Unidad Didáctica E2.2017 2018

UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE CIENCIAS ADMINISTRATIVAS

MODALIDAD A DISTANCIA
SEMESTRE SEPTIEMBRE 2017 - FEBRERO 2018
UNIDAD DIDÁCTICA
ESTADISTICA BASICA II
Nivel: 5
Número de créditos: 5
TUTOR:
Econ. Héctor Cumbal Flores
Quito - Ecuador
Contenido
INTRODUCCION ................................................................................................................................... 4
Caracterización de la materia. .............................................................................................................. 4
Importancia en la formación profesional.............................................................................................. 4
Relaciones con otras materias del plan de estudios. ............................................................................. 4
Competencias Generales ...................................................................................................................... 5
Resumen de competencias por unidad ................................................................................................. 5
INTRODUCCIÓN GENERAL A LA PRIMERA PARTE DE LA UNIDAD DIDACTICA ................. 7
I. UNIDAD: INTRODUCCIÓN A LA TEORIA DE PROBABILIDADES ...................................... 8
1.1 Conceptos principales .............................................................................................................. 8
1.2 Probabilidad, elementos y definiciones .................................................................................. 10
1.3 Enfoques de la probabilidad. -................................................................................................ 11
1.4 Reglas de la probabilidad ....................................................................................................... 12
1.5 Tablas de contingencia y árbol de probabilidades.................................................................. 15
1.6 Teorema de Bayes .................................................................................................................. 17
1.7 Principios del conteo .............................................................................................................. 18
II. UNIDAD: DISTRIBUCIONES PROBABILÍSTICAS DISCRETAS ........................................... 21
2.1 Conceptos principales ............................................................................................................ 22
2.2 Distribuciones de probabilidad............................................................................................... 23
2.3 Media, varianza y desviación estándar de una distribución de probabilidad ......................... 24
2.4 Distribución Binomial ............................................................................................................ 25
2.5 Distribución Hipergeométrica ................................................................................................ 26
2.6 Distribución de Poisson.......................................................................................................... 27
INTRODUCCIÓN GENERAL A LA SEGUNDA PARTE DE LA UNIDAD DIDÁCTICA ............. 30
III. UNIDAD: DISTRIBUCIÓN PROBABILÍSTICA NORMAL .................................................. 31
3.1 Conceptos principales ............................................................................................................ 32
3.2 La familia de distribuciones probabilísticas normales ........................................................... 32
3.3 Distribución probabilística normal estandarizada .................................................................. 33
3.4 Aproximación de la normal a la binomial ............................................................................. 36
IV. UNIDAD: MÉTODOS Y DISTRIBUCIONES DE MUESTREO. ........................................... 41
4.1 Conceptos principales............................................................................................................. 41
4.2 Muestreo de la Población ....................................................................................................... 42
pág. 2
4.3 Métodos de Muestreo ............................................................................................................. 43
4.4 Distribución de muestreo de medias muestrales .................................................................... 45
4.5 Error Estándar y Error de Muestreo ....................................................................................... 47
V. UNIDAD: ESTIMACIONES E INTERVALOS DE CONFIANZA ............................................. 48
5.1 Estimaciones puntuales y de intervalos .................................................................................. 48
5.2 Selección de un tamaño de muestra adecuado ....................................................................... 52
pág. 3
INTRODUCCION
Caracterización de la materia.
Estadística II se orienta al estudio teórico y práctico de las probabilidades y la distribución de
probabilidades tanto para variables discretas como para variables continuas. También estudia
los métodos de muestreo y el teorema del límite central. Se finaliza el estudio con el análisis de
la estimación y los intervalos de confianza.
Importancia en la formación profesional.
Las organizaciones en los sectores privados y públicos se ven cada vez más expuestas a los
efectos del cambio económico, político y social a nivel nacional y mundial por la creciente
globalización. Por lo mismo el administrador de empresas, debe ser capaz de enfrentar y en
tales circunstancias tomar decisiones, dentro de un proceso en el que paradójicamente tendrá
solo un conocimiento imperfecto de la situación y un grado considerable de incertidumbre. La
estadística, al tener como uno de sus propósitos el análisis de la información cuantitativa o
cualitativa para sustentar la toma de decisiones, le proporciona una ayuda inestimable.
Relaciones con otras materias del plan de estudios.
Casi todas las áreas del saber requieren el pensamiento estadístico. Las disciplinas de estudio
que dependen ampliamente del análisis incluyen: Marketing, Matemáticas, Finanzas, Economía
pág. 4
e Investigación de operaciones. Los principios y procedimientos aplicados en contabilidad y
administración también se basan en la estadística.
Competencias Generales
Al final del ciclo académico, estarás en capacidad de resolver problemas administrativos y
contables para tomar decisiones, mediante la utilización de las herramientas estadísticas como
son: probabilidad, distribuciones de probabilidades discretas y continuas, muestreo y estimación
de parámetros poblacionales.
Resumen de competencias por unidad
COMPETENCIAS UNIDADES
Al terminar esta unidad el estudiante podrá:
• Usar la teoría de la probabilidad en la toma de decisiones

• Explicar las diferentes maneras en que surge la probabilidad,
Unidad 01.
• Aplicar las reglas para el cálculo de diferentes tipos de
Revisión de
probabilidades.
conceptos de
• Utilizar las probabilidades para tomar en cuenta nueva
probabilidad
información: definición y uso del teorema de Bayes.
• Emplear los principios del conteo en la resolución de problemas
de probabilidad.
Definir los términos distribución de probabilidad y variable aleatoria
• Distinguir entre probabilidad discreta y continua.

• Calcular la media, varianza y desviación estándar de una
distribución de probabilidad discreta
pág. 5
• Identificar las características de la distribución Binomial, Unidad 02.
Hipergeométrica y de Poisson.
Distribuciones de
• Calcular probabilidades utilizando la distribución Binomial,
probabilidad
Hipergeométrica y de Poisson.
discreta
• Plantear las características de la Distribución Probabilística

Normal
Unidad 03.
• Definir y calcular valores z.
Distribución de
• Determinar la probabilidad de que una observación este entre dos
probabilidad
valores, usando la distribución normal estándar.
normal
• Utilizar la distribución normal para aproximar la distribución
probabilística binomial.
Al finalizar esta unidad el estudiante podrá:
• Explicar las características de una muestra Unidad 04.

• Describir los diversos métodos para seleccionar una muestra
Métodos de
• Elaborar una distribución de muestreo de medias muestrales. muestreo y el
• Usar el teorema del Límite Central para encontrar las Teorema del
probabilidades de las distintas medias muestrales en una Límite Central
determinada población.
• Definir una estimación puntual Unidad 05.

• Interpretar el nivel de confianza
Estimación e
• Calcular intervalos de confianza para medias y proporciones intervalos de
• Determinar el tamaño de muestras. Variables y atributos confianza
pág. 6
INTRODUCCIÓN GENERAL A LA PRIMERA PARTE DE LA UNIDAD
DIDACTICA
La primera parte de esta unidad didáctica está compuesta por dos bloques que corresponde a los
capítulos cinco y seis del texto guía respectivamente:
La unidad uno, introduce al estudio de la teoría de probabilidades, abarca los siguientes temas:
concepto, reglas, tablas de contingencia, diagramad de árbol y técnicas de conteo.
La unidad dos, estudia las distribuciones de probabilidad, para luego analizar las distribuciones
discretas entre ellas la distribución Binomial, Hipergeométrica y Poisson.
Competencias de la primera parte
Al finalizar el estudio de esta primera parte estarás en capacidad de aplicar las probabilidades y
la distribución de probabilidades discretas en diferentes campos de tu carrera.
pág. 7
I. UNIDAD: INTRODUCCIÓN A LA TEORIA DE PROBABILIDADES
Competencias
El estudiante estará en capacidad de:
▪ Definir lo que es una probabilidad con sus diferentes enfoques.
▪ Calcular probabilidades aplicando las reglas de adición y de multiplicación.
▪ Construir tablas de probabilidad para el cálculo de las mismas.
Contenidos
1.1 Conceptos principales
1.2 Probabilidad, elementos y definiciones
1.3 Enfoques de la probabilidad
1.4 Reglas de la probabilidad
1.5 Tablas de contingencia y árbol de probabilidades
1.6 Teorema de Bayes
1.7 Principios de conteo
Probabilidad. - Es un valor comprendido entre 0 y 1 inclusive, que representa la posibilidad
de que suceda un evento en particular.
Probabilidad Clásica. - Probabilidad basada en la consideración de que cada uno de los
resultados es igualmente posible.
pág. 8
Probabilidad Condicional. - Es la probabilidad de que un evento ocurra dado que otro ha
sucedido ya.
Probabilidad Empírica. - Concepto probabilístico basado en lo pasado.
Probabilidad Subjetiva. - Posibilidad de que un evento suceda, con base en información
disponible: presentimientos, opinión personal, rumores, etc.
Regla Especial de Adición. - Para que esta regla se cumpla, los eventos deben ser
mutuamente excluyentes.
Regla Especial de Multiplicación. - Si los eventos no están relacionados; es decir, son
independientes. (En adelante A y B se entenderán como eventos)
Regla General de Adición. - Se utiliza para determinar las probabilidades de eventos
complejos conformados por A o B.
Regla General de Multiplicación. - Se aplica para determinar las probabilidades de eventos
complejos formados por A y B.
Resultado. - Terminación particular de un experimento.
Tabla de Contingencia. - Conocida también como tabla de doble entrada, sirve para
relacionar dos variables y por medio de esta calcular probabilidades.
pág. 9
Tabla de Probabilidad. - Es producto de dividir toda la tabla de contingencia para el total.
Permutación. - Es un arreglo en el cual es importante el orden de los objetos seleccionados
de un grupo específico de ellos.
Combinación. - Es un arreglo donde no es importante el orden de los objetos seleccionados
de un grupo específico de ellos.
1.2 Probabilidad, elementos y definiciones
La probabilidad está conformada por:
Experimento. - Es la observación de alguna actividad o el acto de efectuar una medición.
Ejemplos:
- Lanzar un dado para saber qué valor se obtiene.
- Registrar el número de nacimientos en una maternidad
Resultado. - Es lo que se obtiene particularmente cuando se realiza un experimento.
Ejemplos:
- Que caiga 3 al lanzar un dado.
- Que hayan nacido 30 niños en la maternidad.
Evento. - Es el conjunto de uno o más resultados de un experimento.
pág. 10
Ejemplos:
- Que caiga un número par al lanzar el dado (2, 4 o 6)
- Que hayan nacido diez o más niñas en la maternidad.
1.3 Enfoques de la probabilidad. -
Enfoque Clásico. - Se aplica cuando en un experimento los resultados son igualmente
probables. Por lo general está asociada con todo lo referente al azar. Se usa siguiente
fórmula:
# de resultados favorables
𝑃(𝑋) =
# total de resultados
Ejemplo 1.
La probabilidad de sacar una cara al lanzar una moneda es P (cara) = ½ 50%
Enfoque Empírico. - Se obtiene dividiendo el número de veces en que sucede un evento en
el pasado entre la cantidad total de observaciones. Su fórmula es:
# de veces que ocurrió en el pasado

𝑃(𝑋) =
# total de resultados
Ejemplo 2.
De los 100 accidentes de tránsito, registrados el año pasado en una ciudad, 40 fueron
causados por conductores en estado etílico. ¿Cuál es la probabilidad de que el próximo
accidente sea causado por un conductor en estado etílico?
P (accidente por estado etílico) = 40 / 100 = 0,40 = 40%
pág. 11
Probabilidad Subjetiva. - Se basa en cualquier información disponible, experiencia o
conocimiento del investigador. No tiene una fórmula específica.
Ejemplo 3.
La probabilidad de que haya una caída de la bolsa de valores por la inestabilidad política del
país es del 60%.
1.4 Reglas de la probabilidad
1.4.1 Regla de la Adición. - Se la utiliza cuando se desea conocer la probabilidad que
ocurran dos o más eventos
1.4.1.1 Regla Especial de Adición. - Se emplea para “unir” eventos que son mutuamente
excluyentes.
Dos eventos son mutuamente excluyentes si, en virtud de la ocurrencia de uno, el otro no
puede suceder.
P (A o B) = P(A) + P (B)
Ejemplo 4.
¿Cuál es la probabilidad de que al lanzar un dado salga 3 o 5?
(El 3 y el 5 son mutuamente excluyentes pues en una tirada ellos no pueden salir al mismo)
P (3 o 5) = P (3) + P (5) = 1/6 + 1/6 = 2/6 = 0.3333 = 33.33%
1.4.1.2 Regla General de Adición. - Se emplea “unir” eventos que tienen probabilidad
conjunta.
pág. 12
La probabilidad conjunta es aquella en la cual pueden ocurrir dos eventos al mismo
tiempo.
P (A o B) = P(A) + P (B) – P (A y B)
Ejemplo 5.
¿Cuál es la probabilidad de que al sacar una carta de un naipe salga un tres o un trébol?
(recuerde que un naipe está compuesto por 52 cartas)
(En este ejemplo los eventos no son mutuamente excluyentes, pues es posible sacar una
carta que sea un 3 y que sea trébol al mismo tiempo)
P (3 o trébol) = P (3) + P (trébol) – P (3 y trébol)
P (3 o trébol) = 4/52 + 13/52 –1/52 = 16/52 = 0.3077 = 30.77%
1.4.2 Regla de la Multiplicación. - Se la utiliza cuando se desea conocer la probabilidad
que ocurran simultáneamente dos o más eventos.
1.4.2.1 Regla Especial de Multiplicación. - Se utiliza para combinar eventos que son
independientes.
Los eventos son independientes, si la ocurrencia de uno no afecta la ocurrencia del

otro.
P (A y B) = P(A) x P (B)
Ejemplo 6.
¿Cuál es la probabilidad de que al lanzar un dado y una moneda salga cuatro y cruz?
P (cuatro y cruz) = P (cuatro) x P (cruz) = 1/6 * 1/2 = 1/12 = 0.0833 = 8.33%
pág. 13
1.4.2.2 Regla General de Multiplicación. - Se utiliza cuando la probabilidad es
condicional.
Probabilidad condicional es la probabilidad de que suceda un evento, dado que otro ya ha

ocurrido. El símbolo “/” se lee “dado que”
P (A y B) = P(A) x P (B / A)
Ejemplo 7.
¿Cuál es la probabilidad de que, al sacar dos cartas de un naipe, en la primera salga cuatro
y luego otro cuatro?
P (4 y 4) = P (4) x P (4 / 4) = 4/52 * 3/51 = 12/2652 = 0.0045  0,45%
(La probabilidad de sacar el primer cuatro es 4/52, la probabilidad de sacar el segundo

cuatro es 3/51 pues solo quedan 3 de ellos en el naipe, y en el naipe quedan 51 cartas)
1.4.3 Regla del Complemento. - Sirve para determinar la probabilidad de que ocurra un
evento, partiendo del conocimiento de la probabilidad de que ese no suceda.
P(A) = 1 – P (no A)
Ejemplo 8.
Si la probabilidad que hoy no llueva es 0.30 ¿Cuál es la probabilidad de que llueva?
P (llueva) = 1 – P (no llueva) = 1 – 0.30 = 0.70
pág. 14
1.5 Tablas de contingencia y árbol de probabilidades
La construcción de las tablas de Contingencia y de Probabilidad se ilustra con este ejemplo:
De 1200 estudiantes, 600 son hombres y 800 son solteros. De los 800 solteros, 450 son
hombres. Con estos datos se pide:
a. Elaborar una tabla de contingencia.

b. Construir una tabla de probabilidad.
c. Si se selecciona uno de estos jóvenes al azar, cuál es la probabilidad de él sea:
- Hombre o Casado
- Mujer y Soltera
- Soltero o Casado
- Un soltero que es hombre
1.5.1 Tabla de Contingencia
Sexo/ Estado Civil Soltero Casado Total

Hombre 450 150 600
Mujer 350 250 600
Total 800 400 1200
(Los números en rojo son los datos iniciales, los números en negro son datos
deducidos)
1.5.2 Tabla de Probabilidad
Sexo/ Estado
Soltero Casado Total
Civil
Hombre 450/1200 150/1200 600/1200
Mujer 350/1200 250/1200 600/1200
Total 800/1200 400/1200 1200/1200
pág. 15
Sexo/ Estado
Soltero Casado Total
Civil
Hombre 0,375 0,125 0,50
Mujer 0,292 0,208 0,50
Total 0,67 0,33 1,00
(Los valores totales son las probabilidades marginales, en tanto que las
probabilidades interiores son las probabilidades conjuntas)
Lectura de la primera línea
▪ P (H y S) = 0,375 P (Hombre y Soltero)
▪ P (H y C) = 0,125 P (Hombre y Casado)
▪ P(H) = 0,50 P(Hombre)
Lectura de la segunda línea
▪ P (M y S) = 0,292 P (Mujer y Soltera)
▪ P (M y C) = 0,208 P (Mujer y Casada)
▪ P(M)= 0,50 P(Mujer)
Lectura de la tercera línea
▪ P(S)= 0,67 Probabilidad de ser Soltero
▪ P(C)= 0,33 Probabilidad de ser Casado
- P (H o C) = P(H) + P(C) – P (H y C) = 0,50 + 0,33 – 0,125 = 0,705  70,5 %
- P (M y S) = 0,292  29,2 %
- P (S o C) = P(S) + P(C) = 0,67 + 0,33 = 1,00  100 %
- P (H y S) = 0,375  37,5 %
pág. 16
1.5.3 Árbol de probabilidades. - es una gráfica útil para organizar cálculos que implican
varias etapas. Cada segmento del árbol constituye una etapa del problema. Las ramas
del árbol se ponderan por medio de probabilidades.
P. Mg. P. Condicional P. Conjunta

S 0,75 0,5 * 0,75 = 0,375
0.5 H
0,25
C 0,5 * 0.25 = 0,125
S 0,5 * 0,58 = 0,292
0,58
0.5 M
C 0,42 0,5 * 0,42 = 0,208
1
1.6 Teorema de Bayes
El teorema de Bayes parte de una situación en la que es posible conocer las probabilidades
de que ocurran una serie de sucesos Ai. A esta se añade un suceso B cuya ocurrencia
proporciona cierta información, porque las probabilidades de ocurrencia de B son distintas
según el suceso Ai que haya ocurrido.
Conociendo que ha ocurrido el suceso B, la fórmula del teorema de Bayes nos indica como
modifica esta información las probabilidades de los sucesos Ai.
pág. 17
Ejemplo 9.
El 20% de los empleados de una empresa son ingenieros, 20% son economistas y otras
profesiones 60%. El 75% de los ingenieros ocupan un puesto directivo y el 50% de los
economistas también, mientras que los no ingenieros y los no economistas solamente el 20%
ocupa un puesto directivo. ¿Cuál es la probabilidad de que un empleado directivo elegido al
azar sea ingeniero?
P ingeniero   0,2 * 0,75

 0,405
 directivo  0,2 * 0,75  0,2 * 0,5  0,6 * 0,2
1.7 Principios del conteo
1.7.1 La Fórmula de Multiplicación. - Establece que si existen m modos en que un
evento puede suceder y n formas en que otro puede ocurrir, entonces existen m x n
formas en que los dos eventos pueden suceder.
Número de formas = m * n
pág. 18
Ejemplo 10.
Para armar un equipo de sonido se tiene 3 modelos de parlantes, 4 modelos de discos
compactos y 5 modelos de amplificadores. ¿Cuántos modelos de equipos diferentes se
pueden armar?
Número de arreglos = 3 x 4 x 5 = 60
Se pueden armar 60 modelos de equipos diferentes.
1.7.2 Permutación. - Es un arreglo en el cual es importante el orden de los objetos
seleccionados.
𝑛!
𝑛𝑃𝑟 =
(𝑛 − 𝑟)!
Ejemplo 11.
De un grupo de 9 ejecutivos de una empresa se quiere escoger 2 ejecutivos para ocupar el
cargo de gerente y subgerente. ¿Cuántos arreglos son posibles realizar?
9!
𝑛𝑃𝑟 = = 72
(9 − 2)!
Es decir, se pueden realizar 72 arreglos. En este ejercicio interesa el orden; pues no es lo
mismo que Pepe sea escogido como gerente y Juan como subgerente; a que Juan sea el
gerente y Pepe el subgerente.
pág. 19
1.7.3 Combinación. - Es un arreglo donde no es importante el orden de los objetos
seleccionados.
𝑛!
𝑛𝐶𝑟 =
𝑟! ∗ (𝑛 − 𝑟)!
Ejemplo 12.
De un grupo de 15 personas se desea escoger subgrupos de 3 personas para realizar un estudio
en las diferentes áreas de la ciudad.
15!
𝑛𝐶𝑟 = = 455
3! ∗ (15 − 3)!
pág. 20
II. UNIDAD: DISTRIBUCIONES PROBABILÍSTICAS DISCRETAS
Competencias.
▪ El estudiante estará en capacidad de:
▪ Distinguir entre una probabilidad discreta y continua.
▪ Identificar las características de la distribución Binomial, Hipergeométrica y de
Poisson.
▪ Calcular probabilidades utilizando la distribución Binomial, Hipergeométrica y de
Poisson.
Contenidos
2.2 Distribución de probabilidad
2.3 Media, varianza y desviación estándar de una distribución de probabilidad
2.4 Distribución probabilística Binomial
2.5 Distribución probabilística Hipergeométrica
2.6 Distribución probabilística de Poisson
pág. 21
Variable Aleatoria. - Cantidad obtenida a partir de un experimento que, por azar, puede
dar como resultado valores diferentes.
Variable Aleatoria Continua. - La variable aleatoria que puede tomar un número infinito
de valores dentro de un intervalo dado.
Variable Aleatoria Discreta. - La variable aleatoria que puede tomar solo ciertos valores
específicos.
Distribución de Probabilidad. - Es un listado que contiene todos los posibles resultados
de un experimento y la probabilidad correspondiente asociada a cada resultado.
Distribución Probabilística Binomial. - Se basa en una variable aleatoria discreta. Tiene
las siguientes características:
▪ Cada resultado puede clasificarse en una o dos categorías mutuamente excluyentes.
▪ La distribución es el resultado de contar el número de éxitos.
▪ Cada ensayo es independiente
▪ La probabilidad de un éxito permanece igual de un ensayo a otro.
Distribución de Poisson. - En ocasiones se utiliza esta distribución para aproximar
probabilidades Binomiales cuando n es grande y π es pequeña. (n es la cantidad de ensayos
y π la probabilidad de éxito de un ensayo).
Distribución Probabilística Hipergeométrica. - Es una distribución de probabilidad con
base en una variable aleatoria discreta. Sus principales características son:
pág. 22
▪ Existe un número fijo de pruebas o ensayos.
▪ La probabilidad de éxito no es la misma de un ensayo a otro.
2.2 Distribuciones de probabilidad
Variable Aleatoria. - Es un valor numérico determinado por el resultado de un experimento.
Las variables pueden ser discretas y continuas.
• Variables discretas. Son aquellas que solo asumen ciertos valores y son producto de
contar. Ejemplo. El número de hijos de una familia del Ecuador.
• Variables continuas. Son aquellas que pueden asumir cualquier valor y son producto de
medir. Ejemplo. La presión de aire de un neumático
Distribución Probabilística. - Es un listado o agrupación de todos los resultados posibles
de un experimento y la probabilidad de ocurrencia asociada a cada uno de ellos.
Distribución Probabilística Discreta. - Puede considerar solo ciertos valores. Sus
características principales son:
▪ La suma de las probabilidades es igual a 1

▪ La probabilidad de un resultado particular está entre 0 y 1
▪ Los resultados son mutuamente excluyentes.
Ejemplo 1
La siguiente tabla indica el número de vehículos, que recibieron mantenimiento.
pág. 23
Mantenimientos Vehículos
0 4
1 6
2 7
3 3
Total 20
Se pide elaborar su distribución de probabilidad.
Mantenimientos Vehículos Probabilidad

P(X)
0 4 0,20
1 6 0,30
2 7 0,35
3 3 0,15
2.3 Media, varianza y desviación estándar de una distribución de probabilidad
La media y la varianza de una distribución probabilística se calcula como sigue:
▪ La media llamada también Esperanza Matemática es igual:

µ = ∑ 𝑋 ∗ 𝑃(𝑋)
▪ La varianza es igual a:
σ² = ∑(𝑋 − µ)2 ∗ 𝑃(𝑋)
▪ La desviación estándar es igual a:
  2
pág. 24
Ejemplo 2
Con los datos del ejercicio anterior calcular la media, varianza y desviación estándar de la
distribución.
X F P(x) X * P(x) X-µ ( x - µ )² ( x - µ )² P(x)
0 4 0,20 0,00 -1,45 2,10 0,42

1 6 0,30 0,30 -0,45 0,20 0,06
2 7 0,35 0,70 0,55 0,30 0,11
3 3 0,15 0,45 1,55 2,40 0,36
Total 25 1,00 1,45 0,95
µ = 1,45 σ² = 0,95 σ = 0,97
2.4 Distribución Binomial
Tiene las siguientes características:
▪ Cada resultado se clasifica en una de dos categorías mutuamente excluyentes.
▪ La probabilidad de éxito (𝛑), permanece igual de un ensayo a otro.
▪ Cada ensayo es independiente.
▪ La distribución resulta del conteo de éxitos x en una cantidad fija de ensayos n.
Una probabilidad binomial se calcula con la siguiente formula:
𝐏(𝐱) = 𝐧𝐂𝐱 𝛑𝐱 (𝟏 − 𝛑)𝐧−𝐱
La media se calcula por:
µ = 𝐧𝛑
La varianza es:
𝝈𝟐 = 𝐧𝛑 (𝟏 − 𝛑)
pág. 25
Ejemplo 3
El 33% de automóviles nuevos requiere servicio por garantía en el primer año. Si la agencia
vendió 4 automóviles este mes:
a. ¿Cuál es la probabilidad de que exactamente dos autos necesiten servicio de garantía?

b. Determine la probabilidad de que los cuatro autos requiera tal servicio.
c. Determine la probabilidad de que al menos uno de ellos necesite servicio de garantía.
d. Calcule la media, la varianza y la desviación estándar de esta distribución
probabilística.
Datos; n = 4,  = 0,33
a. P(X = 2\n = 4 y  = 0,33) = 4C2 0.334 (1 − 0.33)4−2 = 0.2963

b. P(X = 4\n = 4 y  = 0,33) = 4C4 0.334 (1 − 0.33)4−4 = 0.0123
c. P(X ≥ 1\n = 4 y  = 0,33) = 1 − P(0) = 4C0 0.330 (1 − 0.33)4−0 = 0.7985
d. Media, varianza y Desviación estándar.
µ = nπ = 4 (0.33) = 1.32
σ² = nπ (1 - π) = 1.32 (1 – 0.33) = 0,88
σ = 0.94
2.5 Distribución Hipergeométrica
Sus características son:
▪ Cada ensayo tiene solo dos resultados posibles. (éxito o fracaso)
▪ La probabilidad de éxito no es la misma para cada ensayo.
▪ La distribución resulta del conteo de éxitos x en una cantidad fija de ensayos n.
▪ La probabilidad Hipergeométrica se calcula por medio de la siguiente ecuación:
pág. 26
𝑆 𝐶𝑥 ∗ 𝑁−𝑆 𝐶𝑛−𝑥
𝑃(𝑥) =
𝑁 𝐶𝑛
Ejemplo 4
El Departamento de Sistemas de Informática de una institución está formado por doce
profesores de los cuales cuatro son mujeres. La directora, desea establecer un comité de
cuatro miembros del profesorado del departamento, para que revise el plan de estudios.
Si selecciona el Comité al azar:
a. ¿Cuál es la probabilidad de que exactamente dos profesores sean mujeres?

b. ¿Cuál es la probabilidad de que los cuatro docentes sean mujeres?
c. ¿Cuál es la probabilidad de que por lo menos uno de ellos sea mujer?
Datos; n = 12 (4 mujeres y 8 hombres),
n = 4 (son 4 los miembros seleccionados para el comité)
S = 4 (4 profesores son mujeres)
4 𝐶2 ∗ 12−4 𝐶4−2
a. P(X = 2\n = 4 y S = 4) = = 0.339
12 𝐶4
4 𝐶4 ∗ 12−4 𝐶4−4
b. P(X = 4\n = 4 y S = 4) = = 0.002
12 𝐶4
4 𝐶0 ∗ 12−4 𝐶4
c. P(X ≥ 1\n = 4 y S = 4) = 1 − P(0) = 1 − = 0.858
12 𝐶4
2.6 Distribución de Poisson
Tiene las siguientes características:
▪ Cada resultado se clasifica en una de dos categorías mutuamente excluyentes.

▪ La probabilidad de éxito permanece igual de un ensayo a otro.
▪ Cada ensayo es independiente.
pág. 27
▪ La distribución resulta de un conteo del número de éxitos en una cantidad fija de
ensayos.
▪ La probabilidad de un éxito generalmente es pequeña, y el número de ensayos suele
ser grande.
Una probabilidad de Poisson se determina a partir de la siguiente ecuación:
µ𝒙 𝒆−µ
𝑷(𝒙) =
𝒙!
En la fórmula: µ es la media de éxitos por unidad de tiempo y e = 2.718281…
Ejemplo 5
Los automóviles de una compañía de trasporte de la ciudad de Quito llegan a su estación,
en un promedio de cuatro por minuto. ¿Cuál es la probabilidad de que en un minuto
específico?
a. No lleguen automóviles
b. Lleguen cuatro automóviles
c. Lleguen cuatro o menos automóviles
d. Lleguen Cuatro o más automóviles
Datos  = 4,00
𝟒𝟎 𝒆−𝟒
a. 𝐏(𝐗 = 𝟎) = 𝟎!
= 𝟎. 𝟎𝟏𝟖𝟑
𝟒𝟒 𝒆−𝟒
b. 𝐏(𝐗 = 𝟒) = = 𝟎. 𝟏𝟗𝟓𝟒
𝟒!
c. 𝐏(𝐗 ≤ 𝟎) = 𝐩(𝟎) + 𝐏(𝟏) + 𝐏(𝟐) + 𝐏(𝟑) + 𝐏(𝟒) = 𝟎. 𝟔𝟐𝟖𝟗

d. 𝐏(𝐗 ≥ 𝟎) = 𝟏 − 𝐩(𝟎) − 𝐏(𝟏) − 𝐏(𝟐) − 𝐏(𝟑) = 𝟎. 𝟓𝟔𝟔𝟓
Nota: “e” es la base del logaritmo natural, es igual a 2,718281...
pág. 28
RESUMEN DE LAS DISTRIBUCIONES PROBABILÍSTICAS DISCRETAS
BINOMIAL HIPERGEOMÉTRICA POISSON
𝑺 𝑪𝒙 ∗ 𝑵−𝑺 𝑪𝒏−𝒙 µ𝒙 𝒆−µ

Fórmula 𝑷(𝒙) = 𝒏𝑪𝒙 𝝅𝒙 (𝟏 − 𝝅)𝒏−𝒙 𝑷(𝒙) = 𝑷(𝒙) =
𝑵 𝑪𝒏 𝒙!
Muestra (n) Pequeña n < 30 Pequeña n < 30 Grande n ≥ 30
 (probabilidad Cualquier valor entre 6% y Pequeña,

No tiene
de éxito) 95% no más del 5%
Pequeña
N (población) No tiene No tiene
(poblaciones finitas)
S (cantidad de
No tiene Se obtiene de la población No tiene
éxitos en N)
 (media)  = n No tiene  = n
2 (varianza) 2 = n(1 - ) No tiene 2 = n
 (desviación
raíz cuadrada de 2 No tiene raíz cuadrada de 2
estándar)
e (base del ln) No tiene No tiene e = 2,71828
X (número de
En la pregunta En la pregunta En la pregunta
éxitos)
pág. 29
INTRODUCCIÓN GENERAL A LA SEGUNDA PARTE DE LA UNIDAD
DIDÁCTICA
La segunda parte de esta unidad está compuesta por dos bloques que corresponden a las
unidades tres, cuatro y cinco:
En la unidad tres estudiaras todo lo referente a la distribución normal, utilización de la tabla
de la distribución normal y la aproximación normal a la binomial.
En las unidades cuatro y cinco estudiarás todo lo referente al muestreo, los métodos de
muestreo, estimaciones e intervalos de confianza y el cálculo del tamaño adecuado de la
muestra.
La importancia del estudio de etas unidades se basa en que en la vida práctica y profesional
es de gran utilidad para la toma de decisiones en el campo administrativo y en el campo
contable financiero.
Competencia de la segunda parte de la unidad didáctica
Al finalizar el estudio de esta parte de la unidad didáctica estarás en capacidad de aplicar la
distribución normal, el muestreo y las estimaciones e intervalos de confianza, en los
diferentes campos de tu carrera.
pág. 30
III. UNIDAD: DISTRIBUCIÓN PROBABILÍSTICA NORMAL
Competencias
El estudiante estará en la capacidad de:
▪ Plantear las características de la distribución probabilística normal.
▪ Definir y calcular valores z.
▪ Determinar la probabilidad de que una observación sea mayor o menor a un valor
determinado.
▪ Utilizar la distribución Normal para aproximar la distribución Binomial.
Contenidos
3.2 La familia de distribuciones probabilísticas normales
3.3 Distribución probabilística normal estándar
3.4 Aplicaciones de la distribución normal estándar
3.5 Áreas bajo la curva normal
3.6 Aproximación normal a la binomial
3.7 Factor de corrección por continuidad
3.8 Como aplicar el factor de corrección
pág. 31
Distribución Probabilística Normal. - Es una distribución continua en forma de campana.
La media la divide en dos partes iguales. Además, la curva normal se extiende
indefinidamente en las dos direcciones, esto es nunca toca el eje X.
Factor de Corrección por Continuidad. - Se utiliza para mejorar la exactitud de
aproximación de una distribución discreta (binomial) por medio de una de tipo continuo
(normal).
Valor Z.- Es la distancia entre un valor seleccionado y la media poblacional medida en
unidades de la desviación estándar.
3.2 La familia de distribuciones probabilísticas normales
No sólo existe una distribución de probabilidad normal, sino una familia, solo se requiere
conocer el valor de la media µ y valor de su desviación estándar σ para poder representarla
pág. 32
Las características de la distribución normal son:
✓ Es acampanada; y la media, la mediana y la moda son iguales.

✓ Es simétrica.
✓ Es asintótica, lo que significa que la curva se aproxima al eje X, pero nunca lo toca.
0,50 0.50
µ = Me = Mo x
3.3 Distribución probabilística normal estandarizada
Es un caso especial de Distribución Probabilística Normal.
▪ Tiene una media de 0.00 y una desviación estándar de 1.00

▪ Cualquier distribución normal puede convertirse en una distribución normal
estándar mediante la siguiente fórmula:
𝐗−µ
𝐙=
𝛔
0,50 0.50
=0 Z
pág. 33
Ejemplo 1
Un estudio realizado en una emisora de radio de Guayaquil reveló que el promedio que
una persona sintoniza la emisora es de 20 minutos con una desviación estándar de 5,4 min.
¿Cuál es la probabilidad de que una persona la sintonice:
a. ¿Entre 20 y 30 minutos?
A
A
0 1,85 Z
20 30 X
30 − 20
𝑍= = 1.85 𝑠𝑒𝑔ú𝑛 𝑎𝑝é𝑛𝑑𝑖𝑐𝑒 𝐵1: 𝐴 = 0.4678
5.4
b. Entre15 y 28 min?
AA
A1A1 A2A2
-0,93 0 1,48 Z
15 20 28 X
15 − 20
𝑍1 = = −0.93 𝑠𝑒𝑔ú𝑛 𝑎𝑝é𝑛𝑑𝑖𝑐𝑒 𝐵1: 𝐴1 = 0.3238
5.4
28 − 20
𝑍2 = = 1.48 𝑠𝑒𝑔ú𝑛 𝑎𝑝é𝑛𝑑𝑖𝑐𝑒 𝐵1: 𝐴2 = 0.4306
5.4
𝐴 = 𝐴1 + 𝐴2 = 0.3238 + 0.4306 = 0.7544
pág. 34
c. Durante 32 minutos o menos?
A
A
0.50
0,5 A1
A1
0 2,22 Z
20 32 X
32 − 20
5.4
𝐴 = 𝐴1 + 0.50 = 0.4868 + 0.50 = 0.9868
d. Entre 25 y 35 min?
A
A11 A2
A2
0 0,93 2,78 Z
20 25 35 X
25 − 20
5.4
35 − 20
5.4
𝐴 = 𝐴2 − 𝐴1 = 0.4973 + 0.3238 = 0.1735
e. Durante 32 min., o más?
A1
A1 A
A
0 2,22 Z
20 32 X
32 − 20
5.4
𝐴 = 0.50 − 𝐴1 = 0.50 − 0.4868 = 0.0132
pág. 35
f. Durante 15 min o más?
A
A
A
A11 0,5
0.50
-0,93 0 Z
15 20 X
15 − 20
𝑍1 = = −0.93 𝑠𝑒𝑔ú𝑛 𝑎𝑝é𝑛𝑑𝑖𝑐𝑒 𝐵1: 𝐴1 = 0.3238
5.4
𝐴 = 𝐴1 + 0.50 = 00.3238 + 0.50 = 0.8238
g. ¿Cuál es la probabilidad de que el 75% de los radioyentes la sintonicen durante

cuántos minutos o menos?
75 %
0,5 0,25
0,50 0,25
0 0,67 Z
20 ? X
𝐴1 = 0.25 𝑠𝑒𝑔ú𝑛 𝑎𝑝é𝑛𝑑𝑖𝑐𝑒 𝐵1: 𝑍1 = 0.67
𝑋1 = 𝑍1 ∗  +  = 0.67 ∗ 5.4 + 20 = 23.61 minutos
3.4 Aproximación de la normal a la binomial
La distribución normal puede utilizarse para aproximar una distribución binómica o
binomial, bajo las siguientes condiciones:
pág. 36
• n *π y n *(1- π ) deben ser ambos por lo menos iguales a 5.
- n es el número de observaciones.
- π es la probabilidad de un éxito.
• Las cuatro condiciones para una distribución binomial son:
- Hay solo dos resultados posibles.
- π permanece igual de un ensayo a otro
- Cada ensayo es independiente de los otros.
- La distribución resulta de un conteo del número de éxitos en una cantidad fija de
ensayos.
• La media y la varianza de una distribución binomial se calculan como sigue:
µ = nπ
σ² = nπ (1- π)
• El factor de corrección por continuidad, de 0.5, sirve para ampliar en media unidad
el valor continuo X, en ambas direcciones. Esta corrección compensa estimar una
distribución discreta por medio de una distribución continua.
Cuando la probabilidad a calcularse responde a la condición “X es mayor o igual a”,

entonces a X debe restársele 0.5
Cuando la probabilidad a calcularse responde a la condición “X es menor o igual a”,

entonces a X debe sumársele 0.5
Si la condición dice “X es igual a”, entonces la probabilidad se calcula en el intervalo

(X - 0.5, X + 0,5)
pág. 37
Ejemplo 1
Un estudio en una institución educativa, mostró que el 5% de los docentes tienen estudios
de postgrado. Si la institución cuenta con 100 docentes.
a. ¿Cuál es la probabilidad de 8 o más docentes tenga estudios de postgrado?

b. ¿Cuál es la probabilidad de que entre 8 y 10 docentes tenga estudios de postgrado?
c. ¿Cuál es la probabilidad de que exactamente 8 docentes tenga estudios de
postgrado?
Datos:  = 5%  0,05 y n = 100
Primero se debe calcular: n*π y n*(1- π) si estas son mayores o iguales a 5, se puede
aplicar la aproximación normal a la Binomial
0,05 * 100 = 5 (cumple la condición)
100 * (1- 0,05) = 95 (cumple la condición)
µ = nπ = 0,05 (100) = 5
σ² = nπ (1- π) = 5(1-0,05) = 4,75
σ = 2,18
a. ¿Cuál es la probabilidad de 8 o más docentes tenga estudios de postgrado?
A1
A1
0 1,15 Z
5 7,5 X
pág. 38
7.5 − 5
2.18
𝐴 = 0.50 − 𝐴1 = 0.50 − 0.3749 = 0.1251
b. ¿Cuál es la probabilidad de que entre 8 y 10 docentes tenga estudios de postgrado?
A2
A1
0 1,15 2,52 Z
5 7,50 10,50 X
7.5 − 5
2.18
10.5 − 5
2.18
𝐴 = 𝐴2 − 𝐴1 = 0.4940 − 0.3749 = 0.1191
c. ¿Cuál es la probabilidad de que exactamente 8 docentes tengan estudios de postgrado?
A2
A1
A1
0 1,15 1,61 Z
5 7,50 8,50 X
pág. 39
7.5 − 5
2.18
8.5 − 5
2.18
𝐴 = 𝐴2 − 𝐴1 = 0.4463 − 0.3749 = 0.0714
pág. 40
IV. UNIDAD: MÉTODOS Y DISTRIBUCIONES DE MUESTREO.
Competencias
El estudiante estará en capacidad de:
▪ Explicar las características de una muestra
▪ Describir los diversos métodos para seleccionar una muestra
Contenidos
4.2 Muestreo de la población
4.3 Métodos de muestreo
4.4 Distribución de muestreo de medias muestrales.
4.5 Error Estándar y Error de Muestreo
Distribución de Muestreo de la Media Muestral. Una distribución de probabilidad
integrada por las medias de todas las muestras de un determinado tamaño, tomadas de la
población.
Error Muestral de Muestreo. Es la diferencia entre un estadístico muestral y el
correspondiente parámetro poblacional.
Muestra Probabilística. Una muestra de objetos o individuos elegida de tal manera que
cada miembro de la población tenga igual oportunidad de ser incluido en la muestra.
Muestreo Aleatorio Estratificado. Primero se divide la población en subgrupos llamados
estratos. Después se toma una muestra probabilística de cada estrato.
pág. 41
Teorema del Límite Central. Si el tamaño de la muestra es suficientemente grande, la
distribución muestral de la media se aproximará a una distribución normal, sin considerar la
forma que tenga la distribución de la población.
4.2 Muestreo de la Población
Hay muchas razones para muestrear una población. Entre las que encontramos las
siguientes:
1. Con frecuencia la prueba destruye el elemento muestreado y no puede ser devuelto a la
población.
Ejemplo. En la fabricación de vidrio la muestra es destruida para probar su resistencia.
2. Puede ser imposible revisar o localizar a todos los elementos de la población.
Ejemplo. Para conocer la calidad de madera de un bosque se obtiene una muestra de
este.
3. Es posible que resulte prohibitivo el costo de estudiar a todos los elementos de la
población.
Ejemplo. Para saber la opinión de un producto se entrega el mismo a una muestra de una
ciudad y no a toda la ciudad.
4. Los resultados de una muestra pueden dar una estimación adecuada del parámetro de
población, lo que permite ahorrar, por tanto, dinero y tiempo.
Ejemplo. Tomar una muestra de producción de cerveza para saber sus características.
pág. 42
5. Puede necesitarse demasiado tiempo para contactar a todos los elementos de la
población.
Ejemplo. Para conocer el criterio acerca del ALCA no es necesario entrevistar a todo el
continente americano, sino a una muestra de este.
4.3 Métodos de Muestreo
Existen dos tipos de muestras: la no probabilística y la probabilística.
En un muestreo no probabilístico, la inclusión en la muestra se basa en el criterio de la
persona que realiza el muestreo. Esto puede llevar a resultados con sesgo.
En un muestreo probabilístico todos los elementos de la población tienen igual
probabilidad de ser seleccionados para la muestra. Hay varios métodos de muestreo de
probabilidad.
4.3.1. Muestreo Aleatorio Simple. - En una muestra aleatoria simple todos los elementos de
la población tienen la misma probabilidad de ser seleccionados para la muestra.
Un método para seleccionar una muestra es emplear una tabla de números aleatorios
(apéndice E del texto guía).
Ejemplo. Un estudio de los hoteles en la ciudad de Santo Domingo de los Colorados
mostró que existen 24 hoteles, el número de sus habitaciones se presentan a
continuación:
pág. 43
No. 00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Hab. 40 35 28 19 17 15 20 55 63 29 38 43 12 29 32 43 44 45 47 70 19 28 14 35
Utilice una tabla de números aleatorios (apéndice E) y seleccione una muestra aleatoria
de tamaño cuatro a partir de esa población.
Para utilizar la tabla de números aleatorios usted puede empezar por cualquier parte de
esta y seguir alguna dirección a su elección. En el ejemplo partimos de la fila 5 y columna
6 del apéndice y nos movemos hacia la derecha. Los números se presentan a continuación:
92598 49186 88247 39967 13748 04742 92460 85801 53444 65626 58710 55406 17173 69776 87455 14813
Como la población está compuesta de dos dígitos, en los números de la tabla se van a
escoger los dos primeros dígitos que estén incluidos dentro de la población, son los
subrayados en el cuadro. Entonces la muestra contiene a los hoteles 13, 04, 17 y 14.
4.3.2. Muestreo Aleatorio Sistemático. - En una muestra sistemática se selecciona un punto
de partida aleatorio, y después se selecciona para la muestra cada k-ésimo elemento.
Ejemplo. Con los datos del ejercicio anterior obtenga una muestra sistemática
seleccionando como punto de partida el hotel 03 y después seleccione cada quinto hotel.
La muestra quedaría de la siguiente manera: 03, 08, 13, 18, 23.
4.3.3. Muestreo Aleatorio Estratificado. - En una muestra estratificada la población se divide
en varios grupos, o estratos y después se selecciona una muestra de cada uno.
pág. 44
4.3.4. Muestreo por Conglomeración. - En un muestreo por aglomerado la población se
divide en unidades primarias, y después se elige aleatoriamente las unidades que van a
ser muestreadas.
4.4 Distribución de muestreo de medias muestrales
Es una distribución de probabilidad que señala todas las medias muestrales posibles y sus
probabilidades de ocurrencia.
Las características son las siguientes:
• Para el tamaño de muestra dado, el valor medio de todas las medias muestrales posibles
seleccionadas de la población es exactamente igual a la media poblacional.
• La variación en la distribución muestral de medias es menor que en la distribución de la
población.
Ejemplo. Las edades de seis docentes de una universidad de la ciudad de Quito son:
A B C D E F SUMA
Edad 54 50 52 48 50 52 306
▪ ¿Cuántas muestras de tamaño 2 son posibles de plantear?
𝟔!
𝟔 𝑪𝟐 = = 𝟏𝟓
𝟐! ∗ (𝟔 − 𝟐)!
pág. 45
• Seleccione todas las muestras factibles de tamaño 2 y calcule las medias.
MUESTRA EDAD SUMA MEDIA
A-B 54-50 104 52

A-C 54-52 106 53
A-D 54-48 102 51
A-E 54-50 104 52
A-F 54-52 106 53
B-C 50-52 102 51
B-D 50-48 98 49
B-E 50-50 100 50
B-F 50-52 102 51
C-D 52-48 100 50
C-E 52-50 102 51
C-F 52-52 104 52
D-E 48-50 98 49
D-F 48-52 100 50
E-F 50-52 102 51
SUMA 765
• Organice los valores medios en una distribución de muestreo

MEDIA FRECUENCIA PROBABILIDAD
49 2 2/15 = 0,13
50 3 3/15 = 0,20
51 5 5/15 = 0,33
52 3 3/15 = 0,20
53 2 2/15 = 0,13
SUMA 15 15/15= 1,00
• Calcule la media de la población y de las medias muestrales

Media poblacional = 306 / 6 = 51
Media muestral = 765 /15 =51
pág. 46
4.5 Error Estándar y Error de Muestreo
Error Estándar. - Es la desviación estándar de la medias muestrales también conocida por
tanto, como el error estándar de la media y se determina con la siguiente formula:

x 
n
Error de Muestreo. - Es la diferencia entre el valor del parámetro poblacional y su
respetivo estadístico muestral. Por ejemplo, se el valor de la media poblacional µ es 21
y el valor del estadístico muestral X es 20,5 el error de muestreo es de 0,5 (21-20,5) =
0,5. Este tipo de error puede calcularse para cualquier medida de interés.
pág. 47
V. UNIDAD: ESTIMACIONES E INTERVALOS DE CONFIANZA
Competencias
▪ Calcular intervalos de confianza para medias y proporciones
▪ Determinar el tamaño de la muestra para muestras, variables y atributos
Contenidos
5.1 Estimaciones puntuales y de intervalos
5.1.1 Intervalo de confianza para una proporción de la población.
5.1.2 Intervalo de confianza para la media poblacional con n < 30 y  no conocida.
5.1.3 Intervalo de confianza para una proporción
5.2 Selección de un tamaño de muestra adecuado
5.1 Estimaciones puntuales y de intervalos
Una estimación puntual es un solo valor estadístico calculado a partir de la información
obtenida de la muestra que se usa para estimar el parámetro poblacional.
Un intervalo de confianza es un intervalo de valores en el que se espera se encuentre el
parámetro poblacional.
5.1.1 Intervalo de confianza para la media poblacional con n  30
Los factores que determinan la amplitud de un intervalo de confianza para la media son:
• El número “n” de observaciones de la muestra.
pág. 48
• La variabilidad de la población, estimada usualmente con la desviación estándar
poblacional
• El nivel de confianza.
Para determinar el valor que representa el nivel de confianza (cuando se conoce la
desviación estándar poblacional o el tamaño de la muestra es 30 o más), se usa la
distribución normal.
𝜎
Intervalo de confianza superior = 𝑋 + 𝑍 ∗
√𝑛
𝜎
Intervalo de confianza inferior = 𝑋 − 𝑍 ∗
√𝑛
Ejemplo 1
Una muestra aleatoria de 60 policías, reveló que en promedio un oficial permanece 3,5
años en su puesto antes de ser promovido. La desviación estándar de la muestra fue 0,25
años. Se pide elaborar un intervalo de confianza del 95%.
Datos: n = 60 X = 3,5 S = 0,25
𝑃𝑎𝑟𝑎 95% 𝑍 = 1.96 𝑠𝑒𝑔ú𝑛 𝑎𝑝é𝑛𝑑𝑖𝑐𝑒 𝐵1: 𝐶𝑜𝑛 𝑎𝑟𝑒𝑎 = 0.475
0.25
Intervalo de confianza superior = 3.5 + 1.96 ∗ = 3.56
√60
0.25
Intervalo de confianza inferior = 3.5 − 1.96 ∗ = 3.44
√60
pág. 49
5.1.2 Intervalo de confianza para la media poblacional con n < 30 y  no conocida.
Para determinar el valor que representa el nivel de confianza cuando no se conoce la desviación
estándar poblacional y la muestra es inferior a 30, se usa la distribución t.
Las características principales de la distribución t son:
▪ Es una distribución continua
▪ Tiene forma de campana y es simétrica
▪ Es más plana o más extendida que la distribución normal estándar
▪ Hay una familia de distribuciones t, cada distribución depende de los grados de

libertad.
𝑆
Intervalo de confianza superior = 𝑋 + 𝑡 ∗
√𝑛
𝑆
Intervalo de confianza inferior = 𝑋 − 𝑡 ∗
√𝑛
Ejemplo 2.
Una empresa quiere determinar el tiempo medio que necesitan sus empleados para llegar a su
trabajo. En una muestra de 12 empleados se encontró que el tiempo promedio de llegada a su
trabajo fue de 28 minutos con una desviación estándar de 6 minutos. Se pide elaborar un
intervalo de confianza del 90% para la media poblacional.
Datos:
n = 12
X = 28
pág. 50
S=6
t para 90% con 11 grados de libertad (n - 1) es 1,796 (apéndice B2)

6
Intervalo de confianza superior = 28 + 1.796 ∗ = 31.11
√12
6
Intervalo de confianza inferior = 28 − 1.796 ∗ = 24.89
√12
5.1.3 Intervalo de confianza para una proporción
Una proporción es una razón o porcentaje que corresponde a la parte de la muestra o de la
población que tiene la característica particular de que se trate. Se calcula a partir de las siguientes
fórmulas:
Intervalo de confianza superior  𝐼𝑠 = 𝑝 + 𝑍 ∗ σp
Intervalo de confianza inferior  𝐼𝑖 = 𝑝 − 𝑍 ∗ σp
Una proporción muestral se determina mediante X (el número de éxitos), dividido entre n (el
número de observaciones).
𝑋
𝑝=
𝑛
El error estándar de la proporción muestral indica la variabilidad de distribución de las
proporciones muestrales. Se determina mediante
𝑝∗(1−𝑝)
σp = √
𝑛
pág. 51
Ejemplo 3.
De 900 consumidores que se entrevistaron, 414 están muy entusiasmados con un nuevo
producto. Elabore el intervalo de confianza del 99% para la proporción de población.
Datos: n = 900 x = 414
Z para 99% = 2,58 (apéndice B1)
𝑋 414
𝑝= = = 0.46
𝑛 900
σp= √𝑝∗(1−𝑝)
𝑛
=√
0.46∗0.54
900
= 0.0166
𝐼𝑠 = 𝑝 + 𝑍 ∗ p = 0.46 + 2.58 ∗ 0.0166 = 0.5028
𝐼𝑠 = 𝑝 − 𝑍 ∗ p = 0.46 − 2.58 ∗ 0.0166 = 0.4172
5.2 Selección de un tamaño de muestra adecuado
Tanto para muestras como para proporciones se puede determinar el tamaño de la muestra.
5.2.1 Tamaño de la muestra para estimar la media poblacional
Hay tres factores que determinan el tamaño de la muestra cuando se quiere estimar la
media.
▪ El nivel de confianza deseado, expresado normalmente mediante Z.
▪ El máximo error permitido E.
▪ La variabilidad o dispersión de la población en estudio, expresada  .
pág. 52
Nivel de confianza: Al construir intervalos de confianza, se lo hace con niveles de
confianza relativamente altos como de 95 y 99%, que son los más comunes. Para calcular
el tamaño de la muestra, se necesitará un estadístico z que corresponda al nivel de
confianza elegido. El nivel de confianza de 95% corresponde al valor z de 1.96, y el
nivel de confianza de 99%, a un valor z de 2.58. Muestras más grandes (con su
consecuente requerimiento de más tiempo y dinero para recolectarlas) corresponden a
niveles de confianza más altos. Asimismo, observe que siempre utilizamos un estadístico
z.
Margen de error: Designado como E, es la magnitud que se suma y resta de la media
muestral (o proporción muestral) para determinar los puntos extremos del intervalo de
confianza. Por ejemplo, en un estudio de salarios, podemos decidir que deseamos estimar
el salario promedio de la población con un margen de error de más o menos $100. O en
una encuesta de opinión, podemos decidir que deseamos calcular la proporción de la
población con un margen de error de más o menos 5%.
El margen de error es la magnitud del error que se tolerará al estimar un parámetro
poblacional. Quizás se pregunte por qué no elegir márgenes pequeños de error. Existe
una compensación entre el margen de error y el tamaño de la muestra. Un margen de
error pequeño requiere de una muestra más grande y de más tiempo y dinero para
recolectarla. Un margen de error más grande permitirá tener una muestra más pequeña y
un intervalo de confianza más amplio.
pág. 53
La variabilidad: en la determinación del tamaño de una muestra es la desviación
estándar de la población. Si la población se encuentra muy dispersa, se requiere una
muestra grande.
Por el contrario, si se encuentra concentrada (homogénea), el tamaño de muestra que se
requiere será menor. No obstante, puede ser necesario utilizar un estimador de la
desviación estándar de la población. El más común es realizar un estudio piloto y con
esta base determinar el estimador de la desviación estándar.
La fórmula para determinar el tamaño de la muestra media es:
𝑍∗ 2
𝑛=( )
𝐸
Ejemplo 4.
Se quiere hacer una encuesta para determinar el ingreso promedio diario por ventas de
las gasolineras en una ciudad.
¿Cuántas gasolineras deben ser muestreadas?
A fin de obtener mayor información acerca de la ciudad, se realizó un estudio piloto y
se calculó la desviación estándar de la muestra en $1200 dólares. El patrocinador de la
encuesta desea que se utilice el grado de confianza de 0.95. La estimación debe estar
dentro de $100.
¿Cuántas gasolineras deben ser entrevistadas?
pág. 54
Datos:
S = 1200
𝑍∗ 2 1.96 ∗ 1200 2

𝑛=( ) =( ) = 553.19
𝐸 100
Se deben entrevistar 554 gasolineras
5.2.2 Tamaño de la muestra para la proporción poblacional
Hay tres factores que determinan el tamaño de la muestra cuando se quiere estimar una
proporción.
▪ El nivel de confianza deseado, expresado normalmente mediante Z

▪ El máximo error permitido, E
▪ Un valor estimado de la proporción poblacional. Si no se cuenta con un valor
estimado, se usa 0.50
La fórmula para determinar el tamaño de la muestra para una proporción es:
𝑍 2
𝑛 = 𝑝 ∗ (1 − 𝑝) ∗ ( )
𝐸
Ejemplo 5.
El gerente de una empresa quiere una estimación de la proporción de la población que
apoya su propuesta respecto al lanzamiento de un nuevo producto. El gerente desea que
la estimación este dentro del 0,03 de la verdadera proporción. Utilice un nivel de confianza
del 99% y una proporción de 0,65. Se pide encontrar el tamaño de la muestra.
Datos:
pág. 55
E=0,03
p= 0,65
𝑍 2 2.58 2
𝑛 = 𝑝 ∗ (1 − 𝑝) ∗ ( ) = 0.65 ∗ 0.35 ∗ ( ) = 1682.59
𝐸 0.03
El tamaño de la muestra debe ser de 1683
5.2.3 Factor de corrección de una población finita
Cuando las poblaciones de las que se han tomado muestras son pequeñas y finitas (se
conocen muy bien sus características), es necesario realizar algunos ajustes en la forma de
calcular el error estándar de las medias muestrales y del error estándar de las proporciones
muestrales.
Una población con un límite superior es finita. Por ejemplo, hay 4.180 estudiantes
matriculados en la Facultad de Administración de la Universidad Central; hay 40
empleados en el área administrativa de la Facultad de Administración; hubo 65 pacientes
programados para cirugía en el Hospital Eugenio Espejo día de ayer.
En el caso en el que el número total de objetos o individuos es N y el número de objetos
o individuos incluidos en la muestra es n, es necesario ajustar los errores muestrales en
las fórmulas de los intervalos de confianza. En otras palabras, para determinar el intervalo
de confianza de la media, se ajusta el error estándar de la media o de la proporción
añadiendo el factor de corrección para población finita:
N n
FPC 
N 1
pág. 56
Ejemplo 6.
Un estudio relacionado con las contribuciones para la Asociación de Profesores que cuenta
con 250 afiliados, reveló que 15 de los 40 profesores tomados de la muestra asiste
regularmente a las reuniones del gremio. Construya el intervalo de confianza del 95% de
la población de profesores que asisten a las reuniones con regularidad.
Datos:
x 15
N = 250 p   0.375 proporción en la muestra
n 40
n = 40
x = 15 Intervalo de Confianza para la Proporciona Poblacional
p1  p  N  n
pZ
n N 1
0375(1  0.375) 250  40

0.375 
40 250  1
0.375  1.960,07650.9184  0.375  0.138
Ejemplo 7.
Se seleccionan al azar 45 elementos de una población de 500. La media muestral es de 40
y la desviación estándar de la muestra es de 9. Construya el intervalo de confianza de 99%
de la media poblacional.
Datos:
pág. 57
S N n 9 500  45
N = 500 X  ; 40  2.58
n N 1 45 500  1
n=45
X = 40 40  3,460.9549 ; 40  3.30
S=9
FIN
pág. 58

Unidad Didáctica E2.2017 2018

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Unidad Didáctica E2.2017 2018

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS ADMINISTRATIVAS

SEMESTRE SEPTIEMBRE 2017 - FEBRERO 2018

Estadística II se orienta al estudio teórico y práctico de las probabilidades y la distribución de

la estimación y los intervalos de confianza.

Importancia en la formación profesional.

globalización. Por lo mismo el administrador de empresas, debe ser capaz de enfrentar y en

tales circunstancias tomar decisiones, dentro de un proceso en el que paradójicamente tendrá

solo un conocimiento imperfecto de la situación y un grado considerable de incertidumbre. La

estadística, al tener como uno de sus propósitos el análisis de la información cuantitativa o

cualitativa para sustentar la toma de decisiones, le proporciona una ayuda inestimable.

Relaciones con otras materias del plan de estudios.

administración también se basan en la estadística.

Al final del ciclo académico, estarás en capacidad de resolver problemas administrativos y

son: probabilidad, distribuciones de probabilidades discretas y continuas, muestreo y estimación

Resumen de competencias por unidad

Al terminar esta unidad el estudiante podrá:

• Usar la teoría de la probabilidad en la toma de decisiones

• Distinguir entre probabilidad discreta y continua.

Al terminar esta unidad el estudiante podrá:

• Plantear las características de la Distribución Probabilística

• Explicar las características de una muestra Unidad 04.

• Definir una estimación puntual Unidad 05.

capítulos cinco y seis del texto guía respectivamente:

concepto, reglas, tablas de contingencia, diagramad de árbol y técnicas de conteo.

discretas entre ellas la distribución Binomial, Hipergeométrica y Poisson.

Competencias de la primera parte

la distribución de probabilidades discretas en diferentes campos de tu carrera.

El estudiante estará en capacidad de:

▪ Definir lo que es una probabilidad con sus diferentes enfoques.

▪ Calcular probabilidades aplicando las reglas de adición y de multiplicación.

▪ Construir tablas de probabilidad para el cálculo de las mismas.

1.1 Conceptos principales

1.2 Probabilidad, elementos y definiciones

1.3 Enfoques de la probabilidad

1.4 Reglas de la probabilidad

1.5 Tablas de contingencia y árbol de probabilidades

1.6 Teorema de Bayes

1.7 Principios de conteo

1.1 Conceptos principales

Probabilidad. - Es un valor comprendido entre 0 y 1 inclusive, que representa la posibilidad

de que suceda un evento en particular.

Probabilidad Clásica. - Probabilidad basada en la consideración de que cada uno de los

resultados es igualmente posible.

Probabilidad Empírica. - Concepto probabilístico basado en lo pasado.

Probabilidad Subjetiva. - Posibilidad de que un evento suceda, con base en información

disponible: presentimientos, opinión personal, rumores, etc.

Regla Especial de Multiplicación. - Si los eventos no están relacionados; es decir, son

independientes. (En adelante A y B se entenderán como eventos)

Regla General de Adición. - Se utiliza para determinar las probabilidades de eventos

complejos conformados por A o B.

Regla General de Multiplicación. - Se aplica para determinar las probabilidades de eventos

complejos formados por A y B.

Resultado. - Terminación particular de un experimento.

relacionar dos variables y por medio de esta calcular probabilidades.

Permutación. - Es un arreglo en el cual es importante el orden de los objetos seleccionados

de un grupo específico de ellos.

Combinación. - Es un arreglo donde no es importante el orden de los objetos seleccionados

de un grupo específico de ellos.

1.2 Probabilidad, elementos y definiciones

La probabilidad está conformada por:

Experimento. - Es la observación de alguna actividad o el acto de efectuar una medición.

- Lanzar un dado para saber qué valor se obtiene.