Este documento presenta conceptos estadísticos como variables aleatorias, distribuciones de probabilidad, media, varianza y distribuciones como la binomial y Poisson. Explica su importancia para la gerencia de recursos humanos para predecir situaciones relacionadas con el comportamiento del personal a través de indicadores.
Este documento trata sobre inferencia estadística. Explica conceptos como estimación puntual, intervalos de confianza, pruebas de hipótesis, errores tipos I y II, y cómo calcular el tamaño apropiado de una muestra. Proporciona ejemplos numéricos para ilustrar cómo aplicar estos conceptos estadísticos para estimar parámetros poblacionales y probar hipótesis sobre una población basándose en una muestra.
Distribución muestral y estimación de parámetros para una población
Instituto Universitario Politécnico "Santiago Mariño"
Realizado por:
Castillo, Erick
Gallardo, Jean
Rodríguez, José Alejandro
Este documento presenta información básica sobre estadística, incluyendo conceptos como variables cualitativas, cuantitativas, discretas y continuas. También incluye ejemplos de preguntas estadísticas con sus respuestas sobre poblaciones, muestras, características y variables. Finalmente, contiene información sobre distribuciones de frecuencias y frecuencias absolutas acumuladas.
El documento habla sobre los conceptos básicos de la estimación estadística, incluyendo los tipos de estimación (puntual e intervalos), estimadores, selección del tamaño de la muestra, y el cálculo de intervalos de confianza. Explica que la estimación es útil para hacer inferencias sobre las características de una población completa basadas en una muestra representativa, y discute los métodos y fórmulas utilizados para realizar estimaciones precisas y confiables.
Este documento trata sobre el cálculo del tamaño de la muestra en investigación estadística. Explica que el tamaño de la muestra depende del nivel de confianza, el porcentaje de error permitido y la variabilidad de la población. Incluye fórmulas para calcular el tamaño de la muestra cuando se conoce o no el tamaño total de la población, y destaca la importancia de considerar estos factores para que la muestra sea representativa.
El documento explica los conceptos básicos de probabilidad y dos métodos para calcularla: la regla de Laplace, que se aplica cuando el número de resultados posibles es finito y todos tienen la misma probabilidad, y el modelo frecuentista, que se basa en repetir el experimento muchas veces para estimar las probabilidades empíricamente.
Este documento presenta los elementos básicos del muestreo estadístico. Explica conceptos como población, muestra, parámetros y estadísticos. También cubre temas como pequeñas muestras, la distribución t de Student, contrastes de hipótesis, la distribución Ji-cuadrado, grados de libertad y la distribución F. Finalmente incluye referencias bibliográficas.
Este documento trata sobre inferencia estadística. Explica conceptos como estimación puntual, intervalos de confianza, pruebas de hipótesis, errores tipos I y II, y cómo calcular el tamaño apropiado de una muestra. Proporciona ejemplos numéricos para ilustrar cómo aplicar estos conceptos estadísticos para estimar parámetros poblacionales y probar hipótesis sobre una población basándose en una muestra.
Distribución muestral y estimación de parámetros para una población
Instituto Universitario Politécnico "Santiago Mariño"
Realizado por:
Castillo, Erick
Gallardo, Jean
Rodríguez, José Alejandro
Este documento presenta información básica sobre estadística, incluyendo conceptos como variables cualitativas, cuantitativas, discretas y continuas. También incluye ejemplos de preguntas estadísticas con sus respuestas sobre poblaciones, muestras, características y variables. Finalmente, contiene información sobre distribuciones de frecuencias y frecuencias absolutas acumuladas.
El documento habla sobre los conceptos básicos de la estimación estadística, incluyendo los tipos de estimación (puntual e intervalos), estimadores, selección del tamaño de la muestra, y el cálculo de intervalos de confianza. Explica que la estimación es útil para hacer inferencias sobre las características de una población completa basadas en una muestra representativa, y discute los métodos y fórmulas utilizados para realizar estimaciones precisas y confiables.
Este documento trata sobre el cálculo del tamaño de la muestra en investigación estadística. Explica que el tamaño de la muestra depende del nivel de confianza, el porcentaje de error permitido y la variabilidad de la población. Incluye fórmulas para calcular el tamaño de la muestra cuando se conoce o no el tamaño total de la población, y destaca la importancia de considerar estos factores para que la muestra sea representativa.
El documento explica los conceptos básicos de probabilidad y dos métodos para calcularla: la regla de Laplace, que se aplica cuando el número de resultados posibles es finito y todos tienen la misma probabilidad, y el modelo frecuentista, que se basa en repetir el experimento muchas veces para estimar las probabilidades empíricamente.
Este documento presenta los elementos básicos del muestreo estadístico. Explica conceptos como población, muestra, parámetros y estadísticos. También cubre temas como pequeñas muestras, la distribución t de Student, contrastes de hipótesis, la distribución Ji-cuadrado, grados de libertad y la distribución F. Finalmente incluye referencias bibliográficas.
Este documento define conceptos básicos de estadística inferencial y descriptiva. Explica que la estadística inferencial comprende métodos para estimar características de una población y tomar decisiones basadas en una muestra. También describe diferentes tipos de variables estadísticas, poblaciones, muestras, y técnicas de muestreo como muestreo aleatorio simple, estratificado y por conglomerados. Finalmente, explica por qué se utiliza el muestreo y cómo se puede medir el error de muestreo.
Como Determinar Una Muestra ProbabilisticaJose Carvalho
Este documento describe los pasos para determinar una muestra probabilística para una investigación. Primero, se calcula la muestra sin ajustar usando la varianza de la muestra, la varianza de la población, y el tamaño de la población. Luego, se calcula la muestra ajustada usando la muestra sin ajustar y el tamaño de la población. Finalmente, si la población está estratificada en varios grupos, se calcula una muestra estratificada para cada grupo usando un factor de multiplicación.
Este documento describe varios aspectos importantes de la imagen directiva y las habilidades de comunicación necesarias para los directivos. Explica que la primera impresión es crucial y que la imagen directiva incluye factores como la vestimenta, lenguaje corporal, tono de voz, higiene y más. También cubre temas como la conducción de presentaciones orales y escritas de manera efectiva, el protocolo directivo, y cómo llevar a cabo entrevistas de manera exitosa.
Este documento explica diferentes medidas de tendencia central y dispersión estadísticas. Define la media, mediana y moda como medidas de tendencia central que resumen un conjunto de valores. También describe medidas de dispersión como rango, desviación estándar y coeficiente de variación. Explica el cálculo y uso de estas medidas y su importancia para interpretar y comparar conjuntos de datos.
Este documento presenta tres problemas estadísticos relacionados con distribuciones de frecuencia y cálculos estadísticos descriptivos. El primer problema involucra la creación de una tabla de distribución de frecuencia, gráficos y cálculos para un conjunto de datos de puntuaciones. El segundo problema implica hacer lo mismo para datos de porcentajes de palabras agradables. El tercer problema presenta datos de aptitud química y pide crear gráficos y calcular estadísticos descriptivos.
Este documento describe el método de evaluación de desempeño conocido como elección forzada. Este método obliga al evaluador a seleccionar la frase que mejor describa el desempeño del empleado entre pares de frases, generalmente una positiva y una negativa. El objetivo es obtener una evaluación más confiable y objetiva que reduzca la subjetividad. Las ventajas incluyen resultados más confiables, aplicación simple y reducción de favoritismos, mientras que las desventajas son una elaboración compleja y que solo proporciona resultados global
Este documento resume los conceptos fundamentales de la teoría de probabilidad, incluyendo: espacio muestral, eventos, relaciones entre eventos, axiomas de probabilidad, probabilidad condicional, eventos independientes y dependientes, teorema de probabilidad total, teorema de Bayes, población, muestra, permutaciones y combinaciones. La teoría de probabilidad surgió para responder preguntas sobre sucesos aleatorios y eventos futuros, y se basa en teoremas y principios aplicados a poblaciones y muestras.
Probar (contrastar) si una afirmación relativa a la proporción de una población se ve apoyada o desaprobada ante la evidencia de la muestra utilizando la fórmula de error estándar de la proporción de la población y asumiendo que la distribución binomial se asemeja al comportamiento de la Distribución Normal Z
Este documento presenta los resultados de un examen de estadística que consta de 14 preguntas. Todas las preguntas fueron respondidas correctamente, obteniendo una calificación perfecta de 100%. El examen cubrió temas como intervalos de confianza, distribuciones normales y t de Student, y proporciones poblacionales.
Este documento presenta la resolución de 20 ejercicios de estadística. Los ejercicios cubren temas como clasificación de variables, tablas de frecuencias, diagramas de sectores y polígonos de frecuencias. En cada ejercicio se presenta un problema estadístico y su solución detallada a través de cálculos, tablas y/o gráficos.
Este documento trata sobre probabilidad y estadística. Explica los conceptos de probabilidad clásica y empírica. La probabilidad clásica se basa en la igualdad de posibilidades de los resultados, mientras que la probabilidad empírica se basa en la frecuencia relativa de eventos observados. También cubre temas como espacio muestral, combinatoria, permutaciones, distribuciones de probabilidad y más.
Este documento presenta conceptos básicos de inferencia estadística como población, muestra, muestra aleatoria, estadísticas de tendencia central y dispersión. Explica la distribución muestral de la media y el teorema del límite central. Finalmente, introduce el criterio del p-valor para realizar inferencias sobre parámetros poblacionales a partir de muestras.
Este documento presenta información sobre conceptos básicos de muestreo y estimación estadística. Explica los tipos de muestreo como aleatorio simple, sistemático, por conglomerados y estratificado. También cubre estimadores, distribución de muestreo, estimación de parámetros como la media y varianza de una población, e intervalos de confianza.
Capítulo 1 : Introducción a la Estadística Aplicadaug-dipa
Este documento presenta una introducción al curso de estadística aplicada impartido a personal docente de la Universidad de Guayaquil. Explica conceptos básicos como variables, datos, población, muestra, tipos de variables, tablas de frecuencias y etapas de un estudio estadístico. También incluye ejemplos de problemas de investigación y una tabla de frecuencias como ejemplo para ilustrar el análisis de datos.
Este documento presenta los resultados de varios ejercicios de estadística inferencial realizados como tarea. Incluye cuatro ejercicios resueltos sobre temas como encuestas, margen de error, intervalo de confianza y muestreo. El documento fue elaborado por un estudiante como parte de la materia de Estadística Inferencial en el Instituto Tecnológico de Tijuana.
Este documento trata sobre pruebas de bondad de ajuste y pruebas no paramétricas. Explica la prueba Ji cuadrada para analizar la bondad de ajuste de un modelo estadístico, así como su uso para pruebas de independencia y tablas de contingencia. También cubre el uso de software estadístico como R y SPSS para realizar estas pruebas.
Tamaño de muestra para datos cualitativos y cuantitativosAna Lucía Caballero
Este documento trata sobre el tamaño de la muestra para datos cuantitativos y cualitativos. Explica conceptos como variable, población, muestra, métodos de muestreo probabilísticos y no probabilísticos. Incluye fórmulas para calcular el tamaño de la muestra para proporciones y para medias. También presenta casos prácticos de cálculo del tamaño de muestra.
El documento define el coeficiente de asimetría de Pearson como una medida de la desviación de la simetría. Expresa la diferencia entre la media y la mediana con respecto a la desviación estándar del grupo de datos. Un valor de cero indica simetría, positivo indica asimetría a la derecha, y negativo indica asimetría a la izquierda. Luego proporciona ejemplos de cómo calcular el coeficiente de asimetría para diferentes conjuntos de datos.
Este resumen describe el muestreo por conglomerados de dos etapas. Primero, se selecciona una muestra aleatoria de conglomerados como ciudades. Luego, en una segunda etapa, se selecciona una muestra aleatoria de los elementos dentro de cada conglomerado seleccionado, como manzanas. Este método facilita la elaboración del marco muestral y es más económico que el muestreo aleatorio simple. Sin embargo, aumenta los errores de muestreo dado que hay errores en cada etapa.
Este documento presenta una introducción a las distribuciones de probabilidad de variables aleatorias discretas, incluyendo la binomial, hipergeométrica y de Poisson. Explica las características y fórmulas de cada distribución, y proporciona ejemplos para ilustrar su uso en diferentes contextos como la fabricación, los negocios y la educación.
El documento resume tres distribuciones de probabilidad discretas comúnmente utilizadas: binomial, hipergeométrica y de Poisson. Explica que la binomial se usa para procesos de Bernoulli con dos resultados posibles, la hipergeométrica cuando se seleccionan muestras de una población finita, y la de Poisson cuando los eventos ocurren en intervalos de tiempo cortos de forma aleatoria e independiente.
Este documento define conceptos básicos de estadística inferencial y descriptiva. Explica que la estadística inferencial comprende métodos para estimar características de una población y tomar decisiones basadas en una muestra. También describe diferentes tipos de variables estadísticas, poblaciones, muestras, y técnicas de muestreo como muestreo aleatorio simple, estratificado y por conglomerados. Finalmente, explica por qué se utiliza el muestreo y cómo se puede medir el error de muestreo.
Como Determinar Una Muestra ProbabilisticaJose Carvalho
Este documento describe los pasos para determinar una muestra probabilística para una investigación. Primero, se calcula la muestra sin ajustar usando la varianza de la muestra, la varianza de la población, y el tamaño de la población. Luego, se calcula la muestra ajustada usando la muestra sin ajustar y el tamaño de la población. Finalmente, si la población está estratificada en varios grupos, se calcula una muestra estratificada para cada grupo usando un factor de multiplicación.
Este documento describe varios aspectos importantes de la imagen directiva y las habilidades de comunicación necesarias para los directivos. Explica que la primera impresión es crucial y que la imagen directiva incluye factores como la vestimenta, lenguaje corporal, tono de voz, higiene y más. También cubre temas como la conducción de presentaciones orales y escritas de manera efectiva, el protocolo directivo, y cómo llevar a cabo entrevistas de manera exitosa.
Este documento explica diferentes medidas de tendencia central y dispersión estadísticas. Define la media, mediana y moda como medidas de tendencia central que resumen un conjunto de valores. También describe medidas de dispersión como rango, desviación estándar y coeficiente de variación. Explica el cálculo y uso de estas medidas y su importancia para interpretar y comparar conjuntos de datos.
Este documento presenta tres problemas estadísticos relacionados con distribuciones de frecuencia y cálculos estadísticos descriptivos. El primer problema involucra la creación de una tabla de distribución de frecuencia, gráficos y cálculos para un conjunto de datos de puntuaciones. El segundo problema implica hacer lo mismo para datos de porcentajes de palabras agradables. El tercer problema presenta datos de aptitud química y pide crear gráficos y calcular estadísticos descriptivos.
Este documento describe el método de evaluación de desempeño conocido como elección forzada. Este método obliga al evaluador a seleccionar la frase que mejor describa el desempeño del empleado entre pares de frases, generalmente una positiva y una negativa. El objetivo es obtener una evaluación más confiable y objetiva que reduzca la subjetividad. Las ventajas incluyen resultados más confiables, aplicación simple y reducción de favoritismos, mientras que las desventajas son una elaboración compleja y que solo proporciona resultados global
Este documento resume los conceptos fundamentales de la teoría de probabilidad, incluyendo: espacio muestral, eventos, relaciones entre eventos, axiomas de probabilidad, probabilidad condicional, eventos independientes y dependientes, teorema de probabilidad total, teorema de Bayes, población, muestra, permutaciones y combinaciones. La teoría de probabilidad surgió para responder preguntas sobre sucesos aleatorios y eventos futuros, y se basa en teoremas y principios aplicados a poblaciones y muestras.
Probar (contrastar) si una afirmación relativa a la proporción de una población se ve apoyada o desaprobada ante la evidencia de la muestra utilizando la fórmula de error estándar de la proporción de la población y asumiendo que la distribución binomial se asemeja al comportamiento de la Distribución Normal Z
Este documento presenta los resultados de un examen de estadística que consta de 14 preguntas. Todas las preguntas fueron respondidas correctamente, obteniendo una calificación perfecta de 100%. El examen cubrió temas como intervalos de confianza, distribuciones normales y t de Student, y proporciones poblacionales.
Este documento presenta la resolución de 20 ejercicios de estadística. Los ejercicios cubren temas como clasificación de variables, tablas de frecuencias, diagramas de sectores y polígonos de frecuencias. En cada ejercicio se presenta un problema estadístico y su solución detallada a través de cálculos, tablas y/o gráficos.
Este documento trata sobre probabilidad y estadística. Explica los conceptos de probabilidad clásica y empírica. La probabilidad clásica se basa en la igualdad de posibilidades de los resultados, mientras que la probabilidad empírica se basa en la frecuencia relativa de eventos observados. También cubre temas como espacio muestral, combinatoria, permutaciones, distribuciones de probabilidad y más.
Este documento presenta conceptos básicos de inferencia estadística como población, muestra, muestra aleatoria, estadísticas de tendencia central y dispersión. Explica la distribución muestral de la media y el teorema del límite central. Finalmente, introduce el criterio del p-valor para realizar inferencias sobre parámetros poblacionales a partir de muestras.
Este documento presenta información sobre conceptos básicos de muestreo y estimación estadística. Explica los tipos de muestreo como aleatorio simple, sistemático, por conglomerados y estratificado. También cubre estimadores, distribución de muestreo, estimación de parámetros como la media y varianza de una población, e intervalos de confianza.
Capítulo 1 : Introducción a la Estadística Aplicadaug-dipa
Este documento presenta una introducción al curso de estadística aplicada impartido a personal docente de la Universidad de Guayaquil. Explica conceptos básicos como variables, datos, población, muestra, tipos de variables, tablas de frecuencias y etapas de un estudio estadístico. También incluye ejemplos de problemas de investigación y una tabla de frecuencias como ejemplo para ilustrar el análisis de datos.
Este documento presenta los resultados de varios ejercicios de estadística inferencial realizados como tarea. Incluye cuatro ejercicios resueltos sobre temas como encuestas, margen de error, intervalo de confianza y muestreo. El documento fue elaborado por un estudiante como parte de la materia de Estadística Inferencial en el Instituto Tecnológico de Tijuana.
Este documento trata sobre pruebas de bondad de ajuste y pruebas no paramétricas. Explica la prueba Ji cuadrada para analizar la bondad de ajuste de un modelo estadístico, así como su uso para pruebas de independencia y tablas de contingencia. También cubre el uso de software estadístico como R y SPSS para realizar estas pruebas.
Tamaño de muestra para datos cualitativos y cuantitativosAna Lucía Caballero
Este documento trata sobre el tamaño de la muestra para datos cuantitativos y cualitativos. Explica conceptos como variable, población, muestra, métodos de muestreo probabilísticos y no probabilísticos. Incluye fórmulas para calcular el tamaño de la muestra para proporciones y para medias. También presenta casos prácticos de cálculo del tamaño de muestra.
El documento define el coeficiente de asimetría de Pearson como una medida de la desviación de la simetría. Expresa la diferencia entre la media y la mediana con respecto a la desviación estándar del grupo de datos. Un valor de cero indica simetría, positivo indica asimetría a la derecha, y negativo indica asimetría a la izquierda. Luego proporciona ejemplos de cómo calcular el coeficiente de asimetría para diferentes conjuntos de datos.
Este resumen describe el muestreo por conglomerados de dos etapas. Primero, se selecciona una muestra aleatoria de conglomerados como ciudades. Luego, en una segunda etapa, se selecciona una muestra aleatoria de los elementos dentro de cada conglomerado seleccionado, como manzanas. Este método facilita la elaboración del marco muestral y es más económico que el muestreo aleatorio simple. Sin embargo, aumenta los errores de muestreo dado que hay errores en cada etapa.
Este documento presenta una introducción a las distribuciones de probabilidad de variables aleatorias discretas, incluyendo la binomial, hipergeométrica y de Poisson. Explica las características y fórmulas de cada distribución, y proporciona ejemplos para ilustrar su uso en diferentes contextos como la fabricación, los negocios y la educación.
El documento resume tres distribuciones de probabilidad discretas comúnmente utilizadas: binomial, hipergeométrica y de Poisson. Explica que la binomial se usa para procesos de Bernoulli con dos resultados posibles, la hipergeométrica cuando se seleccionan muestras de una población finita, y la de Poisson cuando los eventos ocurren en intervalos de tiempo cortos de forma aleatoria e independiente.
Capítulo 06, Distribuciones discretas de probabilidadAlejandro Ruiz
Este documento presenta los conceptos básicos de las distribuciones de probabilidad discreta. Explica las características de las distribuciones binomial, hipergeométrica y de Poisson, incluyendo cómo calcular probabilidades usando estas distribuciones. También define términos como variable aleatoria, media, varianza y desviación estándar en el contexto de las distribuciones discretas. El documento concluye con ejemplos numéricos que ilustran los conceptos.
El documento explica la distribución binomial, que modela el número de éxitos en n ensayos independientes con probabilidad constante p de éxito en cada uno. Define la ecuación de la distribución binomial y proporciona un ejemplo. También describe las propiedades de la distribución, incluida su importancia y cómo calcular la media y desviación típica. Termina con ejercicios de aplicación.
Este documento presenta una introducción a las variables aleatorias discretas y continuas. Explica conceptos clave como espacio muestral, modelo de probabilidad, función de distribución, esperanza matemática y varianza. También define variables aleatorias discretas y continuas, y describe procesos de Bernoulli y cómo calcular la esperanza matemática, varianza y desviación estándar.
Este documento describe varias distribuciones de probabilidad, incluidas las distribuciones binomial, de Poisson y normal. Explica que una distribución de probabilidad describe cómo se espera que varíen los resultados de un experimento aleatorio. Luego procede a definir cada distribución, proporcionando ejemplos y fórmulas. La distribución binomial se aplica a experimentos con dos resultados posibles. La distribución de Poisson se usa cuando se cuentan eventos en intervalos de tiempo o espacio. La distribución normal es útil para modelar muchos procesos aleatorios
Este documento explica las distribuciones binomial y Poisson. La distribución binomial describe el número de éxitos en una serie de ensayos binarios independientes. La distribución de Poisson describe el número de eventos aleatorios que ocurren en un intervalo de tiempo o espacio, cuando estos eventos ocurren a una tasa constante. El documento proporciona fórmulas, ejemplos y diferencias entre las dos distribuciones, destacando que la binomial se aproxima a la Poisson cuando el número de ensayos es grande y la probabilidad de éxito es pequeña.
Este documento resume tres distribuciones estadísticas importantes: la distribución normal, la distribución binomial y la distribución de Poisson. Describe las propiedades y aplicaciones clave de cada distribución, así como cómo calcular medidas como la media y la desviación estándar. También incluye ejemplos numéricos para ilustrar el cálculo de probabilidades usando cada distribución.
Este documento describe diferentes distribuciones probabilísticas discretas. Define variables aleatorias discretas y continuas, y explica cómo calcular la media, varianza y desviación estándar de una distribución discreta. Luego describe las características de las distribuciones binomial, hipergeométrica y de Poisson, y cómo calcular probabilidades usando cada una.
El documento trata sobre inferencia estadística. Explica que la inferencia estadística comprende métodos para deducir las características de una población a partir de una muestra. Luego describe diferentes tipos de muestreo probabilístico como el aleatorio simple y estratificado. También define conceptos como muestra, distribución muestral, distribución de probabilidad discreta y continua, y el teorema central del límite. Por último, presenta algunos ejemplos para ilustrar estos conceptos.
Este documento describe las variables aleatorias y las distribuciones de probabilidad que se pueden usar para modelar el comportamiento probabilístico de variables en una simulación. Explica que las variables aleatorias pueden ser discretas o continuas y cubren distribuciones como la binomial, Poisson, normal y exponencial. También describe cómo determinar la distribución que mejor se ajusta a un conjunto de datos usando pruebas estadísticas como la prueba chi-cuadrada.
Este documento presenta conceptos básicos de estadística aplicada. Explica que la estadística se ocupa de recopilar y analizar datos para tomar decisiones. Define población, muestra, frecuencia, variable, media, mediana, varianza y desviación estándar. También introduce conceptos como distribución normal, estandarización y probabilidad. El objetivo es proporcionar las bases para realizar análisis estadísticos.
Este documento presenta conceptos básicos de estadística aplicada. Explica que la estadística se ocupa de recopilar y analizar datos para tomar decisiones. Define población, muestra, frecuencia, variable, media, mediana, varianza y desviación estándar. También introduce conceptos como distribución normal, estandarización y probabilidad. El objetivo es proporcionar las bases para realizar análisis estadísticos.
Este documento describe las variables aleatorias y sus distribuciones de probabilidad para la creación de modelos de simulación. Explica que las variables aleatorias pueden ser discretas o continuas y deben cumplir con reglas de distribución. También describe distribuciones comunes como la binomial, Poisson, normal y cómo determinar la distribución de datos históricos usando pruebas estadísticas.
Este documento presenta información sobre distribuciones de probabilidad. Explica conceptos como variable aleatoria, función de densidad de probabilidad para variables continuas, y distribuciones como la binomial y la hipergeométrica. También cubre el cálculo de media y varianza para distribuciones de probabilidad y proporciona ejemplos ilustrativos.
ESTADÍSTICA APLICADA Grupo Muejeres.pdfEvelinMuoz15
El documento habla sobre conceptos básicos de estadística como medidas de tendencia central, probabilidad normal, binomial y Poisson, población, muestra, variable y pronóstico. Explica que las medidas de tendencia central son valores representativos de una distribución ubicados en el centro, como la media, mediana y moda. También define conceptos como población, muestra, variable y experimento estadístico.
Este documento presenta un syllabus para un curso sobre control estadístico de procesos. Cubre temas como conceptos estadísticos fundamentales, funciones de distribución de probabilidad, control de procesos, gráficos de control por variables y atributos, y capacidad del proceso. El syllabus se desarrollará en 4 días con diferentes temas cada día.
Este documento presenta una introducción a los modelos probabilísticos binomial, Poisson y Pareto. Explica qué son estos modelos, sus fórmulas y cómo resolver problemas utilizando el programa Statgraphics. Incluye ejemplos numéricos de cada modelo.
Similar a Estadística en la aplicación de recursos humanos (20)
Examen de Selectividad. Geografía junio 2024 (Convocatoria Ordinaria). UCLMJuan Martín Martín
Examen de Selectividad de la EvAU de Geografía de junio de 2023 en Castilla La Mancha. UCLM . (Convocatoria ordinaria)
Más información en el Blog de Geografía de Juan Martín Martín
http://blogdegeografiadejuan.blogspot.com/
Este documento presenta un examen de geografía para el Acceso a la universidad (EVAU). Consta de cuatro secciones. La primera sección ofrece tres ejercicios prácticos sobre paisajes, mapas o hábitats. La segunda sección contiene preguntas teóricas sobre unidades de relieve, transporte o demografía. La tercera sección pide definir conceptos geográficos. La cuarta sección implica identificar elementos geográficos en un mapa. El examen evalúa conocimientos fundamentales de geografía.
Business Plan -rAIces - Agro Business Techjohnyamg20
Innovación y transparencia se unen en un nuevo modelo de negocio para transformar la economia popular agraria en una agroindustria. Facilitamos el acceso a recursos crediticios, mejoramos la calidad de los productos y cultivamos un futuro agrícola eficiente y sostenible con tecnología inteligente.
En la ciudad de Pasto, estamos revolucionando el acceso a microcréditos y la formalización de microempresarios informales con nuestra aplicación CrediAvanza. Nuestro objetivo es empoderar a los emprendedores locales proporcionándoles una plataforma integral que facilite el acceso a servicios financieros y asesoría profesional.
José Luis Jiménez Rodríguez
Junio 2024.
“La pedagogía es la metodología de la educación. Constituye una problemática de medios y fines, y en esa problemática estudia las situaciones educativas, las selecciona y luego organiza y asegura su explotación situacional”. Louis Not. 1993.
2. República Bolivariana de Venezuela
Ministerio del Poder Popular para la Educación Superior
Universidad Nororiental Gran Mariscal De Ayacucho
Coordinación de Postgrado.
Núcleo: El Tigre
Cátedra: Estadística Aplicada
Docente: Maestrantes:
Lic. MSc. Carlena Astudillo Nuñez Mariapaola 20.172.167
León Myleidy 17.352.102
Mendoza Lizmaira 12.677.018
Salgado Yanesy 20.440.262
Febrero 2016
Estadística Aplicada a la Gerencia
de Recursos Humanos
4. Distribución de Probabilidad
Es una función que describe como se
espera que varíen los resultados que
pueden representarse si un experimento
se llevase a cabo
Las probabilidades son números comprendidos entre 0 y 1:
Probabilidades próximas a 0 indican
que no cabe esperar que ocurran los
sucesos.
Probabilidades próximas a 0.5 indican
que es tan verosímil que el suceso se
produzca como que no.
5. Distribución de Probabilidad
Por ejemplo:
Absentismos en un turno de trabajo:
1,2,3…..
Este número es la Variable Aleatoria
• Variable Aleatoria
Es una función que asigna un valor,
usualmente numérico, al resultado de
un experimento aleatorio. Por ejemplo,
los posibles resultados de tirar un dado
dos veces
6. Distribución de Probabilidad
Variables Aleatorias
Variable
Aleatoria
Discretas Continuas
Variable aleatoria discreta
Es aquella que permite que una variable aleatoria adopte sólo un número limitado de
valores.
Características de las variables aleatorias discretas
1. Variable que solo toma valores enteros
2. Puede tomar un número finito, o infinito numerable de valores puntuales posibles.
3. Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores
o iguales a cero.
Por Ejemplo: Los seres humanos pueden ser mujeres u
hombres, se ajustan a una u otra categoría y no hay
continuidad ni puntos intermedios entre ellas.
7. Variable aleatoria continúa.
Es aquella que le permite asumir cualquier valor dentro de determinados límites.
Características de las variables aleatorias continuas
1. Es una variable que puede tomar tanto valores enteros como fraccionarios.
2. Puede tomar cualquier valor en algún intervalo (o intervalos) del conjunto de los
números reales y no exclusivamente en puntos aislados.
Por Ejemplo: Estatura de los trabajadores, dato que se
obtiene a través de examen físico para empleo
Distribución de Probabilidad
Variables Aleatorias
8. Formulación de Variable aleatoria discreta
Formulación de Variable aleatoria continua
Para predecir en el futuro situaciones relacionadas al comportamiento del personal a
través de Indicadores tales como absentismos, egresos, entre otros
Distribución de Probabilidad
Variables Aleatorias
Importancia y Relación con la gerencia de RRHH
9. xi 0 1 2 3
pi
1/8 =
0.125
3/8 =
0.375
3/8 =
0.375
1/8 =
0.125
Obtener la función de probabilidad de la variable "número de caras obtenidas al
lanzar tres monedas"
Antes que nada, vamos al construir el espacio muestral del experimento lanzar tres
monedas. Éste sería:
E = {(c,c,c); (c,x,c); (x,c,c); (c,c,x); (c,x,x,); (x,c,x); (x,x,c); (x,x,x)}
Si definimos X = nº de caras obtenidas, vemos que los posibles valores son: 0, 1, 2 y 3; y
la función de probabilidad será:
Como puedes observar en los dos ejemplos, la suma de todas las probabilidades
tiene que ser 1, pues estaríamos considerando el espacio muestral completo.
Distribución de Probabilidad
Variables Aleatorias
11. Distribución Binomial
Es una distribución discreta de
probabilidad que tiene muchas
aplicaciones. Se relaciona con un
experimento de etapas múltiples al que
llamamos binomial.
13. Distribución Binomial
Propiedades del experimento binomial
El experimento consiste en una
sucesión de n intentos o
ensayos idénticos
En cada intento o ensayo son
posibles dos resultados. A uno
le llamamos éxito y al otro
fracaso
Los intentos son
independientes
15. Distribución Binomial
Ejemplo
Un 10% de los empleados de producción de determinada empresa están ausentes del
trabajo en un determinado día del año. Supóngase que se selecciona al azar 10
trabajadores de producción para un estudio riguroso del ausentismo.
a) ¿Cuál es la variable?
b) ¿La variable es discreta o continua?
c) Desarrolle una distribución de probabilidad binomial para el experimento.
d) ¿Cuál es la probabilidad de que ninguno de los diez empleados este ausente?
e) Calcular Media
16. Distribución Binomial
Solución
¿Cuál es la variable?
X: Nº de empleados ausentes
¿La variable es discreta o continua?
Es una variable discreta por cuanto nos referimos a personas.
n= 10 empleados
X= Variable aleatoria
P= 10% = 0,1
110
10
0,9
10
0,1
17. Distribución Binomial
Solución
P(0)= 10! . (0,1) . (0.9) = 0,9 = 0,35 = 35%
0! (10 -0)!
¿Cuál es la probabilidad de que ninguno de los diez empleados
este ausente?
0 10-0
1
10
𝜇 = 𝑛. 𝑝
𝜇 = 10 0,1
𝜇 = 1
19. Distribución de probabilidad
Una distribución de probabilidad, es
una representación de todos los
resultados posibles de un experimento,
junto con la probabilidad de cada
resultado
20. Distribución de probabilidad
La variable aleatoria sólo
puede tomar un número de
valores
Ejemplo; Nº de Clientes, Nº
de unidades vendidas,
Errores de anuncio
impreso.
Utiliza una variable aleatoria
que puede tomar infinito
número de valores si el
instrumento usado tiene
suficiente medición
Ejemplo: Tiempo, Peso,
medidas de medición
generales
DistribucióndeProbabilidad
Discreta
DistribucióndeProbabilidad
Continua
21. Distribución de probabilidad
La media aritmética de
una distribución de
probabilidad se
denomina valor
esperado
Valor Esperado: de una
variable aleatoria discreta es
la media aritmética de todos
los resultados posibles
22. Formulación de Distribución de probabilidad
Media de una Distribución de probabilidad
Varianza de una Distribución de probabilidad
23. Ejemplo
En la empresa de inversiones M,L y Asociados C.A, trabajan 20 analistas de
inversiones. Todas las mañanas se le encarga a cada analista que evalúe de uno a
cinco valores.
a) La Sra. Liz desea elaborar una distribución de probabilidad para la variable
aleatoria del número de valores asignados a los analistas esta mañana.
b) La Sra. Myleidy determina la media y la varianza de la distribución de
probabilidad del número de valores asignados a cada analista de la empresa.
24. Ejemplo
Xi= número de valores
Xi Frecuencia P ( X = Xi)
1 4 4/20 = 0,20
2 2 2/20 = 0,10
3 3 3/20 = 0,15
4 5 5/20 = 0,25
5 6 6/20 = 0,30
20 1
25. Ejemplo
Xi= número de valores
Xi Frecuencia P ( X = Xi)
1 4 4/20 = 0,20
2 2 2/20 = 0,10
3 3 3/20 = 0,15
4 5 5/20 = 0,25
5 6 6/20 = 0,30
20 1
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
1 2 3 4 5
Probabilidad
Probabilidad
Si se elige un analista al azar, la probabilidad que tenga que evaluar 5 valores
hoy es mayor que cualquier otro número entero. Solo el 10% de los analistas
tiene que analizar dos valores antes de acabar el día
28. Interpretación
A los analistas se les asigno un promedio de 3,35 valores para que los evalúen y
analicen. La varianza de 2,23 es una medida de dispersión alrededor de la
media de 3,35.
Aplicación Estadística
Según los agentes de la bolsa de la oficina de Paine Weber (autor del libro
Estadística Aplicada a la empresa y economía ), esta era una práctica común
del director para calcular el número típico de cuentas que cada agente podía
tener a cargo de modo habitual. Con el objetivo de ayudar a medir la carga de
trabajo y ayudar a decidir la asignación de nuevas cuentas.
30. La Distribución Poisson
Fue creada por el matemático francés Simeón Denis Poisson por medio
de un importante trabajo publicado por el mismo en el año 1837.
La distribución Poisson describe la probabilidad de un acontecimiento
fortuito ocurrido en un tiempo o intervalo de espacio bajo condiciones
que la probabilidad de un acontecimiento ocurra es muy pequeña pero
el número de intentos es muy grande entonces el evento actual ocurre
algunas veces. .
31. Uso de la Probabilidad de Poisson
“La probabilidad de obtener X éxitos en un intervalo continuo”
Se emplea para
descubrir varios
procesos, como lo
es la distribución
de las llamadas
telefónicas que
llegan a una
central.
La demanda
de servicios en
un hospital
por parte de
los pacientes.
El número de
accidentes en
un cruce.
El número de
llegadas de
clientes a una
tienda por
hora
El número de
accidentes
laborales al
mes.
32. Características
Se observa la realización de
hechos de cierto tipo durante
cierto periodo a lo largo de un
espacio de observación.
Los hechos que se observan
tienen naturaleza aleatoria;
pueden producirse o no de
manera no determinística.
La probabilidad de que se
produzca un numero de éxitos
en un intervalo de amplitud no
depende del origen del mismo
aunque si de su amplitud.
La probabilidad de que
ocurra un hecho en un
intervalo infinitésimo es
prácticamente proporcional a
la amplitud del intervalo
33. Fórmula de Poisson
P(X!.ʎ) = ʎ. e
ʎˣ
X !
La probabilidad de que ocurra X éxitos
cuando el número de promedio de ocurrencia
de ellos es ʎ.
Media o promedio de
éxitos por unidad de
tiempo, área o productos.
es la constante 2.7183
señala un valor especifico que la
variable pueda tomar
Factorial
34. Aproximación de la Distribución de Poisson a la Distribución Binomial
Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones
binomiales, se puede usar a cambio la de Poisson.
La regla de mayor uso entre los
estadísticos establece que una
distribución de Poisson es una buena
aproximación de la distribución binomial
cuando n es igual o mayor que 20 y
cuando p es igual o menor que 05.
35. Aproximación de la Distribución de Poisson a la Distribución Binomial
P(x) = np. e
-npˣ
X !
En los casos en que se satisfacen tales condiciones, podemos sustituir la media
de la distribución binomial (np) en lugar de la media de la distribución de
Poisson (ʎ), de modo que la formula será:
36. Ejercicio:
Supongamos que en un hospital existen 20 máquinas de diálisis renal y la
probabilidad de que una de ellas no funcione bien durante un día cualquiera es de 02.
¿Cuál es la probabilidad de que exactamente tres estén fuera de servicio en un mismo
día?
Aproximación de la Distribución de Poisson a la Distribución Binomial
37. ENFOQUE DE POISSON ENFOQUE BINOMIAL
P (X) = (np)ˆx . e ˆ -np P(r) = n! . pˆr qˆ n-r
X| r|(n - r)
P (3) = (20. 02)ˆ3 . e ˆ - (20.02) P(3) = 20| . (02ˆ3)(98ˆ17)
3| 3|(20 - 3)|
= (4ˆ3)(e)ˆ-4 = 0065
(3.2.1)
=(064)(67032)
6
=00715
Como se puede apreciar , la diferencia entre las dos distribuciones de probabilidad es ligera, a penas
cerca de 10 % de error en el ejemplo
Aproximación de la Distribución de Poisson a la Distribución Binomial