2016

CITA BIBLIOGRAFICAS TEM

UNIVERSIDAD NACIONAL SA
FACULTAD DE INGENIERIA DE PRODU
ESCUELA PROFESIONAL DE INGEN

CURSO: METODOLOGAS DE LA INVEST

DOCENTE: ING. BRAULIO BUSTOS
INTEGRANTES:
PALMA PORTUGAL MELISSA XIOMARA

METODOLOGAS DE LA INVESTIGACIN

INDICE
1 PRESENTACIN DE DATOS.................................................................................3

1.1 DISTRIBUCIN DE FRECUENCIAS............................................................................3

1.1.1 CUALITATIVOS........................................................................................................3
1.1.2 CUANTITATIVOS......................................................................................................3
1.2 GRFICOS.................................................................................................................3
1.2.1 HISTOGRAMAS........................................................................................................4
1.2.2 POLGONO DE FRECUENCIAS..................................................................................5
1.2.3 TALLO Y HOJAS......................................................................................................6
1.2.4 DIAGRAMA BOX.....................................................................................................7

2 PROBABILIDAD CLSICA................................................................................... 9

2.1 PROBABILIDAD.........................................................................................................9
2.1.1 EXPERIMENTOS.......................................................................................................9
2.1.2 SUCESOS.................................................................................................................9
2.1.3 ESPACIO MUESTRAL.............................................................................................10
2.2 REGLAS DE ADICIN Y MULTIPLICACIN.............................................................10
2.3 INDEPENDENCIA Y DEPENDENCIA PROBABILSTICA...........................................10
2.4 TEOREMA DE BAYES..............................................................................................10

3 DISTRIBUCIONES DE PROBABILIDAD.......................................................... 14

3.1 VARIABLE ALEATORIA...........................................................................................14

3.2 DISTRIBUCIN DE PROBABILIDAD........................................................................14
3.3 VALOR ESPERADO Y VARIANZA...........................................................................14

METODOLOGAS DE LA INVESTIGACIN

3.4 DISTRIBUCIONES DISCRETAS................................................................................15

3.4.1 BINOMIAL.............................................................................................................15
3.4.2 POISSON................................................................................................................15
3.4.3 EXPONENCIAL.......................................................................................................16
3.4.4 UNIFORME............................................................................................................17
3.4.5 HIPERGEOMETRICA...............................................................................................17
3.5 DISTRIBUCIN CONTINUA.....................................................................................18

4 BIBLIOGRAFA..................................................................................................... 20

METODOLOGAS DE LA INVESTIGACIN

1 PRESENTACIN DE DATOS
1.1 DISTRIBUCIN DE FRECUENCIAS
1.1.1 CUALITATIVOS
Es una representacin de la cantidad de veces que se observan ciertas caractersticas
(http://es.slideshare.net/ODISDIER/frecuencias-cualitativas-y-cuantitativas)

Cantidad de personas altas, medianas y bajas.

Distribucin (cantidad) de autos segn su color.

1.1.2 CUANTITATIVOS
Es una representacin de las veces que se repite un nmero Brinda una buena idea de la
forma en que se distribuyen los datos.
(http://es.slideshare.net/ODISDIER/frecuencias-cualitativas-y-cuantitativas)

Peso (en libras) de un grupo de pacientes.

Puntuaciones de un examen

1.2 GRFICOS
El formato grfico consiste en la utilizacin de puntos, lneas y figuras que sirven para
mostrar magnitudes, asociadas a una escala de medicin, de manera que se facilita la
comparacin e interpretacin de los datos estadsticos,

sin que necesariamente se

incluyan los valores numricos. No obstante que la diversidad de grficos y sus

modalidades de ilustracin, constituyen opciones tiles para una consulta gil de la
informacin, existe tambin el riesgo de no usar el tipo de grfico adecuado o enfatizar
el atractivo visual, dejndose en un segundo plano el objetivo esencial del grfico en
cuanto a facilitar la consulta de los datos. (Centro de Investigacin y Desarrollo, 2009,
pg. 7)

METODOLOGAS DE LA INVESTIGACIN

1.2.1 HISTOGRAMAS
Los histogramas son diagramas de barras verticales en los que se construyen barras
rectangulares en los lmites de cada clase. Al graficar histogramas, la variable aleatoria
o fenmeno de inters se despliega a lo largo del eje horizontal; el eje vertical
representa al nmero, proporcin o porcentaje de observaciones por intervalo de clase,
dependiendo de si el histograma particular es, respectivamente, un histograma de
frecuencia, un histograma de frecuencia relativa o un histograma de porcentaje.
(Berenson, 1997, pg. 70)
Para graficar el histograma se hace un grfico de barras, en el cual las bases de las
barras son los intervalos de clases y altura es la frecuencia de las clases. Si se unen los
puntos medios de la base superior de los rectngulos, se obtiene el polgono de
frecuencias. (Gutirrez lvarez, Babativa, & Lozano, 2004, pgs. 65-73)
Ejemplo:
Tabla 1: Tabla de Frecuencias ejemplo

Intervalo
100-110
110-120
120-130
130-140
140-150
150-160
160-170
170-180
180-190
190-200

Frecuenci
a
4
11
25
0
22
0
14
10
0
7

Clase
105
115
125
135
145
155
165
175
185
195

Frecuencia
Acumulada
4
15
40
40
62
62
76
86
86
93

METODOLOGAS DE LA INVESTIGACIN

Figura 1-1: HISTOGRMA DE FRECUENCIA TABLA 1

1.2.2 POLGONO DE FRECUENCIAS

Un polgono de frecuencias tambin muestra la forma que tiene una distribucin y es
similar a un histograma. Consiste en segmentos de recta que conectan los puntos que
forman las intersecciones de los puntos medios de clase y las frecuencias de clase.
(Douglas A., William G., & Samuel A., 2012, pg. 38)

Figura 1-2: Polgono de frecuencias de las ganancias sobre 180 vehculos que vendi Applewood Auto
Group

Tanto el histograma como el polgono de frecuencias permiten tener una vista rpida
de las principales caractersticas de los datos (mximos, mnimos, puntos de

METODOLOGAS DE LA INVESTIGACIN

concentracin, etc.). Aunque las dos representaciones tienen un propsito similar, el

histograma posee la ventaja de que describe cada clase como un rectngulo, en el que la
barra de altura de ste representa el nmero de elementos que hay en cada clase. El
polgono de frecuencias, en cambio, tiene una ventaja con respecto al histograma.
Tambin permite comparar directamente dos o ms distribuciones de frecuencias.
(Douglas A., William G., & Samuel A., 2012, pg. 39)

1.2.3 TALLO Y HOJAS

Tcnica estadstica para presentar un conjunto de datos. Cada valor numrico se divide
en dos partes. El dgito principal se convierte en el tallo y los dgitos secundarios en las
hojas. El tallo se localiza a lo largo del eje vertical y los valores de las hojas se apilan
unos contra otros a lo largo del eje horizontal. (Douglas A., William G., & Samuel A.,
2012, pg. 105)
(Gutirrez lvarez, Babativa, & Lozano, 2004, pg. 67) Nos presenta pasos a seguir
para la construccin del diagrama de tallos y hojas, donde los datos se hacen objetivos
donde son ms resaltante los de mayor y menor valor.

Primero se deben subdividir las categoras entre seis (mnimo) o catorce

(mximo).
Luego se realiza una lnea vertical y despus, en el lado izquierdo, se coloca el
primer dgito, uno debajo del otro, hasta completar el nmero de categora

escogidas. Esto se denomina tronco.

Frente a cada dgito, en el lado derecho, segundo digito de cada categora, se

denomina hoja.
Cuando el nmero de pacientes es grande, se recomienda separar el grupo

usando intervalos.
Las hojas se reordenan de menor a mayor en cada clase.

METODOLOGAS DE LA INVESTIGACIN

Figura 1-3: Diagrama tallo y hojas

1.2.4 DIAGRAMA BOX

(Llins Solano & Rojas lvarez, 2005) Sostiene que el diagrama de caja es un anlisis
exploratorio de datos donde se puede detectar con mayor presin valores atpicos y as
poder hacer un ajuste de datos a la frecuencia ya determinada. Esta grfica est dividida
en cuatro grupos distintos: el menor, la mitad menor de la caja, la mitad mayor de la
caja y el bigote mayor. Como en cada grupo hay una misma cantidad de datos, cada
seccin representa el 25% de los mismos.

METODOLOGAS DE LA INVESTIGACIN

Figura 1-4: Diagrama Box

METODOLOGAS DE LA INVESTIGACIN

1 PROBABILIDAD CLSICA
1.3 PROBABILIDAD
La probabilidad es un mecanismo por medio del cual pueden estudiarse sucesos
aleatorios, cuando estos se comparan con los fenmenos determinstico. Por ejemplo,
nadie espera predecir con certidumbre el resultado de un experimento tan simple como
el lanzamiento de una moneda. Sin embargo, cualquier estudiante de primer ao en
fsica debe ser capaz de calcular el tiempo que transcurrir para que un objeto, que se
deja caer desde una altura conocida llegue al suelo. (Canavos, 1992, pg. 28)

1.3.1 EXPERIMENTOS
Proceso que induce a que ocurra una y slo una de varias posibles observaciones. Esta
definicin es ms general que la que se emplea en las ciencias fsicas, en las que es de
imaginar a alguien que manipula tubos de ensayo o microscopios. Respecto de la
probabilidad, un experimento tiene dos o ms posibles resultados y no se sabe cul
ocurrir. (Douglas A., William G., & Samuel A., 2012, pg. 146)

1.3.2 SUCESOS
Para cualquier experimento dado podemos enfocarnos en la ocurrencia de ciertos
eventos, ms que en el resultado de un elemento especfico en el espacio muestral. Por
ejemplo, quizs estemos interesados en el evento A, en el cual al lanzarse un dado el
resultado es divisible entre 3. ste ocurrir si el resultado es un elemento del
subconjunto A = {3, 6}. Como ilustracin adicional, nos podemos interesar en el evento
B de que el nmero de artculos defectuosos sea mayor que 1. Esto ocurrir si el
resultado es un elemento del subconjunto (Walpole, Myers, Myers, & Ye, 2007, pg.
147)

METODOLOGAS DE LA INVESTIGACIN

B = {DDN, DND, NDD, DDD}

Del espacio muestral S.
Para cada evento asignamos una coleccin de puntos mustrales, que constituye un
subconjunto del espacio muestral. Ese subconjunto representa la totalidad de los
elementos para los que el evento es cierto. (Walpole, Myers, Myers, & Ye, 2007, pg.
147)

1.3.3 ESPACIO MUESTRAL

El conjunto de todos los resultados posibles de un experimento estadstico se llama
espacio muestral y se representa con el smbolo S. A cada resultado en un espacio
muestral se le llama elemento o miembro del espacio muestral, o simplemente punto
muestral. Si el espacio muestral tiene un nmero fi nito de elementos, podemos listar los
miembros separados por comas y encerrarlos entre llaves. De esta forma, el espacio
muestral S, de los resultados posibles cuando se lanza una moneda al aire, se escribe
como (Walpole, Myers, Myers, & Ye, 2007, pg. 32)
S = {H, T },
Donde H y T corresponden a caras y cruces, respectivamente.

1.4 REGLAS DE ADICIN Y MULTIPLICACIN

1.5 INDEPENDENCIA Y DEPENDENCIA PROBABILSTICA

10

METODOLOGAS DE LA INVESTIGACIN

1.6 TEOREMA DE BAYES

En el siglo XVIII, el reverendo Thomas Bayes, un ministro presbiteriano ingls, plante
esta pregunta: Dios realmente existe? Dado su inters en las matemticas, intent crear
una frmula para llegar a la probabilidad de que Dios existiera sobre la base de la
evidencia de que dispona en la Tierra. Ms tarde, Pierre-Simon Laplace perfeccion el
trabajo de Bayes y le dio el nombre de teorema de Bayes. (Douglas A., William G., &
Samuel A., 2012, pg. 167)

En la frmula los eventos A1 y A2 son mutuamente excluyentes y colectivamente

exhaustivos, y Ai se refiere al evento A1 o a A2. De ah que en este caso A1 y A2 sean
complementos. El significado de los smbolos utilizados se ilustra en el siguiente
ejemplo. Suponga que 5% de la poblacin de Umen, un pas ficticio del Tercer mundo,
tiene una enfermedad propia del pas. Sea A1 el evento padece la enfermedad y A2 el
evento no padece la enfermedad. Por lo tanto, si selecciona al azar a una persona de
Umen, la probabilidad de que el individuo elegido padezca la enfermedad es de 0.05 o
P(A1) = 0.05. Esta probabilidad, P (A1) = P(padece la enfermedad) = 0.05, recibe el
nombre de probabilidad a priori. Se le da este nombre, porque la probabilidad se asigna
antes de obtener los datos empricos. (Douglas A., William G., & Samuel A., 2012, pg.
167)
Por ende, la probabilidad a priori de que una persona no padezca la enfermedad es de
0.95, o P(A2) = 0.95, que se calcula restando 1 - 0.05.
Existe una tcnica de diagnstico para detectar la enfermedad, pero no es muy precisa.
Sea B el evento la prueba revela la presencia de la enfermedad. Suponga que la

11

METODOLOGAS DE LA INVESTIGACIN

evidencia histrica muestra que si una persona padece realmente la enfermedad, la

probabilidad de que la prueba indique su presencia es de 0.90. De acuerdo con las
definiciones de probabilidad condicional que se establecieron en el captulo, dicho
enunciado se expresa de la siguiente manera: (Douglas A., William G., & Samuel A.,
2012, pg. 168)

Suponga la probabilidad de que la prueba indique la presencia de la enfermedad en una

persona que en realidad no la padece es de 0.15.

Elija al azar a una persona de Umen y aplique la prueba. Los resultados indican que la
enfermedad est presente. Cul es la probabilidad de que la persona en realidad
padezca la enfermedad? Lo que desea saber, en forma simblica, es P (A1|B), que se
interpreta de la siguiente manera: P(padece la enfermedad | la prueba resulta positiva).
La probabilidad P (A1|B) recibe el nombre de probabilidad a posteriori.

De esta forma, la probabilidad de que una persona padezca la enfermedad, dado que la
prueba fue positiva, es de 0.24. Cmo interpreta el resultado? Si selecciona al azar a
una persona de la poblacin, la probabilidad de que se encuentre enferma es de 0.05. Si
se le somete a la prueba y resulta positiva, la probabilidad de que la persona padezca
realmente la enfermedad se incrementa cinco veces, de 0.05 a 0.24. (Douglas A.,
William G., & Samuel A., 2012, pg. 168)

12

METODOLOGAS DE LA INVESTIGACIN

En el problema anterior slo haba dos eventos mutuamente excluyentes y

colectivamente exhaustivos A1 y A2. Si hay n eventos A1, A2, , An, el teorema de
Bayes, se transforma en

Con la notacin anterior, los clculos del problema de Umen se resumen en la siguiente
tabla:

13

METODOLOGAS DE LA INVESTIGACIN

2 DISTRIBUCIONES DE PROBABILIDAD
1.7 VARIABLE ALEATORIA
En cualquier experimento aleatorio, los resultados se presentan al azar; as, a ste se le
denomina variable aleatoria. Por ejemplo, lanzar un dado constituye un experimento:
puede ocurrir cualquiera de los seis posibles resultados. Algunos experimentos dan
origen a resultados de ndole cuantitativa (como dlares, peso o nmero de nios); otros
generan resultados de naturaleza cualitativa (como el color o la afiliacin religiosa).
Cada valor de la variable aleatoria se relaciona con una probabilidad que indica la
posibilidad de un resultado determinado. (Douglas A., William G., & Samuel A., 2012,
pg. 189)

1.8 DISTRIBUCIN DE PROBABILIDAD

Una distribucin de probabilidad muestra los posibles resultados de un experimento y la
probabilidad de que cada uno se presente.

1.9 VALOR ESPERADO Y VARIANZA

Una manera de resolver el problema de los signos de las desviaciones respecto de la
media aritmtica es elevndolos al cuadrado y luego sumar todos los resultados
obtenidos. Esta suma se puede considerar como una medida de la dispersin total de los
valores. Aquellos que estn ms alejados de la media aritmtica tendrn un aporte
mayor

esta

suma

de

(https://wwwyyy.files.wordpress.com/2008/08/estadistica-generalteoria.pdf)

14

cuadrados

METODOLOGAS DE LA INVESTIGACIN

1.10 DISTRIBUCIONES DISCRETAS

1.10.1 BINOMIAL
La distribucin de probabilidad binomial es una distribucin de probabilidad discreta
que se presenta con mucha frecuencia. Una de sus caractersticas consiste en que slo
hay dos posibles resultados en un determinado ensayo del experimento. (Douglas A.,
William G., & Samuel A., 2012, pg. 196)

C es el smbolo de combinacin.
n es el nmero de ensayos.
x es la variable aleatoria definida como el nmero de xitos.
es la probabilidad de xito en cada ensayo.

1.10.2 POISSON
La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta
un evento durante un intervalo especfico. El intervalo puede ser de tiempo, distancia,
rea o volumen. La distribucin se basa en dos supuestos. El primero consiste en que la
probabilidad es proporcional a la longitud del intervalo. El segundo supuesto consiste en
que los intervalos son independientes. En otras palabras, cuanto ms grande sea el
intervalo, mayor ser la probabilidad; adems, el nmero de veces que se presenta un
evento en un intervalo no influye en los dems intervalos. La distribucin tambin
constituye una forma restrictiva de la distribucin binomial cuando la probabilidad de
un xito es muy pequea y n es grande. A sta se le conoce por lo general con el nombre
de ley de eventos improbables, lo cual significa que la probabilidad, , de que ocurra un
evento en particular es muy pequea. La distribucin de Poisson es una distribucin de
probabilidad discreta porque se genera contando. (Douglas A., William G., & Samuel
A., 2012, pg. 208)

15

METODOLOGAS DE LA INVESTIGACIN

La distribucin de Poisson se describe matemticamente por medio de la siguiente

frmula:

(mu) es la media de la cantidad de veces (xitos) que se presenta un evento en

un intervalo particular.
e es la constante 2.71828 (base del sistema de logaritmos neperianos).
x es el nmero de veces que se presenta un evento.
P(x) es la probabilidad de un valor especfico de x.

1.10.3 EXPONENCIAL
La distribucin de probabilidad exponencial tiene un sesgo positivo. En esta
caracterstica difiere de las distribuciones uniforme y normal, que son simtricas. De
hecho, la distribucin es descrita por un solo parmetro, que identificaremos como

menudo, nos referimos a como el parmetro de ritmo. La siguiente grfica muestra el

cambio en la forma de la distribucin exponencial a medida que variamos el valor de
de 1/3 a 1 a 2. Observe que conforme reducimos, la forma de la distribucin cambia
para volverse menos sesgada. (Douglas A., William G., & Samuel A., 2012, pg. 246)

16

METODOLOGAS DE LA INVESTIGACIN

Figura 3-5: DISTRIBUCIN EXPONENCIAL

1.10.4 UNIFORME
La distribucin de probabilidad uniforme es, tal vez, la distribucin ms simple de una
variable aleatoria continua. La distribucin tiene forma rectangular y queda definida por
valores mnimos y mximos. (Douglas A., William G., & Samuel A., 2012, pg. 224)
La media de una distribucin uniforme se localiza a la mitad del intervalo entre los
valores mnimo y mximo. Se calcula de la siguiente manera:

La ecuacin de la distribucin de probabilidad uniforme es:

1.10.5 HIPERGEOMETRICA
Para aplicar una distribucin binomial, la probabilidad de que ocurra un xito debe
permanecer igual en cada ensayo. Por ejemplo, la probabilidad de adivinar la respuesta
correcta a una pregunta de verdadero o falso es de 0.50. Esta probabilidad es igual para
cada pregunta de un examen. Asimismo, suponga que 40% de los electores registrados
en un distrito electoral es republicano. Si se seleccionan al azar 27 de los votantes
registrados, la probabilidad de elegir a un republicano en la primera seleccin es de

17

METODOLOGAS DE LA INVESTIGACIN

0.40. La posibilidad de elegir a un republicano en la siguiente seleccin es de 0.40,

tomando en cuenta que el muestreo incluye reemplazo, lo cual significa que la persona
elegida vuelve a la poblacin antes de elegir a la que sigue. (Douglas A., William G., &
Samuel A., 2012, pg. 204)

N representa el tamao de la poblacin.

S es el nmero de xitos en la poblacin.
x es el nmero de xitos en la muestra; ste puede asumir los valores 0,

1, 2, 3
n es el tamao de la muestra o el nmero de ensayos.
C es el smbolo de combinacin.

1.11 DISTRIBUCIN CONTINUA

La distribucin continua de probabilidad ms importante en todo el campo de la
estadstica es la distribucin normal. Su grfica, que se denomina curva normal, es la
curva con forma de campana de la fi gura, la cual describe aproximadamente muchos
fenmenos que ocurren en la naturaleza, la industria y la investigacin. Las mediciones
fsicas en reas como los experimentos meteorolgicos, estudios de lluvia y mediciones
de partes fabricadas a menudo se explican ms que adecuadamente con una distribucin
normal. Adems, los errores en las mediciones cientficas se aproximan extremadamente
bien mediante una distribucin normal. En 1733, Abraham De Moivre desarroll la
ecuacin matemtica de la curva normal. sta ofrece una base sobre la que se
fundamenta gran parte de la teora de la estadstica inductiva. La distribucin normal a
menudo se denomina distribucin gaussiana, en honor de Karl Friedrich Gauss (17771855), quien tambin deriv su ecuacin a partir de un estudio de errores en mediciones
repetidas de la misma cantidad. (Walpole, Myers, Myers, & Ye, 2007, pg. 172)

18

METODOLOGAS DE LA INVESTIGACIN

Figura 3-6: curva normal

Una variable aleatoria continua X que tiene la distribucin con forma de campana de la
figura se denomina variable aleatoria normal. La ecuacin matemtica para la
distribucin de probabilidad de la variable normal depende de los dos parmetros y
, su media y su desviacin estndar. De aqu, denotamos los valores de la densidad de
X con n(x; , ). (Walpole, Myers, Myers, & Ye, 2007, pg. 173)

19

METODOLOGAS DE LA INVESTIGACIN

3 BIBLIOGRAFA
Berenson, M. (1997). Estadistica Basica En Administracion. MEXICO: PRENTICE
HALL HISPANOAMERICANA S.A.
Canavos, G. C. (1992). Probablidad y Estadstica: Aplicacin y Mtodos. Mxico :
McGraw Hill.
Centro de Investigacin y Desarrollo. (2009). PRESENTACIN DE GRFICOS
ESTADSTICOS. LIMA: Centro de Edicin del INEI.
Douglas A., L., William G., M., & Samuel A., W. (2012). ESTADSTICA APLICADA A
LOS NEGOCIOS Y LA ECONOMA (Decimoquinta ed.). Mxico D.F, Mxico:
McGraw Hill.
Gutirrez lvarez, . M., Babativa, Y. L., & Lozano, I. (enero-junio de 2004).
Presentacin de datos. Revista Ciencias de la Salud, 2(1), 65-73.
Llins Solano, H., & Rojas lvarez, C. (2005). Estadstica descriptiva y distribuciones
de probabilidad. Barranquilla, Colombia: Ediciones Uninorte.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probabilidad y estadstica
para ingeniera y ciencias. Mexico: Pearson Education.

20