Índice

INTRODUCCION ............................................................................ 2

CAPÍTULO I- “LA ESTADÍSTICA INFERENCIAL.

GENERALIDADES”

Teoría del muestreo ........................................................................ 3

Distribución en el muestreo: ............................................................ 4

La teoría de probabilidades ............................................................. 5

Distribución de Probabilidades para variables continuas y discretas 6

¿Qué es una distribución continua? ................................................ 6

Ejemplo de la distribución de pesos ................................................ 6

¿Qué es una distribución discreta? ................................................. 7

Ejemplo del número de quejas de clientes ...................................... 8

Pruebas de Hipótesis ...................................................................... 9

APLICACIÓN DE LA ESTADÍSTICA INFERENCIAL EN LA VIDA

PROFESIONAL

CONCLUSION .............................................................................. 13

BIBLIOGRAFÍA ............................................................................. 14

ANEXOS ....................................................................................... 15
INTRODUCCION

Para iniciar este trabajo debo comentar que la inferencia estadística es el

conjunto de métodos y técnicas que permiten inducir, a partir de la información
empírica proporcionada por una muestra, cual es el comportamiento de una
determinada población con un riesgo de error medible en términos de
probabilidad.

Los métodos paramétricos de la inferencia estadística se pueden dividir,

básicamente, en dos: métodos de estimación de parámetros y métodos de
contraste de hipótesis. Ambos métodos se basan en el conocimiento teórico de
la distribución de probabilidad del estadístico muestral que se utiliza como
estimador de un parámetro.

La estimación de parámetros consiste en asignar un valor concreto al

parámetro o parámetros que caracterizan la distribución de probabilidad de la
población. Cuando se estima un parámetro poblacional, aunque el estimador
que se utiliza posea todas las propiedades deseables, se comete un error de
estimación que es la diferencia entre la estimación y el verdadero valor del
parámetro. El error de estimación es desconocido por lo cual es imposible
saber en cada caso cual ha sido la magnitud o el signo del error; para valorar el
grado de precisión asociado con una estimación puntual se parte de dicha
estimación para construir un intervalo de confianza. En síntesis, un intervalo de
confianza está formado por un conjunto de valores numéricos tal que la
probabilidad de que éste contenga al verdadero valor del parámetro puede
fijarse tan grande como se quiera. Esta probabilidad se denomina grado de
confianza del intervalo, y la amplitud deéste constituye una medida del grado
de precisión con el que se estima el parámetro.
CAPÍTULO I- “LA ESTADÍSTICA INFERENCIAL.
GENERALIDADES”

Teoría del muestreo

Es la actividad por la cual se toman ciertas muestras de una población de

elementos de los cuales vamos a tomar ciertos criterios de decisión, el
muestreo es importante porque a través de él podemos hacer análisis de
situaciones de una empresa o de algún campo de la sociedad.

b. Terminología básica para el muestreo

Los nuevos términos, los cuales son frecuentemente usados en inferencia

estadística son:

Estadístico:

Un estadístico es una medida usada para describir alguna característica de una

muestra , tal como una media aritmética, una mediana o una desviación
estándar de una muestra.

Parámetro:

Una parámetro es una medida usada para describir alguna característica de

una población, tal como una media aritmética, una mediana o una desviación
estándar de una población.

Cuando los dos nuevos términos de arriba son usados, por ejemplo, el proceso
de estimación en inferencia estadística puede ser descrito como le proceso de
estimar un parámetro a partir del estadístico correspondiente, tal como usar
una media muestral ( un estadístico para estimar la media de la población (un
parámetro).

Los símbolos usados para representar los estadísticos y los parámetros, en

éste y los siguientes capítulos, son resumidos en la tabla siguiente:
Distribución en el muestreo:

Cuando el tamaño de la muestra (n) es más pequeño que el tamaño de la

población (N), dos o más muestras pueden ser extraídas de la misma
población. Un cierto estadístico puede ser calculado para cada una de las
muestras posibles extraídas de la población. Una distribución del estadístico
obtenida de las muestras es llamada la distribución en el muestreo del
estadístico.

Por ejemplo, si la muestra es de tamaño 2 y la población de tamaño 3

(elementos A, B, C), es posible extraer 3 muestras ( AB, BC Y AC) de la
población. Podemos calcular la media para cada muestra. Por lo tanto,
tenemos 3 medias muéstrales para las 3 muestras. Las 3 medias muéstrales
forman una distribución. La distribución de las medias es llamada la distribución
de las medias muéstrales, o la distribución en el muestreo de la media. De la
misma manera, la distribución de las proporciones (o porcentajes) obtenida de

La teoría de la probabilidad es una rama de las matemáticas que estudia los

fenómenos aleatorios y estocásticos. Los fenómenos aleatorios se contraponen
a los fenómenos deterministas, los cuales son resultados únicos y/o previsibles
de experimentos realizados bajo las mismas condiciones determinadas, por
ejemplo, si se calienta agua a 100 ºC a nivel del mar se obtendrá vapor. Los
fenómenos aleatorios, por el contrario, son aquellos que se obtienen de
experimentos realizados, otra vez, bajo las mismas condiciones determinadas
pero como resultado posible poseen un conjunto de alternativas, por ejemplo,
el lanzamiento de un dado o de una moneda.
La teoría de probabilidades

Se ocupa de asignar un cierto número a cada posible resultado que pueda

ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y
saber si un suceso es más probable que otro.

Muchos fenómenos naturales son aleatorios, pero existen algunos como el

lanzamiento de un dado, donde el fenómeno no se repite en las mismas
condiciones, debido a que las características del material hace que no exista
una simetría del mismo, así las repeticiones no garantizan una probabilidad
definida. En los procesos reales que se modelizan mediante distribuciones de
probabilidad corresponden a modelos complejos donde no se conocen a priori
todos los parámetros que intervienen; ésta es una de las razones por las cuales
la estadística, que busca determinar estos parámetros, no se reduce
inmediatamente a la teoría de la probabilidad en sí.

En 1933, el matemático soviético Andréi Kolmogórov propuso un sistema de

axiomas para la teoría de la probabilidad, basado en la teoría de conjuntos y en
la teoría de la medida, desarrollada pocos años antes por Lebesgue, Borel y
Frechet entre otros.

Esta aproximación axiomática que generaliza el marco clásico de la

probabilidad, la cual obedece a la regla de cálculo de casos favorables sobre
casos posibles, permitió la rigorización de muchos argumentos ya utilizados,
así como el estudio de problemas fuera de los marcos clásicos. Actualmente, la
teoría de la probabilidad encuentra aplicación en las más variadas ramas del
conocimiento, como puede ser la física (donde corresponde mencionar el
desarrollo de las difusiones y el movimiento Browniano), o la economía (donde
destaca el modelo de Black y Scholes para la valuación de acciones).
Distribución de Probabilidades para variables continuas y
discretas

Las distribuciones de probabilidad son distribuciones de probabilidad continuas

o distribuciones de probabilidad discretas, dependiendo de si definen
probabilidades para variables continuas o discretas.

¿Qué es una distribución continua?

Una distribución continua describe las probabilidades de los posibles valores de

una variable aleatoria continua. Una variable aleatoria continua es una variable
aleatoria con un conjunto de valores posibles (conocido como el rango) que es
infinito y no se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el

área por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores
pueden tener una probabilidad diferente de cero. La probabilidad de que una
variable aleatoria continua equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de

hombres adultos. Por ejemplo, usted puede calcular la probabilidad de que un
hombre pese entre 160 y 170 libras.
Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de

160 a 170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad de
que un hombre seleccionado aleatoriamente pese entre 160 y 170 libras es de
13.6%. Toda el área por debajo de la curva equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor
siempre es cero, porque el área por debajo de la curva en un punto individual,
que no tiene anchura, es cero. Por ejemplo, la probabilidad de que un hombre
pese exactamente 190 libras es cero. Podría calcular una probabilidad diferente
de cero de que un hombre pese más de 190 libras, menos de 190 libras o entre
189.9 y 190.1 libras, pero la probabilidad de que pese exactamente 190 libras
es cero.

¿Qué es una distribución discreta?

Una distribución discreta describe la probabilidad de ocurrencia de cada valor

de una variable aleatoria discreta. Una variable aleatoria discreta es una
variable aleatoria que tiene valores contables, tales como una lista de enteros
no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable

aleatoria discreta puede estar asociado con una probabilidad distinta de cero.
Por lo tanto, una distribución de probabilidad discreta suele representarse en
forma tabular.
Ejemplo del número de quejas de clientes

Con una distribución discreta, a diferencia de una distribución continua, usted

puede calcular la probabilidad de que X sea exactamente igual a algún valor.
Por ejemplo, puede utilizar la distribución discreta de Poisson para describir el
número de quejas de clientes en un día. Supongamos que el número promedio
de quejas por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y
15 quejas de clientes en un día.

x P (X = x)

5 0.037833

10 0.12511

15 0.034718

Usted también puede visualizar una distribución discreta en una gráfica de

distribución para ver las probabilidades entre los rangos.
Gráfica de distribución del número de quejas de clientes

Las barras sombreadas en este ejemplo representan el número de ocurrencias

cuando las quejas diarias de los clientes son 15 o más. La altura de las barras
suma 0.08346; por lo tanto, la probabilidad de que el número de llamadas por
día sea 15 o más es 8.35%.

Pruebas de Hipótesis

Una prueba de hipótesis es una regla que especifica si se puede aceptar o

rechazar una afirmación acerca de una población dependiendo de la evidencia
proporcionada por una muestra de datos.

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población:
la hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que
se probará. Por lo general, la hipótesis nula es un enunciado de que "no hay
efecto" o "no hay diferencia". La hipótesis alternativa es el enunciado que se
desea poder concluir que es verdadero de acuerdo con la evidencia
proporcionada por los datos de la muestra.

Con base en los datos de muestra, la prueba determina si se puede rechazar la

hipótesis nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es
menor que el nivel de significancia (denotado como α o alfa), entonces puede
rechazar la hipótesis nula.

Un error común de percepción es que las pruebas estadísticas de hipótesis

están diseñadas para seleccionar la más probable de dos hipótesis. Sin
embargo, al diseñar una prueba de hipótesis, establecemos la hipótesis nula
como lo que queremos desaprobar. Puesto que establecemos el nivel de
significancia para que sea pequeño antes del análisis (por lo general, un valor
de 0.05 funciona adecuadamente), cuando rechazamos la hipótesis nula,
tenemos prueba estadística de que la alternativa es verdadera. En cambio, si
no podemos rechazar la hipótesis nula, no tenemos prueba estadística de que
la hipótesis nula sea verdadera. Esto se debe a que no establecimos la
 probabilidad de aceptar equivocadamente la hipótesis nula para que fuera
pequeña.

Entre las preguntas que se pueden contestar con una prueba de hipótesis
están las siguientes:

 ¿Tienen las estudiantes de pregrado una estatura media diferente de 66

pulgadas?

 ¿Es la desviación estándar de su estatura igual a o menor que 5 pulgadas?

 ¿Es diferente la estatura de las estudiantes y los estudiantes de pregrado en

promedio?

 ¿Es la proporción de los estudiantes de pregrado significativamente más alta

que la proporción de las estudiantes de pregrado?
APLICACIÓN DE LA ESTADÍSTICA INFERENCIAL EN LA VIDA
PROFESIONAL

(Población de 10 personas)1.Cree usted que la estadística

inferencial es útil para extraerconclusiones de una población
basados en los resultados de unamuestra?

A) Si B) No C) No se

2.La estadística inferencial puede ayudarnos a detectar y

resolverproblemas que puedan tener una muestra de población?

A) No sirve para eso B) Si C) No

3.Piensa usted que la estadística inferencial se puede utilizar

paradeterminar fluctuaciones en el mercado bursátil?

A) Si B) No

4.Se puede probar hipótesis a través de la estadística inferencial?

A)

Es posible B) Si C) No

5.Es cierto que la estadística inferencial ahorra gastos y tiempo

alque la utiliza?

A)Si, es cierto B) No es cierto

6.Piensa usted que se pueden cometer errores al utilizar la

estadística inferencial?
A) Si existe la posibilidad B) No hay posibilidad

7.Cree usted que la estadística inferencial se pueda utilizar para

determinar el nivel de consumo de una muestra de la población
escogida?

A)Si, se puede B) No se puede

8.Que probabilidad de dar resultados sesgados tiene la teoría de

muestreo de aleatorio simple?

A) 50% B) 10% C) 1%

9. Cree usted que en la técnica del muestreo la manipulación de

datos es más simple que en las demás técnicas?

A) Es lo mismo en todas las técnicas B) Si C) No

10. Considera usted que una de las ventajas del muestreo es el

deestudiar menos individuos que en las demás técnicas?

A) Si, es cierto B) No es cierto

CONCLUSION

En la actualidad en el marco de los criterios de la Administración de la calidad y

de la productividad, así como en la aplicación de los sistemas de gestión de
calidad orientados a la toma de decisiones es imprescindible la aplicación de la
Estadistica tanto descriptiva y en cierta medida la estadística inferencial, que a
su vez proporcionan elementos de confiabilidad que científicamente sustenten
la decisión tomada.

Tener en cuenta que el objetivo de la estadística como disciplina es brindar

soporte en:

a) Planificación de la búsqueda y obtención de la información.

b) Organizar y sistematizar la información para su descripción y análisis.

c) A partir de la información organizada, efectuar inferencias a través de la

estimación y contrastación de la hipótesis.

El modelo de toma de decisión de un tema o problema específico requiere el

soporte que proporciona la estadística, que involucra desde la toma de muestra
propiamente hasta la corroboración de la decisión a un nivel de confiabilidad
definido.

La aplicación de la estadística es a todo ámbito y siempre va a requerir

considerar una data muestreal o poblacional de un determinado caso como por
ejemplo; nivel de hemoglobina de 1000 pacientes damas de un hospital se
encuentra en un rango definido y tiene tendencia a disminuir, que la variabilidad
de pesos netos de galletas que produce la empresa X esta en un rango de
peso evitando generar pérdidas al productor y detrimento al consumidor, que
los valores de venta diaria van en crecimiento.
BIBLIOGRAFÍA

https://www.coursehero.com/file/p6cv2f6/Un-error-com%C3%BAn-de-
percepci%C3%B3n-es-que-las-pruebas-estad%C3%ADsticas-de-
hip%C3%B3tesis-est%C3%A1n/

https://bsgrupo.com/bs-campus/blog/La-Importancia-de-la-Estadistica-en-la-
Administracion-1132

https://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_probabilidad

http://www.monografias.com/trabajos11/tebas/tebas.shtml#intro
ANEXOS