Estadística para la

Gestión Universitaria
Prof. Dr. Martín Masci
Ayudante: Leonardo Dufour
AGENDA:
• Definiciones iniciales
• Probabilidad
• Variables aleatorias discretas y continuas
• Muestreo y distribuciones muestrales
• Teorema Central del Límite
Licenciatura en Gestión Universitaria
Prof. Dr. Martín E. Masci – Leonardo Dufour
1
 Definiciones iniciales
“La probabilidad no existe” Alberto Landro

Fenómeno empírico que admite dos o más resultados posibles, donde no

Experimento Aleatorio existen elementos de juicio para predecir cuál ocurrirá aunque el mismo se
repita ante iguales condiciones

Espacio Muestral Es el conjunto de todos los resultados posibles que puede presentar el
experimento

Suceso Aleatorio o Evento Cualquier subconjunto del espacio muestral, correspondiente a un experimento

Probabilidad Representa la chance de que un evento incierto ocurra (valor entre 0 y 1)

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
2
 Probabilidad *
Sean A y B dos eventos en el espacio muestral S, entonces la intersección 𝐴 ∩
𝐵, representa la conjunción de todos los resultados que pertenecen tanto a A
como a B al mismo tiempo
Intersección
de Eventos

Sean A y B dos eventos en el espacio muestral S, entonces son mutuamente

excluyentes si no existen resultados en común entre A y B
Eventos
Mutuamente
excluyentes

* Las figuras de esta presentación fueron extraídas del libro:

• Newbold, P.; Carlson, W. y Thorne, B. (2007). Statistics for Business and Economics. Pearson Education.
Licenciatura en Gestión Universitaria
Prof. Dr. Martín E. Masci – Leonardo Dufour
3
 Probabilidad (2)
Sean A y B dos eventos en el espacio muestral S, entonces la unión 𝐴 ∪ 𝐵,
representa el conjunto de todos los resultados en S que pertenecen ya sea a
A como a B
Unión de
Eventos

Si los eventos 1, 2, …, k son exhaustivos, entonces su unión forman el espacio

muestral S.
El complemento de un evento A, es el conjunto de todos los eventos del
Principios espacio muestral que no pertenecen a A
importantes

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
4
 Probabilidad (3)
Existen dos métodos de determinar la probabilidad de un evento:
𝑁
 𝑃𝐴 = 𝐴 número de resultados que satisfacen el evento sobre
𝑁
resultados totales
 Probabilidad subjetiva (a partir del analista)

Postulados

1. La probabilidad de un evento es un valor entre 0 y 1

PROBABILIDAD 2. La probabilidad de que ocurra el espacio muestral S es 1
3. Regla del complemento: 𝑃 𝐴ҧ = 1 − 𝑃 𝐴
4. Regla de adición: 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
5
 Probabilidad (4)
EJEMPLO

Tome como referencia un dado de seis caras. Sea A el evento “el número obtenido es par” y B “ el
número obtenido es al menos 4”

S = (1,2,3,4,5,6) A = (2,4,6) B = (4,5,6)

𝑨 ∩ 𝑩 = (𝟒, 𝟔)

𝑨 ∪ 𝑩 = (𝟐, 𝟒, 𝟓, 𝟔)

A y B no son mutuamente excluyentes

A y B no son colectivamente exhaustivos

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
6
 Probabilidad (5)

Probabilidad Marginal:
Es la probabilidad de que se presente un suceso aleatorio A, sin
importar de que esté acompañado de otro
Sean 𝐵1 , 𝐵2 , … , 𝐵𝑘 eventos excluyentes y exhaustivos de B, entonces
𝑃 𝐴 = 𝑃 𝐴 ∩ 𝐵1 + 𝑃 𝐴 ∩ 𝐵2 +…+𝑃 𝐴 ∩ 𝐵𝑘 = σ𝑘𝑖=1 𝑃( 𝐵𝑖 ) ∗ 𝑃(𝐴/𝐵𝑖 )

Probabilidad Conjunta:
PROBABILIDAD
Es la probabilidad de que se presente en el mismo experimento dos
sucesos A y B al mismo tiempo

Probabilidad Condicional:
Es la probabilidad de que se presente el suceso A, dado que se haya
presentado el B anteriormente:
𝑃 𝐴∩𝐵 𝑃 𝐴∩𝐵
𝑃 𝐴/𝐵 = y 𝑃 𝐵/𝐴 =
𝑃 𝐵 𝑃 𝐴

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
7
 Probabilidad (6)
EJEMPLO

De los autos en un estacionamiento, el 70% tiene aire y 40% CD. 20% tiene ambos. Cuál es la
probabilidad que un auto tenga CD, dado que tiene aire?

CD No CF Total
Aire 0,2 0,5 0,7
No aire 0,2 0,1 0,3
Total 0,4 0,6 1

𝑃 𝐶𝐷 ∩ 𝐴𝑖𝑟𝑒 0,2
𝑃 𝐶𝐷/𝐴𝑖𝑟𝑒 = = = 0,2857
𝑃 𝐴𝑖𝑟𝑒 0,7

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
8
 Probabilidad (7)
Independencia Estadística

Dos Eventos son estadísticamente independientes cuando la

probabilidad de un evento no es afectada por el otro evento. Esto
es, si y sólo si 𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 ∗ 𝑃(𝐵)

Si A y B son independientes, entonces:

𝑃 𝐴/𝐵 = 𝑃 𝐴 𝑠𝑖 𝑃 𝐵 > 0
PROBABILIDAD 𝑃 𝐵/𝐴 = 𝑃 𝐵 𝑠𝑖 𝑃 𝐴 > 0

EJEMPLO (CONTINUACIÓN)

𝑃 𝐶𝐷 ∩ 𝐴𝑖𝑟𝑒 = 0,2 y P CD ∗ P Aire = 0,7 ∗ 0,4 = 0,28

Entonces los eventos no son estadísticamente independientes

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
9
 Probabilidad (8)
Teorema de Bayes

Sean 𝐸𝑖 sucesos mutuamente excluyentes que forman un espacio

exhaustivo, y A un suceso aleatorio, entonces la probabilidad
condicional:
𝑃 𝐴/𝐸𝑖 ∗ 𝑃 𝐸𝑖 𝑃 𝐴/𝐸𝑖 ∗ 𝑃 𝐸𝑖
𝑃 𝐸𝑖 /𝐴 = = 𝑘
𝑃 𝐴 σℎ=1 𝑃 𝐴/𝐸ℎ ∗ 𝑃 𝐸ℎ

PROBABILIDAD

Sucesos probabilísticamente independientes

Si dos o más sucesos son independientes, entonces la presencia de

cada uno no modifica el valor de la probabilidad de otras 𝑃 𝑆1 /𝑆2 =
𝑃(𝑆1)

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
10
 Probabilidad (9)
EJEMPLO

Una compañía estima un 40% de chance de encontrar petróleo en un nuevo pozo. Un testeo completo
fue programado para dar más información. Históricamente, 60% de los pozos exitosos tuvieron testeos
completos, y 20% de los no exitosos tuvieron testeos completos.
Dado que se ha programado un testeo, cuál es la probabilidad de que resulte exitoso?

Sea S: exitoso y U: no exitoso, entonces P(S)=0,4 y P(U)=0,6

Sea D: evento con testeo completo, entonces P(D/S)=0,6 y P(D/U)=0,2

𝑃 𝐷/𝑆 ∗𝑃 𝑆 0,6∗0,4
El objetivo es encontrar 𝑃 𝑆/𝐷 = = = 0,667
𝑃 𝐷/𝑆 ∗𝑃 𝑆 +𝑃 𝐷/𝑈 ∗𝑃 𝑈 0,6∗0,4+0,2∗0,6

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
11
 Variables aleatorias discretas y continuas
Es una función que da a cada elemento del espacio
Variable
muestral un valor numérico perteneciente al conjunto de
aleatoria posibles resultados

Variable Son aquellas variables aleatorias cuyo recorrido es

aleatoria finito o infinito numerable
discreta

Variable Son aquellas variables aleatorias cuyo recorrido es

aleatoria infinito no numerable
continua

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
12
 Variables aleatorias discretas y continuas (2)
VARIABLES ALEATORIAS DISCRETAS
Función de Probabilidad Puntual
Asigna a cada valor del recorrido de dicha variable, un número real no negativo (“probabilidad
puntual”), tal que la suma de todos estos valores debe ser uno.

Condiciones:
1) Condición no negatividad: 𝑃 𝑥𝑖 ≥ 0
2) Condición de cierre: σ∞
𝑖=1 𝑃 𝑥𝑖 = 1

Distribución de Probabilidad puntual o discreta

Es el conjunto de puntos ordenados (𝑥𝑖 ; 𝑃 𝑥𝑖 ), que forma gráfico de frecuencias o histograma.

Función de distribución o probabilidad acumulada

Muestra la probabilidad que X sea menor que un valor dado: 𝐹 𝑥𝑘 = 𝑃 𝑋 ≤ 𝑥𝑘 = σ𝑥≤𝑥𝑘 𝑃 𝑥

Momentos
Valor Esperado: 𝜇 = 𝐸 𝑥 = σ𝑥 𝑥 ∗ 𝑃(𝑥)
Varianza: 𝜎 2 = 𝐸(𝑋 − 𝜇)2 = σ𝑥(𝑥 − 𝜇)2 ∗ 𝑃(𝑥)

EJEMPLO: Tiro dos veces una moneda. X: cantidad de caras.

Licenciatura en Gestión Universitaria
Prof. Dr. Martín E. Masci – Leonardo Dufour
13
 Variables aleatorias discretas y continuas (3)
VARIABLES ALEATORIAS CONTINUA
Función de Densidad
𝑏
Función real que cumple con las condiciones de no negatividad 𝑓(𝑥) ≥ 0 y de cierre ‫ = 𝑥𝑑 𝑥 𝑓 𝑎׬‬1
dentro del recorrido de la variable aleatoria (a;b). Fuera de él es nula.
𝑥
La probabilidad para un valor puntual 𝑥𝑖 es nulo: 𝑃 𝑋 = 𝑥𝑖 = ‫𝑥𝑑 𝑥 𝑓 𝑖 𝑥׬‬
𝑖
La probabilidad de que el resultado se encuentre entre dos valores 𝑥𝑖 y 𝑥𝑗 : 𝑃 𝑥𝑖 < 𝑋 < 𝑥𝑗 =
𝑥𝑗
‫𝑥𝑑 𝑥 𝑓 𝑥׬‬
𝑖

Función de distribución o probabilidad acumulada

Muestra la probabilidad que X sea menor que un valor dado: 𝐹 𝑥𝑘 = 𝑃 𝑋 ≤ 𝑥𝑘 = ‫𝑥𝑑 𝑥 𝑓 𝑥≤𝑥׬‬
𝑘

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
14
 Variables aleatorias discretas y continuas (4)
VARIABLES ALEATORIAS DISCRETAS - BERNOULLI

Aplica a la presencia o ausencia de un atributo puntual (éxito o fracaso). Si el mismo no se presenta, la

variable toma un 0 y si se presenta un 1. Se trata de un experimento dicotómico.

P denota la probabilidad de encontrar el atributo y 1-P la probabilidad de no encontrarlo.

X Probabilidad
0 1-P
1 P

La cantidad de elementos con un determinado atributo que se presenta en una observación de un

experimento aleatorio dicotómico, es una variable aleatoria discreta X, con función de probabilidad:
𝑃 𝑋 = 𝑝 𝑥 ∗ (1 − 𝑝)1−𝑥

Los momentos serán:

𝐸 𝑥 =𝑝
𝑉 𝑥 =𝑝∗ 1−𝑝

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
15
 Variables aleatorias discretas y continuas (5)
VARIABLES ALEATORIAS DISCRETAS - BINOMIAL

La repetición de un experimento dicotómico n veces de forma independiente, mostrará una cantidad

de elementos con un atributo y otros no. Ante estas condiciones, la variable X representa la cantidad
de elementos con atributo y tiene una distribución binomial.

𝑛
La función de probabilidades tomará la forma: 𝑃 𝑥 = ∗ 𝑝 𝑥 ∗ (1 − 𝑝)𝑛−𝑥
𝑥

Media 𝐸 𝑥 =𝑛∗𝑝
Varianza 𝑉 𝑥 = 𝑛 ∗ 𝑝 ∗ (1 − 𝑝)

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
16
Variables aleatorias discretas y continuas (6)
VARIABLES ALEATORIAS DISCRETAS - BINOMIAL

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
17
 Variables aleatorias discretas y continuas (7)
VARIABLES ALEATORIAS CONTINUAS - UNIFORME

Una variable aleatoria continua X, definida en un intervalo (a,b), tiene una distribución uniforme si su
1
función de densidad es 𝑓 𝑥 = si 𝑎 ≤ 𝑥 ≤ 𝑏 y 𝑓 𝑥 = 0 para otro valor de x.
𝑏−𝑎
Los valores a y b son los parámetros de la función.

𝑥−𝑎
La función de Distribución, toma la forma F 𝑥 =
𝑏−𝑎

Momentos:
𝑎+𝑏
Media 𝐸 𝑥 =
2
(𝑏−𝑎)2
Varianza 𝑉 𝑥 =
12

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
18
 Variables aleatorias discretas y continuas (8)
VARIABLES ALEATORIAS CONTINUAS - NORMAL

Es una de las distribuciones más conocidas y aplicadas en estadística. Adicionalmente, es el límite en

convergencia de una amplia variedad de otras distribuciones de probabilidad.

La forma es acampanada, simétrica y con media, mediana y moda iguales:

El gráfico se define por sus parámetros. La ubicación de la función está definida por la media 𝜇,
mientras que la amplitud está definida por el desvío estándar 𝜎. La función tiene un rango infinito
−∞; ∞ . Se denota, entonces, la variable 𝑁(𝜇; 𝜎).

1 𝑥−𝜇 2
− ∗
𝑒 2 𝜎
La función de densidad toma la siguiente forma: 𝑓 𝑥 =
2𝜋𝜎
Como la función es simétrica, se verifica que 𝑃 𝑥 < 𝜇 = 𝑃 𝑥 > 𝜇 = 0,50
Licenciatura en Gestión Universitaria
Prof. Dr. Martín E. Masci – Leonardo Dufour
19
 Variables aleatorias discretas y continuas (9)
VARIABLES ALEATORIAS CONTINUAS - NORMAL

Variable aleatoria normal estandarizada:

El valor de la función de distribución de una variable aleatoria normal para el valor x, es igual al valor de
la función de distribución de la variable normal estandarizada 𝑧 = (𝑥 − 𝜇)/𝜎, es decir:
𝐹𝑛𝑜𝑟𝑚𝑎𝑙 𝑥 = 𝐹𝑛.𝑒. 𝑥

De esta manera, cualquier VA normal puede transformarse en una VA normal estandarizada,

restándole la media y dividiendo por el desvío. De esta manera, solamente cambia la escala de la
distribución.
1 2
− ∗𝑧
𝑒 2
La función de densidad de una variable aleatoria normal estandarizada 𝑁(0,1), es: 𝑓 𝑧 =
2𝜋

Uso
Para el cálculo de la probabilidad de una variable aleatoria normal, se estandariza la variable dado que
las probabilidades de una función normal estándar están tabulados F(z).

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
20
 Variables aleatorias discretas y continuas (10)
VARIABLES ALEATORIAS CONTINUAS - NORMAL

Principios:

1) Toda transformación lineal de una VA normal, sigue siendo una VA normal.

2) Toda combinación lineal de VA normales independientes, tiene por resultado una VA con
distribución normal con las siguientes características:

Sean las VA normales independientes 𝑋1 , 𝑋2 , … , 𝑋𝑛

Sea 𝑍 = σ 𝑋𝑖
Entonces 𝑍~𝑁𝑜(σ 𝜇𝑖 , σ 𝜎𝑖2 )

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
21
 Muestreo y distribuciones muestrales
Método de muestreo aleatorio simple

Cada elemento de la población tiene igual posibilidad de ser seleccionado

Cada elemento es seleccionado de forma independiente

Objetivo
Obtener resultados estadísticos representativos bajo menores esfuerzos (Inferencia)

Inferencias estadísticas
Consiste en obtener conclusiones sobre una población a partir de los resultados de una muestra

Distribución muestral
Es la distribución de todos los posibles valores de un estadístico para una muestra de un tamaño
seleccionado sobre la población.

En general se calcula sobre la media, la varianza y la proporción.

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
22
 Muestreo y distribuciones muestrales (2)
Media Muestral

𝒏
Sea la Media Muestral ഥ = σ𝒊=𝟏 𝑿𝒊
𝑿
𝒏
σ𝑛
𝑖=1 𝑋𝑖 𝜇
Entonces el valor esperado de la Media Muestral es 𝐸 𝑋ത = 𝐸 =𝑛∗ =𝜇
𝑛 𝑛
𝜎
Y el desvío de la Media Muestral será 𝜎𝑋ത =
𝑛
𝜎
Donde la población es 𝑁 𝜇, 𝜎 y la media muestral ~𝑁(𝜇, )
𝑛

Corrección por Población Finita

Si 1) el muestreo es sin reemplazo ó 2) la muestra es grande con respecto a la población (5% o más)

𝜎
Entonces 𝜎𝑋ത = ∗ (𝑁 − 𝑛)/(𝑁 − 1)
𝑛

Si la población no es Normal
Aplican los resultados del Teorema Central del Límite

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
23
 Muestreo y distribuciones muestrales (3)
Teorema Central del Límite

Si el tamaño muestral crece, la Media

Muestral es aproximadamente NORMAL
𝝈
𝝁𝑿ഥ = 𝝁 𝝈𝑿ഥ =
𝒏

¿cuán grande tiene que ser n ?

Generalmente con 𝒏 > 𝟐𝟓 la mayoría de las
distribuciones se asemejan a la normal.

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
24
 Muestreo y distribuciones muestrales (4)
Proporción

Sea la Proporción Muestral ෡ = 𝑿 (% de elementos muestrales con atributo)

𝑷
𝒏
Entonces el valor esperado de la Proporción Muestral es 𝐸 P෠ = 𝑝
𝑝∗(1−𝑝)
Y el desvío de la Proporción Muestral será 𝜎P෡ =
𝑛
Y puede ser aproximado por una distribución normal para muestras suficientemente grandes

Varianza Muestral
𝟏
Sea la Varianza Muestral 𝒔𝟐 = ∗ σ𝒏𝒊=𝟏 𝑿𝒊 − 𝑿
ഥ 𝟐
𝒏−𝟏

Entonces el valor esperado de la Varianza Muestral es 𝐸 𝑠2 = 𝜎2

2𝜎 4
Si la población es normal, la varianza de la Varianza Muestral será V 𝑠2 =
𝑛−1
𝑠2
Si la población es normal, entonces 𝑛 − 1 ∗ 2 ~𝑋 2 con n-1 G.L.
𝜎

Licenciatura en Gestión Universitaria

Prof. Dr. Martín E. Masci – Leonardo Dufour
25
 Distribuciones especiales
Chi Cuadrado
Es una distribución de probabilidad continua, con parámetro k grados de libertad

Sea W= 𝑍12 + ⋯ + 𝑍𝑘2 , con Z: VA Normal estándar, entonces W~𝑋 2 con k grados de libertad

Es una distribución asimétrica con dominio entre 0 e infinito

T Student
Es una distribución de probabilidad continua y acampanada

𝑍
Sea T = , con Z: VA Normal estándar, entonces W~𝑋 2 con k grados de libertad
𝑊
𝑘

Es una distribución simétrica con dominio infinito, similar a la normal, pero con colas más pesadas

F Snedecor
Es una distribución de probabilidad continua.

F= (𝑊1 /𝑘1 )/(𝑊2 /𝑘2 )

Licenciatura en Gestión Universitaria
Prof. Dr. Martín E. Masci – Leonardo Dufour
26