UNIVERSIDAD DEL CARIBE

ASIGNATURA:
ESTADÍSTICA II

TEMA:

APLICACIÓN DE LA ESTADÍSTICA INFERENCIAL EN LA

CARRERA QUE ESTUDIO

SUSTENTANDO:

JONATHAN ALBERTO UREÑA 2017-2807

KATHERINE DELGADO BUENO 2016-2063

FACILITADOR:

SATURNINO GUZMAN FRUCTUOSO

SANTO DOMINGO D.N R. D.

2019
 INDICE

INDICE ........................................................................................................................ 2

INTRODUCCION ........................................................................................................ 1

Justificación ........................................................................................................... 2

Esta investigación es de suma importancia ya que gracias a ella se podrá comprender

cuales son los factores que intervienen de la estadística inferencial en la carrera que
estudio actualmente a través de la recolección de datos usando
muestras e hipótesis. .................................................................................................. 2

“LA ESTADÍSTICA INFERENCIAL. GENERALIDADES ............................................. 2

TEORÍA DEL MUESTREO .......................................................................................... 2

1.2 TEORÍA DE LAS PROBABILIDADES ................................................................... 4

1.3 DISTRIBUCIÓN DE PROBABILIDADES PARA VARIABLES CONTINUAS Y

DISCRETAS ................................................................................................................ 6

1.4 PRUEBAS DE HIPÓTESIS ................................................................................... 8

CAPÍTULO II ............................................................................................................ 12

APLICACIÓN DE LA ESTADÍSTICA INFERENCIAL EN LA VIDA PROFESIONAL

.................................................................................................................................. 12

2.1 INVESTIGACIÓN A 5 PROFESIONALES DEL ÁREA ........................................ 12

RESULTADOS DE LA ENCUESTA REALIZADA ..................................................... 13

Probabilidades ........................................................................................................... 18

CONCLUSIONES ...................................................................................................... 19

BIBLIOGRAFIA ......................................................................................................... 20
 INTRODUCCION

La estadística inferencial es una parte de la estadística que comprende los métodos y

procedimientos que por medio de la inducción determina propiedades de una población
estadística, a partir de una parte de esta. Su objetivo es obtener conclusiones útiles
para hacer deducciones sobre una totalidad, basándose en la información numérica
de la muestra.

Se dedica a la generación de los modelos, inferencias y predicciones asociadas a los

fenómenos en cuestión teniendo en cuenta la aleatoriedad de las observaciones. Se
usa para modelar patrones en los datos y extraer inferencias acerca de la población
bajo estudio. Estas inferencias pueden tomar la forma de respuestas a preguntas sí/no
(prueba de hipótesis), estimaciones de unas características numéricas (estimación),
pronósticos de futuras observaciones, descripciones de asociación (correlación) o
modelamiento de relaciones entre variables de Sam (análisis de regresión). Otras
técnicas de modelamiento incluyen análisis de varianza, series de tiempo y minería de
datos.

Justificación

Esta investigación es de suma importancia ya que gracias a ella se podrá comprender

cuales son los factores que intervienen de la estadística inferencial en la carrera que
estudio actualmente a través de la recolección de datos usando muestras e hipótesis.

La misma beneficiara de manera especial a mis colegas que tengan la oportunidad de

estudiarlo.

1
 CAPÍTULO I

“LA ESTADÍSTICA INFERENCIAL. GENERALIDADES

TEORÍA DEL MUESTREO

En la referencia estadística se conoce como muestreo a la técnica para la selección de

una muestra a partir de una población estadística.

Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean
extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez obtener
resultados parecidos a los que se alcanzarían si se realizase un estudio de toda la
población. En las investigaciones llevadas por empresarios y de la medicina se usa
muestreo extensivamente en recoger información sobre poblaciones.

Cabe mencionar que para que el muestreo sea válido y se pueda realizar un estudio
adecuado (que consienta no solo hacer estimaciones de la población sino estimar
también los márgenes de error correspondientes a dichas estimaciones), debe cumplir
ciertos requisitos. Nunca podremos estar enteramente seguros de que el resultado sea
una muestra representativa, pero sí podemos actuar de manera que esta condición se
alcance con una probabilidad alta.

En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la

población, se puede extraer dos o más muestras de la misma población. Al conjunto
de muestras que se pueden obtener de la población se denomina espacio muestral.
La variable que asocia a cada muestra su probabilidad de extracción, sigue la llamada
distribución muestral.

Técnicas de muestreo estadístico

Existen dos métodos para seleccionar muestras de poblaciones: el muestreo no

aleatorio o de juicio y el muestreo aleatorio (que incorpora el azar como recurso en el
proceso de selección). Cuando este último cumple con la condición de que todos los
elementos de la población tienen alguna oportunidad de ser escogidos en la muestra,
si la probabilidad correspondiente a cada sujeto de la población es conocida de

2
antemano, recibe el nombre de muestreo probabilístico. Una muestra seleccionada por
muestreo de juicio puede basarse en la experiencia de alguien con la población.
Algunas veces una muestra de juicio se usa como guía o muestra tentativa para decidir
cómo tomar una muestra aleatoria más adelante.

Muestreo por etapas múltiples

Esta técnica es la única opción cuando no se dispone de lista completa de la población

de referencia o bien cuando por medio de la técnica de muestreo simple o estratificado
se obtiene una muestra con unidades distribuidas de tal forma que resultan de difícil
acceso. En el muestreo a estudios múltiples se subdivide la población en varios niveles
ordenados que se extraen sucesivamente por medio de un procedimiento de embudo.
El muestreo se desarrolla en varias fases o extracciones sucesivas para cada nivel.

Por ejemplo, si tenemos que construir una muestra de profesores de primaria en un

país determinado, éstos pueden subdividirse en unidades primarias representadas por
circunscripciones didácticas y unidades secundarias que serían los propios profesores.
En primer lugar extraemos una muestra de las unidades primarias (para lo cual
debemos tener la lista completa de estas unidades) y en segundo lugar extraemos
aleatoriamente una muestra de unidades secundarias de cada una de las primarias
seleccionadas en la primera extracción.

Muestreo por conglomerados

Se utiliza cuando la población se encuentra dividida, de manera natural, en grupos que

se supone que contienen toda la variabilidad de la población, es decir, la representan
fielmente respecto a la característica a elegir, pueden seleccionarse sólo algunos de
estos grupos o conglomerados para la realización del estudio.

Dentro de los grupos seleccionados se ubicarán las unidades elementales, por

ejemplo, las personas a encuestar, y podría aplicársele el instrumento de medición a
todas las unidades, es decir, los miembros del grupo, o sólo se le podría aplicar a
algunos de ellos, seleccionados al azar. Este método tiene la ventaja de simplificar la
recogida de información muestral.

3
Cuando, dentro de cada conglomerado seleccionado, se extraen algunos individuos
para integrar la muestra, el diseño se llama muestreo bietápico.

Las ideas de estratos y conglomerados son, en cierto sentido, opuestas. El primer

método funciona mejor cuanto más homogénea es la población respecto del estrato,
aunque más diferentes son éstos entre sí. En el segundo, ocurre lo contrario. Los
conglomerados deben presentar toda la variabilidad, aunque deben ser muy parecidos
entre sí.

1.2 TEORÍA DE LAS PROBABILIDADES

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

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

La teoría de probabilidades se ocupa de asignar un cierto número a cada posible

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

Muchos fenómenos naturales son aleatorios, pero existen algunos como el

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

4
En 1933, el matemático soviético Andréi Kolmogórov propuso un sistema de axiomas
para la teoría de la probabilidad, basado en la teoría de conjuntos y en la teoría de la
medida, desarrollada pocos años antes por Lebesgue, Borel y Frechet entre otros.

Esta aproximación axiomática que generaliza el marco clásico de la probabilidad, la

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

Probabilidades como conjuntos

Una de las formas de visualizar probabilidades, es usando la notación gráfica de
“conjuntos” que seguramente a todos nos recuerda los años del colegio, y que de
hecho es la base del formalismo “moderno” de las Probabilidades formulado en 1933
por el matemático ruso Kolmogorov:

La probabilidad de que ocurra el evento A, o P(A), se puede obtener como el área que
ocupa A con respecto a todo el espacio rectangular. Siguiendo esta magnífica
ilustración, se llega incluso a derivar la regla de Bayes (la última fórmula en rojo).

1.3 DISTRIBUCIÓN DE PROBABILIDADES PARA VARIABLES

CONTINUAS Y DISCRETAS

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

Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva. Por lo tanto, solo los rangos de valores pueden tener una

5
probabilidad diferente de cero. La probabilidad de que una variable aleatoria continua
equivalga a algún valor siempre es cero.

Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una

variable aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que
tiene valores contables, tales como una lista d1e enteros no negativos.

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

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

En teoría de la probabilidad y estadística, la distribución de probabilidad de una variable

aleatoria es una función que asigna a cada suceso definido sobre la variable aleatoria
la probabilidad de que dicho suceso ocurra. La distribución de probabilidad está
definida sobre el conjunto de todos los sucesos y cada uno de los sucesos es el rango
de valores de la variable aleatoria. También se dice que tiene una relación estrecha
con las distribuciones de frecuencia. De hecho, se puede entender que una distribución
de probabilidades sería una frecuencia teórica, ya que ésta última es aquella que
describe cómo se espera que varíen los resultados.

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable aleatoria
sea menor o igual que x.

Tipos de variables

Variable aleatoria: Es aquella cuyo valor es el resultado de un evento aleatorio. Lo que

quiere decir que son los resultados que se presentan al azar en cualquier evento o
experimento.

• Variable aleatoria discreta: Es aquella que sólo toma ciertos valores

(frecuentemente enteros) y que resulta principalmente del conteo realizado.
• Variable aleatoria continua: Es aquella que resulta generalmente de la medición
y puede tomar cualquier valor dentro de un intervalo dado.1

6
División de distribuciones

Esta división se realiza dependiendo del tipo de variable a estudiar, esto significa que:

a) Si la variable es una variable discreta (valores enteros), corresponderá

una distribución discreta, de las cuales existen:

• Distribución binomial (eventos independientes).

• Distribución de Poisson (eventos independientes).
• Distribución hipergeométrica (eventos dependientes).

b) Si la variable es continua, esto significa que puede tomar cualquier valor

dentro de un intervalo, la distribución que se generará será una distribución continua,
también llamada "distribución normal".

Además, se puede utilizar la "distribución de Poisson como una aproximación de la

distribución binomial" cuando la muestra por estudiar es grande y la probabilidad de
éxito es pequeña. De la combinación de los dos tipos de distribuciones anteriores (a y
b), surge una conocida como "distribución normal como una aproximación de la
distribución binomial y de Poisson".

1.4 PRUEBAS DE HIPÓTESIS

Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar
una afirmación acerca de una población dependiendo de la evidencia proporcionada
por una muestra de datos.

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

7
Con base en los datos de muestra, la prueba determina si se puede rechazar la
hipótesis nula. Usted utiliza el valor p para tomar esa decisión. Si el valor p es menor
que el nivel de significancia (denotado como α o alfa), entonces puede rechazar la
hipótesis nula.

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

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

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

¿Tienen las estudiantes de pregrado una estatura media diferente de 66 pulgadas?

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

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

promedio?

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

proporción de las estudiantes de pregrado?

PASOS DE LA PRUEBA DE HIPÓTESIS

• Expresar la hipótesis nula

• Expresar la hipótesis alternativa
• Especificar el nivel de significancía
• Determinar el tamaño de la muestra
• Establecer los valores críticos que establecen las regiones de rechazo de las de
no rechazo.
8
 • Determinar la prueba estadística.
• Coleccionar los datos y calcular el valor de la muestra de la prueba estadística
apropiada.
• Determinar si la prueba estadística ha sido en la zona de rechazo a una de no
rechazo.
• Determinar la decisión estadística.
• Expresar la decisión estadística en términos del problema.

CONCEPTOS BÁSICOS PARA EL PROCEDIMIENTO DE PRUEBAS DE

HIPÓTESIS.

Hipótesis Estadística:
Al intentar alcanzar una decisión, es útil hacer hipótesis (o conjeturas) sobre la
población aplicada.

Tales hipótesis, que pueden ser o no ciertas, se llaman hipótesis estadísticas.

Son, en general, enunciados acerca de las distribuciones de probabilidad de las

poblaciones.

Hipótesis Nula.

En muchos casos formulamos una hipótesis estadística con el único propósito de

rechazarla o invalidarla. Así, si queremos decidir si una moneda está trucada,
formulamos la hipótesis de que la moneda es buena (o sea p = 0,5, donde p es la
probabilidad de cara).

Analógicamente, si deseamos decidir si un procedimiento es mejor que otro,

formulamos la hipótesis de que no hay diferencia entre ellos (o sea. Que cualquier
diferencia observada se debe simplemente a fluctuaciones en el muestreo de la misma
población). Tales hipótesis se suelen llamar hipótesis nula y se denotan por Ho.

Para todo tipo de investigación en la que tenemos dos o más grupos, se establecerá
una hipótesis nula.

9
La hipótesis nula es aquella que nos dice que no existen diferencias significativas entre
los grupos.

Por ejemplo, supongamos que un investigador cree que si un grupo de jóvenes se

somete a un entrenamiento intensivo de natación, éstos serán mejores nadadores que
aquellos que no recibieron entrenamiento. Para demostrar su hipótesis toma al azar
una muestra de jóvenes, y también al azar los distribuye en dos grupos: uno que
llamaremos experimental, el cual recibirá entrenamiento, y otro que no recibirá
entrenamiento alguno, al que llamaremos control. La hipótesis nula señalará que no
hay diferencia en el desempeño de la natación entre el grupo de jóvenes que recibió
el entrenamiento y el que no lo recibió.

Una hipótesis nula es importante por varias razones:

Es una hipótesis que se acepta o se rechaza según el resultado de la investigación.

El hecho de contar con una hipótesis nula ayuda a determinar si existe una diferencia
entre los grupos, si esta diferencia es significativa, y si no se debió al azar.

No toda investigación precisa de formular hipótesis nula. Recordemos que la hipótesis

nula es aquella por la cual indicamos que la información a obtener es contraria a la
hipótesis de trabajo.

Al formular esta hipótesis, se pretende negar la variable independiente. Es decir, se

enuncia que la causa determinada como origen del problema fluctúa, por tanto, debe
rechazarse como tal.

10
CAPÍTULO II APLICACIÓN DE LA ESTADÍSTICA INFERENCIAL EN
LA VIDA PROFESIONAL

2.1 INVESTIGACIÓN A 5 PROFESIONALES DEL ÁREA

En esta investigación fue utilizado el método exploratorio, basado en fuentes primaras,

donde se realizó una investigación de campo a 5 profesionales de la carrera de
mercadeo, con el fin de obtener datos relacionados con la carrera.

Instrumentos de recolección

Dentro de la recolección de los datos para el proceso de recolección de la información,

se utilizó el método del cuestionario. En este proceso de conocimiento por el cual se
perciben deliberadamente ciertos rasgos existentes en el objeto de conocimiento.

Tamaño y fuente de la muestra

La encuesta fue aplicada en la universidad del caribe y fueron seleccionados 5

profesores de la carrera de mercadeo para obtener información relacionada con mi
carrera.

RESULTADOS DE LA ENCUESTA REALIZADA

1- ¿Después de haberse graduado en la carrera de mercadeo, usted se preparó en

otras áreas?
Categoría Frecuencia %
Si 5 100%
No 0 0%
Total 5 100%
Fuente de datos: Encuesta aplicada en la Universidad del caribe

11
 0%

si
no

100%

Es importante resaltar que ambos profesionales contestaron inmediatamente y todos

dijeron que si, lo que significa que después de graduarte en el área debes incurrir en
otras áreas para desarrollar conocimientos.
2-¿Para prepararse profesionalmente usted tuvo que usar universidades en el
extranjero?
Categoría Frecuencia %
Siempre 2 40%
A veces 1 20%
nunca 2 40%
Total 5 100%
Fuente de datos: Encuesta aplicada en la Universidad del caribe

12
 2-¿Para prepararse profesionalmente usted tuvo que usar
universidades en el extranjero?

Siempre A veces nunca

Es importante resaltar que solo 2 maestros hicieron otras disciplinas relacionadas con
el área en el extranjero, esto indica que en el país no hay suficiente recursos
para la perfecta capacitación de los profesionales 3-¿Cuáles factores afectaron el
proceso educativo que tuvo para llegar a ser profesional?
Categoría Frecuencia %
Factores económicos 3 60%
Falta de tiempo para estudio 2 40%
Dificultades personales 0 0%
Otros 0 0%
Total 5 100%
Fuente de datos: Encuesta aplicada en la Universidad del caribe

13
 Cuáles factores afectaron el proceso educativo que tuvo
para llegar a ser profesional

Factores económicos Falta de tiempo para estudio Dificultades personales Otros

La mayoría indica que los factores económicos fueron lo que afectaron el proceso de
enseñanza y aprendizaje, aclarando que este factor estuvo influenciado con pocos
recursos para estudiar, otros dos indican que el tiempo pudo atrasar sus metas de
estudio.

4- ¿Qué variable usted considera más complicada en el área del mercadeo?

Categoría Frecuencia %
El cliente 5 100%
La empresa 0 0%
El producto 0 0%
Los recursos 0 0%
Total 5 100%
Fuente de datos: Encuesta aplicada en la Universidad del caribe

14
 4- ¿Qué variable usted considera más complicada en el área
del mercadeo?

El cliente La empresa El producto Los recursos

Todos los profesionales indican que la variable más difícil del área de mercadeo son
los mismos clientes, aclarando que hay que disponer de muchas herramientas y
capacidad para las relaciones con los clientes.
5- ¿En el ámbito mercadológico, como usted considera la aplicación de la ética en el
área?
Categoría Frecuencia %
Siempre se cumple 0 0%
A veces se cumple 5 100%
Nunca se cumple 0 0%
Total 5 100%
Fuente de datos: Encuesta aplicada en la Universidad del caribe

15
 5- ¿En el ámbito mercadológico, como usted considera la
aplicación de la ética en el area?

Siempre se cumple A veces se cumple Nunca se cumple

Todos estuvieron de acuerdo y mencionaron que la ética como profesional solo a veces
se cumple en el ámbito mercadológico del país, afirmando que en ocasiones existe la
competencia desleal.

Probabilidades

Después de analizar la encuesta a los 5 profesionales del área, se pudo ver que un
promedio del 60% concertaron respuestas similares, el otro 40% en las otras preguntas
contestaron con la misma percepción, teniendo la conclusión de que existe un 60% de
las probabilidades de que dos maestros haiga respondido corruptamente todas las
preguntas.

Existe una probabilidad de un 40% de que el 80% de los encuestados conteste al

mismo tiempo todas las preguntas, ya que solo dos contestaron 3 preguntas al mismo
tiempo promedio.

16
 CONCLUSIONES

Las Probabilidades pertenecen a la rama de la matemática que estudia ciertos

experimentos llamados aleatorios, o sea regidos por el azar, en que se conocen todos
los resultados posibles, pero no es posible tener certeza de cuál será en particular el
resultado del experimento. Por ejemplo, experimentos aleatorios cotidianos son el
lanzamiento de una moneda, el lanzamiento de un dado, extracción de una carta de
un mazo de naipes. Más adelante se verá que debemos distinguir entre los conceptos
de probabilidades matemáticas o clásicas de las probabilidades experimentales o
estadísticas.

17
 BIBLIOGRAFIA

 Best, Joel (2001). Damned Lies and Statistics: Untangling Numbers from the

Media, Politicians, and Activists. University of California Press. ISBN 0-

52021978-3.

 Stigler, Stephen M. (1990). The History of Statistics: The Measurement of

Uncertainty before 1900. Belknap Press/Harvard University Press. ISBN 0674-

40341-X.

 Tijms, Henk (2004). Understanding Probability: Chance Rules in Everyday life.

Cambridge UniversityPress. ISBN 0-521-83329-9.

 Volle, Michel (1984). Le métier de statisticien (2.ª ed. edición). Económica.

ISBN 2-7178-0824-8.

18