Universidad De San Carlos De Guatemala

Centro Universitario De San Marcos

Facultad de Ciencias Económicas
Sexto Semestre Área profesional

Carrera:
Contaduría Pública Y Auditoría

Estudiante:
Edgar Isaí Monzón Aguilar
Carne: 201843578
Curso: Estadística I
Docente:
Lic. Manuel Ixcott Monterrosa

“Id y Enseñad”
 INTRODUCIIÓN
En una sociedad en continuos cambios, como la que nos ha tocado vivir y en la Carrera de
Contaduría Pública y Auditoria, hemos dejado de asombrarnos por los avances de la
ciencia y la tecnología. La estadística ha jugado un papel primordial en este desarrollo, al
proporcionar herramientas metodológicas generales para analizar la variabilidad,
determinar relaciones entre variables, diseñar de forma óptima experimentos, mejorar las
predicciones y la toma de decisiones en situaciones de incertidumbre. a estadística es una
ciencia, con su propio campo de estudio, y también un instrumento (conjunto de técnicas)
que utilizan ampliamente otras ciencias. La estadística como ciencia es una rama de la
matemática aplicada, cuyo objeto de estudio es el comportamiento de las variables que
pueden asociarse a una o más poblaciones. En tal caso, “población” es sinónimo de
“universo”, un conjunto bien definido de personas o de objetos, a los que es posible asociar
variables medibles o cualidades. Temas tan importantes como lo son la regresión,
correlación, series cronológicas y demás, son de gran relevancia en la estadística, ya que
permiten el cálculo de diferentes aspectos del campo de estudio de cada tema en concreto.
 Objetivo

General:

 Realizar un análisis de los temas como lo son son la regresión, correlación, series
cronológicas y demás temas que conforman la Estadísticas; ampliando así el
conociendo de dichos temas.

Específicos:

 Utilizar ayudar tecnológicas o libros en la búsqueda de temas que conforman la

Estadística.
 Diferenciar cada uno de los temas a investigar relacionados a Estadística; y su
incidencia en la aplicación de la misma.
 Determinar la importancia de cada uno de los temas investigados y relacionados
con la Estadística.
 “UNIDAD 5”
Regresión Y Correlación Lineal Simple

 Correlación lineal

Para estudiar la relación lineal existente entre dos variables continuas es necesario disponer
de parámetros que permitan cuantificar dicha relación. Uno de estos parámetros es
la covarianza, que indica el grado de variación conjunta de dos variables aleatorias.
La covarianza depende de las escalas en que se miden las variables estudiadas, por lo tanto,
no es comparable entre distintos pares de variables. Para poder hacer comparaciones se
estandariza la covarianza, generando lo que se conoce como coeficientes de correlación.
Además del valor obtenido para el coeficiente de correlación, es necesario calcular su
significancia. Solo si el p-value es significativo se puede aceptar que existe correlación, y
esta será de la magnitud que indique el coeficiente. Por muy cercano que sea el valor del
coeficiente de correlación a +1+1 o −1−1, si no es significativo, se ha de interpretar que la
correlación de ambas variables es 0, ya que el valor observado puede deberse a simple
aleatoriedad.
1.1. Conceptos:

a) De Regresión Y Correlación
 Regresión
Expresándolo en forma simple, la regresión lineal es una técnica que permite cuantificar la
relación que puede ser observada cuando se grafica un diagrama de puntos dispersos
correspondientes a dos variables, cuya tendencia general es rectilínea; relación que cabe
compendiar mediante una ecuación “del mejor ajuste” de la forma:
Y=a + bx
 Correlación
El análisis de correlación se encuentra estrechamente vinculado con el análisis de regresión
y ambos pueden ser considerados de hecho como dos aspectos de un mismo problema.
Los valores de “r” pueden calcularse fácilmente en base a una serie de pares de datos de
“x” e “y”, utilizando la misma tabla y montos que se indican en el Paso 2 de la sección
“regresión” de este capítulo. De este modo “r” puede ser obtenido - indirectamente - a
partir de la relación:
  Coeficiente de Correlación lineal de Pearson: El estimador muestral más
utilizado para evaluar la asociación lineal entre dos variables X e Y es el coeficiente
de correlación de Pearson (r). Se trata de un índice que mide si los puntos tienen
tendencia a disponerse en una línea recta. Puede tomar valores entre -1 y +1.Es un
método estadístico paramétrico, ya que utiliza la media, la varianza,...y por tanto,
requiere criterios de normalidad para las variables analizadas. Se define como la
covarianza muestral entre X e Y dividida por el producto de las desviaciones típicas
de cada variable:

La expresión matemática para el coeficiente de correlación de Pearson parece compleja,

pero esconde un planteamiento que en el fondo, es sencillo: “r” estará próximo a 1 (en
valor absoluto) cuando las dos variables X e Y estén intensamente relacionadas, es decir, al
aumentar una aumenta otra y viceversa. A este concepto de variación al unísono se le llama
covarianza.
Condiciones de aplicación de la correlación:
 Variables cuantitativas: Ambas variables examinadas han de ser cuantitativas.
Para variables ordinales se puede usar el coeficiente de Spearman.
 Normalidad: La normalidad de ambas variables es un requisito en el caso del
coeficiente de correlación de Pearson, pero no en el de Spearman.
 Independencia: Las observaciones han de ser independientes, es decir, sólo hay
una observación de cada variable para cada individuo. No tendría sentido, aplicar la
correlación en un estudio que relacionase la ingesta diaria de sal y la tensión
intraocular si se tomaran mediciones en ambos ojos de cada individuo. En este caso
hay dos observaciones por paciente que están autocorrelacionadas, no son
independientes; habría que considerar N como el número de pacientes y no el de
ojos.

Los residuos o errores son la diferencia entre los valores observados (verdadero valor de Y)
y los valores pronosticados por el modelo: ei=Y-Ŷ. Recogen la parte de la variable Y que
no es explicada por el modelo de regresión. Apartir de la definición de residuo, podemos
escribir Y = f(X) + error. El término que hemos denominado error debe ser tan pequeño
como sea posible. El objetivo será buscar la función (modelo de regresión)Ŷ= f(X) que lo
minimice.
1.2. Determinación De La Ecuación De Regresión:
El primer paso para determinar la ecuación de la recta de regresión que pasa por los datos
de la muestra es establecer la forma de la ecuación. En análisis de regresión, los
investigadores usan la ecuación de pendiente ordenada de una recta.
En estadística, la forma pendiente ordenada de la ecuación de regresión que pasa por los
puntos poblacionales es:
A menos que los puntos que se ajustan con la ecuación de regresión estén en perfecto
alineamiento, la recta de regresión no pasara por algunos de los puntos.
La ecuación precedente, Ei, representa el error de la recta de regresión para ajustar los
puntos. Si un punto está sobre la recta de regresión Ei = 0.Estos modelos matemáticos
pueden ser deterministas o probabilistas. Los modelos deterministas son modelos
matemáticos que producen una salida exacta para una entrada establecida.
Por tanto un modelo de regresión para pronosticar el volumen de ventas por la cantidad de
publicidad, probablemente tenga un error. Por esta razón se presenta el modelo general
como modelo probabilístico.
Un modelo probabilístico es el que incluye un término de error que considera los valores y
para variar cualquier valor dado de x.
a) Ecuaciones Normales
Se utiliza la ecuación normal para describir la relación entre la respuesta y los términos en
el modelo. Es una representación algebraica de la línea de regresión. Se ingresa el valor de
cada predictor en la ecuación para calcular el valor de respuesta medio. A diferencia de la
regresión lineal, una ecuación normal no lineal puede tomar muchas formas diferentes.
El error estándar de la estimación estima la variabilidad entre las estimaciones del
parámetro que se obtendrían si se tomara las muestras de la misma población una y otra
vez.
Se utiliza el error estándar de la estimación para medir la precisión de la estimación del
parámetro. Cuanto menor sea el error estándar, más precisa será la estimación.
Estos intervalos de confianza (95%) son rangos de valores que es probable que contengan
el verdadero valor de cada parámetro incluido en el modelo.
El intervalo de confianza consta de las dos partes siguientes:

 Estimación de punto: Este valor individual estima un parámetro de población

usando los datos de la muestra. El intervalo de confianza está centrado alrededor de
la estimación de punto.
 Margen de error: El margen de error define el ancho del intervalo de confianza y
es determinado por la variabilidad observada en la muestra, el tamaño de la muestra
y el nivel de confianza. Para calcular el límite superior del intervalo de confianza, el
margen de error se suma a la estimación de punto. Para calcular el límite inferior
del intervalo de confianza, el margen de error se resta de la estimación de punto.
 b) Formula Abreviada
Se puede observar que en la formula se tienen las columnas necesarias para calcular la
ecuación de regresión, y agregando la columna de los cuadrados de la variable dependiente
Y, se tiene la información necesaria para calcular el valor r.
Para calcular el coeficiente de correlación para la siguiente información relativa a los
tiempos de calentamientos (X), en minutos y los espesores de óxido (Y) de cierta pieza.
1.3. El Error Estándar De Estimación
El error estándar de estimación mide la desviación en una muestra valor poblacional. Es
decir, el error estándar de estimación mide las posibles variaciones de la media muestral
con respecto al verdadero valor de la media poblacional.
Habría que reseñar que es importante no confundir la desviación estándar con el error
estándar y con el error estándar de estimación:

 La desviación estándar es una medida de la dispersión de los datos; es decir, es una

medida de la variabilidad de la población.
 El error estándar es una medida de la variabilidad de la muestra, calculada en base a
la desviación estándar de la población.
 El error estándar de estimación es una medida del error que se comete al tomar la
media muestral como estimación de la media poblacional.
La variabilidad de las medidas muéstrales se pueden medir por su desviación estándar. Esta
medida se conoce como el error estándar y tiende a disminuir cuando aumenta el tamaño de
las muestras.
El error estándar de estimación se puede calcular para todas las medidas que se obtienen en
las muestras (por ejemplo, error estándar de estimación de la media o error estándar de
estimación de la desviación estándar) y mide el error que se comete al estimar la verdadera
medida poblacional a partir de su valor muestral
A partir del error estándar de estimación se construye el intervalo de confianza de la
medida correspondiente.
El coeficiente de confianza indica la cantidad de errores estándar que está dispuesto a
sumar y restar a la medida para tener un cierto nivel de confianza en los resultados.

Error estándar de estimación = ± Coeficiente de confianza * Error estándar

Coeficiente de confianza = valor límite de un estadístico muestral o distribución de

muestreo para un determinado intervalo de probabilidades.

Error estándar = desviación estándar de la población dividida por la raíz cuadrada del
tamaño de la muestra.
El coeficiente de confianza indica la cantidad de errores estándar que está dispuesto a
sumar y restar a la medida para tener un cierto nivel de confianza en los resultados
a.) Estimación Puntual:
El objetivo de la estimación puntual es aproximar el valor del parámetro desconocido
(tiempo medio de ejecución de un algoritmo, altura media de las mujeres de una población,
diferencia del resultado medio entre dos tratamientos médicos, proporción de gente que
mejora con un tratamiento médico…)
Para ello se utiliza la información de la muestra (x1, x2,…, x n) (x1, x2,…, x n), a través de
un estimador.
Algunos estimadores frecuentes son:
Media muestral, para estimar la media teórica de una variable XX

La evaluación del estimador sobre la muestra fija da lugar a una estimación puntual.
b.) Estimación Total:
La estimación total es el proceso de encontrar una estimación, o aproximación, que es un
valor que es utilizable para algún propósito incluso si los datos de entrada pueden estar
incompletos, inciertos o inestables. No obstante, el valor es utilizable porque se deriva de la
mejor información disponible. Típicamente, la estimación implica "usar el valor de
una estadística derivada de una muestra para estimar el valor de un parámetro poblacional
correspondiente". La muestra proporciona información que puede ser proyectada, a través
de varios procesos formales o informales, para determinar un rango más probable para
describir la información faltante. Una estimación que resulta ser incorrecta será
una sobreestimación si la estimación excedió el resultado real, y una subestimación si la
estimación fue inferior al resultado real.
Cómo se realiza la estimación total: La estimación se hace a menudo por muestreo, que
es contar un pequeño número de ejemplos algo, y proyectar ese número en una población
más grande. Un ejemplo de estimación sería determinar cuántos caramelos de un tamaño
dado hay en un frasco de vidrio. Debido a que la distribución de los caramelos dentro del
frasco puede variar, el observador puede contar el número de caramelos visibles a través
del vidrio, considerar el tamaño del frasco y suponer que se puede encontrar una
distribución similar en las partes que no se pueden ver, haciendo así una estimación del
número total de caramelos que podrían estar en el frasco si esa presunción fuera cierta. De
manera similar, las estimaciones pueden generarse proyectando los resultados de
las encuestas o sondeos sobre toda la población.
 c.) Estimación Por Intervalo De Confianza:
Un intervalo de confianza es una técnica de estimación utilizada en inferencia
estadística que permite acotar un par o varios pares de valores, dentro de los cuales se
encontrará la estimación puntual buscada (con una determinada probabilidad).
Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una media
muestral (uno superior y otro inferior). Estos valores van a acotar un rango dentro del cual,
con una determinada probabilidad, se va a localizar el parámetro poblacional.
Intervalo de confianza = media +- margen de error
Ante situaciones así, se hace más factible seleccionar una muestra estadística. Por ejemplo,
500 personas. Y sobre dicha muestra, calcular la media. Aunque seguiríamos sin saber el
verdadero valor poblacional, podríamos suponer que este se va a situar cerca del valor
muestral. A esa media le sumamos el margen de error y tenemos un valor del intervalo de
confianza. Por otro lado, le restamos a la media ese margen de error y tendremos otro valor.
Entre esos dos valores estará la media poblacional.
La estimación por intervalos consiste en establecer el intervalo de valores donde es más
probable se encuentre el parámetro. La obtención del intervalo se basa en las siguientes
consideraciones:

 Si conocemos la distribución muestral del estimador podemos obtener las

probabilidades de ocurrencia de los estadísticos muestrales.
 Si conociéramos el valor del parámetro poblacional, podríamos establecer la
probabilidad de que el estimador se halle dentro de los intervalos de la distribución
muestral.
 El problema es que el parámetro poblacional es desconocido, y por ello el intervalo
se establece alrededor del estimador. Si repetimos el muestreo un gran número de
veces y definimos un intervalo alrededor de cada valor del estadístico muestral, el
parámetro se sitúa dentro de cada intervalo en un porcentaje conocido de ocasiones.

1.4. El Coeficiente De Correlación:

La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es
una medida de regresión que pretende cuantificar el grado de variación conjunta entre dos
variables.
Tipos de correlación.
Según el número de variables que se estudian, la correlación puede ser:
 Correlación simple. Cuando de estudia el grado de asociación o dependencia entre
dos variables.
  Correlación múltiple: cuando se estudia el grado de asociación que puede existir
entre tres o más variables; una de ellas dependiente y el resto independiente.
 Correlación parcial: En el caso de la correlación múltiple, es la cuantificaron del
grado de asociación neta entre dos variables, una vez eliminada estadísticamente la
influencia de las otras variables independientes.

Atendiendo la naturaleza de la función y según el tipo de ecuación y regresión, la

correlación puede ser rectilínea, parabólica exponencial potencial etc.
 Correlación directa o positiva: cuando ocurren aumentos o disminuciones en una
variable ocurren también en la otra variable ya que su relación es directamente
proporcional. (Dependientes, independiente)
 Correlación inversa o negativa: esta relación es inversamente proporcional entre
las variables (dependientes, independiente)

Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos
variables, es decir, si se representan en un diagrama de dispersión los valores que toman
dos variables, el coeficiente de correlación lineal señalará lo bien o lo mal que el conjunto
de puntos representados se aproxima a una recta.
De una forma menos coloquial, la podemos definir como el número que mide el grado de
intensidad y el sentido de la relación entre dos variables.

En el caso opuesto, si siempre que el valor «x» sube, y el valor «y» baja, y además con la
misma intensidad, entonces estamos hablando de correlación negativa (-1).
Es importante saber que esto no quiere decir que lo hagan en la misma proporción (salvo
que tengan la misma desviación típica).
1.5. Coeficiente De Determinación:
El coeficiente de determinación es la proporción de la varianza total de la variable
explicada por la regresión. El coeficiente de determinación, también llamado R cuadrado,
refleja la bondad del ajuste de un modelo a la variable que pretender explicar.
El coeficiente de determinación es una medida estadística de la bondad del ajuste o
fiabilidad del modelo estimado a los datos. Se representa por R2 e indica cuál es la
proporción de la variación total en la variable dependiente (Y), que es explicada por el
modelo de regresión estimado, es decir, mide la capacidad explicativa del modelo
estimado.
Cálculo del coeficiente de determinación
Donde la suma total es la varianza muestral de la variable endógena multiplicada por el
tamaño de la muestra; por lo tanto, mide las fluctuaciones de esta variable alrededor de su
media; y, la suma residual indica cuál es el nivel de error que se comete con el modelo
estimado al explicar la variable endógena.
El coeficiente de determinación siempre va a ser menor o igual que 1 (sería igual a 1 si el
modelo estimado puede explicar completamente la variable dependiente sin ningún error,
lo cual es muy improbable en la práctica) y si, además, el modelo tiene término
independiente, entonces el R2 es mayor o igual que cero.

Es importante saber que el resultado del coeficiente de determinación oscila entre 0 y 1.

Cuanto más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la variable que
estamos intentando explicar. De forma inversa, cuanto más cerca de cero, menos ajustado
estará el modelo y, por tanto, menos fiable será.

En primer lugar, se alza el numerador, es decir, la parte de arriba.

La Y lleva un circunflejo, lo que detalla es que esa Y es la estimación de un modelo sobre

lo que según las variables explicativas vale Y, pero no es el valor real de Y, sino una
estimación de Y. En segundo lugar, faltaría dividir entre T. Que, en otros casos, se nota
como N o número de observaciones. Sin embargo, dado que la fórmula del denominador
también la llevaría, se eliminan los denominadores (parte de abajo) de ambas fórmulas para
simplificar la expresión. De esta manera es más fácil trabajar con
ella.

A continuación, vamos a realizar el mismo análisis con la parte del

denominador (parte de abajo).

En este caso, la única diferencia existente respecto a la fórmula original de la varianza es la

ausencia de su denominador. Es decir, no se divide entre T o N.
 “Unidad 6”
SERIES HISTORICAS O CRONOLÓGICAS
Llamadas también series de tiempo, se denomina serie de tiempo a un conjunto de
observaciones obtenidas de una misma variable durante un período de tiempo. La
importancia de su análisis es, porque contando con datos pasados permite realizar un
pronóstico confiable de la actividad futura y tomar decisiones anticipadas. Las series
pueden ser negativas o positivas en su comportamiento.
Una serie cronológica, está formada por un conjunto de observaciones de una variable,
ordenadas en función del tiempo.
Su ámbito de aplicación, no está limitado a la esfera estrictamente económica. Su
metodología puede utilizarse en la medicina (electrocardiograma, electroencefalograma,
etc.), agricultura (evolución de las lluvias en las diferentes estaciones), psicología
(evolución del coeficiente intelectual de una persona) y en muchas otras disciplinas.
El propósito perseguido con el análisis de series, consiste en predecir los valores futuros de
la variable estudiada. Para ello, las observaciones son descompuestas en un conjunto de
elementos (componentes), que permitan descubrir las regularidades que presentan.

6.1 Componentes de una serie cronológica

El componente de tendencia de una serie representa movimientos lentos y graduales del
conjunto de datos. Su desplazamiento es uniforme, y se identifica con los cambios
permanentes y fundamentales, como los crecimientos de la población, los cambios en el
salario real de una comunidad, etc.
Si analizamos el consumo de un producto
alimenticio, en condiciones normales, es razonable 50
suponer que un aumento en la población, traerá 40
como consecuencia un mayor consumo del mismo.
Este aumento no se percibe en períodos cortos de 30
tiempo, pues como veremos, existen otros factores 20
que distorsionan las observaciones, pero sí se 10
advierte en el largo plazo.
0
En el gráfico se aprecia una tendencia creciente, a 1234567891111111
pesar de que las observaciones fluctúan a lo largo del 0123456
tiempo, por la influencia de los otros componentes.
Las variaciones estacionales representan los movimientos oscilatorios, dentro de un plazo
relativamente corto (un año o menos). En el período escogido, presentan una considerable
dosis de regularidad.
Si analizamos la evolución de las ventas de una heladería, encontraremos picos bastantes
acentuados, en los meses de verano. La estación, está condicionando la distribución de las
ventas anuales, y ese cuadro se repetirá en los años sucesivos.
El concepto de estacionalidad, se utiliza también para explicar variaciones que no se
corresponden con el concepto de “estación”.
Las mayores ventas de un supermercado los días sábado, también se consideran
fluctuaciones estacionales, por ser una configuración repetida a intervalos regulares, del
mismo fenómeno.
Las fluctuaciones cíclicas, se identifican con los movimientos oscilatorios alrededor de la
tendencia, que no se encuentran ceñidos a períodos regulares, pero que siempre son de
largo plazo. Aunque son fenómenos diferentes, podemos asociar (al solo efecto de su
compresión) estas fluctuaciones, al concepto de ciclo económico.
Ellos se caracterizan por una primera etapa de crecimiento acelerado, a mayor ritmo que la
tendencia.
Esta faz expansiva del ciclo, hace que los valores aumenten por encima del valor de
tendencia, hasta llegar al momento del “boom” en el cual la situación se revierte.
Los valores comienzan a caer vertiginosamente en esta faz depresiva, hasta que un nuevo
impulso vuelva a estabilizar la situación, y pueda dar lugar al surgimiento de un nuevo
ciclo. La construcción de viviendas en el Uruguay, ha estado caracterizada por
fluctuaciones de este tipo.
Los sucesos aleatorios o irregulares, reflejan el componente de la serie que varía en forma
totalmente esporádica. Sus variaciones son generalmente ocasionadas por factores
accidentales (huelgas, terremotos, inundaciones).

Si estudiamos las ventas de una empresa, cuya fábrica se incendió y permaneció seis meses
inactiva, es lógico encontrar una caída brusca durante ese período.
Este componente representa un residuo, que no puede ser explicado por las variaciones de
tendencia, estacionalidad y ciclo. Sus movimientos suelen suavizarse mediante la
utilización de promedios, que distribuyen sus efectos a lo largo del tiempo.
6.2 Movimientos Cíclicos
Son los movimientos ascendentes y descendentes de la variable, los cuales difieren de las
variaciones estacionales en que se e! tienden por períodos de tiempo más o menos largos (2
o más años) y,supuestamente, resultan de un conjunto de causas totalmentediferentes que
en general son de naturaleza económica y reflejan el estado de las actividades comerciales
de tiempo en tiempo. Los períodos recurrentes de expansión, cúspide, contracción y sima
constituyen y forman parte de las 4 fases de un ciclo y se consideran causados
por factores diferentes del clima y las costumbres sociales que contribuyen a las
variaciones estacionales
Se refieren a las oscilaciones de larga duración alrededor de la curva de tendencia, los
cuales pueden o no ser periódicos, es decir, pueden o no seguir caminos análogos en
intervalos de tiempo iguales. Se caracterizan por tener lapsos de expansión y contracción.
En general, los movimientos se consideran cíclicos solo si se produce en unintervalo de
tiempo superior al año 3.
Be identifican con los movimientos oscilatorios alrededor de latendencia, que no se
encuentran ce=idos a períodos regulares, pero que siempre son de largo plazo. Aunque son
fenómenos diferentes, podemos asociar; al solo efecto de su compresión estas
fluctuaciones, al concepto de ciclo económico. El componente cíclico
es la fluctuación en forma de onda alrededor de la tendencia, afecta por lo regular por las
condiciones económicas generales. Los patrones cíclicos tienden a repetirse en los datos
aproximadamente cada dos, tres o más años. Es común que las fluctuaciones cíclicas están
influidas por cambios de expansión y contracción económicas, a los que comúnmente se
hace referencia como el ciclo de los negocios.
Características De Las Series Cronológicas:
1. Permite hacer proyecciones sobre algún fenómeno económico o industrial tomando
como base hechos históricos o pasados.
2. Están conformadas por cuatro componentes básicos que son: Movimiento Cíclico,
Variación Estacional, Tendencia Secular; y Movimientos Irregulares.
3. Los datos reales son sustituidos mediante el ajuste de una función lineal.
4. Las series cronológicas nos ayudan a explicar una variable a partir de su pasado
histórico.
5. Se analiza una serie temporal, de la que se dispone de datos en períodos regulares
de tiempo, para conocer su patrón de comportamiento, para prever la evolución
futura, siempre bajo el supuesto de que las condiciones no cambiarán respecto a las
actuales y pasadas.
Es una relación funcional entre dos o más variables correlacionadas. Se utiliza para
pronosticar una variable con base en la otra, tanto para pronósticos de series de tiempo
como para pronósticos de relaciones causales. • Series de tiempo: Cuando la variable
dependiente (que casi siempre es el eje vertical en una gráfica) cambia como resultado del
tiempo (trazado como el eje horizontal). • Relaciones causales: Si un variable cambia
debido al cambio en otra, se trata de una relación causal (como el número de debidas al
aumento de cáncer pulmonar entre la gente que fuma).
 Tendencia Lineal
La tendencia lineal es la que se puede señalar en una línea recta o curva suave, ésta puede
ser ascendente o descendente. Para el ajuste de la lineal recta puede hacerse por el método
de mano alzada, por semipromedios y el más confiable el método de mano alzada, por
semipromedios y el más confiable el método de mínimos cuadrados, aplicando la ecuación
de la línea recta.

Y=a+bX

Una línea de tendencia lineal es una línea recta que se ajusta perfectamente y que se utiliza
con conjuntos de datos lineales simples. Los datos son lineales si la trama de los puntos de
datos se parece a una línea. Una línea de tendencia lineal normalmente muestra que algo
aumenta o disminuye a un ritmo constante.

Cuando se usa para describir la tendencia es escrita así: Yc= a + b x

Donde: Yc = a + b x

= Valores calculados o estimados de la variable “ Y”

a y b= Coeficientes de regresión, a= Origen, b= Pendiente X= Identifica el tiempo: años,
semestres, meses etc.
Normalmente se mide el predictor “tiempo” en términos de semanas, meses, semestres,
años. El tiempo constituye la variable X, a la que se le asigna valores estos varían según el
método que se aplique, método largo o método cortó, tomando en cuenta si la serie es
impar o par.
 Determinación de la ecuación de la tendencia lineal.
La ecuación de una línea recta llamada componente lineal de tendencia de la forma: • Y= a
b x, • Donde: • Y= Es el valor pronosticado en un período X • a= Es la ordenada en el
origen (intercepción de la recta con el eje vertical), X=0 • b= Es la pendiente de la línea. •
x= Es el período para el que se prepara el pronóstico.
• Los valores de a y de b se calculan con el método de mínimos cuadrados. La aplicación
de este criterio da como resultado una línea recta que minimiza el cuadrado de las
distancias verticales.
  Método corto o abreviado
Como se señaló para aplicar este método es necesario hacer que la suma de X (Variable
tiempo) sea cero, la manera más sencilla es tomar un período en medio de la serie que la
divida en dos partes iguales. La fórmula abreviada (No. 115)

a=ΣY y b= Σ XY
n ΣX2

Las fórmulas requieren la sumatoria de Y, asignar valores a X haciendo que la suma sea
cero, la sumatoria del producto de cada X por cada Y, y la sumatoria de cada X al
cuadrado, cuyas columnas aparecen en la siguiente tabla.

Años Ventas Y X XY X2
2011 4.450 -5 -22.25 25
2012 4.630 -3 13.89 9
2013 4.850 -1 4.85 1
Origen 31 de diciembre 0
2014 4.910 1 4.910 1
2015 5.240 3 15.72 9
2016 5.400 5 27.00 25
TOTAL 29.480 0 6.64 70

Sumatoria de X es igual a cero, el origen puede ser el 31 de diciembre del año 2013 o bien
el 01 de enero del año 2014.
a = Σ Y = 29,480 = 4.913 y b = Σ XY = 6.64 = 0.0948571 n 6 Σ
X2 70
La ecuación de regresión buscada es Yc = 4.913 +0.098571
Estimación con la ecuación
La estimación de las ventas para 2017, en este caso ventas quedaría así: Yc = 4.913 +
0.098571 ( 7) = 5.58 miles de Q.
Cambio de origen, si se desea cambiar el origen al 01 de julio del año 2011, el valor de X
de la ecuación debe sustituirse por – 5 que es el valor que le corresponde así:
Y c = 4.913 + 0.098571 ( -5)
Yc = 4.913 - 0.492865 = Yc = 4.420135 + 0.0949 X Nueva ecuación con origen el 1 de
julio de 2011, X en semestres
Y al estimar para el año 2017 se tiene Yc = 4.44 + 0.0499 (12) = 5.58, el valor estimado
debe ser el mismo por cualquiera de los dos métodos no importa el origen que se tome.
El valor 12 para X en la estimación queda demostrado en la tabla:

Años Ventas Y Origen inicial X Nuevo origen X

2011 4,450 -5 0
2012 4,630 -3 2
2013 4,850 -1 4
Origen 31 de diciembre 0
2014 4,910 1 6
2015 5,240 3 8
2016 5,400 5 10

X 12
Para el año 2017 con origen en el año 2011 ( X en semestres), X tomará el valor de 12.
Para año impar (X en años)
Método corto
Año X en años
1 -2
2 -1
3 0
4 1
 5 2
XX 0

Para el método corto, el año central al 30 de junio o el 01 de julio X = 0, luego a mediados

del año 2 se suma otro año con signo negativo X = -1, luego a mediados del año 1 se suma
otro año X = - 2, y así sucesivamente. Hacia delante la asignación de valores de X = 0, se
suman años, año 4 X =1, Año 5 X = 2, positivos.
Para año par (X en años)
Por el método abreviado estas ecuaciones se simplifican haciendo que la sumatoria de X
sea igual a cero, y para encontrar los valores de “a” y “b” las ecuaciones quedan así:
Fórmula 115 a= Σ Y y b = Σ XY
n ΣX2
Estas ecuaciones simplificadas aplican únicamente para cuando la sumatoria de X es
igual a cero, por lo que no se debe utilizar en regresión y correlación.

Método corto
Año X en semestres
1 -5
2 -3
3 -1
Origen 0
4 1
5 3
6 5
XX 0

 Método largo o directo

a) Ecuación de regresión
Aplicando el método largo, calcular la ecuación de tendencia con origen el 1 de julio de
2011. El valor de X en el origen debe ser 0, en este caso el primer año, y los demás años
1,2,3 etc. Desde este momento el método a utilizar es el largo, en virtud que la suma de
la variable X no es cero. (Las estimaciones estarán a mediados de año) La ecuación
buscada es Yc = a + bX, siendo necesario determinar los valores de “a” y “b”. aplicando la
fórmula 116:
Estos cálculos se registran en la siguiente tabla en miles de Q.
Años X2 Ventas Y X XY
2011 0 4.450 0 0
2012 1 4.630 1 4.630
2013 4 4.850 2 9.700
2014 9 4.910 3 14.730
2015 16 5.240 4 20.960
2016 25 5.400 5 27.000
TOTAL 55 29.480 15 77.020

La ecuación requerida es:

Yc = 4.44 + 0.19 X
X en años, con origen 01/07 de julio de 2011, tomar en cuenta que el origen está a
mediados de año.
a) Estimación
Estimar la variable ventas, para el año 2017. Para el efecto se utiliza la ecuación de
regresión encontrada, sustituyendo en X, el valor de 6 que le correspondería para el año
requerido.
Y c = 4.44 + 0.19 ( 6)
Y c = 5.58 R. Se estima Q5.58 miles de venta para el año 2017.
b) Cambio de origen a la ecuación y determinar una nueva ecuación
Cambiar el origen de la ecuación para el año 2014, esto es modificar el valor del
coeficiente de regresión “a”, el valor de “b” continúa igual, y se obtiene una nueva
ecuación. Se identifica el valor de X que le corresponde al origen requerido en el cuadro de
cálculo, este valor 3 (Año 2014) el que se sustituye en la ecuación de regresión original:
Yc = 4.4390478 + 0.19 (3);
Nueva ecuación: Yc = 5.01 + 0.19 con origen el 01 de julio de 2013, X en años.
Si se desea estimar con esta nueva ecuación las ventas para el mismo año 2017.Se tiene: Yc
= 5.01 + 0.19 ( 3 ) = Q5.58 miles, el valor hallado debe ser el mismo al encontrado con la
primera ecuación. Para la estimación se sustituyó X por 6, en virtud que ha cambiado el
origen y para el año 2017 le correspondería 3.
 Año Origen inicial Nuevo origen
X X
2011 0 3
2012 1 2
2013 2 1
2014 3 0
2015 4 1
2016 5 2

Para año impar (X en años)

Los valores de X, están a mediados de cada período en este caso años, así por el método
largo al 30 de junio del año 1, el valor de X = 0, luego a mediados del año 2 se suma otro
año = 1, para el año 3 se suma otro año X = 2 y así sucesivamente.
Método largo
Año X en años
1 0
2 1
3 2
4 3
5 4
TOTAL 10

Para año par (X en años)

Por el método largo X en años situando el origen en el primer período con X = 0, por el
método corto X se identifica en semestres, iniciando al 31 de diciembre del año 3 o bien 01
de enero del año 4, éste es el origen que se identifica con X = 0.
Registrando los valores de X para los períodos anteriores al período base, del 31 de
diciembre del año 3 para mediados del año 3, hay un semestre X = -1; de mediados del año
3 para mediados del año 2 hay dos semestres, entonces se suma dos semestres y X
= -3, de igual manera es hacia los años siguientes al período base, únicamente que los
valores de X son positivos.
Para encontrar los coeficientes a y b, de la ecuación de regresión, por el método largo, se
utilizan las ecuaciones normales o fórmula directa:
Fórmula 114 Σ Y = na + b Σ X
Σ XY = a Σ X + b Σ X 2

a= ΣX2 ΣY - ΣX Σ XY
Fórmula 116
nΣX2-(ΣX)2

b= n Σ XY - Σ X ) (Σ Y )
nΣX2-(ΣX)2

Método largo
Año X en años
1 0
2 1
3 2
4 3
5 4
6 5
Total 10

 Estimación puntual

Estimación puntual del valor medio de la variable dependiente cuando el valor de la

variable independiente es x0
^y =b0 + b1 x 0

Se predice  = 0

 Se puede demostrar que estas estimaciones puntuales dan un valor de la suma de los
residuos cuadráticos (SSE) que es menor que la que se obtiene con cualesquiera
otros valores de b0 y b1. Se les llaman estimaciones puntuales de los mínimos
cuadrados.
 la recta se llama recta de regresión de mínimos cuadrados
 la ecuación se llama ecuación de predicción de mínimos cuadrados.
 Estimación Por Intervalos De Confianza

 Si se cumplen las suposiciones de la regresión, un intervalo de confianza de

100(1-α)% para la pendiente verdadera β1 es

[ (
b1 ±t [ αn−2 s
/2 ] b
)
1
]
 Si se cumplen las suposiciones de la regresión, un valor de distancia (v.d.) para
un valor particular x0 de x (para la regresión lineal simple) es

2
1 ( x 0 − x̄ )
v . d .= +
n SS xx

 Si se cumplen las suposiciones de la regresión, un intervalo de confianza de

100(1-α)% para el valor medio de y cuando la variable independiente es x0 es

^y ±t([ n−2 )
α /2 ] s √ v . d .

 La población de todos los errores posibles de predicción está normalmente

distribuida con media cero y desviación estándar

σ√1 + valor de distancia

La estimación puntual es

s√1 + valor de distancia

Se llama error estándar del error de predicción

 Si se cumplen las suposiciones de la regresión, un intervalo de predicción

100(1-α)% para un valor individual de y cuando la variable independiente es x0
es

^y ±t([ n−2 )
α /2 ] s √ 1+v .d .

 Nótese que el intervalo de predicción es mayor que el intervalo de confianza:

mayor incertidumbre acerca del término de error.
 Entre más alejado del valor medio es xi, mayores son los intervalos de confianza
y de predicción.
 “Unidad 7”
Números Índices Y Desvalorización Monetaria

 Naturales y problemas metodológicos de los números índices

El número índice es una medida estadística diseñada para poner de relieve cambios en una
variable o en un grupo de variables relacionadas con respecto al tiempo, situación
geográfica, ingreso o cualquier otra característica.
Este tipo de número puede definirse también como un valor relativo con base igual a 100%
o un múltiplo de 100% tal como 10 y 100, que permite medir qué tanto una variable ha
cambiado con el tiempo.
Calculamos un número índice encontrando el cociente del valor actual entre un valor base.
Luego multiplicamos el número resultante por 100, para expresar el índice como un
porcentaje. Este valor final es el porcentaje relativo. El número índice para el punto base en
el tiempo siempre es 100.
Pueden aparecer varias causas que pueden ocasionar problemas con el número índice, las
cuales podemos mencionar algunas de ellas:
1. En ocasiones, hay dificultad para hallar datos adecuados para calcular un índice.
2. La incomparabilidad de índices se presenta cuando se hacen intentos para comparar
un índice con otro después de que ha habido un cambio básico en lo que se
ha estado midiendo.
3. La ponderación no apropiada de factores puede distorsionar un índice. Al
desarrollar un índice compuesto, como el IPC, debemos tomar en cuenta que los
cambios en ciertas variables son más importantes que en otras.
4. La distorsión de los números índice también se puede presentar cuando se
selecciona una base no apropiada. Siempre debemos considerar cómo y por qué el
período base fue seleccionado antes de aceptar una aseveración basada en el
resultado de comparar números índice.
Tipos de números índices
Según que recojan la evolución de una o más magnitudes:
  Índices relativos simples
Si la comparación se realiza para los valores de una sola magnitud, hablaremos de índices
simples. En cambio, cuando se trabaja con más de una magnitud a la vez, hablaremos de
índices complejos. En cualquiera de los dos casos vamos a comparar siempre dos
situaciones, una de las cuales se considera de referencia. A la situación inicial, cuando las
comparaciones son temporales, se le
conoce como periodo base o referencia,
frente al periodo corriente o actual
con el que se realiza la comparación. En la
construcción de un número índice se le asigna al periodo de referencia el valor 100. Esto
implica que los números índices no son otra cosa que porcentajes. Se trata de los
porcentajes de cada valor de la magnitud con respecto al valor de referencia o base. Al ser
los números índices porcentajes definidos sobre los propios valores de la variable hace que
sean adimensionales, lo que permite la comparación de las variaciones de distintas
variables que pueden venir expresadas en unidades diferentes. Formalmente, un índice
simple, para una variable concreta, se define de la forma siguiente:

Tipos de números índice: Por lo general, un índice mide el cambio en una variable
durante un cierto período, como en una serie temporal. Sin embargo, también se le puede
utilizar para medir diferencias en una variable dada en diferentes lugares. Esto se lleva a
cabo recolectando datos de manera simultánea en los diferentes lugares y luego
comparándolos. De acuerdo con la definición general de número índice dada con
anterioridad, estas tres modalidades de índices se expresan en la forma siguiente:

 De precios
Entre los índices compuestos ponderados que más se utilizan, se
encuentran los que se refieren a las variaciones de precios. Los más
importantes son los de Laspeyres, Paasche y Fisher.
La característica común a estos índices y a la mayoría de los índices de precios es que
utilizan valores como coeficientes de ponderación; es decir, datos que se pueden expresar
como producto de un precio por una cantidad.
 De cantidades
En tiempos de inflación, un índice de cantidad proporciona una medida más confiable de la
producción real de materias primas y bienes terminados que el correspondiente índice de
valores. De manera parecida, la producción agrícola se mide mejor si se utiliza un índice de
cantidad, debido a que éste elimina los efectos engañosos producidos por la fluctuación de
precios. A menudo usamos un índice de cantidad para medir mercancías que están sujetas a
una variación considerable de precios.
Cualquiera de los métodos analizados para determinar índices de
precios, puede utilizarse para calcular índices de cantidad. Cuando
deseamos calcular índices de precios, usamos cantidades o valores
como pesos. Ahora que queremos calcular índices de cantidad,
utilizamos precios valores como pesos.
 De valor
Un índice de valor mide cambios generales en el valor total de alguna variable. Como el
valor está determinado tanto por el precio como por la calidad, un índice de valor realmente
mide los efectos combinados de los cambios de precios y cantidad.
La principal desventaja de un índice de valor es que no hace diferencia alguna entre los
efectos de estados dos componentes.

De donde vemos que el índice de valor es el producto de los índices de precios y

cantidades. Todos estos índices, como ya hemos venidos señalando, deben expresarse en
forma de porcentajes.

Problemas metodológicos con los números índice

Pueden aparecer varias causas que pueden ocasionar problemas con los números índices,
las cuales podemos mencionar algunas de ellas:

1. En ocasiones, hay dificultad para hallar datos adecuados para calcular un índice.
2. La incomparabilidad de índices se presenta cuando se hacen intentos para comparar
un índice con otro después de que ha habido un cambio básico en lo que se ha
estado midiendo.
3. La ponderación no apropiada de factores puede distorsionar un índice. Al
desarrollar un índice compuesto, como el IPC, debemos tomar en cuenta que los
cambios en ciertas variables son más importantes que en otras.
4. La distorsión de los números índice también se puede presentar cuando se
selecciona una base no apropiada. Siempre debemos considerar cómo y por qué el
período base fue seleccionado antes de aceptar una aseveración basada en el
resultado de comparar números índice.

Índices compuestos
Si lo que deseamos es medir la evolución en el tiempo de una magnitud compleja, o
conjunto de magnitudes simples, como, por ejemplo, el precio de las frutas, en este caso no
se podrá utilizar un índice simple, ya que tendríamos diferentes precios para cada una de
las variedades que presenta este tipo de alimentos naranjas, manzanas o peras.
En estos casos, hemos de acudir a otro tipo de índices, denominados en la literatura índices
compuestos, que se obtienen por combinación de los índices simples de cada una de las
magnitudes que estamos analizando.
Existen diferentes formas o criterios para obtener el índice compuesto. Una primera
clasificación consiste en distinguir entre índices compuestos sin ponderar e índices
compuestos ponderados.
 Índices Compuestos Sin Ponderar: Son los que tratan de medir la evolución de
una magnitud compleja, pero donde las diferentes magnitudes simples que
intervienen tienen toda la misma importancia.
 Índices Compuestos Ponderados: Aunque los índices compuestos ponderados se
pueden obtener para todo tipo de variables, los más importantes son los que miden
las variaciones en los precios.

Una vez definidos los índices de precios, cantidades y valor aplicados todos al caso de un
solo bien, el siguiente paso que debemos dar es la construcción de índices de esa naturaleza
pero que abarquen más de un bien simultáneamente. Ello nos llevará al concepto de índice
compuesto o complejo. En general, este índice compuesto no será otra cosa que la
agregación de los distintos índices simples elaborados para cada bien por separado. Sin
embargo, en otras ocasiones, lo que se agregan no son índices, sino las propias magnitudes
(precios o cantidades) observadas. La agregación puede realizarse según distintos métodos
o procedimientos. Ahora bien, el que se elija ha de reunir algunas propiedades, tales como
que el resultado sea un número índice sencillo y que en el mismo se reúna gran cantidad de
información. En función de cual de esos criterios prevalezca nos llevará a dos categorías de
índices compuestos distintas. Los que podríamos definir como índices compuestos no
ponderados, en los que prevalece el criterio de la sencillez frente al de la información. El
segundo grupo sería el de índices compuestos ponderados, donde se prima especialmente la
información frente a la sencillez.

 Precios de Laspeyres.
El índice de Laspeyres sobrevalora sistemáticamente la inflación, mientras que el índice de
Paasche la infravalora. Un dato importante es que este índice se utiliza para calcular el IPC
(índice de precios del consumo). El índice de Laspeyres se calcula mediante la siguiente
fórmula:

Ventajas del Método de Laspeyres:

La comparabilidad de un índice con otro
El utilizar la misma cantidad del periodo base nos permite realizar una comparación
directa.
Desventajas del Método de Laspeyres
No toma en cuenta los cambios que se producen en los patrones de consumo.
  Precios de Paasche.
Es de gran utilidad por combinar los efectos de los cambios en los patrones de precio y
consumo, es un mejor indicador de los cambios generales de la economía.
Se define como la media armónica ponderada de los índices simples, siendo los cocientes
de ponderación, wi = pitqit, es decir, el valor de la cantidad consumida del artículo i en el
periodo actual con precios actuales.

Desventajas del Método de Paasche

Las medidas de cantidad en un periodo índice suelen ser diferentes de las de otro periodo
índice, por lo cual es imposible atribuir exclusivamente a los cambios de precio la
diferencia existente entre 2 índices, es difícil comparar los índices de los diferentes
periodos determinados por este método.
El índice Paasche tiene como fórmula:
Este índice también se conoce como deflactor del PIB:

 Precios de Fischer.
Un tercer índice, el índice de Fisher (del economista estadounidense Irving Fisher), intenta
mitigar el problema de la infravaloración o sobrevaloración de los índices anteriores,
siendo una especie de resultado intermedio de los dos anteriores; calcula el Promedio
Geométrico de los dos anteriores:

 Cantidades de Laspeyres.
Este método utiliza las cantidades consumidas durante el período base. Es el más usado,
debido a que requiere medidas de cantidades de únicamente un período. Como cada
número índice depende de los mismos precios y cantidades base, la administración puede
comparar el índice de un período directamente con el índice de otro.
Una ventaja de este método es la comparabilidad de un índice con otro. El uso de la misma
cantidad de período base nos permite hacer comparaciones de manera directa. Otra ventaja
es que muchas medidas de cantidad de uso común no son tabuladas cada año. La principal
desventaja es que no toma en cuenta los cambios de los patrones de consumo.

 Cantidades de Paasche.
Es un proceso parecido al seguido para encontrar un índice de Laspeyres. La diferencia
consiste en que los pesos utilizados en el método Paasche son las medidas de cantidad
correspondientes al período actual. Es particularmente útil porque combina los efectos de
los cambios de precio y de los patrones de consumo, así, es un mejor indicador de los
cambios generales de la economía que el método Laspeyres.
Una de las principales desventajas es la necesidad de tabular medidas de cantidad para cada
período examinado. Cada valor de un índice de precios Paasche es el resultado tanto de
cambios en el precio como en la cantidad
consumida correspondiente al
período base. Como las medidas de cantidad
utilizadas por un período de índice, por lo
general son diferentes de las medidas de cantidad de otro período de índice, resulta
imposible atribuir la diferencia entre los dos índices solamente a cambios de precio. En
consecuencia, es difícil comparar índices de diferentes períodos con el método Paasche

 Cantidades de Fischer
En lugar de utilizar pesos de período base o de período actual, utiliza pesos tomados de un
período representativo. Los pesos representativos se conocen como pesos fijos. Estos
últimos y los precios base no tienen que provenir del mismo período. La principal ventaja
es la flexibilidad al seleccionar el precio base y el peso fijo (cantidad).

 Índice de valor.
Un índice de valor mide cambios generales en el valor total de alguna variable. Como el
valor está determinado tanto por el precio como por la calidad, un índice de valor realmente
mide los efectos combinados de los cambios de precios y cantidad. La principal desventaja
de un índice de valor es que no hace diferencia alguna entre los efectos de estados dos
componentes.
Así también el índice de valor es el cociente entre el valor de los bienes considerados en el
periodo actual a precios del periodo actual y el valor de los bienes en el periodo base a
precios del periodo base, por consiguiente, refleja conjuntamente las variaciones de los
precios y las cantidades. Índices de valores: estudian la evolución del valor de un bien o de
un conjunto de bienes.

CONCLUSIÓN

Estadística es una herramienta importante para quienes estudiamos educación y áreas

socioeconómicas, saber su correcta utilización nos facilitará nuestro trabajo profesional y
formación académica. En la enseñanza-aprendizaje y en el campo de trabajo; donde se
priorice el uso de casos reales para tratar temas de estadística consideramos que será de
gran utilidad para comprender de mejor manera la importancia de esta área.

Otro beneficio que obtendríamos de esta materia es que nos permite realizar estudios
reales, con poblaciones exactas; lo cual nos ayuda a mejorar nuestros proyectos o en el
campo de trabajo. Todo lo que muestra en este apartado es de gran importancia, ya que nos
será de gran utilidad a lo largo de nuestra carrera de Contaduría Pública y Auditoria. Nos
encontramos en un mundo altamente probabilístico, por lo tanto se necesita que
nosotros como jóvenes tengamos conocimiento de probabilidades desde muy temprana
edad, ya que la utilizaremos a cada instante de nuestras vidas
 BIBLIOGRAFIA

 https://www.fisterra.com/formacion/metodologia-investigacion/calculo-
probabilidades-nocionesbasicas/#:~:text=La%20estad%C3%ADstica%2C%20junto
%20con%20la,proceso%20de%20investigaci%C3%B3n%20en
%20medicina.&text=En%20particular%2C%20el%20c%C3%A1lculo%20de,la
%20estad%C3%ADstica%20inductiva%20o%20inferencial.
 https://www.mty.itesm.mx/dmti/materias/ma2006-1/recursos/
Probabilidad_Eventos.pdf
 https://www.studocu.com/es/document/universidad-tecnologica-de-panama/
estadistica/informe/reglas-para-calcular-probabilidades/5539205/view
 https://economipedia.com/definiciones/distribucion-binomial.html
 https://economipedia.com/definiciones/distribucion-normal.html
 http://descartes.cnice.mec.es/heda/recursos/materiales/cadiz/Zaframagon/
var_aleatoria/tema5_5.html
 https://jesusgarciaj.com/2010/01/22/la-curva-de-distribucion-normal/
 https://www.medwave.cl/link.cgi/Medwave/Series/MBE04/5033
 https://es.slideshare.net/lindaaquino25/13-muestreo-estadstico
 https://es.slideshare.net/cheperobertt/distribucin-muestral-de-la-media-16495583
 http://www.hrc.es/bioest/esti_medias.html#:~:text=Distribucci%C3%B3n
%20muestral%20de%20medias&text=Si%20tenemos%20una%20muestra
%20aleatoria,y%20varianza%20s2%2Fn.&text=Es%20decir%20es%20el
%20error,error%20est%C3%A1ndar%20de%20la%20media.
 https://bookdown.org/aquintela/EBE/estimacion-puntual.html
 http://eio.usc.es/eipc1/base/basemaster/formularios-php-dpto/materiales/
mat_g2021103120_estadisticatema4.pdf
 CANSADO, Enrique. (1975). Curso de estadística general. Centro interamericano
de enseñanza de estadística (CIENES), Santiago de Chile.
 KASMIER, Leonard J. (2000). Estadística aplicada a la administración y a la
economía. 3era edición. México, Mcgraw-Hill
 LEVIN, Richard. (1996). Estadística para administradores. Sexta edición. Pearson
educación
 MURRAY, Spiegel. (1991). Estadística. 2da edición. México, Mcgraw-Hill.
 ROSENBAUM, Roberta S. Y HIGHLAND, Esther H. (1987). Matemáticas
Financieras, 3era edición. Prentice Hall
 YAMANE, Taro, Ed. Harla. ESTADISTICA, México DF. 1979.