RESUMEN DE ESTADÍSTICA, FINAL.

La estadística es una ciencia, la cual presenta un grupo de métodos utilizados para recolectar,
analizar, ordenar, presentar e interpretar datos referentes a un fenómeno estudiado o de interés.
Es una forma de medición de la certidumbre, asociada a la observación u ocurrencia de un
fenómeno, deduce leyes que rigen esos fenómenos. Hay dos grandes campos dentro de la
Estadística, la podemos dividir en dos tipos:
 Estadística Descriptiva: Se compone de un conjunto de técnicas y métodos utilizados,
para describir, organizar y presentar mediante tabulaciones (hacer tablas), y gráficos,
información numérica. Dentro de esta rama también se encuentran el cálculo de las
medidas estadísticas de centralidad (media, mediana, moda) y de variabilidad o
dispersión (varianza, desvío estándar, coeficiente de variación). Describe las diversas
características de un conjunto de datos.
 Estadística Inferencial: Trata de averiguar características de una población, a partir de
una muestra extraída de la misma. Y aplica en ella un conjunto de técnicas y herramientas
que son utilizados para realizar predicciones, sacar conclusiones generales, o tomar
decisiones.

A grandes rasgos, la estadística es una ciencia que estudia una variable observada, la clasifica, la
ordena, tabula, analiza las características principales de los datos con el objeto de tomar
decisiones, formular predicciones y conducir a un resultado
Población y muestra.
 Población:
Es el conjunto sobre el que se está interesado en obtener conclusiones. Normalmente es
demasiado grande para poder abarcarlo en su totalidad.
 Parámetro: Es una cantidad numérica calculada sobre una población. Su fin es
resumir toda la información que hay en la población en unos pocos números.
 Muestra:
Es un subconjunto de la población, el cual se selecciona con el objetivo de extraer
información, tenemos acceso al mismo y hacemos observaciones o mediciones sobre este.
Está formado por miembros seleccionados, extraídos de la población, los cuales son
considerados como unidades de análisis o experimentales. Esta debería ser representativa,
es decir que abarque las características de la población.
 Estadístico: Es una cantidad numérica calculada sobre la muestra que resume su
información sobre algún aspecto. Se usa para aproximar un parámetro, también
suele llamarse estimador.
 Encuesta: es el listado de una o más características de todos los elementos de una
muestra.

Muestreo:
El muestreo es una herramienta de la investigación científica, cuya función básica es determinar
que parte de una población será examinada, con la finalidad de hacer inferencias sobre dicha
población. La muestra debe ser representativa, es decir lograr una representación adecuada de la
población, en la que se reproduzca de la mejor manera los rasgos o características esenciales de
dicha población, que son importantes para la investigación.
Los métodos de muestreo probabilísticos son aquellos que se basan fundamentalmente en el
principio de que todos los individuos tienen la misma probabilidad de ser elegidos para formar
parte de una muestra. Sólo estos métodos de muestreo probabilísticos nos aseguran la
representatividad de la muestra extraída y son por lo tanto, los más recomendables. Dentro de los
métodos de muestreo probabilísticos encontramos los siguientes tipos:
 Muestreo aleatorio simple: El procedimiento empleado es el siguiente: 1) se le asigna un
número a cada individuo de la población y 2) a través de algún medio mecánico los sujetos
 son elegidos, la cantidad de seleccionados depende del número necesario para completar
el tamaño de muestra requerido.
 Muestreo estratificado: Consiste en considerar categorías en las que se puede englobar a
los sujetos dependiendo de las cualidades de éstos, como por ejemplo, la edad, el sexo, la
nacionalidad, etc. Lo que pretende este tipo de muestreo es que se pueda agrupar a los
individuos a ciertas categorías y poder seleccionar en base a ellas de manera aleatoria.
 Muestreo por conglomerados: Se elige de manera aleatoria a diversos sujetos que
conformen un grupo que pueda dividir a la población, de esta manera todos los integrantes
que conforman a la unidad (que es el grupo) son representativos de la población de igual
manera que el resto. Esto es lo que se analiza en una muestra al azar; tomando a los sujetos
como elementos de una unidad (el grupo).
 Muestreo Sistemático: Se usa cuando los datos de la población están ordenados en forma
numérica. La primera observación es elegida al azar de entre los primeros elementos de
la población, y las siguientes observaciones son elegidas guardando la misma distancia
entre sí.
Variables:
En estadística se denomina variable a las cualidades, propiedades, características observables o
rasgos comunes que poseen los elementos de una población. Se estudian dos tipos de variables:
 Variables cuantitativas: Son aquellas que se pueden describir mediante números, son
susceptibles de cuantificación o de medición.
 Discretas: Toma valores enteros.
 Continuas: Toma valores con decimales.
 Variables cualitativas: Son aquellas cuyos valores (modalidades) no se pueden asociar
naturalmente a un número.
 Nominales: Sus valores no se pueden ordenar en escalas cualitativas y solo puede
agrupar en términos grupales.
 Ordinales: Sus valores se pueden ordenar en escalas cualitativas.
Medidas de Tendencia Central:
Son medidas que buscan posiciones, valores, con respecto a los que los datos muestran tendencia
a agruparse.
 Media aritmética: es el promedio de los valores de una muestra. Como es el promedio, es
preciso tener en claro que primero se debe sumar todos los valores de la muestra y
dividirlo por la cantidad de valores que presenta, en otras palabras es la suma de todos
los valores dividido el tamaño muestral.
 Mediana: Es el dato central que se ve en una tabla de datos ordenada, se considera estar
en el medio de la cantidad de valores teniendo tanto por encima como por debajo al 50%
de los valores.
 Moda: es el valor o los valores que mayor frecuencia tienen dentro de datos ordenados en
una tabla (tabulados). El valor que más se repite es la moda; si hay dos valores que se
repiten la misma cantidad de veces se dice que la tabla es bimodal, ambas son modas; y
si no hay ningún valor que se repita se dice que es amodal porque no hay moda.

Medidas de dispersión o variabilidad:

Expresan cuan dispersa es una serie con respecto a una medida de centralización o de posición.
 Varianza: Es el promedio cuadrático de los desvíos de la variable con respecto a su media.
Mide el agrupamiento de los valores que conforman la variable con respecto a su media.
Mientras más cercano el valor sea a 0, va a significar que la media representa
 correctamente los valores de la variable. Se elevan al cuadrado porque hace que todos los
valores sean positivos, hace que las diferencias entre valores se destaquen. Y ya que son
valores demasiados altos, se corrige con lo que es la desviación estándar o típica.
 Desviación típica o estándar: es la raíz cuadrada de la varianza de la variable. Indica que
tan disperso están los datos con respecto a la media
 Coeficiente de variación: Es la relación que hay entre la desviación típica o estándar de
una muestra y su media. Es el cociente entre el desvió estándar multiplicado por cien, y
la media. Se presenta en porcentajes. Mientras más pequeño es el coeficiente de variación,
más homogéneo es el grupo de datos.

Estadísticos de posición:
Son valores de la variable que dividen a la muestra en partes de igual porcentaje. Existen otras
técnicas con las cuales puede medirse la dispersión de un conjunto de datos. Estas medidas
adicionales de dispersión son los percentiles, los cuartiles y los deciles.
 Percentiles: Separan la muestra en grupos de 1% cada uno. (son 99). Los percentiles son
99 valores que dividen en cien partes iguales el conjunto de datos ordenados. El primer
percentil es el valor debajo del cual se encuentra el 1% de las observaciones, y el resto
están encima de éste.
 Cuartiles: Agrupan 25% cada uno. Hay tres cuartiles:
1. El primer cuartil, es el valor en el cual o por debajo del cual queda un cuarto (25%) de
todos los valores de la sucesión (ordenada). En otras palabras, es ese valor debajo del cual
clasifica el 25% de las observaciones, y sobre el cual puede encontrarse el 75% restante.
2. El segundo cuartil (50%), la mitad de las observaciones están por debajo y la mitad por
encima; en este sentido, es lo mismo que la mediana.
3. El tercer cuartil, es el valor en el cual o por debajo del cual quedan las tres cuartas partes
(75%) de los datos. Es decir, es el valor debajo del cual está el 75% de las observaciones
y encima del cual puede encontrarse el 25% restante.
 Deciles: Agrupan 10% cada uno (son 9), por lo que dividen la sucesión de datos
ordenados en diez partes porcentualmente iguales.

A todo esto hay diferentes formas de ordenar los datos en una tabla (tabular). Se denominan series
simples a los datos, los valores, ordenados jerárquicamente sin haber demasiada frecuencia con
respecto a éstos. Generalmente son ordenados así cuando la cantidad de valores es menor o igual
a 20, si es mayor a 20, se los ordena por frecuencia y es donde se expresa la cantidad de veces
que se repute un valor. Otra forma de ordenarlos es usando intervalos que es conveniente cuando
los datos son demasiados y pueden agrupar a los valores dentro de límites que se diferencia con
otros.
Dependiendo del tipo de tabla, se grafica de manera diferente. Si es por frecuencia se utiliza un
gráfico de bastones, si es por intervalo, se utiliza un gráfico Histograma o un polígono de
frecuencias.

Probabilidades:
Propone modelos para los fenómenos aleatorios, es decir, los que se pueden predecir con certeza,
y estudia sus consecuencias lógicas ubicando valores de posibilidades comprendido entre 0 y 1.
Sirve, entonces, para sacar conclusiones sobre la probabilidad discreta de sucesos potenciales.
Estudia, mide o determina los experimentos o fenómenos aleatorios.
Por experimento aleatorio se entiende todo aquel experimento que cuando se le repite bajo las
mismas condiciones iniciales, el resultado que se obtiene no siempre es el mismo. Implica realizar
el experimento para poder examinar los sucesos.
Hay 3 principios que el cálculo de probabilidades debe satisfacer:
 La probabilidad de que ocurra cualquier suceso abarca un rango comprendido entre 0 y1,
por ende no se puede obtener un resultado menor a 0 ni mayor a 1 entendiendo a éste
como el 100% como la seguridad total de que algo va a suceder, y 0% como la posibilidad
nula de que algo suceda.
 Todos los posibles resultados pertenecen al espacio muestral, el cual es el conjunto de
todos los posibles resultados del experimento aleatorio.
 Cuando 2 sucesos son incompatibles la probabilidad de que se den simultáneamente es
igual a 0, por lo tanto las probabilidades de cada suceso se suman en conjunto. Los
sucesos son compatibles cuando dos sucesos tienen como mínimo un elemento en común,
en cambio son incompatibles cuando no tienen ningún elemento en común.

 Se considera como evento o suceso aleatorio a cualquier subconjunto del espacio muestral
y representamos a los eventos mediante ciertos símbolos relacionados con el suceso.
 En probabilidad se distingue entre experimento determinista y aleatorio. Los
deterministas son aquellos que no dependen del azar, es decir que podemos conocer su
resultado de antemano, es predecible antes de que se realicen.
 Hay sucesos independientes y dependientes. Los primeros son cuando la probabilidad de
que suceda A no se ve afectada porque haya sucedido o no B, uno no influye sobre el
otro, y pueden suceder de forma simultánea. En cambio, los sucesos dependientes, si se
tiene en cuenta la influencia de un evento A en el evento B, o viceversa.

Conociendo lo siguiente se propone que una probabilidad es el resultado de la división entre

número de casos favorables sobre casos totales. Hay casos, que dependiendo del experimento se
deban tomar todos los casos favorables más 1, porque habrán veces que se den las probabilidades
tanto de que todos los experimentos tengan éxito como que ninguno (1y 0).
Teorema de la probabilidad:
Nos permite calcular la probabilidad de un suceso a partir de probabilidades condicionadas. Éste
tipo de probabilidad condiciona un evento que ya sucedió o que sucederá en relación con otro tipo
de sucesos que sucedieron o sucederán también. Otra forma es a través del teorema de Bayes (el
cual se basa en la probabilidad condicionada) éste utilizado para calcular la probabilidad de un
suceso, teniendo información de antemano sobre ese suceso.

Distribuciones probabilísticas:
Se llama distribución de probabilidad a la expresión de una función aleatoria (discreta o continua)
que tiene como dominio un conjunto de eventos mutuamente excluyentes y por completo
exhaustivos. Para construir las distribuciones probabilísticas, que son el enlace entre la
probabilidad y la estadística, es necesario entender el concepto de variable aleatoria.
Una variable aleatoria es una regla bien definida para asignar valores numéricos a todos los
resultados probables de un experimento. Por ejemplo, los distintos resultados que se obtienen al
lanzar un dado forman una variable, que abarcará de 1 a 6, y que no son predecibles. Y cada valor
de una variable aleatoria le corresponderá una probabilidad. Ese conjunto de todos los valores
posibles recibe el nombre de función o distribución de probabilidad de la variable aleatoria.
En otras palabras, la variable aleatoria puede definirse como cualquier característica medible que
toma diferentes valores con probabilidades determinadas. Toda variable aleatoria posee una
distribución de probabilidad que describe su comportamiento.
Existen dos clases de variables aleatorias, discretas y continuas.
 Una variable aleatoria discreta es una variable aleatoria que tiene valores contables. 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. Con una
distribución discreta, a diferencia de una distribución continua, podemos calcular la
probabilidad de que X sea exactamente igual a algún valor. Este tipo de variables son las
de Poisson, Hipergeométrica y Binomial.
 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. En otras palabras, debajo de la campana de Gauss es el área de las
probabilidades de las variables continuas.

La campana de Gauss es donde se mide una magnitud sometida a pequeñas variaciones

aleatorias entorno de la mediana.

Distribuciones:
 Binomial: Produce la descripcion adecuada a las probabilidades de ocurrencia de los
resultados posibles de un experimento . Aparece de forma natural al realizar repeticiones
independientes de un experimento que tenga respuesta binaria, clasificada como “éxito”
o “fracaso”. Se basa en los supuestos que las produce la descripcion adecuada a las
probabilidades de ocurrencia de los resultados posibles de un experimento observaciones
son independientes entre si, y de que es un proceso estacionario, por lo que la probabilidad
de éxito es constante.y la de fracaso tambien.En base a esto se puede decir que este tipo
de distribucion se lo considera dicotomico e independiente. Tambien se trabaja con
reposicion y son independientes entre si los sucesos. Toma numeros enteros y son todos
los numeros de casos posibles mas 1.
 Poisson: Es similar a la binomial, comparte las mismas caracteristicas, exceptuando el
hecho de que esta distribucion comprende un numero muestral demasiado grande y una
probabilidad demaciado pequeña. Esta distribucion es proporicional al tiempo y al
espacio en relacion a un suceso.
 Hipergeometrica: Este tipo de distribucion tambien se entiende en terminos de éxito y
fracaso pero este, a diferencia de los anteriores, trabaja sin reposicion de las unidades de
trabajo. Es aleatorio en la eleccion de las muestras y son dependientes de los demas
sucesos. Trabaja con una esperanza matematica que es igual a la varianza y se calcula
como el total de casos por la probabilidad de exito.
 Normal: Tambien conocido como distribucion de Gauss. Es capaz de adoptar cualquier
valor comprendido en el intervalo de infinitos numeros, por eso es la mas utilizada. Los
datos que pueden salir como resultado de una distribucion normal estan tipificados en
tablas universales con el fin de obtener un sencillo modo de observar los datos que
permiten responder a las incognitas acerca del comportamiento de las variables que se
saben normales. Trabaja con una media y una desviacion tipica para explicar los
comportamientos comunes de las variables.
Teoría de las muestras:
Se recurre a las muestras porque en algunos casos es la única manera de poder determinar alguna
característica relativa a la población. Alguna de las razones por la cual se recurren a la muestra
son:
 La imposibilidad de poder relevar a cada uno de los integrantes de una población.
 El costo de poder analizar a cada uno de los integrantes de la población y el presupuesto
que cueste realizar dicho análisis.
 El tiempo que se necesita para encuestar a cada uno de los elementos de la población.
 En ocasiones se puede producir la destrucción de los elementos de la población.
 La confianza de los resultados de la muestra.

Al hacer estadística inferencial hay que hacer un muestreo (elección de la muestra) y de ahí, luego
de las recolecciones, hay que hacer la extrapolación de las conclusiones obtenidas de las muestras
al resto de la población, por eso es inferencial.
Los muestreos pueden ser probabilísticos o no probabilísticos:
El muestreo probabilístico es aquel en las que se determina a través de un mecanismo de muestreo
aleatorio, los individuos que construirán a la muestra. Sirve para cuando se desea generalizar los
resultados que se obtiene a partir de la muestra hacia toda la población. El hecho de que sea
aleatoria hace que la muestra sea representativa de toda la población.
El muestreo no probabilístico es cuando la extracción de la muestra se efectúa usando otros
criterios diferentes a la aleatoria. Utiliza de forma empírica la elección de la muestra por lo que
interfieren las opiniones, los sesgos, etc. del investigador. Se acude a este tipo de muestreo cuando
es difícil enumerar, precisar, el objeto de estudio o cuando no existe registro de los datos.
Existen los muestreos probabilísticos con y sin reemplazo:
Los muestreos con reemplazo son aquellos en los que una vez que ha sido seleccionado un
individuo y se procede a estudiar se le toma en cuenta nuevamente al elegir el siguiente individuo
a ser estudiado. En este caso cada uno de los elementos de la población que conforma la muestra
permanece independiente de las demás.
Los muestreos sin reemplazo son los que una vez que se ha escogido un individuo para formar
parte de la muestra, no se loe vuelve a considerar nuevamente. En el caso, de poblaciones
pequeñas, las observaciones son dependientes entre sí, pues al no tomar en cuenta nuevamente el
individuo se modifica la probabilidad para la selección de otro individuo de la población.
Errores en el Muestreo
Cuando se utilizan valores muéstrales, o estadísticos para estimar valores poblacionales, o
parámetros, pueden ocurrir dos tipos generales de errores: el error muestral y el error no muestral.
El error muestral se refiere a la variación natural existente entre muestras tomadas de una misma
población. Y los errores que surgen al tomar las muestras no pueden clasificarse como errores
muéstrales y se denominan errores no muéstrales.
El sesgo de las muestras es un tipo de error no muestral. El sesgo muestral se refiere a una
tendencia sistemática inherente a un método de muestreo que da estimaciones de un parámetro
que son, en promedio, menores (sesgo negativo), o mayores (sesgo positivo) que el parámetro
real.
Distribuciones Muéstrales:
Las muestras aleatorias obtenidas de una población son, por naturaleza propia, impredecibles.
No se esperaría que dos muestras aleatorias del mismo tamaño y tomadas de la misma población
tenga la misma media muestral o que sean completamente parecidas; puede esperarse que
cualquier estadístico, como la media muestral, calculado a partir de las medias en una muestra
aleatoria, cambie su valor de una muestra a otra, por ello, se quiere estudiar la distribución de
todos los valores posibles de un estadístico. Tales distribuciones serán muy importantes en el
estudio de la estadística inferencial, porque las inferencias sobre las poblaciones se harán usando
estadísticas muéstrales. Como el análisis de las distribuciones asociadas con los estadísticos
muéstrales, podremos juzgar la confiabilidad de un estadístico muestral como un instrumento para
hacer inferencias sobre un parámetro poblacional desconocido.
Estimación
El objetivo principal de la estadística inferencial es la estimación, esto es que mediante el estudio
de una muestra de una población se quiere generalizar las conclusiones al total de la misma. Los
estimadores varían mucho dentro de sus distribuciones muéstrales, y mientras menor sea el error
estándar de un estadístico, más cercanos serán unos de otros sus valores.
Existen dos tipos de estimaciones para parámetros; puntuales y por intervalo. Una estimación
puntual es un único valor estadístico y se usa para estimar un parámetro. El estadístico usado se
denomina estimador. Una estimación por intervalo es un rango, generalmente de ancho finito, que
se espera que contenga el parámetro
Propiedades de un Buen Estimador
Insesgado: un estimador insesgado es aquel para el cual la media de la distribución muestral es el
parámetro estimado. Si se usa la media muestral para estimar la media poblacional
Eficiente o con varianza mínima: se refiere al tamaño de error estándar de la estadística. Si
comparamos dos estadísticas de una muestra del mismo tamaño y tratamos de decidir cuál de ellas
es un estimador más eficiente, escogeríamos la estadística que tuviera el menor error estándar, o
la menor desviación estándar de la distribución de muestreo.
Consistencia: Una estadística es un estimador consistente de un parámetro de población, si al
aumentar el tamaño de la muestra se tiene casi la certeza de que el valor de la estadística se
aproxima bastante al valor del parámetro de la población. Si un estimador es consistente se vuelve
más confiable si tenemos tamaños de muestras más grandes
Suficiencia: Un estimador es suficiente si utiliza una cantidad de la información contenida de la
muestra que ningún otro estimador podría extraer información adicional de la muestra sobre el
parámetro de la población que se está estimando
Cálculo del Tamaño de la Muestra para Estimar una Media
¿Qué tan grande debe ser una muestra si la media muestral se va a usar para estimar la media
poblacional? La respuesta depende del error estándar de la media, si este fuera cero, entonces se
necesitaría una sola media que será igual necesariamente a la media poblacional desconocida.
Este caso extremo no se encuentra en la práctica, pero refuerza el hecho de que mientras menor
sea el error estándar de la media, menor es el tamaño de muestra necesario para lograr un cierto
grado de precisión. Se sabe que para disminuir el error de estimación es aumentar el tamaño de la
muestra
Prueba de hipótesis La hipótesis es uno de los aspectos más útiles de la inferencia estadística,
puesto que muchos tipos de problemas de toma de decisiones, pruebas o experimentos en las
disciplinas a que hemos hecho referencia, pueden formularse como problemas de prueba de
hipótesis. Una hipótesis estadística es una proposición o supuesto sobre los parámetros de una o
más poblaciones
Es importante recordar que las hipótesis siempre son proposiciones sobre la población o
distribución bajo estudio, no proposiciones sobre la muestra. Por lo general, el valor del parámetro
de la población especificado en la hipótesis nula se determina en una de tres maneras diferentes:
1. Puede ser resultado de la experiencia pasada o del conocimiento del proceso, entonces el
objetivo de la prueba de hipótesis usualmente es determinar si ha cambiado el valor del parámetro.
2. Puede obtenerse a partir de alguna teoría o modelo que se relaciona con el proceso bajo estudio.
En este caso, el objetivo de la prueba de hipótesis es verificar la teoría o modelo.
3. Cuando el valor del parámetro proviene de consideraciones externas, tales como las
especificaciones de diseño o ingeniería, o de obligaciones contractuales. En esta situación, el
objetivo usual de la prueba de hipótesis es probar el cumplimiento de las especificaciones
Un test de hipótesis, es un conjunto de reglas que en base a la muestra que obra en nuestro poder
y la ayuda que nos brinda la teoría de la probabilidad nos permite aceptar o rechazar los supuestos
considerados en la hipótesis estadística.
La hipótesis nula, representada por Ho, es la afirmación sobre una o más características de
poblaciones que al inicio se supone cierta es una situación de que no hay cambio. Si la muestra
no contradice decididamente a Ho, se continúa creyendo en la validez de la hipótesis nula.
Entonces, las dos conclusiones posibles de un análisis por prueba de hipótesis son rechazar Ho o
no rechazar Ho
La hipótesis alternativa, representada por H1, es la afirmación contradictoria a Ho, y ésta es la
hipótesis del investigador. La hipótesis alternativa nunca puede llevar el signo de igual con
respecto al valor especificado del parámetro. La hipótesis alternativa nunca puede llevar el signo
de igual con respecto al valor especificado del parámetro
Pasos para establecer un ensayo de hipótesis independientemente de la distribución que se
esté tratando
1. Interpretar correctamente hacia que distribución muestral se ajustan los datos del enunciado.
2. Interpretar correctamente los datos del enunciado diferenciando los parámetros de los
estadísticos.
3. Establecer simultáneamente el ensayo de hipótesis y el planteamiento gráfico del problema. El
ensayo de hipótesis está en función de parámetros ya que se quiere evaluar el universo de donde
proviene la muestra. En este punto se determina el tipo de ensayo (unilateral o bilateral). 4.
Establecer la regla de decisión. Esta se puede establecer en función del valor crítico, el cual se
obtiene dependiendo del valor de (Error tipo I o nivel de significancia) o en función del estadístico
límite de la distribución muestral. Cada una de las hipótesis deberá ser argumentada
correctamente para tomar la decisión, la cual estará en función de la hipótesis nula u Ho.
5. Calcular el estadístico real, y situarlo para tomar la decisión.
6. Justificar la toma de decisión y concluir