Guia Didactica - GD

Aplicación de Matemáticas y
Estadística en Tecnologías de la
Información
Guía didáctica
MAD-UTPL
Facultad de Ingenierías y Arquitectura
Departamento de Ciencias de la Computación y Electrónica
Aplicación de Matemáticas y Estadística

en Tecnologías de la Información
Guía didáctica
Carrera PAO Nivel
Tecnologías de la Información VIII
Autora:
Valdiviezo Diaz Priscila Marisela
ESTA_4009 Asesoría virtual

www.utpl.edu.ec
MAD-UTPL
Universidad Técnica Particular de Loja
Aplicación de Matemáticas y Estadística en Tecnologías de la Información

Guía didáctica
Valdiviezo Diaz Priscila Marisela
Diagramación y diseño digital:
Ediloja Cía. Ltda.

Telefax: 593-7-2611418.
San Cayetano Alto s/n.
www.ediloja.com.ec
[email protected]
Loja-Ecuador
ISBN digital - 978-9942-39-215-2
Reconocimiento-NoComercial-CompartirIgual
4.0 Internacional (CC BY-NC-SA 4.0)
Usted acepta y acuerda estar obligado por los términos y condiciones de esta Licencia, por lo que, si existe el
incumplimiento de algunas de estas condiciones, no se autoriza el uso de ningún contenido.
Los contenidos de este trabajo están sujetos a una licencia internacional Creative Commons
Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0). Usted es libre de Compartir —
copiar y redistribuir el material en cualquier medio o formato. Adaptar — remezclar, transformar y construir
a partir del material citando la fuente, bajo los siguientes términos: Reconocimiento- debe dar crédito de
manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo
en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la
licenciante. No Comercial-no puede hacer uso del material con propósitos comerciales. Compartir igual-Si
remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la misma licencia del
original. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a
hacer cualquier uso permitido por la licencia. https://creativecommons.org/licenses/by-nc-sa/4.0/
20 de septiembre, 2021
MAD-UTPL
Índice Índice
1. Datos de información................................................................................ 7
1.1. Presentación de la asignatura.......................................................... 7
1.2. Competencias genéricas de la UTPL............................................... 7
1.3. Competencias específicas de la carrera......................................... 7
1.4. Problemática que aborda la asignatura........................................... 7
2. Metodología de aprendizaje...................................................................... 8
3. Orientaciones didácticas por resultados de aprendizaje............................ 9
Primer bimestre............................................................................................ 9
Resultado de aprendizaje 1.................................................................................... 9
Contenidos, recursos y actividades de aprendizaje............................................. 9
Semana 1 ..................................................................................................... 9
Unidad 1. Modelos determinísticos vs. estocásticos.................................... 9

1.1. Modelo determinístico......................................................................... 10
1.2. Modelo estocástico.............................................................................. 11
Semana 2 ..................................................................................................... 12
1.3. Probabilidades...................................................................................... 12
1.4. Probabilidad condicional..................................................................... 13
Actividad de aprendizaje recomendada................................................................ 14
Autoevaluación 1.................................................................................................... 15
Semana 3 ..................................................................................................... 17
Unidad 2. Distribución de probabilidad Discreta........................................... 17

2.1. Variable aleatoria y distribución de probabilidad............................... 17
2.2. Distribuciones de probabilidad de Bernoulli....................................... 18
Semana 4 ..................................................................................................... 19
2.3. Distribuciones de probabilidad Binomial............................................ 19

2.4. Distribuciones de probabilidad de Poisson........................................ 21
4 MAD-UTPL
Autoevaluación 2.................................................................................................... 24
Índice
Semana 5 ..................................................................................................... 26
Unidad 3. Pruebas de Hipótesis................................................................... 26

3.1. Formulación de Hipótesis.................................................................... 26
Actividades de aprendizaje recomendadas.......................................................... 29
3.2. Prueba de hipótesis respecto a una proporción................................ 30
Semana 6 ..................................................................................................... 32
3.3. Prueba de hipótesis respecto a una media y a una desviación estándar.

............................................................................................................... 32
Autoevaluación 3.................................................................................................... 34
Actividades finales del bimestre............................................................................ 37
Semana 7 ..................................................................................................... 37
Semana 8 ..................................................................................................... 37
Segundo bimestre......................................................................................... 38
Semana 9 ..................................................................................................... 38
Unidad 4. Correlación y regresión................................................................ 38

4.1. Correlación............................................................................................ 38
4.2. Coeficiente de correlación lineal........................................................ 41
Semana 10 ................................................................................................... 43
4.3. Regresión.............................................................................................. 43
5 MAD-UTPL
Índice
Autoevaluación 4.................................................................................................... 48
Semana 11 ................................................................................................... 50
Unidad 5. Análisis de Varianza..................................................................... 50

5.1. ANOVA de un factor............................................................................. 50
Semana 12 ................................................................................................... 53
5.2. ANOVA de dos factores....................................................................... 53

Autoevaluación 5.................................................................................................... 57
Semana 13 ................................................................................................... 59
Unidad 6. Pruebas no paramétricas............................................................. 59

6.1. Conceptos básicos de las pruebas no paramétricas......................... 59
6.2. Pruebas del signo................................................................................. 60
Semana 14 ................................................................................................... 62
6.3. Prueba de rangos con signo de Wilcoxson........................................ 62

Autoevaluación 6.................................................................................................... 64
Actividades finales del bimestre............................................................................ 66
Semana 15 ................................................................................................... 66
Semana 16 ................................................................................................... 66
4. Solucionario............................................................................................. 67
5. Referencias bibliográficas........................................................................ 73
6 MAD-UTPL
1. Datos de información
1.1. Presentación de la asignatura
1.2. Competencias genéricas de la UTPL
Orientación a la investigación e innovación
1.3. Competencias específicas de la carrera
Construir modelos específicos de ciencias de la computación

mediante esquemas matemáticos y estadísticos, para propiciar el uso
y explotación eficiente de datos e información.
1.4. Problemática que aborda la asignatura
El medio social en el cual se desenvolverá el profesional en TI, maneja

una gran cantidad de información que debe ser analizada, modelada y
transmitida. Por ello se requiere soluciones donde el estudiante pueda
aplicar técnicas adecuadas que puedan llevarlo a diferentes conclusiones.
7 MAD-UTPL
Así como transmitir los resultados de la aplicación de estas técnicas usando
un lenguaje estadístico.
Por otro lado, en la actualidad la estadística es la herramienta más usada en

todo tipo de investigación. Todo trabajo de nivel universitario o profesional
de carácter investigativo debe estar basado en un diseño experimental y uso
de técnicas de contraste de hipótesis. Por ello la importancia del estudio de
esta asignatura.
2. Metodología de aprendizaje
Con el objeto de contribuir al logro de los resultados de aprendizaje, durante

el desarrollo de esta asignatura se aplicará el proceso metodológico de
aprendizaje basado en problemas que conlleva la investigación y análisis
que debe realizar el profesional en formación para obtener una solución
frente a un problema planteado en la asignatura.
La metodología de aprendizaje basado en problemas le ayudará en la

adquisición de habilidades y conocimientos que pueden ser aplicados en
la solución de problemas orientados a las tecnologías de la información y
comunicación, así como innovar en la aplicación de soluciones tecnológicas
para el desarrollo de los contenidos.
Con base a esto, el estudiante obtendrá los conocimientos y habilidades

a través de problemas y situaciones reales. Será él mismo quien busque e
investigue la forma de solucionar un problema tal cual como lo haría durante
su actividad profesional.
Para mayor información sobre el aprendizaje basado en problemas, revise el

texto “Aprendizaje basado en problemas”.
8 MAD-UTPL
3. Orientaciones didácticas por resultados de aprendizaje 1 Bimestre
Primer bimestre
Resultado de Describe la diferencia entre el análisis estocástico

aprendizaje 1 y el análisis determinista.
Con base en el resultado de aprendizaje, usted podrá distinguir entre

un modelo determinístico y un modelo estocástico, identificará las
características de cada uno de ellos y los elementos necesarios para realizar
un análisis estocástico y determinístico.
Contenidos, recursos y actividades de aprendizaje
Semana 1
Iniciaremos con el estudio de los contenidos de la unidad 1.
Unidad 1. Modelos determinísticos vs. estocásticos
Es hora de revisar los temas 1.1 Modelo determinístico y 1.2 Modelo

estocástico, que serán cubiertos en esta primera semana, usted revisará
aspectos generales relacionados con estos dos modelos y conocerá
algunas de sus características. Estos temas serán complementados con
la lectura del Recurso web, el cual le permitirá profundizar en cada tipo de
modelo y conocer algunos ejemplos en los cuales pueden ser aplicados.
9 MAD-UTPL
1.1. Modelo determinístico
Es importante recordar qué es un modelo. De acuerdo a Rustom (2012),

“Todo modelo es una representación aproximada de la realidad” (p. 31).
1 Bimestre
Esto significa que un modelo no necesariamente va a representar de forma
exacta la realidad, pero si debe ser apropiado y simple.
Ahora ¿Qué es un modelo determinístico?, un modelo determinístico se

entiende como un modelo matemático donde los datos se suponen son
conocidos con certeza, es decir, se tiene disponible toda la información
para el modelado. En estos modelos las entradas iniciales producirán
las mismas salidas o resultados, es decir, los resultados esperados son
predecibles. Además, no se contempla la existencia del azar, o el principio
de incertidumbre en el modelado. De acuerdo al diccionario de Negocios, un
modelo determinista está relacionado con la creación de entornos basados
en simuladores para el estudio de situaciones hipotéticas. Estos modelos no
pueden predecir correctamente la mayor parte de sus características.
Podemos decir que, un modelo determinístico se expresa en forma de

ecuaciones que relacionan las variables y constantes asociadas con un
problema. Veamos el siguiente ejemplo:
Ejemplo:
La ecuación de una recta y= a+bx es un modelo matemático determinístico,

que puede ser utilizada para el cálculo de predicciones. En este modelo las
variables satisfacen exactamente las ecuaciones.
De esta forma, cuando las variables que forman parte de

la ecuación no son aleatorias, podemos aplicar un modelo
determinista.
Veamos otro caso: y=2x, al igual que en el ejemplo anterior las variables se
relacionan de forma determinística, ya que dado un valor para una variable el
valor de la otra se determina de manera exacta sin errores.
Los modelos determinísticos son muy aplicados en problemas

de administración, para tomar decisiones óptimas en base al
análisis de los resultados obtenidos a partir de estos modelos.
10 MAD-UTPL
Ahora lo invito a revisar otros ejemplos de problemas que pueden ser
resueltos con modelos determinísticos:
Modelo determinístico: Ejemplos

1 Bimestre
Con relación a su campo de estudio, es posible aplicar este tipo de
modelos si hay una relación determinista entre las entradas de un sistema
informático, el tiempo de ejecución y las salidas o resultados finales
asociados al sistema. Donde además no se contemple la existencia al azar.
Luego de la revisión de los ejemplos propuestos acerca de los modelos

determinísticos es momento de conocer otro tipo de modelo matemático.
1.2. Modelo estocástico
A diferencia de los modelos anteriores, un modelo estocástico es aquel

modelo probabilístico donde algún elemento no se conoce con anticipación,
las acciones están dadas por azar, es decir que en estos modelos se
incorpora el principio de incertidumbre. En los modelos probabilísticos (o
estocásticos) el comportamiento de un sistema es no determinista, donde
sus estados siguientes están dados por elementos aleatorios. De ahí el
concepto de proceso estocástico donde los datos que se manejan varían
con el tiempo, es decir están formados por variables dadas aleatoriamente
que dependen de argumentos o parámetros.
Es momento de revisar, algunos ejemplos de problemas que se modelan con

procesos estocásticos:
Modelos estocásticos- ejemplos
Ahora veamos en el ámbito informático que se podría realizar con este tipo
de modelos. Bien, se puede aplicar un modelo estocástico para predecir el
rendimiento de un sistema informático, para predecir el tráfico de una red,
para el análisis de redes sociales, etc.
Es decir que, los modelos estocásticos se utilizan cuando

tenemos la presencia de variables aleatorias, cuando hay
procesos que varían con el tiempo, o si existe incertidumbre en
el proceso modelado.
11 MAD-UTPL
Después de la lectura del tema 1.1 y 1.2 usted está en la capacidad de
identificar a un modelo determinístico de uno estocástico (probabilístico).
Para ello, le invito a revisar el recurso web Economía de la Empresa,
específicamente el punto 3, modelos de gestión de stock.
1 Bimestre
¿Cómo le fue con la revisión de este recurso?, me imagino pudo analizar

la diferencia entre los modelos determinísticos y estocásticos, así como
sus aplicaciones. Ahora usted conoce que las variables que utilizan los
modelos determinísticos son no aleatorias, por el contrario, en los modelos
estocásticos una característica de ellos, es que alguna de las variables
que utilizan son aleatorias y por ende en estos modelos se pueden realizar
estimaciones en términos de probabilidad.
Semana 2
En esta semana se revisan algunos fundamentos de probabilidades y

ejemplos de problemas que se pueden trabajar con modelos estocásticos
también conocidos como modelos probabilísticos.
Es momento de leer comprensivamente de que tratan estos temas

recurriendo al capítulo 4 de su texto básico. Con la lectura de este capítulo
usted recordará algunos conceptos de probabilidades, propiedades o reglas,
así como el tema de probabilidad condicional empleada en el área de la
estadística.
1.3. Probabilidades
La probabilidad de un evento aleatorio se puede definir como el grado

de posibilidad de que dicho evento ocurra. Este grado de ocurrencia es
expresado comúnmente con valores entre 0 y 1, o bien en porcentajes entre
el 0% y 100%, respectivamente.
Como parte del estudio de este tema, es necesario que profundice en dos
componentes desarrollados en el capítulo 4 de su texto básico, estos son:
1) Conceptos básicos de probabilidad, 2) Regla de la suma y regla de la
multiplicación.
12 MAD-UTPL
Una vez realizada la lectura de este tema lo invito a revisar el siguiente
ejercicio de probabilidad, que le permitirá poner en práctica los conceptos de
probabilidad.
Ejercicio: 1 Bimestre
En una empresa de telefonía móvil existen 87 celulares almacenados en

bodega, y 68 son marca Samsung, si se escoge uno al azar, ¿cuál es la
probabilidad de que este sea marca Samsung?
Solución:
Dividir la cantidad de celulares que son marca Samsung (68) por la cantidad
total de celulares almacenados en bodega (87).
Como usted habrá observado hay una probabilidad del 78,16%, de que el
celular escogido al azar sea marca Samsung.
Ahora lo invito a completar el ejercicio identificando cuál de los tres

métodos para calcular la probabilidad de un evento mencionados en el
texto básico es utilizado en este ejercicio .Para ello, le sugiero que en su
libreta de apuntes anote la respuesta a este planteamiento de tal forma que
posteriormente le sirva para recordar lo estudiado en este apartado.
1.4. Probabilidad condicional
La probabilidad condicional se emplea para determinar la ocurrencia de

un evento dada la ocurrencia de otro evento. Para conocer como calcular
este tipo de probabilidad lo invito a desarrollar la lectura del capítulo 4,
relacionado con la probabilidad condicional.
Como pudo darse cuenta en su texto básico para que se trate de una
probabilidad condicionada necesariamente se debe suponer la ocurrencia
de otro evento, siendo de esta manera su notación P(B|A), la cual se lee la
13 MAD-UTPL
probabilidad de B dado A, es decir, la probabilidad de que el evento B ocurra
dada la ocurrencia del evento A.
Luego de las lecturas realizadas sobre los temas tratados en esta unidad,
usted está en la capacidad de dar respuesta a las siguientes interrogantes: 1 Bimestre
¿Cuándo decimos que un evento es muy poco probable?

¿Qué es un evento simple y un espacio muestral?
¿Cuáles son los métodos comunes para encontrar la probabilidad de
un evento?
¿Cuál es la diferencia entre evento independiente y dependiente?
Nota: conteste las actividades en un cuaderno de apuntes o en un

documento Word.
¿Cómo le fue con las respuestas a las interrogantes?, estoy segura de que
estas preguntas le permitirán fortalecer lo aprendido en esta unidad.
Actividad de aprendizaje recomendada
En su texto básico capítulo 4 se resuelven algunos ejercicios de

probabilidades usando la regla de la suma y de la multiplicación, así como
de probabilidad condicional, lo invito a revisarlos, y así dar solución al
ejercicio 25 “Redundancia en discos duros de computadora”, propuesto en
la sección regla de la suma y regla de la multiplicación: 4-2 Habilidades y
conceptos básicos.

documento Word.
Seguramente tiene dificultades para desarrollar este ejercicio, tomar en

cuenta que para dar solución al ejercicio indicado debe revisar el principio
de redundancia: aplicación importante de la regla de la multiplicación
mencionado en su texto básico.
Para dar por concluido con el estudio de la primera unidad lo invito a

desarrollar la autoevaluación 1.
14 MAD-UTPL
Autoevaluación 1
1 Bimestre
Seleccione la alternativa correcta en cada uno de los siguientes enunciados.
1. Un modelo determinístico es un modelo matemático en donde:
a. Existe incertidumbre en el proceso de modelado.

b. Las mismas condiciones iniciales (entradas) producirán el
mismo resultado (salida).
c. La salida es aleatoria.
2. En un modelo estocástico:
a. Al menos una de las variables es tomada al azar.

b. Los datos se conocen con certeza.
c. La salida del modelo siempre será la misma.
3. Un evento es simple cuando:
a. Se puede descomponer en más eventos.

b. Es un espacio muestral.
c. No se puede descomponer en componentes más simples.
4. Una probabilidad pequeña como 0.001, se puede interpretar como:
a. Un evento que es bastante probable que ocurra.

b. Un evento que ocurre en pocas ocasiones.
c. El evento tiene la misma probabilidad de ocurrir o no ocurrir.
5. La notación P (A o B) indica:
a. La probabilidad de que ocurra el evento A u ocurra el evento B.

b. La probabilidad de que ocurra el evento A y el evento B.
c. La regla de la multiplicación.
15 MAD-UTPL
6. Cuando la probabilidad de un evento es afectada por el conocimiento
de que algún otro evento ha ocurrido, entonces se habla de:
a. Probabilidad complementaria.
b. Probabilidad condicional. 1 Bimestre
c. Probabilidad disjunta.
7. La probabilidad condicional de que ocurra el evento B dado que el

evento A ya ha ocurrido se expresa con la notación:
a. P(B y A)
b. P(B). P(A)
c. P(B|A)
8. El método formal para encontrar P(B|A) consiste en:
a. Dividir la probabilidad de que el evento A y B ocurra por la

probabilidad del evento A.
b. Asumir que la probabilidad A ha ocurrido y luego calcular la
probabilidad de B.
c. Dividir la probabilidad de que el evento B ocurra por la
probabilidad del evento A y B.
9. Si tengo la siguiente notación P(A|M), ésta se lee como:
a. Probabilidad de M dado A.
b. Probabilidad de A dado M.
c. Probabilidad de A y M.
10. El método intuitivo para encontrar P(B|A):
a. Es más probable que resulte en errores.

b. Se basa en la manipulación de la fórmula.
c. Es mucho más fácil de usar.
16 MAD-UTPL
Semana 3
Unidad 2. Distribución de probabilidad Discreta 1 Bimestre
2.1. Variable aleatoria y distribución de probabilidad
Una vez que usted ha revisado los conceptos de probabilidad, lo invito a

iniciar con el estudio de las distribuciones de probabilidad discretas, éstas
a diferencia de las distribuciones de probabilidad normal o de variable
continua que estudió en la materia de Estadística, utilizan valores contables.
Es decir que, con este tipo de distribución se describe la probabilidad de
ocurrencia de una variable aleatoria discreta. Pero ¿A qué nos referimos
con variable aleatoria discreta?, para aclarar esta interrogante es necesario
realizar una lectura del texto básico capítulo 5, sobre el tema “Distribuciones
de probabilidad”, y revise los conceptos de variable aleatoria, distribución
de probabilidad, y conozca la diferencia entre variable aleatoria discreta y
continua.
Bien, como podrá haberse dado cuenta las variables aleatorias pueden ser
discretas o continuas. Algunos ejemplos de ellas se ilustran en el siguiente
recurso interactivo:
Variables continuas y discretas
¿Le pareció interesante los ejemplos?, supongo habrá notado que la

diferencia entre cada tipo de variable aleatoria radica en el valor que puede
tomar la misma.
Continuando con esta temática, es importante recordar que una distribución

de probabilidad puede ser representada mediante una tabla o gráfica, y que
la distribución de probabilidad tiene algunos parámetros por ejemplo: la
media, varianza, desviación estándar, etc.
Por tanto, del estudio de este tema es conveniente que tenga claro cómo
se representa una distribución de probabilidad, los parámetros de una
distribución de probabilidad discreta, la definición de valor esperado y
cuando el valor de una variable aleatoria es significativamente alto o bajo.
17 MAD-UTPL
2.2. Distribuciones de probabilidad de Bernoulli
Cómo usted conoce a menudo en la vida real nos encontramos con eventos
que solo tienen dos resultados, por ejemplo, en el caso de un nuevo
1 Bimestre
emprendimiento tendríamos: éxito o fracaso, en el caso de un examen:
aprueba o reprueba, operatividad de un sistema: funciona o falla, etc. En
estas situaciones podemos aplicar el concepto de probabilidad de Bernoulli
o ensayos de Bernoulli.
La distribución de Bernoulli toma valor 1 para la probabilidad de éxito (p)

y valor 0 para la probabilidad de fracaso (q=1- p). Por ejemplo: Si X es una
variable aleatoria que mide el “número de éxitos”, y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la
variable aleatoria X se distribuye como una distribución de Bernoulli de
parámetro p. Su notación es: X=Be(p)
Su función de probabilidad viene dada por:
Esto quiere decir que, si partimos de un experimento que tiene solo 2

resultados posibles, a uno de ellos lo llamaremos éxito y al otro fracaso.
Esto se conoce como ensayo de Bernoulli. Por ejemplo, realicemos un
experimento sencillo que consiste en preguntar a un estudiante de esta
asignatura, que es seleccionado al azar, si le gusta la programación. Si dice
que sí, lo consideramos un éxito, si dice que no, lo consideramos un fracaso.
Por tanto, recuerde que:
Un ensayo de Bernoulli se conoce como a todo experimento

aleatorio que tiene solo dos resultados posibles, que suelen
llamarse éxito o fracaso
Par completar lo estudiado en este tema lo invito a revisar el video

denominado Distribución de Bernoulli
Como usted podrá haberse dado cuenta en una distribución de Bernoulli el

experimento se realiza en un ensayo y éste tiene dos resultados posibles:
18 MAD-UTPL
éxito o fracaso. Además, tanto la probabilidad de éxito o fracaso no cambian
de un ensayo a otro.
Semana 4 1 Bimestre
2.3. Distribuciones de probabilidad Binomial
Existe otro tipo de distribución discreta que es la distribución Binomial, en

la mayoría de los casos, las personas se confunden con los dos términos
‘Bernoulli’ y ‘Binomial’. Bien veamos en qué se diferencian.
Realice una lectura comprensiva del texto básico capítulo 5, sección

“Distribuciones de probabilidad binomial”. Durante la lectura, centre su
atención en la definición y los ejemplos mencionados en esta sección.
Ahora que ya conoce a qué se refiere esta distribución de probabilidad,

podrá observar que la diferencia entre una distribución Binomial y de
Bernoulli radica principalmente que en la distribución binomial se realizan
n ensayos idénticos, es decir n ensayos de Bernoulli. Por el contrario, en la
distribución de Bernoulli el experimento solo se realiza en un ensayo. Esto
lo podemos comprobar comparando las funciones de probabilidad dadas
para cada tipo de distribución de probabilidad. Lo invito a revisar el siguiente
ejemplo.
Ejemplo:
Considere que, para un experimento binomial, donde p es la probabilidad

de “éxito” y 1-p la probabilidad de “fracaso” en un solo ensayo; entonces la
probabilidad de obtener x éxitos en n ensayos, está dada por la función de
probabilidad:
Donde el coeficiente binomial
19 MAD-UTPL
Si observa en la función de probabilidad de Bernoulli no se incluye (n x).
En su texto básico se especifica la función de probabilidad con el coeficiente

binomial incorporado, por ello es necesario su revisión.
1 Bimestre
Usted habrá notado además que en el texto básico se mencionan tres
métodos para calcular probabilidades binomiales: 1) Usando la fórmula de
probabilidad binomial, 2) Usando tecnología y 3) Basados en la Tabla A1 del
apéndice A del texto básico. Este último punto lo vamos a obviar en esta
asignatura, ya que para esto se utilizará mejor la tecnología.
A continuación, detallo algunas herramientas tecnológicas que usted podría

utilizar:
Statdisk: paquete de análisis estadístico, incluye más de una

serie de funciones y ensayos, con sus correspondientes datos y
representaciones gráficas. Usted puede hacer uso de esta herramienta
de manera online ingresando al siguiente enlace Statdisk.
R: contiene numerosas funciones para la realización de cálculos

asociados a distintas distribuciones de probabilidad, y otro tipo de
operaciones estadísticas.
Microsoft Excel: aunque es un software muy conocido, este pone a

disposición un conjunto de funciones para efectuar cálculos sobre los
datos.
Un aspecto importante de esta sección también es el cálculo de los

siguientes parámetros: media, varianza y desviación estándar para este
tipo de distribución de probabilidad. En el texto básico en el apartado
mencionado anteriormente, se muestran como calcular estos parámetros.
Para profundizar en la lectura que previamente hizo, lo invito a revisar el
siguiente ejercicio:
Distribución de probabilidad binomial
Bien, como se mencionó anteriormente las probabilidades binomiales

se pueden calcular mediante tres métodos, en este caso el ejercicio
mencionado en el recurso interactivo está resuelto usando la fórmula de
probabilidad binomial (ecuación 2).
20 MAD-UTPL
Tenga en cuenta además, que usted puede calcular la probabilidad binomial
usando el método 2, por ejemplo Excel, seleccionando la función estadística
“DISTR.BINOM.N”, al ingresar los parámetros correspondientes obtendrá el
mismo resultado. Lo invito a hacer el ensayo.
1 Bimestre
Recuerde, antes de usar la fórmula de probabilidad binomial,

verificar que se encuentre ante un experimento binomial.
Ahora que ya conoce a que hace referencia la probabilidad binomial, es

momento de poner en práctica lo aprendido con el desarrollo de la siguiente
actividad recomendada.
Con base al ejercicio de probabilidad binomial presentado en el recurso

interactivo de la sección 2.3, sobre el examen de Computación con 10
preguntas de Verdadero o Falso, calcular:
a. La probabilidad de obtener 5 aciertos en el examen

b. La probabilidad de no obtener ningún acierto

documento Word.
Resuelva estos ejercicios usando la fórmula de probabilidad binomial y

compruebe los resultados mediante el uso de tecnología.
2.4. Distribuciones de probabilidad de Poisson
Otro tipo de distribución de probabilidad discreta es la distribución de

Poisson, en la cual la ocurrencia de un evento sucede durante un intervalo
dado. Lo invito a realizar una lectura de su texto básico capítulo 5, sección
“Distribuciones de probabilidad de Poisson”, para conocer su definición, la
fórmula utilizada para calcularla, los requisitos que se deben cumplir y los
parámetros de esta distribución.
Luego de la lectura desarrollada, usted estará en la capacidad de distinguir

una distribución de Poisson de una Binomial.
21 MAD-UTPL
Algunos ejemplos en los que se puede emplear esta distribución a parte de
los mencionados en su texto básico son:
El número de llamadas telefónicas en una central telefónica que se da

en un día (hora, minutos, etc.). 1 Bimestre
El número de pacientes que llegan por hora (día, mes) al hospital de la

UTPL.
El número de clientes que llegan a una oficina por hora.
El número de servidores web que se accede por minuto.
Bien, ahora que ya conoce de que trata esta distribución lo invito a revisar el
siguiente ejercicio:
Ejercicio:
Los mensajes de correo que llegan a un servidor de correo electrónico lo

hacen siguiendo una distribución de Poisson con una tasa promedio de 0.1
mensajes por minuto. Calcular la probabilidad de que lleguen dos mensajes
en un minuto:
Siguiendo la fórmula especificada en su texto básico, los datos del problema

serían:
Parámetro μ=0.1
Variable x=2
La probabilidad de que lleguen dos mensajes estaría dada por:
Recuerde que puede comprobar los resultados con el uso de tecnología por
ejemplo Excel mediante la función POISSON.
En este ejemplo hemos calculado la probabilidad de que lleguen dos

mensajes dado el valor promedio. Pero ¿Qué sucede cuando tengo solo
una tabla con el valor de probabilidad para diferentes valores aleatorios?
En este caso recuerde el cálculo de los parámetros de una distribución de
probabilidad: media, varianza y desviación estándar.
22 MAD-UTPL
En resumen, tener presente que este tipo de distribución es
aplicable cuando queremos modelar situaciones en las que
nos interesa determinar la probabilidad de que ocurra un
determinado número de eventos durante un intervalo de tiempo o
espacio. Analicemos este planteamiento realizando la siguiente 1 Bimestre
actividad recomendada.
Use la Distribución de Poisson para resolver el siguiente ejercicio: Una

empresa que ensambla computadoras determina que el número de
componentes que fallan antes de cumplir 80 horas de actividad es una
variable aleatoria de Poisson. Considerando que el número promedio de
fallos es 8, calcular la probabilidad de que falle un componente en 20 horas.
Imagino se preguntará cómo resolver el ejercicio, en este caso tener en

cuenta que en 80 horas se tiene un promedio de fallos de 8, por tanto, en 20
horas se tendría una tasa promedio de fallos de 2. Entonces los datos del
problema a considerar serían x=1 y .
Para el desarrollo de esta actividad recuerde revisar los ejemplos resueltos

en su texto básico.
Es momento de medir los conocimientos adquiridos desarrollando la

segunda autoevaluación.
23 MAD-UTPL
Autoevaluación 2
1 Bimestre
1. Una distribución de probabilidad es:
a. Una variable que tiene un único valor numérico.

b. Una descripción que da la probabilidad para cada valor de la
variable aleatoria.
c. Colección de valores que es finito o contable.
2. Los valores de la media, la varianza y desviación estándar en una

distribución de probabilidad se conocen como:
a. Parámetros.
b. Variables aleatorias discretas.
c. Significancia estadística.
3. El valor esperado de una variable aleatoria discreta es:
a. El valor medio de los resultados.

b. La varianza de los resultados.
c. Un valor significativo bajo.
4. La distribución de probabilidad binomial se utiliza cuando:
a. Los resultados pertenecen a más de dos categorías.

b. Se tienen circunstancias en las que hay una sola categoría.
c. Los resultados pertenecen a dos categorías.
5. En una distribución de Bernoulli el experimento se realiza en:
a. Varios ensayos.
b. Un solo ensayo.
c. Ningún ensayo.
24 MAD-UTPL
6. Para encontrar las probabilidades binomiales, es posible:
a. Usar la fórmula de probabilidad binomial o algún software.

b. Recurrir algún texto que contenga los resultados de las
probabilidades. 1 Bimestre
c. Buscar en internet la solución.
7. ¿Cuál de las siguientes alternativas es una distribución de probabilidad

discreta?
a. Distribución de Gauss.
b. Distribución de Poisson.
c. Distribución Multinomial.
8. Si tengo el enunciado: “Número de usuarios de internet que ingresan a

un sitio web en un día”, se refiere a un ejemplo de:
a. Distribución de Bernoulli.
b. Distribución Binomial.
c. Distribución de Poisson.
9. En una distribución de probabilidad de Poisson, las ocurrencias deben

ser:
a. Dependientes entre sí.

b. Medianamente dependientes entre sí.
c. Independientes entre sí.
10. Una distribución de Poisson está determinada por:
a. La media y la varianza.
b. Únicamente la media.
c. La media, desviación estándar y varianza.
25 MAD-UTPL
Dada una situación de ejemplo, formular una
Resultado de hipótesis nula apropiada para una pregunta simple
aprendizaje 2 y realizar una prueba apropiada para determinar su
aceptabilidad. 1 Bimestre
Mediante el desarrollo de ejemplos prácticos, usted conocerá como

formular una hipótesis nula y alterna, y estará en la capacidad de aplicar
algunas pruebas de hipótesis para validar resultados.
Semana 5
Hemos llegado a la última unidad del Primer bimestre, en la cual usted

conocerá un aspecto importante de la inferencia estadística, la prueba de
hipótesis.
Unidad 3. Pruebas de Hipótesis
3.1. Formulación de Hipótesis
Cuando se trabaja en un proyecto o investigación, muchas veces se

requiere tomar una decisión entre aceptar o rechazar un supuesto sobre
los parámetros. Este supuesto recibe el nombre de hipótesis. Gran parte de
los problemas de toma de decisiones, experimentos, estudios de ingeniería,
etc. pueden formularse como problemas de pruebas de hipótesis, por ello la
importancia del estudio de esta unidad. Bajo este contexto lo invito a realizar
una lectura de su texto básico capítulo 8. Pruebas de Hipótesis, sección
“Fundamentos de las pruebas de hipótesis”, donde conocerá algunos
conceptos básicos de las pruebas de hipótesis y los Errores Tipo I y Tipo II,
que se suscitan al rechazar o no rechazar una hipótesis nula.
Realizada la lectura usted estará en capacidad de dar respuesta a lo

siguiente:
26 MAD-UTPL
¿Qué es una hipótesis y una prueba de hipótesis?
¿Cuál es la diferencia entre una hipótesis nula y una alterna?
¿Cuáles son los pasos que se siguen para realizar una prueba de
hipótesis?
¿A qué hace referencia en nivel de significancia? 1 Bimestre
¿Cuál es la diferencia entre Error tipo I y tipo II?
Nota: conteste las interrogantes en un cuaderno de apuntes o en un

documento Word.
En el siguiente cuadro se presentan dos conceptos importantes que se

resaltan en su texto.
Hipótesis Prueba de Hipótesis

Suposición que se realiza de manera Procedimiento que conduce a una decisión
previa al desarrollo de una determinada sobre una hipótesis en particular.
investigación.
Recuerde que la conclusión de un experimento o proyecto

siempre se refiere a la hipótesis nula (rechaza o acepta H0 en
lugar de la H1).
En la siguiente figura se presenta un ejemplo de hipótesis nula y alterna:
Figura 1.
Ejemplo de hipótesis nula y alterna
H0: H1:
La mayoría de los alumnos La mayoría de los alumnos

que reciban clases que reciban clases
presencialmente presencialmente presentarán
presentarán un bajo mejor rendimiento
rendimiento académico que académico que los alumnos
los alumnos que reciban que reciban clases por la
clases por la modalidad modalidad estudiando desde
estudiando desde casa. casa.
Nota. Ejemplo de la formulación de una hipótesis nula y alterna.
27 MAD-UTPL
Siguiendo los pasos señalados en su texto básico puede dar una
representación simbólica de la afirmación representada en la figura anterior.
Lo invito a realizarlo considerando el ejemplo 1 de los conceptos básicos de
las pruebas de hipótesis.
1 Bimestre
Una vez que se tiene las expresiones simbólicas (paso 3 de su texto

básico), es conveniente seleccionar el nivel de significancia e identificar
el estadístico de prueba, para esto revise en qué consisten los pasos 4 y 5
explicados en su texto básico, podrá conocer las distribuciones muéstrales
que se utilizan para cada parámetro, así como su correspondiente
estadístico de prueba.
Como usted observará los estadísticos de prueba se pueden utilizar para

determinar si es posible rechazar la hipótesis nula.
Una vez que haya completado la lectura de los pasos para realizar una
prueba de hipótesis, lo invito a conocer a qué se refiere el Error tipo I y tipo II.
Errores tipo I y tipo II
La decisión de rechazar o no rechazar una hipótesis nula a veces es

correcta o incorrecta, para esto se utilizan dos tipos de errores. En su texto
básico se describen en qué consiste cada uno, por ello es necesario que
realice una lectura comprensiva de los Errores tipo I y tipo II de la sección
“Fundamentos de pruebas de hipótesis”.
Veamos ahora el siguiente ejemplo donde se muestra la aplicación de estos

dos tipos de errores:
Ejemplo:
Con base en la siguiente afirmación: Un tratamiento médico diseñado para

aumentar la probabilidad de recuperación de un paciente de coronavirus leve
es efectivo, de esta manera la probabilidad de recuperación de un paciente
es p>0.5, considerar la siguiente hipótesis nula y alternativa para determinar
el Error tipo I y tipo II.
H0: p=0.5
H1: p>0.5
28 MAD-UTPL
La afirmación que describe el Error tipo I y tipo II sería:
Error tipo I: error de rechazar la hipótesis nula verdadera.
En este caso se concluye que el tratamiento médico es efectivo cuando 1 Bimestre

en realidad no tiene ningún efecto. Esto significa que estamos dando por
aceptado que p>0.5 cuando en realidad p=0.5
Error tipo II: no rechazar la hipótesis nula cuando ésta es falsa.
Concluir que el procedimiento médico no tiene ningún efecto, cuando en

realidad es efectivo para aumentar la probabilidad de recuperación de un
paciente de coronavirus leve. Es decir, realmente p>0.5, pero no se concluye
esto.
Bien, ahora es momento de poner en práctica lo estudiado en esta sección

realizando la siguiente actividad:
Actividades de aprendizaje recomendadas
Recurra a su texto básico y resuelva el ejercicio 5: Afirmación sobre datos

en línea, de la sección de 8-1 habilidades y conceptos básicos, de los
Fundamentos de las pruebas de hipótesis.
Para dar solución a este ejercicio le recomiendo considerar los siguientes

literales:
a. Exprese la afirmación original en forma simbólica

b. Identifique la hipótesis H0 y H1
c. Realice estimaciones subjetivas, para decidir si los resultados
son significativamente bajos o significativamente altos.
d. Proporcione afirmaciones que identifiquen el Error tipo I y tipo II,
que corresponden a la afirmación dada en el ejercicio.

documento Word.
29 MAD-UTPL
3.2. Prueba de hipótesis respecto a una proporción
Una vez que conoce los pasos para realizar una prueba de hipótesis, es
necesario revisar como se prueba una hipótesis sobre una proporción
1 Bimestre
poblacional p. Para tratar este tema lo invito a realizar una lectura de su
texto básico, sección “Prueba de una hipótesis respecto a una proporción”.
De la lectura realizada, usted podrá darse cuenta de que hay ciertos

elementos que son claves para probar este tipo de hipótesis, es posible usar
una distribución normal como una aproximación a una distribución binomial,
este método es conocido como aproximación normal.
En el texto básico también se mencionan algunos otros métodos

equivalentes para probar una hipótesis respecto a una proporción, estos
son: método del valor P, método del valor crítico y método del intervalo de
confianza, estudiados en la sección anterior.
Ahora revisemos el ejercicio propuesto a continuación, el cual muestra los

pasos que son necesarios seguir utilizando el método del valor crítico.
Ejercicio:
Para facilitar la comprensión del tema estudiado, le invito a revisar el

siguiente recurso:
Pasos para realizar una prueba de hipótesis
Como usted habrá observado, para dar solución al ejercicio es conveniente

primero identificar los datos del problema y luego utilizar el método más
apropiado para probar la hipótesis. Es necesario considerar que en el paso
6 especificado en la solución del ejercicio, para el cálculo del valor crítico
correspondiente al nivel de confianza dado, pueden basarse también en
la tabla A-2 del capítulo 6 de su texto base, sección “Distribución normal
estándar” y observar cómo se calcula este valor. En internet también pueden
consultar los valores críticos para un nivel de confianza dado.
30 MAD-UTPL
Bien, a diferencia del ejercicio descrito anteriormente, también
se puede utilizar las pruebas de hipótesis en la medición del
desempeño de diferentes tipos de software; para probar la
utilidad de programas de ordenador para el desarrollo de un
proyecto; para analizar encuestas aplicadas a una proporción 1 Bimestre
de consumidores de productos tecnológicos antes de lanzar al
mercado un nuevo producto, etc.
Es momento de poner en práctica lo aprendido realizando la siguiente

actividad.
Usando los resultados de la encuesta USA Today que menciona el enunciado

de los ejercicios 1-4 planteado en su texto básico, sección 8-2 Habilidades y
conceptos básicos, desarrolle los literales 1 al 3.

documento Word.
Para resolver esta actividad puede basarse en los elementos claves para
una prueba de hipótesis.
Dada una muestra de dos variables aleatorias,

Resultado de calcula la prueba t, z-test, y Chi-cuadrado pruebas
aprendizaje 3 estadísticas y determina si existe significación
estadística.
A través del presente resultado de aprendizaje usted conocerá que existen

diferentes estadísticos para realizar una prueba de hipótesis e identificará
cuál aplicar dependiendo de la afirmación que se tenga.
31 MAD-UTPL
Semana 6
Ahora que entendemos como formular hipótesis es importante conocer 1 Bimestre

cómo realizar una prueba de hipótesis de una afirmación acerca de una
media poblacional y de una desviación estándar. Recuerde que existen
ciertos estadísticos que son necesarios utilizar para realizar las pruebas de
hipótesis.
3.3. Prueba de hipótesis respecto a una media y a una desviación

estándar.
En la prueba de hipótesis respecto a la media se utilizará el estadístico de

prueba t, el cual sigue una distribución llamada distribución t de Student. Es
necesario que revise en que consiste esta prueba de hipótesis desarrollando
una lectura comprensiva de la sección “Prueba de hipótesis respecto a una
media”.
Con la lectura de esta sección usted conocerá como realizar una prueba
de hipótesis acerca de la media poblacional con desviación estándar
desconocida y conocida. Revise los ejemplos desarrollados y los métodos
equivalentes para la prueba de t-student que conducen a las mismas
conclusiones.
Como usted observará al igual que la prueba de hipótesis anterior se pueden

aplicar similares pasos para los métodos: del valor P, de valor crítico, e
intervalo de confianza.
Una vez comprendido el tema, realice otra lectura de la sección 8-4 Prueba
de una hipótesis respecto a una desviación estándar o varianza. ¿Cuál es
el dato estadístico de prueba utilizado en este caso? Supongo que pudo
observar que el estadístico de prueba utilizado es X2 (ji-cuadrada o chi-
cuadrada) y que este posee algunas propiedades. Bien, ahora veamos
como se aplica analizando los ejemplos presentados en la sección
correspondiente a este tema en su texto básico.
Además de los ejemplos del texto base, usted puede aplicar las prueba de
hipótesis respecto a una media poblacional, por ejemplo para: probar la
incidencia de las redes sociales en el estilo de vida de las personas; probar
32 MAD-UTPL
afirmaciones relacionadas con la velocidad de transferencia de datos, uso
de una red social mediante la aplicación de encuestas a usuarios de Internet,
etc.
En el caso de pruebas de hipótesis respecto a una desviación estándar se 1 Bimestre
puede utilizar para analizar la variación de los resultados de exámenes de

una determinada asignatura, en los tiempos de respuesta de aplicaciones
web, etc.
La siguiente tabla resume las pruebas de hipótesis más comunes y sus

respectivos estadísticos de prueba revisados en esta unidad.
Tabla 1.
Estadísticos de prueba para diferentes pruebas de hipótesis
Prueba de hipótesis para: Estadístico de prueba

Un proporción
La media de una población con desviación estándar desconocida
La media de una población con desviación estándar conocida
Una desviación estándar o varianza
Nota. Adaptado de la tabla 8-2 presentada en Triola (2018).
Como usted se habrá dado cuenta existen algunos requisitos que se deben
cumplir para aplicar cada tipo de prueba de hipótesis. En la tabla 8-2 de su
texto básico puede revisar un resumen de los requisitos que debe cumplir
cada tipo de prueba a realizar.
Es momento de medir el nivel de conocimiento adquirido del estudio de esta

unidad, desarrollando la autoevaluación 3.
33 MAD-UTPL
Autoevaluación 3
1 Bimestre
1. En estadística, una hipótesis se define como:
a. Un procedimiento para probar una hipótesis.

b. Una afirmación o declaración sobre una propiedad de una
población.
c. El valor de un parámetro poblacional.
2. Las pruebas de hipótesis también se conocen como:
a. Pruebas de significación.
b. Hipótesis nula.
c. Intervalo de confianza.
3. La hipótesis alternativa es:
a. Una afirmación de que el valor de un parámetro poblacional es

igual a algún valor declarado.
b. Una afirmación de que el parámetro tiene un valor que difiere en
alguna forma de la hipótesis nula.
c. Expresión simbólica de que el parámetro es igual al valor fijo
bajo consideración.
4. El nivel de significancia se entiende como:
a. La probabilidad de rechazar la hipótesis nula cuando ésta es

falsa.
b. El valor de probabilidad utilizado para aceptar la hipótesis nula.
c. La probabilidad de rechazar erróneamente la hipótesis nula
cuando es verdadera.
34 MAD-UTPL
5. El método que permite probar una hipótesis, tomando una decisión al
comparar el estadístico de prueba con el (los) valor(es) crítico(s), se
conoce como:
a. Método del valor P. 1 Bimestre
b. Método del intervalo de confianza.

c. Método del valor crítico.
6. El error de rechazar la hipótesis nula cuando en realidad es verdadera

se conoce como:
a. Error tipo I.
b. Error tipo II.
c. Error tipo III.
7. En la prueba de hipótesis respecto a una media, para la prueba t, el

método del valor P, del valor crítico, y del intervalo de confianza, se
consideran:
a. Equivalentes, porque todos conducen a las mismas

conclusiones.
b. No equivalentes, porque no todos conducen a las mismas
conclusiones.
c. Disyuntos, porque no llevan a los mismos resultados.
8. Los métodos para una prueba de hipótesis respecto a una desviación

estándar o varianza utilizan la distribución:
a. ji cuadrada.
b. t Student.
c. Normal.
9. El dato estadístico de prueba para probar una hipótesis sobre una

media es:
a. Prueba t.
b. Prueba z.
c. Prueba X^2.
35 MAD-UTPL
10. El dato estadístico de prueba para probar una hipótesis sobre una
proporción es:
1 Bimestre
a.
b.
c.
36 MAD-UTPL
Actividades finales del bimestre
1 Bimestre
Semana 7
Una vez completado el estudio de las unidades del primer bimestre lo invito
a desarrollar la siguiente actividad, la cual le permitirá poner en práctica los
conocimientos aprendidos y entrenarse para la evaluación presencial.
Por lo expuesto, le solicito revise el siguiente recurso:
Actividad Final del Primer Bimestre
Semana 8
En la presente semana debe prepararse para la evaluación presencial

del Primer bimestre, para ello le recomiendo realizar un repaso de las
unidades que se ha presentado, revisar las actividades recomendadas y las
autoevaluaciones propuestas en cada unidad, a fin de comprender mejor los
contenidos que debe estudiar. Si tiene alguna inquietud, recuerde que puede
consultar a través de la plataforma EVA.
37 MAD-UTPL
Segundo bimestre
Resultado de Dado un conjunto de datos, determina el mejor

aprendizaje 4 modelo de regresión.
Usted tendrá una visión clara de cómo determinar la correlación entre 2 Bimestre
variables, y cómo aplicar la teoría de regresión, para determinar el mejor

modelo a utilizar en diferentes casos de estudio.
Semana 9
Es momento de iniciar con el estudio de los contenidos del segundo

bimestre, empecemos revisando la Unidad 4.
Unidad 4. Correlación y regresión
Analicemos el tema de correlación entre variables y cómo desarrollar

modelos de regresión lineal y no lineal.
4.1. Correlación
Cuando hablamos de correlación nos referimos a la proporcionalidad entre

dos variables, o a la relación recíproca que se da entre dos o más variables.
Para comprender mejor esta definición es necesario que realice una
lectura comprensiva del capítulo 10. Correlación y Regresión, de su texto
básico. Ahí encontrará los conceptos básicos relacionados a la correlación.
Además, mediante el análisis de gráficas podrá identificar cuándo existe una
correlación lineal.
De la lectura realizada usted podrá darse cuenta de que una herramienta

importante para determinar la relación entre dos variables cuantitativas es el
diagrama de dispersión.
38 MAD-UTPL
Veamos el siguiente ejemplo:
Ejemplo
En un estudio sobre la utilización de una impresora en una oficina del

Departamento de Informática, se midió en un día los minutos transcurridos
entre los sucesivos usos y el número de páginas impresas, produciéndose
los siguientes resultados:
2 Bimestre
Tabla 2.
Tiempo en minutos del número de páginas impresas
Tiempo (X) Núm. Páginas Impresas (Y)

9 8
5 6
4 3
6 4
8 5
4 5
7 8
6 7
8 8
2 3
9 12
9 12
Nota: Tabla que muestra los resultados del uso de una impresora en una oficina de
informática.
Usando la Herramienta R, dibujaremos el diagrama de dispersión para

observar la relación entre la variable independiente “X” que hace referencia
al tiempo transcurrido y la variable dependiente “Y” que representa el
número de páginas impresas. En estos casos decimos que Y depende de X.
39 MAD-UTPL
Figura 2.
Diagrama de dispersión del uso del tiempo transcurrido de sucesivos usos de
la impresora y el número de páginas impresas. Correlación positiva r=0.802
14
12
Num. páginas impresas
10 2 Bimestre
0
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Nota: Imagen obtenida usando la herramienta R, con la función plot().
Al analizar la gráfica se puede observar que hay una relación entre las
variables. Para calcular el valor de correlación se puede utilizar algunas de
las herramientas tecnológicas mencionadas en el texto básico e ingresar
los valores que se muestran en la tabla anterior. Además, en la siguiente
sección se presenta cómo calcular el valor del coeficiente de correlación r
mediante el uso de una fórmula.
Adicional a lo señalado en su texto básico, a continuación, se presentan los

tipos de correlaciones que puede existir de acuerdo a la fuerza de la relación
que se da entre las variables:
40 MAD-UTPL
Figura 3.
Fuerza de la correlación
Correlación perfecta Correlación fuerte Correlación débil
Cuando el resultado del Cuando el resultado es Valores que están entre

coeficiente de correlación mayor a 0.5 y menor que -0.5 y 0.5.
es igual a 1 o -1. En este 1, o menor a - 0.5 y mayor
caso existe una relación que -1.
directamente
2 Bimestre
proporcional entre las
variables.
Nota: La fuerza de la correlación se mide en base al resultado del valor del

coeficiente de correlación.
Esto significa que mientras más cercano es el valor de

correlación entre las variables más fuerte es la relación entre
ellas. Es decir a mayor correlación, los valores de las variables
tienden a formar más una línea recta en el diagrama de
dispersión (figura 2).
4.2. Coeficiente de correlación lineal
En esta sección usted conocerá cómo obtener e interpretar el coeficiente de

correlación lineal r realizando una lectura de su texto básico, concerniente
a los conceptos relacionados al coeficiente de correlación lineal y el cálculo
del mismo usando tecnología.
De la lectura realizada, usted identificará que una correlación puede ser

positiva o negativa de acuerdo a los cambios de las variables, medida por
el coeficiente de correlación lineal r. En la siguiente figura se muestra la
escala considerada para determinar el tipo de correlación de acuerdo a los
resultados del valor de r.
41 MAD-UTPL
Figura 4.
Tipo de correlación con base en el valor del coeficiente de correlación
Positiva 0≤r≤1
Correlación 2 Bimestre
Negativa -1 ≤ r < 0
Nota: En base al valor del coeficiente de correlación se conoce si ésta es positiva o
negativa.
Además, la correlación es lineal cuando en el diagrama de dispersión se

observa un patrón lineal entre las variables. Por ejemplo, en la sección
anterior, figura 2, se puede observar que existe una correlación positiva y
además una relación lineal entre la variable tiempo transcurrido en minutos
con respecto al número de páginas impresas.
Recuerde que si usted desea conocer la relación entre dos

variables, entonces debe calcular el coeficiente de correlación,
y dependiendo del valor obtenido en este coeficiente: positivo
o negativo, se puede observar si los cambios en una variable
corresponden a cambios en la otra. Estos pueden ser en el
mismo sentido, es decir, cuando una variable aumenta, la otra
también aumenta: correlación positiva, o en dirección opuesta,
cuando una variable aumenta, la otra disminuye: correlación
negativa. Veamos un ejemplo: si tenemos un software con
miles de líneas de código la complejidad aumenta (correlación
positiva), por el contrario si tenemos pocas líneas de código
probablemente la complejidad disminuya (correlación negativa).
Ahora lo invito a realizar el cálculo del coeficiente de correlación lineal

del ejercicio planteado anteriormente sobre el tiempo transcurrido de los
sucesivos usos de la impresora, aplicando la fórmula que se menciona en
su texto básico para obtener el coeficiente r, de esta manera usted podrá
comprobar si el resultado obtenido en el apartado anterior es el correcto.
42 MAD-UTPL
Semana 10
En esta semana se revisarán temas relacionados al modelado de problemas

mediante métodos de regresión lineal y no lineal. Lo invito a continuar con el
estudio.
2 Bimestre
4.3. Regresión
Ahora que ya conoce cuándo existe una correlación lineal, vamos a

determinar la ecuación de la línea recta que mejor se ajusta a los puntos
del diagrama de dispersión utilizado para representar los datos. A la línea
recta se la conoce como línea de regresión. Para revisar los métodos que se
utilizan para encontrar la ecuación de la línea recta, es necesario realizar una
lectura comprensiva del Capítulo 10 de su texto básico, el tema relacionado
a Regresión donde usted podrá observar algunos conceptos básicos de
regresión, la representación de una ecuación de regresión y las diferentes
variables que intervienen en ella. Asimismo, es importante que revise la
notación utilizada para la ecuación de una línea de regresión, e identifique
sus elementos.
De la lectura realizada usted podrá determinar que la regresión consiste

en generar una ecuación (modelo) que, basándose en la relación existente
entre dos variables, permita predecir el valor de una a partir de la otra. Es
este caso estamos frente a un modelo de regresión lineal simple, tal como
se representa en la siguiente imagen.
Figura 5.
Variables del modelo de regresión simple
Explica
Y Relación
X
Dependiente Independiente o explicativa
Nota. Rodríguez (2007).
43 MAD-UTPL
Además, usted podrá haberse dado cuenta que la forma de obtener estas
rectas es mediante el método de los mínimos cuadrados. Para enfatizar en
este procedimiento matemático voy a resaltar lo expresado por Rodríguez
(2007), quién menciona que para construir una recta de regresión “se trata
de colocar una recta entre los puntos dados, de la forma mejor balanceada
con el criterio de hacer que la suma de las distancias de la recta a los puntos
sea la menor posible” (p. 273). De esta forma a esta recta también se la
conoce como recta de mínimos cuadrados. 2 Bimestre
Lo invito ahora a complementar lo estudiado en su texto básico, revisando

el siguiente recurso web Modelo de regresión lineal de forma específica el
apartado de conceptos básicos del análisis de regresión lineal.
Luego de la lectura que usted realizó podrá concluir que:
La regresión lineal simple es un método utilizado para predecir la

variable dependiente (Y) en función de los valores de la variable
independiente (X). Por ejemplo, predecir el consumo de energía
de una aplicación web en función del tamaño, predecir el tiempo
de computación de un programa en función de la velocidad del
procesador, estimar el sueldo de una persona en función de los
años de experiencia, etc.
Pero ¿qué son las variables dependientes y las variables independientes?,

en el texto básico podrá identificar la diferencia entre las dos variables, sin
embargo, complementaremos la explicación dada en su texto, señalando
que la variable independiente (X) o variable explicativa es la característica
que se usará para predecir algún valor dado de Y, y la variable dependiente
(Y) conocida también como variable respuesta, es la característica a
predecir que depende de X.
Bien, imagino que usted se preguntará ¿Cuándo utilizar la

regresión lineal?, para dar respuesta a esta interrogante revise
algunas ideas claves que se presentan a continuación:
44 MAD-UTPL
Figura 6.
Claves para identificar una regresión lineal.
Cuando se evidencie una Determinar la relación entre

tendencia en los datos la variable. Si la correlación
(creciente o decreciente), es alta, más fuerte será la
para esto es necesario tendencia y más apropiado 2 Bimestre
dibujar los datos, puede ser será aplicar un modelo de
mediante un diagrama de regresión lineal.
dispersión.
Nota: Diagrama de dispersión y coeficiente de correlación factores importante para

conocer si hay regresión lineal.
Vamos ahora a conocer los tipos de regresión que suelen darse

dependiendo del número de variables explicativas que se tenga. En su
texto básico, se explica cómo encontrar las ecuaciones de regresión lineal
simple mediante la estimación de los coeficientes que hacen referencia a la
pendiente e intersección con la recta, y como representar una ecuación de
regresión lineal múltiple teniendo en cuenta más de una variable explicativa.
Durante la lectura de su texto básico es importante que ponga énfasis en:
Estrategias para predecir los valores de la variable dependiente del

modelo de regresión simple.
¿Qué son los valores atípicos y valores influyentes, y cómo
identificarlos?
¿Qué es el residuo, cómo se calcula?
Conceptos básicos de una ecuación de regresión lineal múltiple.
Procedimiento a seguir para encontrar la ecuación de regresión lineal
múltiple.
Coeficiente de determinación y coeficiente de determinación ajustado.
Una vez realizada la lectura, asumo que usted ya tiene clara la diferencia
entre el modelo de regresión simple y múltiple, ya que en el primero
se predice el valor de la variable dependiente a partir de una variable
explicativa, mientras que, en el modelo de regresión lineal múltiple se
genera una ecuación (modelo) que basándose en la relación existente entre
variables, permita predecir el valor de la variable dependiente a partir de dos
o más variables explicativas, como se representa a continuación:
45 MAD-UTPL
Figura 7.
Variables del modelo de regresión lineal múltiple
Explica
Y Relación
X1 X2 ... Xn
Dependiente Independientes o explicativas
2 Bimestre
Nota: El modelo de regresión lineal múltiple está formado de una variable
dependiente y dos o más variables independientes.
Algunos ejemplos en los que podemos usar un modelo regresión lineal

múltiple son:
Predecir el sueldo de una persona, en función de los años de

experiencia y el cargo que desempeña.
Predecir el tiempo de cómputo de un programa, en función de la

velocidad del procesador, y el tamaño del programa.
Estimar el consumo de energía de un CPU al momento de ejecutar

una aplicación considerando líneas de código y complejidad
computacional.
Así mismo, es importante que conozca que existen relaciones entre

variables que no necesariamente son lineales, en su texto básico también
se explica el tema de Regresión no lineal, y los métodos para encontrar
funciones no lineales mediante el uso de tecnología.
Puede complementar lo desarrollado en su texto básico revisando el

siguiente recurso didáctico, donde encontrará una explicación más detallada
de los tipos de regresión, así como algunos ejemplos de aplicación.
Regresión
Como pudo darse cuenta los modelos de regresión lineal son

aplicables cuando todos los datos son continuos o cuantitativos,
pero en el caso de que se tenga variables categóricas o
cualitativas lo ideal es utilizar regresión logística.
46 MAD-UTPL
Por ejemplo, si deseamos predecir el rendimiento de un sistema y tenemos
como variable respuesta (dependiente) una variable cualitativa, llamada
rendimiento con valores: ALTO o BAJO, en este caso lo más aplicable es un
modelo de regresión logística.
Usted habrá notado también que la estimación de los parámetros de los

modelos de regresión se puede realizar mediante el uso de tecnología.
A continuación, se resume los pasos a seguir para hacer el cálculo del 2 Bimestre
coeficiente de correlación y coeficientes del modelo de regresión usando

Microsoft Excel.
y Para obtener el diagrama de puntos. Ir a la opción Gráficos.

Seleccionar “Dispersión”.
y Dar click derecho sobre la serie de datos graficados y agregar
línea de tendencia.
y Ir a Función: Estadística.
- Para el coeficiente de correlación seleccionar la función
“COEF.DE.CORREL”.
- Para los coeficientes del modelo de regresión lineal,
seleccionar función “ESTIMACION.LINEAL”, tanto para
regresión simple o múltiple.
Lo invito a revisar también el apartado de “Centro de tecnología” en su

texto básico donde se muestra paso a paso como calcular el coeficiente de
correlación usando Statdisk.
En este momento es necesario desarrollar la siguiente actividad para

reforzar más los conocimientos aprendidos.
Realice los ejercicios del 1-4, de la sección de Regresión: 10-4 Habilidades

y conceptos básicos de su texto básico. Los ejercicios correspondientes a:
Notación, línea de mejor ajuste y pendiente.
Para el desarrollo de la actividad recomendada usted deberá aplicar los

conocimientos estadísticos adquiridos durante el estudio de esta sección.
Es hora de poner en práctica lo estudiado desarrollando la autoevaluación 4.
47 MAD-UTPL
Autoevaluación 4
1. Existe una correlación lineal cuando:

2 Bimestre
a. La gráfica de dispersión presenta una distante separación entre

los valores de las variables.
b. Existe correlación y los puntos graficados de los datos pareados
dan como resultado un patrón que se puede aproximar mediante
una línea recta.
c. No hay relación entre las variables.
2. Una correlación es negativa cuando el valor de r está en el rango de:
a. -1≤r<0
b. 0≤r≤1
c. r=0
3. El modelo de regresión lineal simple explica la relación entre:
a. La variable dependiente y una o más variables independientes.

b. La variable dependiente y una única variable independiente.
c. Variables cualitativas.
4. Se conoce como línea de regresión a:
a. La línea recta que mejor se ajusta al diagrama de dispersión de

los datos.
b. La relación entre los datos muestrales.
c. La gráfica que representa los datos pareados.
5. La ecuación de regresión expresa una relación entre:
a. La variable explicativa y la variable independiente.

b. La variable independiente y la variable predictora.
c. La variable explicativa y la variable respuesta.
48 MAD-UTPL
6. En la ecuación de la recta el valor del estadístico b0, hace referencia a:
a. La intersección “y” de la ecuación de regresión.

b. Pendiente de la ecuación de regresión.
c. El valor atípico.
7. El coeficiente de determinación R^2 representa:

2 Bimestre
a. Una medida de qué tan bien se ajusta la ecuación de regresión
múltiple a los datos muestrales.
b. Una relación lineal entre más de una variable.
c. Proporción de la variación en Y.
8. El coeficiente de determinación R^2 es muy bueno si:
a. Es cercano a 0.
b. Es cercano a 1.
c. Es igual a 1.
9. La regresión logística es utilizada en problemas de:
a. Predicción de una variable cuantitativa.

b. Clasificación binaria.
c. Ajuste de una recta.
10. Si tenemos un conjunto de datos muestrales con las estaturas y peso

de hombres y mujeres, donde la variable respuesta representa el
género: 1=Hombre y 0= Mujer. En este caso es conveniente utilizar:
a. Regresión lineal múltiple .

b. Regresión lineal simple.
c. Regresión logística.
49 MAD-UTPL
Resultado de Realiza un análisis estadístico del rendimiento de
aprendizaje 5 un sistema.
A través del presente resultado de aprendizaje, usted determinará que el

análisis de varianza puede ser utilizado para probar el efecto de las variables
en problemas de TI.
2 Bimestre
Semana 11
Unidad 5. Análisis de Varianza
Veremos ahora otro interesante tema que es el análisis de varianza

(ANOVA), un tipo de prueba estadística paramétrica que estudia el efecto de
uno o más factores sobre la media de una variable continua. En este caso se
denominan factores a las variables independientes. Por tanto, esta prueba
se aplica cuando se desea comparar las medias de dos o más grupos. Es
decir, si queremos analizar si el lenguaje de programación es sinónimo de
buen rendimiento de un software, podríamos plantear un problema de esta
forma:
Tenemos tres grupos de software según el lenguaje de programación

en el que estén desarrollados. ¿Cómo sé si estos grupos tienen un buen
rendimiento de cómputo? Para esto necesitamos una herramienta que nos
compare estos tres grupos de software y nos diga si estadísticamente éstos
son distintos o no. Esta herramienta puede ser el ANOVA. Si el resultado del
ANOVA es significativo entonces habrá diferencias en el rendimiento según
el lenguaje de programación en el que han sido desarrollados.
5.1. ANOVA de un factor
Existen diferentes tipos de ANOVA, en esta unidad se estudia una

clasificación dependiendo del número de factores. Veamos esto con más
detenimiento realizando una lectura comprensiva de su texto básico:
50 MAD-UTPL
Capítulo 12: Análisis de varianza, sección “ANOVA de un factor”, y revise los
conceptos básicos de este tipo de prueba, la distribución que se requiere
para realizar una prueba ANOVA, los requisitos a cumplir, y los cálculos e
identificación de medias que son diferentes.
¿Cómo estuvo la lectura? es interesante ¿verdad?. Al realizar la lectura de

esta sección se observó como verificar los requisitos de esta prueba y los
criterios a considerar para dar por aceptada o no una afirmación de igualdad 2 Bimestre
de medias. Además, se observó que el ANOVA de un factor se utiliza con

datos categóricos de un factor, y que se requiere calcular el estadístico de
prueba F para aceptar o rechazar la igualdad de medias.
Resumiendo, podemos decir que la aplicación del ANOVA de un factor, se

basa en un contraste de hipótesis, tal como se muestra a continuación:
Figura 8.
Contraste de hipótesis. ANOVA de un factor
No hay diferencias entre Al menos una de las
H0 las medias de los

diferentes grupos.
H0: μ1 = μ2 = μ3.......μn=μ
H1 medias es
significativamente distinta
de las otras.
De la imagen anterior, podemos ver que la hipótesis nula que se contrasta

en el ANOVA de un factor consiste en que las medias poblacionales
son iguales. Tener en cuenta que, si damos por aceptada la hipótesis
nula, significa que los grupos no difieren en el valor medio de la variable
dependiente (respuesta) y que, por tanto, dicho valor medio se podrá
considerar independiente del factor.
Haciendo referencia al ejemplo inicial de los grupos de software la hipótesis

nula sería que no hay diferencias entre las medias del rendimiento de los
grupos de software, es decir las medias son iguales.
Es momento de poner en práctica lo estudiado, revisando el siguiente

ejemplo a fin de comprender mejor el ANOVA de un factor.
Ejemplo:
Se desea comprobar si el uso de tres computadoras produce resultados

diferentes que son estadísticamente significativos en el tiempo de ejecución
de un programa. Sean dos grupos de programas seleccionados al azar, con
51 MAD-UTPL
las mediciones obtenidas en tiempo de ejecución después de que cada uno
de ellos fue ejecutado en diferente computador.
En la tabla 3, se muestran los resultados obtenidos del tiempo de ejecución

(segundos) de los programas para cada computador:
Tabla 3.
Tiempo de ejecución de cada programa
2 Bimestre
Programa Computador A Computador B Computador C

1 50 100 150
2 100 150 120
Suma 150 250 270
Promedio 75 125 135
Nota. Esta tabla contiene el tiempo de ejecución de programas de computadora.
Si observamos los valores promedios, todo parece indicar que existen

diferencias en el tiempo de ejecución entre los computadores. Ahora bien,
¿son dichas diferencias significativas? La prueba ANOVA permite responder
a esta interrogante.
El objetivo del ANOVA es comparar los diversos valores medios

para determinar si alguno de ellos difiere significativamente del
resto.
En base al ejemplo propuesto lo invito a realizar el siguiente ejercicio:
Ejercicio:
Verifique la hipótesis de que las medias del tiempo de ejecución son iguales
utilizando el nivel de significación 0.05. Puede seguir los siguientes pasos:
1. Formule la hipótesis nula y alternativa.

2. Encuentre la varianza entre las muestras.
3. Determine la varianza dentro de las muestras.
4. Calcule el estadístico de prueba.
5. Si desea puede elaborar una tabla ANOVA
6. Interpretación: Indicar la decisión respecto a la hipótesis nula.
52 MAD-UTPL
Recuerde también que puede utilizar la herramienta Statdisk
o cualquier otra herramienta de las mencionadas en su texto
básico para obtener los resultados ANOVA.
Es momento de poner en práctica lo estudiado, realizando la siguiente

actividad recomendada:
2 Bimestre
Desarrollar los ejercicios 1-4 de la sección 12-1 Habilidades y conceptos

básicos del tema de ANOVA de un factor en su texto básico.
Un punto importante para desarrollar los ejercicios, es hacer una analogía

con el ejemplo analizado anteriormente, donde las columnas de la tabla
(Computadoras), se corresponden con los vuelos (Vuelo 1, Vuelo 19 y Vuelo
21) del ejercicio a resolver.
Semana 12
5.2. ANOVA de dos factores
¿Animado para continuar adelante con el siguiente tema? Seguro que sí.
Ahora revisaremos el método de análisis de varianza con dos factores. Para
ello, es necesario revisar los conceptos claves que se requieren para aplicar
este método, desarrollando una lectura comprensiva de la sección “ANOVA
de dos factores” de su texto básico. En esta sección usted encontrará
algunas definiciones importantes a tener en cuenta de este método, el
procedimiento a seguir para el ANOVA de dos factores, y algunos ejemplos
en los que se detalla paso a paso como realizar esta prueba estadística.
¿Fue comprensible la lectura? Espero que sí y que le haya sido de mucha

ayuda.
Luego de la lectura del texto básico, se puede resumir que:
53 MAD-UTPL
Figura 9.
Anova de dos factores
2 Bimestre
Recuerde que se puede identificar posibles interacciones de los dos factores

de forma gráfica utilizando “gráficos de interacción”. Si los segmentos de
líneas son aproximadamente paralelas no hay interacción.
Algunos ejemplos de aplicación de este tipo de análisis son:
Eficacia de distintos tratamientos con un determinado medicamento.

Factores: tratamiento, edad del paciente.
Estudio de diversos tratamientos para conocer la evolución de la

hipertensión arterial según el sexo. Factores: género y fármaco.
Estudio de diferentes aplicaciones web para conocer su rendimiento

según el tiempo de ejecución. Factores: Lenguaje de programación y
sistema operativo.
Efectos sobre el retardo de los mensajes transmitidos por una red de

computadoras. Factores: Algoritmo de encadenamiento de mensajes y
nivel de carga de la red.
Muy bien, para entender mejor lo que acabamos de mencionar, lo invito

a revisar el siguiente recurso con un ejemplo práctico del ANOVA de dos
factores.
ANOVA
¡Estamos de vuelta!, ¿terminamos la revisión del video? Espero que le haya

sido de utilidad.
54 MAD-UTPL
Ahora considerando su campo de estudio completemos el siguiente
ejercicio:
Si contamos con una tabla que registra los tiempos de ejecución de algunos
algoritmos, donde el tiempo se ve afectado por el tipo de lenguaje de
programación y el sistema operativo en el que se ejecutan, ¿cuáles serían
los factores a considerar? Puede completar este ejercicio colocando valores
al azar o utilizar algoritmos desarrollados por usted mismo y ejecutarlos 2 Bimestre
en dos sistemas operativos diferentes y así determinar los tiempos de

ejecución. Luego seguir el procedimiento indicado en su texto básico para el
análisis de varianza de dos factores.
Bien, como usted habrá observado el ANOVA de dos factores es

aplicable cuando tenemos dos variables independientes, es decir
ésta prueba el efecto de dos variables independientes sobre
una variable dependiente. De acuerdo al ejemplo anterior, estas
dos variables independientes son: lenguaje de programación y
sistema operativo. Por tanto la diferencia del ANOVA de un factor
y dos factores radica en el número de variables independientes a
utilizar para el análisis de una prueba de varianza.
Recuerde que cuando se utiliza el ANOVA de dos factores (una variable

de fila y una de columna) es necesario realizar las siguientes pruebas
(formuladas como hipótesis):
Hipótesis acerca del efecto de la interacción entre los factores.

Hipótesis acerca del efecto del factor fila.
Hipótesis acerca del efecto del factor columna.
Es momento de poner en práctica lo estudiado, realizando la siguiente

actividad recomendada a fin de comprender de mejor manera la aplicación
de esta prueba estadística.
Con base en el ejercicio 6. Pesos y 7. Estaturas, del análisis de

varianza de dos factores propuesto en su texto básico, sección 12-2
habilidades y conceptos básicos, analice los resultados y determine
qué se puede concluir.
55 MAD-UTPL
Con el desarrollo de esta actividad usted podrá recordar los conceptos
analizados en esta sección dando respuesta a las interrogantes que se
plantean en cada uno de estos ejercicios.
¡Muy bien!, hemos culminado con éxito el desarrollo de esta unidad. En

este momento lo invito a que resuelva la siguiente autoevaluación para
comprobar lo aprendido.
2 Bimestre
56 MAD-UTPL
Autoevaluación 5
Para cada enunciado identifique la alternativa correcta.
1. El ANOVA de un factor se utiliza para realizar pruebas de hipótesis de

2 Bimestre
que:
a. Tres o más poblaciones tienen medias que no son iguales.

b. Tres o más poblaciones tienen medias que son todas iguales.
c. Dos o más poblaciones tienen medias que no son todas iguales.
2. Uno de los requisitos para aplicar el ANOVA de un factor es que:
a. Las muestras sean independientes entre sí.

b. Las poblaciones tienen diferente varianza.
c. Las distribuciones de las poblaciones son binomiales.
3. Los valores más grandes del dato estadístico de prueba producen:
a. Valores P más grandes.

b. Varianzas distintas.
c. Valores P más pequeños.
4. El ANOVA de un factor requiere calcular el estadístico de prueba F

para:
a. Aceptar la diferencia entre las poblaciones.

b. Rechazar la diferencia entre las medias poblacionales.
c. Aceptar o rechazar la igualdad de las medias.
5. En el ANOVA de un factor el dar aceptada la hipótesis nula significa:
a. Que los grupos no difieren en el valor medio de la variable

respuesta.
b. Que el valor medio se podrá considerar dependiente del factor.
c. Que los grupos difieren en el valor medio de la variable
dependiente.
57 MAD-UTPL
6. En el ANOVA de dos factores al utilizar “gráficos de interacción”, si los
segmentos de líneas son aproximadamente paralelas significa que:
a. No hay interacción de los dos factores.

b. Hay interacción entre los factores.
c. No es posible identificar la interacción entre los factores.
7. Una interacción entre dos factores existe cuando:

2 Bimestre
a. El efecto de uno de los factores no cambia para diferentes

categorías.
b. El efecto de uno de los factores cambia para diferentes
categorías del otro factor.
c. El efecto de los dos factores cambia para diferentes categorías
de ambos factores.
8. Cuando se realiza la prueba del efecto del factor fila, si el valor P es

pequeño ejemplo (menor a 0.05), se concluye:
a. No hay efecto del factor de fila.

b. Hay un efecto del factor de fila.
c. Hay un efecto del factor de columna.
9. En el ANOVA de dos factores, uno de los requisitos a cumplir es

que para cada celda los valores muestrales deben provenir de una
población con una distribución que es:
a. Aproximadamente normal.
b. Binomial.
c. Categórica.
10. Si tengo el consumo de CPU de una aplicación web categorizados

por el intervalo de tiempo de ejecución y el tipo de sistema operativo:
Windows y MACOS, ¿cuál método sería más recomendable utilizar
para este caso?
a. ANOVA de un factor.
b. ANOVA de dos factores.
c. ANOVA de tres factores.
58 MAD-UTPL
Resultado de Determina si una prueba paramétrica o no
aprendizaje 6 paramétrica es apropiada.
A través del presente resultado de aprendizaje usted determinará las

principales pruebas no paramétricas que pueden ser aplicadas a problemas
reales e identificará cuándo éstas son apropiadas utilizarlas.
2 Bimestre
Semana 13
Unidad 6. Pruebas no paramétricas
Luego de haber revisado acerca de las pruebas paramétricas, en esta unidad

nos enfocaremos al estudio de otro tipo de pruebas, las no paramétricas que
son parte del conjunto de pruebas estadísticas que se pueden utilizar para el
análisis de los datos.
6.1. Conceptos básicos de las pruebas no paramétricas
Para conocer en qué consisten las pruebas no paramétricas, sus ventajas y

desventajas, vamos a ir al texto básico y revisar el capítulo 13: Pruebas no
paramétricas, a la sección correspondiente a conceptos básicos, prestemos
atención entre otras cosas a las definiciones que se presentan y a la
comparación que se realiza entre pruebas paramétricas y no paramétricas.
Luego de revisar el texto básico es preciso señalar que las pruebas no

paramétricas son aquellas que no requieren que los datos tengan una
distribución particular, es decir, los datos no están organizados de forma
normal como en una prueba paramétrica.
Bien, usted se preguntará ¿Cuándo aplicar una prueba no paramétrica o

una prueba paramétrica? Para enfatizar en el uso de este tipo de pruebas, y
cuándo utilizarlas a continuación se complementa la comparación realizada
en su texto básico sobre estas pruebas y se resaltan algunos criterios
59 MAD-UTPL
importantes a tener en cuenta al momento de elegir una prueba paramétrica
o no paramétrica.
Tabla 4.
Cuadro comparativo de las pruebas paramétricas y no paramétricas
Criterio de comparación Prueba paramétrica Prueba no paramétrica

Nivel de medición Por intervalos Categóricos: nominales u ordinales.
2 Bimestre
Tamaño de la muestra Grande Pequeña
Tipo de muestra Muestra aleatoria Muestra no aleatoria
Distribución Normal Libre
En la tabla anterior usted podrá observar que antes de aplicar una prueba
paramétrica o no paramétrica, es importante conocer el tamaño de la
muestra poblacional y la escala en la que están medidos los datos.
Recuerde que las pruebas no paramétricas pueden ser utilizadas con datos
categóricos y que no presentan una distribución normal. Por tanto, este tipo
de pruebas pueden ser aplicadas a una variedad de situaciones donde sea
necesario contrastar una hipótesis y se requiera analizar datos en escala
nominal (categóricos). Por ejemplo: En una muestra de usuarios de telefonía
móvil donde es necesario emplear el género para probar una hipótesis de
que existe diferencia entre el uso del celular por parte de los hombres y el
uso del celular en las mujeres.
Lo invito ahora a profundizar en el estudio de las pruebas no paramétricas

que se listan en la tabla 13-2 de su texto básico, revisando las siguientes
secciones.
6.2. Pruebas del signo
Luego de revisar su texto básico sobre la prueba del signo, es conveniente

resaltar que este tipo de prueba no paramétrica permite el contraste de
hipótesis respecto a la mediana, más no de una media. Además, se basa en
signos positivos y negativos para evaluar diferentes afirmaciones, de esta
forma se analizan las frecuencias de estos signos para determinar si son
diferentes significativamente.
Para enfatizar en el uso de la prueba del signo, veamos el siguiente ejemplo

propuesto el recurso interactivo que se muestra a continuación:
60 MAD-UTPL
Ejemplo prueba del signo
¿Cómo les fue con el ejercicio propuesto en el recurso anterior?, ¿Cuál es

el valor crítico para n=11? Espero que haya podido identificar que el valor
crítico para n=11 con un valor de significancia de 0.05 es igual a 1 en dos
colas, por tanto, el estadístico de prueba x=4 no es menor o igual al valor
crítico, esto quiere decir que, no es posible rechazar la hipótesis nula. Como
pudo observar en este ejemplo, la idea es probar si hay diferencia en las 2 Bimestre
ventas de diferentes tipos de software, así mismo usted podría aplicar la

prueba del signo a otras situaciones relacionadas en su campo profesional.
Bien, hasta ahora hemos visto la aplicación de la prueba del signo para
datos numéricos, pero ¿qué sucede con aquellas afirmaciones en las cuales
tenemos datos nominales o categóricos? Revisemos el texto básico sección
“Afirmaciones que implican datos nominales con dos categorías” y veamos
cómo usar la prueba del signo.
Cómo usted habrá observado en estos casos se debe identificar la

proporción de datos nominales que pertenecen a una categoría específica,
por ejemplo, para el caso de los productos en software de Amazon
mostrado en el recurso interactivo anterior, se tienen dos categorías:
software para dispositivos móviles y software en la nube. En este caso se
representa al software de dispositivos móviles con signo positivo (+) y al
software en la nube con signo negativo (-).
A fin de complementar los estudiado en su texto básico, puede realizar la

lectura del siguiente recurso web Pruebas no paramétricas, especialmente
lo relacionado a la prueba de los signos para el contraste de hipótesis sobre
una variable y dos variables.
Otro importante tema a resaltar es la prueba del signo para “Afirmaciones

sobre la mediana de una sola población”. En su texto básico usted
encontrará el procedimiento a seguir para probar este tipo de afirmaciones,
además podrá observar que en este caso los signos positivos o negativos se
basan en el valor declarado de la mediana.
61 MAD-UTPL
Antes de continuar con el siguiente tema, es importante que realice

el ejercicio 6, para el uso de la prueba del signo para datos de pares
relacionados, especificado en la sección 13-2 habilidades y conceptos
básicos. 2 Bimestre
Para este ejercicio es conveniente que siga el procedimiento de la prueba

del signo especificado en el diagrama de flujo de su texto básico.
Semana 14
6.3. Prueba de rangos con signo de Wilcoxson
Bien, ahora revisaremos otra prueba no paramétrica para datos pareados.

Para conocer en qué consiste este tipo de prueba es conveniente realizar la
lectura de la sección “Prueba de rangos con signo de Wilcoxson para datos
pareados” de su texto básico”.
¿Cómo le fue con la lectura? ¿Tenemos claro en qué consiste la prueba

de Wilcoxson? Entonces para resumir lo mencionado en su texto básico,
podemos decir que la prueba de Wilcoxson utiliza rangos para probar las
siguientes afirmaciones:
Tabla 5.
Usos de la prueba de rangos con signo de Wilcoxson
Afirmaciones que involucran Una población de datos pareados posee la propiedad de que
datos pareados los pares relacionados tienen diferencias con una mediana
igual a cero.
Afirmaciones sobre la Una sola población de valores individuales tiene algún valor
mediana de una sola declarado de la mediana.
población
Es oportuno que ponga atención en el procedimiento a seguir para la prueba

de rangos con signo de Wilcoxson, usted observará en su texto básico el
62 MAD-UTPL
desarrollo de ejemplos, en los cuales se aplican algunos pasos a seguir
hasta llegar a la conclusión de aceptar o no la hipótesis nula.
Como se habrá dado cuenta la diferencia de la prueba del

signo con la prueba de rangos de Wilcoxson radica en que en
esta última las hipótesis se basan en rangos y la mediana. Por
ejemplo se puede utilizar este tipo de prueba no paramétrica
para probar alguna hipótesis relacionada con la evaluación de 2 Bimestre
un sistema informático en la que se considere resultados de

evaluaciones de usuarios acerca del funcionamiento y usabilidad
del sistema. La hipótesis a probar podría ser de que no hay
diferencia entre las evaluaciones realizadas por los usuarios en
términos de funcionamiento y usabilidad.
Es momento de verificar los temas estudiados en esta unidad, realizando la

siguiente autoevaluación.
63 MAD-UTPL
Autoevaluación 6
Para cada enunciado identifique la alternativa correcta.
1. Las pruebas no paramétricas a diferencia de las paramétricas:

2 Bimestre
a. Requieren que las muestras provengan de distribuciones

normales.
b. No requieren que las muestras provengan de poblaciones con
distribuciones normales o cualquier otra distribución.
c. Necesitan que las muestras sigan una distribución binomial.
2. La prueba del signo utiliza signos positivos y negativos para evaluar

afirmaciones:
a. Afirmaciones sobre la moda de una población.

b. Que involucra numéricos con tres categorías.
c. Afirmaciones sobre la mediana de una población.
3. Una de las ventajas de las pruebas no paramétricas es que éstas:
a. Se pueden aplicar a más tipos de datos que las pruebas

paramétricas.
b. Solo pueden ser aplicadas a ciertos tipos de datos.
c. Se puede aplicar a limitadas situaciones.
4. Para evaluar afirmaciones que involucra pares relacionados de datos

muestrales se usa la prueba no paramétrica:
a. Prueba del signo o prueba de rangos con signo de Wilcoxson.

b. Prueba de la suma de rangos de Wilcoxson.
c. Prueba de correlación lineal.
5. En las pruebas basadas en rangos, un rango se entiende como:
a. Un número asignado a un elemento muestral individual de

acuerdo con su lugar en la lista ordenada.
b. Colocar un elemento muestral en una lista ordenada.
c. Un elemento muestral asignado en orden a la posición en la lista.
64 MAD-UTPL
6. En afirmaciones sobre pares relacionados es importante tener en
cuenta que:
a. Se debe incluir los empates del par relacionado cuando ambos

valores son iguales.
b. Se excluyen los empates borrando cualquier par relacionado en
el que ambos valores sean iguales.
c. La cantidad de signos positivos debería se mayor a la cantidad 2 Bimestre
de signos negativos.
7. El requisito que se debe cumplir en este tipo de pruebas es:
a. Los datos muestrales sean una muestra no aleatoria.

b. La muestra sea una muestra estratificada.
c. La muestra sea una muestra aleatoria simple.
8. La prueba de rangos con signo de Wilcoxon para datos pareados es un

tipo de prueba:
a. Paramétrica.
b. No paramétricas.
c. Paramétrica y no paramétrica.
9. Con la prueba de rangos con signo de Wilcoxon para datos pareados,

se puede probar una afirmación de que:
a. Una sola población de valores individuales tiene una mediana

igual a algún valor declarado.
b. Una población de valores individuales tiene una media igual a
algún valor declarado.
c. Una población de datos pareados tiene diferencias con una
media igual a cero.
10. En la prueba del signo con datos pareados se usa:
a. Solo los signos de las diferencias.

b. Las magnitudes de las diferencias
c. Datos muestrales en rangos
65 MAD-UTPL
Actividades finales del bimestre
Semana 15
2 Bimestre
Una vez completado el estudio de las unidades del segundo bimestre lo
invito a desarrollar la siguiente actividad, que le permitirá poner en práctica
los conocimientos aprendidos y entrenarse para la evaluación presencial.
Actividades finales del segundo bimestre
Semana 16
En la presente semana debe prepararse para la evaluación presencial

del Segundo Bimestre, para ello le recomiendo realizar un repaso de las
unidades que se ha presentado, revisar las actividades recomendadas y las
autoevaluaciones propuestas en cada unidad, a fin de comprender mejor los
contenidos que debe estudiar. Si tiene alguna inquietud, recuerde que puede
consultar a través de la plataforma EVA.
66 MAD-UTPL
4. Solucionario
Autoevaluación 1
Pregunta Respuesta Retroalimentación
1 b Un modelo determinista implica que, dadas algunas

Solucionario
entradas, la salida siempre será la misma.
2 a En un modelo estocástico algún elemento no se conoce con
anticipación, alguna variable del modelo es tomada como un
dato al azar.
3 c Es un resultado o un evento que no se puede descomponer
en otros más simples.
4 b Corresponden a eventos que son muy poco probables de
que ocurran.
5 a Es la probabilidad de que ocurra el evento A u ocurra el
evento B (o que ambos ocurran).
6 b La probabilidad condicional es una probabilidad obtenida
con información adicional de que algún otro evento ya ha
ocurrido.
7 c Es la notación utilizada para indicar la probabilidad
condicional de que ocurra el evento B dado que el evento A
ya ha ocurrido.
8 a Con el método formal la se calcula dividiendo la probabilidad
de que el evento A y B ocurra por la probabilidad del evento
A.
9 b Representa la notación de una probabilidad condicional, por
tanto se lee como probabilidad de A dado M.
10 c El método intuitivo es mucho más fácil de usar y menos
probable que resulte en errores.
67 MAD-UTPL
Autoevaluación 2
1 b La distribución de probabilidad puede entenderse como una

lista que proporciona los resultados de los valores de las
variables aleatorias junto con la probabilidad de ocurrencia
asociada a estos valores.
2 a Los valores de la media, la varianza y desviación estándar,
son parámetros, no valores estadísticos.
3 a Es el valor medio de los resultados.
4 c Se usa en circunstancias en las que se tiene solo dos
resultados posibles, es decir dos categorías. Solucionario
5 b La probabilidad de Bernoulli el experimento se realiza en un
solo ensayo.
6 a Dos de los métodos para calcular la distribución binomial
son: uso de la fórmula y uso de software (tecnología).
7 b La distribución de Poisson es otra categoría de distribución
discreta.
8 c Es un ejemplo o aplicación de distribución de Poisson.
9 c Uno de los requisitos para una distribución de Poisson es
que las ocurrencias deben ser independientes entre sí.
10 c Una distribución de Poisson está determinada únicamente
por la media.
68 MAD-UTPL
Autoevaluación 3
1 b Una afirmación o declaración sobre una propiedad de una

población.
2 a Las pruebas de hipótesis también se llaman pruebas de
significancia.
3 b La hipótesis alterna es lo que se espera probar que es cierta.
Es decir, indica que un parámetro de población es diferente
del valor hipotético de la hipótesis nula.
4 c El nivel de significancia para una prueba de hipótesis es la
probabilidad de rechazar erróneamente la hipótesis nula Solucionario
cuando es verdadera.
5 c Los valores críticos separan la región crítica de los valores
del estadístico de prueba que no conducen al rechazo de la
hipótesis nula.
6 a El error tipo I se produce cuando rechazamos una hipótesis
nula cuando ésta es verdadera.
7 a Para la prueba t, el método de valor P, el de valor crítico y el
método de intervalo de confianza, son todos equivalentes
en el sentido de que todos conducen a las mismas
conclusiones.
8 a Los métodos para llevar a cabo una prueba de hipótesis
de una afirmación hecha sobre una desviación estándar o
varianza usan la distribución ji cuadrada.
9 a Para probar una prueba de hipótesis acerca de una media
poblacional el dato estadístico utilizado se conoce como
prueba t.
10 c El dato estadístico de prueba para probar una hipótesis
sobre una proporción es la prueba z.
69 MAD-UTPL
Autoevaluación 4
1 b Hay correlación lineal cuando existe una correlación y

los puntos graficados de los datos pareados dan como
resultado un patrón que se puede aproximar mediante una
línea recta.
2 a Existe correlación negativa puesto que a medida que los
valores x aumentan, los valores correspondientes de y
disminuyen, en este caso el valor de r debe estar en el rango
de -1 ≤ r < 0.
3 b El modelo de regresión simple explica la relación entre la Solucionario
variable Y y una única variable dependiente X.
4 a Es la línea de mejor ajuste.
5 c Explica la relación entre la variable independiente
(explicativa) y la variable dependiente (respuesta).
6 a El estadístico muestral b0 es la intersección “y”
7 a Es una medida de qué tan bien se ajusta la ecuación de
regresión múltiple a los datos muestrales.
8 b Un ajuste es muy bueno si es cercano a 1.
9 b La regresión logística permite generar un modelo para
predecir la clase de cada observación.
10 c Se podría utilizar regresión logística ya que estamos frente a
un problema de clasificación, donde la variable respuesta es
de tipo categórica.
70 MAD-UTPL
Autoevaluación 5
1 b Se utiliza para probar de que tres o más poblaciones tiene

medias que son todas iguales como: H0: μ1 = μ2 = μ3.
2 a Las muestras no están relacionadas o pareadas de ninguna
forma, es decir, que son independientes entre sí.
3 c Los valores más grandes del dato estadístico de prueba dan
como resultado valores P más pequeños.
4 c El ANOVA de un factor requiere calcular el estadístico de
prueba F para aceptar o rechazar la igualdad de las medias.
5 a Si damos por aceptada la hipótesis nula, significa que los Solucionario
grupos no difieren en el valor medio de la variable respuesta
y que, dicho valor medio se podrá considerar independiente
del factor.
6 a Si los segmentos de líneas son aproximadamente paralelas
no hay interacción de los dos factores.
7 b Existe una interacción entre dos factores si el efecto de uno
de ellos cambia para diferentes categorías del otro factor.
8 b En la prueba del efecto del factor fila, usando el valor P, si
éste es menor a 0.05, entonces hay un efecto del factor de
fila.
9 a Para cada celda, los valores muestrales provienen de una
población con una distribución que es aproximadamente
normal.
10 b Al analizar el ejemplo se ve que se tiene dos factores:
intervalo de tiempo y tipo de sistema operativo. Por tanto, se
debe aplicar el ANOVA de dos factores.
71 MAD-UTPL
Autoevaluación 6
1 b Las pruebas no paramétricas no requieren que las muestras

provengan de poblaciones con distribuciones normales o
cualquier otra distribución particular.
2 c La prueba del signo utiliza signos positivos y negativos para
evaluar diferentes afirmaciones, entre ellas las afirmaciones
sobre la mediana de una población.
3 a Las pruebas no paramétricas se pueden aplicar a más tipos
de datos que las pruebas paramétricas.
4 a Para relaciones de datos muestrales se usa la prueba del Solucionario
signo o prueba de rangos con signo de Wilcoxson.
5 a Un número asignado a un elemento muestral individual de
acuerdo con su lugar en la lista ordenada.
6 b Se registra solamente el signo de la diferencia encontrada
al restar el valor de la segunda variable de la primera. Los
empates se excluyen.
7 c Los datos muestrales son una muestra aleatoria simple.
8 b Prueba de rangos con signo de Wilcoxon para datos
pareados, es una prueba no paramétrica que utiliza rangos
para probar afirmaciones.
9 a Prueba de rangos con signo de Wilcoxon para datos
pareados, permite probar una afirmación de que una sola
población de valores individuales tiene una mediana igual a
algún valor declarado.
10 a La prueba del signo se puede usar con datos pareados, pero
ésta solo usa los signos de las diferencias.
72 MAD-UTPL
5. Referencias bibliográficas
Rustom, A. (2012). Estadística descriptiva, Probabilidad e Inferencia.

Universidad de Chile. https://cutt.ly/ihq9VcR
Diccionario de Geotecnia (14 de mayo de 2021). Análisis Determinístico.

https://www.diccionario.geotecnia.online/palabra/analisis-
deterministico/
Guzmán, V. (2009). Economía de la Empresa I. Open Course Ware Referencias

Universidad de Málaga. https://ocw.uma.es/pluginfile.php/1520/mod_
resource/content/0/GuzmanParraOcwT10.pdf
Triola, M. (2018). Estadística. Editorial: Pearson. Edición: 12.
Rodríguez, L. (2007). Probabilidad y Estadística Básica para Ingenieros.

Escuela Superior Politécnica del Litoral, ESPOL. https://archuto.files.
wordpress.com/2011/02/probabilidad_y_estadistica_basica.pdf
Molina, G, Rodrigo, M. (2010). El Modelo de Regresión lineal. Open Course

Ware Universidad de Valencia. http://ocw.uv.es/ciencias-de-la-salud/
pruebas-1/1-3/t_09nuevo.pdf
Molina, G, Rodrigo, M. (2014). Pruebas no paramétricas. Open Course

Ware Universidad de Valencia. http://ocw.uv.es/ciencias-de-la-salud/
estadistica-ii/est2_t5.pdf
73 MAD-UTPL

Guia Didactica - GD

Cargado por

Copyright:

Formatos disponibles

Guia Didactica - GD

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guia Didactica - GD

Cargado por

Copyright:

Formatos disponibles

Aplicación de Matemáticas y

Departamento de Ciencias de la Computación y Electrónica

Aplicación de Matemáticas y Estadística

Carrera PAO Nivel

 Tecnologías de la Información VIII

Valdiviezo Diaz Priscila Marisela

ESTA_4009 Asesoría virtual

Aplicación de Matemáticas y Estadística en Tecnologías de la Información

Diagramación y diseño digital:

Ediloja Cía. Ltda.

ISBN digital - 978-9942-39-215-2

Unidad 1. Modelos determinísticos vs. estocásticos.................................... 9

Unidad 2. Distribución de probabilidad Discreta........................................... 17

2.3. Distribuciones de probabilidad Binomial............................................ 19

Unidad 3. Pruebas de Hipótesis................................................................... 26

3.3. Prueba de hipótesis respecto a una media y a una desviación estándar.

Unidad 4. Correlación y regresión................................................................ 38

Unidad 5. Análisis de Varianza..................................................................... 50

5.2. ANOVA de dos factores....................................................................... 53

Unidad 6. Pruebas no paramétricas............................................................. 59

6.3. Prueba de rangos con signo de Wilcoxson........................................ 62

1.1. Presentación de la asignatura

1.2. Competencias genéricas de la UTPL

 Orientación a la investigación e innovación

1.3. Competencias específicas de la carrera

 Construir modelos específicos de ciencias de la computación

1.4. Problemática que aborda la asignatura

El medio social en el cual se desenvolverá el profesional en TI, maneja

Por otro lado, en la actualidad la estadística es la herramienta más usada en

Con el objeto de contribuir al logro de los resultados de aprendizaje, durante

La metodología de aprendizaje basado en problemas le ayudará en la

Con base a esto, el estudiante obtendrá los conocimientos y habilidades

Para mayor información sobre el aprendizaje basado en problemas, revise el

Resultado de  Describe la diferencia entre el análisis estocástico

Con base en el resultado de aprendizaje, usted podrá distinguir entre

Contenidos, recursos y actividades de aprendizaje

Iniciaremos con el estudio de los contenidos de la unidad 1.

Unidad 1. Modelos determinísticos vs. estocásticos

Es hora de revisar los temas 1.1 Modelo determinístico y 1.2 Modelo

Es importante recordar qué es un modelo. De acuerdo a Rustom (2012),

Ahora ¿Qué es un modelo determinístico?, un modelo determinístico se

Podemos decir que, un modelo determinístico se expresa en forma de

La ecuación de una recta y= a+bx es un modelo matemático determinístico,

De esta forma, cuando las variables que forman parte de

Los modelos determinísticos son muy aplicados en problemas

Modelo determinístico: Ejemplos

Luego de la revisión de los ejemplos propuestos acerca de los modelos

1.2. Modelo estocástico

A diferencia de los modelos anteriores, un modelo estocástico es aquel

Es momento de revisar, algunos ejemplos de problemas que se modelan con

Modelos estocásticos- ejemplos

Es decir que, los modelos estocásticos se utilizan cuando

¿Cómo le fue con la revisión de este recurso?, me imagino pudo analizar

En esta semana se revisan algunos fundamentos de probabilidades y

Es momento de leer comprensivamente de que tratan estos temas

La probabilidad de un evento aleatorio se puede definir como el grado

En una empresa de telefonía móvil existen 87 celulares almacenados en

Ahora lo invito a completar el ejercicio identificando cuál de los tres

1.4. Probabilidad condicional

Tecnologías de la Información VIII

Orientación a la investigación e innovación

Construir modelos específicos de ciencias de la computación

Resultado de Describe la diferencia entre el análisis estocástico

¿Cuándo decimos que un evento es muy poco probable?

Statdisk: paquete de análisis estadístico, incluye más de una

R: contiene numerosas funciones para la realización de cálculos

Microsoft Excel: aunque es un software muy conocido, este pone a

El número de llamadas telefónicas en una central telefónica que se da

El número de pacientes que llegan por hora (día, mes) al hospital de la