Modelos para La Toma de Decisiones 2 - SEPTIEMBRE 2013 ALFA PDF

1
Pontificia Universidad Catlica Madre y Maestra

Recinto Santo Toms de Aquino
Vice Rectora de Post Grado
MG-617-T Modelos para la Toma de Decisiones

en honor a Carlos Dreyfus
Ing. Rubn Daro Estrella Snchez, MBA

Cavaliere dellordine al Merito della Repubblica Italiana
Ingeniero de Sistemas (UNIBE), Administrador (PUCMM), Matemtico (PUCMM), Telogo (UNEV)
y Maestro (SALOME UREA)
rubendarioestrella@hotmail.com ; rubenestrella@atalayadecristo.org
www.atalayadecristo.org
SEPTIEMBRE, 2013
[Mtodos Cuantitativos para Negocios I] | Ing. Rubn Daro Estrella, MBA Cavaliere 1
Ingeniero de Sistemas, Administrador, Matemtico, Telogo y Maestro
2
Bibliografa de Modelos Estadsticos.
o WEBSTER, Allen L. Estadstica Aplicada a los Negocios y la Economa. McGraw-Hill: Tercera

Edicin. 2000.
o LIND Douglas A., MARCHAL William G. and WATHEN Samuel A. Estadstica Aplicada a los
Negocios y a la Economa. McGraw-Hill. 15 Edicin. 2012.
o ANDERSON David, SWEENEY Dennis and WILLIAMS Thomas. Estadstica para Negocios y
Economa. CENGAGE Learning: 11 Edicin. 2012.
o TRIOLA, Mario F. Estadstica. PEARSON Addison Wesley. 11 Edicin. 2013.
o TRIOLA, Mario F. Estadstica. PEARSON Addison Wesley. Dcima Edicin. 2009.
o SPIEGEL Murray, SHILLER John and SRINIVASAN R. Alu. Probabilidad y Estadstica. Mc Graw
Hill. 3. Edicin Serie Shaum. 2010.
o NIEVES Antonio and DOMINGUEZ Federico. Probabilidad y Estadstica para Ingeniera un

enfoque moderno. Mc Graw Hill. 2010.
o HERNANDEZ SAMPIERI Roberto, FERNANDEZ COLLADO Carlos and BAPTISTA LUCIO

Pilar. Mtodos de la Investigacin. Mc Graw Hill. Quinta Edicin. 2010.
o GUTIERREZ PULIDO Humberto and DE LA VARA SALAZAR Romn. Control Estadstico de

Calidad y Seis Sigma 6. Mc Graw Hill. 2004
o JONSON Robert and KUBY Patricia. Estadstica Elemental Lo Esencial. International Thomson
Editores, S. A.: Tercera Edicin 2004.
o LIPSCHUTS Seymour and LIPSON Marc. PROBABILIDAD. Mc Graw Hill. Segunda Edicin.
2001.
o MILTON J. Susan and ARNOLD Jesse C. PROBABILIDAD Y ESTADISTICA. Mc Graw Hill.

Cuarta Edicin. 2004.
o MONTIEL A. M., RIUS F. And BARON F.J. Elementos Bsicos de Estadstica Econmica y
Empresarial. Prentice Hall: 1997.
o HOPKINS Kenneth, HOPKINS B.R. and GLASS Gene. Estadstica Bsica para las Ciencias
Sociales y del Comportamiento. Prentice Hall: Tercera Edicin. 1997.
o LAPIN Lawrence L. Statistics for Modern Business. The Dryden Press: 1995.
3
Conceptos Generales de Estadstica

La Estadstica:
Es una coleccin de mtodos para planear experimentos, obtener datos y luego

organizar, resumir, presentar, analizar, interpretar y llegar a conclusiones con base en
esos datos.
- Se ocupa de los mtodos y procedimientos para recoger, clasificar, resumir,

hallar regularidades y analizar los datos, siempre y cuando la variabilidad e
incertidumbre sea una causa intrnseca de los mismos; as como de realizar inferencias a
partir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular
predicciones.
- Es el arte y la ciencia de reunir, analizar, presentar e interpretar datos.
- Es un cuerpo de mtodos y teoras que es aplicado con evidencia numrica,

cuando se toman decisiones en presencia o situaciones de incertidumbre.
Estadstica Descriptiva:
Es el proceso de recopilacin, organizacin y presentacin de datos de alguna

manera que describa con rapidez y facilidad.
- Describe, analiza y representa un grupo de datos utilizando mtodos numricos y

grficos que resumen y presentan la informacin contenida en ellos.
- La estadstica descriptiva proporciona herramientas para organizar, simplificar y

resumir informacin bsica a partir de un conjunto de datos que de otra forma seria poco
manejable. Esta incluye la tabulacin, representacin y descripcin de conjuntos de
datos.
- La estadstica es descriptiva cuando los resultados del anlisis estadstico no

pretende ir mas all del conjunto de datos investigados.
4
Estadstica Inferencial:
Implica la utilizacin de una muestra para extraer alguna inferencia o conclusin

sobre la poblacin correspondiente.
- Apoyndose en el calculo de probabilidades y a partir de datos muestrales,

efecta estimaciones, decisiones, predicciones y otras generalizaciones sobre un
conjunto mayor de datos.
La estadstica es inferencial cuando se derivan conclusiones generales para un

conjunto de datos ms amplio a partir de la informacin proporcionada por los datos
estudiados.
Es el proceso de reunir datos obtenidos de una muestra para hacer estimaciones o

probar hiptesis acerca de las caractersticas de una poblacin.
Estadstica Descriptiva
Obtener datos o recopilacin

Organizar y resumir
Presentar
Estadstica Inferencial
Analizar
Interpretar
Llegar a conclusiones
5
Uso de la Estadstica en:
- Mercadeo.
- Investigacin de mercado.
- Encuestas
- Combinacin de productos y existencias.
- Publicidad.
- Gerencia de Operaciones.
- Pronsticos.
- Gestin de Calidad Total (TQM).
- Minimizacin de costos.
- Eliminacin de desperdicios.
- Localizacin.
- Ruta critica.
- Productividad.
- Simulacin.
- Teoras de colas.
- Finanzas
- Anlisis financieros.
- Economa.
- Anlisis econmicos.
- Impuestos y Gastos pblicos.
- Produccin nacional.
- Inflacin.
- Macroeconoma.
- Comercio internacional.
- Localizacin o Ubicacin de Negocios.
6
Conceptos Elementales de Estadstica.
Poblacin: Es la coleccin completa de todos los elementos (puntajes, personas,

mediciones, etc.) que se van a estudiar.
- Es una coleccin completa de todas las observaciones de inters para el

investigador.
Censo: Es la coleccin de datos de cada elemento de una poblacin.
Muestra: Es un subconjunto de elementos extrados de una poblacin.
- Es una porcin representativa de la poblacin, que se selecciona para su estudio

porque la poblacin es demasiado grande para analizarla en su totalidad.
Parmetro: Es una medicin numrica que describe alguna caracterstica de una

poblacin.
- Medida descriptiva de la poblacin completa de observaciones que tienen inters

para el investigador.
Estadstico: Es una medicin numrica que describe alguna caracterstica de una

muestra.
Variable: Caracterstica de la poblacin que se analiza en el estudio estadstico.
- Caracterstica observable de un aspecto discernible en un objeto de estudio que

puede adoptar diferentes valores o expresarse en varias categoras.
Clasificacin de las variables.
Segn el modo como se presentan estas caractersticas o propiedades las variables

se pueden clasificar de esta forma:
- Cualitativas o Cuantitativas
- Continuas o discontinuos (discretas)
- Dependientes o independientes
- Explicatorias o externas
- Generales, intermedias o empricas
7
Variables cualitativas: Son aquellas variables cuyos elementos de variacin tienen un

carcter cualitativo no susceptible de medicin numrica, por ejemplo el sexo de los
estudiantes de estadstica, el estado civil de los solicitantes de prestamos, preferencia
religiosa, etc.
Se pueden dividir en diferentes categoras que se distinguen por alguna

caracterstica no numrica.
Una variable cualitativa se mide por medios no numricos.
Los datos cualitativos emplean la escala de medicin nominal o la ordinal y

pueden ser no numricos o numricos.
Si la variable es cualitativa, el anlisis estadstico es bastante limitado. Podemos

resumir los datos cualitatitativos al contar el nmero de observaciones en cada categora
cualitativa, o bien, al calcular la proporcin de observaciones en cada categora
cualitativa.
Variables cuantitativas: Son aquellas cuyas caractersticas o propiedades pueden

presentarse en diversos grados o intensidad y tienen un carcter numrico, como por
ejemplo nivel de ingresos, desercin escolar, las calificaciones que los estudiantes
reciben en el examen final, el nmero de kilmetros que recorren los que asisten a la
universidad, etc.
Segn el nmero de valores que pueden tomar las variables cuantitativas se

distingue variables continuas y discontinuas.
Variables continuas: Son las que pueden tomar cualquier valor dentro de un intervalo
dado. Por muy prxima que puedan estar dos observaciones, si el instrumento de medida
tiene la precisin suficiente siempre puede haber una tercera observacin que caiga entre
las dos primeras. Los valores de una variable continua proceden en general de
mediciones, por ejemplo las cantidades de leche que las vacas producen son datos
continuos porque son mediciones que pueden asumir cualquier valor dentro de un
intervalo continuo.
Se pueden obtener de un nmero infinito de posibles valores que pueden asociarse

a puntos de una escala continua, de tal manera que no haya huecos ni interrupciones.
8
Variables discontinuas o discretas: Son las que pueden tomar valores intermedios
entre otros dos valores dados, han de hacerlo siempre con valores enteros, por ejemplo el
nmero de alumnos de una escuela, los socios de una cooperativa, etc.
Se obtienen de un nmero finito de posibles valores o bien de un nmero de

posibles valores que pueden contarse.
Slo puede tomar determinados valores, por lo general nmeros enteros. Puede
ser resultado de la enumeracin o del conteo. En ninguno de los casos se observaran
valores fraccionarios.
Consideradas conforme a la posicin que une a las variables entre s, se distingue entre
variables dependientes e independientes.
Variables dependientes (Y): Reciben este nombre las variables a explicar, o sea, el
objeto de la investigacin, que se trata de explicar en funcin de otros elementos.
Variables independientes (X): Son las variables explicativas, o sea, los factores o
elementos susceptibles de explicar las variables dependientes (en un experimento son las
variables que se manipulan).
Variables explicatorias: Son las propiedades que interesan directamente al investigador

en trminos de su modelo.
Variables externas: Son las que estn fuera del inters terico inmediato y que pueden
afectar los resultados de la investigacin emprica.
Variables generales: Se refieren a realidades no inmediatamente medibles.
Variables intermedias o intervenientes: Expresan algunos aspectos parciales de las

variables generales, pero ms concretos y cercanos a la realidad.
En algunos casos de anlisis de relacin causa-efecto, se introducen una o ms

variables de enlace interpretativo entre las variables dependientes e independientes. Se
trata de variables vinculadas funcionalmente a la variable dependiente y a la variable
independiente y que producen un efecto en la relacin existente entre esas variables.
Variables empricas: Representan aspectos directamente medibles y observables.
9
Clasificacin de las Variables segn el Nivel de Medicin
Los datos se renen mediante una de las siguientes escala de medicin: nominal,
ordinal, intervalo y de razn. La escala o nivel de medicin permite determinar la
cantidad de informacin que contienen los datos e indica el resumen de los datos y el
anlisis estadstico ms apropiado.
La escala para medir una caracterstica tiene implicaciones en la forma de

presentar y resumir la informacin; tambin determina el mtodo estadstico escogido
para analizar los datos.
Nivel de medicin nominal:
Se caracteriza por datos que consisten exclusivamente en nombres, rtulos o

categoras. Los datos no pueden acomodarse segn un esquema de ordenamiento.
Nombres o clases que se utilizan para organizar los datos en categoras separadas
y distintas.
La escala de medici para una variable es nominal cuando los datos son etiquetas
o nombres que se emplean para identificar un atributo del elemento.
Ejemplos:
El sexo de los estudiantes de esta clase de estadstica.
Las bebidas gaseosas refrescantes se pueden clasificar en: Coke, Pepsi, 7-Up o
Country Club.
La escala de medicin es nominal aun cuando los datos son mostrados como
valores numricos.
1. Coke
2. Pepsi
3. 7-Up
4. Country Club
El partido poltico al que pertenecen los miembros de las cmaras de senadores y
diputados del pas.
10
Los datos evaluados en escala nominal en ocasiones suelen llamarse observacones

cualitativas, porque describen una cualidad de la persona o casa estudiada, y
observaciones categricas, si los valores caen en categoras. En general, los datos
nominales o cualitativos se describen en trminos de porcentajes o proporciones. A
menudo se utilizan las tablas de contingencia y las grficas de barras para mostrar este
tipo de informacin.
Nivel de medicin ordinal.
La escala de medicin para una variable es ordinal si los datos tienen propiedades
de datos nominales y el orden de los datos es significativa.
Mediciones que jerarquizan los datos en categoras, ordenadas en virtud de un

determinado criterio.
Implica datos que pueden acomodarse en algn orden, pero no es posible

determinar diferencias entre los valores de los datos, o tales diferencias carecen de
significado.
Los datos para una escala ordinal podran ser no numricos o numricos.
Este nivel ordinal proporciona informacin sobre comparaciones relativas, pero

los grados de las diferencias no se pueden usar en clculos.
Ejemplos:
Los productos de un determinado almacn pueden ser clasificados como

"buenos", "mejores" y "ptimos".
Un editor califica algunos manuscritos como "excelentes", otros como "buenos" y

algunos como "malos". (No podemos encontrar una diferencia cuantitativa especifica
entre "bueno" y "malo").
La Revista Money clasificacin las inversiones a partir de los niveles de riesgos

"bajo", "alto" y "muy alto".
Nivel de medicin de intervalos.
La escala de medicin para una variable es una escala de intervalo si los datos
tienen las propiedades de datos ordinales y el intervalo entre observaciones se expresa
11
en trminos de una unidad fija de medida. Los datos de intervalos siempre son
numricos.
Es como el nivel ordinal, con la propiedad adicional de que podemos determinar

magnitudes de diferencias entre los datos que tienen algn significado. Sin embargo, no
hay un punto de partida o cero inherente (natural) en el que la cantidad este totalmente
ausente.
Mediciones respecto de una escala numrica en la cual el valor del cero es

arbitrario, pero la diferencia de valores es importante.
La escala Fahrenheit de temperaturas es un ejemplo de escala de intervalos: 70

grados no slo significan una temperatura mayor que 60 grados, sino que existe la
misma diferencia de 10 grados que entre 100 y 90 grados Fahrenheit.
Las temperaturas promedian anuales (en grados Celsius) de las capitales de todos
los estados de los Estados Unidos.
Los aos 1000, 2000, 1776 y 1944.
Nivel de medicin de proporcin o de razn.
La Escala de medicin para una variable es una escala de razn si los datos tienen
todas las propiedades de los datos de intervalos y el cociente de los dos valores es
significativa. Variables como distancia, peso, altura y tiempo emplean la escala de
razn. Un requisito de esta escala es que pede contener un valor cero que indica que no
existe nada para una variable en el punto cero.
Mediciones numricas en las cuales el cero es un valor fijo en cualquier escala y

la diferencia de valores es importante.
Es el nivel de intervalo modificado para incluir el punto de partida o cero
inherente (donde cero indica que nada de la cantidad esta presente). Para los valores de
este nivel, tanto las diferencias como las razones tienen significado.
De los cuatro niveles de medicin, slo la escala de proporcin o de razn se basa

en un sistema numrico en el cual el cero tiene sentido. Por consiguiente, las
operaciones aritmticas de multiplicacin y divisin tambin adquieren una
interpretacin racional.
12
Mediciones tales como el peso, el tiempo y la distancia se miden en escala de

proporcin, puesto que el cero ocupa un lugar natural.
Ejemplo:
Distancia (en kilmetros) recorridas por automviles en una prueba de consumo

de combustible.
Longitudes (en minutos) de pelculas de cine.
Los valores de cada una estas colecciones de datos se pueden acomodar en orden,
las diferencias pueden calcularse y existe un punto de partida o cero inherente. Este
nivel se denomina "razn" porque el punto de partida hace que las razones o cocientes
tengan significado.
Nivel Resumen Ejemplo Observacin

Nominal Slo categoras. Los Autos de estudiantes: Slo categoras o
datos no pueden 10 Mercedes Benz nombres
acomodarse en un 20 BMW
esquema de 40 Toyota
ordenamiento.
Ordinal Las categoras estn Vehculos de los Se determina un
ordenadas, pero no estudiantes: orden con
es posible determinar 10 compactos compactos,
diferencias, o stas 20 medianos medianos y
carecen de 40 grandes grandes.
significado.
De Intervalo Se pueden calcular Temperaturas: 90 no es dos veces
diferencias entre 45 C ms caliente que 45
valores, pero no 80 C C.
existe un punto de 90 C
partida inherente.
Los cocientes no
tienen significado.
De Razn Igual que el Pesos de deportistas 140 kg es dos veces
intervalo, pero con universitarios: 70 kg.
un punto de partida 70 kg
inherente. Los 85 kg
cocientes tienen 140 kg
significado
13
Estudio Experimental: En este estudio primero se identifican las variables de inters.

Luego se identifican o controlan una o ms variables, de modo que se puedan obtener
datos de cmo influyen en la variable de inters. Por ejemplo, a una empresa
farmacutica le puede interesar un experimento para determinar la forma en que una
nueva medicina afecta la presin sangunea.
Es cuando aplicamos algn tratamiento y luego procedemos a observar su efecto

sobre los sujetos.
Estudio estadstico No Experimentales u Observasionales: No se trata de controlar

las variables de inters, ni de influir sobre ellas. Quizs el tipo ms comn de estudio
observasional es la encuesta. Por ejemplo, para una encuesta personal se identifican
primero las preguntas de investigacin; a continuacin se disea un cuestionario y se
administra a una nuestra de individuos.
En este estudio observamos y medimos caractersticas especificas, pero no

intentamos manipular ni modificar los sujetos que estamos estudiando.
- Es una porcin representativa de la poblacin, que se selecciona para su estudio

porque la poblacin es demasiado grande para analizarla en su totalidad.
Muestra Aleatoria o Probabilstica: Se seleccionan los miembros de la poblacin de

modo que cada uno tenga la misma probabilidad de ser escogido.
Son muestras en que los elementos a seleccionar se obtienen con base en la

probabilidad. Cada elemento de una poblacin tiene cierta probabilidad de ser elegido
como parte de la muestra.
Muestra Aleatoria Simple: Una muestra es seleccionada de modo que todos los
elementos de la poblacin tienen la misma probabilidad de ser elegidos. De igual
manera, todas las muestras de tamao n tienen la misma posibilidad de ser elegidas. La
muestras aleatorias simples se obtienen por muestreo con reemplazo en una poblacin
finita o por muestreo sin reemplazo en una poblacin sin reemprazo.
Una muestra aleatoria simple de n sujetos se selecciona de tal manera que toda
posible muestra de tamao n tenga la misma probabilidad de ser escogida.
14
Muestreo Estratificado: Subdividimos la poblacin en por lo menos dos

subpoblaciones (o estratos) distintas que comparten categoras (como genero), y luego
sacamos una muestra de cada estrato.
Si los tamaos de muestra de los distintos estratos reflejan la poblacin general,

decimos que tenemos un muestreo proporcional.
Muestra que se obtinen al estratificar el marco muestral y luego seleccionar un

nmero fijo de elementos de cada uno de los estratos pro promedio de una tcnica de
muestreo aleatorio simple.
Muestreo Proporcional: Muestra que se obtinene al estratificar el marco muestral y

luego seleccionar de cada estrato un nmero de elementos en proporcin al tamao de
los estratos, por medio de una tcnica de muestreo aleatorio simple.
Cuando se extrae una muestra aleatoria proporcional, el marco muestral se

subdivide en varios estratos y luego de cada estrato se extrae una submuestra. Una
forma conveniente de expresar el concepto de muestreo proporcional es establecer una
proporcin. Por ejemplo, uno de cada 150, le induce a seleccionar un (1) elemento
por cada 150 elementos en el estrato.
Muestreo sistemtico: Seleccionamos un punto inicial y luego seleccionamos cada k-

simo (digamos, cada quincuagsimo) elemento de la poblacin.
La tcnica sistemtica es fcil de describir y ejecutar; no obstante, conlleva

algunos peligros cuando el marco muestral es repetitivo o de naturaleza cclica. En estas
condiciones, puede que los resultados no se aproximen a una muestra aleatoria simple.
Muestreo por cmulos o conglomerados: Muestreo que se obtiene al muestrear

algunas, pero no todas, las subdivisiones posibles que hay dentro de una poblacin.
Estas subdivisiones, denominadas conglomerados, a menudo ocurren de manera natural
dentro de la poblacin.
Primero dividimos el rea de la poblacin en secciones (o cmulos) y luego

seleccionamos aleatoriamente unas cuantas de esas secciones escogiendo todos los
miembros de las secciones seleccionadas.
Una diferencia importante entre el muestreo por cmulos y el estratificado es que

en el muestreo por cmulos se usan todos los miembros de cmulos seleccionados,
15
mientras que en el muestreo estratificado se usa una muestra de miembros de cada

estrato.
Muestreo de conveniencia o de juicio: Simplemente utilizamos resultados que ya estn

disponibles.
Las muestras son elegidas con base en el hecho de que son tpicas.
Cuando se obtiene una muestra de juicio, la persona que elabora la muestra elige
unidades que considera representativas de la poblacin. La validez de los resultados de
una muestra de juicio refleja la solidez del juicio del recolector de datos.
Error de muestreo: Es la diferencia entre el resultado de una muestra y el verdadero

resultado de la poblacin; tal error es consecuencia de las fluctuaciones aleatorias de las
muestras.
Error de muestreo: Este error ocurre cuando los datos de una muestra se obtienen,
registran o analizan de forma incorrecta. Tal error es consecuencia de una equivocacin
y no de una fluctuacin aleatoria y predispuesta, cuando se usa un instrumento de
medicin defectuoso, cuando se hacen preguntas predispuestas en una encuesta, cuando
mucha gente se niega a responder o cuando se cometen errores al copiar los datos de la
muestra.
Sesgo muestral: Tendencia a favorecer la eleccin de unos determinados elementos de

la muestra en detrimento de otros.
Este anlisis de las muestras conduce a distinguir entre las dos ramas principales
del anlisis estadstico: 1) Estadstica descriptiva o deductiva, y 2) Estadstica inferencial
o inductiva.
16
Tabla de Frecuencias y Grficos Estadsticos
Herramientas estadsticas que resultan de particular utilidad para organizar los datos.
- Tabla de frecuencia es un resumen tabular de un conjunto datos donde se
muestra la frecuencia (o cantidad) del objeto de estudio en cada una de varias
clases.
270 273 258 204 254 228 282

278 201 264 265 223 274 230
250 275 281 271 263 277 275
278 260 262 273 274 286 236
290 286 278 283 262 277 295
274 272 265 275 263 251 289
242 284 241 276 200 278 283
269 282 267 282 272 277 261
257 278 295 270 268 286 262
272 268 283 256 206 277 252
265 263 281 268 280 289 283
263 273 209 259 287 269 277
234 282 276 272 257 267 204
270 285 273 269 284 276 286
273 289 263 270 279 206 270
270 268 218 251 252 284 278
277 208 271 208 280 269 270
294 292 289 290 215 284 283
279 275 223 220 281 268 272
268 279 217 259 291 291 281
230 276 225 282 276 289 288
268 242 283 277 285 293 248
278 285 292 282 287 277 266
268 273 270 256 297 280 256
262 268 262 293 290 274 292
17
TABLA DE
FRECUENCIA
CLASES FREC. FREC. FREC FREC. MARCA FREC.

.
LI LS ABS. REL. ABS. REL. DE X MARCA
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
- Grficos que pueden proporcionar una representacin visual de los datos.
Grficos.
18
HISTOGRAMA.
Consiste en una escala horizontal para valores de los datos que se estn
representando, una escala vertical para las frecuencias, y barras que representan la
frecuencia de cada clase de valores.
El eje horizontal pueden ser colocadas las marcas de clase.
Coloca las clases de una distribucin de frecuencia en el eje horizontal y las
frecuencias en el eje vertical.
60 52
50
38
40 32
FRECUENCIAS 30
20 14 14
9
10 3 5 4 4
0
204,5 214,5 224,5 234,5 244,5 254,5 264,5 274,5 284,5 294,5
MARCAS DE CLASES
TABLA DE
FRECUENCIA

.
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
19
HISTOGRAMA DE FRECUENCIA RELATIVA.
Tiene la misma forma y escala horizontal que un histograma, pero la escala

vertical se marcara con frecuencias relativas en lugar de frecuencias reales o absolutas.
0,350 0,297
0,300
0,250 0,217
0,183
0,200
FRECUENCIAS RELATIVAS
0,150
0,080 0,080
0,100 0,051
0,050 0,017 0,029 0,023 0,023
0,000 5
5
4,
4,
4,
4,
4,
4,
4,
4,
4,
4,
20
21
22
23
24
25
26
27
28
29
MARCAS DE CLASES
TABLA DE
FRECUENCIA

.
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
20
DIAGRAMA DE BARRAS.
Este puede mostrar cantidades o porcentajes para dos o ms valores sobre el eje
vertical.
Es una forma de grfica de representar datos cualitativos que se han resumido en
una distribucin de frecuencias, de frecuencias relativas o porcentuales. Para los datos
cualitativos, las barras deben estar separadas par enfatizar el hecho de que cada clase
(categora) es separada.
Relacion Ingresos/Costos
30000
20000 Ingresos
10000 Costos
0
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
Unidades Producidas y Vendidas
ANALISIS DE PUNTO DE
EQUILIBRIO
CANTIDAD COSTO PRECIO COSTO COSTO PRECIO

UNIDADES UNITARIO FIJO VARIABL TOTAL UNITARI INGRESOS BENEFICI
E O O
10 60 7.500 600 8.100 130 1.300 -6.800
20 60 7.500 1.200 8.700 130 2.600 -6.100
30 60 7.500 1.800 9.300 130 3.900 -5.400
40 60 7.500 2.400 9.900 130 5.200 -4.700
50 60 7.500 3.000 10.500 130 6.500 -4.000
60 60 7.500 3.600 11.100 130 7.800 -3.300
70 60 7.500 4.200 11.700 130 9.100 -2.600
80 60 7.500 4.800 12.300 130 10.400 -1.900
90 60 7.500 5.400 12.900 130 11.700 -1.200
100 60 7.500 6.000 13.500 130 13.000 -500
110 60 7.500 6.600 14.100 130 14.300 200
120 60 7.500 7.200 14.700 130 15.600 900
130 60 7.500 7.800 15.300 130 16.900 1.600
140 60 7.500 8.400 15.900 130 18.200 2.300
150 60 7.500 9.000 16.500 130 19.500 3.000
160 60 7.500 9.600 17.100 130 20.800 3.700
170 60 7.500 10.200 17.700 130 22.100 4.400
21
180 60 7.500 10.800 18.300 130 23.400 5.100

190 60 7.500 11.400 18.900 130 24.700 5.800
200 60 7.500 12.000 19.500 130 26.000 6.500
DIAGRAMA DE TALLO Y HOJAS.
En una grafica de tallo y hojas ordenamos los datos segn un patrn que revela la
distribucin subyacente. Dicho patrn implica separar un numero (como 257) en dos
partes, por lo regular el primer digito o los dos primeros (25) y los dems dgitos (7). El
tallo consiste en los dgitos de la izquierda (en este caso 25) y las hojas consisten en los
dgitos de la derecha (en este caso 7).
DIAGRAMA DE TALLOS Y HOJAS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39
20 0 1 4 4 6 6 8 8 9
21 5 7 8
22 0 3 3 5 8
23 0 0 4 6
24 1 2 2 8
25 0 1 1 2 2 4 6 6 6 7 7 8 9 9
26 0 1 2 2 2 2 2 3 3 3 3 3 4 5 5 5 6 7 7 8 8 8 8 8 8 8 8 8 9 9 9 9
27 0 0 0 0 0 0 0 0 1 1 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 6 7 7 7 7 7
28 0 0 0 1 1 1 1 2 2 2 2 2 2 3 3 3 3 3 3 4 4 4 4 5 5 5 6 6 6 6 7 7 8 9 9 9 9 9
29 0 0 0 1 1 2 2 2 3 3 4 5 5 7
22
POLIGONOS DE FRECUENCIA Y POLIGONO DE PORCENTAJE.
El proceso de construccin de un polgono de frecuencias es similar al del

histograma excepto que slo un punto sobre el punto medio de cada intervalo se utiliza
para indicar la frecuencia y los puntos adyacentes se conectan mediante segmentos de
lneas.
60
50 52
40 38
FRECUENCIAS 30 32
20
14 14
10 9
3 5 4 4
0
204,5 214,5 224,5 234,5 244,5 254,5 264,5 274,5 284,5 294,5
MARCAS DE CLASES
TABLA DE
FRECUENCIA

.
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
23
GRAFICA DE SERIES DE TIEMPO.
Es una grafica de lnea en la que la lnea base representa el tiempo.
ESTUDIANTES MATRICULADOS EN EL NIVEL

SUPERIOR, POR INSTITUCION.
INSTITUCI AO DE
N AOS
FUNDACIO 1994 1995 1996 1997
N
UASD 1538
41.139 51.432 62.058 81.753
PUCMM 1962
8.560 8.816 9.081 9.438
UNPHU 1967
6.124 6.171 6.220 6.044
INTEC 1974
3.074 2.369 2.335 2.803
UNIBE 1982
1.747 1.665 1.910 1.947
24
ESTUDIANTES MATRICULADOS EN
EL NIVEL SUPERIOR
90.000
80.000
70.000
60.000
UASD
50.000
PUCMM
40.000
30.000 UNPHU
20.000 INTEC
10.000 UNIBE
-
1994 1995 1996 1997
25
CURVA DE OJIVA.
1,2000
1,0000 0,9200
0,8000 0,7029
FRECUENCIAS
0,6000
ACUMULADAS
0,4000 0,4057
0,2229
0,2000 0,1200 0,1429
0,0686 0,0971
0,0514
0,0000
204,5 214,5 224,5 234,5 244,5 254,5 264,5 274,5 284,5 29
MARCAS DE CLASES
Es una grfica de una distribucin acumulada. Los valores de los datos estn en el
eje horizontal y las frecuencias acumuladas, frecuencias relativas acumuladas se
muestran en el eje vertical.
TABLA DE
FRECUENCIA

.
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
26
DIAGRAMA DE PARETO.
Es una grafica de barras en la que las barras se acomodan en orden segn la

frecuencia. Al igual que los histogramas, las escalas verticales de los diagramas de
Pareto pueden representar frecuencias o frecuencias relativas.
En este la barra mas alta queda a la izquierda, y la ms pequea a la derecha.
Paises o territorios con mayor

numero de inmigrantes
25.000.000
20.000.000
15.000.000
10.000.000
5.000.000
0
Reino Unido
Estados Unidos
Hong Kong
Arabia Saudita
Alemania
Argentina
Iran
Costa Avorio
Canada
Italia
Francia
Pases o territorios con el mayor numero de

inmigrantes
Datos del 1990
Pas o territorio Numero
de
Inmigrant
es
Estados Unidos 19.602.72
5
Francia 5.897.370
Alemania 5.037.072
Canad 4.265.626
Arabia Saudita 4.037.518
Reino Unido 3.718.295
Irn 3.587.697
Costa Avorio 3.440.419
Hong Kong 2.271.226
Argentina 1.675.033
Italia 1.549.259
27
DIAGRAMA CIRCULAR, DE SECTORES O TORTAS.

Es de especial utilidad para mostrar proporciones (porcentajes) relativas de una
variable. Se utiliza para representar variables cualitativas.
Por ejemplo si una determinada categora representa el 57.8% del total de los
datos u observaciones, el ngulo central deber ser de 0.578 x 360 = 208.
TABLA DE
FRECUENCIA

.
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
5% 3%
8% 2%
2%
200 - 209
2% 210 - 219
220 - 229
8%
22%
230 - 239
240 - 249
250 - 259
260 - 269
18%
270 - 279
280 - 289
30%
290 - 299
28
PICTOGRAMA.
Expresan con dibujos alusivos al tema de estudio las frecuencias de las

modalidades de la variable. Estos grficos se hacen representado en diferentes escalas
un mismo dibujo.
La escala de los dibujos debe ser tal que el area de cada uno de ellos sea
proporcional a la frecuencia de la modalidad que representa. Se utiliza para representar
variables cualitativas.
DIAGRAMA DE DISPERSION O DISPERSIOGRAMA.

Hay ocasiones en que tenemos datos apareados de manera que se establece una
correspondencia entre cada valor de un conjunto de datos y un valor de un segundo
conjunto de datos.
Un diagrama de dispersin es una grafica de los datos (x,y) apareados con un eje
"x" horizontal y un eje "y" vertical.
En un diagrama de dispersin cada marca (punto o raya) representa la interseccin
de dos valores - hay una marca para cada par de observaciones de los temas. El
propsito principal de la grafica es mostrar de manera grafica la relacin entre dos. La
relacin no es lineal sino curvilnea.
CAMPAA PUBLICITARIA PARA
VENTAS DE PASAJES AEREOS
Y X Y
OBSERVACI VENTAS PUBLICIDA 4.38625+1.08132
S. D X
MES EN EN MILES
MILES
1 15 10 15,20
2 17 12 17,36
3 13 8 13,04
4 23 17 22,77
5 16 10 15,20
6 21 15 20,61
7 14 10 15,20
8 20 14 19,52
9 24 19 24,93
10 17 10 15,20
11 16 11 16,28
12 18 13 18,44
13 23 16 21,69
14 15 10 15,20
15 16 12 17,36
TOTALES 268 187
29
Pasajes Aereos vendidos en base a la publicidad
30,00
25,00
20,00
15,00 Pasajes Aereos
10,00
5,00
0,00
0 5 10 15 20
30
Medidas de Tendencias Central

Una medida de tendencia central es un valor que est en el centro o punto medio
de un conjunto de datos.
Es una medida que ubica e identifica el punto alrededor del cual se centran los
datos.
Es un valor nmerico que localiza, de alguna manera el centro de un conjunto de

datos.
La Media Aritmtica
La Media Aritmtica o Promedio de un conjunto de puntajes es el valor que se obtiene
sumando los puntajes y dividiendo el total entre el numero de puntajes.
La media es el punto que menos dista de todas las observaciones. Por esta razn a
veces se le considera como el centro de gravedad de los datos.
La media es un una medida ms confiable que la mediana y la moda, porque tiene

un menor error de muestreo. Adems la media tambin tiene ms facilidad para un
tratamiento estadstico posterior que la mediana o la moda.
Es una medida que toma en consideracin todos los valores de la distribucin.

Esto es positivo, pero por la misma razn es muy sensible a la presentacin de
observaciones extremas que hacen que la media se desplace hacia ellas. En
consecuencia no es recomendable usar la media como medida de tendencia central en
estos casos, pues la cantidad obenida no es representativa del total de los datos.
Tiene la ventaja de que es la nica y siempre se puede calcular. Pero cuando se

trabaja con datos agrupados, la divisin en intervalos influye en el valor resultatne de la
media.
La media es el estadstico de centralizacin ms utilizado para realizar inferencias

debido a una buena propiedad matemtica que posee: es el centro de gravedad de la
distribucin. Depende de todas y cada una de las observaciones.
El valor de la media puede no coincidir con uno de los valores de la variable. Si
consideramos una variable discreta, por ejemplo, nmero de hijos en las familias de un
barrio el valor de la media puede resultar x=2.5 hijos, que no pertenece al conjunto de
valores de la variable.
La media es el promedio ms utilizado.

31
Para datos no agrupados:
Media Poblacional = Xi/N =(X1 + X2 + X3...XN)/N
Media Muestral = Xi/n=(X1 + X2 + X3...XN)/n
Para datos agrupados:
Media = *M/n=M/=(1*M1+2*M2+...n*Mn)/
La Mediana o Media Posicional

La Mediana o Media Posicional de un conjunto de puntajes es el valor que esta en
medio, cuando los puntajes se acomodan en orden de magnitud creciente (o decreciente).
La mediana deja a un lado y al otro lado de la distribucin el mismo nmero de

observaciones.
Como medida descriptiva, tiene la ventaja de no estar afectada por las

observaciones extremas, ya que no depende de los valores que toma la varible, sino del
orden de los mismos. Por ello, es adecuado su uso en distribuciones que presentan
observaciones extremadamente grandes o pequeas.
La mediana es la medida de localizacin que se utiliza con ms frecuencia para

datos de ingreso anual y valores catastrales, pues con unos pocos ingreos o con
propieades extremadamente grandes se puede inflar la media. En esos casos, la mediana
es una mejor medida de la tendencia central.
La mediana es el valor de la variable que deja por encima y por debajo la misma
cantidad de datos (una vesz que stos han sido ordenados de menor a mayor). Al
contrario de la media, en su clculo no interviene ms que el valor (o valores centrales).
Esta particularidad ofrece:
Ventajas: No se ve afectada por la aparicin de observaciones anmalas. Por ello,

en tales casos la podemos considerar como una medida ms representativa de la mayor
parte de los datos que la media.
Inconvenientes: No utiliza toda la informacin de los datos (slo los valores

centrales).
32
Posicin de la Mediana = (n + 1)/2
1.- Si el numero de puntajes es impar, la mediana es el numero que esta situado

exactamente a la mitad de la lista.
2.- Si el numero de puntaje es par, la mediana se obtiene calculando la media de los dos
nmeros que estn a la mitad.
Me = LImd + [(n/2 - F)/fmd] (C)
md = clase mediana
Clase Mediana es la clase cuya frecuencia acumulada es mayor que o igual a n/2.
LImd = limite inferior de la clase de la mediana.
F = frecuencia acumulada de la clase que

antecede a la clase de la mediana.
fmd = es la frecuencia de la clase de la mediana.

C = Es la anchura de la clase (es la diferencia
entre dos LS consecutivos o entre dos LI
consecutivos).
La Moda
La Moda de un conjunto de datos es el puntaje que ocurre con mas frecuencia.
La observacin modal es la observacin que ocurre con mayor frecuencia.
Es el punto donde donde se concentra el mayor nmero de observaciones.
Se puede calcular para todo tipo de variables, incluidas las cualitativas.
Puede no ser nica. Cuando hay dos o ms modas hablamos de distribuciones

bimodales o plurimodales respectivamente.
33

Mo = Mayor Frecuencia
Mo = LImo + [1/(2+1)]*(C)
mo = clase modal
Clase Modal es la clase que tiene la mayor frecuencia.
LImo = limite inferior de la clase modal
1 = diferencia entre la frecuencia de la clase
modal y la clase que la antecede.
modal y la clase que le sigue.
consecutivos).
La Mediana Ponderada
Media Ponderada: Media de una coleccin de puntajes a los que se asignado
diferentes grados de importancia.
Media Ponderada w = (X*W)/W
W = es el peso o ponderacin asignada a cada
Observacin.
La Media Geomtrica
Media Geomtrica puede utilizarse para mostrar los cambios porcentuales en una serie
de nmeros positivos.
La media geomtrica proporciona una medida precisa de un cambio porcentual
promedio en una serie de nmeros.
MG = X1*X2*X3*...Xn
La media geomtrica se utiliza con mas frecuencia para calcular la tasa de crecimiento
porcentual promedio de algunas series dadas, a travs del tiempo.
TAREA: RELACION ENTRE LA MEDIA, MEDIANA Y MODA.
VENTAJAS Y DESVENTAJAS
OBSERVACIONES PARA EL USO DE LAS MISMAS.
Observaciones:
1. La media se usa para datos numricos y distribuciones simtricas (no sesgadas o
cargadas).
2. La mediana se utiliza para datos ordinales o para datos numricos si la
distribucin est cargada o sesgada.
3. La moda se utiliza principalmente para distribuciones bimodales.
34
MEDIA ARITMETICA:
Media Poblacional = Xi/N =(X1 + X2 + X3...XN)/N
Media Muestral = Xi/n=(X1 + X2 + X3...XN)/n
Media = *M/n=M/=(1*M1+2*M2+...n*Mn)/
MEDIANA
Posicin de la Mediana = (n + 1)/2
Me = LImd + [(n/2 - F)/fmd] (C)
md = clase mediana
Clase Mediana es la clase cuya frecuencia acumulada es mayor que o igual a n/2.
LImd = limite inferior de la clase de la mediana.
F = frecuencia acumulada de la clase que
antecede a la clase de la mediana.
fmd = es la frecuencia de la clase de la mediana.
consecutivos).
MODA
Mo = Mayor Frecuencia
Mo = LImo + [1/(2+1)]*(C)
mo = clase modal
Clase Modal es la clase que tiene la mayor frecuencia.
LImo = limite inferior de la clase modal
modal y la clase que la antecede.
modal y la clase que le sigue.
consecutivos).
35
MEDIDAS DE DISPERSION O VARIABILIDAD.
Las medidas de dispersin miden que tanto se dispersan las observaciones

alrededor de su media. El propsito de estas es cuantificar el grado de variacin entre el
conjunto de valores de una distribucin.
La variabilidad se refiere a que tan grandes son las diferencias entre los valores
evaluados.
EL RANGO O RECORRIDO (INTERVALO).
Es la medida de dispersin ms simple y menos til. Esta se obtiene de la

diferencia entre la observacin ms alta y la mas baja.
Re = X mx X mn
VALORES DE DESVIACION.
Para la variabilidad, se consideran las diferencias entre la media y cada valor.

Estas diferencias se llaman valores de desviacin.
Valores de desviacin = X-
_
Valores de desviacin = X-X
VARIANZA.
Es el promedio de las observaciones respecto a su media elevadas al cuadrado.

Es la media de la diferencia cuadrticas de N puntuaciones en relacin a su media
aritmtica.
La varianza es til para comparar la dispersin, o variabilidad, de dos conjuntos

de tatos. Al comparar conjuntos de datos, el que tiene mayor varianza tiene mayor
dispersin o variabilidad.
La Varianza para una Poblacin ( = suma de cuadrados).

=[(Xi-)]/N
0
Procedimiento para calcular La Varianza para una Poblacin ( = suma de
cuadrados)
36
1. Encuentre la desviacin de cada valor de la media: Valores de desviacin = X-

2. Eleve al cuadrado cada valor de desviacin: (Xi-)
3. Realice la sumatoria de cada valor de desviacin elevado al cuadrado: (Xi-
)
4. Encuentre la varianza dividiendo la sumatoria anterior entre N (totalidad de las
observaciones).
La Varianza para una muestra de datos no agrupados (s).
s=[(Xi-X)]/n-1
La Varianza de la muestra de datos agrupados (s).
s=[M-nX]/n-1
LA DESVIACION ESTANDAR.
Es la raz cuadrada de la varianza. Es una medida importante de la dispersin de

los datos.
Esta regresa a la medicin de los valores originales, as tiene mas valor

descriptivo directo.
La desviacin estndar es ms til para describir la variabilidad de un conjunto de

datos que la varianza. La desviacin estndar lleva las mismas unidades que los valores
originales.
La Desviacin Estndar para una poblacin.
La Desviacin Estndar para una muestra.
s=s
37
La Desviacin Media o Absoluta.
Se define como el promedio de la suma de las diferencias en valor absoluto de los

valores de la variable con respecto a la media.
Desviacin media= |Xi-X|/n
Coeficiente de Variacin.
Este sirve como medida relativa de dispersin. Determina el grado de dispersin

de un conjunto de datos relativo a su media.
CV = s/X(100)
38
Los Cuantiles.
Cuando los valores ordenados de una variable han de ser divididos en grupos
homogneos en cuanto al tamao, se suelen utilizar los cuantiles.
Entre los cuantiles ms utilizados se encuentran:
Los cuartiles Q
Los deciles D
Los percentiles P
Cuartiles.
As como la mediana divide los datos en dos partes iguales, los tres cuartiles,
denotados por Q1, Q2 y Q3, dividen los puntajes clasificados en cuatro partes iguales.
(Los puntajes se clasifican cuando se acomodan en orden). A grandes rasgos:
Q1 separa el 25% inferior de los puntajes clasificados del 75% superior;

- al menos el 25% de los datos es <= Q1
- al menos el 75% de los datos es >= Q1
- N/4 = 25
- Q1 = P25
Q2 es la mediana;
- 2N/4 = 50
- Q2 = P50
Q3 separa el 25% superior del 75% inferior

- al menos el 75% de los datos es <= Q3
- al menos el 25% de los datos es >= Q3
- 3N/4 = 75
- Q3 = P75
Los Deciles.
Hay nueve deciles, denotados por D1, D2, D3, D4, D5, D6, D7, D8, D9, que
dividen los datos en 10 grupos con aproximadamente el 10% de los datos en cada
grupo.
39
El primer decil es la observacin debajo de la cual se encuentra el 10% de las

observaciones, mientras que el 90% restante se encuentra encima de este.
- al menos el 10% de los datos es <= D1
- al menos el 90% de los datos es >= D1
D1 = P10
D2 = P20
D3 = P30
:
.
D9 = P90
Los Percentiles.
Hay 99 percentiles (P1, P2, P3 ... P99), que dividen los datos en 100 grupos con
aproximadamente el 1% de los puntajes en cada grupo.
- al menos el 1% de los datos es <= P1
- al menos el 99% de los datos es >= P1
Ubicacin de un Percentil.
Lp = (n + 1) (P/100)
Lp es el sitio del percentil deseado en una serie ordenada.

n es el numero de observaciones
P es el percentil deseado
Percentil de un puntaje.
Percentil del puntaje x = numero de puntajes menores que x . 100

numero total de puntajes
Otras Medidas de Tendencia Central con los Cuantiles.

intervalo intercuartiles = Q3 - Q1
intervalo semiintercuartiles = Q3 - Q1
(desviacin del cuartil) 2
cuartil medio = Q3 + Q1
2
intervalo de percentiles 10-90 = P90 - P10
40
Los cuartiles (Q) para datos agrupados

TABLA DE
FRECUENCIA

.
ACU ACUM. CLASE DE
M. CLASE
1 200 209 9 0,051 9 0,0514 204,5 1.840,50
2 210 219 3 0,017 12 0,0686 214,5 643,50
3 220 229 5 0,029 17 0,0971 224,5 1.122,50
4 230 239 4 0,023 21 0,1200 234,5 938,00
5 240 249 4 0,023 25 0,1429 244,5 978,00
6 250 259 14 0,080 39 0,2229 254,5 3.563,00
7 260 269 32 0,183 71 0,4057 264,5 8.464,00
8 270 279 52 0,297 123 0,7029 274,5 14.274,00
9 280 289 38 0,217 161 0,9200 284,5 10.811,00
10 290 299 14 0,080 175 1,0000 294,5 4.123,00
TOTALE 175 1,000 46.757,50
S
Q1 = LI + N/4 Fi-1 * C
fi
N/4 = 43.75; primera Fi > N/4 = 71
Q1 = 260 + 43.75 39 * (10) = 261.48
32
Q2 = LI + 2N/4 Fi-1 * C
fi
2N/ 4 = 87.50; primera Fi > 2N/4 = 123
Q2 = 270 + 87.50 71 * (10) = 273.17
52
Q3 = LI + 3N/4 Fi-1 * C
fi
3N/4 = 131.25; primera Fi > 3N/4 = 161
Q3 = 280 + 131.25 123 * (10) = 282.17
38
41
CUARTILES Q1 VALOR QUE OCUPA N/4

Q2 VALOR QUE OCUPA 2N/4
Q3 VALOR QUE OCUPA 3N/4
DECILES D1 VALOR QUE OCUPA N/10

D2 VALOR QUE OCUPA 2N/10
D9 VALOR QUE OCUPA 9N/10
PERCENTILES P1 VALOR QUE OCUPA N/100

P2 VALOR QUE OCUPA 2N/100
P99 VALOR QUE OCUPA 99N/100
42
Usos frecuentes de la desviacin estndar.
Teorema de Chebyshev (matemtico ruso P.L. Chebyshev 1821-1894)
La proporcin (o fraccin) de cualquier conjunto de datos que queda a menos de

K desviaciones estndar de la media siempre es al menos 1 - 1/K, donde K es cualquier
numero positivo mayor que 1. Para K = 2 y K = 3, obtenemos los dos resultados
especficos siguientes:
- Al menos 3/4 (o el 75%) de todos los puntajes quedan a menos de 2 desviaciones

estndar de la media (x-2s a x+2s).
- Al menos 8/9 (o el 89%) de todos los puntajes quedan a menos de 3 desviaciones

estndar de la media (x-3s a x+3s).
43
La distribucin normal (o gaussiana) y la regla emprica.
La distribucin normal es una distribucin de datos continuos(*) (no discretos)

que produce una curva simtrica en forma de campana.
La distribucin gaussiana fue presentada por Karl Friedrich Gauss (1777-1855) en

el 1812.
La campana de Gauss o curva de distribucin normal, curva de probabilidad

normal; se caracteriza por:
- Es unimodal.
- Es simtrica (la simetra es perfecta).
- La mitad izquierda de su histograma es aproximadamente una imagen especular
de su mitad derecha.
- La asimetra de la distribucin es cero.
- Las colas de la curva se aproximan mas, pero nunca tocan, el eje horizontal.
- La media, la mediana y la moda son iguales.
- La mitad de las observaciones esta por encima de la media y la mitad esta por
debajo.
- Si las observaciones estn altamente dispersas, la curva en forma de campana se
aplanara y se esparcir.
(*) Variables continuas:
Son las que pueden tomar cualquier valor dentro de un intervalo dado. Por muy
prxima que puedan estar dos observaciones, si el instrumento de medida tiene la
precisin suficiente siempre puede haber una tercera observacin que caiga entre las
dos primeras. Los valores de una variable continua proceden en general de mediciones,
por ejemplo las cantidades de leche que las vacas producen son datos continuos porque
son mediciones que pueden asumir cualquier valor dentro de un intervalo continuo.
Se pueden obtener de un numero infinito de posibles valores que pueden

asociarse a puntos de una escala continua, de tal manera que no haya huecos ni
interrupciones.
44
La Regla Emprica o Regla 68-95-99.
Esta regla solo aplica a un conjunto de datos cuya distribucin tiene

aproximadamente forma de campana. Esta afirma que:
- Cerca del 68% de todos los puntajes u observaciones queda a menos de una
desviacin estndar de la media.
- Cerca del 95% de todos los puntajes u observaciones queda a menos de dos
desviaciones estndar de la media.
- Cerca del 99.7% de todos los puntajes u observaciones que a menos de tres
desviaciones estndar de la media.
Distribuciones de Datos Sesgadas.
Una distribucin de datos esta sesgada, si no es simtrica y se extiende mas hacia

un lado que hacia otro.
Sesgo describe la falta de simetra en una distribucin.
Los datos sesgados a la izquierda se dice que tienen sesgo negativo; la media y la
mediana estn a la izquierda de la moda. Generalmente tiene la media a la izquierda de
la mediana.
Sesgo negativo describe distribuciones asimtricas en la que la mediana excede a

la media; la cola de la distribucin es hacia los valores bajos.
Los datos sesgados a la derecha se dice que tienen sesgo positivo; la media y la
mediana estn a la derecha de la moda.
Sesgo positivo describe distribuciones asimtricas en las que la media excede la

mediana; los valores se alargan hacia los valores altos.
En ambos casos, la moda es por definicin la observacin que ocurre con mayor
frecuencia, por tanto esta en el pico de la distribucin.
45
Observaciones:
1. Si la media y la mediana son iguales, la distribucin de los resultados suele ser

simetrica.
2. Si la media es mayor que la mediana, la distribucin se carga a la derecha.
3. Si la media es menor que la mediana, la distribucin se carga a la izquierda.
Coeficiente de Sesgo de Pearson.

P = 3 (Media - Mediana)
s
Si P < 0, los datos estn sesgados a la izquierda.
Si P > 0, los datos estn sesgados a la derecha.
Si P = 0, los datos estn distribuidos normalmente.
46
Ejercicios Propuestos. Calcule los modelos de tendencia central, represente

grficamente cada situacin e interprete los resultados.
Caso I.
El precio que acostumbran a pagar 500 usuarias de un determinado producto aparece en
la siguiente tabla:
NUMERO DE
PRECIOS PRECIOS USUARIAS
5.05 10.05 38
10.05 15.05 167
15.05 20.05 143
20.05 25.05 92
25.05 30.05 37
30.05 35.05 17
35.05 40.05 6
1. Construya una tabla de frecuencia.
2. Cul es el precio ms representativo?
3. Cul es el precio que representa al sector socioeconmico que est equidistante de los sectores
extremos?
4. Cul fue el precio que ms pagaron estas usuarias?
5. Grafique un diagrama circular.
6. Grafique un Histograma.
Caso II.
Se considera la distribucin de los ingresos mensuales de una muestra de directores de
enseanza bsica, segn muestra la siguiente tabla:
NUMERO DE
INGRESOS DIRECTORES
7,000.00 7,999.00 6
8,000.00 8,999.00 6
9,000.00 9,999.00 10
10,000.00 10,999.00 18
11,000.00 11,999.00 30
12,000.00 12,999.00 25
13,000.00 13,999.00 40
14,000.00 14,999.00 80
15,000.00 15,999.00 15
2. Cul es el ingreso ms representativo de estos directores?
3. Cul es el ingreso que representa a los directores estn equidistantes de los extremos?
4. Cul es el ingreso que ms recibieron los directores?
5. Grafique una curva de ojiva.
6. Grafique un Polgono de frecuencia.
47
Caso III.
Una organizacin est por revisar el monto que los estudiantes invierten en textos cada
semestre. Cincuenta estudiantes reportaron las cantidades aproximadas en dlares:
DOLARES NUMERO DE
INVERTIDOS ESTUDIANTES
100 124 8
125 149 11
150 174 8
175 199 6
200 224 10
225 249 6
250 274 1
TOTALES 50
2. Cul es la cantidad de dinero invertida que ms representa a todos los estudiantes?
3. Cul es la inversin ms comn entre los estudiantes?
4. Cul sera la cantidad que representa la mitad de la inversin de todos los estudiantes?
5. Grafique un diagrama circular.
6. Grafique un Histograma.
Caso IV.
Un analista de la Secretara de Estado de Trabajo est evaluando los sueldos de los empleados
dominicanos para recomendar un reajuste salarial. Para esto tomo una muestra de 140 empleados, en
base a la siguiente tabla:
SUELDOS
USA$ USA$ EMPLEADOS
305 609 65
610 914 30
915 1,219 22
1,220 1,524 10
1,525 1,829 5
1,830 2,134 3
2,135 2,439 2
2,440 2,744 2
2,745 3,049 1
TOTALES 140
2. Cul es el sueldo ms representativo de estos empleados?
3. Cul es el sueldo que representa la mitad?
4. Cul es el sueldo ms comn?
6. Grafique un Polgono de frecuencia.
48
7. Usando el coeficiente de sesgo de Pearson determine si est sesgada.

8. Cmo est sesgada? Por qu?
9. Es simtrica? Por qu?
10. Es una distribucin normal? Por qu?
Caso V.
Un estudiante de quinto semestre de administracin de empresas est cursando 5
asignaturas, y estos estiman obtener las siguientes calificaciones:
ASIGNATURA NOTA LETRA CREDITOS
CONTABILIDAD DE COSTOS 80 B=3 5
INTR. AL DERECHO LAVORAL 90 A=4 3
METODOS CUANTITATIVOS 85 B=3 4
METODOG. DE LA INVESTIGACION 95 A=4 3
MERCADEO II 90 A=4 3
Determine cul ser el ndice acadmico del semestre.
Caso VI.
Un fabricante de circuitos elctricos ha producido el siguiente nmero de unidades en
los siguientes aos:
1995 1996 1997 1998 1999
12,500 13,250 14,310 15,741 17,630

1. Calcule el incremento porcentual de cada ao con relacin al anterior.
2. Determine la media tomando en consideracin los incrementos porcentuales.
Caso VII.
Un inversionista extranjero est interesado en ingresar en algn sector econmico de la
Repblica Dominicana, para ello seleccion 4 sectores y as evaluar su comportamiento.
Este se bas en los datos del Banco Central de la R. D. segn el informe de la economa
dominicana ene-dic 1999 del producto interno bruto (PIB) durante los aos 1995-1999.
Estos sectores crecieron de la siguiente manera:
SECTORES 1995 1996 1997 1998 1999
MANUFACTURA 839.4 866.4 929.9 987.5 1053.6
COMERCIO 554.8 603.9 661.9 733.4 800.1
COMUNICACIONES 159.7 185.7 221.5 267 308.7
HOTELES, BARES Y REST. 259.4 292.6 343.6 359.7 395.6
1. Tomando como base la tasa de crecimiento porcentual promedio de cada sector,

en cul sector usted le recomendara invertir?
2. Haga un diagrama de serie de tiempo que represente simultneamente todos los
sectores.
49
Caso VIII.
Calcule la desviacin estndar de los siguientes tiempos de espera (en minutos) de los
clientes del Banco BHD, basados en una muestra. Calcule la Mediana y la Moda.
6.5 6.6 6.7 6.8 7.1 7.3 7.4 7.7 7.7 7.7
Caso IX.
Se utilizan dos procesos para producir discos de computadoras, pero han surgido
problemas respecto a la variacin en los tamaos de tales discos. Con base en los datos
de muestra aqu presentados de ocho tamaos de discos en pulgadas para cada proceso.
Explique en cul proceso aconsejara usted si su objetivo es minimizar la desviacin en
el tamao de los discos.
PROCESO I PROCESO II
3.41 3.22 3.81 3.26

3.74 3.06 3.26 3.79
3.89 3.65 3.07 3.14
3.65 3.33 3.35 3.51
Caso X.
Los salarios en miles de dlares de los directores ejecutivos de las mejores
corporaciones de los Estados Unidos de Amrica reportados por la edicin de la revista
Forbes de la edicin del 24 de mayo de 1997 aparecen en la siguiente tabla de
frecuencias:
SALARIOS DIRECTORES
(EN MILES DE US$) EJECUTIVOS
90 439 6
440 789 8
790 1,139 10
1,140 1,489 12
1,490 1,839 10
1,840 2,189 8
2,190 2,539 6
TOTALES
1. Haga un Histograma.
2. Cul es el salario ms comn de los directores ejecutivos?
3. Haga un Diagrama Circular e Interprtelo.
4. Determine si est sesgada.
5. Cul es el salario que est equidistante de los dos extremos?
6. Es una distribucin normal? Por qu?
7. Represente grficamente si es normal o el sesgo.
8. Compruebe si se cumple la regla emprica.
50
Caso XI.
Un inversionista extranjero est interesado en ingresar en algn sector econmico de la Repblica
Dominicana, para ello seleccion 5 sectores y as evaluar su comportamiento. Este se bas en los datos
del Banco Central de la R. D. segn el informe de la economa dominicana ene-dic 2002 del producto
interno bruto (PIB) durante los aos 1996-2002. Estos sectores crecieron de la siguiente manera:
BANCO CENTRAL DE LA REPUBLICA DOMINICANA
Departamento de Cuentas Nacionales y Estadsticas Econmicas
PRODUCTO INTERNO BRUTO POR SECTORES DE ORIGEN 1996-2002
Millones de RD$
Sectores 1996 1997 1998 1999 2000 2001* 2002*

CONSTRUCCIN 702.1 826.2 872.8 876.9 904.9
COMERCIO 603.9 664.2 743.3 805.7 875.8 885.0 915.1
COMUNICACIONES 185.7 221.5 266.7 308.3 355.7 442.0 518.9
ELECTRICIDAD 106.0 120.7 130.5 139.5 165.1 178.0
FINANZAS 228.8 236.2 245.7 256.0 264.4 271.9 279.7
TASAS DE CRECIMIENTO (%)
SECTORES 97/ 96 98/97 99/98 00/99 01/00* 02/01*
CONSTRUCCIN 17.7 5.6 0.5 3.2
COMERCIO 10.0 11.9 8.4 8.7 1.1 3.4
COMUNICACIONES 19.3 20.4 15.6 15.4 24.2 17.4
ELECTRICIDAD 13.8 8.1 7.0 18.3 7.8
FINANZAS 3.2 4.0 4.2 3.2 2.8 2.9
1. Tomando como base la tasa de crecimiento porcentual promedio de cada sector,

en cules sectores usted le recomendara invertir?
2. Haga un diagrama de serie de tiempo que represente simultneamente todos los
sectores.
Caso XII.
Un analista de la Secretara de Estado de Trabajo est evaluando los sueldos de los empleados
dominicanos en la rama Industrias y Manufactureras para recomendar un reajuste salarial. Para esto
tomo una muestra de 464 empleados, en base a la siguiente tabla:
Ingresos por rama de actividad econmica segn el Banco Central
Fuente: Encuesta Nacional de Fuerza de Trabajo, Abril 2002.
Ingresos por Hora
(RD$) Empleados
6 9 18
10 13 35
14 17 60
18 21 61
22 25 64
26 29 53
30 33 48
34 37 49
38 41 36
42 45 40
51

2. Cul es el sueldo ms representativo de estos empleados?
3. Cul es el sueldo que representa la mitad?
4. Cul es el sueldo ms comn?
5. Grafique un Polgono de frecuencia
6. Usando el coeficiente de sesgo de Pearson determine si est sesgada.
7. Cmo est sesgada? Por qu?
8. Es una distribucin normal? Por qu? Diga 5 razones.
Caso XIII.
El informe Nielsen sobre Tecnologa Domestica (20 de febrero de 1996) describi las
tecnologas caseras y su empleo por parte de personas de 12 aos o ms. Los datos
siguientes son las horas de empleo de computadoras personales durante una semana,
para una muestra de 50 personas.
4.1 1.5 10.4 5.9 3.4 5.7 1.6 6.1 3.0 3.7
3.1 4.8 2.0 14.8 5.4 4.2 3.9 4.1 11.1 3.5
4.1 4.1 8.8 5.6 4.3 3.3 7.1 10.3 6.2 7.6
10.8 2.8 9.5 12.9 12.1 0.7 4.0 9.2 4.4 5.7
7.2 6.1 5.7 5.9 4.7 3.9 3.7 3.1 6.1 3.1
Resuma estos datos formando:

a. Construya una tabla de distribucin de frecuencias, empleando anchura de clase
igual a 3 horas.
b. Un histograma.
c. Una Ojiva.
d. Un diagrama circular.
e. Un Polgono de Frecuencia.
f. Haga comentarios acerca de lo que indican los datos respecto al uso de
computadoras en el hogar.
g. Cul es el tiempo ms empleado?
h. Qu tiempo est a la mitad?
i. Cul es el ms representativo de los tiempos?
52
Caso XIV.
Los sueldos de los dominicanos expresados en dlares USA$ oscilan dentro de la
siguiente distribucin de valores:
105 305 505 705 905 1,105 1,305 1,505 1,705 1,905 2,105 2,305
145 345 545 745 945 1,145 1,345 1,545 1,745 1,945 2,145 2,345
185 385 585 785 985 1,185 1,385 1,585 1,785 1,985 2,185 2,385
225 425 625 825 1,025 1,225 1,425 1,625 1,825 2,025 2,225 2,425
265 465 665 865 1,065 1,265 1,465 1,665 1,865 2,065 2,265 2,465
1. Determine los cuartiles Q1, Q2 y Q3
2. Determine el percentil 70
3. Determine el sexto decil
4. Determine la desviacin del cuartil
5. Determine el percentil del valor US$1,425
6. Determine la mediana
Caso XV.
Los salarios inicial para recin graduados de licenciatura en contabilidad, durante 1996 y
1997, fue US$30,393 (US Online, U.S. News and World Report, diciembre 1997). A
continuacin vemos una muestra de salarios iniciales, en miles de dlares.
30.7 28.8 29.1 31.1 30.1
29.7 30.7 30.0 30.6 30.5
31.2 32.1 30.2 30.3 32.9
32.2 29.9 28.9 30.6 31.8
32.2 30.3 30.4 32.3 33.3
32.7 29.3 30.3 30.9 30.3
a. Cul es el salario promedio inicial para datos no agrupados?

b. Cul es la mediana de salario inicial para datos no agrupados?
c. Cul es la moda de salario inicial para datos no agrupados?
d. Cul es el primer cuartil?
e. Cul es el segundo cuartil?
f. Condicen estos resultados con lo que afirma U.S. News & World Report?
Caso XVI.
Dos modos que usan los empleados para ir a trabajar diariamente son el transporte
pblico y el automvil. A continuacin vemos unas muestras de tiempos de cada modo.
Las cifras son en minutos.
Transporte
pblico 28.0 29.0 32.0 37.0 33.0 25.0 29.0 32.0 41.0 34.0
Automvil 29.0 31.0 33.0 32.0 34.0 30.0 31.0 32.0 35.0 33.0
53
a. Calcule la media de la muestra del tiempo que se lleva en cada modo de

transporte.
b. Calcule la desviacin estndar de la muestra para cada modo de transporte.
c. Con base en los resultados de los incisos a y b, qu modo de transporte debe
preferirse? Explique sus razones?
Caso XVII.
Como estadstico residente en Air Santo Domingo, el director de anlisis estadstico le
pide recolectar y agrupar los datos sobre el nmero de pasajeros que han decidido viajar
con Air Santo Domingo. Tales datos correspondientes a los ltimos 50 das aparecen en
la tabla siguiente. Sin embargo, con estos datos en bruto, es improbable que el director
pueda obtener informacin til y significativa respecto a las operaciones de vuelo. Los
datos no estn organizados y es difcil llegar a una conclusin significativa simplemente
revisando una serie de nmeros anotados en un papel. Es preciso agrupar y presentar los
datos de manera concisa y reveladora para facilitar el acceso a la informacin que
contienen.
68 71 77 83 79
72 74 57 67 69
50 60 70 66 76
70 84 59 75 94
65 72 85 79 71
83 84 74 82 97
77 73 78 93 95
78 81 79 90 83
80 84 91 101 86
93 92 102 80 69
9. Haga un Histograma.
10.Cul es el nmero de pasajeros que ocurre con ms frecuencia?
11.Qu tan dispersos estn los datos?
12.Haga un Diagrama Circular e Interprtelo.
13.Determine si est sesgada.
14.Qu cantidad de pasajeros est equidistante de los dos extremos?
15.Es una distribucin normal? Por qu?
16.Represente grficamente si es normal o el sesgo.
54
Caso XVIII.
En Aeromar se aceptaron reservaciones telefnicas de vuelos. En la tabla siguiente
vemos las duraciones de las llamadas en minutos, para una muestra de reservaciones
telefnicas.
2.1 4.8 5.5 10.4

3.3 3.5 4.8 5.8
5.3 5.5 2.8 3.6
5.9 6.6 7.8 10.5
7.5 6.0 4.5 4.8
a) Qu tan dispersos estn los tiempos de estas llamadas?

b) Cul es el tiempo que est equidistante de los extremos?
c) Determine el primer Cuartil.
d) Determine el quinto Decil.
e) Determine el percentil de la duracin 7.8
f) Construya una tabla de frecuencia.
g) Determine si est sesgada analticamente.
h) Es una distribucin normal? Por qu? Diga 5 razones.
i) Represente grficamente el comportamiento de esta distribucin.
j) Haga una curva de ojiva.
k) Construya un diagrama circular e interprtelo.
l) Se puede comprobar la Regla Emprica.
Caso XIX.
Los siguientes datos representan el tiempo, en segundos, para pasar de 0 a 60 mi/h para
una muestra de 15 automviles hechos en Alemania y 20 hechos en Japn:
Automviles Automviles
Alemanes Japoneses
10.0 10.9 4.8 9.4 9.5 7.1 8.0
6.4 7.9 8.9 8.9 7.7 10.5 6.5
8.5 6.9 7.1 6.7 9.3 5.7 12.5
5.5 6.4 8.7 7.2 9.1 8.3 8.2
5.1 6.0 7.5 8.5 6.8 9.5 9.7
Compare y describa las diferencias en tiempos de aceleracin de automviles alemanes

y japoneses, en trminos de sus estadsticas de tendencia central, estadsticas de
dispersin y los cuartiles.
55
Caso XX.
5 compras de una materia prima en los ltimos 3 meses:
Costo por
libra Cantidad
Compra Dlares de libras
1 3.00 1,200
2 3.40 500
3 2.80 2,500
4 2.90 1,000
5 3.25 800
Observe que el costo por libra cambi de 3.4 a 2.80 dlares, ya que la cantidad
comprada vari de 500 a 2,500 libras. Suponga que un administrador pidi informacin
sobre el costo promedio por libra de la materia prima.
Caso XXI.
El Colmado Gazcue vende cinco tipos de limpiadores para desages. En la tabla se
muestra cada tipo junto con la utilidad por lata y el nmero de latas vendidas:
Utilidad Volumen de
Limpiador por lata ventas en latas
Glunk Out 2.00 3
Bubble Up 3.50 7
Dream Drain 5.00 15
Clear More 7.50 12
Main Drain 6.00 52
Determine la utilidad promedio por lata.
Caso XXII.
Los miembros de un Club deben pagar cuotas con base en su peso promedio. De los 60
miembros, 12 pesan 110 libras, 25 pesaron 120 libras, 18 hicieron girar la balanza hasta
150 y el resto registraron 180 libras. Si los miembros deben pagar US$5 por cada libra
que pesan en promedio, cunto debe desembolsar cada uno?
Nmero de
Libras Miembros
110 12
120 25
150 18
180 5
56
Caso XXIII.
Aplicando el Teorema de Chebyshev.
La media de una lnea area es de 78.7 pasajeros por da, con una desviacin estndar de
12.14. Para programar los tiempos de para una nueva ruta que abri, la gerencia desea
saber con qu frecuencia los pasajeros estn dentro de K = dos desviaciones estndar de
la media, y cul es dicho intervalo.
Caso XXIV.
Suponga que las calificaciones del examen de aptitudes de 100 candidatos a las
posiciones vacantes en su organizacin, tuvieron un promedio de 70 y una desviacin
estndar de 5. Cuntos candidatos tuvieron calificaciones entre 60 y 80? cuntos entre
58 y 82?
Caso XXV.
Wageweb lleva a cabo encuesta de salarios y presenta resmenes en su sitio de la red.
Con los datos de salarios, Wageweb inform que los salarios de los gerentes de
beneficios variaron entre 50,935 a 79,577 dlares. Suponga que los datos siguientes son
una muestra de los salarios anuales para 30 gerentes de beneficios (los datos estn en
miles de dlares).
57.7 64.4 62.1 69.1 71.1

63.0 64.7 61.2 66.8 61.8
64.2 63.3 62.2 61.2 59.4
63.0 66.7 60.3 74.0 62.8
68.7 63.8 59.2 60.3 56.6
59.3 69.5 61.7 58.9 63.1
17.Haga un Histograma.
18.Cul es el nmero de pasajeros que ocurre con ms frecuencia?
19.Qu tan dispersos estn los datos?
20.Qu representa esta dispersin?
21.Haga un Diagrama Circular e Interprtelo.
22.Determine si est sesgada.
23.Qu cantidad de pasajeros est equidistante de los dos extremos?
24.Es una distribucin normal? Por qu? Diga por lo menos 5 razones.
25.Represente grficamente si es normal o el sesgo por pedio de un poligono de
frecuencia.
26.Determine el tercer Cuartil.
27. Determine el octavo Decil.
28. Demuestre y diga si se cumple la regla emprica.
57
29.Utilice el Teorema de Chebyshev para determinar el porcentaje de los gerentes

con un salario anual entre 53,000 y 71,000 dlares.
30.Utilice la regla emprica para determinar el porcentaje de gerentes con un salario
anual entre 50,000 y 71,000 dlares. Compare sus resultados con el punto
anterior.
31.Al parecer es razonable suponer que la distribucin de salarios se puede
aproximar a una distribucin de Gauss?
58
Introduccin a las Probabilidades

Gran parte de la vida del hombre se caracteriza por la incertidumbre.
Muchos fenmenos del mundo parecen estar dominados por el
comportamiento aleatorio. Casi todas las decisiones se toman en un entorno
caracterizado por la ausencia de un conocimiento completo de la situacin.
As, una decisin acerca de la cantidad de unidades a fabricar se basa en las
estimaciones del nmero de unidades que se espera vender. Si se conociera
este ltimo con anticipacin, la decisin sera elaborar exactamente esa
cantidad, sin que hubiera ni escasez ni excedentes. Con todo, en las
situaciones concretas de la toma de decisiones rara vez puede recabarse
informacin tan precisa.
Implica la utilizacin de una muestra para extraer alguna inferencia o

conclusin sobre la poblacin correspondiente.
- Apoyndose en el calculo de probabilidades y a partir de datos

muestrales, efecta estimaciones, decisiones, predicciones y otras
generalizaciones sobre un conjunto mayor de datos.
La estadstica es inferencial cuando se derivan conclusiones generales

para un conjunto de datos ms amplio a partir de la informacin
proporcionada por los datos estudiados.
Experimento.
Experimento es cualquier proceso que permite a los investigadores

obtener observaciones.
Es el proceso que produce un evento o suceso.
59
Experimento Resultados
experimentales
Lanza una moneda Cara, cruz
Seleccionar una parte para inspeccin Defectuosa, no defectuosa
Lanzar un dado 1, 2, 3, 4, 5, 6
Jugar un partido de pelota Ganar, perder, empatar
Experimento Aleatorio o de azar.
Es un proceso que produce uno de varios resultados posibles.

Decimos que un experimento es aleatorio si se verifican las siguientes
condiciones:
a. Se puede repetir indefinidamente, siempre en las mismas

condiciones.
b. Antes de realizarlo, no se puede predecir el resultado que se va a
obtener.
c. El resultado que se obtenga, pertenece a un conjunto de resultados
posibles conocido previamente. A este conjunto de resultados posibles, lo
denominamos como espacio muestral. Los elementos del espacio muestral se
denominan sucesos elementales.
Ensayo: Es cada repeticin de un experimento.
Suceso o Evento.
Es cualquier coleccin de resultados de un experimento.
Es una coleccin de puntos muestrales (resultados experimentales).
El suceso o evento es un subconjunto del Espacio Muestral.
Suceso Simple.
Es un resultado o un suceso que no puede desglosarse.
60
Espacio muestral.
El conjunto de todos los posibles resultados para un experimento.
Probabilidad.
Los conceptos de probabilidad pueden resultar de suma utilidad cuando

nos hallamos frente a la incertidumbre que caracteriza a al mayor parte de los
ambientes en que se adoptan decisiones.
Es una medida numrica de la posibilidad de que ocurrir un evento.
Es la posibilidad numrica de que ocurra un evento, medida entre 0 y 1.
Es la frecuencia relativa con la que puede esperarse que ocurra ese

evento.
Las probabilidades de los diferentes resultados posibles de un ensayo

deben sumar uno.
Las probabilidades son siempre mayores que o iguales a cero (es decir,
las probabilidades nunca son negativas) y son menores que o iguales a uno.
Cuanto ms pequea sea la probabilidad, tanto menos posibilidad tendr el
evento.
Suceso seguro o evento cierto.
Es aquel que siempre se verifica despus de un experimento aleatorio.
Entre mayor sea la probabilidad de que ocurra un evento, su

probabilidad asignada estar ms prxima a 1.
La probabilidad de certeza es 1.
61
Suceso imposible o evento imposible.
Es aquel que nunca se verifica como resultado del experimento

aleatorio. La nica posibilidad es que el suceso imposible sea el conjunto
vaci.
La probabilidad de una imposibilidad es 0.
Formas de Enfocar la Probabilidad.
1. Probabilidad de Laplace o Clsica (a priori)

2. Probabilidad Frecuencial o Frec. Relativa (a posteriori)
3. Probabilidad Subjetiva
4. Probabilidad Axiomtica
1. Probabilidad de Laplace o Clsica (a priori=antes del hecho).
Segn la Regla del marques Laplace (1789-1827) en su obra "Theorie

analytique des probabilites" de 1812:
Si un experimento cualquiera puede dar lugar a un numero finito de

resultados posibles, y no existe ninguna razn que de privilegio a unos
resultados en contra de otros - tiene una estructura de un juego de azar -
entonces la probabilidad de un evento aleatoria A es el cociente entre el
numero de formas o casos en las que puede ocurrir un evento (favorables), y
el numero de todos los posibles resultados del experimento.
P(A) = Numero de formas en las que puede ocurrir un evento

Numero total de posibles resultados
Ejemplos:
La probabilidad de obtener una cara en un solo lanzamiento de una

moneda.
62
La probabilidad de sacar un numero x al lanzar un dado.
La probabilidad de sacar una carta de una baraja de 52 cartas.
2. Probabilidad Frecuencial o Frec. Relativa (a posteriori).
Esta fue establecida por autores como el ingles Ronald A. Fisher (1890-
1962) y el austriaco Richard von Mises (1883-1953)
Utiliza datos que se han observado empricamente, registra la
frecuencia con que ha ocurrido algn evento en el pasado y estima la
probabilidad de que el evento ocurra nuevamente con base en estos datos
histricos. Esta se determina mediante:
P(E) = Numero de veces que ha ocurrido el evento en el pasado

Numero total de observaciones
3. Probabilidad Subjetiva.
Cuando se estudian fenmenos aleatorios en los que no hay posibilidad

de repeticin o experimentacin, la probabilidad sujetiva es la cuantificacin
(basada en supuesto) que una persona (o grupo) hace de un evento, utilizando
la informacin que posee.
Esta conceptualizacion de la probabilidad es muy aplicada en la

empresa, en la estadstica bayesiana, la teora de la decisin y la teora de
juegos. Ha sido tratada por autores como Keynes (1921), Ramsey (1926), de
Finetti (1937), Koopman (1940) y Savage (1954).
El modelo subjetivo requiere establecer la probabilidad de algn evento

con base en la mejor evidencia disponible. En muchos casos esto puede ser
apenas una conjetura hecha sobre cierta base.
Esta se utiliza cuando se desea asignar probabilidad a un evento que

nunca ha ocurrido.
63
4. Probabilidad Axiomtica.
El concepto axiomtico de probabilidad fue formulado por Kolmogorov

1933. Para ello preciso ciertas leyes o axiomas que debe cumplir una funcin
de probabilidades. Los axiomas deberan implicar, entre otras, las siguientes
cuestiones:
a. La probabilidad solo puede tomar valores comprendidos entre 0 y 1.

0 <= P(A) <= 1
b. La probabilidad del suceso seguro es 1.
c. La probabilidad de dos sucesos incompatibles (de interseccin vaca)

debe ser la suma de sus posibilidades respectivas.
d. La probabilidad de la interseccin de dos sucesos es menor o igual

que la probabilidad de cada uno de los sucesos por separado, es decir,
P(AB) <= P(A) ; P(AB) <= P(B)
e. La probabilidad de la unin de sucesos es mayor que la de cada uno

de los sucesos separados.
P(AB) >= P(A) ; P(AB) >= P(A)
Mas aun, si los sucesos son disjuntos (incompatibles) ocurre que:
AB = P(AB) = P(A) + P(B)
f. La probabilidad del suceso contrario a A, es
P(A') = 1 - P(A)
64
Operaciones bsicas con sucesos aleatorios.
Que es un conjunto?
Que es AB?
Que es AB?
Que es A-B o A\B?
Que es AB o A\B B\A?
Que es A'?
Que es un diagrama de Venn?
65
Caso I. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

La Nike Corporation quiere probar un nuevo material que se usar para hacer zapatos
deportivos. Un grupo de prueba consistente en 20 hombre y 30 mujeres. Si se escoge
aleatoriamente a una persona de este grupo de prueba, calcule la probabilidad o
posibilidad de no escoger a un hombre.
Caso II. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

La Compaa de Seguros (PROSEGUROS) estudia causas de muertes accidentales en el
hogar y compilo un archivo que incluye 160 muertes por cadas, 120 muertes causadas
por veneno y 70 muertes causadas por incendios y quemadas. Si se escoge
aleatoriamente una de estas muertes, calcule la probabilidad de que se haya debido a
veneno.
Caso III. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

Un estudio de 500 vuelos de American Airlines escogidos aleatoriamente mostr que
430 llegaron a tiempo (Basados en datos del Departamento de Transporte de los Estados
Unidos). Estime la probabilidad de que un vuelo de American Airlines llegue a tiempo.
Describira usted ese resultado como muy bueno?
Caso IV. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

En un estudio de reconocimiento de marcas, 831 consumidores saban de las sopas
Campbell, 18 no haban odo de ellas (Basados en datos de Total Research Corporation).
Utilice estos resultados para estimar la probabilidad de que un consumidor seleccionado
aleatoriamente reconozca las sopas Campbell. Cmo cree usted que sea este valor en
comparacin con los valores tpicos de otras marcas comerciales?
Caso V. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

MasterCard Internacional realiz un estudio de fraudes con tarjeta de crdito. Si se
escoge al azar un caso de fraude en la tabla siguiente, calcule la probabilidad de que el
fraude se haya basado en el uso de una tarjeta falsa.
Tarjeta Robada 243
Tarjeta Falsa 85
Pedido por Correo 52
Otro 46
TARJETA ROBADA 243
TARJETA ROBADA 243
Caso VI. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)
Un encuesta Gallup produjo los datos de muestra de la tabla que aparece a continuacin.
Si se escoge aleatoriamente a uno de los encuestados, calcule la probabilidad de que sea
una persona que se cepilla los dientes tres veces al da, tal y como recomiendan los
dentistas.
66
Cepilladas de Dientes
Al Da Nmero
1 228
2 672
3 240
Caso VII. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

Si asumimos que los 35 puntos evaluados hasta el momento representan el 100% de la
evaluacin. En base a su calificacin obtenida hasta el momento. Cul es la
probabilidad de que apruebe la asignatura?
Caso VIII. (Probabilidad Clsica, Frecuencial, Subjetiva o Axiomtica)

En base a su experiencia como estudiante que ha cursado diferentes asignaturas y al
ritmo de estudio que dedica a esta materia en particular. Cul es la probabilidad de que
no apruebe Mtodos Cuantitativos?
67
Eventos mutuamente excluyentes.
Los sucesos A y B son mutuamente exclusivos si no pueden ocurrir

simultneamente.
Si la ocurrencia de un evento prohbe la ocurrencia del otro.
P(AUB) = P(A) + P(B)
En el lanzamiento de una moneda, dos resultados simples posibles son

cara y cruz. Puesto que la ocurrencia de una cara excluye la posibilidad de
cruz y a la inversa, los eventos cara y cruz son mutuamente excluyentes.
Eventos colectivamente exhaustivo.
Se dice que un conjunto de eventos es colectivamente exhaustivo, si su

unin explica todos los resultados posibles de un experimento.
Consta de todos los posibles resultados de un experimento y constituye

su espacio muestral.
P(X) = 1
Eventos independientes.
Dos eventos son independientes si la ocurrencio o no ocurrencia de un

evento de ninguna manera afecta a la posibilidad o probabilidad de
ocurrencia del otro evento.
Dos sucesos A y B son independientes si la ocurrencia de uno no afecta
la probabilidad de ocurrencia del otro.
La ocurrencia de uno no tiene que ver nada con la del otro.
P(AB) = P(A) * P(B)
68
Eventos dependientes.
Dos eventos son dependientes si la probabilidad de ocurrencia de uno es

afectada por la ocurrencia o no ocurrencia del otro.
Si A y B no son independientes, se dice que son dependientes.
P(AB) = P(A) * P(B\A)
Eventos complementarios (Complemento de un evento).
Para un evento A, el complemento del evento A es el evento consistente

en todos los puntos muestrales que no estn en A.
El complemento del suceso A, denotado por A', consiste en todos los

resultados en los que el suceso A no ocurre.
Si un evento no ocurre, el otro debe ocurrir.
P(A) + P(A') = 1
P(A) = 1 - P(A')
P(A') = 1 - P(A)
P(AUA') = P(A) + P(A')
Ejercicios 1-6 Pgs. 79-80

Ejercicios 7-12 Pgs. 81-82
69
Tabla de Contingencia.
Las tablas contingencias son aquellas que sirven para comparar dos
variables.
TABLA DE CONTIGENCIA
CLASIFICACION DE LOS EMPLEADOS

GENERO ADMINISTR.(A) LINEA (L) AUXILIAR (O) TOTAL
HOMBRE (H) 120 150 30 300
MUJER (M) 50 140 10 200
TOTAL 170 290 40 500
Tabla de Probabilidad.
Esta se obtiene dividiendo cada una de las entradas entre el total de las
observaciones (que se encuentra en el extremo inferior de la diagonal).
TABLA DE PROBABILIDAD
CLASIFICACION DE LOS EMPLEADOS

GENERO ADMINISTR.(A) LINEA (L) AUXILIAR (O) TOTAL
HOMBRE (H)
MUJER (M)
TOTAL
Las probabilidades marginales son los valores que se encuentran en las

mrgenes de la tabla. Se obtiene de la suma de las probabilidades conjuntas
correspondientes.
Las probabilidades conjuntas son las celdas de la estructura principal

de la tabla. Estas muestran la probabilidad de la interseccin de dos eventos.
Ejercicios 13 al 15 - Pgs. 83-84
70
Caso II.
El Presidente Dr. Leonel Fernndez Reina se bas en la opinin de 500 expertos en el
rea econmica de diferentes Universidades, Empresas Privadas y Miembros del
Gabinete de su Gobierno, para someter al Congreso un aumento al ITBIS de un 16%,
con la finalidad de aumentar las recaudaciones y poder hacer frente al dficit fiscal que
posee el Gobierno. Sin embargo, el Presidente tiene duda de que la medida impositiva
afecte significativamente a la economa nacional.
Los asesores econmicos del Gobierno trataron de construir una tabla para organizar
estas opiniones... Pero no pudieron... Trata de completarla...
ESTABLE CONTRACCION
ECONOMISTAS (E) EXPANSION(X) TOTAL
ACADEMICOS (A) 125 100
EMPRESAS PRIVADAS (P) 35 110
GOBIERNO (G) 25 40 65
TOTAL 200
1. Construya una tabla de probabilidades.

2. Determine:
a. P(A)
b. P(P)
c. P(G)
d. P(E)
e. P(X)
f. P
g. P(AC)
h. P(GX)
i. P(X|A)
71
Probabilidad Condicional.
La probabilidad condicional de B dado A es la probabilidad de que el

suceso B ocurra, dado que el suceso A ya ocurri, y se puede calcular
dividiendo la probabilidad de que ocurran ambos sucesos, A y B, entre la
probabilidad del suceso A:
P(B\A) = P(AB)
P(A)
P(AB) = P(A) * P(B\A)
Es la probabilidad de que el evento B ocurra, dado que o a condicin de

que el evento A ya haya ocurrido.
Ejemplo: La probabilidad de que un trabajador tomado aleatoriamente

sea hombre es P(H)=0.60. Sin embargo, si se desea calcular la probabilidad
de que el trabajador sea hombre dado que es un miembro del personal
administrativo P(H\A).
P(H\A) = P(HA)/P(A) = 0.24/0.34 = 0.71
Otra opcin:
P(H\A) =[P(H)*P(A\H)]/P(A)=(0.60 * 0.40)/0.34=0.71

0.60 --> 1
0.24 --> X
Ejercicios 16 y 17 Pg. 85
72
Reglas de la probabilidad.
A. Regla de la Multiplicacin.
Consiste en determinar la probabilidad del evento conjunto P(AB), es

decir de la probabilidad de "A y B".
Esta se obtiene simplemente multiplicando sus respectiva
probabilidades.
El procedimiento depende de s A y B son dependientes o
independientes.
Probabilidades de eventos independientes.
P(AB) = P(A) * P(B)
Eventos independientes. Dos sucesos A y B son independientes si la

ocurrencia de uno no afecta la probabilidad de ocurrencia del otro.
La ocurrencia de uno no tiene que ver nada con la del otro.
El 20% de los carros que pasan por el Km. 12 de la Carretera Snchez,

se detienen en un Motel, para alquilar una cabaa.
Cul es la probabilidad de que los prximos dos carros se detengan?

Asumiendo que estos son eventos independientes.
P(C1C2) = 0.20 * 0.20 = 0.04
Cul es la probabilidad de que el primer carro se pare y que el segundo

siga?
P(C1C2) = 0.20 * 0.80 = 0.16
73
Probabilidad de Eventos dependientes.
P(AB) = P(A) * P(B\A)
Eventos dependientes. Dos sucesos A y B son dependientes si la

ocurrencia de uno afecta la probabilidad de ocurrencia del otro.
La ocurrencia de uno tiene que ver con la del otro.
Ejemplo:
La probabilidad conjunta de que sea hombre y miembro administrativo.
P(HA) = 0.24
P(HA) = P(H) * P(A\H) = 0.60 * 0.40 = 0.24
P(A\H) = P(AH)/P(H) = 0.24/0.60 = 0.40
Regla de la Adicin.
Se utiliza para determinar la probabilidad de A o B, P(AB).
La probabilidad del evento A o B (cuando los eventos no son

mutuamente excluyente).
P(AB)= P(A) + P(B) - P(AB)
La razn por la cual se debe restar la probabilidad conjunta es para

evitar el doble conteo.
74
Eventos no mutuamente excluyentes.
Los sucesos A y B son no mutuamente exclusivos si pueden ocurrir

simultneamente.
Si la ocurrencia de un evento no prohbe la ocurrencia del otro.
Ejemplo:
La probabilidad de sacar un as o una de las tres cartas de

corazones de una baraja.
P(AC)=P(A)+P(C)- P(AC)
P(AC)=(4/52) + (13/52) - (1/52) = 16/52
En un curso de Mtodos Cuantitativos para la toma de decisiones. De

200 estudiantes inscritos en el curso, 160 aprobaron el examen parcial, 140
aprobaron el examen final y 124 aprobaron ambos.
A = evento de aprobar el examen parcial

B = evento de aprobar el examen final
P(A) = 160/200 = 0.80
P(B) = 140/200 = 0.70
P(AB) = 124/200 = 0.62
P(AB)= P(A) + P(B) - P(AB) = 0.80 + 0.70 0.62 = 0.88
La probabilidad de que un hombre sea un trabajador hombre o un

trabajador administrativo.
P(HA)=P(H)+P(A)- P(HA) = 0.60+0.34-0.24 = 0.70

75
Probabilidad del evento A o del evento B (cuando los eventos son

mutuamente excluyentes).
P(AUB) = P(A) + P(B)
Eventos mutuamente excluyentes. Los sucesos A y B son mutuamente

exclusivos si no pueden ocurrir simultneamente.
Si la ocurrencia de un evento prohbe la ocurrencia del otro.
Si A y B son mutuamente excluyente P(AB)= 0
Ejercicios 18 al 22 - Pg. 90
76
Teorema de Bayes.
Este fue desarrollado por el reverendo Thomas Bayes (1702-1761).
Asumimos:
Una industria X utiliza dos maquinas para producir su producto.

La maquina A produce el 60% de la produccin total.
La maquina B produce el 40% restante.
El 2% de las unidades producidas por A son defectuosas.
Las unidades de B tienen un 4% de defectos.
Podramos decir:
P(A) = 0.60 P(B) = 0.40

P(D\A) = 0.02 P(D\B) = 0.04
P(D'\A) = 0.98 P(D'\B) = 0.96
P(AD') = P(A) * (D'\A) = 0.60 * 0.98 = 0.588

P(AD) = P(A) * (D\A) = 0.60 * 0.02 = 0.012
P(BD') = P(B) * (D'\B) = 0.40 * 0.96 = 0.384

P(BD) = P(B) * (D\B) = 0.40 * 0.04 = 0.016
segn la probabilidad condicional.
P(A\D) = P(AD)/P(D) = [P(A) * P(D\A)]/P(D)
Sin embargo, para la P(D) existen dos formas en las cuales la unidad puede
ser defectuosa.
Utilizando la regla de la adicin.
P(D) = P(AD) + P(BD)

P(D) = P(A) * P(D\A) + P(B) * P(D\B)
77
Teorema de Bayes.
P(A\D) = P(AD)/P(D)
P(A\D) = P(AD)/[P(AD) + P(BD)]
P(A\D)=P(A)*P(D\A)]/[P(A)*P(D\A) + P(B)* P(D\B)]
P(A\D)=0.012/(0.012+0.016)=0.429
78
Tcnicas de conteo basadas en el Anlisis Combinatorio.
Permutaciones.
Son las diferentes agrupaciones que pueden formarse con n elementos,
entrando todos en cada agrupacin y diferencindose una de otra slo en el
orden de colocacin de los elementos.
Las permutaciones pueden ser sin repeticin si los n elementos dados
son diferentes, y con repeticin si entre los n elementos dados hay algunos o
algunos que aparecen repetidos.
La permutacin es un arreglo ordenado de un conjunto de elementos.
El numero de permutaciones de n elementos tomados r a la vez es:
nPr = n!/(n-r)!
Nota: La permutacin considera el orden de los elementos de los

subconjuntos.
Combinaciones.
Son las diferentes formaciones que podemos hacer con n elementos
diferentes entrando de n en r; pudiendo ser r <= n, de modo tal que dos
formaciones solo se diferencian en la naturaleza de uno de sus elementos por
lo menos.
El numero de combinaciones de n elementos tomados r a la vez es:
nCr = n!/r!(n-r)!
Nota: La combinacin no considera el orden de los elementos de los

subconjuntos.
79
Caso I.
Suponga que el 60% de los chips de computadora de una compaa se producen en una
de sus fabricas (denotada por A) y 40% se producen en su otra fabrica (denotada A').
Para un chip seleccionado al azar, la probabilidad de que haya provenido de la fabrica A
es de 0.60. Suponga que se entera de que el chip esta defectuoso y que las tasas de
defectos para las dos fabricas son del 35% (para A) y del 25% (para A'). Podemos usar
la formula del Teorema de Bayes para determinar que hay una probabilidad del 0.677 de
que el chip defectuoso haya provenido de la fabrica A.
Construya el diagrama de rbol.
P(A|D)=[P(A)*P(D|A)]/[P(A)*P(D|A)+P(A')* P(D|A')]
Caso II.
Una empresa manufactura recibe embarque de partes de dos proveedores distintos.
Actualmente el 65% de las partes que compra proviene del proveedor 1 y el 35%
restante del proveedor 2. Los datos histricos sugiere que la calidad de las partes vara
segn su origen. El desempeo en termino de calidad de los dos proveedores es el
siguiente:
Porcentaje de piezas buenas del proveedor 1 es de 98%
Porcentaje de piezas buenas del proveedor 2 es de 95%
A) Determine las probabilidades conjuntas de eventos dependientes de piezas buenas
y malas segn su origen.
B) Construya el diagrama de rbol con las dos etapas antes mencionadas.
C) Demuestre el Teorema de Bayes P(Proveedor 1 | Piezas Malas)
80
Caso III.
La Autoridad Metropolitana de Transporte AMET est formada por 1200 oficiales, 960
hombres y 240 mujeres. El pasado 27 de febrero fueron ascendidos 324 oficiales, 288
hombres y 36 mujeres.
A) Construya una tabla de contingencia tomando en consideracin el genero y
oficiales ascendidos y no ascendidos.
B) Construya la tabla de probabilidades.
C) Probabilidad de que un oficial seleccionado al azar sea hombre y tambin que sea
ascendido.
D) Probabilidad de que un oficial seleccionado al azar sea mujer y tambin que sea
ascendido.
E) Probabilidad de que un oficial seleccionado al azar sea hombre y tambin que no
sea ascendido.
F) Probabilidad de que sea ascendido dado que sea una mujer.
G) Probabilidad de que no sea ascendido dado que sea una mujer.
H) Probabilidad de que dos oficiales seleccionados al azar sean ascendidos.
Caso IV.
Una fabrica utiliza tres mquinas X, Y, Z para producir ciertos artculos. Supongamos
que:
1. La mquina X produce el 50% de todos los artculos, de los cuales el 3% son
defectuosos.
2. La mquina Y produce el 30% de todos los artculos, de los cuales el 4% son
defectuosos.
3. La mquina Z produce el 20% de todos los artculos, de los cuales el 5% son
defectuosos.
a. Encuentre la probabilidad de que el artculo seleccionado aleatoriamente
sea defectuoso.
b. Suponga que se ha encontrado un artculo defectuoso, entre la produccin.
Encuentre la probabilidad de que este provenga de cada una de las
mquinas, es decir, de X, Y, y Z.
c. Construya el diagrama de rbol.
81
Caso V.
Un fabricante de videorreproductoras de casete (VCR) compra un microchip en
particular, llamado LS-24, a tres proveedores: Hall Electronics, Schuller Sales y
Crawford Components. 30% de los chips LS-24 se compran a Hall Electonics, 20% a
Schuller Sales y el 50% restante a Crawford Components. El fabricante tiene registro de
los tres fabricantes y sabe que el 3% de los chips de Hall Electronics estn defectuosos,
el 5% de los chips de Schuller Sales tienen defectos y el 4% de los chips comprados a
Crawford Components estn defectuosos.
Identifique los chips:
A1 = El LS-24 de Hall Electronics
A2 = El LS-24 de Schuller Sales
A3 = El LS-24 de Crawford Components.
B1 = El LS-24 est defectuoso
B2 = El LS-24 no est defectuoso.
1. Construya un diagrama de rbol que incluya las probabilidades conjuntas.
2. Calcule la probabilidad de que la parte seleccionada provenga de de Crawford
Components, debido a que era un chip aceptable.
3. Calcule la probabilidad de que el chip LS-24 provenga de Schuller Sales, dado el
hecho de que el chip seleccionado estaba defectuoso.
Caso VI.
Relacin entre delincuente y victima
Homicidios (H) Robo (R) Agresin (A) Totales

Extrao (E) 12 379 727 1118
Conocido o Pariente (C) 39 106 642 787
No se sabe (N) 18 20 57 95
69 505 1426 2000
DETERMINE:
P(E) P(E|H)
P(C) P(C|A)
P(N) P(N|R)
P(H) P(EH)
P(R) P(CR)
P(A) P(NA)
82
a) Construya la tabla de probabilidades.
b) Si se escoge aleatoriamente a una persona, qu probabilidad hay que haya sido victima de un extrao, dado que se
escogi a una victima de robo?
c) Dado que se selecciono a una victima de agresin, qu probabilidad hay de que el delincuente sea un extrao?
d) Calcule la probabilidad de que cuando se selecciona aleatoriamente a uno de los 2000 sujetos, la persona escogida
haya sido robada por un conocido o un pariente.
e) Si se escogen al azar dos sujetos distintos, calcule la probabilidad de que ambos hayan sido robados.
f) Si se selecciona al azar a una de las victimas de crmenes representadas en la tabla, calcule la probabilidad de
obtener a una persona que fue victima de alguien a quien no conoce o que haya sido asesinada.
g) Si se selecciona al azar a una de las victimas de crmenes representadas en la tabla, calcule la probabilidad de
obtener a una persona que fue victima de un homicidio, dado que el criminal fue un extrao.
h) Si se selecciona al azar a una de las victimas de crmenes representadas en la tabla, calcule la probabilidad de
obtener a una persona que fue victima de un extrao, dado que fue asesinada.
i) Si se escoge al azar dos sujetos distintos, calcule la probabilidad de que ambos hayan sido victimas de criminales
desconocidos.
83
Distribucin de Probabilidades
La Distribucin Binomial - Una Distribucin Discreta de Probabilidad.
Desarrollada por Jacob Bernoulli (1654-1705).
Esta se caracteriza por las siguientes propiedades:

- Slo debe haber dos posibles resultados.
- La probabilidad de un xito , sigue siendo constante de un ensayo al
siguiente, al igual que lo hace la probabilidad de fracaso, 1 - .
- La probabilidad de un xito en un ensayo es totalmente independiente
de cualquier otro ensayo.
- El experimento puede repetirse muchas veces.
Una distribucin binomial. Cada ensayo en una distribucin binomial

termina en solo uno de dos resultados mutuamente excluyentes, uno de los
cuales se identifica como un xito y el otro como un fracaso. La probabilidad
de cada resultado permanece constante de un ensayo al siguiente.
Eventos mutuamente excluyentes.
Los sucesos A y B son mutuamente exclusivos si no pueden ocurrir

simultneamente. Si la ocurrencia de un evento prohbe la ocurrencia del
otro.
Probabilidad de una x n-x

Distribucin Binomial P(x)=nCx()(1-)
n = numero de ensayos.
= probabilidad de un xito.
x = numero de xitos.
84
Caso I.
Solo 20% de los empleados de la poblacin civil que est en una base
militar restringida, porta su identificacin personal. Si llegan 10
empleados, cual es la probabilidad de que el guardia de seguridad
encuentre:
a. Ocho empleados con identificacin?

n = 10 empleados
= 0.20
x=8
8 10-8
P(x=8|n=10,=0.20)=10C8(0.20) (1-0.20) =
Use la Calculadora o la Tabla de Distribucin Binomial - Pgs. 584-588
b. Cuatro empleados con identificacin?

4 10-4
P(x=4|n=10,=0.20)=10C4(0.20) (1-0.20) =
c. A lo sumo 5 empleados con identificacin?
P(x<=5|n=10,=0.20)= P(X=0)+P(X=1)+P(X=2)+
P(X=3)+P(X=4)+P(X=5)=0.9986
012345 678910
Evento A
Distribucin Binomial Acumulada esta comprende un rango de valores.
Use la Calculadora o la Tabla de Distribucin Binomial Acumulada -

Pgs. 589-598
85
d. Por lo menos 4 empleados con identificacin?
P(x>=4|n=10,=0.20)=1-P(x<=3|n=10,=0.20)
0123 45678910
Evento A' Evento A

Pgs. 589-598
Distribucin Binomial Acumulada no da directamente la probabilidad de

que un numero de xito sea igual o mayor que alguna cantidad.
e. Entre 4 y 7 empleados inclusive con identificacin?
P(4<=x<=7|n=10,=0.20)=P(x<=7|n=10,=0.20)-
P(x<=3|n=10,=0.20)
Evento A
0123 4567 8910
P(X<=3) P(X<=7)

Pgs. 589-598
86
Caso II.
El 80% de los estudiantes de Mtodos Cuantitativos I del maestro

Rubn Estrella pueden conectarse a INTERNET. Cul es la probabilidad
de que en el prximo fin de semana de 10 estudiantes seleccionados
aleatoriamente, 6 estn conectados para verificar si le llego el archivo de
"distribucin de probabilidades"?

n = 10 estudiantes
= 0.80 ==> 0.80 > 0.50
x=6
Cul es la probabilidad de que no estn conectados (de no xito)?
'=1-
0 1 2 3 4 5 6 7 8 9 10 ( = 0.80)
10 9 8 7 6 5 4 3 2 1 0 ( = 0.20)
en lugar de hallar x xitos en , se halla:
n-x fracasos a 1 -
6 xitos a = 0.80 = 4 fracasos a = 0.20
P(x=6|n=10,=0.80)=P(x=4|n=10,=0.20)
Use la Calculadora o la Tabla de Distribucin Binomial - Pgs. 584-588
87
Media de una Distribucin Binomial.
E(X)==n
Varianza de una Distribucin Binomial.
=n(1-)
Caso III.
Una universidad se enter de que el 20% de sus alumnos se dan de baja del
curso de Mtodos Cuantitativos para Negocios. Suponga que en este
cuatrimestre se inscribieron 32 alumnos.
a. Cul es la probabilidad de que dos o menos se den de baja?
b. Cul es la probabilidad de que se den de baja exactamente cuatro?
c. Cul es la cantidad esperada o media de deserciones?
d. Cul es la probabilidad de que por lo menos 3 se den de baja?
e. Cul es la probabilidad de que se den de baja entre 5 y siete inclusive?
f. Cul es la probabilidad de que a lo sumo 6 se den de baja?
g. Qu tan dispersos estn los datos?
Ejercicios 6 al 12 Pg. 113
88
La Distribucin hipergeometrica
Si se selecciona una muestra sin reemplazo de una poblacin finita

conocida y contiene una proporcin relativamente grande de la poblacin, de
manera que la probabilidad de xito sea perceptiblemente alterada de una
seleccin a la siguiente, debe utilizarse la distribucin hipergeometrica.
La distribucion hipergeometrica de probabilidad se relaciona

estrechamente con la distribucion binomial. La diferencia principal entre las
dos estriba en que, con la distribucion hipergeometrica, los intentos no son
independientes, y en que la probabilidad de exito cambia de un intento a otro.
P(x)=[(rCx)*(N-rCn-x)]/(NCn)
N es el tamao de la poblacin.
r es el numero de xitos en la poblacin.
n es el tamao de la muestra.
x es el numero de xitos en la muestra.
(rCx) representa la cantidad de manera en las que se puede seleccionar x

exitos de un total de r exitos de la poblacion.
(N-rCn-x) representa la cantidad de maneras en que se pueden seleccionar n-

x fracasos de un total de N-r fracaso en la poblacion.
(NCn) representa la cantidad de formas en las que se puede seleccionar

una muestra de tamano n de un poblacion de tamano N.
89
Caso I.
Jovanna Melndez como gerente de Recursos Humanos debe contratar
a 10 personas entre 30 candidatos, 22 de los cuales tienen ttulos
universitarios. Cul es la probabilidad de que 5 de los que contrate tengan
un titulo?
N=30 candidatos
r=22 candidatos con ttulos
n=10 candidatos a contratar
x=5 candidatos con ttulos
Caso I.
Jovanna Melndez como gerente de Recursos Humanos debe contratar
a 10 personas entre 30 candidatos, 22 de los cuales tienen ttulos
universitarios. Cul es la probabilidad de que 5 de los que contrate tengan
un titulo?
N=30 candidatos
r=22 candidatos con ttulos
n=10 candidatos a contratar
x=5 candidatos con ttulos
P(x)=[(rCx)*(N-rCn-x)]/(NCn)
P(x=5)=[(22C5)*(30-22C110-5)]/(30C10)
nCr = n!/r!(n-r)!
B) Cul es la probabilidad de que a lo sumo 4 de los que contrate tengan un

titulo?
P(x<=4)=P(x=1)+P(x=2)+P(x=3)+P(x=4)
Ejercicios del 13 al 17 - Pg. 115.
90
La Distribucin de Poisson
Es una distribucin de probabilidad discreta que aplica a ocurrencias de

algn suceso dentro de un intervalo especificado. La variable aleatoria x es
el numero de ocurrencias del suceso en el intervalo. El intervalo puede ser
tiempo, distancia, rea, volumen o alguna unidad similar.
La distribucion de Poisson se utiliza frecuentemente para el modelado

de tasas de llegadas en situaciones de espera en fila.
Fue ideada por el matemtico francs Simen Poisson (1781-1840).
Esta mide la probabilidad de un evento aleatorio sobre algn intervalo

de tiempo o espacio.
Se basa en dos supuestos:

1.- La probabilidad de ocurrencia del evento es constante para dos
intervalos cualesquiera de tiempo o espacio de igual longitud.
2.- La ocurrencia del evento en un intervalo es independiente de la

ocurrencia de otro intervalo cualquiera.
Funcin de probabilidad x -
de Poisson P(x)=( * e)/x!
x es el numero de veces que ocurre el evento.
es el numero promedio de ocurrencias por unidad de tiempo o de
espacio.
e = 2.71828, la base del logaritmo natural.
La Media es
La desviacin estndar es =
91
Caso I.
Carmn Guzmn, gerente de trafico de telecomunicaciones del Banco

Popular, esta evaluando el flujo de las llamadas telefnicas recibidas. Para tal
fin selecciona la central telefnica del Banco Popular de Plaza Central, a la
cual llegan 2 llamadas por minuto promedio y se sabe que tiene distribucin
de Poisson. Si el operador se distrae por un minuto, cual es la probabilidad
de que el numero de llamadas no respondidas sea:
a) cero?
b) Por lo menos 1?
c) Entre 3 y 5, inclusive?
Funcin de probabilidad x -
de Poisson P(x)=( * e)/x!
a) cero?
=2 llamadas / minuto
x=0 llamada no respondida
e=2.71828
Funcin de probabilidad 0 -2
de Poisson P(x=0|=2)=(2 * 2.71828)/0!
Use la Calculadora o la Tabla de Distribucin de Poisson - Pgs. 599-604.
b) Por lo menos 1?
x>=1 llamadas no respondidas
e=2.71828
Funcin de probabilidad
de Poisson P(x>=1|=2)=1-P(x=0)
c) Entre 3 y 5, inclusive?
3<=x<=5 llamadas no respondidas
e=2.71828
92
Funcin de probabilidad
de Poisson P(3<=x<=5|=2)=P(<=5)-P(x<=2)
=P(x=0)+P(x=1)+P(x=2)+P(x=3)+P(x=4)+P(x=5)-
P(x=0)+P(x=1)+P(x=2)
Evento A
012 345 678
P(X<=2) P(X<=5)
Use la Calculadora o la Tabla de Distribucin de Poisson - Pgs. 599-604.
Caso II.
El cable utilizado para asegurar las estructuras de los puentes tiene un promedio de 3
defectos por cada 100 yardas. Si usted necesita 50 yardas,
a. cul es la probabilidad de que haya una defectuosa?
b. cul es la probabilidad de que haya dos o ms defectuosas?
Ejercicios del 18 al 21 - Pg. 118.
Para entregar: Investigar la diferencia entre la distribucin de Poisson y la

distribucin binomial.
93
Caso I.
El gerente de Anthony, basado en su experiencia, estima que la probabilidad de que
cualquier cliente compre es de 0.30. Cul es la probabilidad de que 4 de los de los
siguientes 10 clientes que entren hagan una compra?
Caso II.
En una encuesta que se realiz se habl con cientos de estudiantes de edades de 18 a 28
aos de finanzas personales. En la encuesta se encontr que 33% de los estudiantes
tienen tarjeta de crdito.
a. En una muestra de seis estudiantes, Cul es la probabilidad de que dos tengan
tarjeta de crdito?
b. En una muestra de seis estudiantes, Cul es la probabilidad de que por lo menos
dos tengan tarjeta de crdito?
c. En una muestra de diez estudiantes, Cul es la probabilidad de que ninguno
tenga tarjeta de crdito?
Caso III.
El 50% de las industrias manufactureras de tamao mediano planearon visitas de
representantes de su administracin a Canad y Mxico, para aprovechar las
oportunidades que abri el Tratado de Libre Comercio en Norteamrica. Un grupo
exportador e importador de Toronto, Canad, invit a 20 manufactureras
estadounidenses medianas a participar en una conferencia con el fin de investigar las
oportunidades de negocios.
a. Cul es la probabilidad de que 12 o ms de estas empresas manden
representantes?
b. Cul es la probabilidad de que 5 de estas empresas, cmo mximo, manden
representantes?
Caso IV.
El 40% de las personas que viajan por negocios llevan un telfono celular o una
computadora porttil (USA Today, 12 septiembre del 2000). En una encuesta de 15
personas,
a. Cul es la probabilidad de que tres tengan un telfono celular o una computadora
porttil?
b. Cul es la probabilidad de que doce no tengan ni telfono celular ni una
computadora porttil?
c. Cul es la probabilidad de que por lo menos tres tengan un telfono celular o una
computadora porttil?
94
Caso V.
Al departamento de reservaciones de American Airlines llegan en promedio 48 llamadas
por hora.
a. Calcule la probabilidad de recibir tres llamadas en un intervalo de cinco minutos.
b. Calcule la probabilidad de recibir diez llamadas en un intervalo de quince
minutos.
Caso VI.
El promedio anual de las veces que los clientes de Air Santo Domingo toman vuelos
locales por motivos de personales es 4.
a. Cul es la probabilidad de que un cliente tome dos vuelos locales en un ao por
motivos personales?
b. Cul es la probabilidad de que un cliente tome uno o ms vuelos locales en un
semestre?
Caso VII.
Segn la revista Beverage Digest, la Coca clsica y la Pepsi ocuparon el primero y
segundo lugares en la preferencia de las personas (The Wall Street Journal Almanac,
1998). Suponga que en un grupo de 10 personas, seis prefieren Coca clsica y cuatro
prefieren Pepsi. Se selecciona una muestra aleatoria de tres miembros de ese grupo.
a. Cul es la probabilidad de que exactamente dos prefieran Coca clsica?
b. Cul es la probabilidad de que la mayora (dos o tres) prefieran Pepsi?
Caso VIII.
Un embarque de 10 artculos contiene dos unidades defectuosas y ocho no defectuosas.
Al revisarlo, se tomar una muestra y las unidades se inspeccionarn. Si se encuentra
una unidad defectuosa, se rechazar todo el embarque.
a. Si se selecciona una muestra de tres artculos, cul es la probabilidad de rechazar
el embarque?
b. Si se selecciona una muestra de cuatro artculos, cul es la probabilidad de
rechazar el embarque?
c. Si se selecciona una muestra de cinco artculos, cul es la probabilidad de
rechazar el embarque?
d. Si la gerencia estuviera de acuerdo en que hubiera una probabilidad de 0.90 de
rechazar un embarque con dos defectuosas y ocho no defectuosas?
95
Caso IX.
De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se
seleccionan 12 para ser enviados al Japn a estudiar un nuevo proceso de produccin.
Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso. Cul es la
probabilidad de que 5 de los enviados tengan algo de conocimiento sobre el proceso
antes de partir para el lejano oriente?
Caso X.
Supongamos que se est interesado en la probabilidad de que exactamente 5 clientes
lleguen durante la siguiente hora. La observacin simple de las ltimas 80 horas ha
demostrado que 800 clientes han entrado al negocio.
Caso XI.
Un fabricante en California le suministra un diseo de prototipo para una pieza de
aeronave que requiere un negocio. Este nuevo producto, que es enviado en lotes de n =
12, sufre de una tasa de defectos de 40%.
a. Si usted no desea un riesgo mayor del 10% en la probabilidad de que 5 de los 12
sean defectuosos debera comprarle a ese distribuidor?
b. Si usted no desea enfrentar un riesgo mayor del 20% de probabilidad de que ms
de 5 salgan defectuosos, debera comprarle a este proveedor?
Caso XII.
En el curso de una hora, una mquina especifca llena 1,000 botellas de Cerveza
Presidente. En cada uno de los intervalos, se selecciona aleatoriamente una muestra de
20 botellas y se verifica el volumen del contenido en cada una. Sea X el nmero de
botellas seleccionada con contenido insuficiente. Suponga que en una hora especfica se
producen 100 botellas llenadas en forma deficiente. Calcule la probabilidad de que al
menos tres botellas con contenido deficiente se incluyan en las muestreadas.
Caso XIII.
Se lanza una moneda 100 veces. Encuentre la probabilidad de que ocurra cara entre 48
y 53 veces inclusive.
Caso XIV.
Suponga que hay 300 errores de impresin distribuidos aleatoriamente a lo largo de un
libro de 500 pginas. Encuentre la probabilidad P de que una pgina dada contenga:
a) Exactamente 2 errores de impresin.
b) 2 o ms errores de impresin.
c) Entre 3 y 5 errores inclusive.
d) Exactamente 7 errores de impresin.
96
Caso XV.
PlayTime Toys, Inc. emplea a 50 personas en el Departamento de Ensamblaje. Cuarenta
de los empleados pertenecen al sindicato y diez no. Se seleccionan cinco empleados al
azar para formar un comit que va a hablar a la gerencia acerca de los horarios en que
inician los turnos. Cul es la probabilidad de que cuatro de los cinco empleados
seleccionados para el comit pertenezcan a un sindicato?
97
La distribucin normal (o gaussiana) y la regla emprica
La distribucin normal es una distribucin de datos

continuos(*) (no discretos) que produce una curva simtrica en
forma de campana.
La distribucin gaussiana fue presentada por Karl Friedrich
Gauss (1777-1855) en el 1812.
La campana de Gauss o curva de distribucin normal,

curva de probabilidad normal; se caracteriza por:
- Es unimodal.
- Es simtrica (la simetra es perfecta).
- La mitad izquierda de su histograma es aproximadamente
una imagen especular de su mitad derecha.
- La asimetra de la distribucin es cero.
- Las colas de la curva se aproximan mas, pero nunca tocan,
el eje horizontal.
- La media, la mediana y la moda son iguales.
- La mitad de las observaciones esta por encima de la media
y la mitad esta por debajo.
- Si las observaciones estn altamente dispersas, la curva en
forma de campana se aplanara y se esparcir. La desviacin
estndar determina el ancho de la curva. A valores mayores de la
desviacin estndar se tienen curvas ms anchas y bajas, que
muestran una mayor dispersin en los datos.
- El punto ms alto de la curva normal es la media, que
tambis es la mediana y la moda de la distribucin.
- El rea total bajo la curva de la distribucin normal de
probabilidad es 1.
(*) Variables continuas:

Son las que pueden tomar cualquier valor dentro de un
intervalo dado. Por muy prxima que puedan estar dos
observaciones, si el instrumento de medida tiene la precisin
suficiente siempre puede haber una tercera observacin que
98
caiga entre las dos primeras. Los valores de una variable

continua proceden en general de mediciones, por ejemplo las
cantidades de leche que las vacas producen son datos continuos
porque son mediciones que pueden asumir cualquier valor dentro
de un intervalo continuo. Se pueden obtener de un numero
infinito de posibles valores que pueden asociarse a puntos de una
escala continua, de tal manera que no haya huecos ni
interrupciones.
La Regla Emprica o Regla 68-95-99.
Esta regla solo aplica a un conjunto de datos cuya

distribucin tiene aproximadamente forma de campana. Esta
afirma que:
- Cerca del 68% de todos los puntajes u observaciones

queda a menos de una desviacin estndar de la media.
- Cerca del 95% de todos los puntajes u observaciones

queda a menos de dos desviaciones estndar de la media.
- Cerca del 99.7% de todos los puntajes u observaciones que

a menos de tres desviaciones estndar de la media.
La Desviacin Normal o Formula Z.
Z = (X - )/
Valor de Z
Es el numero de desviaciones estndar a las que una
observacin esta por encima o por debajo de la media.
X es algn valor especifico de la variable aleatoria.

es la media
es la desviacin estndar
99
Caso I.
Claudia Cffaro en su viaje que realizo en el fin de semana

pasado, para reunirse con los funcionarios de la Casa Matriz de
diseo de modas a la cual pertenece, determinaron que el publico
al cual se dirigen estaba en constante cambio en su tamao fsico
y en sus proporciones. Por lo que realizaron un estudio y llegaron
a la conclusin de que las estaturas de sus clientes estaban
distribuidas normalmente alrededor de una media de 67 pulgadas,
con una desviacin estndar de 2 pulgadas.
Si Claudia fuera a expresar en Valor de Z la estatura de dos

de sus clientes, que tienen 64 y 73 pulgadas respectivamente. Que
debe hacer? Tambin represntelo grficamente.
La Desviacin Normal o Formula Z.
Z = (X - )/
Si se selecciona aleatoriamente a un cliente del negocio de

Claudia:
1. Cul es la probabilidad de que la estatura del mismo est
entre 67 y 69 pulgadas?
2. Cul es la probabilidad de que la estatura del cliente sea
superior a 69 pulgadas?
3. Cul es la probabilidad de que la estatura del cliente sea
inferior a 69 pulgadas?
4. Cul es la probabilidad de que la estatura de est entre 64.5
y 70.3 pulgadas?
5. Cul es la probabilidad de que la estatura de est entre 69.3
y 70.5 pulgadas?
100
Aproximacin de la distribucin Binomial a la distribucin Normal.
Media de una Distribucin Binomial.

E(X) = = n = np
Varianza de una Distribucin Binomial.
= n(1- ) = npq
_______ ____
Desviacion = n(1- ) = npq
Si n es muy grande.
p = = denota probabilidad de tener xito en uno de los n ensayos.
q = denota la probabilidad de fracasar en uno de los n ensayos.
p+q=1
p=1q
q=1p
n > 5
np > 5
n(1- ) > 5
nq > 5
Si n es muy grande y np y nq son mayores que 5, p se aproxima a 0.5,
podemos aproximar.
Caso:
El 40% de los sindicalistas del Sindicato quiere huelga. Si seleccionan
15 miembros Cul es la probabilidad de que 10 apoyen un paro?
Distribucin Binomial P(x) = nCx () (1-)
10 15-10
P(x=10|n=15, =0.40) = 15C10*(0.40)*(1-0.40) = 3003 * 0.0001049 * 0.07776 = 0.02449
1) Media de una Distribucin Binomial.
E(X) = = n = np = 15 * 0.40 = 6
2) Varianza de una Distribucin Binomial.
= n(1- ) = npq = 15 * 0.40 * 0.60 = 3.6
______ ____
3) Desviacion = n(1- ) = npq = 1.89737
4)Factor de Correccion de Continuidad
X 0.5 = 10 0.5 = 9.5
X + 0.5 = 10 + 0.5 = 10.5
5) Z = (9.5 6) / 1.89737 = 1.85
Z = (10.5 6) / 1.89737 = 2.37
6) P(9.5 X 10.5) = P(1.85 Z 2.37) = 0.4911 0.4678 = 0.0233
101
Caso I.
Los tiempos de reemplazo de los reproductores de CD tienen una
distribucion normal con una media de 7.1 aos y una desviacion
estandar de 1.4 aos (basados en datos de "Getting Things Fixed",
Consumer Reports). Determine la probabilidad de que un
reproductor de CD seleccionado al azar tenga un tiempo de
reemplazo de menos de 8 aos.
Caso II.
Suponga que los pesos del papel desechado por los hogares cada
semana estan normalmente distribuidos con un media de 9.4 lbs y
una desviacion estandar de 4.2 lbs. Determine la probabilidad de
seleccionar aleatoriamente un hogar y obtener uno que desecha
entre 5 y 8 lbs de papel en una semana.
Caso III.
Segun la International Mass Retail Association, las muchachas
estadounidenses entre los 13 y 17 aos gastan en promedio US$31.2
dolares al mes cuando van de compras. Suponga que las cantidades tienen
una distribucion normal con una desviacion estandar de US$8.27 dolares.
Si seleccionamos al azar a una muchacha perteneciente a esa categoria de
edades, que probabilidad hay de que gaste entre US$35 y US$40 dolares
en un mes?
Caso IV.
Los puntajes de cociente intelectual (IQ) estan distribuidos normalmente
con una media de 100 y una desviacion estandar de 15. Mensa es una
organizacion para personas con cociente intelectual elevado, y solo acepta
personas con un IQ mayor que 131.5.
Si se escoge aleatoriamente a una persona, determine la probabilidad de
que satisfaga el requisito de Mensa.
102
Caso V.
VERIZON registro los mensajes telefnicos para sus clientes, los cuales
promediaron 150 segundos, con una desviacin estndar de 15 segundos.
VERIZON desea determinar la probabilidad de que una sola llamada dure:
a) Entre 145 y 150.
b) Sea mayor que 145.
c) Sea menor que 155.
d) Entre 145 y 155.
e) Sea Mayor que 155.
f) Entre 160 y 170
g) Entre 140 y 145.
Caso VI.
Cerca del 4.4% de los accidentes fatales de vehculos motorizados se debe
a neumticos defectuosos (basados en datos del Consejo Nacional de
Seguridad de Estados Unidos). Si un estudio de seguridad de autopistas
inicia con la seleccin de 750 casos fatales de choque de vehculos
motorizados, estime la probabilidad de que exactamente 35 de ellos hayan
sido causados por neumticos defectuosos. Represente grficamente la
situacin planteada.
Caso VII.
El promedio de los salarios en los bancos comerciales de New York es de
US$22.87 por hora, con una desviacin estndar de US$5.87. Cul debe
ser su salario por hora si desea ganar (Represente grficamente cada
situacin planteada:
a. Ms que el 80% de todos los empleados?
b. Ms que el 30% de todos los empleados?
c. Menos que el 20% de todos los empleados?
d. Ms que el 50% de todos los empleados?
Caso VIII.
Los registros muestran que el 45% de todos los automviles producidos por
Ford Motor Company contiene partes importadas de Japn. Cul es la
probabilidad de que los prximos 200 carros, 115 contengan partes
japonesas. Represente grficamente.
103
Caso IX.
El precio promedio del boleto de entrada a un juego de bisbol de ligas
mayores fue de $11.98 dlares en 1998 (USA Today, 1 de noviembre de
1998). Sumando a los boletos el costo de alimentos, estacionamiento y
souvenirs, el costo promedio aproximado fue de $110.00 dlares para una
familia de 4 miembros, con una desviacin de $20.00 dlares.
a. Cul es la probabilidad de que una familia gaste ms de $100.00
dlares?
b. Cul es la probabilidad de que una familia gaste $90.00 dlares o
menos?
c. Cul es la probabilidad de que una familia gaste $80.00 dlares a
130 dlares?
d. Cul es la probabilidad de que una familia gaste entre $120.00
dlares y 130 dlares?
e. Cul es la probabilidad de que una familia gaste entre $95.00
dlares y 100 dlares?
f. Cul debe ser el gasto de una familia que esta por encima del 80%
de los datos evaluados?
g. Cul debe ser el gasto del 50% de las familias de 4 miembros?
h. Cul debe ser el gasto de una familia que separa el 40% del 60
restante de los datos evaluados?
i. Si se toma una muestra de 50 familias, cul es la probabilidad de
que gasten entre 115.00 dlares y 125.00 dlares?
Caso X.
Cul es el ingreso que separa el 10% de la gente ms pobre del 90%
restante de la poblacin dominicana? Si el ingreso medio es de RD$5,200 y
la desviacin es de RD$1,300.
Ejercicios 32, 34, 35 y 36 de las pgs. 133-134
Caso XI.
El 40% de los sindicalistas del Sindicato quiere huelga. Si seleccionan 15
miembros Cul es la probabilidad de que 10 apoyen un paro?
Caso XII.
Los registros muestran que 45% de todos los automviles producidos por
Ford Motor Company contienen partes importadas de Japn. Cul es la
probabilidad de que los prximos 200 carros, 115 contengan partes
japonesas?
104
El Teorema del Limite Central indica que en el caso de muestras grandes (n

> 30), la distribucin de las medias de muestra es aproximadamente normal
con media y desviacin estndar /n. Provocando as una variacin de
la ecuacin:
= (X' - )/(/n)
La regla general es que si n es por lo menos 30, el Teorema del Limite

Central asegurara una distribucin normal en las medias muestrales incluso
si la poblacin no es normal.
105
Distribucin t de Student
Los factores como el costo y el tiempo a menudo limitan

severamente el tamao de las muestras, y es posible que la
distribucin normal no sea una aproximacin adecuada a la
distribucin de las medias de muestras pequeas.
En muestras pequeas, la media de muestra X' generalmente

es el mejor estimado puntual de la media de la poblacin .
Es posible construir intervalos de confianza para muestras

pequeas utilizando la distribucin normal con el mismo margen
de error, siempre que la poblacin original tenga una distribucin
normal y se conozca la desviacin estndar de la poblacin
(condicin que casi nunca se cumple en aplicaciones reales).
Si tenemos una muestra pequea (n30) y queremos

construir un intervalo de confianza pero no conocemos , a veces
podemos usa la Distribucin t de Student ideada por Willian
Gosset (1876-1937). Gosset era un empleado de la cervecera
Guiness que necesitaba una distribucin susceptible de usarse con
muestras pequeas. La cervecera donde trabajaba no permita la
publicacin de los resultados de investigaciones, as que Gosset
publico bajo el pseudnimo Student.
Condiciones para usar la Distribucin t de Student.
1.- La muestra es pequea (n30).
2.- Se desconoce .
3.- La poblacin padre tiene una distribucin esencialmente

normal. (Dado que a menudo se desconoce la distribucin de la
106
poblacin padre, la estimamos construyendo un histograma con

datos de muestra.)
Propiedades importantes de la Distribucin t de Student.
1.- La distribucin t de Student es diferente para los diferentes

tamaos de muestra. (Ver Figura 7.3 en la Pg. 177).
2.- La distribucin t de Student tiene la misma forma general de

campana simtrica que la distribucin normal estndar, pero
refleja la mayor variabilidad (con distribuciones ms amplias) que
cabe esperar cuando la muestra es pequea.
3.- La distribucin t de Student tiene una media t=0 (as como la

distribucin normal estndar tiene una media de Z=0).
4.- La desviacin estndar de la distribucin t de Student varia

con el tamao de la muestra, pero es mayor que 1 (a diferencia de
la distribucin normal estndar, que tiene =1).
Al igual que la distribucin Z, la distribucin t tiene una

media de cero, es simtrica respeto a la media y oscila entre -
y + . Sin embargo, mientras que la distribucin Z tiene una
varianza de =1, la varianza de la distribucin t es mayor que
1.
5.- A medida que aumenta el tamao de muestra n, la distribucin

t de Student se acerca mas a la distribucin normal estndar. Con
valores de n > 30, las diferencias son tan pequeas que podemos
utilizar los valores crticos de z en lugar de crear una tabla mucho
ms grande de valores crticos de t.
Varianza de la distribucin t
= (n-1)/(n-3)
107
La varianza depende de los grados de libertad (g.l.), que

definimos como el numero de observaciones que se pueden
escoger libremente. Es el numero de observaciones menos el
numero de restricciones impuestas sobre las observaciones, en
donde una restriccin es algn valor que tales observaciones
deben poseer.
Grados de libertad.
El numero de grados de libertad de un conjunto de datos

corresponde al numero de puntajes que puede variar despus de
haber impuestos ciertas restricciones a todos los puntajes.
Es el numero de observaciones menos el numero de

restricciones impuestas sobre tales observaciones.
g.l. = n - 1
Podra parecer un poco extrao que, con una poblacin

distribuida normalmente, a veces utilicemos la distribucin t
para encontrar valores crticos, pero cuando se desconoce el
uso de s de una muestra pequea incorpora otra fuente de
error. A fin de mantener el grado de confianza deseado,
compensamos la variabilidad adicional ensanchando el
intervalo de confianza mediante un proceso que sustituye el
valor critico Z por el valor critico ms grande de t.
El estadstico t
t = (X'-)/(s/n)
108
Caso I.
Cuando se usan pruebas destructivas, los elementos de una

muestra se destruyen durante el proceso de probarlos. Las
pruebas de choques de automviles son un ejemplo muy costoso
de pruebas destructivas.
Si usted estuviera encargado de tales pruebas de choque, no

querra decirle a su supervisor que necesita chocar y destruir mas
de 30 automviles para poder usar la distribucin normal.
Supongamos que usted ha probado 12 automviles deportivos
Dodge Viper (Precio d lista actual: US$59,300 dlares)
chocndolos en diversas condiciones que simulan colisiones
representativas. Un anlisis de los 12 automviles daados da
como resultado costos de reparacin cuya distribucin al parecer
tiene forma de campana, con una media de X'=US$26,227 y una
desviacin estndar de s=$15,873 (basado en datos de Highway
Loss Data Institute). Determine lo siguiente.
a) El mejor estimado puntual de la media de poblacin , el costo
de reparacin medio de todos los Dodge Viper implicados en
colisiones.
b) El estimado de intervalo del 95% de , el costo de reparacin
medio de todos los Dodge Viper implicados en colisiones.
Solucin:
a) El mejor estimado puntual de la media de poblacin es el
valor de la media de muestra X'. En este caso, entonces, el mejor
estimado puntual de es US$26,227 dlares.
b) DATOS:
n = 12 automviles deportivos Dodge Viper
X'=US$26,227 dlares costo de reparacin
s =US$15,873 dolares
N.F.= 95% ===> t= ?
I.C. para = ?
109
Dada las condiciones anteriores:

2.- Se desconoce .
datos de muestra.)
podemos usar la Distribucin t de Student:
g.l. = grados de libertad
g.l. = n-1 = 12-1 = 11
usando la tabla de la distribucin t (Pg. 606) con los g.l.=11 y
N.C.=95% cuyas colas equivalen a 5% (0.05) determinamos el
valor critico t.
g.l.=11; I.C. con N.C.=95% (0.950); dos colas=5% (0.050) ==>
t=2.201
donde E = t (s/n)
E = 2.201 (15,873/12) = US$10,085.29
El intervalo de confianza es:

X' - E < < X' + E
US$26,227-US$10,085.29< < US$26,227+US$10,085.29
US$16,142 < < US$36,312
[Este resultado tambin podra expresarse en el formato de

=US$26,227US$10,085.29 o como (US$16,142, US$36,312).]
Con base en los resultados de muestra dados, tenemos un

95% de confianza en que los limites de USD16,142 y
USD36,312 contendrn realmente el valor de la media de
poblacin . Estos costos de reparacin parecen muy altos.
Efectivamente, el Dodge Viper es actualmente el automvil ms
costoso de reparar despus de una colisin. Tal informacin es
importante para compaas que aseguran Dodge Vipers contra
choques.
110
Caso II. Utilice el grado de confianza y los datos de muestra

dados para determinar (a) el margen de error y (b) el intervalo de
confianza para la media de la poblacin .
1) Estaturas de mujeres: confianza del 95%; n=10, x'=63.4 pulg.,
s=2.4 pulg.
2) Promedios de calificaciones: confianza del 99%; n=15,
x'=2.76, s=0.88
3) Puntajes en una prueba: confianza del 90%; n=16, x'=77.6,
s=14.2
4) Salarios de policas: confianza del 92%; n=19, x'=$23,228,
s=$8,779
Caso III.
Ejercicios 12 al 18 Pgs. 179-180 y Analizar figura 7.4 Pg. 179.
111
Anlisis de Regresin y Correlacin
El modelo estadstico que nos permite representar la

relacin entre dos variables (dependiente e independiente) se
denomina Ecuacin de Regresin, ya que a travs de el podemos
regresar o proyectar datos sobre el posible comportamiento futuro
del fenmeno.
El primero en desarrollar el anlisis de regresin fue el

cientfico ingles Sir Francis Galton (1822-1911). Este estudio el
fenmeno de la herencia y demostr que cuando matrimonios con
estaturas altas o bajas tienen hijos, las estaturas de esos hijos
tienden a exhibir regresin, es decir, a desplazarse hacia una
estatura media ms representativa.
Dada una coleccin de datos de muestra apareados, la

ecuacin de regresin
y = bo + bix
y = f(x)
describe la relacin entre dos variables. La grafica de la
ecuacin de regresin se denomina lnea de regresin (o lnea de
mejor ajuste, o lnea de mnimos cuadrados).
Esta definicin expresa una relacin entre "x" (variable

independiente o variable predictoria) y "y" (llamada variable
dependiente o variable de respuesta).
Variable dependiente (Y): Es la variable que se desea explicar o

predecir; tambin se le denomina regresando o variable de
respuesta.
Variable independiente (X): se utiliza para explicar a Y.

112
Notacin para la ecuacin de regresin.
Parmetro Estadstica
de Poblac. de Muestra
Ordenada al origen de
la ecuacin de regresin o bo
Pendiente de la
la ecuacin de regresin 1 b1
Ecuacin de la lnea
de Regresin Y=o+ix y=bo+bix
y = b o + b ix
Donde bo es la ordenada de origen y bi es la pendiente.
bo y bi son estadsticas de muestra que sirven para estimar los

parmetros de poblacin o y ix.
Mnimos cuadrados ordinarios (MCO).
El propsito del anlisis de regresin es determinar una

recta que se ajuste a los datos muestrales mejor que cualquier otra
recta que pueda dibujarse.
bo y bi estos valores los podemos determinar a travs de un
procedimiento matemtico que se denomina Mnimos Cuadrados
Ordinarios (MCO). MCO producir una recta que se extiende por
113
el centro del diagrama de dispersin aproximndose a todos los

puntos de datos mas que cualquier otra recta.
Suma de los cuadrados de X.
SCx = (Xi-X')
SCx = X - [(X)/n]
Suma de los cuadrados de Y.
SCy = (Yi-Y')
SCx = Y - [(Y)/n]
Suma de los productos cruzados de X y Y.
SCxy = (Xi-X')(Yi-Y')
SCxy = XY - [(X)(Y)/n]
Vale la pena notar que las primeras porciones de cada una de
estas formulas:
SCx = (Xi-X') | SCy = (Yi-Y') | SCxy = (Xi-X')(Yi-Y')
Ilustran como la recta MCO se basa en las desviaciones de las
observaciones a partir de su media.
Dadas las sumas de cuadrados y los productos cruzados, es

sencillo calcular la pendiente de la recta de regresin y el
intercepto, as:
La Pendiente de la recta de regresin. bi = SCxy/SCx
El intercepto de la recta de regresin. bo = Y' - biX'
donde Y' y X' son las medias de los valores de Y y los valores de
X.
NOTA: Estos clculos son extremadamente sensibles a la

aproximacin. Por tanto, se aconseja en aras de la exactitud,
efectuar los clculos hasta con cinco o seis cifras decimales.
114
El error estndar de estimacin Se.
Es una medida del grado de dispersin de los valores Yi

alrededor de la recta de regresin. Mide la variacin de los
puntos de datos por encima y por debajo de la recta de regresin.
Refleja la tendencia a desviarse del valor real de Y cuando se
utiliza el modelo de regresin para fines predictivos.
El error estndar de estimacin mide la variacin promedio

de los puntos de datos alrededor de la recta de regresin que se
utiliza para estimar Y y por ende proporciona una medida del
error que se presentara en dicha estimacin.
Se = (Yi-Yî)/n-2
Suma de Cuadrados del Error - SCE

SCE = SCy - (SCxy)/SCx
En un modelo de regresin simple, se imponen dos

restricciones en el conjunto de datos, debido a que se deben dos
parmetros, o y ix. Por tanto hay n-2 grados de libertad y
CME es
Cuadrado Medio del Error

CME = SCE/n-2
El Error Estndar
Se = CME
El error estndar siempre se expresa en las mismas unidades que

la variable dependiente Y.
115
Caso I.
La gerencia de Aeromar, considera que existe una relacin directa
entre los gastos publicitarios y el numero de pasajeros que
escogen viajar por Aeromar. Para determinar si esta relacin
existe, y si es as cual podra ser la naturaleza exacta, los analistas
decidieron utilizar los procedimientos de MCO para determinar el
modelo de regresin. Represente grficamente los resultados.
y=bo+bix
Datos de Regresin para AEROMAR
Observacin Publicidad Pasajeros

Mes En miles US$ En miles
X Y XY X^2 Y^2
1 10 15
2 12 17
3 8 13
4 17 23
5 10 16
6 15 21
7 10 14
8 14 20
9 19 24
10 10 17
11 11 16
12 13 18
13 16 23
14 10 15
15 12 16
TOTALES 187 268
116
El valor positivo para un bi indica una relacin directa. A medida

que la publicidad aumenta, tambin lo hace el numero de
pasajeros. Ahora es til obtener una medida de la fuerza de esa
relacin. Esta es la funcin del Coeficiente de Correlacin,
desarrollada por Carl Pearson, a veces se le llama el Coeficiente
de Correlacin producto-momento de Pearson.
El Coeficiente de Correlacin r puede asumir cualquier valor

entre -1 y +1, es decir,
-1 r +1
Un valor de r= -1 indica una relacin negativa entre X y Y.
Suma de Cuadrados Total

SCT = (Yi-Y')
Suma de Cuadrados de la Regresin

SCR = (Yî-Y')
Suma de Cuadrado de Error

SCE = (Yi-Yî)
Coeficiente de Correlacin
r = SCR/SCT
r = SCxy / (SCx)(SCy)
117
Caso II.
Para apoyar las ventas de un producto de consumo masivo en un
mercado altamente competitivo una empresa inicio a comienzos
de ao una intensa campaa publicitaria. La comparacin entre la
inversin publicitaria y las ventas del producto en 12 meses se
colocan en la siguiente tabla:
a) Formule la ecuacin de regresin.

b) Si invertimos en publicidad $400,000 cual debera ser las
posibles ventas?
VENTAS PUBLICIDAD
MESES EN MILES EN MILES
Y X XY X^2 Y^2
ENERO 350 200
FEBRERO 300 250
MARZO 630 300
ABRIL 840 250
MAYO 930 330
JUNIO 1060 180
JULIO 1280 150
AGOSTO 850 350
SEPTIEMBRE 700 200
OCTUBRE 1160 250
NOVIEMBRE 1180 250
DICIEMBRE 1500 170
TOTALES 10780 2880
118
Caso III.
El departamento de ventas de una Compaa realiza un anlisis
comparativo entre el volumen de pedidos levantados y numero de visitas
efectuadas. Por sus diez vendedores en cierto periodo de tiempo, todos los
vendedores trabajan en zonas similares, en lo referente al numero de
clientes que maneja cada uno y potencial de compra de dichos clientes.
Los resultados obtenidos son los siguientes:
a) Formule la ecuacin de regresin.

b) Cunto ascendera el posible monto de los pedidos si las visitas fueran
250?
c) Cul es el grado de relacin entre las variables?
d) Determine el error estndar.
e) Haga el diagrama de dispersin.
f) Grafique la recta de regresin.
PEDIDOS
EN MILES VISITAS
VENDEDOR US$ REALIZADAS
1 13,4 245
2 10,3 172
3 15,1 291
4 6,9 124
5 7,3 191
6 14,2 218
7 5,2 101
8 11,8 259
9 14,3 307
10 5,5 142
119
Caso IV.
Suponga que se reunieron datos de una muestra de 10 restaurantes ubicados
cerca de centros educativos. Para i-sima observacin o restaurante de la
muestra, xi es el tamao de la poblacin estudiantil, en miles, y yi son las
ventas trimestrales (en miles de dlares). Los valores de xi y yi para los 10
restaurantes de la muestra se resumen en la siguiente tabla:
Ventas
Poblacin de Trimestrales
Restaurante Estudiantes (miles) (miles de dlares
1 2 58
2 6 105
3 8 88
4 8 118
5 12 117
6 16 137
7 20 157
8 20 169
9 22 149
10 26 202
a. Trace un diagrama de dispersin para estos datos.
b. Qu indica el diagrama de dispersin que traz anteriormente,
acerca de la relacin entre las dos variables?
c. Formule la ecuacin de regresin.
d. Realice una interpretacin de la pendiente de la ecuacin de
regresin.
e. Cul es el grado de relacin entre las variables?
f. Determine el error estndar.
g. Grafique la recta de regresin.
120
Caso V.
Los datos siguientes muestran las ventas (en millones) de cajas y los gastos
de publicidad (en millones de dlares) para 7 marcas principales de
refrescos (Superbrands 98, 20 de octubre de 1997).
Gastos de
Publicidad Ventas de cajas
Marca (millones de dlares) (en millones)
Coca-Cola Classic 131.3 1,929.2
Persi-Cola 92.4 1,384.6
Diet Coke 40.4 811.4
Sprite 55.7 541.5
Dr. Pepper 40.2 536.9
Mountain Dew 29.0 535.6
7-Up 11.6 219.5
b. Formule la ecuacin de regresin.
c. Realice una interpretacin de la pendiente de la ecuacin de
regresin.
d. Cul es el grado de relacin entre las variables?
e. Determine el error estndar.
f. Prediga las ventas para una marca que gaste 70 millones de dlares
en publicidad.
g. Grafique la recta de regresin.
121
Caso VI.
En The Wall Street Journal Almanac 1998 aparecieron datos sobre el
desempeo de las aerolneas estadounidenses. A continuacin vemos los
datos sobre el porcentaje de vuelos que llegan puntuales y la cantidad de
quejas por 100,000 pasajeros.
Aerolnea % de Puntualidad Quejas
Southwest 81.8 0.21
Continental 76.6 0.58
Northwest 76.6 0.85
US Airways 75.7 0.68
United 73.8 0.74
American 72.2 0.93
Delta 71.2 0.72
American West 70.8 1.22
TWA 68.5 1.25

b. Qu indica el diagrama de dispersin que traz en el inciso a)?
c. Formule la ecuacin de regresin, que indique cmo se relaciona el
nmero de quejas por cada 100,000 pasajeros con el porcentaje de
vuelos que llegan a tiempo.
d. Realice una interpretacin de la pendiente de la ecuacin de
regresin.
e. Cul es el grado de relacin entre las variables?
f. Determine el error estndar.
g. Cul es la cantidad estimada de quejas por 100,000 pasajeros, si el
porcentaje de vuelos puntuales es de 80 porciento?
h. Grafique la recta de regresin.
122
Caso VII.
La empresa Nielsen Media Research rene datos que muestran qu
publicistas obtienen la mayor difusin durante las horas estelares de
transmisin en 6 redes televisivas. A continuacin se presentan los datos
de la cantidad de familias espectadoras, en millones, y la cantidad de veces
que sali el anuncio al aire durante la semana del 28 de abril al 4 de mayo
de 1997 (USA Today, 5 de mayo de 1997).
Veces que sali al Familias
Marca Anunciada aire espectadoras
Wendy's 28 191.7
Ford Escort 20 174.6
Ausin Powers movie 14 161.3
Nissan 16 161.1
Pizza Hut 16 147.7
Saturn 16 146.3
Father's Day Movie 11 138.2
a. Forme la ecuacin de regresin estimada que describa cmo se

relaciona la cantidad de veces que sale un anuncio con la cantidad de
familia espectadoras.
b. Proponga una interpretacin de la pendiente de la ecuacin de
regresin estimada.
c. Cul es la cantidad estimada de familias espectadoras si un anuncio
sale 15 veces al aire en una semana.
123
Caso VIII.
Un gerente de ventas reuni los datos siguientes relacionados con las
ventas anuales y aos de experiencia.
Aos de Ventas anuales
Vendedor Experiencia (miles de dlares)
1 1 80
2 3 97
3 4 72
4 4 102
5 6 103
6 8 111
7 10 119
8 10 123
9 11 117
10 13 136
b. Formule una ecuacin de regresin estimada con la que se puedan
predecir las ventas anuales, dados los aos de experiencia.
c. Use la ecuacin de regresin para predecir las ventas anuales de un
vendedor con 9 aos de experiencia.
Caso IX.
El gerente de ventas de Copier Sales of America, que tiene una fuerza de
ventas muy numerosa en Estados Unidos y Canad, quiere determinar si
existe una relacin entre el nmero de llamadas de ventas que se realizan al
mes y el nmero de copiadoras que se venden durante ese mes. El gerente
selecciona una muestra aleatoria de 10 representantes y determina el
nmero de llamadas de ventas que cada uno hizo el pasado y la cantidad de
copiadoras vendidas. La informacin de la muestra se presenta a
continuacin:
Nmero de Nmero de
Llamadas Copiadoras
Representante de Ventas de Ventas Vendidas
Tom Keller 20 30
Jeft Hall 40 60
Brian Virost 20 40
Greg Fish 30 60
Susan Welch 10 30
Carlos Ramrez 10 40
Rich Niles 20 40
Mike Kiel 20 50
Mark Reynolds 20 30
Soni Jones 30 70
124
h. Trace un diagrama de dispersin para estos datos.

i. Qu indica el diagrama de dispersin que traz anteriormente, acerca de la
relacin entre las dos variables?
j. Formule la ecuacin de regresin.
k. Realice una interpretacin de la pendiente de la ecuacin de regresin.
l. Cul es el grado de relacin entre las variables?
m. Determine el error estndar.
n. Grafique la recta de regresin.
o. Prediga las ventas para 15, 35 y 60 llamadas.
Caso X.
La humedad influye en la evaporacin, de modo que el equilibrio de
solventes de las pinturas base agua durante su roco se ve afectado por la
humedad. Se emprende un estudio controlado para examinar la relacin de
la humedad con la magnitud de la evaporacin del solvente. El
conocimiento de esta relacin es til para que el pintor ajuste el aspersor de
pintura de modo de considerar la humedad. Se obtienen los datos
siguientes:
HUMEDAD EVAPORACION
RELATIVA SOLVENTE
OBSERVACION (%) (% DE PESO)
1 35.3 11.0
2 29.7 11.1
3 30.8 12.5
4 58.8 8.4
5 61.4 9.3
6 71.3 8.7
7 74.4 6.4
8 76.7 8.5
9 70.7 7.8
10 57.5 9.1
11 46.4 8.2
12 28.9 12.2
13 28.1 11.9
14 39.1 9.6
15 46.8 10.9
16 48.5 9.6
17 59.3 10.1
18 70.0 8.1
19 70.0 6.8
20 74.4 8.9
21 72.1 7.7
22 58.1 8.5
23 44.6 8.9
24 33.4 10.4
25 28.6 11.1
125
Las estadsticas de resumen para estos datos son:

Sumatoria de x = 1,314.90
Sumatoria de y = 235.70
Sumatoria de x*x = 76,308.53
Sumatoria de y*y = 2,286.07
Sumatoria de x*y = 11,824.44
i. Trace un diagrama de dispersin para estos datos.
j. Qu indica el diagrama de dispersin que traz en el inciso a)?
k. Formule la ecuacin de regresin, que indique cmo se relaciona la
humedad con la evaporacin.
l. Realice una interpretacin de la pendiente de la ecuacin de
regresin.
m. Cul es el grado de relacin entre las variables?
n. Determine el error estndar.
o. Cul es la magnitud de la evaporacin del solvente cuando la
humedad relativa es 50%?
Grafique la recta de regresin.
126
Distribucin Muestral
Generalmente las poblaciones son demasiado grandes como

para ser estudiadas en su totalidad. Es necesario seleccionar una
muestra representativa de un tamao ms manejable. Esta
muestra se utiliza luego para sacar conclusiones sobre la
poblacin.
Distribucin Muestral:
Es una lista de todos los valores posibles para un estadstico

y la probabilidad relacionada con cada valor.
Error de Muestreo:
Es la diferencia entre el parmetro poblacional y el

estadstico de la muestra para estimar el parmetro.
X'-X"
X'-
Parmetro:
Es una medicin numrica que describe alguna
caracterstica de una poblacin.
- Medida descriptiva de la poblacin completa de

observaciones que tienen inters para el investigador.
Estadstico:
Es una medicin numrica que describe alguna
caracterstica de una muestra.
El estadstico se utiliza como estimador del parmetro. Al

confiar en una muestra para sacar alguna conclusin o inferencia
sobre la poblacin.
127
Caso I.
Las ventas en miles de dlares de Electrom, S.A. durante los
ltimos 6 meses fueron de 70, 77, 73, 78, 85 y 80. Asumiendo
que estos cinco meses constituyen una poblacin, la media
claramente es = 77.17. El director de Marketing desea estimar
esta media "desconocida" tomando una muestra de tamao n=4.
Se espera que el error de muestreo que es probable que ocurra sea
relativamente pequeo. Realice la distribucin muestral.
1 Podemos obtener muchas muestras de tamao 4.
Especficamente 6C4 = 15
2 Construya la tabla en base a la cantidad de muestra del primer

punto, indicando los elementos muestrales (Xi), y Medias
Muestrales (X')
3 Construya la tabla con la Probabilidad de cada media muestral.
4 Calcule la media de las medias muestrales.
La Media de las Medias Muestrales:
X"= estndar de las medias muestrales/K.
Varianza de la Distribucin Muestral de las Medias

Muestrales:
x'=(X'-X")/K
Error Estndar de la Muestral de las Medias Muestrales:
x'=x'
Una aproximacin cercana puede obtenerse mediante:

x'=/n
128
x'=/n
Si el tamao de la muestra es mas del 5% de la poblacin,
n>0.05N, debe aplicarse el factor de correccin para
poblaciones finitas (fpc).
Error Estndar utilizando el fpc:
x'=(/n)((N-n/N-1))
(N-n/N-1) es el fpc.
70 73 77 78 80 85
TABLA DE DISTRIBUCION MUESTRAL

POBLACION
VENTAS NUMERO ELEMENTOS DE MEDIA (X') ERROR DE CUADRADO DEL
MENSUALES MUESTRA LA MUESTRA (X) MUESTRAL MUESTREO (X'-X") ERROR (X'-X")
70 1 70 73 77 78
77 2 70 73 77 80
73 3 70 73 77 85
78 4 70 73 78 80
85 5 70 73 78 85
80 6 70 73 80 85
77.17 MEDIA 7 70 77 78 80
VARIANZA 8 70 77 78 85
DESVICION 9 70 77 80 85
10 70 78 80 85
11 73 77 78 80
12 73 77 78 85
13 73 77 80 85
14 73 78 80 85
15 77 78 80 85
MEDIA DE X' VARIANZA

ERROR ESTANDAR
129
TABLA DE PROBABILIDADES
NUM. MUESTRAL NX'/K
MEDIAS (NX') MEDIA (X') P(X')
Ejercicios 1 al 5 - Pgs. 149-150
Teorema del Limite Central.
A medida que n se vuelve ms grande, la distribucin de las

medias muestrales se aproxima a una distribucin normal con una
media X"= y un error estndar de x'=/n.
A mayor n menor x'
Por tanto, incluso si la poblacin no esta distribuida

normalmente, la distribucin de muestreo de las medias
muestrales ser normal si n es lo suficientemente grande.
La regla general es que si n es por lo menos 30, el Teorema

del Limite Central asegurara una distribucin normal en las
medias muestrales incluso si la poblacin no es normal.
130
En sntesis:
Teorema del Limite Central:

Dado que:
1.- La variable aleatoria x tiene una distribucin (que podra ser o
no normal) con media y una desviacin estndar .
2.- Se seleccionan aleatoriamente muestras de tamao n de esa

poblacin.
Conclusiones:
1.- A medida que aumenta el tamao de las muestras, la

distribucin de las medias de muestra se acercara a una
distribucin normal.
2. - La media de las medias de muestra ser la media de la
poblacin X"=.
3.- La desviacin estndar de las medias de muestra ser x'=/
n.
Reglas prcticas de uso comn:
1.- Para muestras de tamao n mayor que 30, la distribucin de

las medias de muestra se puede aproximar razonablemente bien
con una distribucin normal. La aproximacin es ms exacta a
medida que aumenta el tamao de muestra n.
2.- Si la poblacin original tambin esta distribuida normalmente,

las medias de muestra tendrn una distribucin normal para
cualquier tamao de muestra n.
El Teorema del Limite Central indica que en el caso de muestras grandes (n

> 30), la distribucin de las medias de muestra es aproximadamente normal
con media y desviacin estndar /n. Provocando as una variacin de
la ecuacin:
131
= (X' - )/(/n)
La regla general es que si n es por lo menos 30, el Teorema del Limite

Central asegurara una distribucin normal en las medias muestrales incluso
si la poblacin no es normal.
Caso I.
Orange registr los mensajes telefnicos de sus clientes, los
cuales promedian 150 segundos, con una desviacin de 15
segundos, por lo que planea instalar nuevos equipos que
mejoraran la eficiencia de sus operaciones. Sin embargo, antes
que los ejecutivos puedan decidir si dicha inversin ser eficaz en
funcin de los costos, deben determinar la probabilidad de que la
media de una muestra de n = 35:
a. Est entre 145 y 150.
b. Sea mayor que 145.
c. Sea menor que 155.
d. Est entre145 y 155.
e. Sea mayor que 155.
132
Distribucin de Proporciones Muestrales
Muchos asuntos de negocios tratan la proporcin de la

poblacin . Una firma de marketing puede querer averiguar si
un cliente (1) compra o (2) no compra el producto. Un banco con
frecuencia debe determinar si un depositante (1) pedir o (2) no
pedir un crdito para auto. Muchas firmas deben determinar la
probabilidad de que un proyecto para presupuestar capital (1)
generara o (2) no generara un rendimiento positivo.
un cliente (1) compra (p = )

o (2) no compra el producto (q = 1 - )
un depositante (1) pedir un crdito para auto (p = )

o (2) no pedir un crdito para auto (q = 1 - )
Valor esperado (media) de la

Distribucin Muestra de la Proporcin: E(p) = = p/K
Error estndar de la Distribucin _______ ____

Muestra de la Proporcin: p = (1-)/n = pq/n
Si el tamao de la muestra es mas del 5% de la poblacin,

n>0.05N, debe aplicarse el factor de correccin para
poblaciones finitas (fpc).
Error estndar de la Distribucin _______ ________

Muestra de la Proporcin: p = (1-)/n * (N-n/N-1)
____ ________
p = pq/n * (N-n/N-1)
133
Caso I.
Publicidad Sarmiento pregunta a toda la poblacin N=4 clientes si
vieron el anuncio publicitario de Sarmiento en el peridico de esta
maana. Se registro una respuesta sicomo xito, y nocomo
fracaso. Los cuatros clientes S1, N2, N3 y S4. La proporcin
poblacional de xitos es = 0.5. Se tomaron muestras de tamao
n = 2, y la proporcin de xitos se registra en la siguiente tabla:
p = x/n
Xi Nm. De xitos p
1 S1, N2 1 0.50
2 S1, N3 1 0.50
3 S1, S4 2 1.00
4 N2, N3 0 -
5 N2, S4 1 0.50
6 N3, S4 1 0.50
TOTAL 3.00

Distribucin Muestra de la Proporcin:
E(p) = = p/K = 3/6 = 0.5
Muestra de la Proporcin: p = (1-)/n * (N-n/N-1)

________ _______
p = 0.5*0.5/2 * (4-2/4-1)
p = 0.35355339 * 0.81649658 = 0.289
Z = (p - )/p
134
Caso II.
BellLabs adquiere componentes para sus telfonos celulares en
lotes de 200 de una firma en Palo Alto. El componente tiene una
tasa de defectos del 10%. Una poltica establecida recientemente
por BellLabs establece que si el siguiente envo tiene:
a. Ms del 12% de defectos, definitivamente buscar un

nuevo suplidor.
b. Entre el 10 y el 12% de defectos, considerar un nuevo
proveedor.
c. Entre el 5 y 10% de defectos, definitamente no
conseguir un nuevo proveedor.
d. Menos del 5% de defectos, incrementar sus pedidos.
i. Cal decisin es ms probable que tome
BellLabs?
a. Ms del 12% de defectos, definitivamente buscar un

nuevo suplidor.

E(p) = = 0.10
Muestra de la Proporcin: p = (1-)/n

__________
p = 0.1*0.9/200 = 0.021
P(p > 0.12):

Z = (p - )/p
Z = (0.12 0.10)/0.021 = 0.95
Z = 0.95 rea de 0.3289
P(p > 0.12) = P(Z > 0.95) = 0.5 - 0.3289 = 0.1711

135
b. Entre el 10 y el 12% de defectos, considerar un nuevo

proveedor.
E(p) = = 0.10

__________
p = 0.1*0.9/200 = 0.021
P(0.10 <= p <= 0.12):

Z = (p - )/p
Z = (0.12 0.10)/0.021 = 0.95
Z = 0.95 rea de 0.3289
P(0.10 <= p <= 0.12) = 0.3289
c. Entre el 5 y 10% de defectos, definitamente no

conseguir un nuevo proveedor.

E(p) = = 0.10

__________
p = 0.1*0.9/200 = 0.021
P(0.05 <= p <= 0.10):

Z = (p - )/p
Z = (0.05 0.10)/0.021 = -2.38
Z = 2.38 rea de 0.4913
P(0.05 <= p <= 0.10) = 0.4913
136
d. Menos del 5% de defectos, incrementar sus pedidos.

Cal decisin es ms probable que tome BellLabs?

E(p) = = 0.10

__________
p = 0.1*0.9/200 = 0.021
P(p < 0.05):

Z = (p - )/p
Z = (0.05 0.10)/0.021 = -2.38
Z = 2.38 rea de 0.4913
P(p < 0.05) = 0.5 - 0.4913 = 0.0087
Webster: Ejercicios 9 al 12 - Pg. 157

Webster: Ejercicios 13 al 17 - Pg. 160
Investigar los siguientes Mtodos de Muestreo y dar dos

Ejemplos: Valor 2 adicionales a los 100.
- Muestreo Aleatorio Simple

- Muestreo Sistemtico
- Muestreo Estratificado
- Muestreo por Conglomerados
- Muestreo de Conveniencia
137
Mtodos de Muestreo
- Es una porcin representativa de la poblacin, que se selecciona

para su estudio porque la poblacin es demasiado grande para analizarla en
su totalidad.
Muestra Aleatoria o Probabilstica: Se seleccionan los miembros de la

poblacin de modo que cada uno tenga la misma probabilidad de ser
escogido.
Son muestras en que los elementos a seleccionar se obtienen con

base en la probabilidad. Cada elemento de una poblacin tiene cierta
probabilidad de ser elegido como parte de la muestra.
Muestra Aleatoria Simple: Una muestra es seleccionada de modo que

todos los elementos de la poblacin tienen la misma probabilidad de ser
elegidos. De igual manera, todas las muestras de tamao n tienen la misma
posibilidad de ser elegidas. La muestras aleatorias simples se obtienen por
muestreo con reemplazo en una poblacin finita o por muestreo sin
reemplazo en una poblacin sin reemprazo.
Una muestra aleatoria simple de n sujetos se selecciona de tal

manera que toda posible muestra de tamao n tenga la misma probabilidad
de ser escogida.
Muestreo Estratificado: Subdividimos la poblacin en por lo menos dos

subpoblaciones (o estratos) distintas que comparten categoras (como
genero), y luego sacamos una muestra de cada estrato.
Si los tamaos de muestra de los distintos estratos reflejan la

poblacin general, decimos que tenemos un muestreo proporcional.
Muestra que se obtinen al estratificar el marco muestral y luego

seleccionar un nmero fijo de elementos de cada uno de los estratos
promedio de una tcnica de muestreo aleatorio simple.
138
Muestreo Proporcional: Muestra que se obtinene al estratificar el marco

muestral y luego seleccionar de cada estrato un nmero de elementos en
proporcin al tamao de los estratos, por medio de una tcnica de muestreo
aleatorio simple.
Cuando se extrae una muestra aleatoria proporcional, el marco

muestral se subdivide en varios estratos y luego de cada estrato se extrae
una submuestra. Una forma conveniente de expresar el concepto de
muestreo proporcional es establecer una proporcin. Por ejemplo, uno de
cada 150, le induce a seleccionar un (1) elemento por cada 150 elementos
en el estrato.
Muestreo sistemtico: Seleccionamos un punto inicial y luego

seleccionamos cada k-simo (digamos, cada quincuagsimo) elemento de
la poblacin.
La tcnica sistemtica es fcil de describir y ejecutar; no obstante,

conlleva algunos peligros cuando el marco muestral es repetitivo o de
naturaleza cclica. En estas condiciones, puede que los resultados no se
aproximen a una muestra aleatoria simple.
Muestreo por cmulos o conglomerados: Muestreo que se obtiene al

muestrear algunas, pero no todas, las subdivisiones posibles que hay dentro
de una poblacin. Estas subdivisiones, denominadas conglomerados, a
menudo ocurren de manera natural dentro de la poblacin.
Primero dividimos el rea de la poblacin en secciones (o cmulos) y

luego seleccionamos aleatoriamente unas cuantas de esas secciones
escogiendo todos los miembros de las secciones seleccionadas.
Una diferencia importante entre el muestreo por cmulos y el

estratificado es que en el muestreo por cmulos se usan todos los miembros
de cmulos seleccionados, mientras que en el muestreo estratificado se usa
una muestra de miembros de cada estrato.
Muestreo de conveniencia o de juicio: Simplemente utilizamos resultados

que ya estn disponibles.
Las muestras son elegidas con base en el hecho de que son tpicas.
139
Cuando se obtiene una muestra de juicio, la persona que elabora la

muestra elige unidades que considera representativas de la poblacin. La
validez de los resultados de una muestra de juicio refleja la solidez del
juicio del recolector de datos.
Error de muestreo: Es la diferencia entre el resultado de una muestra y el

verdadero resultado de la poblacin; tal error es consecuencia de las
fluctuaciones aleatorias de las muestras.
Error de muestreo: Este error ocurre cuando los datos de una muestra se
obtienen, registran o analizan de forma incorrecta. Tal error es
consecuencia de una equivocacin y no de una fluctuacin aleatoria y
predispuesta, cuando se usa un instrumento de medicin defectuoso,
cuando se hacen preguntas predispuestas en una encuesta, cuando mucha
gente se niega a responder o cuando se cometen errores al copiar los datos
de la muestra.
Sesgo muestral: Tendencia a favorecer la eleccin de unos determinados

elementos de la muestra en detrimento de otros.
Este anlisis de las muestras conduce a distinguir entre las dos ramas
principales del anlisis estadstico: 1) Estadstica descriptiva o deductiva, y
2) Estadstica inferencial o inductiva.
140
Estimados y Tamao de Muestra
Implica la utilizacin de una muestra para extraer alguna

inferencia o conclusin sobre la poblacin correspondiente.
- Apoyndose en el calculo de probabilidades y a partir de

datos muestrales, efecta estimaciones, decisiones, predicciones y
otras generalizaciones sobre un conjunto mayor de datos.
La estadstica es inferencial cuando se derivan conclusiones

generales para un conjunto de datos ms amplio a partir de la
informacin proporcionada por los datos estudiados.
Las dos aplicaciones principales de la estadstica

inferencial implican el uso de datos de muestra para (1) estimar
el valor de un parmetro de poblacin y (2) llegar a una
conclusin acerca de una poblacin.
Estimador: es una estadstica de muestra (como la media de

muestra) que se usa para aproximar un parmetro de poblacin.
Existen dos tipos de estimadores que se utilizan normalmente:

- Estimador puntual
- Estimador por intervalo
Estimado puntual: es un valor individual (o punto) que se usa

para aproximar un parmetro de poblacin.
Estimador Puntual: utiliza un numero nico o valor para

localizar una estimacin del parmetro.
La media de muestra es el mejor estimado de la media de

poblacin.
141
Podemos decir que la media de la muestra es un estimador

no predispuesto de la media de la poblacin, lo que quiere decir
que la distribucin de las medias de muestra tiende a centrarse
alrededor del valor de la media de la poblacin. (Es decir, las
medias de muestra no tienden a sobreestimar sistemticamente el
valor de , y tampoco tienden a subestimar sistemticamente
dicho valor. En vez de ello, tienden a centrarse en el valor de
misma).
Estimacin por intervalo: especifica el rango dentro del cual

esta el parmetro desconocido.
Intervalo de Confianza: denota un rango dentro del cual puede

encontrarse el parmetro.
Es una gama (o un intervalo) de valores que probablemente

contiene el valor verdadero del parmetro de poblacin.
Un intervalo de confianza se asocia a un grado de confianza,

que es una medida de la certeza que tenemos de que nuestro
intervalo contiene el parmetro de poblacin.
Nivel de confianza (grado o coeficiente de confianza): es la

probabilidad 1- (a menudo expresada como el valor porcentual
equivalente) de que el intervalo de confianza contiene el
verdadero valor del parmetro.
Existen tres niveles de confianza relacionados comnmente

con los intervalos de confianza: 99, 95 y 90%, denominados
coeficientes de confianza.
142
Valor Alfa : Es la probabilidad de error o la probabilidad de

que un intervalo dado no contenga la media poblacional
desconocida.
Valor Critico /2: Es el numero que esta en la frontera que

separa las estadsticas de muestra que probablemente ocurrirn,
de aquellas que probablemente no ocurrirn. Es un puntaje con
la propiedad de que separa un rea de /2 de la cola derecha de la
distribucin normal estndar.
Margen de Error : Es la mxima diferencia probable (con una
probabilidad de 1-) entre la media de muestra observada y el
verdadero valor de la media de poblacin . El margen de error
tambin se denomina error mximo de la estimacin y puede
obtenerse multiplicando el valor critico y la desviacin estndar
de las medias de muestras.
= /2 * /n
= /2 * x'
Intervalo de confianza para estimar (media poblacional real

desconocida) cuando es conocido.
I.C. para estimar = X'

Caso I.
Para estimar el gasto promedio de los clientes en el McDonald's
local, los estudiantes de Mtodos Cuantitativos II toman una
muestra de 200 clientes y encuentran un gasto promedio de
US$5.67, con una desviacin estndar poblacional de US$1.10.
Cul es el intervalo de confianza del 95% para los gastos
promedio de todos los clientes? Interprete sus resultados.
143
Caso I.
Para estimar el gasto promedio de los clientes en el McDonald's
local, los estudiantes de Mtodos Cuantitativos II toman una
muestra de 200 clientes y encuentran un gasto promedio de
US$5.67, con una desviacin estndar poblacional de US$1.10.
Cul es el intervalo de confianza del 95% para los gastos
promedio de todos los clientes? Interprete sus resultados.
Datos: =/2*/n=1.96*1.10 /
200=0.15
n=200 N.C.=95% I.C. para estimar = X'
x'=US$5.67 I.C.=? = US$5.670.15
=US$1.10 = US$5.52 US$5.82
Interpretacin del Caso:
Los estudiantes poseen un 95% de confianza de que la

media poblacional desconocida del gasto de los clientes del
McDonal's evaluados se encuentra entre el intervalo US$5.52
US$5.82.
Si se construyen todos los NCn intervalos de confianza, el

95% de ellos contendr la media poblacional desconocida. Esto
por supuesto significa que el 5% de todos los intervalos estara
errado - no contendran la media poblacional, el Valor alfa .
Calculo del cuando se desconoce (desviacin estndar

poblacional):
Si n > 30, podemos sustituir de la formula del por la

desviacin estndar de la muestra s.
= /2 * s/n
= /2 * sx'
144
Procedimiento para construir un intervalo de confianza para

(basado en una muestra grande: n > 30).
1. Encuentre el valor critico /2 que corresponda al grado de

confianza deseado.
2. Evale el margen de error = /2 * x'. Si se desconoce la

desviacin estndar de la poblacin , use el valor de la
desviacin estndar de la muestra s, siempre que n > 30.
3. Con el valor del margen de error calculado y el valor de la

media de muestra X', obtenga los valores de X'- y X'+.
Sustituya estos valores en el formato general del intervalo de
confianza:
X'- X'+
= X'
(X'-,X'+)
4. Redondee los valores resultantes aplicando la regla de

redondeo.
Regla de Redondeo para intervalos de confianza empleados

para estimar .
1. Si usa el conjunto de datos original para construir un intervalo

de confianza, redondee los limites del intervalo de confianza a
una posicin decimal mas que las empleadas en el conjunto de
datos original.
2. Si desconoce el conjunto de datos original y solo usa las

estadsticas resumidas (n,x',s), redondee los limites del intervalo
de confianza de acuerdo al mismo numero de posiciones
decimales que se usan para la media de muestra.
145
Justificacin: La idea bsica en que se apoya la construccin de

intervalos de confianza tiene que ver con el teorema del limite
central, que indica que en el caso de muestras grandes (n > 30), la
distribucin de las medias de muestra es aproximadamente
normal con media y desviacin estndar /n. El formato de
los intervalos de confianza en realidad es una variacin de la
ecuacin:
= (X' - )/(/n)
X' - = (/n)
- = (/n) - X' (-1)
= X' - (/n)
Precisin: Un intervalo estrecho ofrece mayor precisin, aunque

la probabilidad de que contenga se reduce.
Caso I.
Una muestra consiste en 75 televisores adquiridos hace varios
aos. Los tiempos de reemplazo de esos televisores tienen una
media de 8.2 aos y una desviacin estndar de 1.1 aos (basados
en datos de "Getting Things Fixed", Consumer Reports).
Construya un intervalo de confianza del 90% para el tiempo de
reemplazo medio de todos los televisores de esa poca.
Caso II.
Utilice el grado de confianza y los datos de muestra dados para
determinar (a) el margen de error y (b) el intervalo de confianza
para la media de la poblacin .
1. Estaturas de mujeres: confianza del 95%; n=50, x'=63.4 pulgs.,
s=2.4 pulgs.
2. Promedios de calificaciones: confianza del 99%; n=75, x'=2.76,

s=0.88.
3. Puntajes en una prueba: confianza del 90%; n=150, x'=77.6;

s=14.2.
Ejercicios de la Seccion 1 al 10 pags. 175 y 176.
146
Estimacin de una proporcin de poblacin.
Las decisiones dependen con frecuencia de parmetros que

son binarios, parmetros con solo dos posibles categoras dentro
de las cuales pueden clasificarse las respuestas. En este evento, el
parmetro de inters es la proporcin poblacional.
Tanto las proporciones como las probabilidades se expresan en

forma decimal o fraccionaria. Al trabajar con porcentajes, los
convertimos en proporciones omitiendo el signo de por ciento y
dividiendo entre 100. Por ejemplo, la tasa del 48% de personas
que no compran libros puede expresarse en forma decimal como
0.487.
Estimado puntual para la proporcin de poblacin.
La proporcin de muestra p es el mejor estimado puntual de

la proporcin de poblacin.
p = x/n
proporcin de muestra de x xitos en una muestra de tamao

n.
Intervalo de confianza para la proporcin poblacional.
Muchos asuntos de negocios tratan la proporcin de la

poblacin . Una firma de marketing puede querer averiguar si
un cliente (1) compra o (2) no compra el producto. Un banco con
frecuencia debe determinar si un depositante (1) pedir o (2) no
pedir un crdito para auto. Muchas firmas deben determinar la
probabilidad de que un proyecto para presupuestar capital (1)
generara o (2) no generara un rendimiento positivo.
147
Repasando:
p=
p = denota probabilidad de tener xito en uno de los n

ensayos.
q = denota la probabilidad de fracasar en uno de los n

ensayos.
p+q=1
p=1-q
q=1-p
n > 5
np > 5
n(1-) > 5
nq > 5
Si n y n(1-) son mayores que 5, la distribucin de las

proporciones muestrales ser normal y la distribucin muestal de
la proporcin muestral tendr una media igual a la proporcin
poblacional y error estndar de:
Error estandar de la distribucin muestral

de las proporciones muestrales:
p = (1-)/n = pq/n
Estimacin del Error estndar de la distribucin muestral de

las proporciones muestrales:
sp = p(1-p)/n = pq/n
148
Margen de error del estimado de la proporcin de la

poblacin:
E = ()(pq/n)
Regla de redondeo para estimados de intervalo de confianza

para la proporcin de poblacin
Redondee los limites del intervalo de confianza a tres

dgitos significativos.
Intervalo de confianza para estimar la proporcin

poblacional.
I.C. para estimar la

proporcin poblacional =pE
Caso I.
En una encuesta de 1068 estadounidenses, 673 dijeron que

tenan contestadoras telefnicas (basados en datos de
International Mass Retail Association, informados en USA
Today). Utilizando estos resultados de muestra, determine:
a. El estimado puntual de la proporcin de la poblacin de todos
los estadounidenses que tienen contestadora telefnica.
b. El estimado de intervalo del 95% de la proporcin de todos los
estadounidenses que tienen contestadora telefnica.
a. Estimado puntual para la proporcin de poblacin.
p = x/n = 673/1068 = 0.630
149
b. Intervalo de confianza para estimar la proporcin

poblacional.
E = ()(pq/n)
E = 1.96 ((0.630)(0.370)/1068) = 0.0290
I.C. para estimar la

proporcin poblacional =pE
0.630 - 0.0290 < < 0.630 + 0.0290

0.601 < < 0.659
Este resultado a menudo se informa en el formato siguiente: "Se

estima que el porcentaje de los estadounidenses que tiene
contestadora telefonica es del 63%, con un margen de error de
mas o menos 2.9 puntos porcentuales. Tambin debe informarse
el nivel de confianza, pero eso casi nunca se hace en los medios
de comunicacin.
EJERCICIOS DE LA SECCION 20 AL 25 - PAG. 182.
Determinacin del tamao apropiado de la muestra
El tamao de la muestra juega un papel importante al

determinar la probabilidad de error as como en la precisin de la
estimacin.
Una vez se ha seleccionado el nivel de confianza, los

factores importantes influyen en el tamao muestral:
(1) la varianza de la poblacin y
(2) el tamao del error tolerable que el investigador esta dispuesto
a aceptar.
150
Tamao de la muestra para estimar .

= (X' - )/x'
= (X' - )/(/n)
X' - = (/n)
n(X' - ) =
n = /(X' - )
n = /(X' - )
n = [/E]
E = Error de Muestreo
El tamao de la muestra debe ser entero.
Regla de redondeo para el tamao de muestra n.
Al calcular el tamao de muestra n, si la formula anterior no

produce un numero entero, siempre debe aumentarse el valor de n
al siguiente numero entero mayor.
El tamao de la muestra no depende del tamao de la

poblacin (N); el tamao de muestra depende del grado de
confianza deseado, el margen de error deseado y del valor de la
desviacin estndar .
La duplicacin del margen de error hace que el tamao de

la muestra requerida se reduzca a la cuarta parte de su valor
original. Por otro lado, si se reduce a la mitad el margen de
error se cuadruplicara el tamao de la muestra. Lo que esto
implica es que si queremos resultados ms exactos, es preciso
aumentar sustancialmente el tamao de la muestra.
Dado que las muestras grandes generalmente requieren

mas tiempo y dinero, a menudo es necesario efectuar un
trueque entre el tamao de la muestra y el margen de error E.
151
Caso I.
Un economista desea estimar los ingresos medios durante el
primer ao de trabajo de un graduado universitario que, en un
alarde de sabidura, tomo un curso de estadstica. Cuantos de
tales ingresos es necesario encontrar si queremos tener una
confianza del 95% en que la media de muestra este a menos de
US$500 dlares de la verdadera media de la poblacin? Suponga
que un estudio previo revelo que, para tales ingresos,
=US$6250.
DATOS:
N.C.=95% ===> Z=1.96
Queremos que la media de la muestra este dentro de un
margen de US$500 de la media de la poblacin.
E=US$500
=US$6,250
n = /(X' - )
n = [(1.96)*(6250)]/(500)=
n = [/E]
n = [(1.96 * 6250)/500]=
Caso II.
Que tan grande se requiere que sea una muestra para que
proporcione una estimacin del 90% del numero promedio de
graduados de las universidades de la nacin con un error de 2000
estudiantes si una muestra piloto reporta que s=8,659?
Caso III.
Nielsen Media Research quiere estimar la cantidad media de
tiempo (en horas) que los estudiantes universitarios de tiempo
completo dedican a ver televisin cada da entre semana.
Determine el tamao de muestra necesario para estimar esa media
con un margen de error de 0.25 horas (15 minutos). Suponga que
se desea un grado de confianza del 96%, y que un estudio piloto
indico que la desviacin estndar se estima en 1.87 horas.
152
QUE PASA SI SE DESCONOCE ?
1.- Podemos utilizar la REGLA PRACTICA DE

INTERVALO.
En conjuntos de datos representativos, el intervalo del

conjunto tiene una anchura aproximada de cuatro desviaciones
estndar (4s), as que la desviacin estndar se puede aproximar
de la siguiente manera:
desviacin estndar intervalo/4

intervalo/4
Esta expresin proporciona una estimacin burda de la

desviacin estndar, si conocemos los puntajes mximo y
mnimo. Si conocemos el valor de la desviacin estndar,
podemos usarlo para entender mejor los datos, obteniendo
estimaciones burdas de los puntajes mximo y mnimo como se
indica.
2.- Realizar un estudio piloto iniciando el proceso de muestreo.

Con base en la primera recoleccin de por lo menos 31 valores de
muestra seleccionados al azar, calculamos la desviacin estndar
de la muestra s y la usamos en lugar de . Este valor puede
refinarse a medida que se obtengan mas datos de muestra.
mnimo (media) - 2 * (desviacin estndar)

mximo (media) + 2 * (desviacin estndar)
153
Caso I.
Si razonamos que los precios de los libros de textos universitario
tpicamente varan entre US$10 y US$90 dlares.
Usted planea estimar el precio de venta medio de un libro de

texto universitario. Cuantos libros de textos deber muestrear si
desea tener una confianza del 95% en que la media de la muestra
estar a menos de US$2 dlares de la verdadera media de la
poblacin ?
DATOS:
intervalo/4
(US$90-US$10)/4 US$20
N.C.=95% ===> Z=1.96
E=US$2 dlares
n = /(X' - )
n = [(1.96)*(20)]/(2)=
n = [/E]
n = [(1.96 * 20)/2]=
Caso II.
Boston Marketing Company lo acaba de contratar para realizar
una encuesta con el fin de estimar la cantidad media de dinero que
los asistentes al cine de Massachussets gastan (por pelcula).
Primero use la regla practica del intervalo para hacer un estimado
burdo de la desviacin estndar de las cantidades gastadas. Es
razonable suponer que las cantidades tpicas varan entre US$3
dlares y unos US$15 dlares. Luego utilice esa desviacin
estndar para determinar el tamao de muestra que corresponde a
una confianza del 98% y a un margen de error de 25 centavos de
dlar.
154
Tamao de la muestra para estimar la proporcin

poblacional.
Si despejamos a "n" de la expresin del margen de error E.

E = ()(pq/n)
E = ()(pq/n)
E = ()(pq/n)
En = ()(pq)
n = [()(pq)]/E
Cuando se puede obtener un estimado razonable de p utilizando

muestras previas, un estudio piloto o los conocimientos de algn
experto se utiliza la formula anterior.
Cuando no se conoce el estimado puntual p:
n = [()* 0.25]/E
Si no se puede conjeturarse un valor, puede asignarse el valor

de 0.5 tanto a p como a q, con lo que el tamao de muestra
resultante ser al menos tan grande como necesita ser. La
justificacin para la asignacin de 0.5 es la siguiente: el valor
mas alto posible del producto p*q es de 0.25, y ocurre cuando
p=0.5 y q=0.5 como se puede observar en la siguiente tabla que
usted debe completar:
p q p*q
0.1 0.9 0.09
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
155
Caso I.
Las compaas de seguros se estn preocupando porque el
creciente uso de telfonos celulares esta teniendo como resultado
un mayor numero de accidentes automovilsticos, y estn
considerando implementar tarifas mas altas para conductores que
usan tales aparatos. Queremos estimar, con un margen de error
de tres puntos porcentuales, el porcentaje de conductores que
hablan por telfono mientras conducen. Suponiendo que
queremos tener una confianza del 95% en nuestros resultados,
cuantos conductores debern encuestar?
a. Supongamos que tenemos un estimado de p basado en un
estudio previo que indico que el 18% de los conductores habla
por telfono (basados en datos de la revista Prevention).
b. Suponga que no tenemos informacin previa que sugiera un
posible valor de p.
SOLUCION:
a) DATOS:
p=0.18
q=0.82
N.F.=95% ==> Z=1.96
E=0.03 = tres puntos porcentuales
n = [()(pq)]/E
n = [(1.96)(0.18*0.82]/(0.03)
n=
b) DATOS:
N.F.=95% ==> Z=1.96
E=0.03 = tres puntos porcentuales
n = [()* 0.25]/E
n = [(1.96)* 0.25]/(0.03)
n=
Si comparamos estos dos resultados de tamao de muestra
vemos que, si no tenemos conocimiento de un estudio anterior,
se requiere una muestra ms grande para obtener los mismos
resultados que cuando se puede estimar el valor de p.
156
Caso II.
Una compaa de comunicaciones esta considerando un proyecto
para prestar servicio telefnico de larga distancia. Se le pide a
usted realizar un sondeo de opinin para estimar el porcentaje de
los consumidores que esta satisfecho con su servicio telefnico de
larga distancia actual. Usted quiere tener una confianza del 90%
en que su porcentaje de muestra estar a menos de 2.5 puntos
porcentuales del valor real para la poblacin, y un sondeo sugiere
que el porcentaje en cuestin anda alrededor del 85%. Que tan
grande deber ser la muestra?
Caso III.
Planeta Azul proporciona agua embotellada, en contenedores de 15
galones, a las casas de un sector del Distrito Nacional. El gerente desea
estimar el nmero promedio de contenedores que una casa tpica utiliza
cada mes. Se toma una muestra de 75 casas y se registra el nmero de
contenedores. La media es 3.2, con una desviacin de 0.78.
a. Qu revelara un intervalo de confianza del 92%?
b. Sin embargo, el gerente siente que el intervalo anterior es demasiado
amplio. Cuntas casas deben tomar como muestra para estar 99%
seguro de que el intervalo no estar errado en ms de 0.10
contenedores?
c. Se selecciona una muestra pequea de 10 casas para estimar el
nmero promedio de miembros de la familia por casa. Los
resultados son 1,3,4,7,2,2,3,5,6 y 6 personas en cada casa. Cules
son los resultados de un intervalo de 99% para el nmero promedio
de miembros de la familia?
d. De las 75 casas de la muestra, 22 tienen ablandadores de agua en
casa. Cul es el estimado del intervalo del 95% de la proporcin de
todas las casas del sector que tiene ablandadores?
e. Si el intervalo oscila entre el 18.8% y el 39.2% de todas las casas que
tienen ablandadores y carece de precisin, qu tan grande debe
tomarse una muestra para producir un intervalo de slo el 10%?
157
Caso IV.
Se pidi a 200 personas de una muestra identificar su principal fuente de
informacin de noticias; 110 dijeron que esa fuente es los noticiarios
televisivos.
a. Cul es el estimado puntual de la proporcin poblacional?
b. Determine un intervalo de confianza de 95% para la proporcin de
las personas en la poblacin que consideran a la televisin como su
principal fuente de informacin noticiosa. Interprete los resultados.
a. Qu tamao debe tener una muestra para estimar la proporcin de la
poblacin, con un margen de error igual a 0.05 y un nivel de
confianza de 95%?
Caso V.
Al ensayar un nuevo mtodo de produccin, se seleccionaron 18 empleados
al azar, y se les pidi lo probaran. La tasa de produccin promedio
muestral para los 18 empleados fue 80 partes por hora, y la desviacin
estndar muestral fue de 10 partes por hora. Suponiendo que la poblacin
tiene una distribucin de probabilidad normal.
a. Determine un intervalo de confianza de 90% de la tasa de
produccin promedio poblacional con el nuevo mtodo, Interprete
los resultados y Represente grficamente.
b. Construya un intervalo de confianza de 95% de la tasa de produccin
promedio poblacional con el nuevo mtodo, Interprete los
resultados y Represente grficamente.
c. Construya un intervalo de confianza de 99% de la tasa de produccin
promedio poblacional con el nuevo mtodo, Interprete los
resultados y Represente grficamente.
d. Cul es estimado puntual de la tasa de produccin promedio
poblacional con el nuevo mtodo?
158
Caso VI.
Media Metrix, Inc., vigila a los usuarios de Internet en siete pases:
Australia, Gran Bretaa, Canad, Francia, Alemania, Japn y Estados
Unidos. Segn las cifras de medicin recientes, los usuarios
estadounidenses ocupan el primer lugar en el uso de Internet con un
promedio de 13 horas por mes. Suponga que en un estudio de seguimiento
en el participaron 145 usuarios de Internet canadienses, la media muestral
fue de 10.8 horas por mes y la desviacin estndar muestral fue de 9.2
horas.
a. Formule las hiptesis nula y alternativa que servirn para determinar
si los datos de la muestra sustentan la conclusin de que los usuarios
de Internet canadienses tienen una media poblacional menor que el
promedio estadounidenses de 13 horas por mes.
b. Con un nivel de significancia de 0.01 Cul es el valor crtico para
comprobar la estadstica de prueba, y cul es la regla de rechazo?
c. Basado en la estadstica de prueba y regla de decisin la
informacin es correcta?
d. Interprete los resultados, de sus conclusiones.
e. Represente grficamente la situacin.
Caso VII.
Una compaa de comunicaciones esta considerando un proyecto para
prestar servicio telefnico de larga distancia. Se le pide a usted realizar un
sondeo de opinin para estimar el porcentaje de los consumidores que esta
satisfecho con su servicio telefnico de larga distancia actual. Usted quiere
tener una confianza del 90% en que su porcentaje de muestra estar a
menos de 2.5 puntos porcentuales del valor real para la poblacin, y un
sondeo sugiere que el porcentaje en cuestin anda alrededor del 85%.
Que tan grande deber ser la muestra?
159
Estimadores y Estimaciones.
Un estimador es el proceso mediante el cual se obtiene la

estimacin. Una estimacin es el resultado numrico del
estimador.
Estimador: es una estadstica de muestra (como la media de

muestra) que se usa para aproximar un parmetro de poblacin.
Existen dos tipos de estimadores que se utilizan normalmente:

- Estimador puntual
- Estimador por intervalo
Estimado puntual: es un valor individual (o punto) que se usa

para aproximar un parmetro de poblacin.
Estimador Puntual: utiliza un numero nico o valor para

localizar una estimacin del parmetro.
La media de muestra es el mejor estimado de la media de

poblacin.
Podemos decir que la media de la muestra es un estimador

no predispuesto de la media de la poblacin, lo que quiere decir
que la distribucin de las medias de muestra tiende a centrarse
alrededor del valor de la media de la poblacin. (Es decir, las
medias de muestra no tienden a sobreestimar sistemticamente el
valor de , y tampoco tienden a subestimar sistemticamente
dicho valor. En vez de ello, tienden a centrarse en el valor de
misma).
Estimacin por intervalo: especifica el rango dentro del cual

esta el parametro desconocido.
160
Intervalo de Confianza: denota un rango dentro del cual puede

encontrarse el parmetro.
Los Estimadores deben ser:
1) Insesgados
2) Eficientes
3) Consistentes
4) Suficientes
Estimador Insesgado.
Un estimador es insesgado si la media de su distribucin

muestral es igual al parmetro correspondiente.
E(') =
= al parmetro que se intenta estimar

'= estimador
E(X') = X" =
E(X') - = 0
X"= estndar de las medias muestrales.
Si E(X') - 0 , si excede es un estimador sesgado (hacia

arriba).
161
REPASO:
Distribuciones de Datos Sesgadas.
Una distribucin de datos esta sesgada, si no es simtrica y

se extiende mas hacia un lado que hacia otro.
Sesgo describe la falta de simetra en una distribucin.
Los datos sesgados a la izquierda se dice que tienen sesgo

negativo; la media y la mediana estn a la izquierda de la moda.
Generalmente tiene la media a la izquierda de la mediana.
Sesgo negativo describe distribuciones asimtricas en la

que la mediana excede a la media; la cola de la distribucin es
hacia los valores bajos.
Los datos sesgados a la derecha se dice que tienen sesgo

positivo; la media y la mediana estn a la derecha de la moda.
Sesgo positivo describe distribuciones asimtricas en las

que la media excede la mediana; los valores se alargan hacia los
valores altos.
En ambos casos, la moda es por definicin la observacin

que ocurre con mayor frecuencia, por tanto esta en el pico de la
distribucin.
Coeficiente de Sesgo de Pearson.
P = 3 (Media - Mediana)
s
Si P < 0, los datos estn sesgados a la izquierda.
Si P > 0, los datos estn sesgados a la derecha.
Si P = 0, los datos estn distribuidos normalmente.
162
Estimador Eficiente.
La eficiencia de un estimado depende de su varianza.
'1 y '2 son dos estimadores insesgados, pero ser un

estimador eficiente aquel cuya varianza en muestreo repetidos con
un tamao muestral dado es menor.
Varianza de la Distribucin Muestral de las Medias

Muestrales:
x'=(X'-X")/K
Si '1 es un estimador eficiente en relacin a '2, la varianza

de la distribucin muestral de '1 es menor que la de '2. Los
valores posibles para '2 estn ms dispersos.
Estimador consistente.
Un estimador es consistente si, a medida que n aumenta, el

valor del estadstico se aproxima al parmetro.
Para que un estimado sea consistente, debe ser insesgado y

su varianza debe aproximarse a cero a medida que n aumenta. La
varianza de la distribucin muestral de las medias muestrales es
x' es /n.
A medida que n aumenta, x' se aproximara a cero. Por

tanto, se puede decir que X' es un estimador consistente de .
Estimador suficiente.
163
Un estimador es suficiente si utiliza toda la informacin

relevenate sobre el parmetro contenida en la muestra. Es decir,
ningn otro estimador puede proporcionar mas informacin sobre
el parmetro.
164
En secciones anteriores determinamos (1) el estimado puntual, (2)

intervalo de confianza y (3) determinamos el tamao de la
muestra para medias y proporciones, en esta seccin los
aplicaremos a la varianza de poblacin o desviacin estndar
de poblacin .
Muchas situaciones reales, como el control de calidad en un

proceso de fabricacin, requiere estimar valores de varianzas o
desviaciones estndar de poblacin. Adems de fabricar
productos cuyas mediciones producen una media deseada, el
fabricante debe elaborar productos con una calidad uniforme que
no abarquen toda la gama desde extremadamente buenos hasta
extremadamente deficientes. Dado que tal uniformidad a menudo
se puede medir por la varianza o la desviacin estndar, estas se
convierten en estadsticas vitales para mantener la calidad de los
productos.
Distribucin Chi cuadrada
En una poblacin distribuida normalmente con varianza ,

seleccionamos aleatoriamente muestras independientes de tamao
n y calculamos la varianza de muestras s para cada muestra. La
estadstica de muestra =(n-1)s/ tiene una distribucin
llamada distribucin Chi cuadrada.
=(n-1)s/
n = tamao de muestra
s= varianza de muestra
= varianza de poblacin
La distribucin Chi cuadrada esta determinada por el

numero de grados de libertad, por el momento usaremos n-1
grados de libertad.
165
Propiedades de la Distribucin de la estadstica Chi cuadrada.
1.- La Distribucin Chi cuadrada no es simtrica, a diferencia de

las distribuciones normal y t Student (A medida que aumenta el
nmero de grados de libertad, la distribucin se vuelve ms
simtrica).
2.- Los valores de Chi cuadrada pueden ser cero o positivos, pero
no pueden ser negativos.
3.- La distribucin Chi cuadrada es diferente para cada nmero de

grados de libertad, que es gl=n-1. A medida que aumenta el
numero de grados de libertad, la distribucin Chi cuadrada se
acerca a una distribucin normal.
Caso I.
Usando la tabla H Distribucin Chi-cuadrado.
Encuentre los valores crticos de que determinan regiones
criticas que contienen un rea de 0.025 en cada cola. Suponga
que el tamao de muestra pertinente es de 10, de modo que el
numero de grados de libertad es 10-1=9
Solucin: El valor critico de la derecha (=19.023) se obtiene

directamente localizando 9 en la columna de grados de libertad de
la izquierda y 0.025 en la fila superior. El valor critico de
=2.700 de la izquierda tambin corresponde a 9 en la columna de
grados de libertad, pero es preciso localizar 0.975 (que se obtiene
de restar 0.025 a 1) en la fila superior porque los valores de esa
fila siempre son reas a la derecha del valor critico.
166
Al obtener valores crticos de Chi cuadrada de la H Distribucin

Chi-cuadrado, obsrvese que los nmeros de grados de libertad
son enteros consecutivos del 1 al 30, seguidos de 40, 50, 60, 70,
80, 90 y 100. Si no se encuentra en la tabla un numero de grados
de libertad (digamos 52), por lo regular puede usarse el valor
critico ms cercano. Por ejemplo, si el numero de grados de
libertad es 52, remtase a la tabla y use 50 grados de libertad. (Si
el numero de grados de libertad esta exactamente a la mitad entre
dos valores de la tabla, como 55, simplemente calcule la media de
los dos valores de .) Para numeros de grados de libertad
mayores que 100, use la ecuacin siguiente:
=1/2 [Z+(2k-1)]
donde k es el numero de grados de libertad.
Caso II.
Encuentre los valores crticos L y R que corresponden al
grado de confianza y tamao de muestra dados.
1. 95%;n=26 2. 99%;n=17
3. 90%;n=60 4. 95%;n=50
Estimadores de .
Dado que las varianzas de muestras s (que se obtienen con

la formula s=[(x-x')]/(n-1)) tienden a centrarse alrededor del
valor de la varianza de la poblacin , decimos que s es un
estimador no predispuesto de . Es decir, las varianzas de
muestras s no tienden a sobreestimar sistemticamente ; en vez
de ello, tienden a centrarse en el valor de mismo. Adems, los
valores s tienden a producir errores ms pequeos al estar mas
cerca de que otras medidas de variacin. Por estas razones, el
167
valor s es el mejor valor individual (o estimado puntual) de las

diversas estadsticas que podramos usar para estimar .
La varianza de muestra s es el mejor estimado puntual

de la variacin de la poblacin .
Dado que s es el mejor estimado puntual de , seria natural

esperar que s sea el mejor estimado puntual de , pero no sucede
as, porque s es un estimador predispuesto de . Por otra parte, si
el tamao de muestra es grande, la predisposicin es tan pequea
que podemos usar s como un estimado razonablemente bueno de
.
Aunque s es el mejor estimado puntual de , no tenemos

una indicacin de lo bueno que es realmente. Para compensar
esta deficiencia, deducimos un estimado de intervalo (o intervalo
de confianza) que es mas revelador.
Intervalo de confianza (o estimado de intervalo) para la

varianza de poblacin .
=(n-1)s/
Despeje: =(n-1)s/
El intervalo de confianza es:
(n-1)s/R < < (n-1)s/L
El intervalo de confianza para la desviacin

estndar se obtiene calculando la raz cuadrada de cada
componente anterior:
[(n-1)s/R] < < [(n-1)s/L]

168
Con un rea total de dividida equitativamente entre las

dos colas de una distribucin Chi cuadrada, L denota el valor
critico de cola izquierda y R denota el valor critico de cola
derecha.
Los limites de intervalos de confianza para y se

deben redondear aplicando la regla de redondeo siguiente:
1. Si usa el conjunto de datos original para construir un intervalo

de confianza, redondee los limites del intervalo de confianza a
una posicin decimal mas que las empleadas en el conjunto de
datos original.
2. Si desconoce el conjunto de datos original y solo usa las

estadsticas resumidas (n,s), redondee los limites del intervalo de
confianza al mismo numero de posiciones decimales que se usan
para la desviacin estndar o varianza de muestra.
Caso I.
La Panificadora Pepin produce bizcochos que se empacan en
cajas cuyos rtulos dicen contienen 12 bizcochos con un total de
42 onzas. Si la variacin entre los bizcochos es demasiado
grande, algunas cajas pesaran menos de lo debido (engaando a
los clientes) y otras pesaran ms (reduciendo las utilidades). El
supervisor de control de calidad determino que puede evitar
problemas si los bizcochos tienen una media de 3.50 onzas y una
desviacin estndar de 0.06 onzas o menos. Se seleccionan
aleatoriamente doce bizcochos de la lnea de produccin y se
pesan, con los resultados que se dan aqu (en onzas). Construya
un intervalo de confianza del 95% para y un intervalo de
confianza del 95% para , y luego determine si el supervisor de
control de calidad esta en problemas.
3.43 3.37 3.58 3.50 3.68 3.61
3.42 3.52 3.66 3.50 3.36 3.42
169
Solucin:
Con base en los datos de muestra, la media de X'=3.504 parece
excelente porque esta muy cerca del valor deseado. Los puntajes
dados tienen una desviacin estndar de s=0.109, que podra
parecer mayor que el valor deseado de 0.06 o menos.
Procedamos a obtener el intervalo de confianza para .
Con una muestra de 12 puntajes tenemos 11 grados de libertad.

Con un grado de confianza del 95%, dividimos =0.05
equitativamente entre las dos colas de la distribucin y nos
remitimos a los valores de 0.975 y 0.025 en la fila superior.
Los valores crticos de son L=3.816 y R=21.920.
Utilizando estos valores crticos junto con la desviacin estndar
de muestra s=0.109 y el tamao de muestra de 12 construimos el
intervalo de confianza del 95% evaluando lo siguiente:
(n-1)s/R < < (n-1)s/L

(12-1)(0.109)/21.920 << (12-1)(0.109)/(3.816)
0.006 < < 0.034
Si sacamos la raz cuadrada de cada parte (antes de

redondear) obtenemos:
0.077 < < 0.185
Con base en el intervalo de confianza del 95% para ,

parece que la desviacin estndar es mayor que el valor deseado
de 0.06 o menos, as que el supervisor de control de calidad esta
en problemas y deber tomar medidas correctivas para hacer que
el peso de los bizcochos sea mas uniforme.
El intervalo de confianza de 0.077 < < 0.185 tambin

puede expresarse como (0.077,0.185), pero el formato de =sE
no puede usarse porque el intervalo de confianza no tiene a s en
su centro.
170
Caso II.
Un recipiente anticongelante para automvil supuestamente
contiene 3,785 ml del liquido. Consciente de que las
fluctuaciones son inevitables, la gerente de control de calidad
quiere estar muy segura de que la desviacin estndar sea de
menos de 30 ml; De lo contrario, algunos recipientes se
desbordaran, mientras que otros no tendrn suficiente
anticongelantes. Ella selecciona aleatoriamente una muestra, con
los resultados que se dan aqu. Utilice estos resultados para
construir el intervalo de confianza del 99% para el verdadero
valor de . Sugiere este intervalo de confianza que las
fluctuaciones estn en un nivel aceptable?
3,761 3,861 3,769 3,772 3,675 3,861
3,888 3,819 3,788 3,800 3,720 3,748
3,753 3,821 3,811 3,740 3,740 3,839
n = 18
X'=3,787.0
s =55.4
Caso III.
a) Los valores que se listan son tiempos de espera (en minutos) de clientes del BHD,
donde los clientes se forman en una sola fila que alimenta tres ventanillas. Construya
un intervalo de confianza del 95% para la desviacin estandar de la poblacin .
6.5 6.6. 6.7 6.8 7.1 7.3 7.4 7.7 7.7 7.7
b) Los valores que se listan son tiempos de espera (en minuto) de clientes del Banco
Popular, donde los clientes pueden formarse en cualquiera de tres filas distintas que se
han formado frente a tres ventanillas distintas. Construya un intervalo de confianza del
95% para y compare los resultados con el intervalo de confianza para los datos del
Banco BHD. Sugieren los intervalos de confianza alguna diferencia en la variacin de
los tiempos de espera de cada banco? Cul sistema parece mejor: el de fila nica o el
de mltiples filas?
4.2 5.4 5.8 6.2 6.7 7.7 7.7 8.5 9.3 10.0
Caso IV.
Se espera que un proceso estandarizado produzca arandelas con una desviacin muy pequea en su
espesor. Suponga que se tomaron 10 de estas arandelas y sus espesores, en pulgadas fueron:
0.123 0.124 0.126 0.120 0.130 0.133 0.125 0.128 0.124 0.126
Cul es un intervalo de confianza de 90 por ciento para la desviacin estndar del espesor de una
arandela producida mediante este proceso?
171
Determinacin del tamao de muestra.
Los procedimientos para encontrar el tamao de muestra

necesario para estimar son muchos ms complejos que los
procedimientos que se dieron antes para las medias y
proporciones. En lugar de aplicar procedimientos muy
complicados, usaremos la tabla 6-2.
Caso I.
Con una confianza del 95%, queremos estimar dentro de un
margen de error del 10%. Qu tamao deber tener la muestra?
Supongamos que la poblacin esta distribuida normalmente.
Solucin: En la tabla 6-2 vemos que una confianza del 95% y un
error del 10% para corresponde a un tamao de muestra de 191.
Deberemos seleccionar aleatoriamente 191 valores de la
poblacin.
Caso II.
Determine el tamao de muestra mnimo necesario para tener una
confianza del 95% en que la desviacin estndar de la muestra s
estar a menos del 30% de .
Caso III.
confianza del 99% en que la desviacin estndar de la muestra s
estar a menos del 20% de .
Caso IV.
confianza del 99% en que la varianza de la muestra estar a
menos del 30% de la varianza de la poblacin.
Caso V.
confianza del 95% en que la varianza de la muestra estar a
menos del 40% de la varianza de la poblacin.
172
El anlisis de varianza (ANOVA)
Es un mtodo para probar la igualdad de dos o ms medias

de poblacin analizando varianzas de muestra.
Distribucin F
Los mtodos de ANOVA emplean la distribucin F, que tiene las

siguientes propiedades:
1. La distribucin F no es simtrica; esta sesgada hacia la derecha.
2. Los valores de F pueden ser 0 o positivos, pero no pueden ser

negativos.
3. Hay una distribucin F distinta para cada par de grados de

libertad del numerador y el denominador.
Esta fue denominada as en 1924 en honor a Sir Ronald A.

Fisher (1890-1962).
La estadstica de prueba F es el cociente de dos estimados,

de modo que una estadstica de prueba F significativamente
grande (situada muy a la derecha en la grafica de la distribucin
F) es un indicio en contra de que las medias de poblacin sean
iguales.
Estadstica de Prueba para ANOVA.
F=varianza entre muestras/varianza dentro de las muestras
El numerador mide la variacin entre las medias de muestra. El

estimado de la varianza del denominador depende solo de las
varianzas de las muestras y no resulta afectado por las diferencias
entre las medias de las muestras. Por consiguiente, si las medias
173
de muestra tienen valores muy parecidos, la estadstica de prueba

F tiene un valor cercano a 1, y concluimos que no hay diferencias
significativas entre las medias de muestra. En cambio, si el valor
de F es excesivamente grande, rechazamos la afirmacin de que
las medias son iguales.
Clculos con tamaos de muestra iguales.

Si todos los conjuntos de datos tienen el mismo tamao de
muestra como se presenta en la tabla a continuacin. Primero
calculamos la varianza entre muestras evaluando ns, donde s es
la varianza de las medias de muestra.
INTERVALOS DE TIEMPO (EN MINUTOS ENTRE
ERUPCIONES DEL VOLCAN "EL VIEJO FIEL"
GEISER OLD FAITHFUL - PARQUE NAC. YELLOWSTONE
1951 1985 1995 1996
74 89 86 88
60 90 86 86
74 60 62 85
42 65 104 89
74 82 62 83
52 84 95 85
65 54 79 91
68 85 62 68
62 58 94 91
66 79 79 56
62 57 86 89
60 88 85 94
N 12 12 12 12
MEDIA X' 63,3 74,3 81,7 83,8
DESVIACION 9,4 14,2 13,7 10,9
BASADOS EN DATOS DEL GEOLOGO RICK HUTCHINSON
Y EL SERVICIO NACIONAL DE ESTADOS UNIDOS
174
Por ejemplo las medias de las muestras de la tabla anterior

son 63.3, 74.3, 81.7, 7 83.8. Esos cuatro valores tienen una
desviacin estndar de s=9.26116, as que
varianza entre muestras = ns = 12 (9.26116) = 1,029.23
A continuacin, estimamos la varianza dentro de las muestras

calculando sp, que es la varianza conjunta que se obtiene
calculando la media de las varianzas de muestra. Las
desviaciones estndar de muestra son 9.4, 14.2, 13.7 y 10.9, as
que
varianza dentro de las muestras = sp =(9.4 + 14.2 + 13.7 + 10.9)/4
=149.125
Por ultimo, evaluamos la estadstica de prueba F como sigue:
F=1,029.23/149.125 = 6.9018
Si llevamos mas posiciones decimales obtendremos una

estadstica de prueba ms exacta: F=6.9018
El valor critico de F se obtiene suponiendo una prueba de cola

derecha, ya que los valores grandes de F corresponden a
diferencias significativas entre las medias. Con k muestras cada
una de las cuales tiene n puntajes, los nmeros de grados de
libertad se calculan como sigue:
Grados de libertad con k muestras del mismo tamao n.
grados de libertad del numerador = k - 1
grados de libertad del denominador = k (n-1)
175
Para los datos de muestra de la tabla anterior k=4 y n=12, as que

los grados de libertad son 3 para el numerador y 44 para el
denominador. Con un =0.05, 3 grados de libertad para el
numerador y 44 grados de libertad para el denominador, el valor
critico es F = 2.84 (La tabla de Distribucin F no incluye 44
grados de libertad para el denominador, as que usamos el valor
ms cercano, que corresponde a 40 grados de libertad).
Regla de decisin: "No rechazar si F 2.84. Rechazar s F >

2.84".
Con base a estos resultados, rechazamos la hiptesis nula de

que las medias son iguales. Hay suficientes indicios para
justificar que se rechace la afirmacin de que las cuatro muestras
provienen de poblaciones cuyas medias son iguales.
176
Caso I.
Que concluye usted acerca de la aseveracin de que las tres
poblaciones correspondientes a los tres grupos de edades tienen la
misma temperatura corporal media?
TEMPERATURAS CORPORALES (F) POR EDAD
18-20 21-29 30 o ms
98,0 99,6 98,6
98,4 98,2 98,6
97,7 99,0 97,0
98,5 98,2 97,5
97,1 97,9 97,3
n 5 5 5
X' 97,940 98,580 97,800
s 0,568 0,701 0,752
BASADOS EN DATOS DEL DOCTOR PHILIP MACKOWIAK,
EL DR. STEVEN WASSERMAN Y EL DR. MYRON LEVINE
DE LA UNIVERSITY OF MARYLAND.
Caso II.
La City Resouce Recovery Company (CRRC) recolecta
desperdicios desechados por los hogares de la regin. Los
desperdicios deben separarse en las categoras de metal, papel,
plstico y vidrio. Al planificar que equipo necesita para
recolectar y procesar la basura, la CRRC consulta los datos que se
resumen en la siguiente tabla:
En el nivel de significancia de 0.05, pruebe la afirmacin de que
las cuatro poblaciones especificas tienen la misma media. Con
base en los resultados, cree usted que las cuatro categoras
requieran los mismos recursos para su recoleccin y
procesamiento?
METAL PAPEL PLASTICO VIDRIO
n 62 62 62 62
X' 2,218 9,428 1,911 3,752
s 1,091 4,168 1,065 3,108
177
Clculos con tamaos de muestra desiguales.
F= [ (ni(X'i-X")) / k-1 ] / [ ((ni-1)si) / (ni-1)]
donde:
X" = media de todos los puntajes de muestra combinados
k = numero de medias de poblacin que se comparan

ni = numero de valores en la i-esima muestra
N = numero total de valores en todas las muestras combinadas
X'i = media de los valores de la i-esima muestra
si = varianza de los valores de la i-esima muestra
178
Prueba de Hiptesis
Las hiptesis indican lo que estamos buscando o tratando

de probar y pueden definirse como explicaciones tentativas del
fenmeno investigado formuladas a manera de proposiciones.
Las hiptesis no necesariamente son verdaderas, pueden o

no serlo, pueden o no comprobarse con hechos. Son
explicaciones tentativas, no los hechos en s.
Dentro de la investigacin cientfica, las hiptesis son

proposiciones tentativas acerca de las relaciones entre dos o ms
variables y se apoyan en conocimientos organizados y
sistematizados.
Sampieri H., Roberto. "Metodologa de la Investigacin".

McGraw Hill: Segunda Edicin. 1998 BEST SELLER
INTERNACIONAL.
Hiptesis nulas son, en cierto modo, el reverso de las hiptesis

de investigacin. Tambin constituyen proposiciones acerca de la
relacin entre variables; que sirven solo para refutar o negar lo
que afirma la hiptesis de investigacin.
Hiptesis alternativas, como su nombre lo indica, son

posibilidades "alternas" ante las hiptesis de investigacin y nula:
Ofrece otra descripcin o explicacin distintas a las que
proporcionan estos tipos de hiptesis.
Si la hiptesis de investigacin establece: "esta silla es roja",

y podran formularse una o ms hiptesis alternativas: ""esta silla
es azul", "esta silla es verde", "esta silla es amarilla", etctera.
179
Hiptesis estadsticas son las transformaciones de las hiptesis

de investigacin, nulas y alternativas en smbolos estadsticos. Se
pueden formular solo cuando los datos del estudio que se van a
recolectar y analizar para probar o rechazar las hiptesis son
cuantitativos (nmeros, porcentajes, promedios). Es decir, el
investigador traduce su hiptesis de investigacin y su hiptesis
nula (y cuando se formulan hiptesis alternativas, tambin estas)
en trminos estadsticos.
En estadstica, una hiptesis es una afirmacin o declaracin que

se hace acerca de una propiedad de una poblacin.
Componentes de una Prueba de Hiptesis.
Hiptesis nula (denotada por Ho) es una declaracin acerca del

valor de un parmetro de poblacin (como la media) y debe
contener la condicin de igualdad escrita con el smbolo =, o .
(Al efectuar realmente la prueba, operaremos bajo el supuesto de
que el parmetro es igual a algn valor especifico.) En el caso de
la media, la hiptesis nula se expresara en una de estas tres
posibles formas:
Ho: = algn valor

Ho: algn valor
Ho: algn valor
Por ejemplo, la hiptesis nula que corresponde a la creencia

comn de que la temperatura corporal media es 98.6F se expresa
como Ho:=98.6. Probamos la hiptesis nula directamente en el
sentido de que suponemos que es verdad y llegamos a una
conclusin que puede ser rechazar Ho o bien en no rechazar Ho.
Nunca se puede aceptar la hiptesis nula como verdadera. El no

rechazo de la hiptesis nula solamente significa que la evidencia
180
muestral no es lo suficientemente fuerte como para llegar a su

rechazo.
Antes que se rechace la hiptesis nula, la media muestral
debe diferir significativamente de la media poblacional planteada
como hiptesis. Es decir, que la evidencia debe ser muy
convincente y concluyente. Una conclusin con base en un
rechazo de la hiptesis nula es ms significativa que una que
termine en una decisin de no rechazo.
Diferencia estadsticamente insignificante
En la diferencia entre el valor de la media poblacional bajo

la hiptesis y el valor de la media muestral que es lo
suficientemente pequea como para atribuirla a un error de
muestreo.
Hiptesis Alternativa (denotada por Ha) es la declaracin que

debe ser verdad si la hiptesis nula es falsa. En el caso de la
media, la hiptesis alternativa se expresara en una de tres posibles
formas:
Ha: algn valor
Ha: > algn valor
Ha: < algn valor
Obsrvese que Ha es lo contrario de Ho. Por ejemplo, si Ho se da

como =98.6, se sigue que la hiptesis alternativa esta dada por
Ha98.6.
Errores Tipo I y Tipo II.
Al probar una hiptesis nula, llegamos a una conclusin de

rechazarla o no rechazarla. Tales conclusiones a veces son
correctas y a veces equivocadas. Hay dos tipos de errores que
podemos cometer.
181
Error Tipo I.
El error de rechazar la hiptesis nula, dado que es verdadera.
La probabilidad de cometer un error tipo I es igual al nivel

de significancia, o valor en el que se prueba la hiptesis.
Error Tipo II.
Es no rechazar una hiptesis nula que es falsa. Usamos el

smbolo para representar la probabilidad de error tipo II.
Como controlar los errores tipo I y tipo II. Consideraciones

practicas que podran ser pertinentes:
1. Para cualquier fija, un aumento en el tamao de muestra n

hace que disminuya. Es decir, una muestra ms grande reduce
la posibilidad de cometer el error de no rechazar la hiptesis nula,
dado que en realidad es falsa.
2. Para cualquier tamao de muestra fijo n, una disminucin de

causara un incremento en . Por otra parte, un incremento en
causara una disminucin en .
3. Si queremos reducir tanto como , deberemos aumentar el

tamao de muestra.
Estadstica de Prueba.
Una estadstica de muestra o un valor basado en los datos

de una muestra. Se utiliza una estadstica de prueba para tomar la
decisin de rechazar o no la hiptesis nula.
= (X' - )/(/n)
= (X' - )/(s/n)
182
Regin critica.
El conjunto de todos los valores de la estadstica de prueba

que nos haran rechazar la hiptesis nula.
Valor critico.
El valor o valores que separan la regin critica de los

valores de la estadstica de prueba que no nos haran rechazar la
hiptesis nula. Los valores crticos dependen de la naturaleza de
la hiptesis nula, la distribucin de muestreo pertinente y el nivel
de significancia .
Prueba de dos colas para
Hay cuatro pasos involucrados en una prueba:
Paso 1: Plantear las hiptesis.

Paso 2: Con base en los resultados de la muestra,
calcular el valor del estadstico de
prueba Z.
Paso 3: Determinar la regla de decisin con base
en los valores crticos de Z.
Paso 4: Interpretacin y conclusiones.
Caso I.
Como gerente de compras de una gran empresa de seguros usted
debe decidir si actualizar o no los computadores de la oficina. A
usted se le ha dicho que el costo promedio de los computadores es
de US$2,100. Una muestra de 64 minoristas revela un precio
promedio de US$2,251, con una desviacin estndar de US$812.
A un nivel de significancia del 5% parece que su informacin es
correcta?
183
Datos:
Ho:=US$2,100
n=64 minoristas
X'=US$2,251 precio promedio (de los computadores)
de la muestra
s=US$812
=5%=0.05 (nivel de significancia)

El gerente de compra desea probar la hiptesis de que la media
poblacional es =US$2,100 bajo un nivel de significancia
=5%=0.05. Debido a que se plantea la hiptesis de que
=US$2,100, la hiptesis nula y la alternativa son:
Ho: = 2,100
Ha: 2,100
prueba Z.
Para probar la hiptesis, se calcula el estadstico de prueba
Z, y se compara con los valores crticos de Z.
= (X' - H)/(/n)
= (X' - H)/(s/n)
en donde
X' es la media muestral
H es el valor de la media poblacional
bajo hiptesis nula
/n es el error estndar de la distribucin muestral
Ho: = 2,100
n=64 minoristas
X'=US$2,251
s=US$812
= (2,251 - 2,100)/(812/8)
= (151)/(101.5)
= 1.49
184

El nivel de significancia del 5% se divide en dos colas. El 95%

restante se divide por 2 para hallar el rea de 0.4750. En la tabla
Z esta rea de 0.4750 da los valores crticos de Z de 1.96.
La Regla de Decisin es: "No se rechaza la hiptesis nula s -

1.96 Z 1.96. Se rechaza s Z<-1.96 o Z>1.96.
Vale la pena destacar que las zonas de rechazo estn en

ambas colas. Si Z<-1.96 o Z>1.96, se rechaza la hiptesis nula.

El paso final en la prueba de hiptesis es donde cae el valor
del estadstico para la muestra y determinar si la hiptesis nula
debera rechazarse o no. El valor del estadstico para la muestra
es X'=US$2,251 produce una Z=1.49 ==> 1.49<1.96 y cae dentro
de la zona de no rechazo.
Interpretacin:
La diferencia entre el valor de la media poblacional bajo la
hiptesis nula de = 2,100 y el valor de la media muestral de
X'=US$2,251 es estadsticamente insignificante. Podra resultar
simplemente del error de muestreo. De hecho s =2,100; el 95%
de todas las muestras de tamao n=64 producirn valores de Z
entre 1.96.
Caso II.
Un contrato de manejo laboral exige una produccin diaria de 50
unidades. Una muestra de 150 das revela una media de 47.3, con
una desviacin estndar de 5.7 unidades. Fije =5% y determine
si se cumple con la disposicin del contrato.
185
Caso III.
Un gerente de una empresa considera que los empleados gastan
un promedio de 50 minutos para llegar al trabajo. Se toma una
muestra de 70 empleados que se toman en promedio 47.2
minutos con una desviacin estndar de 18.9 minutos. Fije en
1% y pruebe la hiptesis.
TAREA: Ejercicios 1 al 16 Pgs. 204-205. Para entregar en la

prxima clase.
Las colas de una distribucin son las regiones extremas

delimitadas por valores crticos. Rechazamos la hiptesis nula
Ho si nuestra estadstica de prueba esta en la regin critica o
rea de rechazo porque eso indica una discrepancia
significativa entre la hiptesis nula y los datos de la muestra.
Algunas pruebas son de cola izquierda, con la regin critica

situada en la regin de extrema izquierda de la curva; otras
podran ser de cola derecha, con la regin critica en la regin de
la extrema derecha bajo la curva.
En las pruebas de dos colas, el nivel de significancia se

divide equitativamente entre las dos colas que constituyen la
regin critica o rea de rechazo. En las pruebas de cola derecha
o izquierda, el rea de la regin critica es .
Si examinamos la hiptesis nula Ho, deberemos poder

deducir si una prueba es de cola derecha, de cola izquierda o de
dos colas. La cola corresponder a la regin critica que
contenga los valores que podran contradecir significativamente
la hiptesis nula.
Vale la pena destacar que tanto en la prueba de cola a la

izquierda como a la derecha el signo igual se coloca en la
hiptesis nula. Esto es porque la hiptesis nula se esta probando a
186
un valor especifico (como 5%) y el signo igual da a la hiptesis

nula un valor especifico para probarla.
Una prueba de cola a la izquierda tiene una zona de rechazo solo

en la cola izquierda y se da bajo la condicin de:
Ho: algn valor

Ha: < algn valor
Una prueba de cola a la derecha tiene una zona de rechazo solo en

la cola derecha y se da bajo la condicin de:
Ho: algn valor

Ha: > algn valor
Caso I.
Determinacin de valores crticos o zona de no rechazo: Muchos
pasajeros de cruceros usan parches cutneos que suministran
dramamina al cuerpo con el fin de evitar el mareo. Se prueba una
aseveracin respecto a la dosis media con un nivel de
significancia de = 0.05. Las condiciones son tales que es
posible usar la distribucin normal estndar (porque aplica el
teorema del limite central). Encuentre el o los valores crticos de
z si la prueba es (a) de dos colas, (b) de cola izquierda y (c) de
cola derecha. Represente grficamente el valor critico y la regin
critica.
187
Caso II.
Baskin-Robbins, la franquicia de helados, afirma que el numero
de tiendas que se abre se ha incrementado por encima del
promedio semanal de 10.4 experimentado en tiempo de escasez
(The Wall Street Journal, febrero de 1997). Existe alguna
evidencia para sustentar esta afirmacin si 50 semanas muestran
una media de 12.5 y una desviacin estndar de 0.66 tiendas? La
gerencia esta dispuesta a aceptar una probabilidad del 4% de
rechazo de la hiptesis nula si esta es cierta.
Datos:
n=50 semanas
X'=12.5 tiendas de la muestra
s=0.66 tiendas

La afirmacin de que el incremento es por encima del promedio
semanal de 10.4 sirve como hiptesis alternativa debido a que
>10.4 no contiene el signo igual.
Ho: algn valor Ha: > algn valor
Ha: > 10.4 tiendas semanal
Ho: 10.4 tiendas semanal

calcular el valor del estadstico de prueba Z.
= (X' - H)/(/n)
= (X' - H)/(s/n)
en donde X' es la media muestral
bajo hiptesis nula
/n es el error estndar de la distribucin muestral
188
Ho: 10.4 tiendas semanal

n=50 semanas
X'=12.5 tiendas de la muestra
s=0.66 tiendas
= (12.5 - 10.4)/(0.66/50)
= 2.1/0.093
= 22.5

El nivel de significancia del 4%. El 50% se resta de 4% para

hallar el rea de 0.46. En la tabla Z esta rea de 0.46 da el valor
critico de Z de 1.75.
La Regla de Decisin es: "No se rechaza la hiptesis nula s Z

1.75. Se rechaza s Z>1.75.

produce una Z=22.5 ==> 22.5>1.75 y cae dentro de la zona de
rechazo o regin critica.
Interpretacin:
La hiptesis nula se rechaza ya que en tiempo de escasez no

se abren mas de 10.4 tiendas semanal
189
Caso III.
Segn Wall Street Journal (mayo 12 de 1997) muchas compaas
de ropa deportiva estn tratando de comercializar sus productos
entre los mas jvenes. El articulo sugiri que la edad promedio
de los consumidores haba cado por debajo de la media de 34.4
aos que caracterizo los comienzo de la dcada. Si una muestra
de 1000 clientes reporta una media de 33.2 aos y una desviacin
de 9.4, qu se concluye a un nivel de significancia de del 4%?
Datos:
n=1000 clientes
X'=33.2 aos (edad promedio de la muestra de los
consumidores de ropa deportiva)
s=9.4 aos
La afirmacin de que la edad de los consumidores estaba por
debajo de 34.4 aos sirve como hiptesis alternativa debido a que
< 34.44 no contiene el signo igual.
Una prueba de cola a la izquierda tiene una zona de rechazo solo
en la cola izquierda y se da bajo la condicin de:
Ho: algn valor
Ha: < algn valor
Ha: < 34.4 aos (edad promedio de los
Ho: 34.4 aos
prueba Z.

= (X' - H)/(/n)
= (X' - H)/(s/n)
en donde
190

bajo hiptesis nula
/n es el error estndar de la distribucin

muestral
Ho: 34.4 aos

n=1000 clientes
X'=33.2 aos (edad promedio de la muestra de los
s=9.4 aos
= (33.2 - 34.4)/(9.4/1000)
= -1.2/0.297254
= -4.04

El nivel de significancia del 4%. El 50% se resta de 4% para

hallar el rea de 0.46. En la tabla Z esta rea de 0.46 da el valor
critico de Z de 1.75.
La Regla de Decisin es: "No se rechaza la hiptesis nula s Z

1.75. Se rechaza s Z<1.75.

produce una Z=-4.04 ==> -4.04<1.75 y cae dentro de la zona de
rechazo o regin critica.
191
Interpretacin:
La hiptesis nula se rechaza ya que la edad promedio no ha

cado por debajo del grupo de edad de 34.4 aos.
Ejercicios 17 al 26 - Pg. 209 para entregar en la prxima

clase.
192
Condiciones para usar la Distribucin t de Student en Prueba

de Hiptesis.

2.- Se desconoce .
datos de muestra.)
Propiedades importantes de la Distribucin t de Student.
1.- La distribucin t de Student es diferente para los diferentes

tamaos de muestra. (Ver Figura 7.3 en la Pg. 177).
2.- La distribucin t de Student tiene la misma forma general de

campana simtrica que la distribucin normal estndar, pero
refleja la mayor variabilidad (con distribuciones ms amplias) que
cabe esperar cuando la muestra es pequea.
3.- La distribucin t de Student tiene una media t=0 (as como la

distribucin normal estndar tiene una media de Z=0).
4.- La desviacin estndar de la distribucin t de Student varia

con el tamao de la muestra, pero es mayor que 1 (a diferencia de
la distribucin normal estndar, que tiene =1).
Al igual que la distribucin Z, la distribucin t tiene una

media de cero, es simtrica respeto a la media y oscila entre -
y + . Sin embargo, mientras que la distribucin Z tiene una
varianza de =1, la varianza de la distribucin t es mayor que
1.
5.- A medida que aumenta el tamao de muestra n, la distribucin

t de Student se acerca mas a la distribucin normal estndar. Con
193
valores de n > 30, las diferencias son tan pequeas que podemos
utilizar los valores crticos de z en lugar de crear una tabla mucho
ms grande de valores crticos de t.
Grados de libertad.
El numero de grados de libertad de un conjunto de datos

corresponde al numero de puntajes que puede variar despus de
haber impuestos ciertas restricciones a todos los puntajes.
Es el numero de observaciones menos el numero de

restricciones impuestas sobre tales observaciones.
g.l. = n - 1
Podra parecer un poco extrao que, con una poblacin

distribuida normalmente, a veces utilicemos la distribucin t
para encontrar valores crticos, pero cuando se desconoce el
uso de s de una muestra pequea incorpora otra fuente de
error. A fin de mantener el grado de confianza deseado,
compensamos la variabilidad adicional ensanchando el
intervalo de confianza mediante un proceso que sustituye el
valor critico Z por el valor critico ms grande de t.
El estadstico t
t = (X'-)/(s/n)
Prueba de dos colas para

prueba Z.
194

Caso I
Un distribuidor de bebidas plantea la hiptesis de que las ventas
por mes promedian US$12,000. Diez meses seleccionados como
muestra reportan una media de US$11,277 y una desviacin
estndar de US$3,772. Si se utiliza un valor del 5%. Que
puede concluir acerca de la impresin que tienen el distribuidor
sobre las condiciones del negocio?
Ejercicios 33 al 40 Pgs. 215-216.
195
El Mtodo de valor P para probar hiptesis.
Dado una hiptesis nula y datos de muestra, el valor p

refleja la verosimilitud de obtener los valores de muestra en
cuestin suponiendo que la hiptesis nula realmente es verdad.
Valor P (o valor de probabilidad) es la probabilidad de obtener

un valor de la estadstica de prueba que ser al menos tan extremo
como se obtiene a partir de los datos de muestra, suponiendo que
la hiptesis es verdad.
Valor P es el nivel ms bajo de significancia (valor mnimo) al

cual se puede rechazar la hiptesis nula. Es el rea en la cola que
est ms all del valor del estadstico para la muestra.
Los valores P miden la confianza que sentimos al rechazar

una hiptesis nula. Por ejemplo, un valor P de 0.0002 nos llevara
a rechazar la hiptesis nula, pero tambin sugerira que los
resultados de muestra son extremadamente inusitados si el valor
que se asegura que tiene es en realidad correcta. En contraste,
dado un valor P de 0.40, no rechazamos la hiptesis nula porque
los resultados de muestra podran ocurrir fcilmente si el valor
que se asegura que tiene si es el correcto.
Algunos criterios de decisin basados exclusivamente en el

valor P:
- Rechazar la hiptesis nula si el valor P es menor que el nivel de

significancia, o igual a l.
- No rechazar la hiptesis nula si el valor P es mayor que el nivel

de significancia.
196
Valor P Interpretacin
Menor que 0.01 Muy significativo estadsticamente

Indicios muy claros en contra de la
hiptesis nula
0.01 a 0.05 Estadsticamente significativo

Suficientes indicios en contra de
la hiptesis nula
Mayor que 0.05 Insuficientes indicios en contra de

la hiptesis nula
Caso I.
A comienzo de los aos 90 Sony Corporation introdujo su Play
Station de 32 bits en el mercado de los juegos de video. La
gerencia esperaba que el nuevo producto incrementara las ventas
mensuales en Estados Unidos por encima de los US$283,000,000
que Sony haba experimentado en la dcada anterior. Una
muestra de 40 meses reporto una media de US$297,000,000. Se
asume una desviacin estndar de US$97,000,000. Pruebe la
hiptesis nula a un nivel de significancia del 1%. Calcule e
interprete el valor p.
Datos:
n=40 meses
X'=US$297,000,000 ventas de la muestra
s=US$97,000,000
La afirmacin de que el nuevo producto incrementara las ventas
por encima de US$283,000,000 sirve como hiptesis alternativa
debido a que > US$283,000,000 no contiene el signo igual.
197

Ho: algn valor Ha: > algn valor
Ha: > US$283,000,000 (ventas mensuales)
Ho: US$283,000,000 (ventas mensuales)
prueba Z.

= (X' - H)/(/n)
= (X' - H)/(s/n)
en donde
bajo hiptesis nula
/n es el error estndar de la distribucin

muestral
Ho: US$283,000,000 (ventas mensuales)

n=40 meses
X'=US$297,000,000 ventas de la muestra
s=US$97,000,000
= (297,000,000 - 283,000,000)/(97,000,000/40)
= 14,000,000/15,337,047.42
= 0.91
El valor Z para el nivel de insignificancia de 1% se obtiene en la

tabla despus de restar 0.5-0.01= 0.49, el cual corresponde a 2.33
198

En la tabla Z el valor Z de 0.91 tiene el rea de 0.3186. Por lo

tanto el:
valor P = 0.5 - 0.3186 = 0.1814
La Regla de Decisin es:


de significancia.

debera rechazarse o no. Como el valor de significancia es menor
que 0.1814 para la muestra de Z=0.91 cae en la zona de no
rechazo.
Interpretacin:
La hiptesis nula no se rechaza.
Ejercicios 27 al 32 Pg. 213.
199
Caso II.
En el verano de 1997, el Congreso de USA aprob un presupuesto
federal que contena varias partidas para reducciones de
impuestos. Los analistas afirmaron que ahorrara al
contribuyente promedio US$800.00 dlares. Una muestra de 500
contribuyentes demostr una reduccin promedio en los
impuestos de US$785.10 con una desviacin estndar de
US$277.70. Pruebe la hiptesis a un nivel de significancia del
5%. Calcule e Interprete el valor p.
Datos:
n= 500 contribuyentes
X'=US$785.10
s=US$277.70
Ha: = US$800.00
Ho: US$800.00

prueba Z.
= (X' - H)/(/n)
= (X' - H)/(s/n)
= (785.10 800.00)/(277.70/500)
= -14.9/12.42
= - 1.20
El valor Z para el nivel de insignificancia de 5% se divide entre

dos. Se obtiene en la tabla el valor de Z = 1.96.
200

En la tabla Z, el valor Z de 1.20 tiene el rea de 0.3849. Por lo

tanto el:
0.5 - 0.3849 = 0.1151
valor P = 2 * 0.1151 = 0.2302
La Regla de Decisin es:


de significancia.

debera rechazarse o no. Como el valor de significancia es menor
que 0.2302 para la muestra de Z = -1.20 cae en la zona de no
rechazo.
Interpretacin:
La hiptesis nula no se rechaza.
Ejercicios 27 al 32 Pg. 213.
201
Caso III. Forbes (Septiembre 1996) report que Freddie Maman,

representante de la cantante de pop Madonna, estim que las
ventas diarias de su nuevo lbum excedera las de su xito ms
grande de 1994, Like a Virgin, el cual tuvo un promedio de ventas
de 27,400 copias. Freddie est en lo cierto a un nivel de
significancia del 10% si 50 observaciones (das) poseen un media
de 28,788 copias con una desviacin estndar de 3,776? Calcule e
interprete el valor p. Y Represente grficamente incluyendo el
valor P.
Caso IV. La Asociacin Internacional de Transporte Areo pide
a los viajeros de negocios que califiquen los aeropuertos
internacionales trasatlnticos. La calificacin mxima posible es
10. Una revista dedicada a los viajes desea clasificar a los
aeropuertos segn la calificacin que reciben. De los que tienen
una calificacin de media de poblacin de 7 ms se consideran
que ofrecen un servicio superior. Suponga que a una muestra
aleatoria de 12 viajeros se les pidi calificar al aeropuerto
Heathrow de Londres, y que las calificaciones obtenidas son 7, 8,
10, 8, 6, 9, 6, 7, 7, 8, 9 y 8. Suponiendo que la poblacin de
calificaciones se puede aproximar con una distribucin normal,
puede decirse que Heathrow ofrece un servicio superior?
Usando un nivel de significancia de 0.05, necesitamos una prueba
que determine si la media de la poblacin de calificaciones para el
aeropuerto es mayor de 7.
202
Pruebas con dos Poblaciones

Estimacin con muestras grandes
Intervalo de confianza para la diferencia entre dos medias
poblacionales para muestras grandes:
I.C. para (1-2) = (X1 X2) Zx1-x2

Error Estndar de las diferencias entre medias muestrales:
x1-x2 = (12/n1) + (22/n2)

Estimacin del error estndar de la diferencia entre medias
muestrales:
sx1-x2 = (s12/n1) + (s22/n2)

Intervalo de confianza cuando las varianzas son desconocidas:
I.C. para (1-2) = (X1 X2) Zsx1-x2

Caso I.
Vimenca transporta remesas entre Santo Domingo y Samana por
dos rutas. Una muestra de 100 camiones enviados por la ruta del
Este revel un tiempo promedio de trnsito Xeste=17.2 horas
con una desviacin estndar Seste=5.3 horas, mientras que 75
camiones que utilizan la ruta Norte necesitaron un promedio de
Xnorte=19.4 horas con una desviacin estndar de
Snorte=4.5horas. El transportador de Vimenca, desea desarrollar
un intervalo de confianza del 95% para la diferencia en el tiempo
promedio entre estas dos rutas alternas.
203
N este = 100 camiones Nnorte= 75 camiones

Xeste = 17.2 horas Xnorte= 19.4 horas
Seste = 5.3 horas Snorte= 4.5 horas
N.C. 95%
RUTA ESTE NORTE UNIDADES
X' 17.2 19.4 HORAS
S 5.3 4.5 HORAS
N 100 75 CAMIONES
Debido a que las desviaciones poblacionales son desconocidas, el
error estndar es:
sx1-x2 = (s12/n1) + (s22/n2)

sx1-x2 = (5.32/100) + (4.52/75)
sx1-x2 = (0.2809) + (0.27)
sx1-x2 = 0.7422
Intervalo de confianza cuando las varianzas son desconocidas:
I.C. para (1-2) = (X1 X2) Zsx1-x2

I.C. para (1-2) = (17.2 19.4) (1.96)(0.7422)
I.C. para (1-2) = 2.2 1.4547
-3.7 (1-2) -0.75 horas
El transportador puede tener un 95% de confianza en que la ruta

del norte toma entre 0.75 horas y 3.7 horas ms.
204

Estimacin con muestras pequeas con varianzas poblacionales
iguales
Estimado mancomunado de la varianza comn a ambas
poblaciones:
Sp2 = s12 (n1 - 1) + s22 (n2 - 1)

n1 + n2 2
Intervalo de confianza para la diferencia entre medias
poblacionaes cuando 12 = 22 desconocidas:
I.C. para (1-2) = (X1 X2) t (sp2/n1) + (sp2/n2)
Caso II.
En la cafetera de los estudiantes de PUCMM, una mquina
expendedora de bebidas dispensa bebidas en tazas de papel. Una
muestra de 15 tazas da una media de 15.3 onzas con una varianza
de 3.5. Despus de ajustar la mquina, una muestra de 10 tazas
produce un promedio de 17.1 onzas con una varianza de 3.9. Si
se asume que s2 (varianza) es constante antes y despus del
ajuste, construya un intervalo de confianza del 95% para la
diferencia entre los contenidos promedio de llenado. Se asume
que las cantidades dispensandas estn distribuidas normalmente.
Entonces,
N1 = 15 tasas N2 = 10 tazas
X1 = 15.3 onzas X2 = 17.1 onzas
S12 = 3.5 onzas S22 = 3.9 onzas
205
llenado llenado
TIPO 1 2 UNIDADES
X' 15.3 17.1 ONZAS
S2 3.5 3.9 ONZAS
N 15 10 TAZAS
Sp2 = s12 (n1 - 1) + s22 (n2 - 1)

n1 + n2 2
Sp2 = 3.5 (15 - 1) + 3.9 (10 - 1)
15 + 10 2
Sp2 = 3.66
Intervalo de confianza para la diferencia entre medias
poblacionaes cuando 12 = 22 desconocidas:
Con un = 0.05 (un nivel de confianza del 95%) y n1 + n2 2 =
23 g.l., la tabla t indica un valor de 2.069.
I.C. para (1-2) = (X1 X2) t (sp2/n1) + (sp2/n2)

I.C. para (1-2) = (15.3 17.1) 2.069 (3.66/15) + (3.66/10)
I.C. para (1-2) = 1.8 1.61
-3.41 (1-2) -0.19 onzas
Se puede tener un nivel de confianza del 95% en que el ajuste
increment el nivel del contenido entre 0.19 onzas y 3.41 onzas.
206

Estimacin con muestras pequeas con varianzas poblacionales
desiguales
Grados de libertad cuando las varianzas poblacionales non son
iguales.
g.l. = (s12/n1 + s22/n2)2______

(s12/n1) 2 / (n1- 1) + (s22/n2) 2 / (n2- 1)
Intervalo para la diferencia entre medias poblacionales:
I.C. para (1-2) = (X1 X2) t (s12/n1) + (s22/n2)
Caso III. El Listin Diario describi dos programas de
entrenamiento utilizados por GBM Dominicana. Doce ejecutivos
a quienes se les dio primer tipo de entrenamiento obtuvieron un
promedio de 73.5 en la prueba de competencia. Aunque el
artculo de noticias no report la desviacin estndar para estos 12
empleados, se asume que la varianza en los puntajes parae este
grupo fue de 100.2. Quince ejecutivos a quienes se les administr
el sugundo programa de entrenamiento obtuvieron un promedio
79.8. Se asume una varianza de 121.3 para este segundo grupo.
Haga un intervalo de confianza del 95% para la diferencia en los
puntajes promedio para todos los ejecutivos que ingresaron a
estos programas:
N1 = 12 ejecutivos N2 = 15 ejecutivos
X1 = 73.5 puntos X2 = 79.8 puntos
S12 = 100.2 puntos S22 = 121.3 puntos
207
TIPO PROGRAM 1 PROGRAM 2 UNIDADES

X' 73.5 79.8 EJECUTIVOS
S 100.2 121.3 PUNTOS
N 12 15 PUNTOS
Grados de libertad cuando las varianzas poblacionales non
son iguales.
g.l. = (s12/n1 + s22/n2)2______
(s12/n1) 2 / (n1- 1) + (s22/n2) 2 / (n2- 1)
g.l. = (100.2/12 + 121.3/15)2______ = 24.55

(100.2/12)2 / (12-1) + (121.3/15) 2 / (14-1)
Si g.l. es fraccionario, se aproxima hacia abajo, hacia el entero
inmediatamente anterior. G.L. = 24.
Con un = 0.05 (un nivel de confianza del 95%) y g.l. = 24, la
tabla t indica un valor de 2.064.
Intervalo para la diferencia entre medias poblacionales:
I.C. para (1-2) = (X1 X2) t (s12/n1) + (s22/n2)
I.C. para (1-2) = (73.5 79.8) 2.064 (100.2/12) + (121.3/15)
I.C. para (1-2) = - 6.3 8.36
-14.66 (1-2) 2.06 puntos
Debido a que el intervalo contiene cero, no existe una fuerte
evidencia de que exista diferencia alguna en la efectividad de los
programas de entrenamiento.
208

Intervalos de confianza para la diferencia entre dos
Proporciones
Error Estndar de la diferencia entre dos proporciones muestrales:
Sp1-p2 = (p1(1-p1))/n1) + p2(1-p2))/n2)

Intervalo para la diferencia entre proporciones poblacionales:
I.C. para 1 2 = (p1 p2) (Z) Sp1-p2

Caso IV.
Una empresa realiza un estudio para determinar si el ausentismo
de los trabajadores en el turno del da es diferente al de los
trabajadores del turno de la noche. Se realiza una comparacin de
150 trabajadores de cada turno. Los resultados muestran que 37
trabajadores diurnos han estado ausentes por lo menos cinco
veces durante el ano anterior, mientras que 52 trabajadores
nocturnos han faltado por lo menos cinco veces. Qu revelan
estos datos sobre la tendencia al ausentismo entre los
trabajadores? Calcule un intervalo de confianza del 90% para la
diferencia entre las proporciones de trabajadores de los dos turnos
que faltaron cinco veces o ms.
N turno da = 150 p1 = 37/150 = 0.25
N turno noche = 150 p2 = 52/150 = 0.35
Sp1-p2 = (0.25*0.75/150) + (0.35*0.65/150) = 0.0526
209
Intervalo para la diferencia entre proporciones poblacionales:
I.C. para 1 2 = (p1 p2) (Z) Sp1-p2

I.C. para 1 2 = (0.25 0.35) (1.65) (0.0526)
I.C. para 1 2 = 0.10 0.087
-18.7% (1 2) - 1.3%
La empresa puede estar 90% segura de que la proporcin de
trabajadores nocturnos ausentes en cinco o ms oportunidades
est entre 1.3% y 18.7% ms alta que los del turno diurno.
Pruebas de Hiptesis para dos medias con muestras
independientes
Ho:1 = 2
Ha:1 2
O el equivalente
Ho:1 - 2 = 0
Ha:1 - 2 0
prueba Z o t.
Z = (X1-X2) (1-2)
SX1-X2
en los valores crticos de Z o t.
210
Caso V.
Weaver Ridge Golf Course desea ver si el tiempo promedio en
horas que requieren los hombres para jugar los 18 hoyos es
diferente al de las mujeres. Se mide el tiempo de cincuenta
partidos dobles de hombres y 45 de mujeres obteniendo, pruebe a
nivel de confianza del 95%:
SEXO HOMBRES MUJERES
X' 3.5 4.9
S 0.9 1.5
N 50 45
Ho:1 = 2
Ha:1 2
prueba Z o t.
Z = (X1-X2) (1-2)
SX1-X2
Estimacin del error estndar de la diferencia entre medias
muestrales:
sx1-x2 = (s12/n1) + (s22/n2)

sx1-x2 = (0.92/50) + (1.52/45) = 0.257
Z = (3.5-4.9) (0)
0.257
Z = - 5.45
211

Si = 0.05 (con un nivel de confianza del 95%), el valor crtico

de Z es 1.96.
Regla de decisin: No rechazar Z si esta entre 1.96. Rechazar

si Z es menor que -1.96 o mayor que 1.96.
La Ho se rechaza porque la Z de la estadstica de prueba es menor

que 1.96 de la Regla de Decisin.

La evidencia sugiere que las mujeres toman ms tiempo en
promedio. Vale la pena notar tambin que el valor p relacionado
con la prueba es virtualmente cero.
Pruebas de Hiptesis para dos medias con muestras pequeas

con varianzas iguales
Prueba de hiptesis con muestras pequeas cuando 22 = 22

(desconocidas):
t = (X1-X2) (1-2)
(sp2/n1) + (sp2/n2)
212
Caso VI.
Las negociaciones salariales entre su empresa y el sindicato de
sus trabajadores estn a punto de romperse. Existe un desacuerdo
considerable sobre el nivel salarial promedio de los trabajadores
en la planta de Atlanta y en la planta de Newport News, Virginia.
Los salarios fueron fijados por el antigua acuerdo laboral de hace
tres anos y se basan estrictamente en la antigedad. Debido a que
los salarios estn controlados muy de cerca por el contrato
laboral, se asume que la variacin en los salarios es la misma en
ambas plantas y que los salarios estn distribuidos normalmente.
Sin embargo, se siente que existe una diferencia entre los niveles
salariales promedio debido a los patrones de antigedad diferentes
entre las dos plantas. El negociador laboral que representa a la
gerencia desea que usted desarrolle un intervalo de confianza del
98% para estimar la diferencia entre los niveles salariales
promedio. Si existe una diferencia en las medias, deben hacerse
ajustes para hacer que los salarios ms bajos alcancen el nivel de
los ms altos. Dados los siguientes datos, qu ajustes se
requieren, si es el caso? Las muestras de trabajadores tomadas de
cada planta revelan la siguiente informacin:
Planta de Atlanta Planta de Newport News
N1 = 23 empleados N2 = 19 empleados
X1 = US$17.53 por hora X2 = US$15.5 por hora
S12 = 92.10 S22 = 87.10
213
PLANTA ATLANTA NEWPORT NEW UNIDADES

X' 17.53 15.5 TRABAJADORES
S2 92.1 87.1 US$/HORA
N 23 19 US$/HORA

Ho:1 = 2
Ha:1 2
prueba Z o t.
t = (X1-X2) (1-2)
(sp2/n1) + (sp2/n2)
Estimado mancomunado de la varianza comn a ambas

poblaciones:
Sp2 = s12 (n1 - 1) + s22 (n2 - 1)
n1 + n2 2
Sp2 = 92.10 (23 - 1) + 87.10 (19 - 1)

23 + 19 2
Sp2 = 89.85
t = (17.53-15.5) (0)
(89.85/23) + (89.85/19)
t = 0.69
214

Si = 0.02 (con un nivel de confianza del 98%), g.l. = n1 + n2 2

= 23+19-2 = 40, el valor crtico de t es 2.423.
Regla de decisin: No rechazar t si esta entre 2.423. Rechazar

si t es menor que -2.423 o mayor que 2.423.
La Ho se acepta porque la t de la estadstica de prueba est dentro

del rango 2.423 de la Regla de Decisin.

Parece que no hay diferencia en el salario promedio. Esta
conclusin se confirma por el hecho de que intervalo contena
cero.
215
Pruebas de Hiptesis para dos medias con muestras pequeas

con varianzas desiguales
Prueba de hiptesis con muestras pequeas cuando 22 22:

t = (X1-X2) (1-2)
(s21/n1) + (s22/n2)
Caso VII.
Un negocio vende dos tipos de amortiguadores de caucho para
coches de bebs. Las pruebas de desgaste para medir la
durabilidad revelaron que 13 amortiguadores de tipo 1 duraron un
promedio de 11.3 semanas, con una desviacin estndar de 3.5
semanas; mientras que 10 del tipo 2 duraron un promedio de 7.5
semanas, con una desviacin estndar de 2.7 semanas. El tipo 1
es ms costoso para fabricar y el CEO (Director Ejecutivo) de
Acme no desea utilizarlo a menos que tenga un promedio de
duracin de por lo menos ocho semanas ms que el tipo 2. El
CEO tolerar una probabilidad de error de slo el 2%. No existe
evidencia que sugiera que las varianzas de la duracin de los dos
productos sean iguales.
N1 = 13 amortiguadores N2 = 10 amortiguadores
X1 = 11.3 semanas X2 = 7.5 semanas
S1 = 3.5 semanas S2 = 2.7 semanas
216

Ho:1 = 2
Ha:1 2
prueba Z o t.
t = (X1-X2) (1-2)
(s21/n1) + (s22/n2)
t = (11.3-7.5) (0)
(3.5/13) + (2.7/10)
t = 2.94
Si = 0.02 (con un nivel de confianza del 98%)
Grados de libertad cuando las varianzas poblacionales non son

iguales.
g.l. = (s12/n1 + s22/n2)2______
(s12/n1) 2 / (n1- 1) + (s22/n2) 2 / (n2- 1)
g.l. = (3.52/13 + 2.72/10)2______

(3.52/13) 2 / (13- 1) + (2.72/10) 2 / (10- 1)
g.l. = 20.99 = 20
el valor crtico de t es 2.528.
217
Regla de decisin: No rechazar t si esta entre 2.528. Rechazar

si t es menor que -2.528 o mayor que 2.528.
La Ho no se acepta porque la t de la estadstica de prueba es

mayor que 2.528 de la Regla de Decisin.
La evidencia sugiere que el tipo 1 de amortiguador de caucho

para coche de beb presenta mayor durabilidad.
218
Pruebas de Hiptesis para la diferencia entre dos proporciones
Z = (p1 p2) - (1 2)
Sp1-p2
Sp1-p2 = (p1(1-p1))/n1) + p2(1-p2))/n2)

Caso VIII.
Un minosta desea probar la hiptesis de que la proporcin de sus
clientes masculinos, quienes compran a crdito, es igual a la
proporcin de las mujeres que utilizan el crdito. l selecciona
100 clientes hombres y encuentra que 57 compraron a crdito
miestras que 52 de las 110 mujeres lo hicieron. Pruebe a un nivel
del 1%.
Ho:1 = 2
Ha:1 2
prueba Z o t.
p1 = 57/100 = 0.57 hombres

p2 = 52/110 = 0.473 mujeres
Z = (p1 p2) - (1 2)
Sp1-p2
219
Sp1-p2 = (p1(1-p1))/n1) + p2(1-p2))/n2)

Sp1-p2 = (0.57 * 0.43/100) + (0.473 *0.527/110)
Sp1-p2 = 0.069
Z = (0.57 0.473) 0
0.069
Z = 1.41
Si = 0.01 (con un nivel de confianza del 99%), el valor crtico

de Z es 2.58.
Regla de decisin: No rechazar Z si esta entre 2.58. Rechazar

si Z es menor que -2.58 o mayor que 2.58.
La Ho no se rechaza porque la Z de la estadstica est dentro del

rango de 2.58 de la Regla de Decisin.

El minorista no puede concluir a un nivel del 1% que las
proporciones de hombres y mujeres que compran a crdito
difieren.
220
Pruebas no paramtricas
En la practica, surgen muchas situaciones en las cuales

simplemente no es posible hacer de forma segura ningn supuesto
sobre el valor de un parmetro o sobre la forma de la distribucin
poblacional. Mas bien se deben utilizar otras pruebas que no
dependan de un solo tipo de distribucin o de valores de
parmetros especficos. Estas pruebas se denominan Pruebas no
paramtricas o libres de distribucin.
Pruebas no paramtricas.
Son procedimientos estadsticos que pueden utilizarse para

contrastar hiptesis cuando no son posibles los supuestos respecto
a los parmetros o a las distribuciones poblacionales.
Experimento multinomial.
Es un experimento que satisface las siguientes condiciones.
1. El numero de ensayos es fijo.

2. Los ensayos son independientes.
3. Todos los resultados de ensayos individuales se deben
clasificar en una y slo una de varias categoras distintas.
4. Las probabilidades de las diferentes categoras se mantienen
constantes para cada ensayo.
Distribucin Chi-cuadrado
Las dos aplicaciones ms comunes de Chi-cuadrado son:
1. Pruebas de bondad de ajuste.

2. Pruebas de independencia.
221
Prueba de bondad de ajuste.
Sirve para probar la hiptesis de que una distribucin de

frecuencia observada se ajusta a (o concuerda con) alguna
distribucin propuesta.
Medidas sobre que tan cerca se ajustan los datos muestrales

observados a una forma de distribucin particular planteada como
hiptesis. Si el ajuste es razonablemente cercano, puede
concluirse que si existe la forma de distribucin planteada como
hiptesis.
Por ejemplo, se puede plantear la hiptesis que la

distribucin poblacional es uniforme y que todos los valores
posibles tienen la misma probabilidad de ocurrir. Las hiptesis
que se probaran son:
Ho: La distribucin poblacional es uniforme.

Ha: La distribucin poblacional no es uniforme.
Si existe una gran diferencia entre lo que realmente se

observa en la muestra y lo que se esperara observar si la hiptesis
nula fuera correcta, en tal caso es menos probable que la hiptesis
nula sea verdadera. Es decir, la hiptesis nula debe rechazarse
cuando las observaciones obtenidas en la muestra difieren mucho
del patrn que se espera que ocurra si la distribucin planteada
como hiptesis si se presenta.
En las pruebas de bondad de ajuste usaremos la siguiente

notacin:
Oi representa la frecuencia observada de un resultado.

E representa la frecuencia esperada de un resultado.
k representa el numero de diferentes categoras o resultados.
n representa el numero de ensayos total.
222
La prueba Chi-cuadrado tiene k-m-1 grados de libertad, en

donde m es el numero de parmetros a estimar.
En muchos casos, podemos determinar una frecuencia

esperada multiplicando la probabilidad p de una categora por el
numero de ensayos distintos n:
E = np
Por ejemplo, si probamos la aseveracin de que un dado es

equitativo lanzndolo 60 veces, tendremos n = 60 (porque hay 60
ensayos) y p = 1/6 (porque un dado es equitativo s los seis
posibles resultados son igualmente probables, con la misma
probabilidad de 1/6). Por tanto, la frecuencia esperada para cada
categora o celda es:
E = np
E = 60(1/6) = 10
Supuestos.
Los supuestos siguientes aplican cuando probamos una

hiptesis de que la proporcin de poblacin para cada una de las k
categoras (de un experimento multinomial) es la que se asegura.
1. Los datos constituyen una muestra aleatoria.
2. Los datos de muestra consisten en conteos de frecuencia para
las k diferentes categoras.
3. Para cada una de las k categoras, la frecuencia esperada es por
lo menos 5.
La prueba de Chi-cuadrado de bondad de ajuste es confiable solo
si todo Ei es por lo menos 5.
Estadstica de prueba para pruebas de bondad del ajuste en

experimentos multinomiales.
=[(Oi-Ei)/Ei]
223
Valores Crticos.
1. Los valores crticos se encuentran en la tabla de Chi-cuadrado

usando k-1 grados de libertad, donde k es el numero de
categoras.
2. Las pruebas de hiptesis de bondad del ajuste siempre son de

cola derecha.
La forma de la estadstica de prueba es tal que una

concordancia cercana entre los valores observados y los esperados
produce un valor pequeo de . Un valor grande de indica
una fuerte discrepancia entre los valores observados y los
esperados. Por tanto, un valor significativamente alto de har
que se rechace la hiptesis nula de que no hay diferencia entre las
frecuencias observadas y esperadas. Entonces, la prueba es de
cola derecha porque el valor critico y la regin critica se
encuentran a la extrema derecha de la distribucin.
A diferencia de pruebas de hiptesis previas en las que

tenamos que determinar si la prueba era de cola izquierda, de
cola derecha o de dos colas, todas estas pruebas de bondad del
ajuste son de cola derecha.
224
Caso I.
Jennifer Calcao gerente de crdito del BHD, en la torre Principal

en Santo Domingo, trata de seguir una poltica de extender un
60% de sus crditos a empresas comerciales, un 10% a personas
naturales y un 30% a prestatarios extranjeros.
Para determinar si la poltica se estaba siguiendo, Jos
Rondn, vicepresidente de mercadeo, selecciona 85 crditos que
se aprobaron recientemente. Encuentra que 62 de tales crditos se
otorgaron a negocios, 10 a personas naturales, y 13 a prestatarios
extranjeros. Al nivel del 10%, parece que el patrn de cartera
deseado se preserva? Pruebe la hiptesis de que:
Ho: Se mantuvo el patrn deseado: 60% son crditos comerciales,
10% son prestamos personales y 30% son crditos extranjeros.
Ha: El patrn deseado no se mantuvo.
Tabla de Tipo de Crdito.
Tipo de Credito Oi Ei
Comercial 62,00 51,00

Personal 10,00 8,50
Extranjero 13,00 25,50
Total 85,00 85,00

El valor es
=[(Oi-Ei)/Ei]
=[(62-51)/51]+[(10-8.5)/8.5]+[(13-25.5)/25.5] = 8.76
225
Valores Crticos.
1. Los valores crticos se encuentran en la tabla de Chi-cuadrado

usando k-1 grados de libertad, donde k es el numero de
categoras.
2. Las pruebas de hiptesis de bondad del ajuste siempre son de

cola derecha.
Con un = 10% y k = 3 categoras de crdito (comerciales,

privados y extranjeros), existen k-m-1= 3-0-1=2 grados de
libertad, el valor critico es
0.10,2 = 4.605
Regla de decisin: "No rechazar la hiptesis nula 4.605.

Rechazar s la hiptesis nula > 4.605.
Interpretacin.
Las diferencias entre lo que el VP Jos Rondn observo y lo

que esperaba observar si el patrn de crdito deseado se alcanzaba
era demasiado grande como para ocurrir por simple azar. Existe
solo un 10% de probabilidad de que una muestra de 85 crditos
seleccionados aleatoriamente pudieran producir las frecuencias
observadas aqu demostradas, si el patrn deseado en la cartera de
crdito del banco se estuviera manteniendo.
226
Caso II. Prueba de normalidad.
Las especificaciones para la produccin de tanques de aire

utilizados en inmersin requieren que los tanques se llenen a una
presin de 600 libras por pulgadas cuadradas (psi). Se permite
una desviacin de 10 psi. Las especificaciones de seguridad
permiten una distribucin normal en los niveles de llenado. Usted
acaba de ser contratado por Aqua Lung, un importante fabricante
de equipos de inmersin. Su primera tarea es determinar si los
niveles de llenado se ajustan a una distribucin normal. Aqua
Lung esta seguro de que media de 600 psi y la desviacin
estndar de 10 psi prevalecen. En este esfuerzo se miden n=1000
tanques y se halla la distribucin presentada en la siguiente tabla.
Sus hiptesis son:
Ho: Los niveles de llenado estn distribuidos normalmente.
Ha: Los niveles de llenado no estn distribuidos normalmente.
Tabla de llenado para los tanques de buceo.
Frecuencia Probabilidades Frecuencias
PSI Real Oi pi Esperadas Ei O-E (O-E)^2 [(O-E)^2]/E
0 y por debajo de 580 20
6200 y por encma 30
Totales 1000
Determine la probabilidad para cada clase mediante la formula Z

y complete la tabla de probabilidades y frecuencias esperadas.
227
Valor Critico.
Se desea probar la hiptesis al nivel del 5%. Debido a que tanto
la media poblacional como la desviacin estndar son dadas y no
tienen que estimarse, m = 0. Existe k = 6 clases en la tabla de
frecuencias, de manera que los grados de libertad son k-1=5. Se
encuentra que el valor critico es 0.05,5 =11.07
Regla de decisin: "No rechazar la hiptesis nula si es menor

que 11.07. Rechazar la hiptesis nula si es mayor que 11.07"

Determine el valor
=[(Oi-Ei)/Ei]
Interpretacin:
Si la hiptesis nula se acepta. Las diferencias entre lo que
se observo y lo que se espera observar si los contenidos
estuvieran distribuidos normalmente con una media de 600 y una
desviacin estndar de 10 pueden atribuirse al error de muestreo.
Si la media poblacional y la desviacin estndar no fueran

conocidas, se hubieran tenido que estimar de los datos muestrales
de la tabla. Entonces m=2, y los grados de libertad serian k-2-1 o
6-2-1=3.
228
Tablas de contingencia. Una prueba de independencia.
Tabla de Contingencia o tabla de frecuencia bidireccional.
Es una tabla en la que las frecuencias corresponden a dos

variables. (Se utiliza una variable para clasificar las filas y otra
para clasificar las columnas).
Las tablas contingencias son aquellas que sirven para

comparar dos variables.
Prueba de independencia.
Una prueba de independencia prueba la hiptesis nula de

que la variable de fila y la variable de columna de una tabla de
contingencia no estn relacionadas. (La hiptesis nula es la
declaracin de que las variables de fila y de columna son
independientes.)
Es muy importante reconocer que, en este contexto, la

palabra contingencia se refiere a dependencia, pero solo se trata
de una dependencia estadstica y no puede usarse para establecer
un vinculo directo de causa y efecto entre las dos variables en
cuestin.
Supuestos.
Al probar la hiptesis nula de independencia entre las variables de

fila y de columna de una tabla de contingencia, aplican los
supuestos siguientes (Obsrvese que estos supuestos no exigen
que la poblacin padre tenga una distribucin normal ni alguna
otra distribucin especifica.)
1. Los datos de muestra se escogen aleatoriamente.
229
2. La hiptesis nula Ho es la declaracin de que las variables de

fila y de columna son independientes; la hipotesis alternativa Ha
es la declaracion de que las variables de fila y de columna son
dependientes.
3. Para cada celda de la tabla de contingencia, la frecuencia
esperada E es de por lo menos 5.
Estadstica de prueba para prueba de independencia.
El valor es
=[(Oi-Ei)/Ei]
Valores crticos.
1. Los valores crticos se encuentran en la tabla usando:
grados de libertad = (r-1)(c-1)
2. Las pruebas de independencia con tablas de contingencia solo

implican regiones criticas de cola derecha.
Frecuencia esperada para una tabla de contingencia.
Frecuencia esperada (E)= [(Total de fila)*(Total de

columna)]/Gran Total
La estadstica de prueba nos permite medir el grado de

discrepancia entre las frecuencias observadas y las que
esperaramos en teora si las dos variables son independientes.
Valores pequeos de la estadstica de prueba indican
coincidencia entre las frecuencias observadas y las frecuencias
esperadas con variables de fila y de columna independientes. Los
valores grandes de la estadstica de prueba estn a la derecha
de la distribucin Chi-cuadrada y reflejan diferencias
significativas entre las frecuencias observadas y las esperadas.
230
En muestreos grandes repetidos, la distribucin de la

estadstica de prueba se puede aproximar con la distribucin
Chi-cuadrada, siempre que todas las frecuencias esperadas sean
de por lo menos 5.
Caso I.
Santo Domingo Motors desea determinar si existe alguna relacin
entre el ingreso de los clientes y la importancia que dan al precio
de los automviles de lujo. Los gerentes de la compaa desean
probar la hiptesis de que:
Ho: Ingreso e importancia del precio son independientes.
Ha: Ingreso e importancia del precio no son independientes.
Atributo b:
Atributo a: Ingresos
Nivel de Importancia Bajo Medio Alto Total
Grande 83 62 37 182
Frecuencia Esperada
Moderado 52 71 49 172
Frecuencia Esperada
Poco 63 58 63 184
Frecuencia Esperada
Totales 198 191 149 538
Los clientes estn agrupados en tres niveles de ingreso y se les
pide asignar un nivel de significancia para poner precio a la
decisin de compra. Los resultados se muestran en la siguiente
tabla de contingencia.
Debido a que 182/538=33.83% de todos los datos que

respondieron a la encuesta agregan a un nivel de importancia
"grande" al precio, entonces si el ingreso y el precio no estn
relacionados, se esperara que 33.83% de ellos, en cada
clasificacin de ingresos respondan que el precio era de "gran"
importancia. Por tanto, los Ei para un nivel de importancia "bajo"
son (198)(0.3383)=66.98, (191)(0.3383)=64.62 y
(149)(0.3383)=50.41
De forma similar los dems niveles de importancia.
231
El valor es
=[(Oi-Ei)/Ei]
Valores crticos.
1. Los valores crticos se encuentran en la tabla usando:
grados de libertad = (r-1)(c-1)
2. Las pruebas de independencia con tablas de contingencia solo

implican regiones criticas de cola derecha.
Si se determina en 1%, y con (f-1)(c-1)=(3-1)(3-1)=4

grados de libertad 0.01,4=13.277
Regla de decisin: "No rechazar la hipotesis nula si es menor

que 13.277. Rechazar la hiptesis nula si es mayor que
13.277"
Interpretacin.
La hiptesis nula se rechaza. Existe solo 1% de

probabilidad de que si no existe relacin entre ingreso y
significancia del precio, las diferencias entre Oi y Ei serian lo
suficientemente grandes como para producir un Chi-cuadrado
ms grande que 13.277. Existe evidencia de una relacin entre el
ingreso de los clientes y la importancia dada al precio de un auto
de lujo.
232
Caso I
Jess Diequez, Gerente de Calidad de Mars, Inc. asegura que sus dulces
M&M estn distribuidos segn los porcentajes de color de 30% marrn,
20% amarillo, 20% rojo, 10% anaranjado, 10% verde y 10% azul. Usando
los datos de muestra de la siguiente tabla y un nivel de significacin de
0.905 pruebe la afirmacin de que la distribucin de colores es la que el
gerente de calidad asegura.
FRECUENCIAS DE LOS DULCES M&M
CATEGORA FREC. FREC.
DE COLOR OBSERVADA ESPERADA
MARRON 33
AMARILLO 26
ROJO 21
ANARANJADO 8
VERDE 7
AZUL 5
Caso II.
A los compradores del centro comercial local se les pide calificar un nuevo
producto en una escala continua que comienza en cero. Con base en los
siguientes datos agrupados, puede usted concluir al nivel del 5% que los
datos estn distribuidos normalmente, con una media de 100 y una
desviacin estndar de 25?
CALIFICACIN FRECUENCIA
MENOS DE 50 1
50-70 51
70-90 112
90-110 151
110-130 119
130-150 43
150-170 21
MAS DE 170 2
233
Caso III.
Ada Henrquez, gerente de mercadeo de Trans World Airways (TWA)
desea determinar si existe alguna relacin entre el numero de vuelos que las
personas toman y su ingreso. A que conclusin llega al nivel del 1% con
base en los datos para 100 viajeros en la tabla de contingencia?
FRECUENCIA DE VUELOS
INGRESO NUNCA RARA VEZ CON FRECUENCIA TOTALES
MENOS DE US$30,000 20 15 2
US30,000-US$50,000 8 5 1
US50,000-US70,000 7 8 12
MAS DE US$70,000 2 5 15
Totales
Caso IV.
A los compradores del centro comercial local se les pide calificar un nuevo
producto en una escala continua que comienza en cero. Con base a los
siguientes datos agrupados, puede usted concluir al nivel del 5% que los
datos estn distribuidos normalmente, con una media de 100 y una
desviacin de 25?
CALIFICACION FRECUENCIA
MENOS DE 50 1
50-70 5
70-90 112
90-110 151
110-130 119
130-150 43
150-170 21
MAS DE 170 2
234
Caso V.
En un anlisis de segmentacin de mercado para tres cervezas, el grupo de
investigacin encargado ha planteado la duda de si las preferencias para las
tres cervezas son diferentes entre los consumidores hombres y mujeres. Si
la preferencia de las cervezas fuera independiente del sexo del consumidor,
se iniciara una campaa publicitaria para todas las cervezas. Sin embargo,
si la preferencia depende del sexo del consumidor, se ajustarn los
promociones para tener en cuenta los distintos mercados metas. Pruebe el
supuesto a un nivel de significancia de un 5%.
Los datos de la tabla constituyen las frecuencias observadas para las
seis clases o categoras.
CERVEZA
PREFERIDA
SEXO LIGERA CLARA OSCURA
HOMBRE 20 40 20
MUJER 30 30 10
Caso VI.
La empresa National Computer Products, Inc. (NCP) fabrica impresoras y
mquinas de fax en plantas de Atlanta, Dallas y Seattle, Estados Unidos.
Para evaluar los conocimientos de sus empleados acerca de administracin
de calidad total se tom una muestra aleatoria de seis empleados en cada
planta y se les someti a un examen de conciencia de la calidad. Las
calificaciones de esos 18 empleados se presentan a continuacin. Con
estos datos, los gerentes desean probar la hiptesis de que la media de la
calificacin del examen es igual para las tres plantas con un nivel de
significancia de un 5%.
PLANTA 1 PLANTA 2 PLANTA 3

ATLANTA DALLAS SEATTLE
85 71 59
75 75 64
82 73 62
76 74 69
71 69 75
85 82 67
235
Caso VII.
Proqun contrata, anualmente, unos 400 empleados para sus cuatro plantas
en todo el pas. El director de personal pregunta si se podra aplicar una
distribucin normal a la poblacin de las calificaciones obtenidas. Si se
pudiera aplicar esa distribucin, sera muy til para evaluar calificaciones
especficas. Esto es, las calificaciones de 20% superior, 40% inferior, etc.,
se podran identificar con rapidez. En consecuencia se desea probar la
hiptesis nula de que la poblacin de calificaciones en la prueba de actitud
se apega a una distribucin de probabilidad normal. Si se toma una
muestra una muestra de 50 calificaciones, cuya media es de 68.42 y su
desviacin estndar es de 10.41. Los datos se muestra a continuacin en la
siguiente tabla. Interprete los resultados.
INTERVALO DE FRECUENCIA
CALIFICACIONES OBSERVADA
MENOS DE 55.1 5
55.1 59.68 5
59.68 63.01 9
63.01 65.82 6
65.82 68.42 2
68.42 71.02 5
71.02 73.83 2
73.83 77.16 5
77.16 81.74 5
81.74 O MAS 6
TOTAL 50
236
Caso VIII.
Decoracin Ruddy se especializa en arreglos de jardines residenciales. El
costo estimado de mano de obra en determinada oferta de decoracin se
basa en la cantidad de rboles, arbustos, etc., que se plantan en el proyecto.
Para fines de estimacin de costos, los gerentes aplican dos horas de mono
de obra plantar un rbol mediano. Los tiempos reales, en horas, para una
muestra de 10 rboles plantados durante el mes pasado son los siguientes:
1.9
1.7
2.8
2.4
2.6
2.5
2.8
3.2
1.6
2.5
Con un nivel de significancia de 0.05, pruebe si la media del tiempo de
plantacin de rboles es mayor de dos horas.
A. Establezca las hiptesis nulas y alternativa.
B. Cul es el valor crtico para la prueba y cul es la regla de decisin?
C. Calcule la media muestral.
D. Determine la desviacin estndar.
E. Calcule el valor del estadstico de prueba.
F. Cul es su conclusin?

Modelos para La Toma de Decisiones 2 - SEPTIEMBRE 2013 ALFA PDF

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

Modelos para La Toma de Decisiones 2 - SEPTIEMBRE 2013 ALFA PDF

Enviado por

Direitos autorais:

Formatos disponíveis

1

Pontificia Universidad Catlica Madre y Maestra

MG-617-T Modelos para la Toma de Decisiones

Ing. Rubn Daro Estrella Snchez, MBA

Bibliografa de Modelos Estadsticos.

o WEBSTER, Allen L. Estadstica Aplicada a los Negocios y la Economa. McGraw-Hill: Tercera

o TRIOLA, Mario F. Estadstica. PEARSON Addison Wesley. 11 Edicin. 2013.

o TRIOLA, Mario F. Estadstica. PEARSON Addison Wesley. Dcima Edicin. 2009.

o NIEVES Antonio and DOMINGUEZ Federico. Probabilidad y Estadstica para Ingeniera un

o HERNANDEZ SAMPIERI Roberto, FERNANDEZ COLLADO Carlos and BAPTISTA LUCIO

o GUTIERREZ PULIDO Humberto and DE LA VARA SALAZAR Romn. Control Estadstico de

o MILTON J. Susan and ARNOLD Jesse C. PROBABILIDAD Y ESTADISTICA. Mc Graw Hill.

Conceptos Generales de Estadstica

Es una coleccin de mtodos para planear experimentos, obtener datos y luego

- Se ocupa de los mtodos y procedimientos para recoger, clasificar, resumir,

- Es el arte y la ciencia de reunir, analizar, presentar e interpretar datos.

- Es un cuerpo de mtodos y teoras que es aplicado con evidencia numrica,

Es el proceso de recopilacin, organizacin y presentacin de datos de alguna

- Describe, analiza y representa un grupo de datos utilizando mtodos numricos y

- La estadstica descriptiva proporciona herramientas para organizar, simplificar y

- La estadstica es descriptiva cuando los resultados del anlisis estadstico no

Implica la utilizacin de una muestra para extraer alguna inferencia o conclusin

- Apoyndose en el calculo de probabilidades y a partir de datos muestrales,

La estadstica es inferencial cuando se derivan conclusiones generales para un

Es el proceso de reunir datos obtenidos de una muestra para hacer estimaciones o

Obtener datos o recopilacin

Uso de la Estadstica en:

Conceptos Elementales de Estadstica.

Poblacin: Es la coleccin completa de todos los elementos (puntajes, personas,

- Es una coleccin completa de todas las observaciones de inters para el

Censo: Es la coleccin de datos de cada elemento de una poblacin.

Muestra: Es un subconjunto de elementos extrados de una poblacin.

- Es una porcin representativa de la poblacin, que se selecciona para su estudio

Parmetro: Es una medicin numrica que describe alguna caracterstica de una

- Medida descriptiva de la poblacin completa de observaciones que tienen inters

Estadstico: Es una medicin numrica que describe alguna caracterstica de una

Variable: Caracterstica de la poblacin que se analiza en el estudio estadstico.

- Caracterstica observable de un aspecto discernible en un objeto de estudio que

Clasificacin de las variables.

Segn el modo como se presentan estas caractersticas o propiedades las variables

Variables cualitativas: Son aquellas variables cuyos elementos de variacin tienen un

Se pueden dividir en diferentes categoras que se distinguen por alguna

Una variable cualitativa se mide por medios no numricos.

Los datos cualitativos emplean la escala de medicin nominal o la ordinal y

Si la variable es cualitativa, el anlisis estadstico es bastante limitado. Podemos

Variables cuantitativas: Son aquellas cuyas caractersticas o propiedades pueden

Segn el nmero de valores que pueden tomar las variables cuantitativas se

Se pueden obtener de un nmero infinito de posibles valores que pueden asociarse

Se obtienen de un nmero finito de posibles valores o bien de un nmero de

Variables explicatorias: Son las propiedades que interesan directamente al investigador

Variables generales: Se refieren a realidades no inmediatamente medibles.

Variables intermedias o intervenientes: Expresan algunos aspectos parciales de las

En algunos casos de anlisis de relacin causa-efecto, se introducen una o ms

Variables empricas: Representan aspectos directamente medibles y observables.

Clasificacin de las Variables segn el Nivel de Medicin

La escala para medir una caracterstica tiene implicaciones en la forma de

Nivel de medicin nominal:

Se caracteriza por datos que consisten exclusivamente en nombres, rtulos o

El sexo de los estudiantes de esta clase de estadstica.

Los datos evaluados en escala nominal en ocasiones suelen llamarse observacones

Nivel de medicin ordinal.

Mediciones que jerarquizan los datos en categoras, ordenadas en virtud de un

Implica datos que pueden acomodarse en algn orden, pero no es posible