PRIMERO DE BACHILLERATO

QUIMESTRE I
BLOQUE 1
Coeficiente
Correlacin Lineal
Regresin
(Curva
del
ajuste)

de

Lineal
mejor

BLOQUE 2
Probabilidad
Definiciones
importantes
(Probabilidad,
Experimento,
Resultado, Evento)
Tipos
de
Probabilidad:
Clsica,
Emprica,
Subjetiva.

BLOQUE 3
Teorema
Bayes
Principios
Conteo
Combinacin
Permutacin

de
de

QUIMESTRE II
BLOQUE 4
Distribucin
de
Probabilidades
Media, Varianza y
Desviacin
Estndar de una
distribucin
de
probabilidad.

BLOQUE 5

BLOQUE 6

Distribucin
Hipergeomtrica

Distribucin
Poisson

Distribucin
Uniforme

Distribucin
Exponencial

Distribucin
Binomial

Tipos de Eventos
(Mutuamente
excluyentes;
no
mutuamente
excluyentes;
independientes)
Reglas
de
Probabilidad
Reglas de Adicin
(General-Especial)
Reglas
de
Multiplicacin
(General-Especial)

Logros que se desea

alcanzar en el estudiante

Materiales

Entender claramente el uso y sentido del coeficiente de correlacin lineal

Leer un coeficiente de correlacin lineal
Calcular de forma adecuada el coeficiente de correlacin lineal
Manejar oportunamente el criterio de regresin lineal
Estructurar curvas del mejor ajuste
Diagramar curvas de mejor ajuste sobre grficas de dispersin
Proyector- Ordenador

de

BLOQUE 1
Coeficiente de Correlacin Lineal
El coeficiente de correlacin lineal r, es un estadgrafo adimensional que intenta demostrar si existe influencia de una variable llamada
independiente sobre otra llamada dependiente, adems intenta medir la proporcionalidad directa o inversa de una variable sobre otra. Sus
valores pueden estar entre -1 y 1.

RELACIN INVERSA NEGATIVA

RELACIN DIRECTA POSITIVA

-1 a -0.5

-0.5 a 0

0 a 0.5

0.5 a 1

FUERTE

DBIL

DBIL

FUERTE

r=

SSxy
SSxSSy

SSx= X
2

SSy = Y

( X )
n

( Y )

SSxy = XY

Pasos
1.
2.
3.
4.
5.
6.
7.

X Y
n

para calcular el coeficiente de correlacin lineal

Encontrar valores de x al cuadrado
Encontrar valores de y al cuadrado
Encontrar la multiplicacin de X por Y
Hallas sumatorias de X, Y, X2, Y2; XY.
Aplicar frmulas de sumas de cuadrados.
Reemplazar en frmula del coeficiente de correlacin lineal
Obtener conclusiones de coeficiente

Ejemplo 1:
En una clase de Literatura el profesor Thompson, encuesta a sus alumnos sobre el tiempo de estudio previo al examen, esto lo hace antes
de darles las calificaciones, su inters es conocer si existe alguna correlacin entre las horas de estudio y la calificacin.

Horas de
Alumn
o

estudio
(X)

r=

7.5
7.5
=
=0.95238
2.5524.32 7.875

X^2 Y^2

XY

2,5

9,6

6,25

1,5

7,6

2,25

C
D
E

1
0,5
2

6,2
3
8

1
0,25
4

92,1
6
57,7
6
38,4
4
9
64

34,4

13,
8

59,
261 1

7,5

( 7.5 )2
SSx=13.8
=2.55
5

Calificacin
(Y)

( 34.4 )2
SSy =261
=24.32
5

24
11,4
6,2
1,5
16

SSxy =59.1

7.534.4
=7.5
5

Grfico de Dispersin
12
10
8
Calificacin

6
4
2
0
0

0.5

1.5

2.5

Horas de Estudio

El coeficiente de correlacin lineal es positivo y fuerte, lo que quiere decir que existe una relacin directa entre las horas de estudio y las
calificaciones. A ms horas de estudio ms alta ser la calificacin, y viceversa, y que su valor sea prximo a 1, indica que existe una
fuerte influencia de las horas de estudio respecto a las calificaciones.

Ejemplo 2:
La empresa LADY GUADA que se dedica a organizar eventos sociales, desea conocer si existe influencia entre la inversin mensual que
se realiza en publicidad y el nivel de ingresos en eventos.

Mes

Gasto
Publicida
d (X)

Ventas (Y)

X^2

Mayo

$ 200,00

$ 1.200,00

40000

Junio

$ 250,00

$ 1.350,00

62500

Y^2

XY

144000
0
240000
182250
0
337500

Julio
$ 450,00
Agosto
$ 150,00
Septiembr
e
$ 50,00

1100

( 1100 )2
SSx=330000
=88000
5
r=

$ 1.600,00
$ 850,00

20250
0
22500

256000
0
720000
722500 127500

$ 750,00

2500

562500 37500

5750

3300
00

71075 14625
00
00

( 5750 )2
SSy =7107500
=495000
5

SSxy =1462500

11005750
=197500
5

197500
197500
=
=0.9462
208710.32
88000495000

Grfico de Dispersin
$ 2,000.00
$ 1,500.00
Ventas

$ 1,000.00
$ 500.00
$ 0.00

$ 0.00

$ 50.00

$ 100.00 $ 150.00 $ 200.00 $ 250.00 $ 300.00 $ 350.00 $ 400.00 $ 450.00 $ 500.00

Gasto Publicidad

El coeficiente de correlacin lineal es positivo y fuerte, lo que quiere decir que existe una relacin directa entre el gasto en publicidad y el
nivel de ventas de un mes en especfico. A ms gasto en publicidad mayores ventas y viceversa, y que su valor sea prximo a 1, indica
que existe una fuerte influencia del gasto en publicidad sobre las ventas mensuales.

Ejemplo 3:
La empresa Medias Don Gato, que se dedica a la confeccin de medias desea conocer si existe una relacin entre el nivel de ausentismo
de sus empleados en un mes y su produccin mensual.

Mes

Produccin
Ausentismo en
X^2
(X)
miles
de
pares (Y)
12
900
144

r=

( 47 )2
=83.2
5

XY
10800

Agosto
Septiembr
e
5

1250

25

Octubre
6
Noviembre 8
Diciembre 16

1000
950
680

36
64
256

810000
156250
0
100000
0
902500
462400

525

47374
00
41530

47

SSx=525

Y^2

SSy =4737400

3402
3402
=
=0.9107
83.2167720 3735.54

4780

( 4780 )2
=167720
5

SSxy =41530

6250
6000
7600
10880

474780
=3402
5

Grfico de Dispersin
1400
1200
1000
800
Produccin Mensual

600
400
200
0
4

10

12

14

16

18

Nivel de Ausentismo

El coeficiente de correlacin lineal es negativo y fuerte, lo que quiere decir que existe una relacin inversa entre el nivel de ausentismo
mensual y el nivel de produccin. A ms ausentismo menor produccin y viceversa, y que su valor sea prximo a -1, indica que existe una
fuerte influencia del nivel de ausentismo sobre la produccin mensual.

Ejercicios de Tarea: En los siguientes ejercicios, calcule el coeficiente de correlacin lineal, exprese sus conclusiones y
trace el grfico de dispersin.
1. Se desea conocer si existe correlacin entre la edad de una persona y el tiempo que demora en recorrer 100 metros.

Edad
(aos)
4
5

Tiempo
(Seg)
27
25

6
11
15
18

26
23
20
19

2. Qu relacin existir entre la cantidad de personas que entran diariamente a un local comercial y su nivel de ventas?

Persona
s
20
40
30
15
29
50

Ventas
$ 120,00
$ 250,00
$ 180,00
$ 130,00
$ 356,00
$ 500,00

3. Tome una muestra de 20 alumnos y mida su estatura y peso, calcule la correlacin lineal, explique sus conclusiones y obtenga el
grfico de dispersin
4. Forme 4 muestras (ABCD) de n=10; con 100RAN# (Nmeros aleatorios de una calculadora cientfica). Calcule el coeficiente de
correlacin lineal, explique su conclusin y grafique el diagrama de dispersin, para los pares de muestras AB; AC; AD; BC; BD; CD.
5. Cree 3 casos de estudio reales donde se pueda aplicar criterios de correlacin lineal y resulvalo.
6. Resuelva de forma analtica el siguiente ejercicio

2 a+b

3a

a2 +b1

4 a

3 a2b

4b

5b

2 b

Regresin Lineal
La regresin lineal es un proceso matemtico que sirve para encontrar la curva del mejor ajuste, que representa una funcin lineal que
intentan modelar el comportamiento ms aproximado de los datos en una grfica de dispersin. Adems servir para realizar pronsticos
dentro del dominio de la grfica.

^y =b 0+ b1 x

b0 =

SSxy
SSx

b1=Y b1 X

Pasos
1.
2.
3.
4.
5.
6.
7.
8.

para aplicar regresin lineal

Encontrar valores de x al cuadrado
Encontrar la multiplicacin de X por Y
Hallas sumatorias de X, Y, X2, XY.
Aplicar frmulas de sumas de cuadrados, de XY y de X.
Reemplazar en la frmula de bo y en la frmula de b1 ((pendiente))
Formar curva del mejor ajusta
Graficar curva del mejor ajuste con los valores mnimo y mximo de los valores de X.
Pronosticar lo solicitado

Ejemplo 1:
En una clase de Literatura el profesor Thompson, encuesta a sus alumnos sobre el tiempo de estudio previo al examen, esto lo hace antes
de darles las calificaciones, su inters es conocer si existe alguna correlacin entre las horas de estudio y la calificacin, y PRONOSTICAR
cunto sacar en nota un alumno que estudio 2.3 horas.

Alumn
o

Horas de Calificacin
(Y)

X^2 Y^2

XY

estudio
(X)
A

2,5

9,6

6,25

1,5

7,6

2,25

C
D
E

1
0,5
2

6,2
3
8

1
0,25
4

92,1
6
57,7
6
38,4
4
9
64

7,5

34,4

13,
8

59,
261 1

SSxy =59.1

7.534.4
=7.5
5

( 7.5 )2
SSx=13.8
=2.55
5

bo =Y b 1 X=6.882.941.5
=2.47
CURVA DEL MEJOR AJUSTE:

^y =2.47+ 2.94 x

24
11,4
6,2
1,5
16

b1 =

SSxy 7.5
=
=2.94
SSx 2.55

Grfico de Dispersin
12
10
8
Calificacin

f(x) = 3x + 2.38

6
4
2
0
0

0.5

1.5

2.5

Horas de Estudio

Pronstico para 2.3 horas.

^y =2.47+ 2.94 ( 2.3 )

^y =2.47+ 6.762
^y =9.23

Ejemplo 2:
La empresa LADY GUADA que se dedica a organizar eventos sociales, desea conocer si existe influencia entre la inversin mensual que
se realiza en publicidad y el nivel de ingresos en eventos. Y PRONOSTICAR cul ser su venta estimada con un gasto en publicidad de
USD 380.00.

Mes

Gasto
Publicida
d (X)

Ventas (Y)

X^2

Mayo

$ 200,00

$ 1.200,00

40000

Junio

$ 250,00

$ 1.350,00

Julio
$ 450,00
Agosto
$ 150,00
Septiembr
e
$ 50,00

$ 1.600,00
$ 850,00

62500
20250
0
22500

144000
0
182250
0
256000
0
722500

$ 750,00

2500

562500 37500

5750

3300
00

71075 14625
00
00

1100
SSx=330000

( 1100 )2
=88000
5

SSxy =1462500

bo =Y b 1 X=11502.24
220 = 657.2
CURVA DEL MEJOR AJUSTE:

^y =657.2+2.24 x

11005750
=197500
5

Y^2

b1=

XY

240000
337500
720000
127500

SSxy 197500
=
=2.24
SSx
88000

Grfico de Dispersin
$ 2,000.00
$ 1,500.00

f(x) = 2.24x + 656.25

Ventas $ 1,000.00
$ 500.00
$ 0.00
$ 0.00

$ 100.00 $ 200.00 $ 300.00 $ 400.00 $ 500.00

Gasto Publicidad

Pronstico para un gasto de USD 380.00

^y =657.20+2.24 ( 380 )
^y =657.20+ 851.12
^y =1508.40

Ejemplo 3:
La empresa Medias Don Gato, que se dedica a la confeccin de medias desea conocer si existe una relacin entre el nivel de ausentismo
de sus empleados en un mes y su produccin mensual. Se desea PRONOSTICAR el nivel de produccin si se logra establecer el ausentismo
en 7 personas por mes.

Mes

Produccin
Ausentismo en
X^2
(X)
miles
de
pares (Y)
12
900
144

( 47 )2
=83.2
5

10800

1250

25

Octubre
6
Noviembre 8
Diciembre 16

1000
950
680

36
64
256

810000
156250
0
100000
0
902500
462400

4780

525

47374
00
41530

SSxy =41530

474780
=3402
5

bo =Y b 1 X=956+
40.88 9.4 = 1340.27
CURVA DEL MEJOR AJUSTE:

XY

Agosto
Septiembr
e
5

47
SSx=525

Y^2

^y =1340.2740.88 x

b1=

6250
6000
7600
10880

SSxy 3402
=
=40.88
SSx
83.2

Grfico de Dispersin
1500
1000

f(x) = - 40.89x + 1340.36

Produccin Mensual
500
0
4

10

12

14

16

18

Nivel de Ausentismo

Pronstico para ausentismo de 7 personas por mes.

^y =1340.2740.88 ( 7 )
^y =1340.27286.16

^y = 1054.11

Ejercicios de Tarea: En los siguientes ejercicios, calcule el coeficiente de correlacin lineal, exprese sus conclusiones y
trace el grfico de dispersin.
1. Se desea conocer si existe correlacin entre la edad de una persona y el tiempo que demora en recorrer 100 metros.
PRONOSTIQUE EL TIEMPO PARA EDAD 13 AOS.

Edad
(aos)

Tiempo
(Seg)

3
5
6
11
16
18

27
25
26
23
20
19

2. Qu relacin existir entre la cantidad de personas que entran diariamente a un local comercial y su nivel de ventas?
PRONOSTIQUE LAS VENTAS PARA UN INGRESO DE 36 PERSONAS.

Persona
s
22
40
32
15
29
55

Ventas
$ 120,00
$ 250,00
$ 180,00
$ 130,00
$ 356,00
$ 500,00

1. Tome una muestra de 20 alumnos y mida su estatura y peso, calcule la correlacin lineal, explique sus conclusiones y obtenga el
grfico de dispersin. PRONOSTIQUE EL PESO PARA UNA ESTATURA DE 1.65M.
2. Forme 4 muestras (ABCD) de n=10; con 50RAN# (Nmeros aleatorios de una calculadora cientfica). Calcule el coeficiente de
correlacin lineal, explique su conclusin y grafique el diagrama de dispersin, para los pares de muestras AB; AC; AD; BC; BD; CD.
ENCUENTRE EN TODOS LOS CASOS LA CURVA DEL MEJOR AJUSTE.
3. Cree 3 casos de estudio reales donde se pueda aplicar criterios de REGRESIN LINEAL
4. Resuelva de forma analtica el siguiente ejercicio

2a

3a

b1

4 a

3a

4b

5b

2 b

BLOQUE 2
Probabilidad
Se define como la posibilidad de que un evento suceda o no.
Est representada por un valor entre 0 y 1, que se pueden aproximar a porcentajes multiplicando por 100 y agregando el smbolo
%.

No existen probabilidades negativas.

Si una probabilidad llega a ser 1 quiere decir que es cierta, siempre suceder, por ejemplo, la probabilidad de que sienta hambre
luego de transcurridas 15 horas sin ingerir ningn alimento.
Si una probabilidad es muy cercana a cero la llamamos dbil y quiere decir que es muy poco probable que ese evento ocurra.
Si una probabilidad es prxima a 0.5, es una probabilidad medio o incierta, que no estamos seguros si puede o no ocurrir.

Definiciones importantes
Experimento: Es el conjunto de condiciones controlados que se crean para medir o comprobar un supuesto.
Evento: Son los acciones que se presentan como resultado de un experimento.
Resultado: Afirmaciones o negaciones dadas por los eventos provenientes de un experimento.
Ejemplo
Experimento: Preparar las hojas de tabulacin de datos, y recolectar edades de alumnos.
Evento: La mayora de hombres no quisieron responder.
Resultado: La mayor cantidad de personas encuestadas fueron mujeres con un promedio de 17.5 aos por estudiante.
Tipos de Probabilidad: Clsica, Emprica, Subjetiva.
Subjetiva: Es aquella que nunca ha sucedido antes, est basada en la intuicin de las personas, conociendo otro tipo de datos, por ejemplo: La
probabilidad de que una mujer sea presidenta de los Estados Unidos.
Emprica: Se presenta cuando se realiza un anlisis de datos histricos, que han sucedido en tiempo s anteriores, y nos permiten realizar una
aproximacin de pronsticos. Por ejemplo: En cierta poblacin, el ao anterior nacieron 50 bebes, de los cuales 40 eran mujeres y 10 hombres;
por lo que se dice que existe una probabilidad de 80% de que en el ao siguiente nazcan mujeres y un 20% para hombres.
Clsica: Es la ms comn, y basa su clculo en las observaciones tangibles o constantes durante una observacin, es equivalente al nmero de
xitos dividido para el nmero de total de observaciones, por ejemplo: Pensemos que tenemos una mano de 5 barajas donde 2 de las mismas son
cartas altas y 3 son cartas bajas, la probabilidad de sacar una carta alta es 2 de 5 (40%) y la probabilidad de obtener una carta alta es 3 de 5
(60%)

Tipos de Eventos (Mutuamente excluyentes; no mutuamente excluyentes; independientes)

Los eventos pueden ser mutuamente excluyentes cuando no podran suceder al mismo tiempo, y lgicamente en un diagrama de VEN se
encuentran separados, por ejemplo: La probabilidad de encontrar un auto que sea moto, los eventos ser auto y ser moto, son mutuamente
excluyentes, porque no existe una mquina que al mismo tiempo pueda ser auto y pueda ser moto.

AUTO
AUTO
DEPORTIVO

MOTO

Ntese que no hay interseccin porque no existiran elementos que compartan las dos caractersticas.
Los eventos no mutuamente excluyentes son aquellos que pueden suceder al mismo tiempo, regularmente cruzan variables de diferente
caracterizacin, por ejemplo: Que un automvil pase frente a nosotros y sea Verde o Deportivo, en este caso existen autos verdes que no
son deportivos, autos deportivos que no son verdes, y tambin existen autos deportivos que si son verdes, por lo tanto el diagrama se
dibuja con alguna intereseccin.
AUTO
VERDE

Reglas de Probabilidad
Las reglas de probabilidad son parmetros que deben ser aplicados siempre que se note casos especficos de eventos mutuamente excluyentes o
no mutuamente excluyentes, al igual forma que eventos dependientes e independientes.

Reglas de Adicin
Las reglas de adicin se deben usar cuando se desea comprobar la probabilidad de que dos eventos sucendan en tiempos diferentes, es
decir el uno o el otro pero no los dos al mismo tiempo.
La Regla General dice que si se desea calcular que puedan suceder dos eventos que son mutuamente excluyentes, se deben sumar las
probabilidades.

La Regla Especial dice que si se desea calcular que puedan suceder dos eventos que son NO mutuamente excluyentes, se deben sumar las
probabilidades y restar la multiplicacin de las mismas, es decir restar la interseccin.

Reglas de Multiplicacin
Las reglas de multiplicacin se deben usar cuando se desea comprobar la probabilidad de que dos eventos sucedan al mismo tiempo.
La Regla General se debe utilizar para eventos independientes, es decir que la ocurrencia del uno afecta en nada a la ocurrencia del otro.
P(A y B) = P(A) * P(B)

La Regla Especial, se utiliza para eventos dependientes donde la ocurrencia de un evento afecta a que el otro pueda o no suceder.
P(A/B)= P(A)*P(B/A) se lee como al probabilidad de A dado que B sucedi.
Ejercicio de Probabilidad:
1. Una urna tiene ocho bolas rojas, 5 amarilla y siete verdes. Si se extrae una bola al azar calcular la probabilidad de:
a. Sea roja.
b. Sea verde.
c. Sea amarilla.
d. No sea roja.
e. No sea amarilla.
2. Se extrae una bola de una urna que contiene 4 bolas rojas, 5 blancas y 6 negras, cul es la probabilidad de que la bola sea roja o blanca?
Cul es la probabilidad de que no sea blanca?
3. En una clase hay 10 alumnas rubias, 20 morenas, cinco alumnos rubios y 10 morenos. Un da asisten 45 alumnos, encontrar la
probabilidad de que un alumno:
a. Sea hombre.
b. Sea mujer morena.
c. Sea hombre o mujer.
4. Un dado est trucado, de forma que las probabilidades de obtener las distintas caras son proporcionales a los nmeros de estas. Hallar:
a. La probabilidad de obtener el 6 en un lanzamiento.
b. La probabilidad de conseguir un nmero impar en un lanzamiento.
c. Se lanzan dos dados al aire y se anota la suma de los puntos obtenidos. Se pide:
d. La probabilidad de que salga el 7.
e. La probabilidad de que el nmero obtenido sea par.
f. La probabilidad de que el nmero obtenido sea mltiplo de tres.
5. Se lanzan tres dados. Encontrar la probabilidad de que:
a. alga 6 en todos.
b. Los puntos obtenidos sumen 7.
6. Hallar la probabilidad de que al levantar unas fichas de domin se obtenga un nmero de puntos mayor que 9 o que sea mltiplo de 4.
7. Busca
a.
b.
c.

la probabilidad de que al echar un dado al aire, salga:

Un nmero par.
Un mltiplo de tres.
Mayor que cuatro.

8. Hallar la probabilidad de que al lanzar al aire dos monedas, salgan:

a. Dos caras.

b. Dos cruces.
c. Una cara y una cruz.
9. En un sobre hay 20 papeletas, ocho llevan dibujado un coche las restantes son blancas. Hallar la probabilidad de extraer al menos una
papeleta con el dibujo de un coche:
a. Si se saca una papeleta.
b. Si se extraen dos papeletas.
c. Si se extraen tres papeletas.

SEGUNDO DE BACHILLERATO
QUIMESTRE I
BLOQUE 1

BLOQUE 2

BLOQUE 3

QUIMESTRE II
BLOQUE 4

BLOQUE 5

BLOQUE 6

Distribucin Normal
Funcin Campana de
Gauss

Aproximacin
Normal
Binomial

reas bajo la curva

Mtodos
Muestreo

El Emprendedor

Cree una idea de

negocio

Qu
es
emprendedor?

un

Quin es emprender?

Teorema
del
lmite central

Intervalos
de
Confianza
Para
medias
poblacionales

Intervalos
de
Confianza
Para proporciones
poblacionales

de

Descubra
vocacin

su

Desarrollo de
banco de ideas

un

Estudio de las
oportunidades
para las ideas de
negocio

Clientes
Demanda

Costos

Inversin

Directos

Gastos
operativos

Indirectos
Precios

Bloque 1
Distribucin Normal

pre-

Plan de costos y
ventas
Utilidades

Fuentes
financiamiento

Flujo de caja

Competencia

Personal humano
Recursos
materiales
Recursos tcnicos

Materiales

Plan financiero

Gastos operativos

Estudio de los
requerimientos
para la empresa
seleccionada

Logros que se desea

alcanzar en el estudiante

del
de

Tamao adecuado
de la muestra

Mercado

Anlisis subjetivo de
las
oportunidades
de las ideas

Aplicacin
Factor
Correccin
poblacional

Conocer todas las propiedades del distribucin normal

Encontrar reas bajo la curva de distribucin normal para resolver problemas
EMPRENDIMIENTO
Conocer si tienen un perfil emprendedor
Ubicar sus mayores fortalezas como potenciales emprendedores
Reconocer las oportunidades del entorno en el que desean emprender
Proyector- Ordenador

de

Forma legal de la
empresa

La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich
Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se la conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos
parmetros, su media y su desviacin estndar.

Propiedades de la distribucin normal:

La distribucin normal posee ciertas propiedades importantes que conviene destacar:

Tiene una nica moda, que coincide con su media y su mediana.

La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
bajo la curva es, por tanto, igual a 1.

Es simtrica con respecto a su media . Segn esto, para este tipo de variables existe una probabilidad de un 50% de observar un
dato mayor que la media, y un 50% de observar un dato menor.
La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es igual a una desviacin tpica ( ). Cuanto
mayor sea , ms aplanada ser la curva de la densidad.
La forma de la campana de Gauss depende de los parmetros
y
(Figura 3). La media indica la posicin de la campana, de

es tericamente posible. El rea total

modo que para diferentes valores de

la grfica es desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar
determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se dispersarn los datos en torno a la
media y la curva ser ms plana. Un valor pequeo de este parmetro indica, por tanto, una gran probabilidad de obtener datos
cercanos al valor medio de la distribucin.

Es importante conocer que, a partir de cualquier variable X que siga una distribucin
Z con una distribucin normal estndar, sin ms que efectuar la transformacin:

, se puede obtener otra caracterstica

reas Bajo la Curva Normal

A travs de mtodos de integracin se pude encontrar el rea bajo la curva normal, sin embargo estos ya estn plasmados en la tabla Z,
donde una vez estandarizados los valores se debe encontrar el entero y el primero decimal en la columna y el segundo decimal en las
filas, y el valor que coincida entre los dos es el rea bajo la curva, desde la media hasta el valor estandarizado.

TABLA DE REAS Z
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0

0
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981
0,4987

0,01
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982
0,4987

0,02
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4066
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4982
0,4987

0,03
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3238
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983
0,4988

0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984
0,4988

0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984
0,4989

0,06
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985
0,4989

0,07
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985
0,4989

0,08
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986
0,4990

0,09
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986
0,4990

Ejemplo:
Se sabe que los pesos de un grupo de estudiantes se distribuyen normalmente, con una media de 70Kg, y desviacin estndar de 4.8Kg.
Si se selecciona uno al azar cual es la probabilidad de que este:
a) Se de peso mayor que 75Kg
b) Pese entre 62 y 73Kg
c) Pese menos de 60Kg

Z
rea
Z=1,04
Cola
superior

1,04
0,3508
0,1492

x=62

x=73

-1,67

rea Z=1,04

0,4525

rea Total

0,6882

Z
rea
Z=1,04

0,63
0,2357

x=60
Z

-2,08

rea Z=1,04

0,4812

Cola inferior

0,0188

Ejercicios:
1. En una distribucin normal de media 4 y desviacin tpica 2, calcular el valor de a para que: P(X 0.5934)
2. En una ciudad se estima que la temperatura mxima en el mes de junio sigue una distribucin normal, con media 23 y desviacin
tpica 5. Calcular el nmero de das del mes en los que se espera alcanzar mximas entre 21 y 27.
3. La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviacin tpica 3 kg. Suponiendo que los pesos se
distribuyen normalmente, hallar cuntos estudiantes pesan:
a.
b.
c.
d.

Entre 60 kg y 75 kg.
Ms de 90 kg.
Menos de 64 kg.
55.64 kg o menos.

4. Se supone que los resultados de un examen siguen una distribucin normal con media 78 y desviacin tpica 36. Se pide:
a. Cul es la probabilidad de que una persona que se presenta el examen obtenga una calificacin superior a 72?
b. Si se sabe que la calificacin de un estudiante es mayor que 72 cul es la probabilidad de que su calificacin sea, de
hecho, superior a 84?
5. Tras un test de cultura general se observa que las puntuaciones obtenidas siguen una distribucin una distribucin N(65, 18). Se
desea clasificar a los examinados en tres grupos (de baja cultura general, de cultura general aceptable, de excelente cultura
general) de modo que hay en el primero un 20% la poblacin, un 65% el segundo y un 15% en el tercero. Cules han de ser las
puntuaciones que marcan el paso de un grupo al otro?
6. Varios test de inteligencia dieron una puntuacin que sigue una ley normal con media 100 y desviacin tpica 15.
a. Determinar el porcentaje de poblacin que obtendra un coeficiente entre 95 y 110.
b. Qu intervalo centrado en 100 contiene al 50% de la poblacin?
c. En una poblacin de 2500 individuos cuntos individuos se esperan que tengan un coeficiente superior a 125?

DESARROLLO DE EMPRENDEDORES
Qu es un emprendedor?
Es un individuo que es capaz de acometer un proyecto rechazado por la mayora. Sabe interpretar las caractersticas reales del entorno a
pesar de que no son aparentes. Es capaz de luchar ante cualquier inconveniente que se les atraviesa a su estrategia y no le teme al
fracaso. Adems, es capaz de crear un grupo con motivacin suficiente que le da el apoyo que necesita.
"Un emprendedor es alguien que "acomete" un proyecto que implica trabajo o presenta dificultades; toda persona que tenga iniciativa y
decisin
de
llevar
adelante
un
proyecto
empresarial
" El emprendedor empresarial adems de haber llevado adelante el proyecto, este debe reportarles un beneficio comercial. Los proyectos
militares, cientficos o educativos reportan beneficios pero no econmicos sino sociales. La naturaleza del proyecto empresarial est
enraizada en el mercado. Debe satisfacer una necesidad expresada por el mercado.
"El emprendedor modelo tiene una gran necesidad de realizacin personal. Es una persona con ilusiones, llena de energa y de
creatividad, tiene confianza en s mismo, se compromete entera y totalmente. Ama los riesgos moderados y quiere ser independiente y
autnomo. Estas caractersticas se encuentran en diferentes grados en cualquier emprendedor. No es que todos los individuos los posean,
sin embargo en nuestra sociedad, existe un buen nmero de personas que pueden convertirse en emprendedores, en una proporcin
semejante a la que tienen otras ciudades, esto es, alrededor del 10% de la poblacin. Si el nmero de empresas correspondiera al de las
personas que tienen las caractersticas bsicas de los emprendedores, habra al menos un 50% ms de empresas de las que hay ahora"
La funcin especfica de los emprendedores es la capacidad para tomar los factores de la produccin -tierra, trabajo y capital- y usarlos
para producir bienes o servicios nuevos. El emprendedor percibe oportunidades que otros ejecutivos de empresas no ven o no les
interesan.
Algunos emprendedores usan informacin, al alcance de todos, para producir algo nuevo.
"Bsicamente, el emprendedor detecta una necesidad y, despus, rene la mano de obra, los materiales y el capital que se necesita para
satisfacer esa necesidad." En esencia, un emprendedor crea una organizacin como medio para ofrecer algo nuevo a los clientes,
empleados u otros grupos de inters.
Caractersticas de un Emprendedor

Bsqueda de oportunidades e iniciativa

o Qu oportunidades se desarrollaran en su barrio o con grupos de amigos?

Persistencia
o Por qu creen que es importante persistir?

Cumplimiento
o Es necesario cuantificar las metas?

Exigir eficiencia y calidad

o Al hacer algo es importante la calidad de esto?

Correr riesgos calculados

Por qu debemos calcular los riesgos? Cmo podemos hacerlo?

Fijar metas
o Cmo se pueden plantear metas? Siempre deben ser las mismas?

Bsqueda de informacin
o Por qu es importante informacin de primera mano?

Planificacin sistemtica y seguimiento

o Qu rol cumple la planificacin en el emprendimiento?

Persuasin y redes de apoyo

o Para qu asociarse? Es bueno?

Autoconfianza e independencia
o Si emprendo algo es posible que me vaya bien o mal inicialmente? Por qu?

Ejercicios de aplicacin:
Realizar el TEST propuesto en el link http://www.unet.edu.ve/~ilabarca/test1.htm e imprimir el resultado.
Investigue en su comunidad o regin personas que han emprendido y sus resultados.
Encueste a un emprendedor y pregntele:
Qu fue lo ms complejo al inicio del emprendimiento?
Cmo venci el temor al emprender?
Volvera a emprender en otro campo?
Cul fue su mejor y su peor decisin al momento de emprender?
Investigue en la revista Lderes un emprendimiento y realice un comentario de esto (cada lunes se publica la revista, esta es una tarea
continua)
Visite el Link http://www.100ideasparaemprender.com/home/ y escoja un tipo de emprendimiento y comntelo (exposicin en clase.)

BLOQUE 2
Aproximacin Normal a Binomial.
Una distribucin binomial B(n,p) se puede aproximar por una distribucin normal, siempre que n sea grande y p no est muy prxima a 0 o
a 1. La aproximacin consiste en utilizar una distribucin normal con la misma media y desviacin tpica que la distribucin binomial.
Condiciones de uso de la aproximacin

Modelo

Supngase una distribucin de probabilidad binomial, con n = 40 y u = 0.55. Calcule lo siguiente:

a.

La media y la desviacin estndar de la variable aleatoria.

b. La probabilidad de que x sea igual o superior a 25.

c.

La probabilidad de que x sea igual o inferior a 15.

d. La probabilidad de que x este entre 15 y 25 , inclusive

Un estudio realizado por el club de acondicionamiento fsico Taurus Health club, revelo que 30% de sus socios nuevos
tienen sobrepeso considerable. Una promocin para membrecas en la zona metropolitana dio como resultado la
descripcin de 500 socios nuevo.

a) Se ha planteado utilizar la aproximacin normal a la binomial para determinar la probabilidad de que 175 o ms de los miembros
nuevos tengan sobrepeso considerable.
Se puede calificar este problema como binomial?
Explique su respuesta.
S, porque existen dos resultados posibles el uno que tienen sobrepeso y el otro que no tienen sobrepeso.
- El nmero de xitos es el resultado de socios con sobrepeso.
- Los ensayos son independientes.
- Su probabilidad va a ser igual en los ensayos que es 0,3

b) Cul es la probabilidad de que 175 o ms de los sociosnuevos tengan sobrepeso?

c) Cul es la probabilidad de que 140 o ms de los socios recientes tengan sobrepeso?

La empresa de asuntos fiscales Theresa Tax Service se especializa en la elaboracin de declaraciones de impuestos de
clientes profesionales (mdicos, dentistas, contadores, abogados). Una auditoria reciente de las declaraciones indic que
5% de las declaraciones del ao anterior preparadas por la empresa tenan algn error. Suponiendo que la tasa contine en
este ao, y la empresa elabor 60 declaraciones, cul es la probabilidad de que cometa algn error en:
a. Ms de 6 declaraciones?

b. Al menos 6 declaraciones?

c. Exactamente 6 declaraciones?

Mtodos de Muestreo.
Llamamos muestreo al efecto de tomar una muestra, debido a que es imposible estudiar poblaciones completas, y para realizarlo se debe tomar
en cuenta la naturaleza de las pruebas y el tamao de la poblacin, se puede realizar en los siguientes modelos: Aleatorio Simple, Sistemtico,
Estratificado y por Conglomerados.

Muestreo aleatorio simple

Una muestra aleatoria simple es seleccionada de tal manera que cada muestra posible del mismo tamao tiene igual probabilidad de ser
seleccionada de la poblacin. Para obtener una muestra aleatoria simple, cada elemento en la poblacin tiene la misma probabilidad de
ser seleccionado, el plan de muestreo puede no conducir a una muestra aleatoria simple. Por conveniencia, este mtodo pude ser
reemplazado por una tabla de nmeros aleatorios. Cuando una poblacin es infinita, es obvio que la tarea de numerar cada elemento de la
poblacin es infinita, es obvio que la tarea de numerar cada elemento de la poblacin es imposible. Por lo tanto, ciertas modificaciones del
muestreo aleatorio simple son necesarias. Los tipos ms comunes de muestreo aleatorio modificado son sistemticos, estratificados y de
conglomerados.
Muestreo sistemtico.
Una muestra sistemtica es obtenida cuando los elementos son seleccionados en una manera ordenada. La manera de la seleccin
depende del nmero de elementos incluidos en la poblacin y el tamao de la muestra. El nmero de elementos en la poblacin es,
primero, dividido por el nmero deseado en la muestra. El cociente indicar si cada dcimo, cada onceavo, o cada centsimo elemento en
la poblacin van a ser seleccionado.
El primer elemento de la muestra es seleccionado al azar. Por lo tanto, una muestra sistemtica puede dar la misma precisin de
estimacin acerca de la poblacin, que una muestra aleatoria simple cuando los elementos en la poblacin estn ordenados al azar.

Muestreo Estratificado
Para obtener una muestra aleatoria estratificada, primero se divide la poblacin en grupos, llamados estratos, que son ms homogneos
que la poblacin como un todo. Los elementos de la muestra son entonces seleccionados al azar o por un mtodo sistemtico de cada
estrato. Las estimaciones de la poblacin, basadas en la muestra estratificada, usualmente tienen mayor precisin (o menor error
muestral) que si la poblacin entera muestreada mediante muestreo aleatorio simple. El nmero de elementos seleccionado de cada
estrato puede ser proporcional o desproporcional al tamao del estrato en relacin con la poblacin.
Muestreo de conglomerados.
Para obtener una muestra de conglomerados, primero dividir la poblacin en grupos que son convenientes para el muestreo. En seguida,
seleccionar una porcin de los grupos al azar o por un mtodo sistemtico. Finalmente, tomar todos los elementos o parte de ellos al azar
o por un mtodo sistemtico de los grupos seleccionados para obtener una muestra. Bajo este mtodo, aunque no todos los grupos son
muestreados, cada grupo tiene una igual probabilidad de ser seleccionado. Por lo tanto la muestra es aleatoria.
Una muestra de conglomerados, usualmente produce un mayor error muestral (por lo tanto, da menor precisin de las estimaciones
acerca de la poblacin) que una muestra aleatoria simple del mismo tamao. Los elementos individuales dentro de cada "conglomerado"
tienden usualmente a ser iguales. Por ejemplo la gente rica puede vivir en el mismo barrio, mientras que la gente pobre puede vivir en
otra rea. No todas las reas son muestreadas en un muestreo de reas. La variacin entre los elementos obtenidos de las reas
seleccionadas es, por lo tanto, frecuentemente mayor que la obtenida si la poblacin entera es muestreada mediante muestreo aleatorio
simple. Esta debilidad puede reducida cuando se incrementa el tamao de la muestra de rea.
El incremento del tamao de la muestra puede fcilmente ser hecho en muestra de rea. Los entrevistadores no tienen que caminar
demasiado lejos en una pequea rea para entrevistar ms familias. Por lo tanto, una muestra grande de rea puede ser obtenida dentro
de un corto perodo de tiempo y a bajo costo.
Por otra parte, una muestra de conglomerados puede producir la misma precisin en la estimacin que una muestra aleatoria simple, si la
variacin de los elementos individuales dentro de cada conglomerado es tan grande como la de la poblacin.

Ejercicios

Estructure 5 ejemplos de cada tipo de muestreo

Aplique cada uno de los muestreos a la prueba: Conocer la talla de calzado promedio de los alumnos del colegio Lev Vygotsky

TERCERO DE BACHILLERATO
QUIMESTRE I
BLOQUE 1

BLOQUE 2

BLOQUE 3

QUIMESTRE II
BLOQUE 4

BLOQUE 5

BLOQUE 6

Pruebas de Hiptesis
(Unilateral y bilateral)

Anlisis
Varianza

Para
poblacionales

ANOVA a una va

medias

Para
proporciones
poblacionales

de

la

ANOVA a dos vas

Comparaciones por
pares

Regresin simple
y correlacin
Pruebas
hiptesis

de

Intervalos
confianza

de

Coeficiente
determinacin

de

Regresin
mltiple
correlacin

Modelo
de
Regresin Mltiple
Multicolinealidad
Variables dummy

Anlisis de
de tiempo
Datos de
Tiempo

Series

Series

Tcnicas
suavizamiento

de
de

PROYECTO
APLICACIN
DE
CONOCIMIEN
TOS
DE
OCTAVO
A
TERCERO DE
BACHILLERA
TO

Modelos
Curvilneos

Logros que se desea

alcanzar en el estudiante

Materiales

Entender el uso y beneficios de las pruebas de hiptesis

Desarrollar ordenada y estructuradamente los pasos para realizar una prueba de hiptesis.
Comprender el procedimiento para una prueba de hiptesis para medias y proporciones poblacionales
Reconocer los errores tipo de las pruebas de hiptesis
Proyector- Ordenador

BLOQUE 1
Pruebas de Hiptesis
Las pruebas de hiptesis en Estadstica son la base fundamental de la inferencia, es decir el criterio ms claro para comprobar si un
comportamiento muestral se aproxima a uno poblacional.

Dentro de la prueba de hiptesis existe la capacidad de comprobar si una teora es cierta o si no lo es, es decir si se acepta o rechaza,
todo esto asumiendo distribuciones normales o aproximaciones a normalidad, para ellos se deber utilizar los estadsticos Z y T de
Student.
PASOS PARA APLICAR UNA PRUEBA DE HIPTESIS
Paso 1: Plantear la hiptesis nula Ho y la hiptesis alternativa H1.
Cualquier investigacin estadstica implica la existencia de hiptesis o afirmaciones acerca de las poblaciones que se estudian.
La hiptesis nula (Ho) se refiere siempre a un valor especificado del parmetro de poblacin, no a una estadstica de muestra. La letra H
significa hiptesis y el subndice cero no hay diferencia. Por lo general hay un "no" en la hiptesis nula que indica que "no hay cambio"
Podemos rechazar o aceptar Ho.
La hiptesis nula es una afirmacin que no se rechaza a menos que los datos muestrales proporcionen evidencia convincente de que es
falsa. El planteamiento de la hiptesis nula siempre contiene un signo de igualdad con respecto al valor especificado del parmetro.
La hiptesis alternativa (H1) es cualquier hiptesis que difiera de la hiptesis nula. Es una afirmacin que se acepta si los datos muestrales
proporcionan evidencia suficiente de que la hiptesis nula es falsa. Se le conoce tambin como la hiptesis de investigacin. El
planteamiento de la hiptesis alternativa nunca contiene un signo de igualdad con respecto al valor especificado del parmetro.
Paso 2: Seleccionar el nivel de significancia.
Nivel de significancia es la probabilidad de rechazar la hiptesis nula cuando es verdadera. Se le denota mediante la letra griega ,
tambin es denominada como nivel de riesgo, este trmino es ms adecuado ya que se corre el riesgo de rechazar la hiptesis nula,
cuando en realidad es verdadera. Este nivel esta bajo el control de la persona que realiza la prueba.
Si suponemos que la hiptesis planteada es verdadera, entonces, el nivel de significacin indicar la probabilidad de no aceptarla, es
decir, estn fuera de rea de aceptacin. El nivel de confianza (1-), indica la probabilidad de aceptar la hiptesis planteada, cuando es
verdadera en la poblacin.
La distribucin de muestreo de la estadstica de prueba se divide en dos regiones, una regin de rechazo (conocida como regin crtica) y
una regin de no rechazo (aceptacin). Si la estadstica de prueba cae dentro de la regin de aceptacin, no se puede rechazar la
hiptesis nula.
La regin de rechazo puede considerarse como el conjunto de valores de la estadstica de prueba que no tienen posibilidad de presentarse
si la hiptesis nula es verdadera. Por otro lado, estos valores no son tan improbables de presentarse si la hiptesis nula es falsa. El valor
crtico separa la regin de no rechazo de la de rechazo.

Tipos de errores

Cualquiera sea la decisin tomada a partir de una prueba de hiptesis, ya sea de aceptacin de la Ho o de la Ha, puede incurrirse en error:
Un error tipo I se presenta si la hiptesis nula Ho es rechazada cuando es verdadera y deba ser aceptada. La probabilidad
de cometer un error tipo I se denomina con la letra alfa
Un error tipo II, se denota con la letra griega se presenta si la hiptesis nula es aceptada cuando de hecho es falsa y
deba ser rechazada.
En cualquiera de los dos casos se comete un error al tomar una decisin equivocada.
Para que cualquier ensayo de hiptesis sea bueno, debe disearse de forma que minimice los errores de decisin. En la prctica un tipo de
error puede tener ms importancia que el otro, y as se tiene a conseguir poner una limitacin al error de mayor importancia. La nica
forma de reducir ambos tipos de errores es incrementar el tamao de la muestra, lo cual puede ser o no ser posible.
La probabilidad de cometer un error de tipo II denotada con la letra griega beta , depende de la diferencia entre los valores supuesto y
real del parmetro de la poblacin. Como es ms fcil encontrar diferencias grandes, si la diferencia entre la estadstica de muestra y el
correspondiente parmetro de poblacin es grande, la probabilidad de cometer un error de tipo II, probablemente sea pequea.
El estudio y las conclusiones que obtengamos para una poblacin cualquiera, se habrn apoyado exclusivamente en el anlisis de una
parte de sta. De la probabilidad con la que estemos dispuestos a asumir estos errores, depender, por ejemplo, el tamao de la muestra
requerida. Las contrastaciones se apoyan en que los datos de partida siguen una distribucin normal
Existe una relacin inversa entre la magnitud de los errores y : conforme a aumenta, disminuye. Esto obliga a establecer con cuidado
el valor de a para las pruebas estadsticas. Lo ideal sera establecer y .En la prctica se establece el nivel y para disminuir el Error
se incrementa el nmero de observaciones en la muestra, pues as se acortan los limites de confianza respecto a la hiptesis planteada
.La meta de las pruebas estadsticas es rechazar la hiptesis planteada. En otras palabras, es deseable aumentar cuando sta es
verdadera, o sea, incrementar lo que se llama poder de la prueba (1- ). La aceptacin de la hiptesis planteada debe interpretarse como
que la informacin aleatoria de la muestra disponible no permite detectar la falsedad de esta hiptesis.
Paso 3: Clculo del valor estadstico de prueba
Valor determinado a partir de la informacin muestral, que se utiliza para determinar si se rechaza la hiptesis nula., existen muchos
estadsticos de prueba para nuestro caso utilizaremos los estadsticos z y t. La eleccin de uno de estos depende de la cantidad de
muestras que se toman, si las muestras son de la prueba son iguales a 30 o ms se utiliza el estadstico z, en caso contrario se utiliza el
estadstico t.

Tipos de prueba
a) Prueba bilateral o de dos extremos: la hiptesis planteada se formula con la igualdad
Ejemplo
H0 : = 200
H1 : 200

b) Pruebas unilateral o de un extremo: la hiptesis planteada se formula con o

H0 : 200 H0 : 200
H1 : < 200 H1 : > 200

En las pruebas de hiptesis para la media (), cuando se conoce la desviacin estndar () poblacional, o cuando el valor de la muestra es
grande (30 o ms), el valor estadstico de prueba es z y se determina a partir de:

El valor estadstico z, para muestra grande y desviacin estndar poblacional desconocida se determina por la ecuacin:

En la prueba para una media poblacional con muestra pequea y desviacin estndar poblacional desconocida se utiliza el valor
estadstico t.

Paso 4: Formular la regla de decisin

Se establece las condiciones especficas en la que se rechaza la hiptesis nula y las condiciones en que no se rechaza la hiptesis nula. La
regin de rechazo define la ubicacin de todos los valores que son tan grandes o tan pequeos, que la probabilidad de que se presenten
bajo la suposicin de que la hiptesis nula es verdadera, es muy remota

Valor critico: Es el punto de divisin entre la regin en la que se rechaza la hiptesis nula y la regin en la que no se rechaza la hiptesis
nula.
Paso 5: Tomar una decisin.
En este ltimo paso de la prueba de hiptesis, se calcula el estadstico de prueba, se compara con el valor crtico y se toma la decisin de
rechazar o no la hiptesis nula. Tenga presente que en una prueba de hiptesis solo se puede tomar una de dos decisiones: aceptar o
rechazar la hiptesis nula. Debe subrayarse que siempre existe la posibilidad de rechazar la hiptesis nula cuando no debera haberse

rechazado (error tipo I). Tambin existe la posibilidad de que la hiptesis nula se acepte cuando debera haberse rechazado (error de tipo
II).
Pruebas de Hiptesis para Proporciones

Cuando el objetivo del muestreo es evaluar la validez de una afirmacin con respecto a la proporcin de una poblacin, es adecuado
utilizar una prueba de una muestra. La metodologa de prueba depende de si el nmero de observaciones de la muestra es grande o
pequeo.
Como se habr observado anteriormente, las pruebas de grandes muestras de medias y proporciones son bastante semejantes. De este
modo, los valores estadsticos de prueba miden la desviacin de un valor estadstico de muestra a partir de un valor propuesto. Y ambas
pruebas se basan en la distribucin normal estndar para valores crticos. Quiz la nica diferencia real entre las ambas radica en la forma
corno se obtiene la desviacin estndar de la distribucin de muestreo.
Esta prueba comprende el clculo del valor estadstico de prueba Z

Posteriormente este valor es comparado con el valor de Z, obtenido a partir de una tabla normal a un nivel de significacin seleccionado.
Como ocurri con la prueba de medias de una muestra, las pruebas de proporciones pueden ser de una o dos colas.

BLOQUE 2
Anlisis de la Varianza

El anlisis de la varianza parte de los conceptos de regresin lineal.

El primer concepto fundamental es que todo valor observado puede expresarse mediante la siguiente funcin:

Donde Y sera el valor observado (variable dependiente), y X el valor que toma la variable independiente.
Sera una constante que en la recta de regresin equivale a la ordenada en el origen,
pendiente de la recta, y

es otra constante que equivale a la

es una variable aleatoria que aade a la funcin cierto error que desva la puntuacin observada de la

puntuacin pronosticada.
Por tanto, a la funcin de pronstico la podemos llamar "Y prima":

Podemos resumir que las puntuaciones observadas equivalen a las puntuaciones esperadas, ms el error aleatorio:
(1.1)
Sabiendo este concepto, podemos operar con esta ecuacin de la siguiente forma:
1) Restamos a ambos lados de la ecuacin (para mantener la igualdad) la media de la variable dependiente:

2) Substituimos el error por la ecuacin resultante de despejar la ecuacin 1.1:

Por tanto...

Y reorganizando la ecuacin:

Ahora hay que tener en cuenta que la media de las puntuaciones observadas es exactamente igual que la media de las puntuaciones
pronosticadas:

Por tanto:

Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las elevamos al cuadrado para que posteriormente, al hacer el
sumatorio, no se anulen:

Y desarrollamos el cuadrado:

Podemos ver que tenemos los numeradores de las varianzas, pero al no estar divididas por el nmero de casos (n), las llamamos Sumas
de Cuadrados., excepto en el ltimo trmino, que es una Suma Cruzada de Cuadrados (el numerador de la covarianza), y la covarianza en
este caso es cero (por las propiedades de la regresin lineal, la covarianza entre el error y la variable independiente es cero).
Por tanto:

O lo mismo que:

De un factor, que es el caso ms sencillo, la idea bsica del anlisis de la varianza es comparar la variacin total de un conjunto de
muestras y descomponerla como:

Dnde:
es un nmero real relacionado con la varianza, que mide la variacin debida al "factor", "tratamiento" o tipo de situacin
estudiado.
es un nmero real relacionado con la varianza, que mide la variacin dentro de cada "factor", "tratamiento" o tipo de situacin.
En el caso de que la diferencia debida al factor o tratamiento no sean estadsticamente significativa puede probarse que las varianzas
muestrales son iguales:

Donde:
es el nmero de situaciones diferentes o valores del factor se estn comparando.
es el nmero de mediciones en cada situacin se hacen o nmero de valores disponibles para cada valor del factor.
As lo que un simple test a partir de la F de Snedecor puede decidir si el factor o tratamiento es estadsticamente significativo.

Existen tres clases de modelos.

El Modelo de efectos fijos asume que los datos provienen de poblaciones normales las cuales podran diferir nicamente en sus medias.
El Modelo de efectos aleatorios asume que los datos describen una jerarqua de diferentes poblaciones cuyas diferencias quedan
restringidas por la jerarqua. Ejemplo: El experimentador ha aprendido y ha considerado en el experimento slo tres de muchos ms
mtodos posibles, el mtodo de enseanza es un factor aleatorio en el experimento.
El Modelo de efectos mixtos describe situaciones que ste puede tomar. Ejemplo: Si el mtodo de enseanza es analizado como un
factor que puede influir donde estn presentes ambos tipos de factores: fijos y aleatorios.
Supuestos previos
El ANOVA parte de algunos supuestos que han de cumplirse:

La variable dependiente debe medirse al menos a nivel de intervalo.

Independencia de las observaciones.
La distribucin de los residuales debe ser normal.
Homocedasticidad: homogeneidad de las varianzas.

La tcnica fundamental consiste en la separacin de la suma de cuadrados (SS, 'sum of squares') en componentes relativos a los factores
contemplados en el modelo. Como ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en diferentes
niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede resultar apropiado un anlisis de regresin lineal)

El nmero de grados de libertad (gl) puede separarse de forma similar y corresponde con la forma en que la distribucin chi-cuadrado ( o
Ji-cuadrada) describe la suma de cuadrados asociada.

Tipos de modelo
Modelo I: Efectos fijos
El modelo de efectos fijos de anlisis de la varianza se aplica a situaciones en las que el experimentador ha sometido al grupo o material
analizado a varios factores, cada uno de los cuales le afecta slo a la media, permaneciendo la "variable respuesta" con una distribucin
normal.
Este modelo se supone cuando el investigador se interesa nicamente por los niveles del factor presentes en el experimento, por lo que
cualquier variacin observada en las puntuaciones se deber al error experimental.
Modelo II: Efectos aleatorios (componentes de varianza)

Los modelos de efectos aleatorios se usan para describir situaciones en que ocurren diferencias incomparables en el material o grupo
experimental. El ejemplo ms simple es el de estimar la media desconocida de una poblacin compuesta de individuos diferentes y en el
que esas diferencias se mezclan con los errores del instrumento de medicin.
Este modelo se supone cuando el investigador est interesado en una poblacin de niveles, tericamente infinitos, del factor de estudio,
de los que nicamente una muestra al azar (t niveles) estn presentes en el experimento.
Grados de libertad
Los grados de libertad pueden descomponerse al igual que la suma de cuadrados. As, GLtotal = GLentre + GLdentro. Los GLentre se
calculan como: a - 1, donde a es el nmero de tratamientos o niveles del factor. Los GLdentro se calculan como N - a, donde N es el
nmero total de observaciones o valores de la variable medida (la variable respuesta).
Pruebas de significacin
El anlisis de varianza lleva a la realizacin de pruebas de significacin estadstica, usando la denominada distribucin F de Snedecor.
Tablas ANOVA
Una vez que se han calculado las sumas de cuadrados, las medias cuadrticas, los grados de libertad y la F, se procede a elaborar una
tabla que rena la informacin, denominada "Tabla de Anlisis de varianza o ANOVA", que adopta la siguiente forma:

Fuente de variacin

Suma de cuadrados

Grados de libertad

Intergrupo

t-1

Intragrupo o Error

N-t

Total

N-1

Cuadrado medio