Unidad 1 Completa

•
1 © Asturias Corporación Universitaria

Índice
1 Introducción .......................................................................................................................... 3
2 Conceptos Básicos (Rincón, 2010) ................................................................................. 3
2.1 Variables Aleatorias ....................................................................................... 3
2.2 Variable Aleatoria Discreta .........................................................................4
2.3 Variable Aleatoria Continua .........................................................................4
2.4 Función de Probabilidad para una Variable Discreta (Rincón, 2010)

..............................................................................................................................4
2.5 Función de Densidad para una Variable Continua ................................4
3 Distribución Conjunta ......................................................................................................... 5
3.1 Función de Densidad para una Variable Continua ................................ 5
3.2 Densidad Conjunta ......................................................................................... 5
3.3 Variables Aleatorias Bidimensionales Discretas ................................... 5
3.4 Función Masa o de Densidad Probabilidad Conjunta ..........................6
3.5 Variables Aleatorias Bidimensionales Continuas ..................................6
4 Distribución Marginal..........................................................................................................8
4.1 Función de Distribución Marginal ..............................................................8
4.2 Función de Densidad Marginal ...................................................................8
5 Resumen ............................................................................................................................... 10
6 Referencias Bibliográficas .............................................................................................. 10
ASTURIAS CORPORACIÓN UNIVERSITARIA®

Nota Técnica preparada por Asturias Corporación Universitaria. Su difusión, reproducción o uso
total o parcial para cualquier otro propósito queda prohibida. Todos los derechos reservados.
Objetivos
• Objetivo 1: Conocer los conceptos básicos de la teoría de variables
aleatorias.
• Objetivo 2: Estudiar las variables aleatorias bidimensionales.
1 Introducción
Iniciamos esta unidad de aprendizaje con un repaso por los conceptos básicos
de la teoría de variables aleatorias, con el fin de enlazar los contenidos de la
última unidad de aprendizaje vista en el curso de Estadística I.
Siguiendo con la orientación objeto del curso, nuestro interés ahora se centrará
en determinar la forma en cómo se estudian variables aleatorias
bidimensionales y la interacción que consigo lleva su medición. También es de
interés final medir el grado, intensidad y el sentido de asociación entre las
características de interés.
2 Conceptos Básicos (Rincón, 2010)
2.1 Variables Aleatorias
Definido un experimento aleatorio de interés, por ejemplo el lanzamiento de

un dado, los posibles resultados, los números del uno al seis, son en
consecuencia valores numéricos. Sin embargo, se podrían asignar a los
valores pares un criterio de éxito denotado por un número, digamos uno y
en caso contrario un cero.
Este tipo de asignación de los valores numéricos a los sucesos de un
“En una variable aleatoria se puede ver experimento aleatorio determina la base sobre la cual se define una variable
una aplicación 𝑋 del espacio de aleatoria. Así una variable aleatoria se puede ver una aplicación 𝑿 del espacio
de resultados 𝛀 al conjunto de números reales, esto es,
resultados Ω al conjunto de números
reales” 𝑋: Ω → ℝ
A menudo se escribe simplemente 𝑣. 𝑎. en lugar del término variable aleatoria

para efectos de notación.
En general, las variables aleatorias se denotan usando las últimas letras del
alfabeto en mayúsculas, 𝑈, 𝑉, 𝑊, 𝑋, 𝑌, 𝑍 y para un valor cualquiera de ellas se usa la
misma letra pero en minúscula.

2.2 Variable Aleatoria Discreta
Decimos que una variable aleatoria es discreta, cuando toma un valor particular y
“Una variable aleatoria es discreta este resulta de ser un valor entero.
cuando oma un valor particular y este
Ejemplo:
resulta ser un valor entero”
Una variable aleatoria discreta puede ser la edad, debido a que toma valores en el
conjunto {0, 1, 2,….., n} que es un conjunto discreto porque es finito.
2.3 Variable Aleatoria Continua
Decimos que una variable aleatoria es continua cuando toma todos los valores
dentro de un intervalo (a, b) ⊆ ℝ. Esta clasificación de variables aleatorias es
“Una variable aleatoria es continua
limitada ya que existen variables aleatorias que no son absolutamente continuas o
cuando toma todo los valores dentro
absolutamente discretas, es decir, pueden tomar valores de ambos conjuntos
de un intervalo” numéricos.
2.4 Función de Probabilidad para una Variable Discreta (Rincón, 2010)
Dada una variable aleatoria 𝑋 discreta que toma los valores en un conjunto finito
o numerable y con probabilidades no nulas. La función de probabilidad de la
variable 𝑋 denotada por 𝑓(𝑥) ∶ 𝑅 → [0, ∞) se define como sigue:
𝑃(𝑋 = 𝑥) 𝑠𝑖, 𝑥 = 𝑥1 , 𝑥2 , …
𝑓(𝑥) = {
0 𝑐. 𝑜. 𝑐
Acorde con la definición, tenemos ahora las siguientes propiedades de la

función de densidad de probabilidad:
• 0 ≤ 𝑓(𝑥) ≤ 1
• ∑∞
𝑖=1 𝑓(𝑥𝑖 ) = 1
2.5 Función de Densidad para una Variable Continua
Dada una variable aleatoria 𝑋 continua. Decimos que la función integrable y no

negativa 𝑓(𝑥) ∶ ℝ → [0, ∞), es la función de densidad de 𝑋 si para cualquier
intervalo (𝑎, 𝑏) de ℝ se cumple la igualdad
𝑏
𝑃(𝑋 ∈ (𝑎, 𝑏)) = ∫ 𝑓(𝑥) 𝑑𝑥
𝑎
Acorde con la definición, tenemos ahora las siguientes propiedades de la

función de densidad de probabilidad:
• 𝑓(𝑥) ≥ 0, para toda 𝑥 ∈ ℝ.
∞
• ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1.

3 Distribución Conjunta
Como extensión natural del caso univariado, todo par de variables aleatorias
induce una medida de probabilidad. Esta medida de probabilidad puede
analizarse, de igual forma que en el caso de estudio de una sola variable,
mediante la función de distribución conjunta definida como sigue:
3.1 Función de Densidad para una Variable Continua
La función de distribución conjunta de un par de variables aleatorias dado

“Propiedadesde la función de densidad (𝑋, 𝑌), denotada por 𝑭(𝑥, 𝑦), se define como sigue
para una variable continua” 𝑭(𝑥, 𝑦) = 𝑷(𝑿 ≤ 𝑥, 𝒀 ≤ 𝑦).
El número 𝑭(𝒙, 𝒚) no es más que la probabilidad de que la variable bidimensional

tome valores en los intervalos cruzados (−∞, 𝒙] × (−∞, 𝒚]. A 𝑭(𝒙, 𝒚) se le suele
conocer también como función de distribución bidimensional de 𝑿 e 𝒀.
Las funciones de distribución bidimensionales cumplen propiedades similares a
los escenarios presentados en la teoría univariada, se muestran a continuación
algunas de estas propiedades.
• 𝐥𝐢𝐦 𝑭(𝒙, 𝒚) = 𝟏, ambas variables
𝒙,𝒚→∞
• 𝐥𝐢𝐦 𝑭(𝒙, 𝒚) = 𝟎, alguna de las variables.
𝒙,𝒚→−∞
• 𝑭(𝒙, 𝒚) es no decreciente en cada variable.
• 𝑭(𝒙, 𝒚) es continua por la derecha en cada variable.
• Si 𝒂𝟏 < 𝒃𝟏 𝒚 𝒂𝟐 < 𝒃𝟐 , entonces 𝑭(𝒃𝟏 , 𝒃𝟐 ) − 𝑭(𝒂𝟏 , 𝒃𝟐 ) − 𝑭(𝒃𝟏 , 𝒂𝟐 ) +
𝑭(𝒂𝟏 , 𝒂𝟐 ) ≥ 𝟎.
3.2 Densidad Conjunta
Como en el caso univariado, existen variables aleatorias bidimensionales

asociadas a otra función llamada, función de densidad o masa de probabilidad,
y que consigo lleva una interpretación de la medición de dos características a un
mismo individuo ya sea de manera separada o como las componentes de un
vector en este caso bivariado.
3.3 Variables Aleatorias Bidimensionales Discretas
Un par de variables aleatorias dado (𝑿, 𝒀) se le dice absolutamente discreta si

sus componentes 𝑿 y 𝒀 son variables aleatorias discretas. Entonces al suponer
que 𝑿 y 𝒀 tomen valores 𝒙𝒊 y 𝒚𝒋 con (𝒊, 𝒋 = 𝟏, 𝟐, 𝟑, … ) con sus respectivas
probabilidades inducidas por naturaleza 𝑷(𝑿 = 𝒙𝒊 ) y 𝑷(𝒀 = 𝒚𝒋 ), se podrá definir su
función asociada, función masa o de densidad conjunta para esta variable.

3.4 Función Masa o de Densidad Probabilidad Conjunta
La función masa o de densidad de probabilidad conjunta de un par de

variables aleatorias dado (𝑿, 𝒀), denotada por 𝒇(𝒙, 𝒚), viene dada por:
𝑓(𝑥, 𝑦) = 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦)
Es de notar que al ser función de probabilidad para una variable aleatoria

bidimensional de tipo discreto debe cumplir las siguientes propiedades:
• 𝑓(𝑥, 𝑦) ≥ 0.
• ∑𝑥,𝑦 𝑓(𝑥, 𝑦) = 1.
Ejemplo 1: Considere el par de variables aleatorias dado (𝑿, 𝒀), con función de
densidad dada por la siguiente tabla.
𝑥/𝑦 0 1
−1 0.2 0.1
1 0.5 0.2
Tabla 1: ejemplo 1
De la tabla se deduce que la variable 𝑋 toma valores del conjunto {−1,1}, mientras
que 𝑌 toma valores en {0,1}. Además las probabilidades conjuntas están dadas
por las entradas de la tabla.
Ejemplo: 𝑃(𝑋 = −1, 𝑌 = 0) = 0.2, esto es, la probabilidad de que 𝑋 tome el valor
de −1 y al mismo tiempo 𝑌 tome el valor 0 es 0.2. El resto de la información puede
escribirse de la siguiente manera.
0.2 𝑆𝑖 𝑥 = −1, 𝑦 = 0,
0.1 𝑆𝑖 𝑥 = −1, 𝑦 = 1,
𝑓(𝑥, 𝑦) = 𝑃(𝑋 = 𝑥, 𝑌 = 𝑦) = 0.5 𝑆𝑖 𝑥 = 1, 𝑦 = 0,
0.2 𝑆𝑖 𝑥 = 1, 𝑦 = 1,
{ 0 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Como todos estos valores son probabilidades, naturalmente son no

negativos, y todos ellos suman uno.
3.5 Variables Aleatorias Bidimensionales Continuas
Un par de variables aleatorias dadas (𝑿, 𝒀) se le dice absolutamente continua si

existe una función no negativa e integrable 𝒇(𝒙, 𝒚), tal que, para todo (𝒙, 𝒚) ∈ ℝ𝟐
la función de distribución conjunta del par de variables aleatorias (𝑿, 𝒀) puede
expresarse de la siguiente manera

𝑥 𝑦
𝐹(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑢, 𝑣) 𝑑𝑢 𝑑𝑣
−∞ −∞
En consecuencia la función 𝒇(𝒙, 𝒚), se le llama función masa o de densidad

conjunta de 𝑿 y 𝒀.
Luego al determinar la función masa o de densidad de probabilidad del par
de variables aleatorias (𝑿, 𝒀), esta debe cumplir las siguientes propiedades:
• 𝑓(𝑥, 𝑦) ≥ 0.
∞ ∞
• ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1.
Ejemplo 2: Dado el par de variables aleatorias (𝑿, 𝒀), con función de densidad
conjunta dada por:
𝑥𝑦
𝑘( + 1) 𝑆𝑖 0 < 𝑥 < 1, −1 < 𝑦 < 1.
𝑓(𝑥, 𝑦) = { 2
0 𝐶𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑐𝑎𝑠𝑜
Calculemos 𝒌 de tal forma que 𝒇(𝒙, 𝒚) sea función de masa o de densidad de

probabilidad, entonces tenemos que verificar que:
• 𝑓(𝑥, 𝑦) ≥ 0, si y sólo si 𝑘 ≥ 0.
∞ ∞
• Como ∫−∞ ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥 𝑑𝑦 = 1.
Así veamos que:

1 1
𝑥𝑦
𝑘∫ ∫ ( + 1) 𝑑𝑦
0 −1 2
1 1 1
𝑦
= 𝑘 ∫ [𝑥 ∫ 𝑑𝑦 + ∫ 𝑑𝑦 ] 𝑑𝑥
0 −1 2 −1
1
𝑦2 1
= 𝑘 ∫ [𝑥 | + 𝑦|1−1 ] 𝑑𝑥
0 4 −1
1 1 1
𝑥 𝑥
= 𝑘 ∫ [ (12 − (−1)2 ) + (1 − (−1))] 𝑑𝑥 = 𝑘 ∫ [ ∙ (0) + (2)] 𝑑𝑥 = 𝑘 ∫ 2𝑑𝑥
0 4 0 4 0
1
= 𝑘 [2 ∫ 𝑑𝑥] = 𝑘[2𝑥|10 ] = 𝑘[2(1 − 0)] = 2𝑘 = 1
0

Por tanto 𝒌 = 𝟏/𝟐 y la función de masa o de densidad conjunta viene dada
por:
𝑥𝑦 + 2
𝑆𝑖 0 < 𝑥 < 1, −1 < 𝑦 < 1.
𝑓(𝑥, 𝑦) = { 4
0 𝐶𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑐𝑎𝑠𝑜
4 Distribución Marginal
En los escenarios donde la función de distribución F(x,y) del par de variables
“Si la función de distribución F(x, y) es aleatorias (X,Y), es dada, se hace posible obtener la función de distribución de
dada, es posible obtener la función de cada una de las variables aleatorias independientes, de la siguiente manera.
distribución de cada una de las
variables aleatorias independientes” 4.1 Función de Distribución Marginal
Dado el par de variables aleatorias (𝑿, 𝒀), con función de distribución 𝑭(𝒙, 𝒚).
Entonces la función:
𝐹(𝑥) = lim 𝐹(𝑥, 𝑦).
𝑦→∞
Se le llama función de distribución marginal de 𝑿. De igual forma es posible

definir la función de distribución marginal de 𝒀 como sigue:
𝐹(𝑦) = lim 𝐹(𝑥, 𝑦).
𝑥→∞
4.2 Función de Densidad Marginal
Dado el par de variables aleatorias (𝑿, 𝒀), absolutamente continuas con función
masa o de densidad de probabilidad 𝒇(𝒙, 𝒚). Entonces la función:
∞
𝑓(𝑥) = ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑦.
Se llama función de densidad marginal de 𝑿. De igual forma es posible definir

la función de densidad marginal de 𝒀 como sigue:
∞
𝑓(𝑦) = ∫−∞ 𝑓(𝑥, 𝑦) 𝑑𝑥.
Nota: Si el vector es de tipo discreto solo basta con reemplazar las integrales con
términos de sumatorias para que las definiciones cobren sentido para tal caso.

Ejemplo 3: Para los datos de la tabla del ejemplo 1, tenemos que la marginal de 𝑿
vendría dada por:
𝑥 1 1
𝑃(𝑋 = 𝑥) 0.3 0.7
Tabla 2: Marginal de 𝑥
De manera similar, la marginal de 𝒀 vendría dada por:
𝑦 0 1
𝑃(𝑌 = 𝑦) 0.7 0.3
Tabla 3: Marginal de 𝑦
Ejemplo 4: En concordancia con los datos del ejemplo 2 y a partir de su función
masa o de densidad de probabilidad se tiene que la marginal de 𝑿 vendría dada
por:
1
𝑥𝑦 1 𝑥 1 1 1 𝑥 1
𝑓1 (𝑥) = ∫ ( + ) 𝑑𝑦 = ∫ 𝑦𝑑𝑦 + ∫ 𝑑𝑦 = 𝑦 2 |1−1 + 𝑦|1−1
−1 4 2 4 −1 2 −1 8 2
𝑥 2 1 𝑥 1
= (1 − (−1)2 ) + (1 − (−1)) = ∙ (0) + ∙ (2) = 1
8 2 8 2
Para valores de 𝑿 dentro de su campo de definición. Análogamente para la

marginal de 𝒀 tenemos que:
𝑓2 (𝑦)
1
𝑥𝑦 1
=∫ ( + ) 𝑑𝑥
0 4 2
𝑦 1 1 1 𝑦 1 𝑦 1 𝑦 1 𝑦 4
= ∫ 𝑥𝑑𝑥 + ∫ 𝑑𝑥 = 𝑥 2 |10 + 𝑥|10 = (1 − 0) + (1 − 0) = + = +
4 0 2 0 8 2 8 2 8 2 8 8
𝑦+4
=
8
Para valores de 𝒀 dentro de su campo de definición.

5 Resumen
• La asignación de los valores numéricos a los sucesos de un experimento
aleatorios determina la base sobre la cual se define una variable aleatoria.
• Decimos que una 𝑣. 𝑎. es discreta cuando toma un valor particular y este
resulta ser un valor entero.
• Decimos que una variable aleatoria es continua cuando toma todos los
valores dentro de un intervalo (a, b) ⊆ ℝ.
• La función de probabilidad de la variable 𝑋 denotada por 𝑓(𝑥) ∶ 𝑅 → [0, ∞)
se define como sigue
𝑓(𝑥) = { 𝑃(𝑋 = 𝑥) 𝑠𝑖, 𝑥 = 𝑥1 , 𝑥2 , …

0 𝑐. 𝑜. 𝑐
• Decimos que la función integrable y no negativa 𝑓(𝑥) ∶ ℝ → [0, ∞), es la

función de densidad de 𝑋 si para cualquier intervalo (𝑎, 𝑏) de ℝ se cumple
la igualdad
𝑏
𝑃(𝑋 ∈ (𝑎, 𝑏)) = ∫ 𝑓(𝑥) 𝑑𝑥
𝑎
6 Referencias Bibliográficas
• Miranda, I. E., Palacín, F., Sánchez, M. L., Márquez, M., Chía, A. R., Navas, A.
S., y otros. (3ra. Edición 2006). Estadística Descriptiva y Probabilidad. Cádiz:
Servicio de Publicaciones de la Universidad de Cádiz.
• Montgomery, D., & R., R. (2da. Edición 2008). Probabilidad y Estadística
Aplicada a la Ingeniería. México: Limusa Wiley.
• Rincón, L. (2010). Curso elemental de Probabilidad y Estadística. México:
Circuito Exterior de CU.
• Walpole, R., Myers, R., & Myers, S. y. (2007). Probabilidad y Estadística para
Ingeniería y Ciencias. México: Pearson.

—

Índice
1 Independencia ...................................................................................................................... 3
1.1 Independencia de un par de Variables Aleatorias............................... 3
2 Estadísticos de Asociación ............................................................................................... 3
2.1 Covarianza......................................................................................................... 3
2.2 Coeficiente de Correlación .......................................................................... 5
3 Resumen .................................................................................................................................6
4 Referencias Bibliográficas ................................................................................................ 7

Objetivos
• Objetivo 1: Conocer el concepto de independencia de dos variables
aleatorias.
• Objetivo 2: Estudiar dos de las estadísticas más importantes para el estudio
de variables aleatorias de tipo bidimensional.
1 Independencia
Dado que el interés se centra en el estudio de la relación existente entre dos
variables aleatorias, se hace pertinente el definir el concepto de
independencia de dos variables aleatorias con las herramientas teóricas vistas
hasta aquí.
1.1 Independencia de un par de Variables Aleatorias
Se puede afirmar que en un par de variables aleatorias dado (𝐗, 𝐘), las variables
“Se puede afirmar que en un par de aleatorias 𝐗 e 𝐘 son independientes si cumple que:
variables aleatorias dado (X, Y), las variables
f(x, y) = f(x)f(y).
aleatorias X e Y son independientes si:
f(x, y) = f(x)f(y) ” Independencia heredada estrictamente de la independencia de los eventos que

dan lugar a los valores que toma la variable en su función ya sea de densidad o de
distribución.
Ejemplo 5: Para determinar la independencia del par de variables aleatorias dado
(𝐗, 𝐘) en el ejemplo 2, basta con verificar lo siguiente:
xy + 2 y+4
f(x, y) = ≠ f1 (x)f2 (y) = 1 ∙
4 8
Con lo que se concluye que X y Y no son independientes.
2 Estadísticos de Asociación
Ahora veamos dos de las estadísticas más importantes en el estudio de variables
aleatorias de tipo bidimensional, una interpretación y sentido al número que
arrojan como resultado.
2.1 Covarianza
La covarianza para el par de variables aleatorias dado (𝐗, 𝐘), denotada por
𝐂𝐨𝐯(𝐗, 𝐘), es el número:
Cov(X, Y) = E[(X − E(X))(Y − E(Y))].

Siendo las esperanzas 𝐄(𝐗), 𝐄(𝐘) y 𝐄(𝐗𝐘) finitas, es decir, que existan para las
“La covarianza es útil para detectar si variables aleatorias 𝐗 e 𝐘.
existe relación de tipo lineal entre las La covarianza es útil para detectar si existe relación de tipo lineal entre las
variables y su sentido” variables y su sentido, pero presenta inconvenientes en el escenario donde no
exista algún tipo de relación entre las variables en mención, además de que se
deja influenciar por el efecto de las medidas en que son tomadas las variables y
también por el tamaño de muestra que es tomado por cada una de las variables.
Como consecuencia inmediata de la definición se listan a continuación las
“Propiedades de la covarianza”
propiedades de esta importante estadística.
• Cov(X, Y) = E(XY) − E(X)E(Y).
• Cov(X, Y) = Cov(Y, X).
• Cov(X, X) = Var(X).
• Cov(c, Y) = 0.
• Cov(cX, Y) = cCov(X, Y).
• Cov(X1 + X2 , Y) = Cov(X1 , Y) + Cov(X2 , Y).
• Si X e Y son independientes Cov(X, Y) = 0.
En general, Cov(X, Y) = 0 no implica Independencia entre X y Y.
Ejemplo 6: Para determinar la covarianza del par de variables aleatorias dado
(𝐗, 𝐘) en el ejemplo 2, se emplea el siguiente procedimiento:
• Se calculan los momentos de primer orden con respecto al origen, es decir, los
valores esperados para cada variable:
1 1 1 x2y
E(X) = ∫ ∫ ( + x) dy dx
2 0 −1 2
1 1 x2 1 1
= ∫ [ ∫ ydy + x ∫ dy] dx
2 0 2 −1 −1
1 1 x2
= ∫ [ y 2 |1−1 + xy|1−1 ] dx
2 0 4
1 1 x2
= ∫ [ (12 − (−1)2 ) + x(1 − (−1))] dx
2 0 4
1 1 x2 1 1 1
1 1 1
= ∫ [ ∙ (0) + x ∙ (2)] dx = ∫ 2x dx = ∫ xdx = x 2 |10 = (12 − 02 ) =
2 0 4 2 0 0 2 2 2

E(Y)
1 1 1 xy 2
= ∫ ∫ ( + y) dy dx
2 0 −1 2
1 1 x 1 1
= ∫ [ ∫ y 2 dy + ∫ ydy] dx
2 0 2 −1 −1
1 1 x 1
= ∫ [ y 3 |1−1 + y 2 |1−1 ] dx
2 0 6 2
1 1 x 1
= ∫ [ (13 − (−1)3 ) + (12 − (−1)2 )] dx
2 0 6 2
1 1 x 1 1 1 x 1 1 1 x2 1 1 2 1
= ∫ [ ∙ (2) + ∙ (0)] dx = ∫ [ ] dx = ∫ xdx = |0 = (1 − 02 ) =
2 0 6 2 2 0 3 6 0 62 12 12
• De manera similar se calculan los momentos de segundo orden, que vienen

dados por:
1 1
E(X 2 ) = E(Y 2 ) =
3 3
• Por último se calcula el producto cruzado de las variables aleatorias del par:
E(XY)
1 1 1 x2y2 1 1 x2 1 1
= ∫ ∫ ( + xy) dy dx = ∫ [ ∫ y 2 dy + x ∫ ydy] dx
2 0 −1 2 2 0 2 −1 −1
1 1 x2 x 1 1 x2 x
= ∫ [ y 3 |1−1 + y 2 |1−1 ] dx = ∫ [ (13 − (−1)3 ) + (12 − (−1)2 )] dx
2 0 6 2 2 0 2 2
1 1 x2 x 1 1 1 x3 1 1 3 1
= ∫ [ ∙ (2) + ∙ (0)] dx = ∫ x 2 dx = |0 = (1 − 03 ) =
2 0 2 2 2 0 63 18 18
• Así, aplicando una de las propiedades de la covarianza se tiene que

1 1 1 1
Cov = E(XY) − E(X)E(Y) = −( ∙ )=
18 2 12 72
2.2 Coeficiente de Correlación
El coeficiente de correlación entre el par de variables aleatorias dado (X, Y),

denotado por ρ(X, Y), es el número:

𝐶𝑜𝑣(𝑋, 𝑌)
𝜌(𝑋, 𝑌) =
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)
El coeficiente de correlación al ser una medida de asociación en el mismo

“El coeficiente de correlación se encarga sentido que la covarianza se encarga de medir el grado de dependencia lineal
de medir el grado de dependencia lineal entre el par de variables aleatorias dado (𝑿, 𝒀), pero al tratarse su fórmula de una
entre el par de variables aleatorias”
estandarización corrige las falencias de la covarianza en términos de unidades de
variables y tamaño de muestra.
Además es preciso notar que cuando 𝝆(𝑿, 𝒀) = 𝟎 se dice que el par de variables
aleatorias dado (𝑿, 𝒀), están incorrelacionados, cuando |𝝆(𝑿, 𝒀)| = 𝟏 se dice que
el par de variables aleatorias dado (𝑿, 𝒀), están perfectamente correlacionados
positiva o negativamente según el sentido de la relación.
Como consecuencia inmediata de la definición se listan a continuación las
“Propiedades del coeficiente de propiedades de esta importante estadística:
correlación” • 𝜌(𝑋, 𝑌) es un número que está entre [−1,1]
• |𝜌(𝑋, 𝑌)| = 1 si y sólo si, 𝑌 = 𝑎𝑋 + 𝑏, con probabilidad uno.
• Si 𝑋 y 𝑌 son independientes, entonces 𝜌(𝑋, 𝑌) = 0.
• En general, 𝜌(𝑋, 𝑌) = 0. No implica que 𝑋 y 𝑌 son independientes.
• (𝑋, 𝑌) se distribuyen normal, 𝜌(𝑋, 𝑌) = 0. Implica que 𝑋 y 𝑌 son
independientes
Ejemplo 7: Finalmente para determinar el coeficiente de correlación del par de
variables aleatorias dado (𝑿, 𝒀) en el ejemplo 2, se tiene que:
1⁄
𝜌(𝑋, 𝑌) = 72 = 0.0842
√1⁄12 √47⁄144
3 Resumen
• Se puede afirmar que en un par de variables aleatorias dado (𝐗, 𝐘), las
variables aleatorias 𝐗 y 𝐘 son independientes si cumple que 𝐟(𝐱, 𝐲) =
𝐟(𝐱)𝐟(𝐲).
• La covarianza para el par de variables aleatorias dado (𝐗, 𝐘), denotada por
𝐂𝐨𝐯(𝐗, 𝐘), es el número:
Cov(X, Y) = E[(X − E(X))(Y − E(Y))].
• El coeficiente de correlación entre el par de variables aleatorias dado (𝑿, 𝒀),

denotado por 𝝆(𝑿, 𝒀), es el número:

𝐶𝑜𝑣(𝑋, 𝑌)
𝜌(𝑋, 𝑌) =
√𝑉𝑎𝑟(𝑋)𝑉𝑎𝑟(𝑌)
• Rincón, L. (2010). Curso elemental de Probabilidad y Estadística. México:
Circuito Exterior de CU.

•

Índice
1 Intervalos de Confianza y Tamaño de Muestra ........................................................... 3

1.1 Intervalos de Confianza ................................................................................ 3
1.2 Tamaño de Muestra ........................................................................................ 3
2 Muestreo Estratificado ....................................................................................................... 5
2.1 Conceptos Básicos ......................................................................................... 5
3 Muestreo Aleatorio Simple Estratificado ......................................................................6
3.1 Estimaciones para el Total de Y .................................................................6
3.2 Estimaciones para el Promedio de Y ........................................................6
4 Resumen .................................................................................................................................6
5 Referencias Bibliográficas ................................................................................................ 7

Objetivos
• Objetivo 1: Entender los conceptos de intervalos de confianza y tamaño de
muestra.
• Objetivo 2: Conocer el muestreo estratificado y el muestreo aleatorio simple
estratificado.
1 Intervalos de Confianza y Tamaño de Muestra
1.1 Intervalos de Confianza
Bajo el muestreo aleatorio simple sin reemplazo, un intervalo de confianza para

“Fórmulas para el intervalo de confianza la media viene dado por:
y el tamaño de la muestra” 𝑛 𝑆𝑦𝑈 𝑛 𝑆𝑦𝑈
[𝑦̅𝑆 − 𝑧1−𝛼 √(1 − ) , 𝑦̅𝑆 + 𝑧1−𝛼 √(1 − ) ]
2 𝑁 √𝑛 2 𝑁 √𝑛
Con lo que se debe estimar a 𝑺𝒚𝑼 por medio de 𝑺𝒚𝑺 dado que lo normal es que no
se conozca.
1.2 Tamaño de Muestra
La fórmula general para el cálculo del tamaño de muestra viene dada por
n0
n≥ n
1 − N0
z1−α/2 S2
Donde n0 = c2 , c es la precisión deseada y z1−α/2 es el valor tabulado de la
distribución normal para el nivel de confianza requerido.
En ciertos casos donde la precisión requerida es de carácter relativo, es decir,
dada en porcentajes se tiene que para proporciones el tamaño de muestra se
calcula según:
k0
n≥
k
1 − N0
z1−α/2 PQ
Donde k 0 = , c es la precisión deseada, P es la proporción, Q su
c2
complemento y z1−α/2 es el valor tabulado de la distribución normal para el nivel
de confianza requerido.
Ejemplo 7:
Para efectos de la planeación socio-económica en una gran ciudad del país, es
necesario estimar entre 2.200 hatos, el número de ganado lechero por hato, con
una precisión del 8% y nivel de confianza del 95.5%.

De una muestra piloto de tamaño n = 40 se obtuvieron los siguientes resultados,
promedio de ganado por hato, 46; desviación estándar, 40. El interés se centra en
obtener el tamaño de muestra mínimo para la precisión dada.
Así tenemos que:
2
c = 0.08(46) = 3.68; SyS = 1600; α = 95.5%; z1−α = 2; SyS = 40;
2
N = 2.200; n = 40
Entonces:
22 ∙ (1.600) 2
k 0 = [( ) − (1 + )] = 496.22
3.682 40
Por tanto:
496.22
n= ≅ 405
496.22
1+
2.200
Ejemplo 8:
Una empresa dedicada al transporte permite que ciertos gastos de sus afiliados
se hagan mediante la utilización de la tarjeta de crédito expedida para pagos en
las bombas de gasolina locales.
La empresa ha expedido 10.050 tarjetas de créditos. Con el objetivo de realizar
una investigación sobre la utilización de la tarjeta y otras características, se toma
una muestra piloto de 90 tarjetas y se encontró que 63 de ellas fueron utilizadas
para cargar servicios durante el mes de referencia.
Por otra parte, el total de los gastos cancelados con las tarjetas es fue de
2.390.000 y la desviación estándar de 4000, se desea estimar el tamaño de la
muestra, con un error de 2% y un nivel de confianza de 95% para estimar
proporción de afiliados que utilizan la tarjeta.
Entonces de los datos dados en el enunciado tenemos que:
63
P= = 0.7; Q = 0.3; z1−α/2 ; c = 0.02
90
1.962 (0.7)(0.3) 2
n0 = [( 2
) (1 + )] = 2.061,21
0.02 90
2.061,21
n= ≅ 1.711
2.061,2
1+
10.050
Luego se necesitan n = 1.711 tarjetas o afiliados.

2 Muestreo Estratificado
Por razones de la naturaleza de la población, la característica de interés tiende a
tomar valores promedios en distintos subgrupos poblacionales. Esto junto con un
interés particular de investigador, de obtener estimaciones por grupos disyuntos
de la población, además de las razones de costo y comodidad en la recolección,
hacen necesaria la división de la población en subconjuntos llamados estratos
que permitan obtener valores homogéneos y de interés inherentes a la
característica del muestreo aleatorio simple sin reemplazo, caso de nuestro
interés.
2.1 Conceptos Básicos
Se divide la población o universo 𝑼 en 𝑯 subgrupos poblacionales llamados

estratos, así se tienen 𝑼𝒉 estratos separados con 𝒉 = 𝟏, 𝟐, … , 𝑯, son tales que:
• La unión de los estratos es 𝑼, es decir ∪𝑯
𝒉=𝟏 𝑼𝒉 = 𝑼
• La intersección de los estratos es vacía 𝑼𝒉 ∩ 𝑼𝒊 = ∅, 𝒉≠𝒊

Los tamaños de los estratos vienen dados por 𝑵𝑯 así:
𝐻
∑ 𝑁ℎ = 𝑁
ℎ=1
Hecha la división de los estratos nuestro interés se centrara en estimar:

• El total poblacional
𝐻 𝐻
𝑡𝑦 = ∑ 𝑦𝑘 = ∑ ∑ 𝑦𝑘 = ∑ 𝑡𝑦ℎ
𝑘∈𝑈 ℎ=1 𝑘∈𝑈ℎ ℎ=1
Donde 𝑡𝑦ℎ = ∑𝑘∈𝑈ℎ 𝑦𝑘

• La media poblacional
𝐻 𝐻
∑𝑘∈𝑈ℎ 𝑦𝑘 1 1
𝑦̅ = = ∑ ∑ 𝑦𝑘 = ∑ 𝑁ℎ 𝑦̅ℎ
𝑁 𝑁 𝑁
ℎ= 𝑘∈𝑈ℎ ℎ=1
1
Donde 𝑦̅ℎ = 𝑁 ∑𝑘∈𝑈ℎ 𝑦𝑘
ℎ

3 Muestreo Aleatorio Simple Estratificado
3.1 Estimaciones para el Total de Y
Para un diseño de muestreo aleatorio estratificado las expresiones para la

estimación del total y su varianza vienen dadas por:
𝐻 𝐻
𝑁ℎ
𝑡̂𝑦 = ∑ 𝑡̂𝑦ℎ = ∑ ∑ 𝑦𝑘
𝑛ℎ
ℎ=1 ℎ=1 𝑘∈𝑆ℎ
𝐻
𝑁ℎ2 𝑛ℎ 2
𝑉𝑎𝑟(𝑡̂𝑦 ) = ∑ (1 − ) 𝑆𝑦𝑈
𝑛ℎ 𝑁ℎ ℎ
ℎ=1
𝐻
𝑁ℎ2 𝑛ℎ 2
̂ (𝑡̂𝑦 ) = ∑
𝑉𝑎𝑟 (1 − ) 𝑆𝑦𝑆
𝑛ℎ 𝑁ℎ ℎ
ℎ=1
3.2 Estimaciones para el Promedio de Y
Para un diseño de muestreo aleatorio estratificado, las expresiones para la

estimación del promedio de 𝒚 y su varianza vienen dadas por:
1
𝑦̂̅𝑈ℎ = = ∑ 𝑦𝑘
𝑛ℎ
𝑘∈𝑆ℎ
1 𝑛ℎ 2
𝑉𝑎𝑟(𝑦̂̅𝑈ℎ ) = (1 − ) 𝑆𝑦𝑈ℎ
𝑛ℎ 𝑁ℎ
1 𝑛ℎ 2
̂ (𝑦̅̂𝑈ℎ ) =
𝑉𝑎𝑟 (1 − ) 𝑆𝑦𝑆ℎ
𝑛ℎ 𝑁ℎ
4 Resumen
• Bajo el muestreo aleatorio simple sin reemplazo, un intervalo de confianza
para la media viene dado por:
𝑛 𝑆𝑦𝑈 𝑛 𝑆𝑦𝑈
[𝑦̅𝑆 − 𝑧1−𝛼 √(1 − ) , 𝑦̅𝑆 + 𝑧1−𝛼 √(1 − ) ]
2 𝑁 √𝑛 2 𝑁 √𝑛
Con lo que se debe estimar a 𝑺𝒚𝑼 por medio de 𝑺𝒚𝑺 dado que lo normal es
que no se conozca.
• La fórmula general para el cálculo del tamaño de muestra viene dada por

n0
n≥ n
1− 0
N
z1−α/2 S2
Donde n0 = c2 , c es la precisión deseada y z1−α/2 es el valor tabulado de
la distribución normal para el nivel de confianza requerido.
• Por razones de la naturaleza de la población, la característica de interés
tiende a tomar valores promedios en distintos subgrupos poblacionales.
Esto hace necesaria la división de la población en subconjuntos llamados
estratos que permitan obtener valores homogéneos y de interés inherente a
la característica del muestreo aleatorio simple sin reemplazo.

•

Índice
1 Introducción .......................................................................................................................... 3
2 Conceptos Básicos .............................................................................................................. 3
2.1 Características y Parámetros de Interés ................................................. 3
2.2 Muestra Aleatoria ......................................................................................... 5
2.3 Muestras Probabilísticas .............................................................................. 5
2.4 Diseño Muestral............................................................................................... 5
2.5 Mecanismo de Selección.............................................................................6
2.6 Probabilidades de Inclusión ........................................................................6
2.7 Estadística y Estimador ................................................................................. 7
3 Muestreo Aleatoria Simple Sin Reemplazo (MAS) ..................................................... 7
3.1 Estadística y Estimador .................................................................................8
3.2 Mecanismo de Selección ..............................................................................8
3.3 Estimación para el Total de Y y su Varianza en el MAS .................... 10
3.4 Estimación para el Promedio de Y y su varianza en el MAS ............ 12
4 Resumen ............................................................................................................................... 12
5 Referencias Bibliográficas .............................................................................................. 13

Objetivos
• Objetivo 1: Conocer la base de la teoría de la inferencia estadística, el
estudio de recolección de muestras y la estimación de parámetros por el
muestreo.
• Objetivo 2: Estudiar las muestras aleatorias simples.
1 Introducción
En esta unidad centraremos nuestro interés en la base de la teoría de la
inferencia estadística, el estudio de recolección de muestras y estimación de
parámetros por el muestreo. Es preciso mencionar que solo se hará un breve
repaso de una extensa y cuidadosa teoría, debido a la complejidad y pertinencia
de algunos de sus conceptos. Siendo el caso de las muestras aleatorias simples
el eje sobre el cual desarrollaremos los contenidos temáticos, en busca de su
utilidad final, la estimación de parámetros poblacionales.
2 Conceptos Básicos
Conocida una población o universo de nuestro interés, el cual está conformado
por 𝑁 elementos y que notaremos como 𝑈 etiquetado como sigue 𝑈 = {1,2, … , 𝑁},
se define entonces una característica de interés 𝑦 la cual tiene como naturaleza
ser una observación medida directamente en 𝑈 y no una realización de una 𝑣. 𝑎
como en unidades anteriores, tomará entonces 𝑦 el valor 𝑦𝑘 en el 𝑘-ésimo
elemento.
El objetivo de hacer muestreo será el de estimar una característica de interés
“El objetivo del muestreo es estimar una determinada en un parámetro poblacional a partir de la observación de un
característica de interés determinada en
subconjunto con ciertas características de los elementos del universo. A
continuación mostraremos los parámetros más comúnmente conocidos y de
un parámetro poblacional”
mayor interés.
2.1 Características y Parámetros de Interés
• El total poblacional: Determina el valor total de una característica de

interés en una población, se denota por 𝒕𝒚 y se define como sigue:
𝑁
𝑡𝑦 = ∑ 𝑦𝑘
𝑘=1
• El promedio poblacional: Determina el valor promedio de una de una

̅𝑼 y se define
característica de interés en una población, se denota por 𝒚
como sigue:

𝑁
1 𝑡𝑦
𝑦̅𝑈 = ∑ 𝑦𝑘 =
𝑁 𝑁
𝑘=1
• La varianza poblacional: Determina la dispersión de los valores

observados de la característica de interés con respecto a su valor medio,
determinando la variabilidad existente en la población, se denota por 𝑺𝟐𝒚𝑼 y
se define como sigue:
2
∑𝑁 ̅𝑈 )2
𝑘=1(𝑦𝑘 − 𝑦
𝑆𝑦𝑈 =
𝑁−1
Ejemplo 1: Suponga que se tiene una población 𝑼 tal que está etiquetada
de la siguiente manera 𝑼 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓} y se quiere estimar una variable de
interés 𝒚 para cada elemento en el universo entonces:
U yk
1 35
2 36
3 40
4 23
5 37
Tabla 1: Tabla ejemplo 1

• Para el total tenemos que:
𝑁
𝑡𝑦 = ∑ 𝑦𝑘 = 35 + 36 + 40 + 23 + 37 = 171
𝑘=1
• Para el promedio tenemos que:

𝑁
1 𝑡𝑦 171
𝑦̅𝑈 = ∑ 𝑦𝑘 = = = 34.2
𝑁 𝑁 5
𝑘=1
• Para la varianza tenemos que:
2
∑𝑁 ̅𝑈 )2 [(35 − 34.2)2 + ⋯ + (37 − 34.2)2 ]
𝑘=1(𝑦𝑘 − 𝑦
𝑆𝑦𝑈 = = = 34.16
𝑁−1 4

2.2 Muestra Aleatoria
Es un subconjunto del universo que se extrae mediante un modelo estadístico

“El número de elementos en el modelo de selección, se denotara por 𝑺 y llamaremos 𝒔 a una instancia o realización de
estadístico de selección es llamado ella y queda definida de la siguiente forma:
tamaño de la muestra” 𝑠 = {1, … , 𝑘, … , 𝑛(𝑠)}
El número de elementos en 𝒔 es llamado tamaño de muestra y existen casos

particulares donde no es fijado de antemano, en consecuencia se hace variable.
• Muestra aleatoria sin reemplazo
“Sin reemplazo: si la selección de los
Se dice que una muestra aleatoria es sin reemplazo si la selección de los
elementos que han sido seleccionados
elementos que han sido seleccionados no vuelven a ser parte de la población.
no vuelven a ser parte de la población”
• Muestra aleatoria con reemplazo
Se dice que una muestra aleatoria es con reemplazo si la selección de los
“Con reemplazo: si la selección de los
elementos que han sido seleccionados vuelven a ser parte de la población, es
decir, un elemento puede ser seleccionado más de una vez.
elementos que han sido seleccionados
vuelven a ser parte de la población”

2.3 Muestras Probabilísticas
No toda muestra aleatoria es de tipo probabilística, dando lugar a distintos

tipos de muestreo que dada su metodología de recolección o desconocimiento de
los modelos probabilísticos que garanticen su validez se convierten en
mecanismos sin ninguna significancia a la hora de hacer estimaciones. A
continuación se mencionan los requerimientos que hacen a una muestra aleatoria
una muestra probabilística.
Una muestra es probabilística cuando:
• Se puede definir el conjunto de todas las posibles muestras derivadas del
proceso de selección.
• Es posible conocer de antemano la probabilidad de selección de todas y
cada una de las posibles muestras anteriormente mencionadas.
• El proceso de selección garantiza la existencia de una probabilidad mayor a
cero para cada uno de los elementos del universo.
• El mecanismo aleatorio de selección que se utilice garantiza la igualdad de
probabilidades de selección para cada muestra en el conjunto de todas las
posibles muestras.
2.4 Diseño Muestral
Los componentes básicos de un estudio de muestreo son en primera instancia

“Los componentes básicos de un estudio las probabilidades de selección asignadas a todas y cada una de las muestras
de muestreo son las probabilidades de posibles en el universo y en segunda instancia el procedimiento con el cual se
selección y el procedimiento con el cual
se miden los datos”

miden los datos una vez observados. Así el primer componente se refiere a un
diseño de muestreo y el segundo a un estimador concepto que veremos con más
detalle a lo largo de este curso.
• Diseño de muestreo
Desde un punto de vista teórico estricto, un diseño de muestreo es una función
𝒑(𝒔), que a cada muestra posible le asigna una probabilidad de selección.
• Diseño de muestreo sin reemplazo
Un diseño de muestreo se dice sin reemplazo, si todas las muestras en el
conjunto de todas las posibles muestras son sin reemplazo.
• Diseño de muestreo con reemplazo
Un diseño de muestreo se dice con reemplazo, si todas las muestras en el
conjunto de todas las posibles muestras son con reemplazo.
• Diseños de muestreo con tamaño de muestra fijo
Un diseño de muestreo se dice de tamaño de muestra fijo, si todas las muestras
en el conjunto de todas las posibles muestras tienen el mismo tamaño de
muestra.
2.5 Mecanismo de Selección
Son procedimientos secuenciales ordenados que se utilizan para seleccionar

“Un mecanismo de selección es un muestras probabilísticas.
procedimiento secuencial ordenado
que se utiliza para seleccionar muestras 2.6 Probabilidades de Inclusión

probabilísticas”
Las probabilidades de inclusión de primer orden llamadas 𝝅𝒌 para el elemento
𝒌 se definen como la suma de las probabilidades de selección que contienen al
elemento 𝒌 en particular y de manera análoga se definen las probabilidades de
inclusión de segundo orden para los elementos 𝒌 y 𝒍 en muestras que los
contienen simultáneamente.
Ejemplo 2: Suponga que se tiene un diseño de muestreo genérico 𝒑(∙) tal que a
la población 𝑼 mostrada en el ejemplo 1 asigna probabilidades de selección a
muestras de tamaño 2 como sigue: (Nota: Cuando a un diseño de muestreo se le
cita de forma genérica la notación utilizada es 𝒑(∙), es decir, el (∙) indica un
diseño de muestreo cualquiera aplicado a una muestra 𝒔 en particular):
Muestra de tamaño 2 𝒑(𝒔)
1-2 0.13
1-3 0.20

1-4 0.15
1-5 0.10
2-3 0.15
2-4 0.04
2-5 0.02
3-4 0.06
3-5 0.07
4-5 0.08

Nuestro interés es el de obtener la probabilidad de que el elemento 𝐤 = 𝟏 sea
“Estadística: función que varía en incluido en la muestra, es decir, 𝛑𝟏 entonces será igual a la suma de las
consecuencia de los resultados de un probabilidades de selección de las muestras que contienen a elemento 𝐤 = 𝟏.
experimento aleatorio” 𝜋1 = 0.13 + 0.20 + 0.15 + 0.10 = 0.58
2.7 Estadística y Estimador
Se llama estadística a una función que varía en consecuencia de los resultados

“Estimador: una estadística que se de un experimento aleatorio. Cuando es utilizada para estimar a un parámetro
utiliza para estimar un parámetro” recibe el nombre de estimador y los valores que toman se les llama por
estimaciones.
3 Muestreo Aleatoria Simple Sin Reemplazo (MAS)

En este apartado veremos la forma más simple de hacer muestreo, el muestreo
aleatorio simple tiene como característica el suponer que el comportamiento de
la característica de interés es similar en todos los individuos de la población, es
decir, supone homogeneidad en la población.
Debido a esto el diseño asigna probabilidades de inclusión idénticas a todos y
cada uno de los elementos de la población haciendo de esta su característica
principal.

3.1 Estadística y Estimador
Se dice un muestreo aleatorio simple sin reemplazo a aquel diseño cuyas

posibles muestras de tamaño 𝒏 fijado de antemano tienen la misma probabilidad
de ser seleccionadas. Así:
1
𝑠𝑖 # 𝑠 = 𝑛
𝑝(𝑠) = {(𝑁)
𝑛
0 𝑐 𝑐.
3.2 Mecanismo de Selección
Con el avanzado estado de las máquinas computadoras el proceso de extracción

de una muestra se hizo algo determinante a la hora de un estudio por muestreo,
agilizando cálculos y garantizando los resultados, los mecanismos de selección se
convirtieron en parte inherente del plan de muestreo.
A continuación mostramos dos de las más conocidos y utilizados en a la hora de
extraer una muestra aleatoria simple.
• Método del coordinado negativo
El método se resume en los siguientes pasos
- Genere 𝑵 números aleatorios 𝝃𝒌 de una 𝒗. 𝒂 distribuida Uniforme
(𝟎, 𝟏).
- Asignar cada 𝝃𝒌 a cada elemento de la población.
- Ordenar ascendente o descendentemente con respecto a cada 𝝃𝒌.
- A continuación seleccione los 𝒏 primero o últimos según el
ordenamiento del paso anterior y esta selección se convierte en su
muestra.
Ejemplo 3: Para la población 𝑼 que estamos siguiendo en los ejemplos
anteriores, seleccionemos una muestra de tamaño 2 con el método del
coordinado negativo.
- Se generan 5 números aleatorios 𝝃𝒌 debido a que en nuestro universo
𝑵 = 𝟓.
𝜉1 = 0.28691106, 𝜉2 = 0.97110167, 𝜉3 = 0.86655545,
𝜉4 = 0.71795016, 𝜉5 = 0.95200564
- Se asigna 𝜉𝑘 a cada elemento de la población.
𝑈 𝜉𝑘
1 0.28691106

2 0.97110167
3 0.86655545
4 0.71795016
5 0.95200564
Tabla 3: Ejemplo 3 (a)

- Se ordenan los 𝑘 elementos de 𝑈 en este caso descendentemente
con respecto a 𝜉𝑘 .
𝑈 𝜉𝑘
1 0.28691106
4 0.71795016
3 0.86655545
5 0.95200564
2 0.97110167
Tabla 4: Tabla ejemplo 3 (b)

- Así nuestra muestra de tamaño 2 está conformada como sigue:
𝑠1 = {1,4}
• Método de selección y rechazo

El método se resume en los siguientes pasos:
- Realizar 𝝃𝒌 distribuido uniforme (𝟎, 𝟏)
- Calcular:
𝑛 − 𝑛𝑘
𝑐𝑘 =
𝑁−𝑘+1
Donde 𝒏𝒌 es la cantidad de objetos seleccionados en los 𝒌 − 𝟏 ensayos

anteriores.
- Si 𝝃𝒌 < 𝒄𝒌 , entonces el elemento 𝒌 pertenece a la muestra.
- Detener el proceso cuando 𝒏 = 𝒏𝒌

Ejemplo 4: Se dese extraer una muestra de tamaño 𝒏 = 𝟒 de una población 𝑼
cualquiera de 𝑵 = 𝟏𝟎 , con el mecanismo de selección y rechazo, el proceso se
muestra como sigue en la siguiente tabla:
k Numerador Denominador 𝐶𝑘 𝜉𝑘 Decisión
1 4 10 0,4 0,70554751 0
2 4 9 0,44444444 0,53342402 0
3 4 8 0,5 0,57951862 0
4 4 7 0,57142857 0,28956246 1
5 3 6 0,5 0,30194801 1
6 2 5 0,4 0,7747401 0
7 2 4 0,5 0,01401764 1
8 1 3 0,33333333 0,76072359 0
9 1 2 0,5 0,81449002 0
10 1 1 1 0,7090379 1

Luego la muestra aleatoria está conformada por los elementos:
𝑠1 = {4,5,7,10}
Nótese que como se dio en este ejemplo el método garantiza que los 𝒏 elementos
siempre sean seleccionados, es decir, el método siempre converge.
3.3 Estimación para el Total de Y y su Varianza en el MAS
Las expresiones para la estimación del total y su varianza en el muestreo

aleatorio simple vienen dadas por:
𝑁
𝑡̂𝑦 = ∑ 𝑦𝑘
𝑛
𝑠
𝑁2 𝑛 2
𝑉𝑎𝑟(𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑈
𝑛 𝑁
𝑁2 𝑛 2
̂ (𝑡̂𝑦 ) =
𝑉𝑎𝑟 (1 − ) 𝑆𝑦𝑆
𝑛 𝑁

Con 𝑺𝟐𝒚𝑺 y 𝑺𝟐𝒚𝑼 las varianzas muestral y poblacional respectivamente.
Ejemplo 5: Supongamos que para la muestra extraída en el ejemplo 4 tomamos
las mediciones de una variable 𝒚 continua con los valores como sigue:
𝒌 𝒚𝒌
4 19
5 56
7 70
10 60

Entonces nuestro interés será el de estimar el total y con su respectiva varianza
estimada.
• El total vendría dado por:
𝑁 10
𝑡̂𝑦 = ∑ 𝑦𝑘 = ∙ (19 + 56 + 70 + 60) = 512.5
𝑛 4
𝑠
• Para estimar la varianza del estimador tenemos que como se muestra en

ecuación, esta depende de la varianza muestral que se calcula como sigue:
2
∑𝑘∈𝑆(𝑦𝑘 − 𝑦̅𝑠 )2
𝑆𝑦𝑆 = = 496.92
𝑛−1
Con lo que:
𝑁2 𝑛 2 102 4
̂ (𝑡̂𝑦 ) =
𝑉𝑎𝑟 (1 − ) 𝑆𝑦𝑆 = (1 − ) ∙ (496.92) = 7453.75
𝑛 𝑁 4 10
• Es necesario brindar una medida del error para determinar la calidad de las
estimaciones, para ello se utiliza el coeficiente de variación estimado 𝒄𝒗𝒆
como sigue:
̂ (𝑡̂𝑦 )
√𝑉𝑎𝑟
√7453.75
𝑐𝑣𝑒 = × 100% = × 100% ≅ 17%
𝑡̂𝑦 512.5
Lo que puede considerarse como una pobre estimación debido a que 𝒄𝒗𝒆 > 𝟓%
se consideran estimaciones de baja calidad, esto puede ser al poco número de
elementos de la población con tamaño de muestra pequeño.

3.4 Estimación para el Promedio de Y y su varianza en el MAS
Las expresiones para la estimación del promedio y su varianza en el muestreo

aleatorio simple vienen dadas por:
𝑡̂𝑦 ∑𝑆 𝑦𝑘
𝑦̂̅ = = = 𝑦̅𝑆
𝑁 𝑛
1 1 𝑛 2
𝑉𝑎𝑟(𝑦̂̅) = 2
𝑉𝑎𝑟(𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑈
𝑁 𝑛 𝑁
1 1 𝑛 2
̂ (𝑦̅̂) =
𝑉𝑎𝑟 ̂ (𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑆
𝑉𝑎𝑟
𝑁 2 𝑛 𝑁
Ejemplo 6: Considerando los datos del ejemplo anterior, damos estimaciones

para la media y la varianza estimada de la variable de interés 𝒚.
𝑡̂𝑦 512.5
𝑦̂̅ = = = 𝑦̅𝑆 = 51.25
𝑁 4
Con lo que queda demostrado que el estimador (MAS) 𝒚 ̅𝑺 es el soporte de toda la

inferencia estadística vista desde un punto clásico.
Para la estimación de la varianza tenemos que:
1 1 𝑛 2 1 1 4
̂
𝑉𝑎𝑟(𝑦̅̂) = ̂ (𝑡̂𝑦 ) = (1 − ) 𝑆𝑦𝑆
𝑉𝑎𝑟 = 2 ∙ (7453.75) = (1 − ) (496.92)
𝑁 2 𝑛 𝑁 10 4 10
= 74.5375
Con igual medida de calidad para el caso del total, debido a que se trata de los
mismos valores.
4 Resumen
• El objetivo de hacer muestreo será el de estimar una característica de
interés determinada en un parámetro poblacional a partir de la observación
de un subconjunto con ciertas características de los elementos del universo.
• El muestreo aleatorio simple tiene como característica el suponer que el
comportamiento de la característica de interés es similar en todos los
individuos de la población, es decir, supone homogeneidad en la población.
Debido a esto el diseño asigna probabilidades de inclusión idénticas a
todos y cada uno de los elementos de la población haciendo de esta su
característica principal.


En una corporación financiera de determinada ciudad, se desea saber qué
proporción de sus ahorradores le pagan su sueldo en forma quincenal, algunos
análisis previos muestran que la proporción es del 72%. Si se establece que debe
haber una estimación correcta, con aproximación de + 6% de la proporción
verdadera y una confianza del 90%, ¿Qué tamaño de muestra se necesita,
suponiendo que la población sea infinita o demasiado grande?
n = Tamaño de muestra buscada

Z = Parámetro estadístico que depende el nivel de confianza
p = Probabilidad de que ocurra el evento
q = (1 – p) Probabilidad de que no ocurra el evento
e = Error de estimación
Suponiendo que la población es infinita o demasiado grande, el tamaño de

muestra que se requiere es alrededor de 152, para evaluar la proporción de los
ahorradores que pagan su sueldo en forma quincenal.
Reflexión
Cuando una empresa quiere realizar una investigación de mercado el saber
determinar el tamaño de una muestra le permite a la misma reducir el tiempo en
que se realiza una investigación, aparte de que puede ahorrar recursos no solo
económicos si no de personal.
3/10/23, 5:14 Evaluación Inicial: Revisión del intento
Redes Sociales
    
Estadística Inferencial / Evaluación Inicial
Comenzado el Tuesday, 3 de October de 2023, 05:07

Estado Finalizado
Finalizado en Tuesday, 3 de October de 2023, 05:14
Tiempo 6 minutos 23 segundos
empleado
Calificación 5,00 de 5,00 (100%)
Pregunta 1 Decimos que una variable aleatoria es discreta, cuando toma un valor
particular y este resulta de ser un valor entero.
Correcta
Se puntúa 1,00 sobre 1,00 Seleccione una:

a. Falso
b. Verdadero  Una variable aleatoria es discreta,
cuando toma un valor particular y este
resulta de ser un valor entero.
La respuesta correcta es: Verdadero
Pregunta 2 La regla para decidir si no se rechaza la hipótesis nula o se rechaza en favor

de la hipótesis alternativa se denomina:
Correcta

a. Prueba de Hipótesis.  Una prueba de hipótesis es una regla para
decidir si no se rechaza la hipótesis nula o
se rechaza en favor de la hipótesis
alternativa.
b. Región Crítica.
c. Hipótesis Estadística.
La respuesta correcta es: Prueba de Hipótesis.
https://www.centro-virtual.com/campus/mod/quiz/review.php?attempt=3967604&cmid=5009 1/2
3/10/23, 5:14 Evaluación Inicial: Revisión del intento
Pregunta 3 Es un valor poblacional que caracteriza a una distribución o a una población

y por lo general es desconocido:
Correcta

a. Estadística.
b. Estimador.
c. Parámetro.  El parámetro es un valor poblacional que
caracteriza a una distribución o a una
población y por lo general es
desconocido.
La respuesta correcta es: Parámetro.
Pregunta 4 Decimos que una variable aleatoria es continua cuando toma todos los
valores dentro de un intervalo (a,b) ⊆ ℝ
Correcta

a. Falso
b. Verdadero  Una variable aleatoria es continua
cuando toma todos los valores
dentro de un intervalo (a,b) ⊆ ℝ
Pregunta 5 Es un intervalo tal que al menos uno de sus extremos es una variable
aleatoria:
Correcta

a. Variable aleatoria pivotal.
b. Intervalo aleatorio.  El intervalo aleatorio es un intervalo
tal que al menos uno de sus
extremos es una variable aleatoria.
c. Límites del intervalo.
d. Intervalo de confianza.
La respuesta correcta es: Intervalo aleatorio.
https://www.centro-virtual.com/campus/mod/quiz/review.php?attempt=3967604&cmid=5009 2/2
3/10/23, 5:08 Evaluación U1 Estadística II Asturias | PDF | Muestreo (Estadísticas) | Probabilidades y estadísticas
Lea gratis durante 30

Buscar
días
 95% (21) ·
Descargar
6K vistas ·
ahora8 páginas 5 de 8  Buscar documento 
Evaluación U1 Estadística II Asturias

Cargado por J. E. el Jun 01, 2019
Evaluación U1 Comenzado el martes, 14 de mayo de 2019, 22:47 Estado Finalizado Finalizado en sábado, 1 de junio de 2019, 01:23 Tiempo empleado 17
días 2 horas Puntos 9,00/10,00 Calific… Descripción completa
     
Guardar 95% 5% Insertar Compartir Imprimir
Descargar ahora 5 de 8  Buscar documento 
Play now
Skip Ad
https://es.scribd.com/document/412089286/Evaluacion-U1-Estadistica-II-Asturias 1/19
1/6/2019 Evaluación U1
Redes Soc
de 8      
Evaluación U1
Comenzado el martes, 14 de mayo de 2019, 22:47

Estado Finalizado
Finalizado en sábado, 1 de junio de 2019, 01:23
Tiempo empleado 17 días 2 horas
Puntos 9,00/10,00
Cal if ica ci ón 4, 50 de 5,00 ( 90 %)
Pregunta 1 La función de probabilidad de la variable

X denotada por ƒ (x) : R → (0, ∞) se define
como sigue:
Correcta
Puntúa 1,00 sobre 1,00

Seleccione una:
a.
b.
c.
Esta es la función de probabilidad para

una variable discreta.
d.
La respuesta correcta es:

https://www.centro-virtual.com/campus/mod/quiz/review.php?attempt=1052117&cmid=5011 1/
de 8 
Pregunta 2
Suponga que tiene una población U tal
de 8 
que está etiquetada de la siguiente
Correcta
manera U={1,2,3,4,5} y se quiere estimar
una variable de interés y para cada
elemento en el universo entonces:
Seleccione una:
a. Para el total tenemos que:
b. Para el total tenemos que:
El total determina el valor total de una

característica de interés en una
población, se denota por ty y se define
como sigue: Es por

tanto el sumatorio de los valores de y k
c. Para el total tenemos que:
La respuesta correcta es: Para el total

tenemos que:
Pregunta 3 Decimos que una variable aleatoria es

discreta, cuando toma un valor particular
y este resulta de ser un valor entero.
Correcta

Seleccione una:
a. Verdadero
Una variable aleatoria es discreta,
cuando toma un valor particular y este
resulta de ser un valor entero.
b. Falso


Pregunta 4
Determina el valor total de una
de 8 
Correcta
población y se define como sigue:
Seleccione una:
a. Promedio poblacional y
b. Varianza poblacional y
c. Total poblacional y
El total poblacional determina el valor

total de una característica de interés en
una población, se denota por ty y se
define como sigue:
La respuesta correcta es: Total poblacional y

de 8 
Pregunta 5
Si todas las muestras en el conjunto de
de 8 
todas las posibles muestras tienen el
Correcta
mismo tamaño de muestra, decimos que
estamos ante un:
Seleccione una:
a. Diseño de muestreo sin reemplazo.
b. Diseño de muestreo con
reemplazo.
c. Diseño de muestreo con tamaño de
muestra fijo.
Un diseño de muestreo se dice de
tamaño de muestra fijo, si todas las
muestras en el conjunto de todas las
posibles muestras tienen el mismo
tamaño de muestra.
La respuesta correcta es: Diseño de

muestreo con tamaño de muestra fijo.

Pregunta 6
Suponga que tiene una población U tal
de 8 
que está etiquetada de la siguiente
Correcta
manera U={1,2,3,4,5} y se quiere estimar
una variable de interés y para cada
elemento en el universo entonces:
Seleccione una:
a. Para el promedio tenemos que
b. Para el promedio tenemos que
c. Para el promedio tenemos que
El promedio poblacional determina el

valor promedio de una de una
población, se denota por y se

define como sigue:
El valor de ty
169 es correcto, por tanto = 33.8
La respuesta correcta es: Para el promedio

tenemos que

de 8 
Pregunta 7
Según el segundo video propuesto en
de 8 
esta unidad
Correcta
¿Qué información nos indica el dato de

0,0217?
Seleccione una:
a. El error que se ha cometido al
realizar el proceso de estimación por
intervalos.
b. Es lo mismo decir que, habrá un
2,17% de que los hombres se queden
sin agua. Verdadero.
La respuesta correcta es: Es lo mismo decir

que, habrá un 2,17% de que los hombres se
queden sin agua.
Pregunta 8 Decimos que una variable aleatoria es

continua cuando toma todos los valores
dentro de un intervalo (a,b) ⊆ ℝ
Correcta

Seleccione una:
a. Falso
b. Verdadero
Una variable aleatoria es continua
cuando toma todos los valores dentro
de un intervalo (a,b) ⊆ ℝ

Pregunta 9
Atendiendo al vídeo propuesto:
de 8 
Correcta
¿Qué es lo que define a una variable

aleatoria?
Seleccione una:
a. Que pueden ser discretas y
continuas.
b. Que es un experimento aleatorio y
que tiene un resultado.
Verdadero. Lo que define a una variable
aleatoria es que es un experimento
aleatorio y que tiene resultados.
La respuesta correcta es: Que es un

experimento aleatorio y que tiene un
resultado.

de 8 
Pregunta 10
La función de distribución conjunta de
de 8 
un par de variables aleatorias dado (X,Y),
Incorrecta
denotada por F(x,y), se define como
sigue:
Seleccione una:
a.
b.
Esta es la función de probabilidad para

una variable discreta.
c.
d.
La respuesta correcta es:

Compartir este documento

    
de 8 
También podría gustarte
Documento 8 páginas

J. E.
91% (22)

J. E.
100% (21)
Docdownloader.com PDF Evaluacion u1 Estadistica II Asturias Dd 3fc786bb58cce4b041d9f7ca14abce8a

Ivan Andrés Leon Perez
Aún no hay calificaciones
de 8 
Evaluación Unidad 1 Estadistica Inferencial

ADRIANA MORALES
Evaluacion_ UNIDAD 1_ Distribuciones Conjuntas y Muestreo - Calificacion - 5.00

Carlos Eduardo Cortés
Evaluacion_ UNIDAD 1_ Distribuciones Conjuntas y Muestreo - Calificacion - 5.00

de 8 
Evaluación U1
Yuly Flórez
CUA-ADE-ESII_ UNIDAD 1_ Distribuciones Conjuntas y Muestreo.pdf

yeison estiben
Examen 1 - Estadistica Inferencial

Liliana Caicedo
de 8 
Evaluación U1_estadisitica
fabiorock6
Respuestas examen U1 - Estadísticas ll

Vanessa
Evaluacion_ UNIDAD 2_ Regresión Lineal Simple y Teoría de la Probabilidad calificacion 4.5 9 de 10

de 8 
Títulos relacionados
Documento Documento Documento Documento Documento
Evaluación U2 Evaluación U3 Docdownloader.c Evaluación Evaluacion_

Estadística II… Estadística II… om PDF… Unidad 1… UNIDAD 1_…
Agregado por J. E. Agregado por J. E. Agregado por Ivan… Agregado por ADRIA… Agregado por Carlos…
91% 100% 0 calificaciones 0 calificaciones 0 calificaciones
Acerca de Ayuda Legal Social
Acerca de Scribd Ayuda / Preguntas frecuentes Términos Instagram
Prensa Accesibilidad Privacidad Twitter
Nuestro blog Ayuda para compra Copyright Facebook
¡Únete a nuestro equipo! AdChoices Preferencias de cookies Pinterest
Contáctanos Editores No vender ni compartir mi

información personal
Invita a tus amigos
Obsequios
Scribd para empresas
Obtén nuestras aplicaciones gratuitas
Audiolibros • Libros • Documentos • Revistas • Podcasts • Partituras
Idioma: Español
de 8 
Copyright © 2023 Scribd Inc.
3/10/23, 5:10 Evaluación U3 Estadística II Asturias | PDF | Errores tipo I y tipo Ii | Hipótesis
Lea gratis durante 30

Buscar
días
 100% (21) ·
Descargar
5K vistas·
ahora 6 páginas 5 de 6  Buscar documento 

Cargado por J. E. el Jun 01, 2019
Evaluación U3 Comenzado el sábado, 1 de junio de 2019, 01:38 Estado Finalizado Finalizado en sábado, 1 de junio de 2019, 01:46 Tiempo empleado 8
minutos 20 segundos Puntos 9,00/10,00 C… Descripción completa
     
Guardar 100% 0% Insertar Compartir Imprimir
Descargar ahora 5 de 6  Buscar documento 
Play now
Skip Ad
Lider de Mercado
Equipo especializados en la fabricación de bombas industriales por más de 40 años. Abrir
Netzsch
Redes Soc
de 6      
Evaluación U3
Comenzado el sábado, 1 de junio de 2019, 01:38

Estado Finalizado
Finalizado en sábado, 1 de junio de 2019, 01:46
Tiempo empleado 8 minutos 20 segundos
Puntos 9,00/10,00
C al if ica ci ón 4 ,5 0 de 5,00 ( 90 %)
Pregunta 1 En el modelo asociado a los datos, se

presenta de la siguiente forma el
modelo,
Incorrecta
Seleccione una:
a. El efecto del i - ésimotratamiento
En el modelo asociado a los datos τ

i se
considera el efecto del i-
ésimotratamiento.
b. La media general asociada a todas

las observaciones del diseño.
c. Un componente de error aleatorio.
d. La ij - ésimaobservación.
La respuesta correcta es: Un componente de
error aleatorio.
de 6 
Pregunta 2
Según el segundo vídeo propuesto:
de 6 
Correcta
¿Qué es el P-valor?
Seleccione una:
a. Nivel más alto de significancia al
cual se puede aceptar la Hipótesis
Alternativa (H1 )
b. Nivel más bajo de significancia al
cual se puede rechazar la Hipótesis
Nula (H 0)
Verdadero . El p-valor es el nivel mas
bajo de significancia al cual se puede
rechazar la hipótesis nula .
La respuesta correcta es: Nivel más bajo de

significancia al cual se puede rechazar la
Hipótesis Nula (H 0)
Pregunta 3 Son los elementos sobre los cuales se

hacen las mediciones y a los cuales un
tratamiento puede ser asignado:
Correcta

Seleccione una:
a. Replicación.
b. Factor.
c. Unidad experimental.
La unidad experimental son los
elementos sobre los cuales se hacen
las mediciones y a los cuales un
tratamiento puede ser asignado.
d. Tratamientos.
La respuesta correcta es: Unidad

experimental.
Pregunta 4
Es la repetición total o parcial de un
de 6 
experimento en dos o más conjuntos de
Correcta
condiciones:
Seleccione una:
a. Unidad experimental.
b. Tratamientos.
c. Replicación.
La replicación es la repetición total o
parcial de un experimento en dos o más
conjuntos de condiciones.
d. Factor.
La respuesta correcta es: Replicación.
Pregunta 5 El conjunto de circunstancias creadas

para el experimento en respuesta a la
hipótesis de investigación:
Correcta

Seleccione una:
a. Unidad experimental.
b. Tratamientos.
Los tratamientos son el conjunto de
circunstancias creadas para el
experimento en respuesta a la hipótesis
de investigación y son el centro de la
misma.
c. Factor.
d. Replicación.
La respuesta correcta es: Tratamientos.
Lider de Mercado
de 6 
Equipo especializados en la fabricación de bombas industriales
por más de 40 años.
Netzsch Abrir
Pregunta 6
A un nivel de significancia del 5%, si
de 6 
tenemos Z = 2’91:
Correcta

Seleccione una:
a. No rechazamos la hipótesis nula.
b. Rechazamos la hipótesis nula.
La regla de decisión sería: se rechaza si
Z < -1.96 o Z > 1.96
La respuesta correcta es: Rechazamos la

hipótesis nula.
Pregunta 7 A la probabilidad de rechazar H0 cuando

ésta es verdadera, se denomina:
Correcta
Seleccione una:
a. Error de tipo I.
Al rechazo de la hipótesis nula cuando
ésta es verdadera se le conoce como
error tipo I, y a la probabilidad de
cometer este primer tipo de error se le
denota por laletra α
b. Error de tipo II.
La respuesta correcta es: Error de tipo I.
Pregunta 8
Según el primer vídeo propuesto:
de 6 
Correcta
¿Qué indica el nivel de significación?
Seleccione una:
a. La probabilidad de cometer el error
de tipo II.
b. La probabilidad de cometer el error
de tipo I.
Verdadero. El nivel de significación
indica la probabilidad de cometer el
error de tipo I
La respuesta correcta es: La probabilidad de

cometer el error de tipo I.
Pregunta 9 La regla para decidir si no se rechaza la

hipótesis nula o se rechaza en favor de la
hipótesis alternativa se denomina:
Correcta

Seleccione una:
a. Prueba de Hipótesis.
Una prueba de hipótesis es una regla
para decidir si no se rechaza la
hipótesis nula o se rechaza en favor de
la hipótesis alternativa.
b. Región Crítica.
c. Hipótesis Estadística.
La respuesta correcta es: Prueba de

Hipótesis.
de 6 
Pregunta 10
Es una afirmación o conjetura acerca de
de 6 
una distribución de una o más variables
Correcta
aleatorias:
Seleccione una:
a. Hipótesis Simple.
b. Hipótesis Estadística.
La hipótesis estadística es una
afirmación o conjetura acerca de una
distribución de una o más variables
aleatorias.
c. Hipótesis Compuesta.
La respuesta correcta es: Hipótesis

Estadística.
Compartir este documento

    
de 6 
También podría gustarte
Examen Final Asturias Estadistica II

J. E.
90% (10)
examen unidad 3.pdf

yeison estiben
Evaluación U3
natalia
de 6 
Lider de
Mercado
Equipo especializados en la
fabricación de bombas
industriales por más de 40
años.
Netzsch
Abrir
Evaluacion_ UNIDAD 3_ Pruebas de Hipótesis y Análisis de Varianza - Calificacion - 5.00

Investigación Cuantitativa-Examen Final

Frantus David Castañeda Castrillon
Investigación Cuantitativa-Examen Unidad 1

de 6 
Lider de
Mercado
años.
Netzsch
Abrir
Evaluacion Un 3
Yuly Flórez
Investigación Cualitativa-Examen Unidad 1

Estadística-Inferencial_-Revisión-del-intento(1)00000
Edwin Collaguazo
de 6 
Lider de
Mercado
años.
Netzsch
Abrir
1
Karen Realpe
Evaluación U3
ruth carreño
Examen Unidad 1_Investigacion_Mercado_German_Garcia_Filoth

ggarfi1979
de 6 
Títulos relacionados
Documento Documento Documento Documento Documento
Examen Final examen unidad Evaluación U3 Evaluacion_ Investigación

Asturias… 3.pdf Agregado por natalia UNIDAD 3_… Cuantitativa-…
Agregado por J. E. Agregado por yeison… Agregado por Carlos… Agregado por Frantu…
90% 0 calificaciones 0 calificaciones 0 calificaciones 0 calificaciones
Acerca de Ayuda Legal Social
Acerca de Scribd Ayuda / Preguntas frecuentes Términos Instagram
Prensa Accesibilidad Privacidad Twitter
Nuestro blog Ayuda para compra Copyright Facebook
¡Únete a nuestro equipo! AdChoices Preferencias de cookies Pinterest
Contáctanos Editores No vender ni compartir mi

información personal
Invita a tus amigos
Obsequios
Scribd para empresas
Obtén nuestras aplicaciones gratuitas
Audiolibros • Libros • Documentos • Revistas • Podcasts • Partituras
Idioma: Español
Copyright © 2023 Scribd Inc.

de 6 
Buenas noches, adjunto mi respuesta a la pregunta dinamizadora:
Debemos usar la fórmula para estimar una proporción en una población infinita con un
nivel de confianza del 90% y un margen de error del ±6%.
n es el tamaño de la muestra necesario.
Z es el valor de la distribución normal estándar correspondiente al nivel de confianza

del 90%. En este caso, Z=1,645
p es la proporción estimada previamente de ahorradoras que pagan su sueldo en forma

quincenal, que es del 72% en este caso (0,72).
1−p es el complemento de la proporción estimada, es decir, el porcentaje de

ahorradoras que NO pagan su sueldo en forma quincenal, que es 1− 0,72 = 0,28.
E es el margen de error permitido, que es del ±6% en términos decimales, por lo que E
= 0,06
Por lo tanto, se necesita un tamaño de muestra de aproximadamente 152 ahorradoras

para estimar correctamente la proporción de ahorradoras que pagan su sueldo en forma
quincenal, con un margen de error del ±6% y un nivel de confianza del 90%, asumiendo
que la población es demasiado grande.
Reflexión:
Considero que el muestreo es fundamental para todas las investigaciones, en mi carrera por
supuesto también lo es, ya que, a través de él, puedo tener datos confiables y precisos de
elementos más grandes, y de esta manera puedo ahorrar tiempo y costos, definir con estos datos
estadísticos las implicaciones y estrategias a realizar en mis proyectos profesionales.
Referencias bibliográficas
Teoría del muestreo, sus implicaciones e importancia. Uniasturias. Consultado 02 de octubre de

2023 https://www.centro-
virtual.com/recursos/biblioteca/pdf/estadistica_inferencial/unidad1_pdf3.pdf
Intervalos de confianza y tamaño de la muestra. Uniasturias. Consultado 02 de octubre de 2023
https://www.centro-
virtual.com/recursos/biblioteca/pdf/estadistica_inferencial/unidad2_pdf4.pdf

Unidad 1 Completa

Cargado por

Copyright:

Formatos disponibles

Unidad 1 Completa

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 1 Completa

Cargado por

Copyright:

Formatos disponibles

•

1 © Asturias Corporación Universitaria

2 Conceptos Básicos (Rincón, 2010) ................................................................................. 3

2.1 Variables Aleatorias ....................................................................................... 3

2.2 Variable Aleatoria Discreta .........................................................................4

2.3 Variable Aleatoria Continua .........................................................................4

2.4 Función de Probabilidad para una Variable Discreta (Rincón, 2010)

2.5 Función de Densidad para una Variable Continua ................................4

3 Distribución Conjunta ......................................................................................................... 5

3.1 Función de Densidad para una Variable Continua ................................ 5

3.2 Densidad Conjunta ......................................................................................... 5

3.3 Variables Aleatorias Bidimensionales Discretas ................................... 5

3.4 Función Masa o de Densidad Probabilidad Conjunta ..........................6

3.5 Variables Aleatorias Bidimensionales Continuas ..................................6

4.1 Función de Distribución Marginal ..............................................................8

4.2 Función de Densidad Marginal ...................................................................8

6 Referencias Bibliográficas .............................................................................................. 10

ASTURIAS CORPORACIÓN UNIVERSITARIA®

2 Conceptos Básicos (Rincón, 2010)

2.1 Variables Aleatorias

Definido un experimento aleatorio de interés, por ejemplo el lanzamiento de

A menudo se escribe simplemente 𝑣. 𝑎. en lugar del término variable aleatoria

ASTURIAS CORPORACIÓN UNIVERSITARIA®

2.3 Variable Aleatoria Continua

2.4 Función de Probabilidad para una Variable Discreta (Rincón, 2010)

Acorde con la definición, tenemos ahora las siguientes propiedades de la

2.5 Función de Densidad para una Variable Continua

Dada una variable aleatoria 𝑋 continua. Decimos que la función integrable y no

Acorde con la definición, tenemos ahora las siguientes propiedades de la

ASTURIAS CORPORACIÓN UNIVERSITARIA®

3.1 Función de Densidad para una Variable Continua

La función de distribución conjunta de un par de variables aleatorias dado

El número 𝑭(𝒙, 𝒚) no es más que la probabilidad de que la variable bidimensional

3.2 Densidad Conjunta

Como en el caso univariado, existen variables aleatorias bidimensionales

3.3 Variables Aleatorias Bidimensionales Discretas

Un par de variables aleatorias dado (𝑿, 𝒀) se le dice absolutamente discreta si

ASTURIAS CORPORACIÓN UNIVERSITARIA®

La función masa o de densidad de probabilidad conjunta de un par de

Es de notar que al ser función de probabilidad para una variable aleatoria

Como todos estos valores son probabilidades, naturalmente son no

3.5 Variables Aleatorias Bidimensionales Continuas

Un par de variables aleatorias dadas (𝑿, 𝒀) se le dice absolutamente continua si

ASTURIAS CORPORACIÓN UNIVERSITARIA®

En consecuencia la función 𝒇(𝒙, 𝒚), se le llama función masa o de densidad

Calculemos 𝒌 de tal forma que 𝒇(𝒙, 𝒚) sea función de masa o de densidad de

Así veamos que:

ASTURIAS CORPORACIÓN UNIVERSITARIA®

variables aleatorias independientes” 4.1 Función de Distribución Marginal

Se le llama función de distribución marginal de 𝑿. De igual forma es posible

4.2 Función de Densidad Marginal

Se llama función de densidad marginal de 𝑿. De igual forma es posible definir

ASTURIAS CORPORACIÓN UNIVERSITARIA®

𝑃(𝑋 = 𝑥) 0.3 0.7

𝑃(𝑌 = 𝑦) 0.7 0.3

Para valores de 𝑿 dentro de su campo de definición. Análogamente para la

Para valores de 𝒀 dentro de su campo de definición.

ASTURIAS CORPORACIÓN UNIVERSITARIA®

𝑓(𝑥) = { 𝑃(𝑋 = 𝑥) 𝑠𝑖, 𝑥 = 𝑥1 , 𝑥2 , …

• Decimos que la función integrable y no negativa 𝑓(𝑥) ∶ ℝ → [0, ∞), es la