Gmea Investigacion U5u6
Gmea Investigacion U5u6
Gmea Investigacion U5u6
Probabilidad y Estadística
Unidad 5:
Regresión lineal
Unidad 6:
Estadística aplicada
Alumno:
No. control
21070309
Carrera:
El análisis de la regresión lineal se utiliza para predecir el valor de una variable según
el valor de otra. La variable que desea predecir se denomina variable dependiente. La
variable que está utilizando para predecir el valor de la otra variable se denomina
variable independiente. Esta forma de análisis estima los coeficientes de la ecuación
lineal, involucrando una o a más variables independientes que mejor predicen el valor
de la variable dependiente.
La regresión lineal se ajusta a una línea recta o a una superficie que minimiza las
discrepancias entre los valores de salida previstos y reales. Hay calculadoras de
regresión lineal simple que utilizan el método de “mínimos cuadrados” para determinar
la línea que mejor se ajusta para un conjunto de datos pareados.
3
5.1.1 Diagrama de dispersión.
El diagrama de dispersión permite analizar si existe algún tipo de relación entre
dos variables. Por ejemplo, puede ocurrir que dos variables estén relacionadas de
manera que al aumentar el valor de una, se incremente el de la otra. En este caso
hablaríamos de la existencia de una correlación positiva.
También puede ocurrir que al producirse una en un sentido, la otra derive en el
sentido contrario; por ejemplo, al aumentar el valor de la variable x, se reduzca el
de la variable y. Entonces, se estaría ante una correlación negativa. Si los valores
de ambas variables se revelan independientes entre sí, se afirmaría que no existe
correlación.
Si bien el diagrama de dispersión es fácil de usar, debe ser interpretado con
prudencia. Para construir un diagrama de dispersión, los pasos a seguir son:
1. Reunir los Datos
Seleccionadas las variables a estudiar, se reúne un mínimo de 50 parejas de
datos de las dos variables sobre las que se desea comprobar su posible
relación. En el caso que servirá de ejemplo al desarrollo de esta herramienta,
las variables a analizar son las puntuaciones medias obtenidas para los
distintos factores del servicio, tanto en percepción (X) como en expectativas
(Y), a partir de una muestra de usuarios de un servicio administrativo a los que
se les administró una encuesta de satisfacción.
2. Dibujar el Diagrama
Se prepara el diagrama trazando los ejes vertical y horizontal de modo que
tengan similar longitud. Así mismo, se etiquetan el diagrama y los ejes,
indicando en éstos los valores de las escalas de medida, que suelen ser en
ambos casos ascendentes.
3. Representar los Datos
Se representan en el diagrama los pares de datos como puntos del diagrama
de dispersión. Se recomienda que los puntos que coincidan entre sí, al tener
las mismas coordenadas, se rodeen tantas veces como se presente la
repetición. No obstante hay que puntualizar que el procedimiento descrito
puede ser llevado a cabo mediante una hoja de cálculo o cualquier aplicación
estadística, lo que simplifica considerablemente el procedimiento.
4. Interpretar el Diagrama
El resultado de un diagrama de dispersión puede ser de diversos tipos. Si los
puntos trazados en el diagrama están dispersos al azar, sin un patrón
discernible, significa que los dos conjuntos de mediciones no tienen relación
entre sí. Si los puntos forman algún patrón, se denota la existencia de relación
entre los dos grupos de mediciones.
4
5.1.2 Regresión lineal simple.
Uno de los aspectos más relevantes de la Estadística es el análisis de la relación
o dependencia entre variables. Frecuentemente resulta de interés conocer el
efecto que una o varias variables pueden causar sobre otra, e incluso predecir en
mayor o menor grado valores en una variable a partir de otra.
Se basa en modelos lineales con la fórmula general.
Yi = ( a + bXi ) + ϵi
donde:
a = punto de corte en el eje de ordenadas
b = pendiente o gradiente de la recta, que son los coeficientes de regresión
ϵi corresponde al término de residuos, que representa la diferencia entre el valor
observado y el estimado para el individuo i.
Los coeficientes de regresión los tenemos que estimar de los datos, usando el
método de mínimos cuadrados, basado en las siguientes fórmulas, y el criterio de
optimización de máxima verosimilitud.
5.1.3 Correlación.
La correlación es un tipo de asociación entre dos variables numéricas,
específicamente evalúa la tendencia (creciente o decreciente) en los datos. Dos
variables están asociadas cuando una variable nos da información acerca de la
otra. Por el contrario, cuando no existe asociación, el aumento o disminución de
una variable no nos dice nada sobre el comportamiento de la otra variable. Dos
variables se correlacionan cuando muestran una tendencia creciente o
decreciente.
La correlación nos permite medir el signo y magnitud de la tendencia entre dos
variables. En la figura 1 vemos diferentes valores del coeficiente de correlación y
sus diagramas de dispersión correspondientes. Podemos ver que:
1. El signo nos indica la dirección de la relación, como hemos visto en el diagrama
de dispersión.
• un valor positivo indica una relación directa o positiva,
• un valor negativo indica relación indirecta, inversa o negativa,
5
• un valor nulo indica que no existe una tendencia entre ambas variables (puede
ocurrir que no exista relación o que la relación sea más compleja que una
tendencia, por ejemplo, una relación en forma de U).
6
5.1.5 Distribución normal bidimensional.
La distribución normal "regular" tiene una variable aleatoria a lo cual una
distribución normal bidimensional se compone de dos variables aleatorias
independientes. Las dos variables en una normal bidimensional se distribuyen
normalmente y tienen una distribución normal cuando ambas se suman.
Visualmente, la distribución normal bidimensional es una curva de campana
tridimensional.
Francis Galton (1822-1911) fue uno de los primeros matemáticos en estudiar en
profundidad la distribución normal bidimensional, durante su estudio sobre la
altura de los padres y sus hijos adultos. Bravais, Gauss, Laplace, Plana también
estudiaron la distribución a principios del siglo XIX (Balakrishnan & Lai, 2009).
La distribución bidimensional se puede describir de muchas maneras diferentes y,
como tal, no existe un acuerdo unificado para una definición sucinta. Algunas de
las formas más comunes de caracterizarlo incluyen:
7
Ejemplo:
Las notas de 12 alumnos de una clase en Matemáticas y Física son las siguientes:
Matemáticas Física
2 1
3 3
4 2
4 4
5 4
6 4
6 6
7 4
7 6
8 7
10 9
10 10
8
En este caso, la línea negra horizontal representa el valor fijo de la media
desconocida de la población, µ. Los intervalos de confianza azules verticales que
se sobreponen a la línea horizontal contienen el valor de la media de la población.
El intervalo de confianza rojo que está completamente por debajo de la línea
horizontal no lo contiene. Un intervalo de confianza de 95% indica que 19 de 20
muestras (95%) de la misma población producirán intervalos de confianza que
contendrán el parámetro de población.
El intervalo de confianza se determina calculando una estimación de punto y luego
determinando su margen de error.
Estimación de punto.
9
El coeficiente de correlación lineal tiene las siguientes propiedades:
1. El coeficiente de correlación no sufre ninguna variación al variar la escala de
medición, lo que quiere decir que dicho coeficiente no variará si expresamos la
altura, por ejemplo, en metros o en centímetros.
2. El coeficiente de correlación tiene el mismo signo que el del coeficiente de
covarianza. Así, si la covarianza es positiva, la correlación es directa; y si la
covarianza es negativa, la correlación es, por tanto, inversa. Por su parte,
cuando la covarianza es nula, la correlación no existe.
3. El coeficiente de correlación lineal es un número real entre el número -1 y el
número 1. Así, cuando el coeficiente de correlación lineal adquiere valores que
se acercan al -1, la correlación es inversa y fuerte, mientras que cuando dicho
coeficiente se acerca al número 1, la correlación es directa y también fuerte.
Por su parte, cuando la correlación adquiere valores cercanos a 0, la
correlación es débil.
El coeficiente de correlación se define como la covarianza que se da entre dos
variables tipificadas. Se calcula a través de la siguiente ecuación. Veámosla:
Pxy = Cov xy / Ox Oy
Donde:
1. Cov es la covarianza entre los valores de ‘’x’’ y de ‘’y’’.
2. Ox es la desviación típica de x.
3. Oy es la desviación típica de y.
10
pueden prever, pues dependen de causas desconocidas, o estocásticas se
denominan aleatorios y están relacionados con la precisión del instrumento.
11
UNIDAD 6.- Estadística aplicada.
Se denomina estadística aplicada al área de la estadística que se ocupa de inferir
resultados sobre una población a partir de una o varias muestras. Es la parte de
la estadística que se aplica en cualquier otra rama externa a ella, como la
psicología, la medicina, la sociología, la historia, la biología, la mercadotecnia,
etcétera.
Los parámetros poblacionales se estiman mediante funciones denominadas
estimadores o estadísticos. La estimación se hace con base en la estimación
estadística y puede ser puntual, por intervalos o de contraste de hipótesis. En una
estimación puntual, se obtiene un solo valor con una confianza nula, como cuando
se dice que la estatura media de tal población es de 1,72m. En la estimación por
intervalos, el nivel de confianza depende de la amplitud del intervalo, es cuando
se afirma que el 95% de tal población mide menos de 1,96m. El contraste de
hipótesis consiste en verificar estadísticamente si una suposición acerca de una
población es cierta o falsa.[cita requerida].
La estadística aplicada se apoya totalmente en la utilización de paquetes
estadísticos que ayudan a resolver problemas de índole estadística, acortando
dramáticamente los tiempos de resolución. Es por esto que en muchas
universidades se enseña a utilizar estos programas estadísticos sin que, a veces,
el alumno entienda ni tenga la necesidad de entender cómo funcionan. Cuando se
hace la comprobación matemáticamente, se hace la fórmula para sacar la
mediana, la media, la moda, etcétera.
6.1 Muestreo.
El muestreo, en otras palabras, es el procedimiento mediante el cual se toman a
ciertos individuos que pertenecen a una población que está siendo sujeto de un
análisis. El muestreo es necesario por el hecho de que las poblaciones pueden
ser demasiado grandes y no es factible (económica y materialmente hablando)
tomar datos de todos los individuos.
El objetivo es que la muestra sea representativa. Es decir, que sus indicadores
como la media de edad, el ingreso promedio, el porcentaje de hombres y de
mujeres, entre otros, sea el mismo, o muy similar al de la población.
Al elegir una muestra aleatoria se espera conseguir que sus propiedades sean
extrapolables a la población. Este proceso permite ahorrar recursos, y a la vez
obtener resultados parecidos a los que se alcanzarían si se realizase un estudio
de toda la población. En las investigaciones llevadas por empresarios y de la
medicina se usa muestreo extensivamente en recoger información sobre
poblaciones.
12
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un
estudio adecuado (que consienta no solo hacer estimaciones de la población sino
estimar también los márgenes de error correspondientes a dichas estimaciones),
debe cumplir ciertos requisitos. Nunca podremos estar enteramente seguros de
que el resultado sea una muestra representativa, pero sí podemos actuar de
manera que esta condición se alcance con una probabilidad alta.
13
Este método, también conocido como un método basado en los sujetos
disponibles, no le permite al investigador tener control sobre la representatividad
de la muestra.
Por esta razón, un muestreo de
conveniencia está entre los
tipos de muestreo que
comúnmente se utilizan en las
fases iniciales o fase piloto de
la investigación, antes de que
se lance un proyecto de
investigación más grande.
14
Esta técnica es útil cuando se estudia un tema sensible en el que la gente podría
no hablar abiertamente, o si hablar sobre los temas investigados podría poner en
peligro su seguridad.
2. Muestreo sistemático
El muestreo sistemático es aquel en el que los elementos de la población se ponen
en una lista y luego cada enésimo elemento de la lista se selecciona
sistemáticamente para su inclusión en la muestra. Por ejemplo, si la población de
estudio contenía 2,000 estudiantes de una secundaria y el investigador quería una
muestra de 100 estudiantes, los estudiantes se colocarían en forma de lista y luego
cada veinteavo estudiante sería seleccionado para ser incluido en la muestra.
Para garantizar que no haya ningún
sesgo humano en este método, el
investigador debe seleccionar
aleatoriamente al primer individuo. Esto
es técnicamente llamado una muestra
sistemática con un inicio aleatorio.
3. Muestreo estratificado
El muestreo estratificado es una técnica de muestreo en la que el investigador
divide a toda la población objetivo en diferentes subgrupos o estratos, y luego
selecciona aleatoriamente a los sujetos finales de los diferentes estratos de forma
proporcional. Este tipo de muestreo se utiliza cuando el investigador quiere
resaltar subgrupos específicos dentro de una población.
16
Por ejemplo, para obtener una muestra estratificada de estudiantes universitarios,
el investigador primero tendría que organizar a la población por grado universitario
y luego seleccionar el número
adecuado de estudiantes de
primer, segundo, tercer y último
año. Esto aseguraría que el
investigador tenga cantidades
adecuadas de sujetos de cada
grado en la muestra final.
17
independientemente de la forma de la distribución con la que estamos
trabajando.
• La media poblacional y la media muestral serán iguales. Es decir, la media de
la distribución de todas las medias muestrales será igual a la media del total
de la población.
• La varianza de la distribución de las medias muestrales será σ²/n. Que es la
varianza de la población dividido entre el tamaño de la muestra.
Que la distribución de las medias muestrales se parezca a una normal es
tremendamente útil. Porque la distribución normal es muy fácil de aplicar para
realizar contrastes de hipótesis y construcción de intervalos de confianza. En
estadística que una distribución sea normal es bastante importante, dado que
muchos estadísticos requieren este tipo de distribución. Además, el TCL nos
permitirá hacer inferencia sobre la media poblacional a través de la media
muestral. Y esto es de gran utilidad cuando por falta de medios no podemos
recolectar datos de toda una población.
18
podremos construir intervalos de la forma
19
Como, para poblaciones grandes, la binomial se aproxima a la normal, la
distribución muestral de proporciones también sigue una distribución normal:
6.2 Estimación.
En otras palabras, la estimación es un cálculo que se realiza a partir de la
evaluación estadística. Dicho estudio suele efectuarse sobre una muestra y no
sobre toda la población objetivo. Para llevar a cabo una estimación, entonces, es
necesario primero contar con una serie de datos. Además, es común que los
investigadores se sustenten en un marco teórico.
Por ejemplo, podemos estimar la inflación definiéndola como la diferencia entre
los precios (de la economía) del periodo A y los precios del periodo B. Entonces,
se calcula una variación porcentual entre los datos registrados en ambos puntos
del tiempo.
20
Para estimar la línea de regresión poblacional a partir de la nube de puntos se utiliza
el método de los mínimos cuadrados ordinarios (MCO), que considera como recta
que mejor se ajusta a la que minimiza la suma de los cuadrados de los residuos. Si
la recta de mejor ajuste es los errores o residuos se definen
como: y los estimadores por MCO de la ordenada en el origen, , y de
la pendiente, , son:
21
• La opción Método permite elegir el método de estimación. Si se trata de una
regresión lineal simple (con una sola variable independiente) se conserva la
definida por defecto (Introducir) siendo el resto de opciones para modelos con
más de una variable explicativa.
• Cuando se desee realizar un ajuste lineal basado únicamente en los casos que
pertenecen a un subgrupo determinado por un valor o conjunto de valores de
otra variable, ésta se deberá indicar en Variable de selección del cuadro de
diálogo Regresión lineal e introducir la Regla o condición que debe verificar un
caso para ser incluido en el análisis.
• Opcionalmente se puede seleccionar la variable que recoge las etiquetas de
los casos indicándola en Etiquetas de caso.
• El botón MCP hace referencia a la estimación por mínimos cuadrados
ponderados.
22
• Eficiente: Un estimador es más eficiente o tiene la capacidad de estimar de
forma precisa cuando su varianza es reducida. Por lo tanto ante 2 estimadores,
siempre elegiremos el que tenga una varianza menor.
• Consistencia: Un estimador consistente es aquel que a medida que la medida
que la muestra crece se aproxima cada vez más al valor real del parámetro.
Por lo tanto, cuantos más y valores entran en la muestra, el parámetro
estimado será más preciso
Para obtener una estimación puntual se usa un estadístico que recibe el nombre de
estimador o función de decisión. Algunos ejemplos de estadísticos son:
23
Por lo tanto, si se seleccionan 100 muestras de una población y se calcula la media
de las muestras para intervalos de confianza del 95% para cada muestra; se
observa que aproximadamente 95 de los 100 intervalos de confianza contienen la
media poblacional. El nivel de confianza es la probabilidad de que el parámetro
poblacional se encuentre dentro del intervalo; los niveles de confianza más
ampliamente usados son 0.95 y 0.99, sin embargo puede usarse cualquier
probabilidad cercana a 1.
24
• El nivel de confianza: este informa en qué porcentaje de casos la estimación es
certera. Frecuentemente, los niveles oscilan entre el 95 % y el 99 %.
• El margen de error de la estimación: se señala como alfa y marca la probabilidad
que existe para que el valor poblacional esté fuera del intervalo.
• Estimación de la muestra: se relaciona con los valores de la media, la varianza
y las diferencias de las medias. En dichos valores se fundamenta el cálculo del
intervalo.
Por ejemplo, si partimos de una población que sigue una distribución Z ~ N(0,1)
bastará con encontrar el punto crítico zα/2 para tener un intervalo que contenga la
media poblacional con probabilidad c.
bastará con hacer unas sencillas operaciones para llegar a que el intervalo de
confianza para la media μ de una población normal con desviación típica conocida
σ es:
25
En el caso de poblaciones que no son normales, o que simplemente no sabemos si
lo son o no, necesitamos que el tamaño de la muestra sea suficientemente grande
(n > 30) para poder aplicar el Teorema central del límite para obtener que el intervalo
de confianza para la media μ de una población con desviación típica conocida σ es:
26
Intervalo de confianza sobre la proporción poblacional
se construye el intervalo
siendo el valor que en una distribución normal estándar deja a su derecha una
probabilidad de . Cuando se va a realizar una encuesta para estimar una
proporción, lo habitual es plantearse a priori obtener una cierta fiabilidad y precisión
en la estimación, buscando el tamaño muestral necesario para conseguirlas. La
longitud del intervalo de confianza para p resulta:
27
esto es, la que da lugar al tamaño muestral más grande para la fiabilidad y
precisión deseadas. Esa situación se produce cuando n alcanza su máximo,
lo cual ocurre cuando p=q=0.5.
Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar
una afirmación acerca de una población dependiendo de la evidencia proporcionada
por una muestra de datos.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se
probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o
"no hay diferencia". La hipótesis alternativa es el enunciado que se desea poder
concluir que es verdadero de acuerdo con la evidencia proporcionada por los datos
de la muestra.
28
6.3.1 Errores tipo I y II.
El error que se comete cuando se rechaza una H0 verdadera se conoce como error
del tipo I (α). EI error del tipo II (β) se comete cuando no se rechaza una H0 falsa.
Siempre que se rechaza una H0 se tiene el riesgo de cometer un error del tipo I, al
rechazar una H0 verdadera; y siempre que no se rechaza, existe el riesgo de no
rechazar una H0 falsa. En general, aunque se dé un valor pequeño a α no se ejerce
control sobre β, aunque se sabe que en la mayoría de las situaciones practicas es
mayor que α. Es decir:
En resumen:
• Error Tipo I: es el nivel de significancia, denotado por la letra griega “a”, se define
como la probabilidad de “rechazar” la H0 cuando esta es
• Error Tipo II: es el valor predictivo, denotado por la letra griega “β”, se define
como probabilidad de “aceptar” la H0 cuando ésta es falsa. El procedimiento
29
busca fijar la probabilidad de cometer error Tipo I, α, y minimizar la probabilidad
de cometer error Tipo II, β.
1. Plantear la hipótesis.
30
Se ha señalado que la clave para la
inferencia estadística es la distribución
muestral. Es necesario recordar esto, en
los casos en que sea necesario
especificar la distribución de probabilidad
de la estadística de prueba. Por ejemplo,
la distribución de la estadística de prueba
por lo general; sigue una distribución
normal estándar (ver unidad anterior) si la H0 es verdadera y si satisface las
suposiciones. Todos los valores posibles que la estadística de prueba puede asumir
son puntos sobre el eje horizontal de la gráfica de la distribución para esta
estadística y se dividen en dos grupos: uno de ellos constituye lo que se conoce
como región de rechazo y el otro, forma la región de no rechazo.
La decisión en cuanto a que valores van hacia qué región se toma con base en el
nivel de significancia deseado, designado por α. Un valor calculado para la
estadística de prueba que cae dentro de la región de rechazo se dice que es
significativo.
La probabilidad de equivocarse al no
rechazar un H0 verdadera generalmente
es de 95%, puede ser 90 y 99%, esto se
conoce como el nivel de confianza. Por lo
tanto, la probabilidad de no equivocarse
al rechazar una H0 falsa generalmente es
de 80%, esto es el valor o grado predictivo
cuyo valor de β más comúnmente usado
es 0.2.
31
6.3.3 Prueba de hipótesis para una media.
Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la
hipótesis nula y la hipótesis alternativa. La hipótesis nula es la afirmación que se
está comprobando. Normalmente la hipótesis nula es una afirmación de "sin efecto"
o "sin diferencia".
Caso 1:
Caso 2:
Si las condiciones son (lo único que cambia es que no conocemos el desvío
poblacional):
• La variable X es normal
• No conocemos el desvío estándar poblacional σ, así que lo estimamos usando
el desvío estándar muestral S
Usamos:
32
Caso 3:
Usamos:
¿Por qué? Porque tenemos que usar el teorema central del límite para conocer la
distribución de X. Y el teorema dice que X tiende a la distribución normal en la
medida en que n crece… pero no que tiene “exactamente” la distribución normal.
Entonces resumiendo:
33
6.3.4 Prueba de hipótesis para una proporción.
Las pruebas de proporciones son adecuadas cuando los datos que se están
analizando constan de cuentas o frecuencias de elementos de dos o más clases. El
objetivo de estas pruebas es evaluar las afirmaciones con respecto a una
proporción (o Porcentaje) de población.
Las pruebas se basan en la premisa de que una proporción muestral (es decir, x
ocurrencias en n observaciones, o x/n) será igual a la proporción verdadera de la
población si se toman márgenes o tolerancias para la variabilidad muestral.
34
Posteriormente este valor es comparado con el valor de Z, obtenido a partir de una
tabla normal a un nivel de significación seleccionado. Como ocurrió con la prueba
de medias de una muestra, las pruebas de proporciones pueden ser de una o dos
colas.
35
Los datos son:
36
Bibliografía.
https://www.ibm.com/mx-es/analytics/learn/linear-regression
https://www.cienciadedatos.net/documentos/24_correlacion_y_regresion_linea
https://www.aiteco.com/diagrama-de-
dispersion/#:~:text=El%20diagrama%20de%20dispersi%C3%B3n%20es,visualiz
ar%20e%20interpretar%20los%20datos.l
https://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema9_regresion.html
http://www4.ujaen.es/~dmontoro/Metodos/Tema%209.pdf
https://www.maximaformacion.es/blog-dat/que-es-la-correlacion-estadistica-y-
como-interpretarla/
https://www.jmp.com/es_mx/statistics-knowledge-portal/what-is-
correlation/correlation-coefficient.html
https://www.sdelsol.com/glosario/coeficiente-de-
determinacion/#:~:text=El%20coeficiente%20de%20determinaci%C3%B3n%20e
s,variable%20que%20se%20pretende%20explicar.
https://definicionesdepalabras.com/distribucion-bidimensional/
https://www.statisticshowto.com/bivariate-normal-
distribution/#:~:text=What%20is%20a%20Bivariate%20Normal,when%20both%2
0are%20added%20together.
https://www.superprof.es/diccionario/matematicas/estadistica/distribucion-
bidimensional.html#:~:text=Una%20distribuci%C3%B3n%20bidimensional%20es
%20aquella,puntos%20o%20diagrama%20de%20dispersi%C3%B3n.
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/what-is-a-confidence-interval/
https://www.sdelsol.com/glosario/coeficiente-de-correlacion/
https://blogeducativope-t5.blogspot.com/2018/05/517-errores-de-medicion.html
https://www.studocu.com/es-mx/document/instituto-tecnologico-de-
tijuana/probabilidad/errores-en-la-medicion-probabilidad-y-estadistica-
estadistica-inferencial/20754221
https://es.wikipedia.org/wiki/Estad%C3%ADstica_aplicada
https://economipedia.com/definiciones/muestreo.html
https://www.questionpro.com/blog/es/tipos-de-muestreo-para-investigaciones-
sociales/
37
https://economipedia.com/definiciones/teorema-central-del-limite.html
http://www.hrc.es/bioest/esti_medias.html
https://www.victormat.es/mcs2/Tema12-
DistribucionesMuestrales/distribucin_muestral_de_proporciones.html#:~:text=La
%20distribuci%C3%B3n%20asociada%20a%20la,llama%20distribuci%C3%B3n
%20muestral%20de%20proporciones.&text=Como%20generalmente%20las%20
proporciones%20de,por%20las%20de%20la%20muestra.
https://economipedia.com/definiciones/estimacion.html
http://www.ub.edu/aplica_infor/spss/cap7-2.htm
http://www.rpsqualitas.es/documentacion/dowloads/quimiometria/estimacion_pun
tual_y_por_intervalos.pdf
https://www.bancofinandina.com/finanblog/noticias/2019/11/01/que-es-un-
intervalo-de-confianza-y-para-que-se-
utiliza#:~:text=Un%20intervalo%20de%20confianza%20estad%C3%ADstica,se%2
0localiza%20el%20par%C3%A1metro%20poblacional.
http://recursostic.educacion.es/descartes/web/materiales_didacticos/estimacion_p
or_intervalos/int_media.htm
http://www5.uva.es/estadmed/inferen/estima_inter/intervalos3.htm#dosproporcione
s
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/basics/what-is-a-hypothesis-test/
https://blogs.ugto.mx/enfermeriaenlinea/unidad-didactica-3-las-pruebas-de-
hipotesis/
https://www.addlink.es/noticias/minitab/2852-que-es-una-prueba-de-
hipotesis#:~:text=Una%20prueba%20de%20hip%C3%B3tesis%20es,nula%20y%
20la%20hip%C3%B3tesis%20alternativa.
https://probafacil.com/prueba-de-hipotesis-sobre-la-media-poblacional/
https://www.monografias.com/trabajos91/prueba-hipotesis-proporciones-z-y-ji-
cuadrado-empleando-excel-y-winstats/prueba-hipotesis-proporciones-z-y-ji-
cuadrado-empleando-excel-y-winstats
38