MISIN

Formar profesionales altamente capacitados, desarrollar

investigacin y realizar actividades de extensin en Matemticas y
Computacin, as como en sus diversas aplicaciones.

INFERENCIA ESTADSTICA

ESPECIALIZACIN EN ESTADSTICA

2010

Curso de Especializacin en Estadstica

ESPECIALIZACIN EN ESTADSTICA
Objetivo general del plan de estudios
Formar especialistas de alto nivel capaces de aplicar los principales mtodos estadsticos para
el anlisis de datos, as como de comprender los conceptos matemticos necesarios para la
aplicacin correcta de dichos mtodos.
Objetivos especficos
Formar especialistas capaces de:
1. Comprender los conceptos matemticos requeridos para la aplicacin de las diversas
tcnicas estadsticas con un enfoque ms aplicado que terico;
2. Planear y disear experimentos o identificar modelos estadsticos apropiados para los
problemas propios de su rea;
3. Proponer soluciones a problemas previamente identificados, mediante mtodos estadsticos
cuya utilidad ha sido demostrada en los diversos campos de la investigacin;
4. Ofrecer asesora estadstica a instituciones pblicas, privadas y centros de investigacin que
requieran recolectar, analizar e interpretar datos; y
5. Apoyar a las instituciones educativas, en lo que respecta al contenido estadstico, en la
superacin de la calidad de la enseanza de la estadstica en los distintos niveles educativos.

INFERENCIA ESTADSTICA
Asignatura: Obligatoria
Horas totales: 75
Horas tericas: 75
Horas prcticas: 0
Crditos: 10
Objetivo general
Al finalizar el curso, el alumno ser capaz de:
1. Comprender la teora bsica de probabilidad, estimacin puntual, estimacin por intervalos y
pruebas de hiptesis.
2. Utilizar distribuciones de probabilidad de una o ms variables aleatorias, discretas o
continuas, en problemas prcticos.
3. Aplicar las tcnicas de estimacin por intervalos y de pruebas de hiptesis a problemas
prcticos.
4. Comprender la metodologa de la inferencia estadstica y sus aplicaciones como apoyo a la
investigacin cientfica.

Pgina 2 de 6

Curso de Especializacin en Estadstica

Descripcin del curso

La inferencia estadstica es el proceso mediante el cual se utiliza la informacin de los datos de
una muestra para extraer conclusiones acerca de la poblacin de la que se seleccion dicha
muestra. La teora de inferencia estadstica concatena la teora de probabilidad con la de
estadstica. En este curso se har nfasis en que la estadstica incluye mtodos para obtener
inferencias para la poblacin a partir de datos muestreados en presencia de aleatoriedad, lo
cual va ms all de la mera obtencin de datos y su representacin en tablas, grficas o
medidas que resumen informacin.
En este curso se estudian temas como: variables aleatorias, distribuciones muestrales,
estimacin y pruebas de hiptesis. Se enfatiza la aplicacin de dichos temas a problemas
prcticos, para que el futuro especialista en estadstica comprenda la importancia de la
inferencia estadstica y sus aplicaciones como apoyo a la investigacin cientfica en las distintas
reas de la ciencia.
En el desarrollo del curso se procurar que los estudiantes trabajen con datos de casos reales,
de preferencia propuestos por ellos mismos. En los temas en donde sea pertinente se
introducir la utilidad de un paquete estadstico.
Antecedentes acadmicos deseables
Conocimientos del perfil de ingreso:
Los conceptos fundamentales de probabilidad y estadstica.
Las tcnicas y medidas bsicas de estadstica descriptiva.
El concepto de variable aleatoria y su distribucin.
Los modelos probabilsticos ms comunes.
Conceptos fundamentales de lgebra bsica.
Los conceptos y resultados bsicos de lgebra matricial.
Los conceptos y resultados bsicos de clculo diferencial e integral.
Contenido
1. VARIABLES ALEATORIAS UNIDIMENSIONALES

10 horas

Objetivo. Al concluir la unidad el alumno: (i) comprender la teora bsica de probabilidad (ii)
comprender y aplicar el concepto de variable aleatoria, funcin de densidad y
de distribucin, (iii) calcular e interpretar la esperanza y varianza y (iv)
identificar y aplicar las distribuciones de probabilidad ms comunes.
1.1.
1.2.
1.3.
1.4.
1.5.

Introduccin a la probabilidad: definicin de probabilidad como funcin,

probabilidad condicional, teorema de Bayes, concepto de independencia.
Variables aleatorias, funcin de densidad y de distribucin.
Esperanza y varianza.
Algunas distribuciones discretas: Bernoulli, Binomial, Hipergeomtrica y Poisson.
Algunas distribuciones continuas: Exponencial y Normal.

Pgina 3 de 6

Curso de Especializacin en Estadstica

2. VARIABLES ALEATORIAS N-DIMENSIONALES

12 horas

Objetivo. Al concluir la unidad el alumno comprender y aplicar los conceptos bsicos de

funcin de distribucin n-dimensional, distribucin marginal y condicional,
independencia de variables aleatorias, esperanza, varianza y covarianza, con
particular nfasis en la distribucin normal multivariada.
2.1.

2.2.

Distribucin bidimensional.
2.1.1. Distribucin conjunta.
2.1.2. Distribucin marginal y condicional.
2.1.3. Independencia de variables aleatorias.
2.1.4. Clculo y propiedades de esperanza, varianza y covarianza.
Generalizacin al caso n-dimensional
2.2.1. Distribucin conjunta.
2.2.2. Distribucin marginal y condicional.
2.2.3. Independencia de variables aleatorias.
2.2.4. Clculo y propiedades de esperanza, varianza y covarianza de
combinaciones lineales de variables aleatorias.

3. DISTRIBUCIONES MUESTRALES

9 horas

Objetivo. Al concluir la unidad el alumno: (i) conocer las distribuciones muestrales

relacionadas con la distribucin Normal, as como sus propiedades y (ii)
comprender la utilidad de las distribuciones muestrales para estimacin y
pruebas de hiptesis.
3.1.
3.2.
3.3.
3.4.

Media y varianza muestral.

El teorema del lmite central.
Aproximacin Normal a la distribucin Binomial.
Distribuciones muestrales relacionadas con la distribucin Normal: Z, t de
Student, ji-cuadrada y F.

4. ESTIMACIN

20 horas

Objetivo: Al concluir la unidad el alumno: (i) comprender y aplicar la teora bsica de

estimacin puntual y por intervalos y (ii) comprender los mtodos ms comunes
para obtener estimadores.
4.1.
4.2.

4.3.

Conceptos bsicos de estimacin.

Estimacin puntual
4.2.1. Mtodos para obtener estimadores: por momentos y de mxima
verosimilitud.
4.2.2. Propiedades de los estimadores: insesgado, suficiente, consistente y de
mnima varianza.
Estimacin por intervalo basada en muestras con distribucin normal.
4.3.1. Mtodo del pivote.
4.3.2. Intervalo de confianza para la media () y varianza (2).
4.3.3. Intervalo de confianza para la diferencia de medias (1-2) y el cociente de
varianzas 12 / 22 .
4.3.4. Comparacin de dos tratamientos por medio de un intervalo de confianza.
Pgina 4 de 6

Curso de Especializacin en Estadstica

4.4.

Estimacin por intervalo para una proporcin (P) y la diferencia de proporciones

binomiales (P1-P2).

5. PRUEBAS DE HIPTESIS

24 horas

Objetivo: Al concluir la unidad el alumno: (i) comprender la teora bsica de pruebas de

hiptesis y (ii) efectuar pruebas de hiptesis estadsticas.
5.1.
5.2.

5.3.
5.4.
5.5.

Elementos de una prueba de hiptesis: Hiptesis nula y alternativa, Error Tipo I y

Tipo II, estadstico de prueba, regin de rechazo, p-valor, nivel de significancia y
potencia de la prueba.
Pruebas de hiptesis basadas en muestras con distribucin normal.
5.2.1. Utilidad del Lema de Neyman-Pearson y de la prueba de la razn de
verosimilitudes en la prueba de hiptesis de la media ().
5.2.2. Prueba de bondad de ajuste a la distribucin normal.
5.2.3. Prueba de hiptesis para la media (), mediana y varianza (2).
5.2.4. Prueba de hiptesis para comparar dos varianzas 12 / 22 .
Prueba de hiptesis para una proporcin (P) y para comparar dos proporciones
binomiales (P1-P2).
Prueba de bondad de ajuste a la distribucin multinomial.
Prueba de hiptesis para comparar dos medias (1-2).
5.5.1. Muestras aleatorias independientes: prueba Z, t y U de Mann-Whitney.
5.5.2. Muestras dependientes: prueba Z, t y de Wilcoxon.

Recursos didcticos
Notas de curso, material de apoyo didctico, equipo audiovisual y software estadstico.
Metodologa de la enseanza
Las clases sern con un enfoque prctico a partir del cual se desarrollarn los elementos
tericos correspondientes. Al inicio de cada tema, con base en casos de estudio, se discutirn
los mtodos y los elementos tericos bsicos respectivos. Se enfatizar la importancia del tema
en las aplicaciones y su relacin con las asignaturas correspondientes de la Especializacin en
Estadstica y la disciplina. En lo posible se trabajar con datos de casos reales, se identificar
los elementos del tema en consideracin y se enfatizar la interpretacin de los resultados. En
donde sea pertinente se utilizar un paquete estadstico y se indicar su importancia como
herramienta en el anlisis estadstico de datos.
Estrategias de enseanza
Exposicin, interrogatorio, resolucin de ejercicios en clase y tareas, discusin dirigida,
proyectos individuales o grupales y empleo de software estadstico
Criterio de evaluacin
Menor o igual
Exmenes:
70 puntos
Tareas:
20 puntos
Trabajos (proyectos escritos):
30 puntos
La suma de la puntuacin ser igual a 100.
Pgina 5 de 6

Curso de Especializacin en Estadstica

La calificacin mnima aprobatoria es 80 puntos. Si al finalizar el curso regular el estudiante

obtiene una calificacin mayor o igual a 90 puntos queda exento del examen ordinario, en caso
contrario su calificacin final ser el promedio entre la calificacin obtenida en el curso regular y
la obtenida en el examen ordinario.
Bibliografa
1. Conover, W.J. (1999). Practical nonparametric statistics. 3a Ed. John Wiley and Sons.
New York, USA.
2. Bhattacharyya, G.K. y Johnson, R.A. (1977). Statistical Concepts and Methods. John
Wiley & Sons. New York, U.S.A.
3. Daniel, W.W. (1990). Applied nonparametric statistics. 2a Ed. Duxbury Thomson Learning.
Canada.
4. Freund, J.E., Miller, I. y Miller, M. (2000). Estadstica matemtica con aplicaciones. 6.
Ed. Pearson. Mxico, D.F.
5. Hines, W.W. y Montgomery D.C. (2001). Probabilidad y estadstica para ingeniera. 3a
Ed. CECSA. Mxico, D.F.
6. Infante, G.S. y Zrate, L.G. (2005). Mtodos Estadsticos. 2 Ed. Editorial Trillas. Mxico,
D.F.
7. Iversen, G.R. y Gergen M. (1997). Statistics: the conceptual approach. Springer-Verlag.
New York, U.S.A.
8. Kreyszig, E. (1987). Introduccin a la estadstica matemtica: Principios y mtodos. Grupo
Editorial Iberoamrica. Mxico, D.F.
9. Mendenhall, W., Beaver, R.J. y Beaver, B.M. (2002). Introduccin a la Probabilidad y
Estadstica, Thomson, Mxico, D.F.
10. Montgomery, D.C., Runger, G.C. (2005). Probabilidad y estadstica aplicadas a la
ingeniera. 2 Ed. Limusa Wiley. Mxico, D.F.
11. Ostle, B. (1979). Estadstica aplicada. Editorial Limusa. Mxico, D.F.
12. Siegel, S., Castellan N.J. (2001). Estadstica no paramtrica: aplicada a las ciencias de
la conducta. 4 Ed. Editorial Trillas. Mxico, D.F.
13. Sincich, T. (1990). Statistics by Example. 4 Ed. Dellen-Macmillan. San Francisco, U.S.A.
14. Wackerly, D.D., Mendenhall, W. y Scheaffer, R.L. (2010). Estadstica Matemtica con
Aplicaciones. 7 Ed. CENGAGE Learning. Mxico, D.F.
15. Walpole, R.E., Myers, R.H., Myers, S.L. (1999). Probabilidad y estadstica para
ingenieros. 6 Ed. Prentice Hall. Mxico, D.F.
16. Weiss, N. A. (1993). Elementary Statistics. 2 Ed. Addison-Wesley. New York, U.S.A.
Perfil profesiogrfico del profesor
Especialista en Estadstica, preferentemente con maestra o doctorado y experiencia docente,
de investigacin o de trabajo en el rea.
Elaboraron:
M.C. Salvador Medina Peralta
M.C. Mara Didora Kantn Chm
M.C. Carlos H. Herrera Hoyos
Fecha de elaboracin: Enero de 2010.

Pgina 6 de 6