Métodos Cuantitativos

Mtodos
Cuantitativos
Profesor David Targett
QM-A2-ES 1/2011 (1122)
El texto del curso forma parte del contenido de aprendizaje del curso de Edinburgh Business School.
Adems de este texto impreso del curso, tambin debe tener acceso al sitio web del curso en este tema, que le ofrecer ms
contenido de aprendizaje, el software Profiler y preguntas y respuestas de exmenes anteriores.
El contenido de este texto del curso se actualiza peridicamente y todos los cambios se reflejan en la versin del texto que aparece
en el sitio web complementario en http://coursewebsites.ebsglobal.net/.
La mayora de las actualizaciones son menores y las preguntas del examen evitarn cualquier material nuevo o modificado de manera
significativa por dos aos tras la publicacin del material correspondiente en el sitio web.
Puede verificar la versin del texto del curso a travs del nmero de publicacin de la versin que se encuentra en la primera pgina
del texto, y comparar esto con el nmero de versin de la ltima versin de PDF del texto en el sitio web.
Si estudia este curso como parte de un programa de tutora, pngase en contacto con su Centro para obtener ms informacin
sobre los cambios.
Todos los trminos y condiciones que se aplican a los estudiantes de los cursos de Edinburgh Business School estn disponibles en
el sitio web www.ebsglobal.net, y debe ser notificado ya sea por Edinburgh Business School o por el centro o socio regional a travs
de quin compr su curso. Si ste no es el caso, pngase en contacto con Edinburgh Business School en la direccin que se
encuentra a continuacin:
Edinburgh Business School
Heriot-Watt University
Edinburgh
EH14 4AS
United Kingdom
Tel. + 44 (0) 131 451 3090
Fax + 44 (0) 131 451 3002
Correo electrnico enquiries@ebs.hw.ac.uk
Sitio web www.ebsglobal.net
Mtodos Cuantitativos
El autor del programa de Mtodos Cuantitativos, David Targett, es profesor de Sistemas de Informacin en la Escuela
de Administracin de la Universidad de Bath. Anteriormente ocup el cargo de profesor adjunto de Ciencias de
Toma de Decisiones en la Escuela de Negocios de Londres. El profesor Targett tiene muchos aos de experiencia en
la formacin de ejecutivos que desean incorporar herramientas numricas a su acervo de destrezas gerenciales, y
aadir as nuevos enfoques a sus metodologas de toma de decisiones. Su estilo se basa en la desmitificacin de
tcnicas complejas y en la clara demostracin de su relevancia, as como de sus limitaciones, en la vida real. Sus libros,
entre los cuales se incluyen Coping with Numbers ("Cmo Vrselas con Nmeros") y The Economist Guide to Business
Numeracy ("Gua de Tcnicas Numricas para Negocios publicado por The Economist"), hacen nfasis en la comunicacin
por encima del rigor tcnico, y han gozado de ventas a nivel mundial.
Ha escrito ms de 50 estudios de casos prcticos, los cuales confirman la creciente integracin de los mtodos
cuantitativos con otros aspectos de la gestin. Los casos abarcan una amplia variedad de sectores de la industria e
ilustran la naturaleza cambiante de los mtodos cuantitativos y las crecientes repercusiones que tienen en los
individuos a cargo de la toma de decisiones en la era de la tecnologa de la informacin. Asimismo, comprueban la
vasta experiencia prctica acumulada por el Prof. Targett en organizaciones internacionales, tanto en el sector pblico
como en el privado.
A uno de sus muchos artculos, un estudio sobre el suministro de informacin gerencial, le fue otorgado el Premio
Pergamon en 1986.
Form parte del equipo que dise el prestigioso programa de MBA a tiempo parcial de la Escuela de Negocios de
Londres, del cual fue director entre los aos 1985 y 1988. Durante este lapso, ampli el alcance internacional de la
enseanza, al dirigir los primeros grupos de estudio en Hong Kong, Singapur y en los Estados Unidos. Ha impartido
clases en todos los programas principales que ofrece la Escuela de Negocios de Londres. Ha desarrollado y dirigido
cursos sobre gerencia para un gran nmero de importantes empresas, entre ellas:
British Rail (Ferroviaria Britnica)
Citicorp
Marks and Spencer (almacenes del Reino Unido)
Shell
Primera edicion publicada en Gran Bretana el 2003.

(c) David Targett 1990, 2000, 2001
The rights of Profesor David Targett to be identified as Author of this Work has been asserted in accordance with
the Copyright, Designs and Patents Act 1988.ES
Reservados todos los derechos. No esta permitida la reproduccion total o parcial de esta publicacion ni se puede
guardar su contenido en soportes electronicos, asi como la transmision de la misma por medio alguno, ya sea
electronico, mecanico, en forma de fotocopias o grabaciones, sin el permiso implicito de los autores. Esta prohibido
el prestamo, reventa, alquiler o cualquier otra forma de explotacion comercial de este libro sin el permiso implicito
de los autores.
Contenido
PARTE 1
Mdulo 1
Mdulo 2
PARTE 2
Mdulo 3
PRESENTACIN Y TRAYECTORIA PROFESIONAL

Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e
Incorrectos
1/1
1.1
Introduccin
1.2
Probabilidad
1.3
Distribuciones Estadsticas Discretas
1.4
Distribuciones Estadsticas Continuas
1.5
Distribuciones Estndar
1.6
Usos Incorrectos de la Estadstica
1.7
Cmo Detectar Errores Estadsticos
1.8
Observaciones Finales
Preguntas de Repaso
Estudio de Caso Prctico 1.1: Venta de Billetes de Avin
Caso Prctico 1.2: JP Carruthers Co.
Caso Prctico 1.3: Cartas al Peridico
1/1
1/3
1/5
1/8
1/11
1/16
1/20
1/22
1/24
1/25
1/26
1/30
Matemticas Bsicas: Matemticas Escolares Aplicadas a la

Administracin
2/1
2.1
Introduccin
2.2
Representacin Grfica
2.3
Manejo de Ecuaciones
2.4
Funciones Lineales
2.5
Ecuaciones Simultneas
2.6
Funciones Exponenciales
Preguntas de Repaso
Estudio de Caso Prctico 2.1: Formulacin Algebraica
Estudio de Caso Prctico 2.2: CNX Armaments Co.
Estudio de Caso Prctico 2.3: Bonzo Corporation
Estudio de Caso Prctico 2.4: Comida para Perros Woof
2/1
2/2
2/7
2/10
2/13
2/17
2/24
2/27
2/27
2/28
2/28
MANEJO DE NMEROS
Comunicacin de Datos
3/1
3.1
3.2
3.3
3.4
3/1
3/3
3/12
3/16
Introduccin
Reglas para la Presentacin de Datos
El Caso Especial de los Datos Contables
Comunicacin de Datos Mediante Grficos
Mtodos Cuantitativos Edinburgh Business School
Contenido
Mdulo 4
Mdulo 5
Mdulo 6
vi
3.5
Preguntas de Repaso
Caso Prctico 3.1: Medidas de Desempeo de las Municipalidades
Caso Prctico 3.2: Cuenta de Resultados de una Compaa Multinacional
Caso prctico 3.3: PIB de Pases
Caso prctico 3.4: Eficacia de la Energa
3/21
3/22
3/24
3/24
3/25
3/25
Anlisis de Datos
4/1
4.1
Introduccin
4.2
Problemas de la Administracin en el Anlisis de Datos
4.3
Directrices para el Anlisis de Datos
4.4
Preguntas de Repaso
Caso Prctico 4.1: Corresponsal de Automovilismo
Caso Prctico 4.2: Cuentas Geogrficas
Caso Prctico 4.3: Proyecto de Salarios
4/1
4/2
4/6
4/15
4/16
4/17
4/18
4/19
Medidas de Resumen
5/1
5.1
Introduccin
5.2
Utilidad de las Medidas
5.3
Medidas de Ubicacin
5.4
Medidas de Dispersin
5.5
Otras Medidas de Resumen
5.6
Manejo de Valores Atpicos
5.7
ndices
5.8
Preguntas de Repaso
Caso Prctico 5.1: Pruebas de Focos
Caso Prctico 5.2: La Cuenta de Gastos del Sr. Smith
Caso Prctico 5.3: Estadsticas de Empleo Mensuales
Caso Prctico 5.4: Distancias de Viaje
Caso Prctico 5.5: Productos Derivados del Petrleo
5/1
5/3
5/5
5/14
5/20
5/21
5/22
5/29
5/30
5/33
5/33
5/34
5/34
5/34
Mtodos de Muestreo
6/1
6.1
6.2
6.3
6.4
6.5
6/1
6/3
6/3
6/5
6/10
Introduccin
Aplicaciones del Muestreo
Las Ideas que Subyacen tras el Muestreo
Mtodos de Muestreo Aleatorio
Muestreo Comparativo
Edinburgh Business School Mtodos Cuantitativos
Contenido
PARTE 3
Mdulo 7
Mdulo 8
6.6
La Precisin de las Muestras
6.7
Dificultades Tpicas en el Muestreo
6.8
De qu Tamao debe ser la Muestra?
6.9
Preguntas de Repaso
Caso Prctico 6.1: Alumnos de una Escuela de Negocios
Caso Prctico 6.2: Banco de Compensacin
6/12
6/13
6/15
6/16
6/17
6/19
6/19
MTODOS ESTADSTICOS
Distribuciones
7/1
7.1
Introduccin
7.2
Distribuciones Observadas
7.3
Conceptos de Probabilidad
7.4
Distribuciones Estndares
7.5
La Distribucin Binomial
7.6
La Distribucin Normal
7.7
Preguntas de Repaso
Caso Prctico 7.1: Calificaciones Finales
Caso Prctico 7.2: Partes Automotrices
Caso Prctico 7.3: Cuentas de Tarjetas de Crdito
Caso Prctico 7.4: Cereales para el Desayuno
7/2
7/2
7/8
7/13
7/14
7/19
7/27
7/28
7/30
7/30
7/31
7/31
Inferencia Estadstica
8/1
8.1
Introduccin
8.2
Aplicaciones de la Inferencia Estadstica
8.3
Niveles de Confianza
8.4
Distribucin Muestral de la Media
8.5
Estimacin
8.6
Pruebas de Significacin Bsicas
8.7
Ms Pruebas de Significacin
8.8
Reservas acerca del Uso de Pruebas de Significacin
8.9
Preguntas de Repaso
Caso Prctico 8.1: Tienda de Alimentos
Caso Prctico 8.2: Asociacin Gerencial
Caso Prctico 8.3: Compaa Textil
Caso Prctico 8.4: Compaa de Seguros Titan Insurance
8/1
8/2
8/2
8/3
8/6
8/9
8/17
8/23
8/24
8/26
8/29
8/29
8/29
8/30
vii
Contenido
Mdulo 9
Mdulo 10
PARTE 4
Mdulo 11
viii
Ms Distribuciones
9/1
9.1
Introduccin
9.2
Distribucin de Poisson
9.3
Grados de Libertad
9.4
Distribucin de la t
9.5
Distribucin de Chi Cuadrado
9.6
Distribucin F
9.7
Otras Distribuciones
9.8
Preguntas de Repaso
Casos Prctico 9.1: Accidentes Areos
Casos Prctico 9.2: Autos Patrulla
9/1
9/2
9/7
9/8
9/14
9/19
9/22
9/23
9/25
9/27
9/28
Anlisis de Varianza
10/1
10.1 Introduccin
10.2 Aplicaciones
10.3 Anlisis de Varianza a Una Va
10.4 Anlisis Bidireccional de Varianza
10.5 Extensiones del Anlisis de Varianza
10.6 Observaciones Finales
Preguntas de Repaso
Caso Prctico 10.1: Detergente
Caso Prctico 10.2: Hipermercados
10/1
10/2
10/5
10/10
10/13
10/14
10/14
10/16
10/17
RELACIONES ESTADSTICAS
Regresin y Correlacin
11/1
11.1 Introduccin
11.2 Aplicaciones
11.3 Conceptos Matemticos Preliminares
11.4 Lnea de Regresin
11.5 Correlacin
11.6 Comprobacin de los Residuos
11.7 Clculos de Regresin con una Computadora Personal (PC)
11.8 Salvedades acerca de la Regresin y la Correlacin
Preguntas de Repaso
Caso Prctico 11.1: Oficinas de Reservas de Boletos de Tren
Caso Prctico 11.2: Cadena de Tiendas Departamentales
11/1
11/3
11/4
11/6
11/8
11/12
11/14
11/18
11/21
11/22
11/24
11/24
Contenido
Mdulo 12
PARTE 5
Mdulo 13
Mdulo 14
Anlisis de Regresin Avanzado
12/1
12.1 Introduccin
12.2 Anlisis de Regresin Mltiple
12.3 Anlisis de Regresin no Lineal
12.4 Fundamentos Estadsticos de la Regresin y de la Correlacin
12.5 Resumen del Anlisis de Regresin
Preguntas de Repaso
Caso Prctico 12.1: Marketing de Discos Compactos (CD)
Caso Prctico 12.2: Procesamiento de Residuos Metlicos I
Caso Prctico 12.3: Procesamiento de Residuos Metlicos II
12/1
12/2
12/6
12/12
12/21
12/22
12/24
12/26
12/27
12/29
PRONSTICO COMERCIAL
El Contexto del Pronstico
13/1
13.1 Introduccin
13.2 Revisin de las Tcnicas de Pronstico
13.3 Aplicaciones
13.4 Tcnicas Cualitativas de Pronstico
Preguntas de Repaso
Caso Prctico 13.1: Diseo Automotor
13/1
13/2
13/4
13/5
13/17
13/18
13/20
Tcnicas de Series de Tiempos
14/1
14.1
14.2
Introduccin
Situaciones dnde se pueden Aplicar con xito los Mtodos de Series
de Tiempos de Posesin
14.3 Serie Estacionaria
14.4 Series con Tendencia
14.5 Series con Tendencia y Estacionalidad
14.6 Series con Tendencia, Estacionalidad y Ciclos
14.7 Revisin de las Tcnicas de Series de Tiempos
Preguntas de Repaso
Caso Prctico 14.1: Decoracin de Interiores
Caso Prctico 14.2: Fabricacin de Maquinaria de Jardinera
Caso Prctico 14.3: McClune e Hijos
14/1
14/2
14/2
14/6
14/7
14/8
14/15
14/17
14/18
14/20
14/21
14/21
ix
Contenido
Mdulo 15
Apndice 1
Apndice 2
Gestin de los Pronsticos
15/1
15.1 Introduccin
15.2 El Rol del Gerente en el Pronstico
15.3 Directrices del Sistema de Pronstico de una Organizacin
15.4 Errores de Pronstico
Preguntas de Repaso
Caso Prctico 15.1: Decoracin de Interiores
Caso Prctico 15.2: Compaa Teatral
Caso Prctico 15.3: Planta de Cerveza
15/1
15/2
15/4
15/14
15/16
15/17
15/19
15/20
15/20
Tablas Estadsticas
Hoja de Frmulas de Examen
A1/1
A2/1
Frmula abreviada
Distribucin Binomial
Estimacin
Distribucin de Poisson
Distribucin Normal
Distribucin de la t
Distribucin Chi-Cuadrado
Distribucin F
Anlisis de Varianza a Una Va
Anlisis de Varianza a Dos Vas
Regresin
Coeficiente de Correlacin
Prueba con Valores Oscilantes
Suavizacin Exponencial
Mtodo de Holt
Error Cuadrtico Medio
Apndice 3
Exmenes Finales de Prctica

Examen Final de Prctica 1
Examen Final de Prctica 2
Apndice 4
Respuestas a las Preguntas de Repaso

Mdulo 1
Mdulo 2
Mdulo 3
2/1
2/1
2/1
2/2
2/2
2/2
2/2
2/2
2/3
2/3
2/3
2/3
2/3
2/4
2/4
2/4
A3/1
3/2
3/11
A4/1
4/1
4/6
4/12
Contenido
Mdulo 4
Mdulo 5
Mdulo 6
Mdulo 7
Mdulo 8
Mdulo 9
Mdulo 10
Mdulo 11
Mdulo 12
Mdulo 13
Mdulo 14
Mdulo 15
4/18
4/23
4/31
4/37
4/45
4/53
4/59
4/66
4/73
4/80
4/85
4/95
ndice
I/1
xi
PARTE 1
Presentacin y Trayectoria
Profesional
Mdulo 1 Introduccin a la Estadstica: Algunos Usos
Sencillos, Correctos e Incorrectos
Mdulo 2 Matemticas Bsicas: Matemticas Escolares
Aplicadas a la Administracin
Mdulo 1
Introduccin a la Estadstica: Algunos

Usos Sencillos, Correctos e
Incorrectos
Contenido
1.1
Introduccin ....................................................................................................... 1/1
1.2
Probabilidad ........................................................................................................ 1/3
1.3
Distribuciones Estadsticas Discretas ............................................................... 1/5
1.4
Distribuciones Estadsticas Continuas.............................................................. 1/8
1.5
Distribuciones Estndar................................................................................... 1/11
1.6
Usos Incorrectos de la Estadstica .................................................................. 1/16
1.7
Cmo Detectar Errores Estadsticos ............................................................. 1/20
1.8
Observaciones Finales ..................................................................................... 1/22
Preguntas de Repaso ................................................................................................... 1/24
Estudio de Caso Prctico 1.1: Venta de Billetes de Avin ....................................... 1/25
Caso Prctico 1.2: JP Carruthers Co. ........................................................................ 1/26
Caso Prctico 1.3: Cartas al Peridico ...................................................................... 1/30
Lectura previa requerida: ninguna
Objetivos de Aprendizaje
Este mdulo proporciona una visin general de la estadstica. Presenta ideas y conceptos
bsicos a manera de generalidades, antes de tratarlos con ms profundidad en mdulos
posteriores. Su objetivo es ofrecer una forma sencilla de adentrarse en el tema, para aquellos
que no tienen conocimientos previos de estadstica. Es una respuesta a la opinin cnica que
afirma que para leer un texto sobre estadstica se tiene que haberlo ledo antes. Para quienes
tengan conocimientos previos de estadstica, el mdulo les proporcionar un amplio marco
de referencia para el estudio del tema.
1.1
Introduccin
Los trminos "estadsticas" y "estadstica" hacen referencia, respectivamente, a una serie de
nmeros y a la ciencia dedicada al estudio de series de nmeros. Bajo cualquier definicin,
este tema ha sido el blanco de bastante abuso, como se evidencia en la expresin "mentiras,
malditas mentiras y estadsticas". Es posible que se deba a que, en buena medida, la gente no
ha entendido que la estadstica es similar a un lenguaje. De la misma manera en la que se
puede dar mal uso al lenguaje hablado o escrito (por ejemplo, por los polticos y periodistas),
1/1
Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos
el lenguaje numrico de la estadstica tambin se puede utilizar de forma incorrecta (por los
mismos polticos y periodistas). Culpar a la estadstica por esto es tan poco sensato como
sera culpar al idioma castellano cuando no se cumplen las promesas electorales.
No es necesario saber de estadstica para hacer un mal uso deliberado de ella (otra expresin: "los clculos pueden mentir y los mentirosos pueden calcular"). No obstante, los malos
usos a menudo pasan desapercibidos, ya que pocas personas parecen tener los conocimientos (y la seguridad en su uso) para manejar nmeros. Comparativamente, hay muchas ms
personas que s manejan bien las palabras. El nmero de personas con buenos conocimientos numricos es menor que el de personas con buenos conocimientos lingsticos. Sin
embargo, lo que hace falta para detectar los malos usos de la estadstica es el sentido comn,
con una pequea cantidad de conocimientos tcnicos.
Las dificultades se multiplican por las actitudes poco realistas de aquellos que verdaderamente tienen conocimientos de la estadstica. Por ejemplo, si las memorias anuales de una
empresa indican que el valor del inventario fsico es de 34236417 (o aun si se indica
34236000), la afirmacin se torna verosmil debido a la precisin de las cifras. Si presenciramos el clculo de las cifras realizado por los contadores, uno podra pensar que el mtodo
de recopilacin de datos no justifica semejante grado de precisin. Una investigacin de
mercado que indique que 9 de cada 10 perros prefieren la comida para perros Bonzo es
tambin engaosa, pero de una manera mucho ms evidente. En ltima instancia, la
afirmacin carece de sentido, como se ve al hacer las siguientes preguntas: "En vez de qu
otra comida?", "En qu circunstancias?", "9 de qu grupo de 10 perros?"
Tales ejemplos y muchos, muchos ms de mayor o menor sutileza, han dado una mala
reputacin a la estadstica, lo que con frecuencia se emplea como excusa para dejarla a un
lado. Desafortunadamente, es imposible prescindir de la estadstica en el mundo de los
negocios. La toma de decisiones se basa en la informacin y sta aparece a menudo en forma
numrica. Para tomar buenas decisiones, es necesario organizar y entender los nmeros. Esta
es la razn de ser de la estadstica y el porqu es tan importante tener algunos conocimientos
acerca de ella.
La estadstica puede dividirse en dos partes. La primera parte puede denominarse estadstica descriptiva. A grandes rasgos, esta primera parte se ocupa del problema de ordenar
una gran cantidad de datos, con el fin de hacer evidente sus principales caractersticas. Se
trata de transformar nmeros en informacin real y til. Aqu se encuentran conceptos
sencillos, como por ejemplo, la organizacin y preparacin de datos a fin de poder apreciar
sus patrones y tambin el resumen de los datos para facilitar su manejo y su comunicacin a
otros. Asimismo, incluye un aspecto que tiene mucha importancia en la actualidad: el
tratamiento computarizado de las estadsticas empresariales, en la estructura en que la
suministran los sistemas de informacin de gestin y los sistemas de apoyo a la toma de
decisiones.
La segunda parte puede denominarse a grandes rasgos como estadstica matemtica o inferencia estadstica. Esta parte se ocupa del problema de cmo analizar una pequea cantidad de
informacin recopilada (denominada la muestra), a fin de inferir conclusiones generales
acerca de la cantidad total de elementos similares que existen en el mundo (denominada la
poblacin). Un ejemplo son las encuestas de opinin, las cuales usan la inferencia estadstica
para hacer afirmaciones acerca del total del electorado de un pas, con base en el resultado de
apenas unos cientos de entrevistas.
1/2
Ambas partes de la estadstica son vulnerables a los malos usos. Sin embargo, con unos
pocos conocimientos y una gran cantidad de sentido comn, se pueden identificar los errores y
usar los procedimientos correctos. En este mdulo se presentan los conceptos bsicos de la
estadstica. Ms adelante se indicarn algunos malos usos de la estadstica y cmo hacerles frente.
La primera idea bsica a la que hay que prestar atencin es el concepto de probabilidad,
fundamental para el trabajo estadstico. La estadstica trabaja con aproximaciones y "mejores
estimaciones", dada la imprecisin y el carcter incompleto de la mayora de los datos
utilizados. Es poco usual que se hagan afirmaciones y que se extraigan conclusiones con
certeza. La probabilidad es una manera de cuantificar qu tan slida es la conviccin que se
tiene acerca de la informacin obtenida y de las conclusiones extradas.
1.2
Probabilidad
Todos los acontecimientos futuros son inciertos hasta cierto punto. Es probable que el
gobierno actual del Reino Unido est an en el poder el prximo ao (suponiendo que dicho
ao no sea un ao electoral), pero dista mucho de ser una certeza, mientras que el hecho de
que un gobierno comunista siga en el poder el ao prximo es altamente improbable, pero
no imposible. La teora de la probabilidad hace posible medir la incertidumbre relativa de
algn suceso, mediante la medicin de su probabilidad en una escala.
Imposible
Probabilidad de 50%
Cierto
0.5
Que un nio recin

nacido sea varn
Habr por lo menos un accidente

automovilstico en Londres
durante el prximo ao
Que uno se levante a s

mismo sujetndose por
los cordones de los zapatos
Figura 1.1
Escala de probabilidad
La escala se muestra en la Figura 1.1. En un extremo estn los sucesos imposibles (por
ejemplo, que una persona pueda cruzar el Ocano Atlntico a nado). stos tienen una
probabilidad de cero. En el extremo opuesto estn los sucesos de total certidumbre (que
algn da moriremos). Tienen una probabilidad de uno. Entre ellos se sitan todos los dems
acontecimientos, que no son ni seguros ni imposibles y su posicin viene dada en funcin de
su grado de factibilidad. Por ejemplo, la probabilidad de que, al lanzar al aire una moneda,
1
sta caiga cara arriba, es de ; la probabilidad de que un determinado boleto sea el ganador de
2
un sorteo en el que hay 100 boletos es de 0.01.
De forma abreviada, la expresin "la probabilidad de un suceso A es 0.6" se representa de
la siguiente manera:
A
1.2.1
0.6
Medicin de la Probabilidad
Existen tres mtodos para calcular la probabilidad. Para determinados sucesos, es posible
que slo uno de los tres mtodos pueda ser el adecuado. Sin embargo, s ofrecen formas
conceptualmente distintas de entender la probabilidad. Esto quedar claro a medida que se
describan los distintos mtodos.
1/3
(a) Enfoque a priori. En este mtodo, la probabilidad de un acontecimiento se calcula

mediante un proceso de lgica. No es necesario realizar ningn experimento ni ponderacin. Las probabilidades relativas a monedas, dados, juegos de naipes, etc. se pueden
situar dentro de esta categora. Por ejemplo, la probabilidad de que una moneda caiga de
"cara" varias veces seguidas se puede calcular teniendo en cuenta que la moneda tiene
dos lados y que ambos lados tienen la misma oportunidad de quedar hacia arriba (los
rebuscados deben tener en cuenta lo siguiente: se da por sentado que no quedar de
canto). Como la moneda debe caer con uno de sus lados hacia arriba, los dos sucesos
deben repartir de forma equitativa la probabilidad total de 1.0. Por lo tanto:
Caras
Cruces
0.5
0.5
(b) Enfoque de la "frecuencia relativa". Cuando el suceso se ha repetido o se puede

repetir un gran nmero de veces, su probabilidad se puede medir a partir de la frmula
suceso
Nmero de veces que se ha producido el suceso

Nmero de repeticiones
Por ejemplo, para estimar la probabilidad de lluvia en un determinado da de septiembre en Londres, se pueden revisar los registros del clima de los ltimos 10 aos y
encontrar que llovi en un total de 57 das. Por lo tanto:
lluvia
Nmero de das de lluvia registrados

Nmero total de das
10 30
57
300
0.19
(c) Enfoque subjetivo. Un determinado sector de los profesionales de la estadstica (los

bayesianos), argumentara que el grado de creencia que una persona tenga acerca de un
suceso en particular se puede expresar como una probabilidad. Los bayesianos argumentan
que en determinadas circunstancias, la evaluacin subjetiva y personal de una probabilidad
puede y debe utilizarse. La visin tradicional, sostenida por el sector de los profesionales de
la estadstica clsica, es que slo son aceptables las evaluaciones objetivas de probabilidad.
Las reas y las tcnicas que se sirven de las probabilidades subjetivas sern descritas ms
adelante. En este punto es importante conocer que las probabilidades pueden evaluarse de
forma subjetiva, pero que existe un debate entre los profesionales acerca de la validez de
dicho enfoque. Como ejemplo del enfoque subjetivo, consideremos como el suceso en
cuestin la unidad poltica de Europa para el ao 2010. No hay manera de utilizar alguno
de los primeros dos enfoques para calcular la probabilidad de este suceso. Sin embargo, una
persona puede expresar su opinin personal acerca de la probabilidad de este suceso al
compararlo con un suceso cuya probabilidad se conoce, por ejemplo: es ms o menos
probable que obtener "cara" al lanzar una moneda? Tras un prolongado proceso de comparacin y comprobacin, el resultado podra ser el siguiente:
unidad poltica de Europa para el ao 2010
0.10
El proceso de evaluar en forma precisa una probabilidad subjetiva es un campo de estudios aparte y no se debe considerar como meras especulaciones.
1/4
En este mdulo se ha dado una sencilla y poco rigurosa introduccin a los tres mtodos
para determinar probabilidades.. Sin importar el mtodo, una vez calculadas las probabilidades se manejan exactamente del mismo modo.
Ejemplos
1. Cul es la probabilidad de sacar un seis al tirar un dado? Con un enfoque a priori, existen seis
posibles resultados: 1, 2, 3, 4, 5 6. Todos los resultados son igualmente probables, por lo
tanto:
1
sacar un 6
6
2. Cul es la probabilidad de que se termine la construccin de un segundo Eurotnel para el
trnsito de automviles antes del ao 2025?
El enfoque subjetivo es el nico posible, ya que el razonamiento lgico por s solo no puede
conducirnos a una respuesta y no existen observaciones previas. Mi evaluacin es muy pequea, alrededor del 0.02.
3. Cmo se calculara la probabilidad de que una moneda trucada cayera con la cara hacia arriba?
Sera posible usar un enfoque a priori, si alguien tuviera informacin sobre el comportamiento
aerodinmico de la moneda. Un mtodo ms realista consistira en realizar varios lanzamientos de prueba y contar el nmero de veces que cae cara arriba:
Nmero de caras obtenidas
obtener cara
Nmero de repeticiones
4. Cul es la probabilidad de sacar un as al tomar un naipe de una baraja?
Usemos el mtodo a priori. Existen 52 resultados posibles (uno por cada naipe) y la probabilidad de tomar uno en particular, digamos el as de diamantes, debe ser:
una baraja, por lo tanto:
1
4
sacar un as
52 13
1.3
. Hay cuatro ases en
Distribuciones Estadsticas Discretas

La probabilidad hace posible el estudio de otro elemento esencial en el trabajo estadstico: la
distribucin estadstica. Puede considerarse como uno de los primeros pasos de la estadstica
descriptiva, o como una piedra angular de la estadstica matemtica o de inferencias. Se
desarrollar en primer lugar como una tcnica descriptiva. Supongamos que existe una
recopilacin de datos que inicialmente podra ser similar a Figura 1.2.
53
66
41
71
40
110
83
72
106
20
99
92
75
Figura 1.2
Datos de ventas en EE. UU.
1/5
Todas las cifras indican medidas de una variable. Se entiende por variable precisamente lo
que implica el trmino. Es cualquier cosa que se pueda medir y cuya medicin vara al realizar
varias observaciones de la misma. La variable puede ser el nmero de delitos graves cometidos
en cada departamento de Francia, o la altura de todos los hombres de 20 aos de Suecia. La
Figura 1.2 muestra las ventas anuales (en miles) de una marca de maz enlatado en diversas
regiones de venta en los EE. UU. A los nmeros se les denomina observaciones o datos.
No se ve sino desorden. Por supuesto, el desorden puede adoptar diferentes formas. El
primer encuentro con un conjunto de datos puede ser slo un montn de polvorientas
facturas de produccin, o un archivo de facturas escritas a mano, pero siempre lo ms
probable es que estn desordenadas. Un primer intento de clasificacin consistira en
ordenar los nmeros, como la Tabla 1.1.
Tabla 1.1
.
.
41
43
45
46
48
49
49
50
Columnas de nmeros
52
54
55
56
57
57
58
58
58
59
59
60
60
60
61
62
62
63
65
65
66
66
.
.
.
.
La Tabla 1.1 es una serie ordenada. Ahora se ve ms ordenado, pero no es posible an

tener una idea acerca de los datos (por ejemplo, el promedio). El siguiente paso es hacer una
clasificacin de los datos y luego ordenar las clases. Por clasificar se entiende el agrupamiento de los nmeros en intervalos o bandas (por ejemplo: 5054), para facilitar su tratamiento.
Cada clase tiene un valor de frecuencia, es decir, el nmero de datos que se sitan en dicha
clase. A esto se le denomina tabla de frecuencias y se muestra en la Tabla 1.2. Siete datos
fueron mayores o iguales a 40, pero menores a 50; 12 eran mayores o iguales a 50, pero
menores a 60; etc. En total haba 100 datos.
Tabla 1.2
Banda
Una tabla de frecuencias

Frecuencias
40
< 50
50
< 60
12
60
< 70
22
70
< 80
27
80
< 90
19
90
< 100
10
100
< 110
Total de frecuencias
3
100
Nota: significa "menor o igual a"; < significa "menor que".
1/6
Ahora es mucho ms fcil obtener una idea general de la informacin que aportan los
datos. Por ejemplo, en este caso la mayora de los nmeros se encuentran entre 60 y 90, con
extremos de 40 y 110. Por supuesto, es probable que en algn momento exista la necesidad
de hacer clculos detallados con estas cifras, a fin de obtener informacin especfica. Pero en
este momento, el objetivo se centra en obtener una idea general acerca de los datos en el
menor tiempo posible. Otra presentacin, de mayor impacto visual y que ayuda a lograr
dicho objetivo, es el denominado histograma de frecuencias.
30
27
Frecuencia
22
19
20
12
10
10
7
3
10 20 30 40 50 60 70 80 90 100 110 120 130
Figura 1.3
Un histograma de frecuencias
El paso de la Tabla 1.2 a la Figura 1.3 es sencillo y obvio. No obstante, el histograma de

frecuencias permite captar de forma inmediata cmo son los datos. Las cifras estn distribuidas de forma simtrica en un intervalo de valores que abarca desde 40 hasta un poco por
encima de 100 y la mayora se encuentra en el rea central.
Para efectos descriptivos, el histograma de frecuencias funciona a la perfeccin y no es
necesario refinarlo ms. Si, por otra parte, hubiera objetivos analticos, el histograma de la
Figura 1.3 se transformara en una distribucin estadstica. Para ser muy precisos, todas las
formas de presentacin de datos tienen que ver con la distribucin estadstica, pero lo que se
procura es encontrar la versin ms fcil de manejar y de mayor aceptacin general.
Para llevar a cabo dicha transformacin, hay que tomar en cuenta en primer lugar la
vinculacin entre frecuencias y probabilidades, mediante el enfoque de la 'frecuencia relativa'
del clculo de probabilidades. La probabilidad de que una medida seleccionada al azar est
situada en una clase determinada se puede calcular de la siguiente manera:
nmero est situado dentro de la banda
por ejemplo,
40
50
0.07
El histograma de frecuencias se puede convertir en un histogramas de probabilidades,

si escribimos las unidades del eje vertical como probabilidades (tal como se calcularon antes)
en lugar de frecuencias. La forma del histograma permanecera inalterada. Cuando el
histograma se encuentra en el formato de probabilidad, usualmente se le denomina distribucin (en este caso, una distribucin discreta). Una variable es discreta si tiene limitaciones en
los valores que puede adoptar. Por ejemplo, cuando los datos estn restringidos a bandas o
intervalos (como en el caso anterior) la variable es discreta. Cuando el valor de una variable
est restringido a nmeros enteros (una variable entera) tambin es discreta.
1/7
El histograma de probabilidades facilita el manejo de las probabilidades asociadas con

uniones de clases. Por ejemplo, si las probabilidades de dos de las clases son:
50
60
0.12
60
70
0.22
entonces:
50
70
0.12
0.34
0.22
Esto se cumple ya sea que se trabaje con probabilidades o con las frecuencias de las que
se derivan.
Ejemplos
Partiendo de los datos de la Figura 1.3, cules son las probabilidades de que:
1.
80
100 ?
2.
70 ?
3.
60
100 ?
Respuestas
1.
80
100
80
90
0.19
0.29
0.10
50
0.12
50
0.22
0.22
0.78
0.27
90
100
2.
70
0.07
0.41
60
60
70
3.
60
1.4
100
0.19
0.10
Distribuciones Estadsticas Continuas

Para resumir el progreso hasta el momento: existe un histograma de probabilidades de una
variable, del cual se puede determinar la probabilidad de que alguna de las medidas de la
variable se site dentro de una de las clases o bandas del histograma. A este tipo de distribucin se le denomina distribucin discreta. Se trata de una distribucin porque la variable se
distribuye dentro de un intervalo de valores y es discreta porque los valores que adoptan las
variables son escalonados, en lugar de ser variaciones consecutivas.
Una variable continua no est limitada en los valores que puede adoptar. Puede equivaler
a nmeros enteros y tambin a cualquier valor entre ellos. No agrupa los datos en clases,
sino que distingue entre nmeros tales como 41.73241 y 41.73242. La distribucin que forma
una variable continua se llama distribucin continua. Se puede considerar como una
1/8
extensin de la distribucin discreta. El proceso de extensin es el siguiente. (Se muestra el

proceso para ilustrar el vnculo entre las distribuciones discretas y las continuas. No se trata
de un procedimiento que se necesita llevar a cabo en la prctica).
Una distribucin discreta como la de la Figura 1.3 se repite en la Figura 1.4(c). El ancho
de las columnas se reduce de forma progresiva. En (b) el ancho de las columnas se ha
dividido en dos; por ejemplo, la clase 50
60 se ha dividido en dos clases 50
55
y 55
60. En (c) las clases se han vuelto a dividir. A medida que avanza el proceso, se
agiliza la distribucin hasta que en ltima instancia, se logra la distribucin continua (d).
Clases de variables (a)
Clases de variables (b)
50 60
Variable continua (d)
Figura 1.4
Clases de variables (c)
El paso de la funcin discreta a la continua
Ahora surge una dificultad en cuanto a la medicin de probabilidades. En la distribucin

discreta, la Figura 1.4(a), las probabilidades asociadas a los diferentes valores de la variable
son iguales a la altura de la columna. Si la altura de la columna sigue siendo igual a la
probabilidad, el proceso (a) (b) (c) (d) dar como resultado histogramas cada vez
ms planos. La Figura 1.4(d) ser completamente horizontal, ya que la probabilidad asociada
a los valores ahora separados, como 41.73241 y 41.73242, debe ser infinitesimalmente
pequea. El problema se solventa al medir las probabilidades en una distribucin continua
mediante reas. Por ejemplo: 50
60 es el rea bajo el segmento de la curva entre 50
y 60 y aparece sombreado en la Figura 1.4(d).
El argumento para utilizar las reas es el siguiente: en la Figura 1.4(a) el ancho de las
columnas es igual, por lo que la probabilidad puede medirse tanto por el rea como por la
altura. La Figura 1.5 proporciona un ejemplo de lo que ocurre en el paso de (a) a (b), al
dividir las clases en dos. Se supone que los datos originales permiten que las probabilidades
de las clases nuevas se puedan calcular a partir de las originales.
1/9
50 < x < 55
55 < x < 60
50 < x <60
P(50 < x < 55) = 0.05

P(55 < x < 60) = 0.07
P(50 < x < 60) = 0.12
rea
0.12
50
Figura 1.5
rea
0.07
rea
0.05
50
60
55
60
Reduccin del tamao de las clases
Al utilizar reas para medir probabilidades, la altura de las columnas de las clases nuevas
es aproximadamente la misma que la de la original. Las menores probabilidades de las clases
nuevas se ven reflejadas en la divisin del ancho de las columnas, en lugar de por cambios de
altura. A medida que el proceso de subdivisin contina, desaparece la tendencia a que la
distribucin se haga ms aplanada. De este modo, una distribucin continua puede tener una
forma definida, que puede interpretarse del mismo modo que la forma de una distribucin
discreta, pero la probabilidad se mide a partir de las reas. Al igual que la altura de las
columnas de una distribucin discreta suman 1 (debido a que cada observacin posee
ciertamente algn valor), el rea total de una distribucin continua tambin es 1.
Las diferencias entre las distribuciones discretas y las continuas se resumen en la Tabla 1.3.
Tabla 1.3
Discreta
Diferencias entre distribuciones discretas y continuas

Continua
Variable limitada a determinados valores

Usualmente de forma escalonada
Las probabilidades son iguales a la altura de
las columnas
La suma de las alturas de las columnas = 1
Variable no limitada
Usualmente de contorno suave
Las probabilidades son iguales al rea situada
bajo la curva
El rea total = 1
Ejemplo
0.49
0.01
60
Figura 1.6
1/10
0.27
100
0.21
110
0.02
135
Se muestra el rea situada debajo de cada parte de la curva. El rea

total es igual a 1.0
Si se utiliza la distribucin continua de la Figura 1.6, cules son las probabilidades de que un valor
determinado de la variable se site dentro de los siguientes intervalos?
1.
60?
2.
100?
3. 60
110?
4.
135?
5.
110?
Respuestas
1.
60
0.01
2.
100
0.01 0.49 0.5
3.
60
110
0.49 0.27 0.76
4.
135
0.02
5.
110
0.21 0.02 0.23
En la prctica, los problemas asociados al uso de las distribuciones continuas son, en
primer lugar, el no poder recopilar nunca la cantidad suficiente de datos, ni medirlos con
la precisin necesaria, como para establecer una distribucin continua. En segundo lugar,
si lo anterior fuera posible, sera difcil realizar mediciones precisas de las reas bajo la
curva. Su principal uso prctico est en considerar las distribuciones continuas como
distribuciones estndar, un tema que se tratar en la seccin siguiente.
1.5
Distribuciones Estndar
La distribucin de las ventas en los EE. UU. que se muestra en la Figura 1.2, la Tabla 1.1, la
Tabla 1.2 y en la Figura 1.3 es una distribucin observada. Se recopilaron los datos, se hizo el
histograma y se obtuvo dicha distribucin. La distribucin estndar tiene sus fundamentos en
la teora y no en las observaciones. Se trata de una distribucin definida matemticamente, a
partir de una situacin terica. Las caractersticas de la situacin se expresan matemticamente
y la situacin resultante se construye de forma terica. Cuando aparece una situacin real que
se asemeja a la terica, se aplica la distribucin estndar asociada.
Por ejemplo, un caso de distribucin estndar, la distribucin normal, es producto de la
siguiente situacin terica. Se genera una variable que es el resultado de un proceso que
debera dar valores constantes, pero no ocurre as, ya que dicho proceso est sujeto a una
gran cantidad de perturbaciones menores. Como resultado, la variable se distribuye en torno
al valor central (vase la Figura 1.7). Esta situacin (valor central, numerosas perturbaciones
menores) se puede expresar matemticamente y la distribucin resultante se puede predecir
matemticamente, es decir, se puede encontrar una frmula matemtica que la describa.
1/11
497 498 499 500 501 502 503

Media = 500 g
Figura 1.7
Distribucin normal del peso de las hogazas de pan
Si una situacin real parece ser similar a la terica, se utiliza la distribucin normal. Se
puede entonces hacer clculos de probabilidades, similares a los usados para las cifras de
ventas en los EE. UU. Las reas bajo los segmentos de la curva pueden calcularse a partir de
su frmula matemtica o, lo que es ms fcil, de las tablas de distribucin normal. La
distribucin normal sera adecuada, por ejemplo, para la longitud de varillas cortadas a
mquina. Todas las varillas deberan ser de la misma longitud, pero no lo son debido a
variaciones introducidas por las vibraciones, las imprecisiones de la mquina, el operador,
etc. Un anlisis tpico consistira en calcular el porcentaje de la produccin susceptible de
quedar fuera de las tolerancias de diseo de las varillas.
La distribucin normal se puede aplicar a muchas situaciones con caractersticas similares.
Otras distribuciones estndar se refieren a situaciones con caractersticas diferentes. La
aplicacin de una distribucin estndar es una aproximacin. No es probable que la situacin
real se ajuste exactamente a la terica, la que sirve de fundamento a la frmula matemtica.
Sin embargo, esta desventaja se ve ms que compensada, ya que el uso de la distribucin
estndar reduce la cantidad de datos que hay que recopilar. Comnmente, las distribuciones
observadas requieren la recopilacin de una gran cantidad de datos. No slo es necesario
recopilar suficiente informacin para que la distribucin tome forma, sino que los datos
tambin se deben recopilar de manera individual para todas y cada una de las situaciones.
En resumen, el uso de una distribucin observada supone que se han recopilado datos
y que se han hecho los histogramas. El uso de una distribucin estndar supone que la
situacin de la cual se obtienen los datos se asemeja bastante a una situacin terica, para la
cual se ha desarrollado una distribucin matemticamente.
1.5.1
La Distribucin Normal
A continuacin estudiaremos en profundidad la distribucin normal, una de las ms
comunes. La Figura 1.7 presenta una visin a grandes rasgos de su forma, para el caso del
peso de hogazas de pan. Sus caractersticas principales son la simetra y la forma de campana,
con una sola joroba (es decir, es unimodal), situada en el promedio o media aritmtica de la
variable.
Sin embargo, no todas las distribuciones normales son idnticas. De lo contrario, no sera
posible que pudieran representar tanto el peso de hogazas de pan (con un valor promedio de
500 g y una variacin de ms o menos 10 g) como la altura de los hombres adultos (con un
promedio de 1.75 metros y una variacin de ms o menos 0.40 m). Todas las curvas
1/12
normales comparten una serie de propiedades comunes, como las mencionadas anteriormente; sus diferencias radican en que las poblaciones que describen tienen caractersticas
diferentes. Dos factores, denominados parmetros, encarnan dichas caractersticas y son
suficientes como para distinguir una curva normal de otra (y, a la inversa, para especificar
totalmente una curva normal). Un parmetro se define como una medida que describe algn
aspecto de una poblacin.
El primer parmetro es el promedio o media de la distribucin. A pesar de que el trmino "promedio" no se ha definido formalmente con anterioridad, no es ms que el
concepto de uso cotidiano (por ejemplo: el promedio de dos y cuatro es tres). Dos distribuciones normales que difieran nicamente en este parmetro, tienen exactamente la misma
forma, pero estn situadas en distintos puntos a lo largo de una escala horizontal.
El segundo parmetro es la desviacin estndar. Ms adelante se dar su definicin
exacta. Mide la dispersin, o el alcance, de la variable. En otras palabras, algunas variables se
agrupan estrechamente en torno al promedio (como las hogazas de pan). Dichas distribuciones presentan una desviacin estndar baja y su forma es estrecha y alta. Las variables que
estn muy dispersas alrededor del promedio presentan una desviacin estndar elevada y su
distribucin es baja y aplanada. La Figura 1.8 muestra ejemplos de distribuciones con
desviaciones estndar altas y bajas: los salarios en un hospital tienen una gran dispersin, que
va desde los de los empleados de limpieza hasta los de los asesores; los salarios del personal
docente de una escuela tiene una dispersin mucho menor.
Otra caracterstica de una distribucin normal est vinculada a la desviacin estndar
(vase la Figura 1.9). Los datos se refieren al peso de las hogazas de pan, con un peso
promedio de 500 g y una desviacin estndar de 2 g.
La propiedad de la distribucin normal ilustrada en la Figura 1.9 se deriva de las matemticas subyacentes, que estn ms all del alcance de esta introduccin. En cualquier caso, es
ms importante ser capaz de utilizar la distribucin normal, que saber demostrar matemticamente sus propiedades. La propiedad se aplica independientemente de si la distribucin es
aplanada y ancha o alta y estrecha, siempre que sea normal. Dada esa propiedad, es posible
calcular las probabilidades de los sucesos. El ejemplo a continuacin demuestra cmo se
puede utilizar una distribucin estndar (en este caso la normal) en el anlisis estadstico.
1/13
(a)
33 000
6 000
60 000
(b)
10 000
Figura 1.8
1/14
19 000
28 000
Salarios: (a) hospital: desviacin estndar alta; (b) escuela: desviacin

estndar baja
68%
1s
498
1s
500
502
Peso (g)
El 68% de la distribucin se sita en 1s de la media
El 68% de las hogazas de pan pesan entre 498 g y 502 g
95%
2s
496
2s
500
Peso (g)
504

99%
3s
494
500
Peso (g)
3s
506

Figura 1.9
Caractersticas de las desviaciones estndar en una distribucin normal
1/15
Ejemplo
Una mquina est ajustada para producir componentes de acero de una longitud determinada. Se
toma una muestra de 1000 componentes y se miden sus longitudes. A partir de las mediciones, se
estima que el promedio y la desviacin estndar de todos los componentes producidos son de
2.96 cm y 0.025 cm respectivamente. Cules son los lmites entre los que se esperara encontrar
el 95% de todos los componentes producidos por la mquina?
Sigamos los pasos a continuacin:
1. Vamos a suponer que la longitud de todos los componentes producidos sigue una distribucin
normal. Esto es razonable ya que esta situacin es tpica de las circunstancias en las que se
ocurren las distribuciones normales.
2. Los parmetros de la distribucin son los siguientes: media = 2.96 cm y desviacin estndar =
0.025 cm. Por lo tanto, la distribucin de la longitud de los componentes ser tal y como se
muestra en la Figura 1.10.
95%
2.91
2.96
3.01
Figura 1.10 Distribucin de la longitud de los componentes de acero

Existe una diferencia entre la distribucin de todos los componentes producidos por la mquina (la distribucin de la poblacin) y la distribucin de la longitud de los componentes en la
muestra. La primera distribucin es la relevante y se muestra en la Figura 1.10. La muestra se
ha utilizado para estimar los parmetros.
3. A partir de las propiedades de la distribucin normal enunciadas anteriormente, el 95% de la
distribucin de la poblacin (y, por tanto, el 95% de todos los componentes producidos) se
encontrar dentro de dos desviaciones estndar del promedio. Los lmites son:
2.96
2 0.025 y 2.96
2.91 y 3.01
0.025
De acuerdo con la estimacin, el 95% del total de la produccin se situar entre 2.91 cm y
3.01 cm.
1.6
Usos Incorrectos de la Estadstica

La estadstica se usa en forma incorrecta cuando la evidencia estadstica se presenta de tal
modo que fomenta conclusiones falsas. Las autoridades que supervisan la publicidad buscan
proteger al pblico de la publicidad engaosa, pero los gerentes no disponen de una
proteccin similar contra la informacin administrativa errnea. El presentar los datos de esa
forma puede ser accidental o deliberado. En el ltimo caso, el uso incorrecto de la estadstica
alcanza niveles casi de creacin artstica. An en esos casos, es posible detectar algunos usos
incorrectos.
1/16
1.6.1
Definiciones
Es posible que no haya una definicin exacta para las expresiones estadsticas y para las
variables mismas. El usuario puede suponer que el que produce los datos trabaja con una
definicin diferente de la que realmente se us. Al suponer una definicin incorrecta, el
usuario sacar conclusiones incorrectas La expresin estadstica "promedio" se presta a
diversas interpretaciones. Una empresa de contabilidad anuncia en su folleto de reclutamiento que el salario promedio de los contadores calificados de la empresa es de 44200. Visto
as, un empleado potencial podra concluir que trabajar para esta empresa es econmicamente atractivo. Una mirada ms de cerca muestra que los contadores de la empresa y sus
salarios son los siguientes:
3 accionistas
8 contadores senior
9 contadores junior
86 000
40 000
34 000
El salario promedio podra ser:

La media aritmtica
44200
el valor "intermedio" 40000

o el valor ms frecuente 34000
Se podra decir de manera legtima que cualquiera de estas cifras constituye el salario
promedio. Indudablemente, la empresa ha elegido la que ms se adapta a sus propsitos.
Incluso si fuese cierto que se usa la definicin estadstica correcta, an sera necesario
preguntar cmo se define la variable (el salario). Se incluye en el salario de los accionistas el
reparto de la utilidad? Estn incluidas las bonificaciones en el salario de los contadores?
Estn incluidos los beneficios extrasalariales (un automvil, por ejemplo) en el salario de los
contadores? Si se eliminan estos detalles, la situacin podra ser la siguiente:
3 accionistas
8 contadores senior
9 contadores junior
50 000
37 000
32 400
El salario medio es ahora de 36880. De repente, la remuneracin que ofrece la empresa

ya no es tan atractiva.
1.6.2
Grficos
Las imgenes visuales usadas en estadstica buscan comunicar los datos con suma rapidez.
Esta rapidez denota que las primeras impresiones son importantes. Si la primera impresin
es incorrecta, no es muy factible que se corrija.
Las ilustraciones grficas de datos son muchas, pero probablemente la ms utilizada es el
grfico. Si la escala de un grfico est disimulada, o si no aparece en absoluto, se pueden
extraer conclusiones errneas. La Figura 1.11 muestra las cifras de ventas de una compaa
durante los ltimos tres aos. Podra parecer que la empresa ha tenido xito.
1/17
Ventas
1994
1995
1996
Figura 1.11 Cifras de ventas (sin escala)
Sin embargo, no se muestran las escalas. De hecho, las cifras de ventas han sido las siguientes:
1994
1995
1996
11250000
11400000
11650000
Ventas (millones de libras)
En la Figura 1.12 hay un grfico ms informativo que s muestra la escala. Las ventas
apenas han aumentado. Si se considera la inflacin, es probable que hayan disminuido en
trminos reales.
12
10
8
6
4
2
1994
1995
1996
Figura 1.12 Cifras de ventas (con escala)
1.6.3
Sesgo o Error Sistemtico

La mayor parte de los datos estadsticos se recopilan a partir de una muestra; en otras
palabras, representan slo una pequea parte del total de los datos disponibles (la poblacin).
Las conclusiones extradas de la muestra son extrapoladas al mbito global de la poblacin.
La generalizacin puede ser vlida slo en la medida en que la muestra sea representativa. Si
la muestra no es representativa, entonces se extraern conclusiones errneas. El sesgo en las
muestras puede ocurrir de tres maneras.
1/18
En primer lugar, puede surgir a partir de la recopilacin de datos. Consideremos el caso

de un poltico de izquierda que afirma que el 80% de las cartas que recibe se muestran en
contra de una medida del gobierno de derecha y concluye que una mayora del electorado se
opone al gobierno en ese asunto. En este caso, se est extrayendo una conclusin a partir de
una muestra sesgada.
En segundo lugar, el sesgo de una muestra puede surgir de las preguntas que se plantean
para obtener los datos. Preguntas tales como: "Va con regularidad a la iglesia?" proporcionarn informacin poco confiable. Puede haber una tendencia en la gente a exagerar su
asistencia, ya que, por lo general, se considera como una accin digna. Las palabras "con
regularidad" tambin causan problemas. El ir dos veces al ao, en Navidad y en Semana
Santa, es ir con regularidad. Tambin lo es ir dos veces cada domingo. Sera difcil extraer
alguna conclusin significativa, si partimos de una pregunta planteada de esa forma. La
pregunta debera ser ms explcita en la definicin de regularidad.
En tercer lugar, el entrevistador puede sesgar la informacin de la muestra. Por ejemplo,
una encuesta realizada en un supermercado acerca de los hbitos de compra puede ser
efectuada por un hombre joven, quien entrevista a 50 compradores. No sera de extraar si
la muestra resultante incluyera una elevada proporcin de mujeres jvenes y atractivas.
Ms adelante en el curso, se describirn las tcnicas de recopilacin de muestras o muestreo, que pueden remediar la mayora de estos problemas.
1.6.4
Omisiones
Las estadsticas que se ocultan pueden ser tan importantes como las que se publican. Un
anunciante de televisin afirma que nueve de cada diez perros prefieren la comida para
perros Bonzo. El telespectador puede extraer la conclusin de que el 90% de los perros
prefieren Bonzo a cualquier otro tipo de comida para perros. Su conclusin podra ser
diferente si supiera que:
(a) El tamao de la muestra era exactamente de diez perros.
(b) Los perros tenan para elegir entre Bonzo y la comida para perros ms barata del
mercado.
(c) La citada fue la decimosegunda muestra utilizada y la primera en la que nueve perros
prefirieron Bonzo.
1.6.5
Errores de Lgica
Las estadsticas permiten extraer conclusiones acerca de las cifras. Usualmente, sin embargo,
son las entidades reales las cifras las que son relevantes. Dos de las maneras ms comunes de
cometer errores de lgica son las siguientes:
En primer lugar, puede que las cifras no correspondan directamente a lo que queremos
medir. Por ejemplo, en ocasiones se mide el descontento de los empleados mediante el
ndice de rotacin de personal. Lo que se estudia es el primer aspecto, pero las cifras miden
el segundo. Puede que a veces no haya correspondencia entre los dos. Los analistas financieros estudian las cifras de utilidad de las empresas para valorar su rentabilidad. Las cifras de
utilidad son, sin embargo, slo mediciones contables y no pasan de ser unas (ojal que
buenas) aproximaciones de la "rentabilidad real" de la empresa, la cual es algo complicado
tanto de definir como de medir.
1/19
En segundo lugar, las conclusiones obtenidas a partir de las cifras no implican necesariamente relaciones de causalidad entre las variables. Por ejemplo, se ha sabido por mucho
tiempo que existe una relacin entre el salario promedio de los clrigos y el precio del ron.
Las dos variables se mueven juntas, lo que puede verificarse estadsticamente. Sin embargo,
esto no quiere decir que los clrigos sostengan el precio del ron o viceversa. La explicacin
es que las variables estn vinculadas por un tercer factor, la inflacin. Las variables han
aumentado juntas a medida que el costo de vida ha aumentado, pero es muy poco probable
que exista una vinculacin causa-efecto entre ellas. Esta consideracin es importante cuando
las decisiones se basan en asociaciones estadsticas. Para llevar el ejemplo ms all, el
congelar el salario de los clrigos para mantener el precio del ron sera til si la relacin fuera
causal, pero no si se trata de una mera asociacin.
1.6.6
Errores Tcnicos
Ocurren errores cuando se carece de un conocimiento de los aspectos tcnicos, an de los
ms bsicos. Un caso simplista y que se suele citar con frecuencia es el del lder sindical que
expone su preocupacin por los peor pagados y afirma que no descansar hasta que todos
los afiliados cobren un salario superior al salario promedio del sindicato. (Podra ser que en
realidad estuviese haciendo una declaracin muy sutil).
Otro error sencillo est en el uso inadecuado de los porcentajes. Sera errado suponer
que, por ejemplo, un incremento del 20% en la productividad de este ao compensa la
disminucin del 20% del ao pasado. Si el ndice de productividad dos aos atrs era de 100,
entonces una disminucin del 20% sita el ndice en 80. El incremento del 20%, entonces,
sita el ndice en 96, es decir, que el ndice no ha regresado a su nivel inicial.
1.7
Cmo Detectar Errores Estadsticos

Muchos tipos de errores estadsticos slo se pueden tratar en el contexto de una tcnica
cuantitativa determinada, pero existen varias preguntas generales que pueden ayudar a
descubrir errores y tretas posibles en la estadstica. Estas preguntas deben plantearse siempre
que se presenten evidencias estadsticas.
1.7.1
Quin Proporciona la Evidencia?

El derecho aporta una buena analoga. En un caso legal, la opinin de un testigo representa
una consideracin importante a la hora de evaluar la evidencia. Tambin es de esperar que el
abogado defensor no proporcione informacin que pueda perjudicar a su cliente. Del mismo
modo, en la estadstica es importante saber quin proporciona la evidencia. Si la persona que
proporciona la evidencia tiene inters en que se acepte su conclusin, es necesario prestar
especial atencin.
No es de esperar que los fabricantes de la comida para perros Bonzo decidan un da
declarar lo siguiente: "Durante mucho tiempo tuvimos la firme creencia de que Bonzo era la
mejor comida para perros del mercado. Sin embargo, pruebas recientes realizadas con una
muestra aleatoria de 2000 perros indican que el producto fabricado por la Woof Corporation". Por otra parte, es mucho ms factible que un informe elaborado por una
organizacin independiente de consumidores aporte evidencias fiables.
1/20
1.7.2
Cul es la Procedencia de los Datos?

Una encuesta de 1992 sobre los hbitos de la poblacin del Reino Unido llevada a cabo por
un departamento gubernamental, informa que "en promedio, la poblacin britnica se baa
2.38 veces por semana, en comparacin con las 1.15 veces de hace veinte aos". A primera
vista, parece ser una evidencia clara, pero, cul es su grado de fiabilidad?
Cul es la procedencia de los datos? No sera lgico pensar que proviene de observaciones directas. Lo ms probable es que se le haya preguntado a la gente. Dado que confesar
que uno no se baa con frecuencia podra ser vergonzoso, lo ms probable es que las
respuestas estn sesgadas. Parece probable que la cifra de 2.38 sea superior a la real. An as,
todava es posible comparar los hbitos de la actualidad con los de hace veinte aos, pero
slo si se supone que el sesgo en la informacin sea el mismo ahora que en ese entonces.
Pudiera no ser as. Cul es la procedencia de los datos de hace veinte aos? Lo ms
probable es que provengan de una encuesta cuya estructura fue diferente, sobre una muestra
de tamao diferente, con diferentes preguntas y un entorno social diferente. Por tanto, la
comparacin con los datos obtenidos hace veinte aos tambin est abierta a dudas.
En este caso, tambin la exactitud de los datos puede conducir a conclusiones errneas.
La cifra de 2.38 sugiere un elevado nivel de precisin, pero sin respaldo firme debido al
mtodo empleado en la recopilacin de datos. Cuando las cifras se muestran con varios
decimales, conviene dudar de la relevancia de su supuesto grado de precisin.
1.7.3
Supera la Prueba del Sentido Comn?

En ocasiones, los especialistas de cualquier campo pueden estar tan absortos en su trabajo
que slo ven los aspectos tcnicos y no las cuestiones clave. Las personas ajenas a dicho
campo, inhibidas por su carencia de conocimientos tcnicos, podran abstenerse de hacer
preguntas de sentido comn, con el consecuente detrimento de un proyecto o una investigacin. Todo aquello que luzca como opuesto al sentido comn debe ser cuestionado.
Un investigador acadmico estudi la relacin entre los ingresos de por vida y la edad en
que ocurri la muerte y descubri que las dos variables estaban ntimamente relacionadas.
Concluy que la pobreza provoca muertes prematuras.
En primer lugar, alguien podra cuestionar que se est sustentando una relacin causaefecto basada en una asociacin estadstica. Lo que es ms importante, a una persona ajena a
la materia quizs le pudiera ocurrir que una vida ms larga permite ms tiempo para amasar
una mayor fortuna y que, por lo tanto, tiene igual (o mayor) validez concluir que la causalidad acta en el sentido opuesto, es decir, que la muerte prematura de una persona hace que
sus ingresos totales de por vida sean menores. El investigador estaba tan sumergido en su
trabajo, y puede que hasta prejuiciado por una creencia previa de que la pobreza provoca la
muerte prematura, que no fue capaz de aplicar la prueba del sentido comn.
1.7.4
Se Ha Cometido Alguno de los Seis Errores Habituales?

En el apartado anterior se describieron los seis tipos de errores estadsticos ms comunes.
Es posible que se haya cometido alguno de ellos? Revise las seis categoras para comprobar
si alguno de ellos es relevante:
(a) Es ambigua la definicin? Podra haberse utilizado un trmino estadstico (en especial
el promedio) susceptible de sugerir ms de una interpretacin.
1/21
(b) Son engaosas las ilustraciones grficas? D un segundo vistazo, para ver si era
posible extraer otras conclusiones. Preste especial atencin a la inclusin o exclusin de
escalas.
(c) Se ha producido un sesgo en la muestra? Si se comparan dos muestras, se est
comparando lo mismo?
(d) Qu falta? Se debera haber incluido algn tipo de informacin adicional, la cual
podra haber modificado la conclusin?
(e) Existe un error de lgica? Puede que las cifras no representen en toda su extensin lo
que se pretende medir. Una fuerte vinculacin asociativa puede que no sea causal.
(f) Se ha cometido un error tcnico? Se han aplicado en forma correcta las definiciones,
las tcnicas y los mtodos estadsticos? Para poder responder a esta pregunta usualmente
se requieren de mayores conocimientos tericos en cuanto a la materia.
1.8
Esta introduccin ha tenido dos propsitos. El primero ha sido presentar algunos conceptos
estadsticos, como base para un estudio ms detallado de la materia. Todos los conceptos se
tratarn con mayor profundidad ms adelante. El segundo propsito ha sido el de fomentar
un saludable escepticismo y una atmsfera de crtica constructiva, los cuales son necesarios a
la hora de ponderar las evidencias estadsticas.
El saludable escepticismo es relevante al enfrentarse, no slo a los conceptos introducidos hasta ahora, sino a cualquier otro aspecto de la estadstica. La probabilidad y las
distribuciones son susceptibles a usos incorrectos.
A menudo se comenten errores de lgica al usar la probabilidad. Un caso puede ser el
envo de un cuestionario sobre mtodos de marketing a un grupo de empresas. De las cifras
recopiladas de 200 respuestas recibidas, se desprende que 48 de las empresas no estn
vinculadas al rea del marketing. Tambin se determina que 30 de los encuestados son
empleados de bajo nivel. Cul es la probabilidad de que una persona no vinculada al
marketing y que adems no pertenece a los niveles superiores haya sido quien complet el
cuestionario enviado a su empresa? Resulta tentadora la idea de pensar lo siguiente:
Probabilidad
39%
Esto es incorrecto con una certeza casi total debido al doble conteo. Es probable que
algunos de los 48 empleados no vinculados al marketing tambin pertenezcan a los niveles
bajos. Si 10 de los que respondieron no estaban vinculados al marketing y estaban en un
nivel bajo, entonces se concluye lo siguiente:
Probabilidad
34%
El primer clculo habra sido correcto slo en el caso muy poco probable de que ninguno
de los de nivel bajo estuviese tambin fuera del sector del marketing.
1/22
No. de funcionarios
2000
1500
1000
500
08
816
1624
2440
4060
60+
Sueldo (miles de libras)
Figura 1.13 Salarios de los funcionarios pblicos
Con frecuencia se pueden observar errores grficos con las distribuciones. La

Figura 1.13 muestra una distribucin observada relacionada con los salarios de los
funcionarios pblicos en una institucin gubernamental. Las cifras dan una impresin errada
de la distribucin de salarios, debido a que los intervalos entre clases no son todos iguales.
Alguien podra pensar que los salarios son superiores a lo que realmente son. Las bandas
inferiores tienen una amplitud de 8000 (08, 816, 1624). Las superiores, por su parte,
tienen una amplitud mucho mayor. La distribucin se debera dibujar con todos los
intervalos de la misma magnitud, tal como se muestra en la Figura 1.14.
Los conceptos estadsticos estn sujetos al uso incorrecto y a la mala interpretacin, del
mismo modo que los informes verbales. Se debe estar alerta tanto en el primer caso como en
el segundo.
No. de funcionarios
2000
1500
1000
500
0 8
816
1624
2432
3240
4048
4856
5664
64+
Sueldo (miles de libras)
Figura 1.14 Salarios de los funcionarios pblicos (corregido)
1/23
Preguntas de Repaso
1.1
Una de las razones por las que la probabilidad es importante en la estadstica es que si los datos
provienen de una muestra, cualquier conclusin que se extraiga no puede ser certera al 100%.
Verdadero o falso?
1.2
Se sac al azar una carta de una baraja y result ser un as. No se regres a la baraja. Cul es la
probabilidad de que al extraer una segunda carta tambin sea un as?
A.
B.
C.
D.
E.
1.3
Cules de las siguientes afirmaciones son verdaderas?

A. La probabilidad de un suceso es un nmero entre 0 y 1.
B. Considerando que nada es completamente certero, ningn suceso tiene una probabilidad de 1.
C. Los profesionales de la estadstica clsica adoptan el punto de vista de que la probabilidad subjetiva no tiene validez.
D. Los estadsticos bayesianos opinan que slo la probabilidad subjetiva es vlida.
1.4
Si se lanza una moneda normal, existe la misma probabilidad de que caiga "cara" arriba que de que
caiga "cruz". Se acaba de lanzar ocho veces y en todas ellas ha salido "cara". Cul es la probabilidad de que en la novena vez el resultado sea "cruz"?
A. Inferior a
B.
C. Superior a
D. 1
Las preguntas 1.51.7 se basan en la siguiente informacin:

Las ventas diarias de billetes (en miles de libras) de una estacin de tren durante el ltimo trimestre
(= 13 semanas = 78 das) se han recogido en un histograma, como se muestra en la Figura 1.15.
25
22
17
Menos que
30
3039,9 4049,9
5059,9
60 o ms
Figura 1.15 Ventas de billetes de tren
1/24
1.5
En cuntos das fueron las ventas iguales o superiores a 50000?

A. 17
B. 55
C. 23
D. 48
1.6
Cul es la probabilidad de que en un da cualquiera las ventas sean de 60000 o superiores?

A.
B.
C.
D. 0
1.7
Cul es el nivel de ventas que se super en el 90% de los das?

A. 20 000
B. 30 000
C. 40 000
D. 50 000
E. 60 000
1.8
Cul de las siguientes afirmaciones es verdadera, al hablar de una distribucin normal?

A. Una distribucin normal es otra forma de denominar a una distribucin estndar.
B. La distribucin normal es un ejemplo de distribucin estndar.
C. La distribucin normal es una distribucin discreta.
D. La distribucin normal puede ser o no ser simtrica, en funcin de sus parmetros.
1.9
Una distribucin normal presenta una media de 60 y una desviacin estndar de 10. Qu
porcentaje de observaciones se encontrar en la banda 6070?
A. 68%
B. 50%
C. 95%
D. 34%
E. 84%
1.10
Un puesto de control policial registr la velocidad de los vehculos durante una semana. Las
velocidades tenan una distribucin normal, con una media de 82 km/h y una desviacin estndar
de 11 km/h. Qu velocidad fue superada por el 97.5% de los vehculos?
A. 49
B. 60
C. 71
D. 104
Estudio de Caso Prctico 1.1: Venta de Billetes de Avin

Como primer paso para planificar nuevas instalaciones en una oficina de venta de billetes en el centro de
la ciudad, una compaa area ha recopilado datos sobre el tiempo que gastan los clientes en las taquillas
1/25
(el tiempo de servicio). Se utiliz para la investigacin a un centenar de clientes y se midi en minutos el
tiempo que pasaron en la taquilla de venta. A continuacin se muestran los datos.
0.9
2.3
1.1
4.0
3.4
0.9
6.3
3.5
1.0
1.5
3.5
0.2
2.8
4.3
0.9
4.5
1.6
2.1
7.5
1.2
0.8
1.6
1.6
2.7
2.2
3.5
5.0
0.8
1.2
2.9
1.0
1.7
3.9
0.2
4.2
1.2
2.1
7.8
2.0
2.9
1.3
5.2
3.8
0.3
21.7
0.7
5.8
1.9
2.0
2.0
2.3
1.1
6.1
3.1
3.1
4.6
7.4
3.2
11.0
4.6
1.0
3.9
0.3
2.7
1.0
4.8
1.7
1.3
2.9
6.6
2.4
5.4
1.1
4.1
3.3
2.6
3.8
1.4
6.5
0.7
0.7
8.2
2.4
1.4
3.3
0.5
4.1
3.7
2.0
5.8
1.0
1.5
2.6
1.1
5.5
3.6
6.9
0.6
8.6
2.0
Clasifique los datos en intervalos de un minuto de ancho. Elabore un histograma de frecuencias.

Cul es el tiempo de servicio que probablemente ser excedido por slo el 10% de los clientes?
Caso Prctico 1.2: JP Carruthers Co.

JP Carruthers Co. (JPC) es una empresa manufacturera de mediano tamao. Sus cifras de ventas se
sitan en torno a los 220 millones y durante los ltimos diez aos su nmina ha sido de unos 1100
empleados. La mayora de sus ventas se sitan en el sector automovilstico. La utilidad de JPC del
ejercicio anterior fue de 14480000. Siempre ha disfrutado de una reputacin de confiabilidad, y por lo
general, se le considera como una empresa bien administrada.
Con pocas excepciones, la mano de obra directa de JPC, que asciende a cerca de 600 trabajadores,
est representada por TWU, el sindicato de trabajadores del transporte. Es prctica comn en este
sector negociar los beneficios extrasalariales de los empleados de forma global para toda la empresa,
pero los salarios de forma separada, segn cada tipo de trabajo realizado en cada planta. Durante aos,
no obstante, esta anticuada prctica ha sido poco ms que un ritual. En teora, ese sistema les ofrece a
los trabajadores la oportunidad de expresar sus puntos de vista, pero la realidad es que la fijacin de los
salarios del primer grupo establece invariablemente el patrn que se seguir para el resto de los grupos
dentro de cada empresa en particular. La lnea de ensamblaje de paneles de puerta de JPC fue el grupo
clave en la negociacin del ao pasado. Al ser los primeros de la fila, los salarios que se fijasen para la
seccin de ensamblaje de paneles de puerta estableceran el patrn de JPC para ese ao.
Annie Smith es la capataz de la seccin de ensamblaje de paneles de puerta. Hay muchos tipos de
paneles de puerta; la principal funcin de Annie consiste en controlar que cada tipo se fabrique en las
cantidades correctas. El trabajo necesario para fabricar los paneles de puerta es prcticamente el mismo,
sin importar el tipo de panel en particular. En otras palabras, se trata de un trabajo altamente estandarizado y la remuneracin estndar es de 72p por unidad, sin importar el tipo de panel. El trabajo en s, a
pesar de que su naturaleza principal es de ensamblaje, es bastante intrincado y requiere un cierto grado
de habilidad.
Las negociaciones del ao pasado comenzaron con la habitual protesta del sindicato respecto a las
tarifas en general. No obstante, hubo entonces un movimiento inesperado. Esta fue la demanda del
sindicato para la lnea de ensamblaje de paneles de puerta, segn las actas de la reunin:
Vayamos directamente al grano. 72 peniques por unidad es una crueldad Una tarifa justa es
80 peniques.
1/26
Cada mujer fabrica un promedio de 71 unidades por da. Por lo tanto, los 8 peniques adicionales que queremos equivalen a un aumento promedio de 5.68 por mujer por da
Es el aumento ms pequeo que hemos solicitado recientemente y no aceptaremos menos de
80 peniques.
(La prctica tradicional de la planta haba sido la de calcular la produccin en funcin de la produccin
promedio diaria. De hecho, a pesar de que la produccin de cada persona se contabiliza diariamente, la
prima se paga por el rendimiento diario promedio en la semana. La idea es que esto les ofrece a los
trabajadores una mejor oportunidad de recuperarse, en caso de tener uno o dos das poco productivos).
La estrategia del sindicato en esta reunin fue una sorpresa. En el pasado, la primera demanda sola
ser desproporcionada intencionalmente y ninguna de las partes la tomaba demasiado en serio. En esta
ocasin su demanda era similar al tipo de oferta que la direccin de JPC estaba considerando.
En la siguiente reunin de administracin luego de la sesin con el sindicato, la direccin de JPC
escuch los siguientes puntos por boca del contador:
a. La cifra que presenta el sindicato de 71 unidades por persona por da es correcta. Lo he contrastado
con el ltimo Informe de Produccin. El desglose es as:
La produccin promedio semanal en lo que va del ao es de 7100 unidades, por lo que la produccin promedio diaria es de:
7100
5
1420 unidades/da
El nmero de mujeres empleadas directamente en esta seccin es de 20, por lo que el rendimiento
promedio diario es de:
1420
20
71 unidades/da/mujer
b. La demanda del sindicato equivale a un aumento del 11.1%:

80
72
72
100
11.1
c. La mano de obra directa a las tarifas actuales se estima en 26 millones. Si consideramos un aumento
global del 11.1%, que por supuesto es lo que hemos de prever, la mano de obra directa anual total
aumentara en cerca de 2.9 millones:
26000000
11.1%
2886000
Con anterioridad a las negociaciones, la direccin haba pensado que un 7% poda ser una oferta
razonable, ya que estaba aproximadamente al nivel al que haba aumentado la productividad y la inflacin
en los ltimos aos. En privado, haban fijado en el 10% el lmite superior de su oferta final. A este nivel,
creyeron que sera conveniente introducir algn tipo de incentivo para mejorar la productividad, aunque
no haban desarrollado a fondo los detalles de dicho plan.
Sin embargo, como resultado de la estrategia del sindicato, el equipo de negociacin de JPC decidi
no vacilar ni un minuto ms. Trabajaron hasta tarde y elaboraron su "mejor" paquete bajo el criterio del
diez por ciento. Los puntos principales del plan eran los siguientes:
a. Mantener los 72p por unidad como tarifa estndar, pero proporcionar una prima de 50p por cada
unidad que se produjera por encima de un promedio diario fijado en 61 unidades/persona.
1/27
b. Como el rendimiento promedio por persona por da es de 71, eso significa que en promedio se
pagaran 10 unidades de prima por persona por da.
c. El costo semanal proyectado sera entonces de 5612:
71 0.72 10 0.50 56.12
56.12
20
5612
d. El costo actual semanal, entonces, es de 5112:

71 0.72 5 20 5112
e. Lo que equivale a un incremento promedio de 500 a la semana, ligeramente por debajo del 10%, el
lmite superior fijado para las negociaciones:
500
100 9.78%
5112
f. El plan ofrece la ventaja adicional de que el trabajador promedio obtiene 10 unidades de prima de
forma inmediata, lo que hace que el plan resulte atractivo.
g. Debido a que la produccin no vara mucho de una semana a otra y a que la mejora ms importante
debera provenir de aquellos que se encuentran actualmente por debajo del promedio, la mayor
parte de los aumentos debera provenir de las unidades a la tarifa ms baja de 72p cada una. Probablemente, aquellos que se encuentran por encima del promedio no podrn mejorar mucho. En la
medida en que esto ocurra, por supuesto, existe la tendencia de reducir el costo promedio por
debajo de los 79p por unidad, que sera el resultado si no se produjese ningn cambio en absoluto:
5612
79.0 peniques
71 5 20
Llegados a este punto, la administracin tena que decidir entre mostrar todas sus cartas de una vez,
o ajustarse al plan original de una oferta inicial del siete por ciento. Se deban tener en cuenta dos
aspectos adicionales:
a. Qu tan buenas eran las tarifas?
b. Se podra prever realmente un aumento en la productividad, tal y como sugera el plan de la oferta
del 9.8%?
Llamaron a Annie Smith, la capataz, para que se incorporase a la reunin, quien proporcion los
siguientes datos:
a. Algunos, pero no muchos de los trabajadores podan mejorar ligeramente su promedio personal,
pero las tarifas eran demasiado ajustadas para que se produjese algn movimiento significativo en la
produccin diaria.
b. Esto no quera decir que todos trabajasen al mismo nivel, sino que individualmente todos se
encontraban cerca del mximo de su capacidad personal.
c. Algunos de ellos s tenan un promedio inferior a las 61 unidades al da. De las pocas que podan
mostrar una mejora sostenida, la mayora se podran situar en esta categora de menos de 61 unidades.
Esto lo decidi. JPC decidi ir a la reunin con el sindicato con su "mejor" oferta del 9.8%. Al da
siguiente se hizo la oferta. El sindicato pidi cierto tiempo para considerar la oferta y se fij la prxima
reunin para la tarde del da siguiente.
La maana del siguiente da, Annie Smith inform de que se haba perdido su informe de rendimiento
de la produccin (vase la Tabla 1.4). No saba quien lo haba tomado, pero estaba casi segura de que
haba sido el representante del sindicato.
1/28
Tabla 1.4
Informe de rendimiento de la produccin
Semana fiscal: 10
Centro de gastos: 172
Capataz: Smith
Nmero del empleado
Rendimiento diario
promedio de esta semana
Rendimiento diario
promedio acumulado
anual
11
13
17
23
24
26
30
32
34
35
40
42
43
45
47
48
52
54
55
59
98
88
72
44
52
79
77
52
96
86
67
64
95
86
50
42
43
45
94
68
98
89
76
43
50
78
79
52
96
87
69
66
98
88
53
41
44
46
97
70
Promedio 71
PROMEDIO DIARIO ESTA SEMANA: 1 398

PROMEDIO DIARIO HASTA LA FECHA: 1 420
La siguiente reunin con el sindicato no dur ms de unos minutos. Un directivo del sindicato expuso
su comprensin de la oferta y, luego de serle ratificado que haba expuesto los detalles de manera
correcta, anunci que el sindicato estaba dispuesto a aprobar el plan y tena la intencin de recomendar
su aceptacin a todos sus afiliados. Tambin aadi que esperaba que esto sirviera de base para los
arreglos con las dems unidades, tal y como vena ocurriendo normalmente y que el conjunto de las
negociaciones salariales se podra realizar probablemente en un tiempo rcord.
Y hasta all lleg la cosa. O no? En las mentes de los miembros del equipo de negociacin de JPC an
quedaban algunas dudas. Por qu se haba dado tanta prisa el sindicato en aceptar? Por qu se haba
robado el informe de rendimiento de la produccin? Mientras hacan conjeturas en cuanto a eso, Annie
Smith llam por telfono para informar de que haban devuelto el informe de rendimiento de la
produccin.
1
Con la esperanza de satisfacer su curiosidad, el equipo de negociacin solicit a Annie que llevase
el informe a la oficina. Haban cometido algn error?
Era la oferta de JPC realmente del 9.8%? Y si no lo era, cul era la verdadera oferta?
1/29
Caso Prctico 1.3: Cartas al Peridico

Las dos cartas adjuntas fueron publicadas recientemente en un peridico. En la primera carta, el Dr. X
concluye que los dentistas no deberan suministrar anestsicos. En la segunda carta, el Sr. Y concluye,
por su parte, que los dentistas son los anestesistas ms seguros que existen.
Peligro en la Silla del Dentista

Estimado Seor: Como anestesista calificado, responsable de un gran nmero de anestesias
dentales, le (17 de junio) con gran consternacin y tristeza acerca del fallecimiento de la Srta.
A bajo los efectos de un anestsico.
Me produce una gran preocupacin que se le permita a los dentistas suministrar anestsicos.
Cualquier tonto puede poner una inyeccin intravenosa, pero se necesita de una habilidad
considerable y de experiencia para poder resolver una emergencia relacionada con anestesia.
Cualquiera que, independientemente de su calificacin y de su competencia, suministre
anestsicos sin ayuda de ningn tipo, est cometiendo un acto de negligencia criminal. Las
asociaciones mdicas britnicas, as como todas las sociedades de defensa mdica, estaran de
acuerdo con esto.
Hago un llamado a todos a boicotear la administracin de anestsicos por dentistas, bajo
cualquier circunstancia.
Atentamente,
Dr. X, Colchester, Essex.
Un Rcord de Seguridad Dental Incomparable

Estimado Seor: Con seguridad mucha gente comparte los sentimientos expresados por el Dr.
X (Cartas, 25 de junio) sobre el trgico fallecimiento de la Srta. A y eso habla bien de l, pero
tambin lo han confundido.
La Srta. A no fue anestesiada. Fue sedada profundamente con una dosis combinada de drogas
que le produjeron una profunda depresin respiratoria, de la cual el practicante no la pudo
recuperar.
Al solicitar la prohibicin de que los dentistas puedan suministrar anestsicos generales, el Dr.
X se adentra en un terreno muy resbaladizo. La posesin de un ttulo mdico no confiere por
s misma ninguna inmunidad contra la estupidez o la negligencia, ya que si lo hiciera mucha
gente seguira viva hoy en da.
Si el Dr. X consulta los registros de la oficina de censos y encuestas de poblacin, podr
comprobar que, en general, se producen ms fallecimientos relacionados con la anestesia
dental cuando el anestesista es un mdico calificado que cuando se trata de un dentista.
Si excluimos los servicios hospitalarios (donde todos los anestesistas son mdicos calificados,
pero donde ocurren aproximadamente el 50% de los casos de fallecimientos), los anestesistas
mdicos calificados suministran el 36% de las anestesias dentales y a ellos se atribuye el 45% de
los fallecimientos. Esto no slo favorece a los dentistas anestesistas, sino que adems demuestra que a cualquiera le puede ocurrir un percance, sin importar su habilidad.
No creo que ni siquiera el Dr. X argumentara que todas las muertes ocurridas en manos de
anestesistas mdicos calificados fueran resultado de percances y que todos aquellos casos que
hayan ocurrido con dentistas se deban a negligencia.
1/30
Sin embargo, estas cifras se deberan poner en la perspectiva correcta. En la prctica odontolgica general y en los servicios odontolgicos comunitarios se suministran cerca de 1.5
millones de anestsicos al ao. En los ltimos 15 aos, ha habido un promedio de 4 muertes al
ao. Es un rcord de seguridad que no puede ser igualado por ninguna otra forma de anestesia
general.
Atentamente,
Sr. Y, (Presidente Electo) Sociedad para el Avance de la Anestesia en la Odontologa.
1
Comente la evidencia y el razonamiento (segn el contenido de las cartas) que lleva a ambas
conclusiones.
1/31

Métodos Cuantitativos

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Métodos Cuantitativos

Enviado por

Direitos autorais:

Formatos disponíveis

Mtodos

QM-A2-ES 1/2011 (1122)

Primera edicion publicada en Gran Bretana el 2003.

PRESENTACIN Y TRAYECTORIA PROFESIONAL

Matemticas Bsicas: Matemticas Escolares Aplicadas a la

Mtodos Cuantitativos Edinburgh Business School

Edinburgh Business School Mtodos Cuantitativos

Mtodos Cuantitativos Edinburgh Business School

Edinburgh Business School Mtodos Cuantitativos

Anlisis de Regresin Avanzado

Tcnicas de Series de Tiempos

Mtodos Cuantitativos Edinburgh Business School

Gestin de los Pronsticos

Exmenes Finales de Prctica

Respuestas a las Preguntas de Repaso

Edinburgh Business School Mtodos Cuantitativos

Mtodos Cuantitativos Edinburgh Business School

Mtodos Cuantitativos Edinburgh Business School

Introduccin a la Estadstica: Algunos

Lectura previa requerida: ninguna

Mtodos Cuantitativos Edinburgh Business School

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

Edinburgh Business School Mtodos Cuantitativos

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

Que un nio recin

Habr por lo menos un accidente

Que uno se levante a s

Mtodos Cuantitativos Edinburgh Business School

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

(a) Enfoque a priori. En este mtodo, la probabilidad de un acontecimiento se calcula

(b) Enfoque de la "frecuencia relativa". Cuando el suceso se ha repetido o se puede

Nmero de veces que se ha producido el suceso

Nmero de das de lluvia registrados

(c) Enfoque subjetivo. Un determinado sector de los profesionales de la estadstica (los

Edinburgh Business School Mtodos Cuantitativos

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

. Hay cuatro ases en

Distribuciones Estadsticas Discretas

Datos de ventas en EE. UU.

Mtodos Cuantitativos Edinburgh Business School

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

La Tabla 1.1 es una serie ordenada. Ahora se ve ms ordenado, pero no es posible an

Una tabla de frecuencias

Nota: significa "menor o igual a"; < significa "menor que".

Edinburgh Business School Mtodos Cuantitativos

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

El paso de la Tabla 1.2 a la Figura 1.3 es sencillo y obvio. No obstante, el histograma de

El histograma de frecuencias se puede convertir en un histogramas de probabilidades,

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

El histograma de probabilidades facilita el manejo de las probabilidades asociadas con

Distribuciones Estadsticas Continuas

Edinburgh Business School Mtodos Cuantitativos

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

extensin de la distribucin discreta. El proceso de extensin es el siguiente. (Se muestra el

Clases de variables (a)

Clases de variables (b)

Clases de variables (c)

El paso de la funcin discreta a la continua

Ahora surge una dificultad en cuanto a la medicin de probabilidades. En la distribucin

Mtodos Cuantitativos Edinburgh Business School

Mdulo 1 / Introduccin a la Estadstica: Algunos Usos Sencillos, Correctos e Incorrectos

P(50 < x < 55) = 0.05

P(50 < x < 60) = 0.12