal tendr una distribucin de probabilidades. La mayora de los estadsticos muestrales se encuentran por medio de una frmula y suelen asignrseles nombres simblicos que son letras latinas. Variables y Atributos Variables: Las variables, o tambin llamados caracteres cuantitativos, son aquellos que pueden ser expresados mediante nmeros. Son caracteres susceptibles de medicin. Como por ejemplo, la estatura, el peso, el salario, la edad, etc. Una variable es un smbolo, tal como X, Y, Hx, que puede tomar un valor cualquiera de un conjunto determinado. Reciben el nombre de variables cualitativas o atributos, aquellas caractersticas que pueden presentarse en individuos que constituyen un conjunto. Atributos: Los atributos tambin llamados caracteres cualitativos, son aquellos que no son susceptibles de medicin, es decir que no se pueden expresar mediante un nmero. Escalas de Medicin Escalas: Una escala es un patrn convencional de medicin, y bsicamente consiste en un instrumento capaz de representar con gran fidelidad verbal, grfica o simblicamente el estado de una variable. Existen Cuatro Clasificaciones de Escalas: Nominal, Ordinal, de Intervalo y de Razn tambin conocida como de relacin. Medicin:

El proceso de asignar un valor numrico a una variable se llama medicin. Las escalas de medicin sirven para ofrecernos informacin sobre las clasificaciones que podemos hacer con respecto a las variables (discretas o continuas). La medicin de las variables puede realizarse por medio de cuatro escalas de medicin. Dos de las escalas miden variables categricas y las otras dos miden variables numricas. Escala Nominal Utiliza los nmeros para identificar que un dato pertenece a un grupo o a una categora. Es aquella escala que no presenta un orden o dimensin particular, son observaciones que pueden clasificarse o contarse. Por ejemplo, si la unidad de anlisis es un grupo de personas, para clasificarlas se puede establecer la categora sexo con dos niveles, masculino (M) y femenino (F), los respondientes solo tienen que sealar su gnero, no se requiere de un orden real. Escala Ordinal Es posible establecer una relacin de orden entre las distintas de la variable, es decir, prevalece la relacin de orden. Puede contener letras o nmeros para identificar a cada categora de la variable. Los nmeros o letras usados, deben reflejar el orden de las categoras. Por ejemplo, podemos ordenar a los sujetos por su clase social, asignado el valor 1 a los de clase baja, el 2 a los de clase media, y 3 a los de clase alta. Escala de Intervalo La medicin de intervalo posee las caractersticas de la medicin nominal y ordinal. Establece la distancia entre una medida y otra. La escala de intervalo se aplica a variables continuas pero carece de un punto cero absoluto. Por ejemplo: la temperatura de una ciudad medida en grados Fahrenheit o Celsius. Escala de Razn Una escala de medicin de razn incluye las caractersticas de los tres anteriores niveles de medicin (nominal, ordinal e intervalo). Determina la distancia exacta entre los intervalos de una categora. Adicionalmente tiene un punto cero absoluto, es decir, en el punto cero no existe la caracterstica o atributo que se mide. Las variables de ingreso, edad, nmero de hijos, peso, estatura, etc. son ejemplos de este tipo de escala. El nivel de medicin de razn se aplica tanto a variables continuas como discretas. Sumatoria y Productoria Sumatoria: Una sumatoria nos permite representar sumas muy grandes, de n sumandos o incluso sumas infinitas y se expresa con la letra griega sigma ().

Esto se lee: "Sumatoria sobre i, desde m hasta n, de x sub-i". La variable i es el ndice de suma al que se le asigna un valor inicial llamado lmite inferior, m. La variable i recorrer los valores enteros hasta alcanzar el lmite superior, n. Necesariamente debe cumplirse que: Ejemplo:

Esto se lee: Sumatoria sobre i, desde 1 hasta 5, de i. Productoria: Tambin conocida como Multiplicatoria o Pitatoria, este es un operador matemtico el cual consiste en la multiplicacin finita o infinita de factores mediante un smbolo matemtico que simplifica la operacin, llamado Smbolo Productorio. Razn, Proporcin y Tasa Razn: Es el cociente entre dos nmeros, en el que ninguno o slo algunos elementos del numerador estn incluidos en el denominador. El rango es de 0 a infinito. Proporcin: Es una razn en la cual los elementos del numerador estn incluidos en el denominador. Se utiliza como estimacin de la probabilidad de un evento. El rango es de 0 a 1 (o de 0 a 100%). Tasa: Es un tipo especial de razn o de proporcin que incluye una medida de tiempo en el denominador. Est asociado con la rapidez de cambio de un fenmeno por unidad de una variable (tiempo, temperatura, presin). Los componentes de una tasa son el numerador, el denominador, el tiempo especfico en el que el hecho ocurre, y usualmente un multiplicador, potencia de 10, que convierte una fraccin o decimal en un nmero entero. El rango es de 0 a infinito. Porcentaje: Se denomina porcentaje a una porcin proporcional del nmero 100, por lo tanto puede expresarse como fraccin. Si decimos 50 % (este es el smbolo que representa el porcentaje) significa la mitad de cien: el 100 % es el total. Frecuencia:

Es el nmero de datos o elementos de la muestra, que caen en un mismo intervalo de clase. Es decir, que sus valores quedan totalmente comprendidos dentro de los linderos de ese mismo intervalo. Frecuencia simple absoluta: El nmero de veces que se observa un mismo tem (Los datos de una misma magnitud o clase), o la cantidad d datos que caen en un mismo intervalo. Frecuencia simple relativa: Es la relacin geomtrica entre la frecuencia absoluta y el total de datos. O sea, el cociente de dividir el nmero de veces que aparece un dato de un intervalo, entre la totalidad de los datos que conforman la muestra de que se trate. Frecuencia acumulada: Es la suma de las frecuencias de un intervalo de clase, con todas las frecuencias de los intervalos que le preceden. De modo que tambin habr frecuencias acumuladas absolutas y frecuencias acumuladas relativas. Frecuencia acumulada absoluta: Es la acumulacin o suma de todas las frecuencias absolutas hasta el intervalo de clase considerado, inclusive. Frecuencia acumulada relativa: Viene a ser la acumulacin de todas las frecuencias relativas hasta el mismo intervalo considerado, inclusive.

Conclusin

Al culminar el trabajo presentado, es notorio asumir que la estadstica cumple un rol importante en el estudio cientfico, tanto en el rea administrativa como en la social; ya que es una forma ms factible de analizar o concluir aquellos datos complejos para posteriormente tomar una importantante decisin. Sera un error concebir la Estadstica Econmica como un simple instrumento para estudiar aspectos parciales. El amplio campo de su aplicacin permite incursionar en cada uno de los elementos que componen el complejo sistema socio-econmico, as como investigar de una

manera integral la relacin entre sus principales variables. Es por esto que en el estudio de la economa la Estadstica Econmica constituye un elemento de inestimable valor. Despus de haber brindado algunas nociones bsicas de la estadstica, sus objetivos, calificacin y las diferentes tcnicas que la misma utiliza para estudiar una determinada poblacin, podemos sintetizar lo siguiente: la estadstica es una ciencia, debido a que utiliza mtodos de investigacin cientfica y a la vez es una serie de herramientas, instrumentos y estrategia para estudiar a una poblacin. Por otra parte, la estadstica se califica en descriptiva e inferencial. Donde la primera estudia los mtodos de recoleccin y descripcin de los fenmenos en estudios; mientras que la otra se dedica a la generacin de los mtodos, inferencias y predicciones asociados a los fenmenos en cuestin, teniendo en cuenta lo aleatorio e incertidumbre en las observaciones.

Bibliografa

WWW.WIKIPEDIA.ORG

http://es.wikipedia.org/wiki/Estad%C3%ADstica WWW.RINCONDELVAGO.COM

http://buscador.rincondelvago.com/estadistica WWW.MONOGRAFIAS.COM

http://www.monografias.com/cgibin/search.cgi?substring=0&bool=and&query=ESTADISTICA&x=28&y=9 WWW.BUENASTAREAS.COM

http://www.buenastareas.com/search_results.php?action=search&query=ESTADISTICA WWW.DECONCEPTOS.COM

http://deconceptos.com/index.php?s=ESTADISTICA&x=12&y=12 WWW.WIKIVERSITY.ORG

http://es.wikiversity.org/wiki/Medici%C3%B3n_en_estad%C3%ADstica.

CAMPO ESTADSTICA

1. ESTADSTICA DESCRIPTIVA

La estadstica descriptiva analiza, estudia y describe a la totalidad de individuos de una poblacin. Su finalidad es obtener informacin, analizarla, elaborarla y simplificarla lo necesario para que pueda ser interpretada cmoda y rpidamente y, por tanto, pueda utilizarse eficazmente para el fin que se desee. El proceso que sigue la estadstica descriptiva para el estudio de una cierta poblacin consta de los siguientes pasos: Seleccin de caracteres dignos de ser estudiados. Mediante encuesta o medicin, obtencin del valor de cada individuo en los caracteres seleccionados. Elaboracin de tablas de frecuencias, mediante la adecuada clasificacin de los individuos dentro de cada carcter. Representacin grfica de los resultados (elaboracin de grficas estadsticas). Obtencin de parmetros estadsticos, nmeros que sintetizan los aspectos ms relevantes de una distribucin estadstica.

Conceptos Bsicos

Estadstica. Es la ciencia de reunir, organizar, presentarme analizar e interpretar datos para ayudar a tomar mejores decisiones.

Tipos de Estadstica

El estudio de la estadstica se divide normalmente en dos categoras: estadstica descriptiva y estadstica inferencial.

 Estadstica Descriptiva: La estadstica descriptiva utiliza mtodos para organizar resumir y presentar datos de manera informativa. Estadstica Inferencial: utiliza mtodos usados para determinar algo acerca de la poblacin basndose en una muestra.

Poblacin: Un conjunto de todos los posibles individuos, objetos o mediciones de inters.

Muestra: Un subconjunto, o parte de la poblacin de inters.

Niveles de Medicin: Los datos se pueden clasificar de acuerdo con los niveles de medicin de los datos indican, con frecuencia, que los clculos se pueden realizar para resumir y presentar los datos y qu pruebas estadsticas pueden llevarse a cabo.

Hay cuatro niveles de medicin: nominal, ordinal, de intervalo y de razn. El nivel de medicin ms bajo o ms primitivo es el nominal. El ms alto o el que nos da ms informacin acerca de la observacin es el nivel de medicin de razn.

[pic]

Cualitativos o Atributos: tipo de coche que se tiene, color de pluma, gnero, etc.

Cualitativos o Numricos:

Discretos: nmero de hijos, nmero de empleados, nmero de televisores vendidos al ao.

Continuos: peso de un envo, millas recorridas entre dos cambios de aceite, distancia entre dos pases.

1. Representaciones Grficas y Tablas

Gran parte de la utilidad que tiene la Estadstica Descriptiva es la de proporcionar un medio para informar basado en los datos recopilados. La eficacia con que se pueda realizar tal proceso de informacin depender de la presentacin de los datos, siendo la forma grfica uno de los ms rpidos y eficientes, aunque tambin uno de los que ms pueden ser manipulados o ser malinterpretados si no se tienen algunas precauciones bsicas al realizar las grficas. Existen tambin varios tipos de grficas, o representaciones grficas, utilizndose cada uno de ellos de acuerdo al tipo de informacin que se est usando y los objetivos que se persiguen al presentar la informacin. Entonces, mencionaremos algunas consideraciones que conviene tomar en cuenta al momento de realizar cualquier grfica a fin de que la informacin sea transmitida de la manera ms eficaz posible y sin distorsiones: 1. El eje que represente a las frecuencias de las observaciones (comnmente el vertical o de las ordenadas) debe comenzar en cero (0), de otra manera podra dar impresiones errneas al comparar la altura, longitud o posicin de las columnas, barras o lneas que representan las frecuencias.

2. La longitud de los espacios que representan a cada dato o intervalo (clase) en la grfica deben ser iguales.

3. El tipo de grfico debe coincidir por sus caractersticas con el tipo de informacin o el objetivo que se persigue al representarla, de otra manera la representacin grfica se convierte en un instrumento ineficaz, que produce ms confusin que otra cosa, innecesario o productor de malinterpretaciones. Por ejemplo, si se desea representar la proporcin de poblacin masculina en un pas conviene ms usar una grfica de pastel o circular que una grfica de barra al compararla contra la poblacin femenina; por un lado se puede apreciar dicha proporcin, por el otro se aprecia cul de las dos poblaciones es mayor.

Tipos de Grficos

Histograma. Grfica en la que las clases se indican en el eje horizontal y las frecuencias de clases en el eje vertical. Las frecuencias de clase se representan por la altura de las barras, y las barras se trazan adyacentes una a la otra.

|Precio de Venta (miles de dlares) |Frecuencia |12 a 15 |15 a 18 |18 a 21 |21 a 24 |24 a 27 |27 a 30 |30 a 33 |Total |8 |23 |17 |18 |8 |4 |2 |80 | | | | | | | |

Polgono de Frecuencia. Un polgono de frecuencia es semejante a un histograma. Consiste de segmentos de lnea que conectan a los puntos formados por la interseccin que conectan los puntos formados por la interseccin del punto medio de clase.

|Precio de Venta |(miles de dlares) |12 a 15 |15 a 18 |18 a 21 |21 a 24 |24 a 27 |27 a 30 |30 a 33

|Punto Medio |Frecuencia | |13.5 |16.5 |19.5 |22.5 |25.5 |28.5 |31.5 | |8 |23 |17 |18 |8 |4 |2 | | | | | | | |

|Total

|80

Grfica de Barras

Grfica que muestra datos de forma visual utilizando barras horizontales o verticales cuyas longitudes son proporcionales a las cantidades que representan. Se pueden utilizar cuando un eje no puede tener una escala numrica, se utiliza tambin para comparar magnitudes entre varias categoras.

|Socio |Japn |Mxico |Estados Unidos |Holanda |Inglaterra |Francia |China |Total

|Aportacin miles del dlares) |150 |400 |500 |340 |290 |450 |900 |3030 | | | | | | | |

Grfica de Pastel

La grfica de pastel es especialmente til para describir datos de nivel nominal.

|Uso de las Ganancias |Educacin |Fondos Generales |Municipios |56

|Porcentaje | |23 |10 | |

|Personas de la Tercera Edad |Otros |Total |2 |100

|9 | |

2. APLICACIN DE LAS MEDIDAS DE TENDENCIA CENTRAL

La Media Poblacional

En muchos estudios se consideran todos los valores de una poblacin. Si decidimos que la puntuacin media en el examen de todos los estudiantes que entraron a la Universidad de Toledo en otoo de 2008 es de 19.6, ste es un ejemplo de la media poblacional porque tenemos una puntuacin para todos los estudiantes que entraron en otoo de 2008.

Media Poblacional= Suma de todos los valores de la poblacin Nmero de valores en la poblacin

En lugar de escribir con palabras las indicaciones para calcular la media poblacional (o cualquier otra medida), es ms conveniente usar los smbolos taquigrficos de las matemticas.

Media Poblacional:

u= EX N

Donde:

representa la media poblacional. Es la letra griega minscula mu

N X E

es el nmero de individuos de la poblacin. representa cualquier valor particular es la letra mayscula sigma e indica la operacin de adicin.

EX es la suma de los valores de X.

A cualquier valor caracterstica de la poblacin que puede ser medida se le llama parmetro. La media de una poblacin es un parmetro. Tambin lo es el rango (la diferencia entre el valor mayor y el valor menor del conjunto de datos).

La Media Muestral

En matemticas y estadstica, la media muestral (tambin llamada promedio, media aritmtica o simplemente media), de un conjunto finito de nmeros, es igual a la suma de todos sus valores dividida entre el nmero de sumandos. Cuando el conjunto es una muestra aleatoria recibe el nombre de media muestral siendo uno de los principales estadsticos muestrales. Expresada de forma ms intuitiva, podemos decir que la media (aritmtica) es la cantidad total de la variable distribuida a partes iguales entre cada observacin.

Media Muestral= Suma de todos los valores en la muestra Nmero de Valores en la muestra

[pic]

Estadstico: se le llama as a la media muestral o a cualquier otra medida que se basa en datos muestrales.

Ejemplo:

|Emisin |Bonos del Estado Australiano |Bonos del Estado Belga |Bonos del Estado Canadiense |Bonos del Estado Francs |Bonos del Estado Italiano |Bonos del Estado Espaol

|Tasa de Inters |9.50% |7.25 |6.50 |4.75 |12.00 |8.30

| | | | | | |

Cul es la media aritmtica de las tasas de inters de estas obligaciones a largo plazo?

9.50+7.25+6-50+4.75+12.00+8.30= 48.3 = 8.05 [pic] 6 6

La media muestral de las tasas de inters de las obligaciones a largo plazo en la muestra es 8.05%. La Mediana

La mediana de un conjunto finito de valores es aquel valor que divide al conjunto en dos partes iguales, de forma que el nmero de valores mayor o igual a la mediana es igual al nmero de valores menores o igual a estos. Su aplicacin se ve limitada ya que solo considera el orden jerrquico de los datos y no alguna propiedad propia de los datos, como en el caso de la media. Ejemplo:

La mediana de los precios de las unidades disponibles es $70 000. Para determinarlo ordenamos los precios de menor a mayor y escogemos el valor en el centro

|Precios Ordenados de Mayor a Menor |

|Precios Ordenados de Mayor a Menor

|$60 000 |$65 000 | | |$275 000 $70 000 $80 000

|$275 000 |$80 000 |$70 000 |$65 000 |$60 000

| | | | |

La Moda La moda es especialmente til para describir niveles de medicin nominal y ordinal. La moda es el valor que tiene mayor frecuencia absoluta. Se representa por Mo. Se puede hallar la moda para variables cualitativas y cuantitativas. Ejemplo:

Hallar la moda de la distribucin: 2, 3, 3, 4, 4, 4, 5, 5 Mo= 4

Si en un grupo hay dos o varias puntuaciones con la misma frecuencia y esa frecuencia es la mxima, la distribucin es bimodal o multimodal, es decir, tiene varias modas. 1, 1, 1, 4, 4, 5, 5, 5, 7, 8, 9, 9, 9Mo= 1, 5, 9

La Media, La Mediana y La Moda para Datos Agrupados

La Media Para aproximar la media aritmtica de datos organizados en una distribucin de frecuencia, empezamos por asumir que las observaciones de cada clase estn representadas por el punto medio de la clase. Frmula:

Donde: Es el total de datos, m el nmero total de clase y [pic] es la frecuencia de datos. La definicin es claramente entendida como una extensin de la definicin que dimos para datos no agrupados, ya que es lgico suponer que datos [pic] que se repiten con una frecuencia [pic] pueden simplificar la suma [pic] por [pic], por supuesto que los ndices de la segunda suma con respecto a la primera corren con respecto a menor nmero, es decir, con respecto al nmero de agrupamientos m.

Ejemplo:

|Precios de Venta | |12 a 15 |15 a 18 |18 a 21 |21 a 24 |24 a 27 |27 a 30 |30 a 33 |Total |8 |23 |17 |18 |8 |4 |2 |80

|Frecuencia (f)

|Punto Medio (x)

|Fx

|$13.5 |16.5 |19.5 |22.5 |25.5 |28.5 |31.5 |

|$108.5 |379.5 |331.5 |405.0 |104.0 |114.0 |63.0 |1 605.0

| | | | | | | |

Empleando la frmula para encontrar la media aritmtica, tenemos:

X= $1605 = $20.1 (miles) 80 Por lo tanto concluimos que el precio medio de venta de los vehculos es aproximadamente de $20 100.

La Mediana

Recuerde que le mediana es el valor por debajo del cual se encuentran la mitad de los valores y por encima del cual se encuentra la otra mitad de los valores. Mediana= L+ n/2-CF (i) f

Donde: L es el lmite inferior de la clase que contiene la mediana n es el nmero de frecuencias f es la frecuencia en la clase mediana

CF es el nmero de las frecuencias acumuladas en las clases que preceden a la clase que contiene la mediana. I es la amplitud de la clase en la que se encuentra la mediana.

|Precios de Venta | |12 a 15 |15 a 18 |18 a 21 |21 a 24 |24 a 27 |27 a 30 |30 a 33 |Total

|No. De Vehculos Vendidos (f) |Frecuencia Acumulada (CF) |(miles de pesos) |8 |23 |17 |18 |8 |4 |2 |80 |8 |31 |48 |68 |74 |78 |80 | | | | | | | | | | |

Mediana= $18 000 + 80/2-31 ($3 000) 17

=$1800+1588= $19 588

La Moda

Recordemos que la moda es el valor que se presenta con ms frecuencia. En el caso de datos agrupados en la distribucin de frecuencia, la moda puede ser aproximada por el punto medio de la clase que contiene el mayor nmero de frecuencias de clase.

[pic] donde [pic]

3. APLICACIN DE LAS MEDIDAS DE DISPERSIN Un promedio como la media o la mediana slo localizan el centro de los datos. Eso es valioso desde el punto de vista, pero un promedio o nos dice nada acerca de la dispersin de los datos. La razn para estudiar la variacin de un conjunto de datos es comparar la dispersin de dos o ms distribuciones. Consideramos varias medidas de dispersin. El rango se basa en la localizacin del valor mayor y el valor menor de los datos. La desviacin media, la varianza y la desviacin estndar se basan en todas las desviaciones de la media.

Rango La medida de dispersin ms simple es el rango. Es la diferencia entre el valor mayor y el menor. En forma de ecuacin:

Rango= Valor Mayor-Valor Menor

Desviacin Media Un inconveniente del rango es que se basa slo en dos valores, el mayor y el menor. No toma en consideracin a todos los dems valores. La desviacin media mide la cantidad media en la que los valores de la poblacin, o de la muestra, varan de la media.

MD= E| X-X| n donde:

X es el valor de cada observacin X es la media aritmtica de los valores n es el nmero de observaciones en la muestra || indica el valor absoluto. En otras palabras, se hace caso omiso de los signos de las desviaciones de la media.

|Nmero de Casos |103 |97 |101 |106 |103 |Total

|(X-X) |(103.102)=1 |(97-102)=-5 |(101-102)=-1 |(106-102=4 |(103-102)=1 | |12 |1 |5 |1 |4 |1

|Desviacin Absoluta | | | | | |

MD=12/5= 2.4

Varianza y Desviacin Estndar

La varianza y la desviacin estndar tambin se basan en la desviacin de la media. Pero en lugar de usar valores absolutos, elevamos al cuadrado las desviaciones. Elevar al cuadrado las desviaciones elimina nmeros negativos, porque al multiplicar dos nmeros negativos resultar un nmero positivo. La varianza y la desviacin estndar son, probablemente las mediadas de dispersin ms reportadas.

Varianza. La media aritmtica de las desviaciones de la media elevadas al cuadrado. Desviacin estndar. La raz cuadrada positiva de la varianza.

Frmula de la Varianza Poblacional [pic]

Desviacin Estndar Muestral La desviacin estndar muestral se usa como un estimador de la desviacin poblacional.

[pic]

4. ANLISIS DE SERIES DE TIEMPO

Definicin Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos durante un periodo, semanal, mensual, trimestral o anual, generalmente a intervalos iguales. Si bien el comportamiento de cualquier serie de tiempo puede observarse grficamente, no en todos los casos es posible distinguir las particularidades que cada una puede contener. La experiencia basada en muchos ejemplos se series de tiempo, sin embargo, ha revelado que existen ciertos movimientos o variaciones caractersticas que pueden medirse y observarse por separado.

Estos movimientos, llamados a menudo componentes, de una serie de tiempo y que se supone son causados por fenmenos distintos. El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la tendencia, la estacionalidad, las variaciones irregulares (componente aleatoria). Un modelo clsico para una serie de tiempo, puede ser expresada como suma o producto de tres componentes: tendencia, estacional y un trmino de error aleatorio. Son innumerables las aplicaciones que se pueden citar, en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica, electricidad, en demografa, en marketing, en telecomunicaciones, en transporte, etc.

Componentes de una Serie de Tiempo

Existen 4 componentes de una serie de Tiempo: La Tendencia, La Variacin Cclica, Variacin Estacional, y la Variacin Irregular. Tendencia Secular Las tendencias a largo plazo (sin alteraciones de una serie de tiempo) de las ventas, el empleo, los precios de las acciones, y otras series econmicas y comerciales. Muchas variables macroeconmicas, como el Producto Nacional Bruto (PNB), el empleo y la produccin industrial estn dominadas por una fuerte tendencia. La tendencia de una serie de tiempo es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Las fuerzas bsicas que ayudan a explicar la tendencia de una serie son el crecimiento de la poblacin, la inflacin de precios, el cambio tecnolgico y los incrementos en la productividad. La figura muestra grficamente la recta de tendencia ajustada a los datos trimestrales . La recta de trazos despus de 1972 representa proyecciones. [pic]

Variacin Cclica Es la segunda componente de un serie de Tiempo es la Variacin Cclica; ascenso y descenso de una serie de Tiempo en periodos mayores de un ao.

El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia, afecta por lo regular por las condiciones econmicas generales. Los patrones cclicos tienden a repetirse en los datos aproximadamente cada dos tres o ms aos. Es comn que las fluctuaciones cclicas estn influidas por cambios de expansin y contraccin econmicas, a los que comnmente se hace referencia como el ciclo de los negocios. Variacin Estacional Patrones de cambio en una serie de tiempos en un ao. Tales patrones tienden a repetirse cada ao. El componente estacional se refiere a un patrn de cambio que se repite a si mismo ao tras ao. En el caso de las series mensuales, el componente estacional mide la variabilidad de las series de enero, febrero, etc. En las series trimestrales hay cuatro elementos estacinales, uno para cada trimestre. La variacin estacional puede reflejar condiciones de clima, das festivos o la longitud de los meses del calendario. Movimientos estacionales o variaciones estacionales. Se refieren a las fluctuaciones peridicas que se observan en series de tiempo cuya frecuencia es menor a un ao (trimestral, mensual, diaria, etc.), aproximadamente en las mismas fechas y casi con la misma intensidad. Por ejemplo, el mayor monto de recaudacin del Impuesto a la Renta se observa en el mes de marzo de todos los aos o la mayor brecha entre el tipo de cambio de compra y venta se produce los das viernes dcada semana o la mayor cotizacin de los ttulos que se mueven en la Bolsa de Valores de Lima se observa diariamente entre las 11 a.m. y 12 m. Las variaciones estacionales, como veremos, responden fundamentalmente a factores relacionados al clima, lo institucional o las expectativas y no a factores de tipo econmico. En el Grfico no se observa ningn movimiento estacional, puesto que se trata de una serie anual. Las principales fuerzas que causan una variacin estacional son las condiciones del tiempo, como por ejemplo: 1) En invierno las ventas de helado 2) En verano la venta de lana 3) Exportacin de fruta en marzo. Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc.) [pic] Variacin Regular

El componente aleatorio mide la variabilidad de las series de tiempo despus de que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por

factores imprevistos y no ocurrentes. La mayora de los componentes irregulares se conforman de variabilidad aleatoria. Sin embargo ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequas, inundaciones o terremotos), elecciones, conflictos armados o la aprobacin de asuntos legislativos, pueden causar irregularidad en una variable.

Movimientos irregulares o al azar o ruido estadstico Si bien pueden ser generados por factores de tipo econmico, generalmente sus efectos producen variaciones que solo duran un corto intervalo de tiempo. Aunque debe reconocerse que en ocasiones sus efectos sobre el comportamiento de una serie pueden ser tan intensos que fcilmente podran dar lugar a un nuevo ciclo o a otros movimientos. Un claro ejemplo de esto es el efecto del shock de precios de agosto de 1990 sobre el comportamiento de la inflacin. Al analizar una serie de tiempo es necesario, entonces, tener en consideracin el comportamiento de cada uno de estos componentes. Para ello el criterio mas lgico a seguir es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de manera individual. Si bien esto supone la utilizacin de mtodos estadsticos adecuados, que mas adelante veremos, la mejor forma de apreciarlos es a travs de su observacin visual. a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal. Un outliers es una observacin de la serie que corresponde a un comportamiento anormal del fenmeno (sin incidencias futuras) o a un error de medicin. Se debe determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es, se debe omitir o reemplazar por otro valor antes de analizar la serie.

2. ESTADSTICA INFERENCIAL

La estadstica Inferencia, es el proceso por el cual se deducen (infieren) propiedades o caractersticas de una poblacin a partir de una muestra significativa. Uno de los aspectos principales de la inferencia es la estimacin de parmetros estadsticos. Por ejemplo, para averiguar la media, , de las estaturas de todos los soldados de un reemplazo, se extrae una muestra y se obtiene su media, 0. La media de la muestra (media muestral), 0, es un estimador de la media poblacional, . Si el proceso de muestreo est bien realizado (es decir, la muestra tiene el tamao adecuado y ha sido seleccionada aleatoriamente), entonces el valor de , desconocido, puede ser inferido a partir de 0.

1. PROBABILIDAD

Definicin Muchos de los eventos que ocurren en la vida diaria no pueden ser predichos con exactitud desde antes por diversas razones, pues la mayora de los hechos estn influidos por factores externos. Adems, existen aquellos sucesos que estn directamente influidos por el azar, es decir, por procesos que no se est seguro de lo que va a ocurrir. Sin embargo, la probabilidad nos permite acercarnos a esos sucesos y estudiarlos, ponderando las posibilidades de su ocurrencia y proporcionando mtodos para tales ponderaciones. Precisamente, algunos de esos mtodos proporcionados por la probabilidad nos llevan a descubrir que algunos sucesos tienen una mayor o menor probabilidad de ocurrir que la ponderacin asignada a travs del sentido comn.

Probabilidad de Eventos Para calcular la probabilidad de eventos es necesario que stos se comporten de una manera ms o menos estable. Precisamente, se echa mano de la regularidad estadstica, que es la propiedad de los fenmenos aleatorios, y que consiste en que al aumentar el nmero de repeticiones de un experimento en condiciones prcticamente constantes, la frecuencia relativa de ocurrencia para cada evento tiende a un valor fijo. Sin embargo, al momento de definir la probabilidad de un evento podemos tomar en cuenta los siguientes criterios: 1. La probabilidad subjetiva de un evento se la asigna la persona que hace el estudio, y depende del conocimiento que esta persona tenga sobre el tema. Precisamente por su carcter de subjetividad no se considera con validez cientfica, aunque en la vida diaria es de las ms comunes que se utilizan al no apoyarse ms que en el sentido comn y los conocimientos previos, y no en resultados estadsticos. 2. La probabilidad frecuencial de un evento es el valor fijo al que tienden las frecuencias relativas de ocurrencia del evento de acuerdo a la regularidad estadstica. Esta definicin sera la ms real, pero proporciona probabilidades aproximadas, es decir, proporciona estimaciones y no valores reales. Adems, los resultados son a posteriori, pues se necesita realizar el experimento para poder obtenerlo.

3. La probabilidad clsica de un evento E, que denotaremos por P(E), se define como el nmero de eventos elementales que componen al evento E, entre el nmero de eventos elementales que componen el espacio muestral: [pic]

2. DISTRIBUCIN DE PROBABILIDAD

Una distribucin de probabilidad indica todos los resultados posibles de un experimento, as como la probabilidad de ocurrencias de stos resultados.

Variables Aleatorias

En cualquier experimento de probabilidades, los resultados ocurren al azar. Por ejemplo lanzar un solo dado es un experimento: cualquiera de seis resultados probables puede ocurrir. En algunos experimentos el resultado es cuantitativo (como dlares, peso o nmero de hijos) y el resultado es cuantitativo (color o preferencia religiosa).

Variables Aleatorias Discretas

Por lo general, una variable aleatoria discreta es resultado de un conteo. Es decir, se lanza una moneda cinco ocasiones y se cuenta cuntos de ellos estn defectuosos; o bien la cantidad de estudiantes que se ausentan en una clase. El nmero de soles o el de microchips defectuosos son ejemplos de variables aleatorias discretas.

Variable Aleatoria Continua

Si se mide algo como el ancho de una habitacin, la estatura de una persona o el dimetro externo de un buje, son ejemplos de una variable aleatoria continua. Puede ser tambin un nmero de valores infinitamente grande.

Lgicamente, si se organiza un conjunto de variables aleatorias discretas en una distribucin de probabilidad, ser una distribucin de probabilidad discreta. Las herramientas que se utilizan, as como las interpretaciones de la probabilidad son diferentes para las variables aleatorias discretas y continuas.

Distribucin de Probabilidad para Variables Discretas

Ejemplo. Consideremos a la variable aleatoria X como la cantidad de guilas observadas cuando se lanzan dos volados. El espacio muestral es el conjunto {AA, AS, SA, SS} y se puede ver que la variable X puede tomar como valores 0, 1 y 2. Calculando las probabilidades tenemos: |P(de no observar guilas) |P(de observar una guila) |P(de observar dos guilas) |= |P(SS) |= |P(SA AS) |= |P(AA) |= |P(X=0) |= |P(X=1) |= |P(X=2) |= | |

|= |2/4 | |= | |

Si ahora se organizan estos resultados con el siguiente formato |X |0 |1 |2 |P(X=x) | |2/4 | | | | |

Se podr explicar por qu se usa el nombre "distribucin de probabilidad". E, incluso, con esta informacin se puede construir una grfica de barras o un histograma como el que sigue:

Las propiedades de las distribuciones de variables discretas son dos, y que posteriormente, al hablar de las distribuciones de variables continuas, se repetirn de manera muy similar: 1. 0

 P(X=x) 1. 2. P(X=x) = 1, o que es lo mismo: la suma de todas las probabilidades de los eventos posibles de una variable aleatoria es igual a la unidad.

Distribucin de Probabilidad para Variables Continuas

Hasta el momento se han considerado las distribuciones de probabilidad para variables discretas, donde se poda asignar el valor que toma la funcin de probabilidad cuando la variable aleatoria tomaba un valor en concreto. Sin embargo, al considerar las variables continuas se encuentra uno el problema de que, lo ms probable, los datos que se puedan recabar no sean completamente exactos, o dos o ms de ellos no coincidan, por lo que se tienen que trabajar en intervalos y, en ese momento, modelar una funcin se convierte en un problema serio. Sin embargo, se pueden realizar aproximaciones y describir la probabilidad a travs de modelos tericos de probabilidad cuya grfica es una lnea continua, a diferencia de las variables discretas que le corresponde un histograma.

Frmula [pic]

Los trenes de una cierta lnea de cercanas pasan cada 20 minutos. Cuando llegamos a la estacin, ignoramos cundo pas el ltimo.

La medida de la probabilidad del tiempo que tendremos que esperar a que pase el siguiente tren (tiempo de espera), se obtiene con la ayuda de la grfica adjunta. . La probabilidad de que tengamos que esperar entre 10 y 16 minutos es del 30%

Es decir: P*10 x 16+ = 0,30 Procediendo de forma similar, halla las siguientes probabilidades e interpreta lo que significan:

a) P*x 2+ b) P*5 x 10+ c) P*x 10+ d) P*5 x 6+

P *x 2+ = = 0,10

La probabilidad de tener que esperar menos de 2 minutos es 0,10 (del 10%). b) P *5 x 10+ = = 0,25

La probabilidad de tener que esperar entre 5 y 10 minutos es del 25%. c) P *x 10+ = = 0,50

La probabilidad de tener que esperar menos de 10 minutos es del 50%. d) P *5 x 6+ = = 0,05

La probabilidad de tener que esperar entre 5 y 6 minutos es del 5%.

Distribucin de Probabilidad Binomial

La distribucin de probabilidad binomial es un ejemplo distribucin de probabilidad discreta. Una caracterstica de una distribucin de este tipo es que solo existen dos resultados posibles para un ensayo particular de un experimento. Por ejemplo, la respuesta a una pregunta de verdadero o falso, solo puede ser verdadero o falso. Los resultados son mutuamente excluyentes, lo que significa que la respuesta a una pregunta de verdadero o falso no puede ser tanto verdadero como falso al mismo tiempo.

Frmula

N! / R! (N-R)! PR QN-R Recordemos que el smbolo factorial! Significa por ejemplo que es 3! = 3*2*1 = 6 Los matemticos definen 0! = 1. Ejemplo

Imaginemos una escuela primaria donde los alumnos llegan tarde a menudo. Cinco alumnos estn en el jardn de nios. La directora lleva tiempo estudiando el problema, habiendo llegado a la conclusin de que hay una probabilidad de 0.4 de que un alumno llegue tarde y de que los alumnos lleguen independientemente uno de otro Cmo trazamos una distribucin binomial de probabilidad que ilustre las probabilidades de que 0,1,2,3,4 5 estudiantes lleguen tarde simultneamente? Para hacerlo necesitaremos utilizar la frmula binomial donde : P= 0.4 Q= 0.6 N= 5 Realicemos el clculo de cada valor de R: Para R= 0 obtenemos que : P(0) = 5!/ 0!(5-0)! (0.4 )0 (0.6)5 P(0) = 0.07776 Para R= 1 obtenemos que : P(1) = 5!/ 1!(5-1)! (0.4 )1 (0.6)4 P(1) = 0.2592 Para R=2 obtenemos que: P(2) = 5!/ 2!(5-2)! (0.4 )2 (0.6)3 P(2) = 0.3456 Para R= 3 obtenemos que : P(3) = 5!/ 3!(5-3)! (0.4 )3 (0.6)2 P(3) = 0.2304

Para R= 4 obtenemos que : P(4) = 5!/ 4!(5-4)! (0.4 )4 (0.6)1 P(4) = 0.0768 Para R= 5 obtenemos que : P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0 P(5) = 0.01024

Distribucin de Probabilidad de Poisson

Es posible calcular las distribuciones de probabilidad binomial para probabilidades de xito (p) menores de 0.05, pero los clculos tal vez consuman demasiado tiempo (en especial para una n grande, por ejemplo de 100 o ms). La distribucin de probabilidad tendr cada vez un mayor sesgo a medida de que la probabilidad de xito disminuya, la forma de lmite de la distribucin binomial cuando la probabilidad de xito es muy pequea y n es grande se denomina como distribucin de probabilidad de Poisson.

Frecuentemente se le conoce como la Ley de los eventos improbables lo que significa que la probabilidad, p, de que ocurra un evento especfico es muy pequea. La distribucin de Poisson es una distribucin de probabilidad discreta porque se forma al contar.

Frmula

[pic]

Donde:

P(X) = probabilidad de X xitos dado el valor de = esperanza del nmero de xitos.

e = constante matemtica, con valor aproximado 2.711828 X = nmero de xitos por unidad

Ejemplo

Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los archivos de la polica indican una media de cinco accidentes por mes en l. El nmero de accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado. Aplicando la frmula anterior: P(0) = (5)0 (e-5) /0! = 0.00674 P(1) = (5)1 (e-5) /1! = 0.03370 P(2) = (5)2 (e-5) /2! = 0.08425 P(3) = (5)3 (e-5) /3! = 0.14042 P(4) = (5)4 (e-5) /4! = 0.17552 Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo que ser igual a : P(0) = 0.00674 P(1) = 0.03370 P(2) = 0.08425 P(3) = 0.14042 P(3 o menos) = 0.26511 Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la probabilidad de que ocurran ms de tres debe ser = 1 0.26511 = 0.73489.

3. MUESTREO

Definicin

El muestreo es el procedimiento empleado para obtener una o ms muestras de una poblacin. Este se realiza una vez que se ha establecido un marco muestral representativo de la poblacin, se procede a la seleccin de los elementos de la muestra aunque hay muchos diseos de la muestra.

Utilidad El muestreo nos ayuda a la investigacin de una porcin de la poblacin. En esta investigacin estamos interesados por igual en todos los elementos de la poblacin y querramos estudiarlos todos. Pero por razones prcticas, tendremos que escoger solo una muestra. Tal vez tenemos una poblacin de millones de objetos y es imposible abarcar incluso una mayora de entre ellos. Tambin en aquellos casos (con poblaciones de 10 000 o ms) en que podramos escoger estudiar cada objeto, el estudio de muestreo puede ser una eleccin prudente, porque ahorra tiempo y podemos usar el tiempo ahorrado para estudiar los elementos ms cuidadosamente. Todos estos son buenos casos para un estudio de muestreo.

2.3.1 Poblacin y Muestra Poblacin Definicin En estadstica, a poblacin estadstica es a sistema de las entidades referentes que inferencias estadsticas es ser dibujado, basado a menudo en a muestra escogida al azar tomado de la poblacin. Ejemplo: todos los estudiantes de la Universidad del Valle de Mxico.

Muestra Definicin Se llama muestra a una parte de la poblacin a estudiar que sirve para representarla. Una muestra es una coleccin de algunos elementos de la poblacin, pero no de todos

Una muestra debe ser definida en base de la poblacin determinada, y las conclusiones que se obtengan de dicha muestra solo podrn referirse a la poblacin en referencia Ejemplo: los estudiantes de la Licenciatura de Administracin de Empresas Tursticas.

2.3.2 Tamao de la Muestra

Definicin El tamao de la muestra es el nmero de sujetos que componen la muestra extrada de una poblacin, necesarios para que los datos obtenidos sean representativos de la poblacin. Ejemplo: una empresa transnacional cuenta con 5,000 empleados de los cuales tomar una muestra de 2,000 para realizar un estudio socioeconmico. El tamao de la muestra es de 2,000. Para calcular el tamao de una muestra hay que tomar en cuenta tres factores: 1. El porcentaje de confianza con el cual se quiere generalizar los datos desde la muestra hacia la poblacin total. 2. El porcentaje de error que se pretende aceptar al momento de hacer la generalizacin. 3. El nivel de variabilidad que se calcula para comprobar la hiptesis. La confianza o el porcentaje de confianza es el porcentaje de seguridad que existe para generalizar los resultados obtenidos. Esto quiere decir que un porcentaje del 100% equivale a decir que no existe ninguna duda para generalizar tales resultados, pero tambin implica estudiar a la totalidad de los casos de la poblacin. Para evitar un costo muy alto para el estudio o debido a que en ocasiones llega a ser prcticamente imposible el estudio de todos los casos, entonces se busca un porcentaje de confianza menor. Comnmente en las investigaciones sociales se busca un 95%. El error o porcentaje de error equivale a elegir una probabilidad de aceptar una hiptesis que sea falsa como si fuera verdadera, o la inversa: rechazar a hiptesis verdadera por considerarla falsa. Al igual que en el caso de la confianza, si se quiere eliminar el riesgo del error y considerarlo como 0%, entonces la muestra es del mismo tamao que la poblacin, por lo que conviene correr un cierto riesgo de equivocarse. Comnmente se aceptan entre el 4% y el 6% como error, tomando en cuenta de que no son complementarios la confianza y el error.

La variabilidad es la probabilidad (o porcentaje) con el que se acept y se rechaz la hiptesis que se quiere investigar en alguna investigacin anterior o en un ensayo previo a la investigacin actual. El porcentaje con que se acept tal hiptesis se denomina variabilidad positiva y se denota por p, y el porcentaje con el que se rechaz se la hiptesis es la variabilidad negativa, denotada por q.

2.3.3 Mtodos de Seleccin de la Muestra

Muestreo Aleatorio Simple. Una muestra seleccionada de modo que cada uno de los elementos o personas en la poblacin tenga las mismas probabilidades de ser incluido.

Para ilustrar el muestreo aleatorio simple, suponga que una poblacin consta de los 845 empleados que trabajan en Nitra Industries. Se ha de seleccionar una muestra de 52 empleados de esa poblacin. Una forma de asegurar que todos los empleados tengan la misma oportunidad de ser elegidos es escribir primero el nombre de cada uno en un papel y colocar todos los papeles en una sola urna. Luego de haberlos revuelto en forma minuciosa, se hace la primera seleccin tomando un papel de la caja sin mirarla. Este proceso se repite hasta haber seleccionado la muestra de 52 personas.

Un mtodo ms conveniente de seleccionar una muestra aleatoria es usar el nmero de identificacin de cada empleado y una tabla de nmeros aleatorios. Como lo indica el nombre, los nmeros se generan mediante un proceso aleatorio. Para cada digito de nmero, la probabilidad de 0, 1, 2, , 9 es la misma. Por lo tanto, la probabilidad de seleccionar al empleado nmero 011 es la misma que para el empleado 722 o para el nmero 382. El sesgo se elimina del proceso de seleccin.

Muestreo Aleatorio Sistemtico

El procedimiento del muestreo aleatorio simple puede ser difcil en ciertos casos. Por ejemplo, suponer que la poblacin que se interesa consiste de 2, 000 facturas que se localizan en cajones. Tomar una muestra aleatoria sencilla requerira primero numerar las facturas, del 0000 al 1999 . utilizando una tabla de nmeros aleatorios, se seleccionara luego una muestra de, por ejemplo,

100 nmeros. Luego, en los cajones, deber localizarse una factura que concuerde con cada uno de estos 100 nmeros. Esta tarea puede requerir mucho tiempo. En vez de ello, se podra seleccionar una muestra aleatoria sistemtica, recorriendo simplemente los cajones, contando las facturas y tomando todas las que hagan el nmero 20 del grupo, para su estudio.

La primera factura deber elegirse utilizando un proceso aleatorio, por ejemplo: una tabla de nmeros aleatorios. Si se eligi la dcima factura como punto de partida, la muestra consistir en las facturas dcima, trigsima, quincuagsima, septuagsimaDebido a que el primer nmero se elige al azar, todos tienen la misma probabilidad de seleccionarse para la muestra- por lo tanto, se trata de un muestreo probabilstico.

Muestreo Aleatorio Estratificado

Una vez que la poblacin se divide en estratos, es posible seleccionar una muestra proporcional o no proporcional. Como el nombre lo implica, un procedimiento de muestreo proporcional requiere que el nmero de artculos de cada estrato est en la misma proporcin que en la poblacin. Por ejemplo, el problema podra ser estudiar los gastos de publicidad de las 352 empresas estadounidenses mayores. Suponer que el objetivo del estudio consiste en determinar si las empresas con altos rendimientos sobre su inversin (una medicin de la rentabilidad) han gastado una mayor proporcin se su presupuesto de ventas en su publicidad que las empresas que tienen un menor rendimiento o incluso, dficit.

|Estrato | |2 |3 |4 |5 |Total

|Rentabilidad

|Nmero de Firmas |Nmero de Muestreado |Se Cuenta por

|De 20 a 30 por ciento |35 |De 10 a 20 por ciento |189 |De 0 a 10 por ciento |115 |Dficit | |5 |352 |1 |50

|5 |27 |16

|35/352x50 |189/352x50 |115/352x50 |5/352x50 | | |

| | |

Suponer que las 352 empresas se dividieron en cinco estratos. Si se han de seleccionar para su estudio intensivo, por decir, 50 empresas, entonces se debera incluir una empresa con nivel de rentabilidad de 30 por ciento o ms. En una muestra estratificada no proporcional, la cantidad de artculos que se seleccionan en cada estrato no guarda proporcin con los nmeros respectivos en la poblacin. Independientemente de que se use un procedimiento de muestreo aleatorio simple o sistemtico.

El procedimiento del muestreo aleatorio simple puede ser difcil en ciertos casos. Por ejemplo, suponer que la poblacin que interesa consiste de 2, 000 facturas que se localizan en cajones. Tomar una muestra aleatoria sencilla

Muestreo por Conglomerados

Muchas veces se le emplea para reducir el costo de realizar un muestreo de una poblacin dispersa en un rea geogrfica.

Suponga que se desea determinar el punto de vista de los industriales de Texas sobre las polticas federales y estatales de proteccin del entorno. Las selecciones de Texas y el contacto personal con cada uno de ellos seran muy onerosos en cuanto tiempo y dinero. En lugar de ello, se podra emplear el muestreo por conglomerados subdividiendo el estado en unidades pequeas, ya fueran condados o regiones. Muchas veces estas se conocen como unidades primarias. Suponga que se subdividi al estado de Texas en 12 unidades primarias, y luego escogi cuatro de ellas: las marcadas con los nmeros 2,7,4 y 12, y se concentr el esfuerzo en estas unidades primarias. Se podra tomar una muestra aleatoria de los industriales en cada una de estas regiones y los entrevistaramos (combinacin del muestreo por conglomerados y muestreo aleatorio simple).

2.4 PRUEBAS DE HIPTESIS

Definicin Una prueba de hiptesis estadstica es una conjetura de una o ms poblaciones. Nunca se sabe con absoluta certeza la verdad o falsedad de una hiptesis estadstica, a no ser que se examine la poblacin entera. Esto por su puesto sera imprctico en la mayora de las situaciones. En su lugar, se toma una muestra aleatoria de la poblacin de inters y se utilizan los datos que contiene tal

muestra para proporcionar evidencia que confirme o no la hiptesis. La evidencia de la muestra que es un constante con la hiptesis planteada conduce a un rechazo de la misma mientras que la evidencia que apoya la hiptesis conduce a su aceptacin.

Definicin de prueba de hiptesis estadstica es que cuantifica el proceso de toma de decisiones.

Por cada tipo de prueba de hiptesis se puede calcular una prueba estadstica apropiada. Esta prueba estadstica mide el acercamiento del calor de la muestra (como un promedio) a la hiptesis nula. La prueba estadstica, sigue una distribucin estadstica bien conocida (normal, etc.) o se puede desarrollar una distribucin para la prueba estadstica particular.

La distribucin apropiada de la prueba estadstica se divide en dos regiones: una regin de rechazo y una de no rechazo. Si la prueba estadstica cae en esta ltima regin no se puede rechazar la hiptesis nula y se llega a la conclusin de que el proceso funciona correctamente.

Al tomar la decisin con respecto a la hiptesis nula, se debe determinar el valor crtico en la distribucin estadstica que divide la regin del rechazo (en la cual la hiptesis nula no se puede rechazar) de la regin de rechazo. A hora bien el valor crtico depende del tamao de la regin de rechazo.

PASOS DE LA PRUEBA DE HIPTESIS

1. Expresar la hiptesis nula 2. Expresar la hiptesis alternativa 3. Especificar el nivel de significancia 4. Determinar el tamao de la muestra 5. Establecer los valores crticos que establecen las regiones de rechazo de las de no rechazo. 6. Determinar la prueba estadstica. 7. Coleccionar los datos y calcular el valor de la muestra de la prueba estadstica apropiada.

8. Determinar si la prueba estadstica ha sido en la zona de rechazo a una de no rechazo. 9. Determinar la decisin estadstica. 10. Expresar la decisin estadstica en trminos del problema.

2.4.1 t de Student

Definicin

La prueba estadstica t de Student para muestras dependientes es una extensin de la utilizada para muestras independientes. De esta manera, los requisitos que deben satisfacerse son los mismos, excepto la independencia de las muestras; es decir, en esta prueba estadstica se exige dependencia entre ambas, en las que hay dos momentos uno antes y otro despus. Con ello se da a entender que en el primer perodo, las observaciones servirn de control o testigo, para conocer los cambios que se susciten despus de aplicar una variable experimental. Con la prueba t se comparan las medias y las desviaciones estndar de grupo de datos y se determina si entre esos parmetros las diferencias son estadsticamente significativas o si slo son diferencias aleatorias.

Condiciones para la aplicacin de la prueba: El nivel de medicin, en su uso debe ser de intervalo o posterior. El diseo debe ser relacionado. Se deben cumplir las premisas paramtricas.

Pasos para la aplicacin de la hiptesis:

1. Ordenar los datos en funcin de los momentos antes y despus, y obtener las diferencias entre ambos. 2. Calcular la media aritmtica de las diferencias (d). 3. Calcular la desviacin estndar de las diferencias (sd).

4. Calcular el valor de t por medio de la ecuacin. 5. Calcular los grados de libertad (gl) gl = N - 1. 6. Comparar el valor de t calculado con respecto a grados de libertad en la tabla respectiva, a fin de obtener la probabilidad. 7. Decidir si se acepta o rechaza la hiptesis.

2.4.2 Z o Normal Estandarizada

Decimos que una variable aleatoria X se distribuye segn una Normal de media y de desviacin tpica > 0, y se representar por X N(, ), si

su funcin de densidad es:

[pic]

Tambin es conocida como distribucin de Gauss. Siguen esta distribucin una gran cantidad de fenmenos aleatorios naturales. Modela errores de medidas, alturas, pesos, etc. Tambin modela la mayora de las medidas biolgicas y las medias de muestras generadas por cualquier distribucin de probabilidad, siempre que el nmero de elementos de las muestras sea grande.

La siguiente grfica es una representacin de la funcin de densidad de una distribucin normal de media 2 y desviacin tpica 1.

Propiedades

La distribucin es simtrica respecto de la recta x = La funcin de densidad alcanza su mximo (moda) en x = . En este caso la moda coincide con la media y con la mediana.

 Si X N(, ), entonces se cumple que Y = aX + b N(a + b, |a|) Una combinacin lineal de variables normales,*pic+donde cada Xi N(i, i) sigue una distribucin *pic+

Caso de la distribucin N(0,1)

a1) Funcin de distribucin en un valor positivo o nulo. La probabilidad pedida puede deducirse directamente de la tabla.

La tabla contiene valores de la funcin de distribucin de una variable aleatoria N(0,1) desde 0 a 4.49 en intervalos de una centsima.

Ejemplo

Si queremos hallar: F(2.34) = P(z 2.34)

Como 2.34 = 2.3 + 0.04, localizamos el valor que aparece en la fila que comienza en 2.3 y en la columna encabezada con 0.04. Este valor resulta ser 0.99036, por lo que concluimos que: F(2.34) = P(z 2.34) = P(z < 2.34) = 0.99036.

El ltimo valor de la tabla es F(4.49) = P(z 4.49) = 1.00000, que es un valor obtenido por redondeo, ya que su valor ha de ser algo menor que 1, pero la tabla no permite ms precisin.

Si el valor de F(z) que queremos hallar corresponde a un nmero mayor que 4.49, por ejemplo P(z 5.00), tomaremos, con ms razn, tambin 1 como valor aproximado para est probabilidad.

Si el nmero contiene ms cifras por ejemplo : P(z 2.347) pueden usarse las siguientes aproximaciones:

1. Realizar una interpolacin entre los valores ms cercanos:

P(z 2.34) < P(z 2.347) < P(z 2.35):

[pic]

[pic]

La solucin es y = 0. 990 53.

Este procedimiento da un valor ms cercano al verdadero, que los dos siguientes, pero requiere un clculo ms largo. El valor que se obtiene usando un programa informtico es: P(z 2.347) = 0. 990 54

2. Usar como aproximacin la semisuma de ambos valores:

[pic]

3. Aproximar simplemente con el valor ms cercano que venga en la tabla.

En este caso:

P(z < 2.347) P(z < 2.35) = 0.99061[pic]

2.4.3 x^2

Sean Z1,Z2, . . .Zn variables aleatorias N(0, 1) e independientes. Entonces la suma

[pic]

Se distribuye segn una chi-cuadrado con n grados de libertad. Se representa por: [pic]

Su funcin de densidad es de la forma:

[pic]

Para x > 0

La media de una 2 n es n y su varianza es 2n.

Al sumar dos 2 independientes de grados de libertad n1 y n2, el resultado es otra 2 de n1 + n2 grados de libertad.

La distribucin Chi-cuadrado se usa en Inferencia Estadstica para estudiar las variaciones de la varianza muestral con respecto a la varianza poblacional, la adaptacin de datos experimentales a ciertas distribuciones tericas de probabilidad, as como en el estudio de la independencia entre variables cualitativas, mediante el empleo de tablas de contingencia.

Esta distribucin tambin viene tabulada, especialmente para los valores ms usuales. Se debe prestar especial atencin al tipo de tabla empleada, ya que pueden dar distintos valores para la probabilidad: En unas se da la funcin de distribucin (rea a la izquierda del valor buscado) y en otras el valor complementario(cola derecha).

2.5 MEDICIN ESTADSTICA DE LA CALIDAD

Una de las reas de la actividad humana en la que la aplicacin de tcnicas estadsticas ha tenido gran difusin y al mismo tiempo un enorme xito, es en la de aquellos aspectos que se relacionan con el control de calidad de produccin de bienes y suministro de servicios. En los aos 80 la aplicacin de la filosofa y tcnicas del control de calidad en la produccin supuso un enfoque revolucionario y tremendamente competitivo, que fue aprovechado sobre todo por la industria japonesa para colocarse a la cabeza del mercado mundial, lo que resulta curioso, siendo americanos los "padres" del control de calidad, puesto que la industria americana slo se subi al carro del control de calidad una vez que la presin ejercida en el mercado por la superioridad de los productos japoneses les oblig a considerar las bondades de la nueva filosofa, en la que la calidad constituye un concepto global que no slo se aplica al producto sino a todo el proceso de fabricacin, incluyendo el control de costes, precios y beneficios, gestin de los suministros y plazos de entrega. Aunque inicialmente el control de calidad se aplic solo a la fabricacin industrial, enseguida se extendi su radio de accin a la prestacin de servicios, donde tambin podemos incluir el rea de salud, aunque dentro del entorno mdico hay sectores que por sus caractersticas, ms asimilables a la industria, tienen una mayor tradicin en el empleo del control de calidad; como son los laboratorios de anlisis clnicos (hematologa, bioqumica o microbiologa), o los bancos de sangre. Sin embargo las tcnicas han sido utilizadas tambin en otros entornos, como puede ser por ejemplo en la monitorizacin de fallos en operaciones quirrgicas, y su campo de aplicacin est limitado tan slo por nuestra imaginacin, ya que cualquier actividad humana es susceptible de ser cuantificada y por tanto monitorizada para mejorar su calidad, desde el tiempo de espera de un paciente que acude a consulta, hasta el porcentaje de pacientes que cumplen adecuadamente el tratamiento prescrito, o el mismo registro de datos en la historia clnica del paciente. Un elemento fundamental en la filosofa del control de calidad moderno es la utilizacin generalizada de procedimientos cientficos, incluidos los mtodos estadsticos, en la planificacin, recogida de datos y anlisis de los mismos, de tal forma que las decisiones no se sustenten en meras conjeturas. Aunque en un sistema sanitario fundamentalmente pblico, como es el espaol, la competencia no constituye el principal acicate para la incorporacin de sistemas de control de calidad, no cabe ninguna duda de que sin embargo existen mltiples razones para incorporar estas tcnicas en la gestin de los servicios de atencin sanitaria, como lo corrobora el hecho del aumento de su difusin y aplicacin en este entorno, razones en las que de momento no vamos a entrar, por ser la lnea argumental de estos artculos fundamentalmente estadstica.

El Control estadstico de procesos, es la metodologa que utilizando fundamentalmente grficos permite monitorizar la estabilidad (calidad) de un proceso de produccin o de suministro de un servicio, de forma que se detecte, cuanto antes, cualquier situacin inadecuada; lo que permitir eliminar las causas especiales de variabilidad en la obtencin del resultado final.

2.5.1 Grficas para Variables

Muchas caractersticas de calidad pueden expresarse en trminos de medida numrica.

Por ejemplo, el dimetro de una pieza puede medirse con un micrmetro y expresarse en milmetros. Una caracterstica cualitativa que sea medible tal como un volumen, un peso, o cualquier dimensin, en general, es una variable.

Una grafica de control X-R, en realidad son dos grficas en una, una representa los promedios de las muestras de la (grfica X) y la otra representa los rangos (grfica R), deben construirse juntas, ya que la grfica X, nos muestra cualquier cambio en la media del proceso y la grfica R nos muestra cualquier cambio en la dispersin del proceso, para determinar las X y R de las muestras, se basan en los mismos datos. El uso particular de la grafica X-R es que nos muestra los cambios en el valor medio y en la dispersin del proceso al mismo tiempo, adems es una herramienta efectiva para verificar anormalidades en un proceso dinmicamente. Algunos puntos importantes a considerar previo a la elaboracin de esta grfica son: Propsito de la grfica Variable a considerar Tamao de la muestra Tener un criterio para decidir si conviene investigar causas de variacin del proceso de produccin. Familiarizar a l personal con el uso de esta grfica.

El proceso que se debe seguir para construir una grafica es:

1. La construccin de una grfica de rangos y promedio resulta de formar una unidad, tanto de la grfica de promedios como de la de rangos. 2. Consta de dos secciones, parte superior se dedica a los promedios, y la parte inferior a los rangos. 3. En el eje vertical se establece la escala, a lo largo del eje horizontal se numeran las muestras. 4. En la grfica se relacionan estos promedios con los intervalos durante los cuales se tomaron la muestras. En el eje vertical se indican los valores correspondientes a los valores de muestras. En el eje horizontal se sealan los periodos de tiempo en los que se toman las muestras a semejanza que la de promedios. 5. La interpretacin de esta grafica de promedio y rango seria que a partir de los datos de la grafica de promedios y rangos, podemos determinar el valor central del proceso y su aplicacin. 6. Mediante este proceso est bajo control cuando no muestra ninguna tendencia y adems ningn punto sale de los lmites.

2.5.2 Grficas para Atributos

Con frecuencia, los datos que se recolectan son resultado de un conteo ms que de una medicin. Es decir, se observa la presencia o falta de algn atributo. Por ejemplo, la tapa roscada de una botella de champ ajusta en sta y no presenta fugas (condicin: aceptable) o bien no sella bien y el resultado es una fuga (condicin: inaceptable); un banco otorga un prstamo a un cliente y ste no lo hace. En algunos casos el inters radica en conocer el nmero de defectos en una muestra. British Airways podra contar el nmero de vuelos al da que llegan con retraso al aeropuerto de Gatwick en Londres.

Si un artculo que se registra es la proporcin de partes inaceptables que se producen en lotes grandes de partes, la grfica apropiada de control es la grfica de porcentajes defectuosos. Esta grfica se basa en la distribucin binomial. La lnea del centro est en p, la proporcin defectuosa media se encuentra por:

Proporcin Defectuosa Media

p= Nmero total de artculos defectuosos

Nmero total de artculos muestrales

Cuando la variable que se analiza solo puede tomar dos valores, no o s, correcto o incorrecto, adecuado o inadecuado, se habla de control por atributos. Ahora las muestras han de ser necesariamente mayores que cuando se analizan variables medibles, y habitualmente se utilizar un grfico de proporciones, en el que la variable a representar en el eje de las Y es la proporcin de veces en que el resultado no es adecuado. Tambin aqu se recogern de 20 a 30 muestras de tamao suficiente para que se observe en cada una alguno de los resultados defectuosos, lo que hace que el tamao de muestra necesario sea tanto mayor cuanto menor sea dicha proporcin. Si el tamao n de todas las muestras es el mismo y llamamos P a la media de todas las proporciones, sabemos que se puede estimar la desviacin tpica mediante la siguiente frmula [pic] De tal manera que los lmites de control vienen dados ahora por las siguientes frmulas LCSP=P+3sp LCIP=P-3sp En el caso de que los tamaos de cada muestra difieran, tambin lo hace el valor de la desviacin tpica, de tal manera que para cada porcentaje representado en la grfica varan los lmites de control, los cuales no sern ya una lnea horizontal sino una lnea escalonada.