ENERO – ABRIL 2022

UNIDAD II . Estadística
Inferencial
OBJETIVO: El alumno resolverá problemas de estadística
inferencial, para su aplicación en el ámbito contable

ELABORÓ: Ing. Dalila V.M. 1

 2.1 Conceptos
Estadística inferencial Interpretar
Se llama estadística inferencial o
inferencia a la rama de la estadística
encargada de hacer afirmaciones,
deducciones, infiriendo propiedades, Proyectar
conclusiones y/o tendencias a partir de
una muestra

Comparar
Algo que posiblemente suceda
ELABORÓ: Ing. Dalila V.M. 2
➢ Emplea mecanismos que le permiten llevar a
cabo deducciones, pruebas de estimación
puntual, pruebas de hipótesis
➢ Es útil en el análisis de poblaciones y tendencias

➢ Ejemplos y aplicaciones:
- Sondeos de tendencia de voto
- Análisis de mercado
- Epidemiología médica
- Contabilidad presupuestaria o predictiva
- Análisis estadístico de los costos
- Muestreo estadístico en auditorías contables
- Contabilidad administrativa
ELABORÓ: Ing. Dalila V.M. 3

2.2 Distribución normal
▪ Una distribución de probabilidad
proporciona toda la gama de valores
que se pueden presentar en un
experimento pero en lugar de
describir el pasado, describe la
probabilidad de que un evento se
presente en el futuro.
Una distribución de probabilidad muestra
los posibles resultados de un experimento y
la probabilidad de que cada uno se presente.
ELABORÓ: Ing. Dalila V.M.
Concluye: Que los costos de producción
tendrán un aumento del 7.8% en el mes de
febrero – 23%
Ejemplo: si un fabricante de medicamentos
afirma que cierto tratamiento permitirá que
80% de la población baje de peso, la agencia
de protección al consumidor quizá someta a
prueba el tratamiento con una muestra de
seis personas. Si esto es cierto, es casi
imposible tener un resultado en el que nadie
en la muestra pierda peso y es muy probable
que 5 de cada 6 pierdan peso.
4
 Lanzamiento de la moneda
➢ Ejemplo Resultado
posible
Primero Segundo Tercero
Número de
caras
1 T T T 0
2 T T H 1
Cuál es el número de caras que aparecerán en tres 3 T H T 1
4 T H H 2
lanzamientos de una moneda. Los posibles 5 H T T 1
resultados son cero caras, una cara, dos caras y 6 H T H 2
7 H H T 2
tres caras, ¿cuál es la distribución de probabilidad 8 H H H 3
del número de caras? T: Cruz
H: Caras

Hay 8 posibles resultados. En el primer lanzamiento puede

aparecer una cara, una cruz en el segundo y otra cruz en el
tercero. O puede obtener cruz, cruz y cara en ese orden. Para
obtener el conteo de resultados (5-8), se aplica la fórmula de
la multiplicación, (2) (2) (2), es decir, 8 posibles resultados

ELABORÓ: Ing. Dalila V.M. 5

 Probabilidad
Lanzamiento de la moneda Número
del resultado,
Resultado
Primero Segundo Tercero
Número de de caras
posible caras P(x)
1 T T T 0 0 1/8 = .125
2 T T H 1
3 T H T 1 1 3/8 = .375
4 T H H 2
5 H T T 1
6 H T H 2 2 3/8 = .375
7 H H T 2
8 H H H 3 3 1/8 = .125

T: Cruz
Total 8/8 = 1.00
H: Caras

La probabilidad de X se representa por P(x). La

probabilidad de cero caras es P(0 caras) = 0.125 y la
probabilidad de una cara es P(1 cara) = 0.375, etc. La suma
de es estas probabilidades mutuamente excluyente es 1.
ELABORÓ: Ing. Dalila V.M. 6
➢ VARIABLES ALEATORIAS

Se le denomina variable aleatoria a cualquier Ejemplos de variables aleatorias:

experimento aleatorio en donde los
resultados se presenten al azar. Por ejemplo • El número de empleados
lanzar una dado constituye un experimento: ausentes en el turno matutino
puede ocurrir cualquiera de los seis posibles del día lunes
resultados • El peso de una barra de metal
• El lanzamiento de un par de
monedas
• Número de productos
defectuosos
• Número de conductores
infraccionados en un día
VA, cantidad que resulta de un experimento que, por azar,
puede adoptar diferentes valores

ELABORÓ: Ing. Dalila V.M. 7

• Variable aleatoria discreta

- Una variable aleatoria discreta adopta sólo cierto número de

valores separados. Ejemplo, si hay 100 empleados, el recuento
de la cantidad de ausentes el lunes sólo puede ser 0, 1, 2, 3, ….. ,
100. Una variable discreta suele ser resultado de contar algo.

- Asume valores fraccionarios o decimales, estos pueden ser

separados (debe haber cierta distancia entre ellos), por ejemplo
las calificaciones asignadas a un grupo de estudiantes 8.3, 8.6,
9.2, 7.8 (dichos valores son discretos, ya que hay una distancia
entre calificaciones. Una calificación no puede tener un valor
de 8.345)
Ej, Pedro y María tienen 1 hijo

ELABORÓ: Ing. Dalila V.M. 8

• Variable aleatoria continua

- Si la variable aleatoria es continua, es una

distribución de probabilidad continua. Si mide
algo, como la estatura de una persona, la presión
de la llanta de un automóvil, etc., se puede
suponer una infinidad de valores con ciertas
limitaciones, ejemplo:
- Los vuelos comerciales entre la CDMEX y Yucatán son de 2:15
horas, 1:50 horas, etc., la variable aleatoria es la cantidad de
horas
- El nivel de presión de un neumático puede ser de 34.58 psi,
32.89, 30.25, etc., puede presentarse cualquier valor entre 30 y
35 psi, por lo que la variable aleatoria es la presión de la llanta
Permiten división o fraccionamiento, se expresan con decimales
ELABORÓ: Ing. Dalila V.M. 9
Por lo tanto; una variable aleatoria representa el
resultado particular de un experimento y una
distribución de probabilidad representa todos los
posibles resultados, así como la correspondiente
probabilidad.

ELABORÓ: Ing. Dalila V.M. 10

 Diferencia entre distribución de probabilidad discreta y continua
- La Distribución discreta es el resultado de contar algo, como:
- El número de caras que se presentan en tres lanzamientos de una moneda
- El número de estudiantes que obtienen 10 de calificación
- El número de empleados con retardo en el turno vespertino
- El número de comerciales de 30 segundos que pasan en la Tv

Las Distribuciones continuas son el resultado de algún tipo de medición,

como:
- La duración de cada canción en el último álbum de Queen
10 canciones
- El peso de cada estudiante de este grupo de clase
- La temperatura ambiente en este momento, etc.

ELABORÓ: Ing. Dalila V.M. 11

¿Cuáles de las siguientes variables son discretas y cuáles
continuas?
a) El número de cuentas nuevas conseguidas por un vendedor en un año?
b) EL tiempo que transcurre entre la llegada de cada cliente en un cajero
automático
c) El número de clientes en la estética
d) La cantidad de combustible que contiene el tanque de gasolina de un auto
e) La cantidad de miembros del jurado pertenecientes a una minoría
f) La temperatura ambiente del día de hoy
g) El peso de un grupo de personas
h) El aire contenido en varios globos
i) El número de cabellos de una persona
j) La cantidad de errores ortográficos en un texto
k) El número de cuentas bancarias de un grupo de personas
l) El número de autobuses arribando a una terminal

ELABORÓ: Ing. Dalila V.M. 12

• Media, varianza y desviación estándar de una distribución de
probabilidad discreta
Media de una distribución
de probabilidad
- La media de una distribución de
frecuencias se identifica mediante la letra μ = ∑ 𝑥𝑃 𝑥
minúscula griega mu (μ) y la desviación
estándar con sigma (σ)
- P(x) es la probabilidad de un valor
- La media de una distribución de
particular x. se multiplica cada valor
probabilidad también recibe el nombre de x por la probabilidad de que ocurra y
valor esperado (se trata de un promedio en seguida se suman los productos.
ponderado en el que los posibles valores de
una variable aleatoria se ponderan con sus
correspondientes probabilidades de
ocurrir)

ELABORÓ: Ing. Dalila V.M. 13

• Varianza y desviación estándar de una distribución de probabilidad

- La varianza de una distribución de Pasos:

1. La media se resta de cada valor y
probabilidad es:
la diferencia se eleva al cuadrado
2. Cada diferencia al cuadrado se
multiplica por su probabilidad
σ² = ∑ (𝑥 − µ)²𝑃 𝑥 3. Se suman los productos que
resultan para obtener la varianza

La desviación estándar, σ , se
determina al extraer la raíz cuadrada
positiva de σ², es decir, σ = √σ²

ELABORÓ: Ing. Dalila V.M. 14

 La agencia de autos kia desea conocer la probabilidad de ventas en los
EJEMPLO: días sábados por lo que desarrolló la siguiente distribución de
probabilidades de la cantidad de autos que espera vender un
determinado sábado. 1. ¿de qué tipo de distribución se trata?, 2.
¿cuántos automóviles espera vender en un sábado normal?, 3. ¿cuál es
la varianza de la distribución?
1. Se trata de una distribución de probabilidad discreta de
Cantidad de la variable aleatoria denominada “número de
CantidadProbabilidad
de
automóviles Probabilidad x * P(x)
automóviles P(x) automóviles vendidos”
vendidos P(x)
vendidos
2. La media de la cantidad de automóviles vendidos se calcula al
0 0.10 0 multiplicar el número de autos que vendió por la probabilidad de
0 0.10
1 1 0.200.20 0.2 vender dicho número y sumar los productos
2 2 0.300.30 0.6
3 3 0.300.30 0.9 μ = ∑ 𝑥𝑃 𝑥
4 4 0.100.10 0.4 μ = 0 .10 + 1(.20) + 2(.30) + 3(.30) + 4(10)
Total Total 1.001.00 2.10 = 2.1

Valor esperado
ELABORÓ: Ing. Dalila V.M. 15
 3. La varianza estándar es de: σ² = ∑ (𝑥 − µ)²𝑃 𝑥
Cantidad de
Probabilidad
automóviles ( x - µ) ( x - µ)^2 ( x - µ)^2 P(x)
P(x)
vendidos
0 0.10 0 - 2.1 (-2.1 )^2 4.41(4.41*0.10)= 0.441
1 0.20 1 - 2.1 1.21 0.242
2 0.30 2 - 2.1 0.01 0.003
3 0.30 3 - 2.1 0.81 0.243
4 0.10 4 - 2.1 3.61 0.361
σ²= 1.290

Recordemos que la desviación estándar, σ, es la

raíz cuadrada positiva de la varianza. Por lo que:
√σ² = √1.290 = 1.136 autos – cómo se interpreta?
-1.136 2.1 +1.136

ELABORÓ: Ing. Dalila V.M. 150,000 – 300,000 vs $10,000,000

16
EJERCICIO 1:

ELABORÓ: Ing. Dalila V.M. 17

EJERCICIO 2:

ELABORÓ: Ing. Dalila V.M. 18

EJERCICIO 3:

ELABORÓ: Ing. Dalila V.M. 19

 • Es una distribución de
probabilidad discreta que se
Distribución binomial presenta con mucha frecuencia.

CARACTERÍSTICAS
• En ella solo hay dos posibles resultados en un determinado
ensayo del experimento, por ejemplo en preguntas de tipo
binomial donde solo se obtiene una sola respuesta (cierto o
falso, si o no, empleado o desempleado, bien o mal, etc.),
en pocas palabras una de las respuestas expresará éxito o
fracaso.
• En ella la variable aleatoria es el resultado de conteos
(cuántos empleados o desempleados, etc.)
• La probabilidad de éxito es la misma de un ensayo a otro,
por ejemplo:

ELABORÓ: Ing. Dalila V.M. 20

 1. ¿La estadística es una rama de las matemáticas? Cierto - éxito
2. El sol es la estrella más grande del universo – falso - fracaso
3. La tierra es el único planeta en el que viven seres humanos - falso
4. En México hay una sola institución bancaria - falso

• Cada ensayo es independiente de otro, es decir no

existen patrones en los ensayos. El resultado de un
ensayo particular no influye en el resultado de otro
ensayo, por ejemplo:
Una familia tiene dos hijos varones, la probabilidad de que el
3er hijo sea un varón sigue siendo de 0.50%, es decir el
genero del tercer hijo es independiente a los otros dos

ELABORÓ: Ing. Dalila V.M. 21

 ¿Cómo construir una probabilidad binomial?

1. El número de ensayos
2. La probabilidad de éxito de cada ensayo, ejemplo.

Al responder un examen que contiene 10 preguntas

de opción múltiple, el número de ensayos es de 10. Si
cada pregunta contiene cinco opciones y sólo una de
ellas es correcta, la probabilidad de éxito en cada
ensayo es de .10, lo cual representa la probabilidad
de que una persona sin conocimientos acierte la
respuesta.

ELABORÓ: Ing. Dalila V.M. 22

 𝑥 n-x
P(x) = n𝐶x 𝜋 (1 − 𝜋 )

Donde:
C = símbolo de combinación
n = número de ensayos
x = variable aleatoria definida con el número de éxitos
𝜋 = probabilidad de éxito de cada ensayo (no representa el
Valor de 3.1416

ELABORÓ: Ing. Dalila V.M. 23

EJEMPLO: En la central camionera la empresa AU tiene 5 salidas de autobús por día a Minatitlán.
La probabilidad de que cada viaje llegue tarde a su destino es de 0.20. ¿cuál es la
probabilidad de que ninguno de esos viajes llegue tarde hoy? ¿ cuál es la probabilidad
de que exactamente dos de los viajes lleguen tarde hoy?
5-0
0
𝐴=
5!
0! 5−0 !
=
120
1 (120)
=1 P(0) = 5𝐶0 0.20 (1 −0.20 )
5-0
0 5 = 100%
𝐴=
5!
1! 5 − 1 !
=
120
1 (24)
=5 P(0) = 5𝐶0 0.20 (0.8 )
P(0) = (1) (1) (0.327 )=0.327 – mínima 90%
Donde:
C = símbolo de 5-1
1
combinación
n = número de ensayos =
P(1) = 5𝐶1 (0.20) (1 −0.20 )
5
x = variable aleatoria P(1) = 5 (0.20)1 (0.4096 ) = 0.409
definida con el número
de éxitos = 0
𝜋 = probabilidad de éxito
de cada ensayo =0.20 𝑥 n-x
ELABORÓ: Ing. Dalila V.M. P(x) = n𝐶x 𝜋 (1 − 𝜋 ) 24
 Número de
viajes P(x) xP(x) x-μ (x-μ) ^2 (x-μ) ^2P(x)
retrasados
0 0.327 0 -0.9999 0.9998 0.3269
1 0.409 0.4096 0.0001 1E-08 0.0000
2 0.2048 0.4096 1.0001 1.0002 0.2048
3 0.0512 0.1536 2.0001 4.0004 0.2048
4 0.0064 0.0256 3.0001 9.0006 0.0576
5 0.0003 0.0015 4.0001 16.0008 0.0048
0.9999 σ²= 0.7990

ELABORÓ: Ing. Dalila V.M. 25

Ejercicio 4:

ELABORÓ: Ing. Dalila V.M. 26

ELABORÓ: Ing. Dalila V.M. 27
 Distribución de probabilidad de Poisson
- Describe el número de veces que se presenta un evento
durante un intervalo específico, este puede ser de
tiempo, distancia, área o volumen.
- La distribución se basa en dos supuestos, el primero La probabilidad de que en una
consiste en que la probabilidad es proporcional a la tienda de ropa en promedio lleguen
longitud del intervalo 4 clientes al día

- El segundo supuesto consiste en que los intervalos son

La probabilidad de que llegue un
independientes, es decir cuanto más grande sea el cliente no influyen en que llegue un
intervalo, mayor será la probabilidad 2º o 3º o 4º.
- Dos supuestos no pueden ocurrir exactamente al
mismo tiempo Dos clientes no pueden 1. Número de autos que cargan gasolina en un lapso
exactamente en el mismo tiempo de tiempo de 8 horas
2. EL número de bacterias presentes en un litro de
agua
ELABORÓ: Ing. Dalila V.M. 3. El tamaño de los departamentos de una unidad 28
habitacional
 La distribución de Poisson se emplea para describir la
distribución de errores en una entrada de datos, por
ejemplo, el número de defectos en un auto recién
pintado, el número de partes defectuosas en envíos, el
número de clientes que esperan mesa en un
restaurante, o el número de personas que esperan en
la fila de un cine para ver una película, etc.

ͯ −μ μ = es la media de la cantidad de veces(éxitos)

μ ∗ 𝑒
𝑃 𝑥 =
𝑥!
X solo toma valores de número enteros
mayores o menores a cero, no toma
valores negativos (x= 1,2,3,4;…)
ELABORÓ: Ing. Dalila V.M.
que se presenta un evento en una intervalo
particular
e = es la constantes 2.71828 (base del sistema de
logaritmos neperianos o naturales)
x = es el número de veces que se presenta u
evento
P(x) = probabilidad de un valor específico de x
29
 • Media de una distribución de Poisson

μ = 𝑛𝜋
Ejemplo, la probabilidad de que un cheque
cobrado en una entidad bancaria sea rebotado es
de 0.0003, si se cobran 10,000 cheques, la media y
la varianza del número de cheques rebotados es de
3,0.

μ = 10,000(0.0003) = 3.0 Varianza y media

ELABORÓ: Ing. Dalila V.M. 30

 En una terminal aérea se tomó una muestra aleatoria del número de
Ejemplo: maletas extraviadas de 1000 vuelos y arrojó un total de 300 maletas
perdidas. ¿Cuál es la media aritmética? ¿cuál es la probabilidad de que no
se pierda ninguna maleta?
μ = 𝑛𝜋
μͯ 𝑒 −μ
𝑃 𝑥 = μ = 300/1000= 0.3
𝑥!
(0.3)0 𝑒 −0.3 En otras palabras, en el 74% de los vuelos no habrá
𝑃 𝑥 = 0!
=
maletas perdidas y la probabilidad de que se pierda
1 (.7408) exactamente una maleta es de=
𝑃 𝑥 = = 0.740
1
Probabilidad de que no se extravié una
maleta (0.3)1 𝑒 −0.3
𝑃 1 = = 0.222
1!

Por consiguiente, se espera que se pierda

exactamente una maleta en 22% de los vuelos
ELABORÓ: Ing. Dalila V.M. 31
 Tabla de
Distribución de
Poisson

ELABORÓ: Ing. Dalila V.M. 32

Ejercicios:

ELABORÓ: Ing. Dalila V.M. 33

 Distribuciones de probabilidad continua
2,000 trabajadores – incentivos
• Resulta de medir algo, como la económicos
distancia de nuestra recamara 2,500 y 20,000 – 30,000
al comedor, el peso de cada Productividad / eficiencia
uno de los integrantes de la • Experiencia
familia, el premio de • Habilidad , etc.
productividad que recibirá un
grupo de trabajadores, etc.
• Una variable aleatoria Distribución de probabilidad
continua tiene un número • Uniforme
infinito de valores dentro de • Normal
cierto intervalo particular • Exponencial

ELABORÓ: Ing. Dalila V.M. 34

222