UNIVERSIDAD SURCOLOMBIANA

MODULO DE
ESTADISTICA RELACIONAL
Figura 1. Regresion
0
50
100
150
200
250
300
1990 1995 2000 2005 2010
Ao
I
n
v
e
n
t
a
r
i
o
PROFESOR: JAIME POLANIA PERDOMO



NEIVA, 2012










2
INTRODUCCION



Muchas empresas y organismos se ven enfrentados con el desafiante problema de pronosticar el nivel futuro
de alguna actividad econmica; predicciones de ventas, empleo, ingresos, poblacin y muchos otros factores
econmicos que son elementos esenciales en la planificacin de actividades futuras.

Cmo se hacen estas predicciones? Ellos deben basarse en hechos pasados y presentes. Estos hechos son
representados habitualmente por medio de observaciones hechas en perodos consecutivos de tiempo. Este
conjunto de observaciones se denomina SERIES CRONOLGICAS.

El modulo tiene como objetivo ensear al estudiante las tcnicas estadsticas de regresin y correlacin y
tcnicas para la descomposicin de una serie cronolgica y

El primer captulo explica la tcnica de regresin y correlacin para dos y tres variables.

El segundo captulo contiene los mtodos para Determine la tendencia de una serie cuando esta afectada por
esta componente. El segundo captulo trata de la componente estacional para series mensuales o
trimestrales. El tercer captulo trata de los movimiento irregulares de una serie anual

Espero que los lectores de este modulo aprendan y aclaren conceptos para el tratamiento de una serie
cronolgica.


3




UNIDAD I.



REGRESION Y CORRELACION





Al analizar los datos para las ciencias econmicas con frecuencia se encuentra que resulta conveniente saber
la relacin que existe entre dos variables, por ejemplo; es posible que se tenga inters en Determine la
relacin entre los gastos e ingresos de las familias en el Huila; en que cantidad, los costos y la cantidad de
computadores producida en ciertas fbricas; la cantidad de empleados y el total artculos producidos por la
fbrica; ganancia anual en empresas farmacuticas y el presupuesto dedicado a la investigacin; el tiempo
que un vendedor le dedica al cliente y el monto de compra del cliente, etc. La naturaleza y la intensidad de
las relaciones entre las variables como estas, pueden examinarse por medio del anlisis de regresin y
correlacin, dos tcnicas estadsticas que, aunque relacionadas, tienen propsitos diferentes.

El anlisis de regresin es til para averiguar la forma probable de la relacin de las dos variables (directa,
inversa) y al mismo tiempo se utiliza para estimar un valor desconocido de la una de las variables. El objeto
final de la regresin es predecir o estimar el valor de una variable dependiente (Y), correspondiente a un
valor dado para una variable independiente (X).

La correlacin se refiere a la medicin de la intensidad (fuerza) de relacin entre las variables. Cuando se
calcula la medida de correlacin a partir de un conjunto de datos, el inters se centra en el grado de en que
se relacionan las dos variables.
4


1. EL MODELO DE REGRESION LNEAL SIMPLE



1.1 INTRODUCCION


Como se dijo anteriormente el anlisis de regresin establece la relacin cuantitativa (en forma de ecuacin)
entre variables. Cuando se analizan dos variables que posiblemente se relacionen se denomina regresin, y s
su tendencia es aproximadamente lineal, entonces nos encontramos con un modelo de regresin lineal
simple. Cuando se ha establecido la relacin, es posible predecir el valor de una de las variables, si se conoce
el valor de la otra variable.

La variable que se predice se denomina dependiente y se nota como Y, en tanto que la variable conocida se
denomina independiente y se designa como X.

Cuando se dispone de los datos necesarios para Determine la relacin que existe entre las dos variables,
puede ser establecida grficamente o matemticamente (mtodo de los mnimos cuadrados).

El mtodo grfico consiste en elaborar un grfico de puntos (este se denomina nube de puntos o diagrama de
dispersin). Con los datos reales y al tanteo se puede Determine la mejor recta que ajusta los datos de la
muestra real y adems permite al investigador ver la relacin entre las dos variables, por ejemplo de tiene la
informacin de la tabla 1.1:

Elaborando la grfica y utilizando el mtodo grfico, en la figura No.1.1 las mejores rectas que se ajustan:
puede ser la recta M1 o la recta M2, etc. es decir de acuerdo al investigador traza la recta que l cree que
ms se ajusta a los datos.

1.1.1 EL MTODO DE LOS MINIMOS CUADRADOS

Es el mtodo comn para obtener la recta que ms se ajusta a los datos de la muestra. El mtodo de los
mnimos cuadrados parte del principio de que: "la mejor recta que se ajusta a los datos es aquella que
minimiza las diferencias de los cuadrados entre los valores observados y los valores estimados."

Tabla No.1.1 Ingresos y Gastos mensuales de seis empleados en una empresa (en cientos de miles
de pesos).

Ingresos Gastos
4 2.0
5 2.5
6 3.0
7 3.5
8 4.0
9 5.0
X Y

= 0 )

(
2
Y Y , donde Y = valor real Y de estimado Valor Y =

5

^
Y = valor estimado

Bajo este principio reemplazando en la frmula anterior el valor estimado Y por la ecuacin de la lnea recta
Y=
0
+
1
X e igualando a cero la igualdad, luego derivando parcialmente con respecto a X y luego con
respecto a Y, se obtiene las siguientes ecuaciones normales:

Y = n
0
+
1
X
XY =
o
X +
1
X
2



















Figura 1.1. Rectas que ms se ajustan.



La relacin lineal entre dos variables queda representada por la lnea recta, cuya ecuacin general es:

Y =
o
+
1
X donde; Y = Variable dependiente X = Variable independiente

o
= Coeficiente de posicin o valor independiente
1
= Coeficiente de regresin (pendiente)
En general para hallar la recta, se conoce los valores X, Y, y se desconocen
o
y B
1
. Para interpretar los
parmetros betas se deben tener en cuenta el signo y s:

1
> 0. Por cada unidad que aumenta la variable X, la variable independiente Y aumenta en
1
.

1
< 0. Por cada unidad que disminuye (aumenta) la variable dependiente X, la variable
independiente Y aumenta (disminuye) en
1.

o
. Es el valor promedio inicial que toma la variable X.

Nota: Para Determine un anlisis de regresin se deben seguir los siguientes pasos:
- Conocer valores para las variables X, Y.
- Graficar los datos para Determine aproximadamente la tendencia.
- Escribir el modelo (lineal, exponencial, parablico) segn la tendencia vista en paso anterior.
- Determine los parmetros betas por medio de las ecuaciones normales o formulas que se deducen
de las ecuaciones normales.
- Justificar el modelo. Uno de los mtodos aproximado y no muy potente es hallar el coeficiente de
determinacin.

6
- Realice las estimaciones solicitadas.
APLICACION: Estimar el gasto mensual de los empleados en una Empresa comercial que cuenta con un
salario mensual de $850.000. Para estimar el gasto se cuenta con la informacin de la tabla 1.2.:

Tabla 1.2.Ingresos y Gastos mensuales de seis empleados en la empresa (en cientos de miles de pesos).

No Empleado Ingresos(X) Gastos(Y)
1 4.0 2.0
2 5.0 2.5
3 6.0 3.0
4 7.0 3.5
5 8.0 4.0
6 9.0 5.0


SOLUCION:

A. Los datos tienen una variable dependiente Y = gasto mensual (ciento de miles de pesos), y la
variable independiente X = ingreso mensual (ciento de miles de pesos).

B. Graficar los datos. Observando la tendencia es aproximadamente una tendencia lineal ( figura 3.)
C. La ecuacin a Determine es:
Y =
o
+
1
X
D. Determine los betas, utilizando la formula que se deduce de las ecuaciones normales, anteriormente
mencionadas que son.

Y = n
0
+
1
X XY =
o
X +
1
X
2

Despejando las ecuaciones normales se obtiene que


( )

=
2
2
1
) )( (
X X n
Y X XY n
|
n
X
n
Y

=
1
0
|
|


Para encontrar los valores de Y, n , XY, y X , elaborar la tabla No.1.3 . Donde:

Y = 20, X = 39 n = 6 XY = 133 y X = 271


( )
542857 . 0
39 271 * 6
) 20 * 39 ( 3 * 6
) )( (
2 2
2
1
=

=


X X n
Y X XY n
|


36 . 0
6
39 * 542857 . 0
6
20
1
0
= = =

n
X
n
Y |
|


7
Tabla 1.3. Clculos para Determine beta cero y beta uno.
X Y XY X
2

4 2.0 8.0 16
5 2.5 12.5 25
6 3.0 18.0 36
7 3.5 24.5 49
8 4.0 32.5 64
9 5.0 45.0 81
39 20 133.0 271


Por tanto la ecuacin de regresin es:



Y = -0.36 + 0.542857X

Interpretacin:

B
1
= 0.542857 "Por cada cien mil que tenga de ingreso mensual los empleados en la Empresa, los gastos
aumentar en $54.285.70."


Grafique la recta que ms se ajusta por el mtodo de los mnimos cuadrados, a la ecuacin anterior se
reemplaza los valores reales de X para obtener los Y estimados (Y). Los datos resultantes se presentan en la
tabla 1.4 y grfico 1.2.
Para estimar el valor solicitado, debemos justificar el modelo determinando s la variable independiente en
que porcentaje participa explicando las variaciones de la variable Y. Uno de los mtodos menos potentes para
justificar el modelo es calculando el coeficiente de determinacin. Otro mtodo es el de calcular el error
estndar de estimacin.

Tabla 1.4. Gastos mensuales estimados de los empleados en la Empresa
Ingresos Gastos
Y

4 2.0 1.8095
5 2.5 2.3524
6 3.0 2.8952
7 3.5 3.4381
8 4.0 3.9810
9 5.0 4.5238

ERROR ESTANDAR DE LA ESTIMACION. S
y,x

Mide la diferencia entre los valores reales (y) y los valores estimados por el modelo lineal().


( )
2

1
2

=

=
n
Y Y
Syx
n
i


8
El error estndar de la estimacin se utiliza para medir la variabilidad entre los valores observados en la
muestra y los valores estimados por el modelo. En otras palabras entre ms pequeo sea S
y,x
mucho mejor
es el modelo para realizar los pronsticos. Como ejemplo se determina el S
y,x
par los ingresos y gastos de
los administradores de empresas.

Para Determinar S
y,x
elaboro la tabla 1.5.

Reemplazando en la formula:
( )
2738 . 0
2 6
3000 . 0
2

1
2
=

=

=
n
Y Y
Syx
n
i


Tabla 5. Calculo de la sumatoria para Determine el error estndar de estimacin.

X Y
Y

2
) ( Y Y


4 2.0 1.8095 0.0363
5 2.5 2.3524 0.0218
6 3.0 2.8952 0.0110
7 3.5 3.4381 0.0038
8 4.0 3.9810 0.0004
9 5.0 4.5238 0.2268
Total 0.3000



Grfico 1.2. Recta estimada (Y)

Ejercicio: En cinco empresas de Software se desea examinar la relacin entre el nmero de empleados y el
total de micros producidos mensualmente, en las cinco empresas.

No. De micros 15 25 10 30 14
No. De empleados 2 4 1 6 2

0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
1 2 3 4 5 6
Y
Yest
9
Determine la relacin entre el nmero de micros producidos mensualmente y el total de empleados. Al mismo
tiempo calcular el error estndar de la estimacin para evaluar el modelo.

1.2.CORRELACION LNEAL SIMPLE


La correlacin mide el grado o intensidad con que se relacionan las variables. Este coeficiente de correlacin
notado por r es importante porque determina s el modelo hallado es el que ms se ajusta a los datos.

( ) ( )




=
2
2
2
2
* Y Y n X X n
Y X XY n
r

El coeficiente de correlacin r puede tomar cualquier valor entre -1 y +1, inclusive. Un r igual a -1 o a
+1 indica correlacin perfecta (el signo indica s la relacin es directa o inversa).

S no existe en absoluto el r debe ser cercano a cero lo cual indica que la relacin es poco intensa o dbil.
Coeficientes de correlacin superiores a +0.75 o -0.75 indica una correlacin muy intensa.

El concepto de muy fuerte o muy dbil del r, no tiene un significado preciso. Una medida que tiene
significado ms exacto es el COEFICIENTE DE DETERMINACION r, y se calcula elevando el coeficiente
de correlacin al cuadrado. La interpretacin del r es; es el porcentaje de la variacin de la variable
dependiente Y que queda explicada por las variaciones de la variable independiente X. El coeficiente de
determinacin se calcula de la siguiente forma:
( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

Donde SCT es la suma de cuadrados total y es la cantidad de desviacin total de la variable dependiente Y. S
usted divide a SCT por n entonces obtiene la varianza de Y. SCE es variacin total de los datos aplicando el
modelo hallado. Entre ms pequea sea esta SCE, el modelo es mas adecuado para Determine las relaciones
y las estimaciones. Otra forma de calcular r es elevada al cuadrado el coeficiente de correlacin.
( )
2 2
r r =

Nota1 : Consideramos que el modelo terico se ajusta a la informacin cuando re > 0.75.

Nota 2. A la raz cuadrada del coeficiente de determinacin se denomina el coeficiente de correlacin y se
nota por " r ".

APLICACION: Determine s el modelo anteriormente hallado (ingresos y gastos) es bueno para realizar las
estimaciones.

SOLUCION: El modelo determinado es:

Y = -0.36 + 0.542857X



10
Tabla 1.5. Clculos necesarios para el coeficiente de correlacin

X Y
Y

2
)

( Y Y
2
)

( Y Y
4 2.0 1.81 2.31 1.77
5 2.5 2.35 0.96 0.69
6 3.0 2.90 0.19 0.11
7 3.5 3.44 0.01 0.03
8 4.0 3.98 0.42 0.45
9 5.0 4.5 1.43 2.79
Total 5.32 5.83

Con los datos de la tabla 1.5, continuamos calculado los datos para hallar
2
)

( Y Y y. Luego determine el re
y observe s es bueno o no para realizar las estimaciones. Entonces

( )
( )
9125 . 0
83 . 5
32 . 5

1
2
1
2
2
= =

= =

=
=
N
i
n
i
Y Y
Y Y
SCT
SCE
r


Interpretacin : El 91.25% de las variaciones de los ingresos mensuales de los administradores de empresas
son explicados por las variaciones de los gastos mensuales que tienen.
^
Para determinar los Y estimados reemplazo cada valor X en la ecuacin

HI-0.36+ 0.542857X

NOTA: Cuando una variable es tratada a travs del tiempo, la variable tiempo la consideramos como
independiente (X) y al primer periodo (mes, da, ao, etc.) se le asigna el valor de cero y a cada mes, da,
ao, siguiente se le aumenta una unidad.


LABORATORIO No. 1
0) Leer apuntes.
1) Con el tiempo, la cantidad de leche producida por una vaca decrece de que esta da a luz. El granjero
desea expresar esta relacin por medio de una ecuacin que se ajuste a los siguientes datos.
LITROS POR DIA 12 11 8 9 8 7
NUMERO DE DIAS 10 30 40 50 55 65
a) Interprete
1
s se puede.
2) Un fabricante de ropa quiere expresar la relacin entre la fuerza de ruptura de una fibra sinttica y el
dimetro de sta. Por medio de un estudio se lograron los siguientes datos:

FUERZA DE RUPTURA
(gramos).
49 80 140 220 250
DIAMETRO DE FIBRA (Cm) 0.1 0.2 0.3 0.4 0.5
a) Interprete los parmetros betas.b) Calcule r e interpretar.
3) Como propietario de la empresa de ventiladores el VELOZ. La empresa tiene 8 plantas y quiere estimar los
costos generales segn el nmero de ventiladores producidos. Usted recoge la siguiente informacin mensual
11
que describe los costos generales (en miles de pesos) y el total de ventiladores (en miles) producidos en las 8
plantas:
Planta 1 2 3 4 5 6 7 8
Gastos 100 85 75 600 55 40 35 30
No. Ventiladores 10 9 8 8 7 7 6 5

a) Interprete los parmetros betas. b) Calcule r e interpretar. C) Estimar el costo mensual para una planta
que produce mensualmente 8.500 ventiladores.

4) Cul es el objetivo (uso) del anlisis de regresin y el anlisis de la correlacin?

5) Como gerente mercadeo de Idema. Determino la siguiente ecuacin de regresin para el precio por
bulto y demanda mensual de arroz:
Y = 0.2 - 110 X Donde: X = Precio del bulto de arroz
(en cientos de pesos).
Y = Demanda mensual de bultos
de arroz.
Interprete beta uno.
6) Los datos siguientes representan los pesos de Juan Prieto segn la edad. Los valores de X denotan la
edad en que se le tom el peso y los valores de Y denotan los pesos EN kilos obtenidos por Juan:

X:AOS 10 15 17 22 25.
Y:PESO: 50 54 56 58 59.
A. Estimar el peso de Juan Prieto cuando tenia 16 aos.
B. Interprete los BETAS. C. Calcule e interprete el coeficiente de determinacin.
7) La siguiente informacin es el total de micros producidos por 5 fabricas en el pas con sus
respectivos costos de produccin:
COSTOS (en
millones $)
2 3 4 3.8 3.5 3.4
TOTAL DE MICROS
MENSUALES (en miles de
unidades)
15 25 35 45 50 54

Estimar los costos de una empresa que produce 48.000 micros. Interprete los parmetros.
8) Cierto tecnlogo en sistemas quiere demostrar que los digitadores cometen mas errores a medida que
aumenta el tiempo de trabajo. Selecciona aleatoriamente 6
digitadores y obtiene los siguientes resultados:
TIEMPO DE TRABAJO (en horas) 4 5 6 7 8 9 10 11 12
TOTAL DE ERRORES 5 7 9 12 14 16 16 18 20

Justifique la afirmacin del tecnlogo, con base a un anlisis de regresin y correlacin.
9) Se quiere demostrar si existe alguna relacin entre el tiempo necesario (segundos) para que un cliente
espere en la bomba de gasolina y la cantidad de gasolina que compra (en galones). Seleccionaron
aleatoriamente 10 vehculos y se obtuvo la siguiente informacin:

Tiempo 30 50 70 90 110 145 150
Cantidad 1 2 3 4 5 6 7

12


2. MODELO DE REGRESION PARABOLICA



2.1 INTRODUCCION

En el anlisis de regresin y correlacin se analiz el modelo lineal simple (tendencia lineal), ahora trataremos
modelos no lineales. A continuacin se describen el modelo parablico, las ecuaciones normales (para
Determine los parmetros betas) y el coeficiente de determinacin:

MODELO PARABOLICO:
Y =
0
+
1
X +
2
X
2


ECUACIONES NORMALES:


= = =
+ + =
n
i
n
i
n
i
O
X X n Y
1
2
2
1
1
1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X XY
1
3
2
1
2
1
1 1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X Y X
1
4
2
1
3
1
1
2
1
2
| | |



COEFICIENTE DE DETERMINACION

( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

EJERCICIO: La siguiente informacin es el total de empleados y nmero de artculos (diariamente)
producidos en 5 empresas del pas.

TOTAL DE EMPLEADOS 4 6 8 11 13
PRODUCCION DIARIA(en
miles de unidades)
40 35 20 35 42

Estime el total de artculos producidos diariamente una de las cinco empresas cuando tenga 17 empleados
Solucin.
a) Identifique la variable dependiente y la variable independiente:


13
X = total de empleados en la empresa Y = total de artculos producidos diariamente (en miles).
b) Identifique la tendencia (mtodo grfico o el coeficiente de determinacin. En el grfico 5 se identifica una
tendencia parablica.




Figura 5. Empleados y artculos producidos en cinco empresas.


c) Halle el modelo: Como el modelo tiende a una parbola entonces es:
Y =
0
+
1
X +
2
X
2

Utilizo las ecuaciones normales para Determine los parmetros betas:


ECUACIONES NORMALES:


= = =
+ + =
n
i
n
i
n
i
O
X X n Y
1
2
2
1
1
1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X XY
1
3
2
1
2
1
1 1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X Y X
1
4
2
1
3
1
1
2
1
2
| | |

Para Determine las sumatorias las obtengo de los datos reales y algunos clculos adicionales, como lo
muestra la tabla 2.1.
Reemplazando los datos de la tabla 6 en las ecuaciones normales:

172 = 5
0
+ 42
1
+ 406
2

1461= 42
o
+ 406
1
+4320
2

14513 = 406
o
+ 4320
1
+48850
2



14




TABLA 2.1. CALCULO DE LAS ECUACIONES NORMALES
_____________________________________________
X Y X
2
X
3
X
4
XY X
2
Y
_____________________________________________
4 40 16 64 256 160 640
6 35 36 216 1296 210 1260
8 20 64 512 4096 160 1280
11 35 121 1331 14641 385 4235
13 42 169 2197 28561 546 7098
______________________________________________
42 172 406 4320 48850 1461 14513
______________________________________________

Para solucionar estos sistemas de ecuaciones, utiliz cualquier mtodo conocido (determinantes, sustitucin,
eliminacin) y se obtiene que los valores de:

o
= 82.36
1
= - 13.54
2
= 0.815
Entonces la ecuacin es:

Y =82.36 -13.54 X + 0.815 X
2


Ahora, calcular el r para Determine en que porcentaje explica las variaciones de la variable X en Y (ver
formula):

( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

Determine lo valores estimados y luego el promedio aritmtico de la variable dependiente Y. A continuacin
se presenta algunos clculos de lo Y estimados y la media:

Cuando X = 4, reemplazo en la ecuacin para estimar Y, entonces
= Y

Y = 82.31 - 13.54(4) + 0.81(4) = 41.16

Cuando X = 6, reemplazo en la ecuacin para estimar Y, entonces

= Y

82.31 - 13.54(6) + 0.81(6) = 30.28 y as sucesivamente para todos los valores de X (ver tabla 2.2).

Para la media aritmtica:
n
Y
Y
n
i
i

=
=
1
=172/5=34.4 Con los datos de la tabla 2.1, reemplazo en r:



15
( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

= 74 . 0
20 . 297
03 . 222
=

Interpretacin: El 74% de las variaciones de la produccin de artculos producidos diariamente en las cinco
empresas, son explicadas por las variaciones del total empleado en ellas.

Tabla 2.2. Clculo de sumatorias para r
_________________________________________________

2 2
) Y - (Y ) Y - Y

( Y

Y X
_____________________________________________
4 40 41.16 45.69 31.36
6 35 30.28 16.97 0.36
8 20 25.88 72.59 207.36
11 35 31.43 8.92 0.36
13 42 43.23 77.96 57.76
_____________________________________________
42 172 222.03 297.20
_________________________________________________



Ahora, calculo la estimacin para una empresa que tiene 17 empleados. Como el modelo es:

Y =82.36 -13.54 X + 0.815 X
2


entonces reemplazo a X por 17:
^
Y = 82.36 - 13.54 (17) + 0.815 (17) = 87.715

Se estima que para una empresa que cuenta con 17 empleados, la produccin diaria es de 87715 articulo



16
3. MODELO DE REGRESION EXPONENCIAL


3.1 INTRODUCCION

Un tercer modelo es la tendencia exponencial. A continuacin se describen el modelo exponencial, las
ecuaciones normales (para Determine los parmetros betas) y el coeficiente de determinacin:


MODELO EXPONENCIAL:

Y =
0

1
X





El modelo exponencial se puede llevar a un modelo lineal aplicando logaritmos al modelo.

Y =
0

1
X
, entonces

log Y = log
0
+ X log
1




ECUACIONES NORMALES:

( )
1
1 1
log log log | |

= =
+ =
n
i
n
i
o
X Y

( ) ( )
1
1 1
2
1
log log log | |

= = =
+ =
n
i
n
i
o
n
i
X X Y X
COEFICIENTE DE DETERMINACION
( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

Ejemplo: Determine el modelo Exponencial con su respectivo r para los siguientes datos:

X 10 12 14 16 18
Y 1.0 1.5 2.1 3.0 7.0

X 10 12 14 16 18
Y 1.0 1.5 2.1 3.0 7.0

Calculo del modelo exponencial

Primer paso: determine los parmetros betas para el modelo:

Y =
0

1
X
o log Y = log
0
+ X log
1




Los betas se determinan con las siguientes ecuaciones normales:


17

( )
1
1 1
log log log | |

= =
+ =
n
i
n
i
o
X Y

( ) ( )
1
1 1
2
1
log log log | |

= = =
+ =
n
i
n
i
o
n
i
X X Y X

Para Determine las sumatorias creo la tabla 3.1.

Tabla 3.1. clculos de sumatorias para las ecuaciones normales.
____________________________________
X Y Log Y X log Y X
____________________________________
10 1.0 0 0 100
12 1.5 0.17609 2.11308 144
14 2.1 0.32221 4.51094 196
16 3.0 0.47712 7.63392 256
18 7.0 0.84509 15.21162 324
20 11.0 1.04139 20.82780 400
________________________________________
90 25.6 2.86190 50.29736 1420
__________________________________________
Reemplazo las ecuaciones normales:

2.8619 = 6 log
0
+ 90 log
1

50.29736 = 90 log
0
+ 1420 log
1

Para solucionar estos sistemas de ecuaciones, utiliz cualquier mtodo conocido (determinantes,sustitucin,
eliminacin) y se obtiene que los valores de:

log
o
= -1.10191 log
1
= 0.10526 La ecuacin exponencial en forma logaritmica es:

log Y = log
o
+ log
1
X , entonces log Y = -1.10191 + 0.10526 X

Para llevarla a la forma exponencial:

Y =
0

1
X




determino los antilogaritmos a los parmetros betas que son:

log
o
= -1.10191 log
1
= 0.10526 antilog ( -1.10191 ) = 0.07908

antilog( 0.10526 ) = 1.27426 Entonces la ecuacin es:

Y = 0.07908 (1.27426 )
X


Calculo del coeficiente de determinacin r :

Para Determine el r se utiliza la siguiente formula:



18
( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

^
Primer paso: Para Determine los Y estimados utilizo el modelo exponencial:

Y = 0.07908 (1.27426 )
X


Reemplazo cada valor de X en la ecuacin, por ejemplo, para un valor de X = 10, el valor estimado es:

Y = 0.07908 (1.27426 )
10
= 0.89, as sucesivamente. Los valores de y estimado se encuentran en
la tabla 9.

Segundo paso: Calcule el promedio aritmtico de Y:
n
Y
Y
n
i
i

=
=
1
= 25.6/6 = 4.26

Tercer paso: calcule
( )

=

n
i
Y Y
1
2

Los valores se relacionan en la tabla 3.2.

Tabla 3.2. Calculo de sumatorias para r
_________________________________________________

2 2
) Y - (Y ) Y - Y

( Y

Y X
_____________________________________________
10 1.0 0.89 11.35 10.62
12 1.5 1.44 7.95 7.61
14 2.1 2.35 3.64 4.66
16 3.0 3.82 0.19 1.58
18 7.0 6.20 3.76 7.50
20 11.0 10.07 33.75 45.42
________________________________________________
60.64 77.39
________________________________________________
_
Cuarto paso: calcule ( Y - Y ). Los valores se relacionan en la tabla 3.2.
Quinto paso: Reemplace la formula:
( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

78 . 0
39 . 77
64 . 60
= =




19
LABORATORIO 2.
0) Leer apuntes.
1) Con el tiempo, la cantidad de leche producida por una vaca decrece de que esta da a luz. El granjero
desea expresar esta relacin por medio de una ecuacin que se ajuste a los siguientes datos.
LITROS POR DIA 12 11 8 9 8 7
NUMERO DE DIAS 10 30 40 50 55 65
a) Interprete
1
s se puede.
2) Un fabricante de ropa quiere expresar la relacin entre la fuerza de ruptura de una fibra sinttica y el
dimetro de sta. Por medio de un estudio se lograron los siguientes datos:

FUERZA DE RUPTURA
(gramos).
49 80 140 220 250
DIAMETRO DE FIBRA (Cm) 0.1 0.2 0.3 0.4 0.5
a) Interprete los parmetros BETAS.
b) Calcule r e interpretar.
3) Como propietario de la empresa de ventiladores el VELOZ. La empresa tiene 8 plantas y quiere estimar los
costos generales segn el nmero de ventiladores producidos. Usted recoge la siguiente informacin mensual
que describe los costos generales (en miles de pesos) y el total de ventiladores (en miles) producidos en las 8
plantas:
Planta 1 2 3 4 5 6 7 8
Gastos 100 85 75 600 55 40 35 30
No. Ventiladores 10 9 8 8 7 7 6 5

a) Interprete los parmetros betas. b) Calcule r e interpretar. c) Estimar el costo mensual para una planta
que produce mensualmente 8.500 ventiladores.
4) Cual es el objetivo (uso) del anlisis de regresin y el anlisis de la correlacin.
5) Los datos siguientes representan los pesos de Juan Prieto segn la edad. Los valores de X denotan la
edad en que se le tom el peso y los valores de Y denotan los pesos EN kilos obtenidos por Juan:

X: AOS 10 15 17 22 25.
Y: PESO: 50 54 56 58 59.
A. Estimar el peso de Juan Prieto cuando tenia 16 aos.
B. Interprete los BETAS. C. Calcule e interprete el coeficiente de determinacin.
6),. La siguiente informacin es el total de micros producidos por 5 fabricas en el pas con sus respectivos
costos de produccin:
COSTOS (en
millones $)
2 3 4 3.8 3.5 3.4
TOTAL DE MICROS
MENSUALES (en miles de
unidades)
15 25 35 45 50 54

Estimar los costos de una empresa que produce 48.000 micros. Interprete los parmetros.
7) Cierto tecnlogo en sistemas quiere demostrar que los digitadores cometen mas errores a medida que
aumenta el tiempo de trabajo. Selecciona aleatoriamente 6
digitadores y obtiene los siguientes resultados:
TIEMPO DE TRABAJO (en horas) 4 5 6 7 8 9 10 11 12
TOTAL DE ERRORES 5 7 9 12 14 16 16 18 20

Justifique la afirmacin del tecnlogo, con base a un anlisis de regresin y correlacin.


20
8) Se quiere demostrar si existe alguna relacin entre el tiempo necesario (segundos) para que un cliente
espere en la bomba de gasolina y la cantidad de gasolina que compra (en galones). Seleccionaron
aleatoriamente 10 vehculos y se obtuvo la siguiente informacin:
Tiempo 30 50 70 90 110 145 150
Cantidad 1 2 3 4 5 6 7



21


4. REGRESION Y CORRELACION LNEAL MULTIPLE.





4.1 INTRODUCCION


Al realizar un anlisis de regresin, cuando se consideran ms de dos variables nos encontramos con un
modelo de regresin lineal mltiple. El modelo general para K variables se define como:

Y =
0
+
1
X
1
+
2
X
2 +

3
X
3
+...+
K
X
K


Para determinar los parmetros betas, al considerar mas de tres variables se deben tener conocimientos de
matrices y vectores. En este modulo se considera solamente un modelo lineal mltiple para tres variables. A
continuacin se describe el modelo con sus respectivas ecuaciones normales y el coeficiente de
determinacin:


MODELO: Y =
0
+
1
X
1
+
2
X
2



INTERPRETACION DE LOS PARAMATROS BETAS

1
> 0. Por cada unidad que aumente la variable dependiente X
1
, entonces la variable dependiente
Y aumenta en
1,
s se mantiene constante
2.

1
< 0. Por cada unidad que disminuya (aumente) X
1
, entonces la variable dependiente Y aumenta
(disminuye) en
1,
s se mantiene constante X
2.


2
> 0. Por cada unidad que aumente la variable dependiente X
2
, entonces la variable dependiente
Y aumenta en
2,
s se mantiene constante X
1.

2
< 0. Por cada unidad que disminuya (aumente) X
2
, entonces la variable independiente Y
aumenta (disminuye) en
2,
s se mantiene constante X
1.


ECUACIONES NORMALES:


= = =
+ + =
n
i
n
i
n
i
O
X X n Y
1
2 2
1
1 1
1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X X Y X
1
2 1 2
1
2
1 1
1
1
1
1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X X Y X
1
2
2 2
1
2 1 1
1
2
1
2
| | |




22

COEFICIENTE DE DETERMINACION MLTIPLE


( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

Aplicacin: La siguiente informacin son: los ingresos, gastos y ahorros mensuales de nueve jefe de hogar en
el barrio los Cmbulos (en cientos de miles de pesos):

INGRESOS 8.0 8.5 7.5 8.3 9.2 9.5 7.6 8.2 9.3
GASTOS 6.0 6.2 5.8 6.1 6.5 6.9 5.9 6.3 6.0
AHORROS 05 0.6 0.4 0.5 0.7 0.8 0.4 0.6 0.8


Con base a la informacin anterior estime los ahorros de un jefe de hogar del barrio los Cmbulos que tiene
un ingreso mensual y un gasto mensual de $875.000 y $635.000 respectivamente.

De acuerdo a la pregunta anterior se debe realizar un anlisis de regresin y correlacin lineal mltiple para el
pronostico.

El primer paso identifique las variables independientes y la dependiente.


INGRESOS = X
1
GASTOS = X
2
AHORROS= Y

Segundo paso: Determine los parmetros betas por medio de las ecuaciones normales para hallar el modelo:

Y =
0
+
1
X
1
+
2
X
2


ECUACIONES NORMALES:



= = =
+ + =
n
i
n
i
n
i
O
X X n Y
1
2 2
1
1 1
1
| | |


= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X X Y X
1
2 1 2
1
2
1 1
1
1
1
1
| | |

= = = =
+ + =
n
i
n
i
n
i
O
n
i
X X X X Y X
1
2
2 2
1
2 1 1
1
2
1
2
| | |

Los valores de la sumatorias se obtienen en la tabla 4.1.



23


Tabla 4.1. Calculo de sumatorias para determinar los betas
____________________________________________________
1
X
2
X Y Y X
1
Y X
2

2
1
X
2 1
X X


2
2
X
____________________________________________________
8.0 6.0 0.5 4.00 3.00 64.00 48.00 36.00
8.5 6.2 0.6 5.10 3.72 72.25 52.70 38.44
7.5 5.8 0.4 3.00 2.32 56.25 43.50 33.64
8.3 6.1 0.5 4.15 3.05 68.89 50.63 37.21
9.2 6.5 0.7 6.44 4.55 84.64 59.80 42.25
9.5 6.9 0.8 7.60 5.52 90.25 65.55 47.61
7.6 5.9 0.4 3.04 2.36 57.76 44.84 34.81
8.2 6.3 0.6 4.92 3.78 67.24 51.66 39.69
9.3 6.0 0.8 7.44 4.80 86.49 55.80 36.00
____________________________________________________
76.1 55.7 5.3 45.69 33.10 647.77 472.48 345.65
_____________________________________________________

Reemplazando las ecuaciones normales:

5.3 = 9
o
+ 76.1
1
+ 55.7
2
(1)

45.69 = 76.1
o
+ 647.77
1
+ 472.48
2
(2)

33.1 = 55.7
o
+ 472.48
1
+ 345.65
2
(3)

Empleando el mtodo de eliminacin para solucin de ecuaciones simultaneas que consiste en llevar de un
sistema de 3 incgnitas a una ecuacin con dos incgnitas y por ltimo llevarlo a un sistema de una incgnita.
A continuacin se realiza los pasos:

5.3 = 9
o
+ 76.1
1
+ 55.7
2
(1)

45.69 = 76.1
o
+ 647.77
1
+ 472.48
2
(2)

33.1 = 55.7
o
+ 472.48
1
+ 345.65
2
(3)

Para llevarlo a un sistema de dos incgnita a la ecuacin (1) la multiplicamos por 76.1 y a la segunda
ecuacin se multiplica por -9, los resultados son:

403.33 = 684.9
o
+ 5791.21
1
+ 4238.77
2
(1)

-411.21 =-684.9
o
- 5829.93
1
- 4252.32
2
(2)

Sumando estas dos ecuaciones, aparece la ecuacin 4:

-7.88 = - 38.72
1
- 13.55
2
(4)

Ahora se coge la ecuacin (1) y la (3) y se multiplica por 55.7 y -9 respectivamente:
295.21 = 501.3
o
+ 4238.77
1
+ 3102.49
2
(1)
-297.9 =-501.3
o
- 4252.32
1
- 3110.85
2
(3)


24
Sumando estas dos ecuaciones, aparece la ecuacin 5:
-2.69 =-13.55
1
- 8.36
2
(5)
Ahora igualamos las ecuaciones (4) y (5) para eliminar
1
, multiplicando por 13.55 y -38.72 respectivamente
las ecuaciones:
-106.77 = - 524.65
1
- 183.60
2
(4)
104.15 = 524.65
1
+ 323.69
2
(5)
Sumando estas dos ecuaciones, aparece una ecuacin con una incgnita:
-262 = 140.09
2
, entonces despejando
2
,, entonces
2
= -0.02
Reemplazando
2
en la ecuacin (4) tenemos: -7.88 = - 38.72
1
- 13.55 (-0.02) (4)
Entonces:
1
= 0.21 Remplazando en la ecuacin (1) tenemos:
295.21 = 501.3
o
+ 4238.77 (0.21) + 3102.49 (-0.02), entonces:
o =
-0.98
El modelo parablica de esta informacin es: Y = -0.98+ 0.21 X
1
- 0.02 X
2

Ahora se debe calcular el coeficiente de determinacin mltiple:

( )
( )

=
=

= =
N
i
n
i
Y Y
Y Y
SCT
SCE
r
1
2
1
2
2

Para calcular R primero determino los Y estimados, reemplazando cada valor de

X
1
y X
2
en la ecuacin, por ejemplo para la primera pareja X
1
= 8.0 y X
2
= 6.0 entonces:

Y = -0.98+ 0.21 (8.0) - 0.02 (6.0)=0.52

Los dems valores se encuentran en la tabla 4.2.

Tabla 4.2. Calculo de sumatorias para Determine R
____________________________________________________
1
X
2
X Y Y

( )
2

Y Y ( )
2
Y Y
____________________________________________________
8.0 6.0 0.5 0.52 0.0049 0.0081
8.5 6.2 0.6 0.60 0.0001 0.0001
7.5 5.8 0.4 0.41 0.0324 0.0361
8.3 6.1 0.5 0.56 0.0009 0.0081
9.2 6.5 0.7 0.73 0.0196 0.0121
9.5 6.9 0.8 0.79 0.0400 0.0441
7.6 5.9 0.4 0.43 0.0256 0.0361
8.2 6.3 0.6 0.54 0.0025 0.0001
9.3 6.0 0.8 0.76 0.0289 0.0441
____________________________________________________
76.1 55.7 5.3 0.1549 0.1889
____________________________________________________
Para calcular el numerador del coeficiente de determinacin mltiple reemplazo a cada valor de Y

estimado
y le resta la media aritmtica y la diferencia la elevo al cuadrado, por ejemplo para la el primer valor de la
tabla 4.2: ( )
2
1

Y Y
=
( 0.52 - 0.59 ) = 0.0049 Donde: 59 . 0
9
3 . 5
1
= = =

=
n
Y
Y
n
i
i

De la misma forma se hace para el denominador y para el primer valor es:


25
( )
2
1
Y Y
=
( 0.5 - 0.59 ) = 0.0081 Reemplazando las sumatorias de la tabla 4.2:
( )
( )
82 . 0
1889 . 0
1549 . 0

1
2
1
2
2
= =

= =

=
=
N
i
n
i
Y Y
Y Y
SCT
SCE
r
Como el R es bastante bueno, calcular el pronostico solicitado con los siguientes datos :
INGRESOS = 875.000 GASTOS = 635.000 AHORRO ESTIMADO= Y

?

Reemplazando en la ecuacin : Y = -0.98+ 0.21 X
1
- 0.02 X
2
, entonces:
Y

= -0.98+ 0.21 (8.75) - 0.02 (6.35) = 0.7305

Para un jefe de hogar que cuenta con ingreso mensual de $875.000 y unos gastos mensuales de $635.000, el
ahorro mensual se estima ende $73.050.
Nota: a la raz cuadrada del coeficiente de determinacin mltiple se denomina coeficiente de correlacin
mltiple y se nota por R. Para el ejemplo anterior el R es:
9056 . 0 82 . 0
2
= = = R R


4.2. LA MATRIZ DE CORRELACION

En el anlisis de correlacin los programas estadsticos de las computadoras determinan la matriz de
correlacin en las cuales los elementos de las matrices son los coeficientes de correlacin parciales para cada
par de variables. S un modelo de regresin mltiple tiene 5 variables (incluyendo la dependiente)
entonces la matriz de correlacin (ver figura 4.1) tiene una matriz de (5*5). En la figura 4.1 el coeficiente de
correlacin r
4.3
significa la correlacin entre la variable 4 y la variable 3. Este coeficiente de correlacin r
4.3
es
el mismo r
3.4.
La primera fila y la primera columna es la numeracin de las variables analizadas. Por lo
general la variable 1 es la variable dependiente y la dems las independientes. Esta matriz sirve como
indicador para identificar

VARIABLE 1 2 3 4 5

1 r
1.1
r
1.2
r
1.3
r
1.4
r
1.5

2 r
2.1
r
2.2
r
2.3
r
2.4
r
2.5

3 r
3.1
r
3.2
r
3.3
r
3.4
r
3.5

4 r
4.1
r
4.2
r
4.3
r
4.4
r
4.5

5 r
5.1
r
5.2
r
5.3
r
5.4
r
5.5


Figura 4.1. Matriz de correlacin.

las posibles variables predictoras (independientes) para el modelo. Un ejemplo hipottico puede ser (Ver
figura 4.2).
1 2 3 4

1 1 0.28 0.83 0.94
2 0.28 1 -0.25 0.32
3 0.83 -0.25 1 0.76
4 0.94 0.32 0.76 1

Figura 4.2. Matriz de correlacin para un modelo de 4 variables.


26
El modelo para esta matriz de correlacin es: Y =
0
+
1
X
1
+
2
X
2 +

3
X
3

En la figura 4.2 la variable Y equivale a la variable 1, la variable independiente X
1
es igual a la variable 2 en la
matriz y as sucesivamente. En la figura 5, las posibles variable independientes predictora son las 3 y la 4.
Entonces el modelo es: Y =
0
+
3
X
3
+
4
X
4
ya que la variable X
1
no se incluye en el modelo por tener
un coeficiente de correlacin bajo (r2.1).


4.3 MULTICOLNEALIDAD

La multicolneaidad aparece cuando hay una alta correlacin entre dos variables independientes en un modelo
de regresin lineal mltiple. Esta multicolnealidad sugiere que las dos variables independientes son
dependientes y no es posible distinguir que cantidad de efecto observado se debe a una de las variables de
prediccin. En la figura 4.3 se observa la multicolnealidad entre la variable predictoras 3 y 4 ( r
3.4
= 0.76 )
De acuerdo a la matriz de correlacin y a la multicolnealinidad se concluye que para seleccionar variables
predictoras debe tener en cuenta:
a) la variable predictora debe tener una alta correlacin con la variable dependiente.


1 2 3 4

1 1 0.28 0.83 0.94
2 0.28 1 -0.25 0.32
3 0.83 -0.25 1 0.76
4 0.94 0.32 0.76 1


Figura 4.3. Matriz de correlacin para un modelo de 4 variables.

b) Las variables independiente no debe estar altamente correlacionadas.
De acuerdo a los dos criterios anteriores las variables independientes que se deben tener en cuenta para el
modelo definitivo es X
3
, ya que X
1
no se tiene en cuenta por tener una baja correlacin con la variable
dependiente Y (r
2.1
), y X
4
por tener una alta correlacin con X
3
.


LABORATORIO 3.

1) En que consiste la multicolnealidad.
2) Cul es la diferencia entre un coeficiente de determinacin y uno de regresin?3) A que se debe que en
una matriz de correlacin, la diagonal principal debe ser 1?
3) La siguiente ecuacin se obtuvo con el fin de estimar el ingreso mensual de los hogares del municipio de
Yaconi.
Y = 80 + 20X
1
+ 1.5X
2
- 89X
3
+ 145,2X
4

X1 = edad del jefe de hogar (aos) X2 = Salario mensual del jefe del hogar (en miles de $)
X3 = total de persona que conforman el hogar X4 = total de personas del hogar que trabajan
Y = Ingreso total mensual del hogar (en miles de $).
Interprete los betas
4) las notas definitivas de estadsticas obtenidas por 8 estudiantes de la Surcolombiana se supone que estn
relacionadas por las notas obtenidas en exmenes de espaol y el total de clases prdidas en qumica (falta
de asistencia) por el estudiante. A continuacin se relaciona la informacin:
Nota de estadstica 4.5 3.8 3.9 4.7 4.5 4.6 4.8 2.8
Nota de matemticas 3.2 2.8 2.9 3.2 2.9 3.4 3.5 2.2


27
No. de clases perdidas 2 8 6 3 7 4 3 10
a) Determine la ecuacin, evaluarla y analizar los betas. b) s el error estndar de estimacin es:
( )
k n
Y Y
S
xy

=
2

Donde : K es el numero de variables n: tamao de la muestra

Determine el error estndar de estimacin.
5) Para estimar el peso final de un administrador (kg.) como funcin del peso inicial (kg.) que tenia al
empezar la dieta y la cantidad de alimento consumido (en libras) en un perodo determinado. Se registraron
los siguientes datos
________________________________________________________
Peso inicial 70 75 80 85 90 95
Peso final 67 72 75 79 84 75
Alimento consumido 20 19 18 24 19 15
_________________________________________________________

Determine la ecuacin, evaluarla y analizar los betas. Que puede concluir?
6) La siguiente informacin es el total de vehculos, los gastos en mantenimiento y el total de kilmetros
recorridos anualmente en siete empresas del pas:
___________________________________________________
Total de vehculos 4 6 8 10 12 13 15 16
Gastos anuales(en mill$) 1 2 3 4 5 6 7 8
Total de kilom. recorrido.
(en miles de kilmetros) 2 4 6 8 9 10 11 12
__________________________________________________
a) Determine la ecuacin, evaluarla y analizar los betas.
b) Determine el error estndar de estimacin.

7) La siguiente matriz es de correlacin: La matriz de correlacin, la variable dependiente es la variable 1.
a) Cuales variables de prediccin son buenas para el modelo?
b) Existen problemas de multicolinealidad en este ejemplo?
c) Qu variables deben incluirse en el modelo final?


1 2 3 4 5 6 7
1 1 0.83 0.44 -0.79 0.78 -0.90 0.88
2 0.83 1 0.32 -0.22 0.54 -0.33 0.28
3 0.44 0.32 1 0.04 0.88 0.53 0.32
4 -0.79 -0.22 0.04 1 0.03 0.35 0.28 0.28
5 0.78 0.54 0.88 0.03 1 0.87 0.11
6 -0.90 -0.33 0.53 0.35 0.87 1 0.16
7 0.88 0.28 0.32 0.28 0.11 0.16 1



28




UNIDAD II


5. SERIES CRONOLGICAS







INTRODUCCION



Muchas empresas y organismos se ven enfrentados con el desafiante problema de pronosticar el nivel futuro
de alguna actividad econmica; predicciones de ventas, empleo, ingresos, poblacin y muchos otros factores
econmicos que son elementos esenciales en la planificacin de actividades futuras.

Como se hacen estas predicciones? Ellos deben basarse en hechos pasados y presentes. Estos hechos son
representados habitualmente por medio de observaciones hechas en perodos consecutivos de tiempo. Este
conjunto de observaciones se denomina series cronolgicas.

5.1 CONCEPTOS GENERALES


Se entiende como serie cronlogica (tiempo) una coleccin de datos la cul se clasifican a traves del tiempo.
Algunos ejemplos son:

- Total de empleados en la industria petrolera en Colombia durante el perodo 1970-2004
- Producto interno Bruto del pais 1975-2002.
- Produccin agropecuaria en el departamento del Huila 1980 - 2004.
- Dinero en circulacin de un pas X, 1972-2003.
- Produccin mensual de arroz en el departamento del Huila 1987 - 2004.

Las series cronolgicas se representan de manera grfica, por un figura de lnea, donde los perodos se sitan
en el eje horizontal y los valores de la variable en el eje vertical (ver figura 5.1).
Nota: Las observaciones en una serie cronolgica pueden hacerse para diferentes perodos de tiempo; estas
pueden ser; aos, semstres, bimestre, meses, semanas, das.


29




V
A
R
I
A
B
L
E

AO, MES, TRIMESTRE


Figura 5.1. Representacin grfica de las series cromolgicas.


5.2 NATURALEZA DE LAS VARIACIONES EN LAS SERIES CRONOLGICAS:


Una serie cronolgica es un conjunto de observaciones hechas en diversos perodos de tiempo. Las
observaciones se representan por valores numricos que frecuentemente varan de un perodo a otro y
muchas veces es imposible visualizar sus diferentes componentes. Un aspecto bsico del estudio de las series
cronolgicas es analizar la naturaleza de estas variaciones. El objetivo al analizar una serie cronolgica es
descomponer la serie para observar cada fuente de variacin y as tener una mejor idea de las causas de las
variaciones de la serie. Tambin con la descomposicin de la serie, facilita el proceso de la determinacin de
los pronsticos, ya que entendiendo los movimientos de la serie las estimaciones resultan ms sencillas.

Las variaciones de una serie cronolgica se clasifican en sistematica y aleatorias. Las variaciones
sistematicas ocurren con regularidad, pudiendo por lo tanto ser medidas estadsticamente y predecirse su
ocurrencia futura; por otra parte las variaciones ALEATORIAS son causadas por sucesos aislados como
guerras, huelgas, terremotos, etc.; en consecuencia no pueden ser predichas.

Las variaciones sistemticas se clasifican en: tendencia secular, variaciones cclicas, variaciones estacionales y
las variaciones irregulares .
.

Generalmente una serie cronolgica se ve como el resultado de cuatro componentes: La tendencia secular
(T), la variacin estacional (E), las fluctuaciones cclicas o movimientos cclicos (C) y las variaciones
irregulares (I).

Al analizar las relaciones de estas componentes, puede formarse un modelo de una SERIE DE TIEMPO que
ayudar a separar estas componentes y formular predicciones con respecto de Y. Los modelos de las SERIES
DE TIEMPO usualmente son aditivos de la forma Y=T+E+C+I o multiplicativo de la forma Y=TxExCxI.
donde:
Y = valor real de la variable de inters
T = tendencia secular
E = variaciones estacionales


30
C = componente estacional
I = componente irregular

Para un modelo aditivo se supone que los cuatro componentes son independientes entre s, mientras que
para el multiplicativo se encuentran relacionadas entre s. A continuacin someramente se explican las
componentes y ms adelante se tratan profundamente componente por componente.

TENDENCIA SECULAR: Es la componente a largo plazo (entre 20 a 100 aos) de tiempo que representa el
crecimiento o disminucin de la serie a largo plazo. Las causas de esta tendencia son; crecimiento de la
poblacin, cambio de hbito, cambios tecnologicos, gusto de consumidores e inflacin, etc.. La tendencia en
una grfica se visualiza mediante un crecimiento o descenso largo y suave ( Figura 5.2).



VARIACIONES ESTACIONALES. Cuando las observaciones en una serie cronolgica son hechas en
intervalos inferiores a un ao (semanas, meses, trimestres). Ellos pueden mostrar variaciones estacionales
que se repitan de la misma manera y con la misma regularidad ao tras ao. Por ejemplo s analizamos
mensualmente una serie de varios aos , la componente estacional mide la variabilidad de la serie cada
enero, cada febrero cada marzo, etc. La figura 5.3. Muestra el comportamiento de la cantidad mensual de
sillas producidas por la empresa Ram en los aos 2001 y 2002 (datos hipotticos). Este es un ejemplo clsico
de variacion estacional; mientras la producion de sillas ventas se mantienen a un mismo nivel de enero a
marzo y mayo a septiembre, en los meses de abril y octubre la produccin es alta debido a que esos meses
la empresa se prepara para mantener una gran cantidad de inventario para las ventas en junio y diciembre
donde hay mayor dinero circulante.

VARIACIONES CCLICAS. Son tambin llamados ciclos. Indican los ascensos y descensos de las
actividades, celebradas de un valor normal. Las flutuaciones cclicas se observan como fluctuaciones alrededor
de la tendencia (ver figura 5.4). Algunos economistas creen por ejemplo, que las actividades comerciales
sufren cierto tipo de movimiento oscilatorio cada 12 a 15 aos. Durante este perodo un ciclo completa cuatro
fases: Prosperidad, Recesividad, Depresin y Recuperacin (figura 4).

5.2.1. ANALISIS DE LA TENDENCIA SECULAR (T):

La tendencia secular notada por T, describe el movimiento general de una serie cronolgica durante un
perodo relativamente largo. Los periodos son entre 10 y 30 en aos. Este movimiento en general queda bien


31




descrito mediante una lnea recta y en otros, queda descrito por alguna otra de cierto tipo caracterstico de
curva. La ms importante de tipo curvilneo es la curva exponencial (o del inters compuesto). Aqu
planteamos la tendencia lineal y la exponencial.



Para determinar la tendencia existen varias tcnicas. Se aplicaran dos mtodos para analizar la tendencia:
mtodo de la regresin y el mtodo de promedios mviles.




32

5.2.1.1. METODO DE REGRESION - MODELO LINEAL SIMPLE -


Cuando se analizan los datos reales de una muestra en cierta variable y presentan la tendencia, se debe
buscar el modelo ms aproximado para estimar la tendencia. Como se sabe el modelo puede ser lineal,
exponencial, cuadratico, etc. A continuacin la formula para estimar una tendencia cuando el comportamiento
es lineal:

Y= o +
1
X donde Y= Es el valor de tendencia en el perodo T
X= La medida en aos, semestres, meses, etc.

Por el mtodo del mnimo cuadrado y despejando los valores para determinar los parametros o y i son:

( )

=
2
2
1
) )( (
X X n
Y X XY n
|
n
X
n
Y

=
1
0
|
|


APLICACION: Para el consumo de Bavaria (en decenas de millones) durante el perodo 1980-1987 de la tabla
5.1, determinar la tendencia si se presenta.


Tabla 5.1. Consumo de Bavaria en el dpto del Huila . 1980-1987



AOS 80 81 82 83 84 85 86 87


CONSUMO
dece. milln 7.0 7.3 7.5 7.9 8.1 9.1 10.0 10.9



El primer paso para determinar si hay tendencia o no, es graficando las dos variables.
Observando la figura 5.5, parece tener una tendencia lineal. El segundo paso es determinar los valores de o
y
1
para la ecuacin Y= o +
1
X

( )

=
2
2
1
) )( (
X X n
Y X XY n
|
n
X
n
Y

=
1
0
|
|


33
Utilizando las formulas para los betas o la calculadora, los resultados son:
sumatorias anteriores se obtienen en la tabla 5.2 o utilizando la calculadora. Determinadas las sumatorias
reemplazamos en las formulas de o y
1
:

= 28 X

=140
2
X ( ) ( )
2
2
28 =

= 8 . 67 Y

= 2 . 260 XY


545 . 0
) 28 ( 140 * 8
28 * 8 . 67 2 . 260 * 8
2
1
=

= |

57 . 6
8
28 * 545 . 0
8
8 . 67
0
= = |

La ecuacin queda de la siguiente forma:

Y= o +
1
X = 6.57 + 0.54 X r
2
= 0.92

Grafico 5,5. Consumo de Bavaria en el dpto del
Huila. 1980-1987 (en decenas de milln)
0
2
4
6
8
10
12
80 81 82 83 84 85 86 87 88
Ao
C
o
n
s
u
m
o


34
El siguiente paso es determinar la tendencia. Cmo se determina?. Consiste en reemplazar la ecuacin los
valores de X, para estimar Y

(tabla 5.4).
Tabla 5.3. Calculo de sumatorias para determinar los parmetros betas.
_____________________________________________

AO X Y X YX
_____________________________________________

80 0 7.0 0 0
81 1 7.3 1 7.3
82 2 7.5 4 15.0
83 3 7.9 9 23.7
84 4 8.1 16 32.4
85 5 9.1 25 45.5
86 6 10.0 36 60.0
87 7 10.9 49 76.3

E 28 67.8 140 260.2
_____________________________________________

Tabla 5.4. Valores estimados de Y.


Y= 7.0 7.3 7.5 7.9 8.1 9.1 10.0 10.9


Y

= 6.57 7.11 7.66 8.20 8.75 9.29 9.84 10.38

Ejercicio: Graficar los valores de X,Y, Y

Si a los valores reales (Y) le restamos los valores de tendencia se obtendr los valores destendenciados. A
continuacin se muestra la deduccin:
- Y= T+S+C+I , pero en series anuales no influye las VARIACIONES ESTACIONALES, entonces el
modelo es: Y-T= C+I. Esta frmula no da un nmero que denota los efectos combinados de los
componentes cclicos e irregulares y se presentan a continuacin (tabla 5.5)

Tabla 5.5. Valores destendenciados
AO 80 81 82 83 84 85 86 87
CONSUMO Y 7.0 7.3 7.5 7.9 8.1 9.1 10.0 10.9
TENDENCIA
T Y =

6.57 7.11 7.66 8.20 8.75 9.29 9.84 10.38


5.3 METODO DE PROMEDIO MVIL

Es un mtodo sencillo y directo, carece de inters tcnico y terico. No es muy aceptable, porque presenta
las siguientes desventajas:



35
- Pierde informacin en los extremos.
- No tiene soporte matemtico y por lo tanto, no es capaz de proyectar la informacin.

PASOS: Para obtener un PROMEDIO MVIL de tres aos se deben seguir los siguientes pasos:
a. Calcular los totales mviles de tres aos. El procesos es sumar los tres primeros valores del los tres
primeros aos (7.0+7.3+7.5) y el resultado (21.8) centrarlo en el segundo ao. Este es el primer total
mvil

de tres aos. Luego se abandona el valor del primer ao y se suma el valor del cuarto ao (7.3+7.5+7.9)
para formar el segundo total mvil de tres aos y este valor (22.7) se centra en el tercer ao. El clculo se
contina hasta el final de la serie (ver tabla 5.6, columna tercera).
b. Calcular los PROMEDIOS MVILES de tres aos, dividiendo cada uno de los totales de tres aos, entre
tres (ver tabla 5.6).


Tabla 5.6. Calculo de promedio mvil de tres aos para el Consumo de Bavaria 1980-1987

AO CONSUMO TOTAL MVIL PROMEDIO MVIL
1980 7.0
1981 7.3 21.8 7.3
1982 7.5 22.7 7.6
1983 7.9 23.5 7.8
1984 8.1 25.1 8.4
1985 9.1 27.2 9.1
1986 10.0 30.0 10.0
1987 10.9

5.4 VARIACIONES ESTACIONALES (S)

Se presentan regularmente dentro de un ao y se repite ao tras ao. El figura 8, puede visualizar la
VARIACION ESTACIONAL. La causa de la presencia de esta variacin son las estaciones, poca festiva (junio-
diciembre). Estas variaciones se presentan en series donde el tiempo puede ser: meses, bimestres,
trimestres,etc .

Las VARIACIONES ESTACIONALES se pueden aislar en una serie con el fin de poder ver la composicin de las
series sin presencia de las VARIACIONES ESTACIONALES. Tambin sirve para proyectar racionalmente para
cada estacin. Al eliminar las VARIACIONES ESTACIONALES, se obtienen los ndices estacionales que son
indicadores de la componente estacional. Existen varios mtodos para obtener los ndices estacionales:
- Mtodo de los promedios simples.
- Cociente con respecto a promedios mviles.
- Mtodo de razn con respecto a la tendencia.
De los tres mtodos enunciados anteriormente se aplicar el ltimo mtodo.
5.4.1. Mtodo de razn con respecto a la tendencia

Para determinar los ndices estacionales (IE) se deben seguir los siguientes pasos:
a. Determine la ecuacin de tendencia anual para los totales anuales de los aos analizados.
b. Cambie de base anual a base mensual.
c. Determinar el valor de tendencia mensual para cada mes de la serie.
d. Dividir los valores reales de cada mes por el respectivo valor de tendencia.
e. Determine la razn promedio de cada mes.


36
f. Calcule el ndice estacional.

Ejercicio: Determine las VARIACIONES ESTACIONALES a los datos de la tabla 5.7.

Tabla 5.7. Consumo de cerveza Poker en el Huila. 1986- 1988
(en decenas de miles de botellas )
Mes 1986 1987 1988
Enero 60.3 72.3 61.3
Febrero 62.4 48.4 63.4
Marzo 68.1 61.8 69.1
Abril 70.6 66.9 71.6
Mayo 70.1 75.4 76.1
Junio 84.3 85.7 99.2
Julio 69.5 71.5 60.5
Agosto 66.2 67.1 70.7
Septiembre 75.4 78.5 74.9
Octubre 76.8 86.2 78.7
Noviembre 75.4 77.4 80.4
Diciembre 115.2 116 102.5
TOTAL 1986 = 894.3 1987 = 907.2 1988 = 908.5

Pasos a seguir:
a. Determine la ecuacin de tendencia anual.
El consumo anual de cerveza Porker es:

AO CONSUMO
1986 894.3
1987 907.2
1988 908.5

La ecuacin a determinar es: Y= o +
1
X. Utilizando la calculadora: Y= 896.23 + 7.1 X r=0.81
b. Cambiar la ecuacin a base mensual cuyo origen es enero de 1986.
Para determinar la ecuacin mensual es:
Figura 5,6 Consumo de cerveza. 1986 - 1989
0
50
100
150
200
250
300
350
400
Enero febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
C
o
n
s
u
m
o
1988
1987
1986


37
144 12
1
| |
+ =
O
Y Origen 1986 junio-julio X= 1 mes Y= consumo mensual
144
1 . 7
12
23 . 896
+ = Y X Y 05 . 0 69 . 74 + = Origen 1986 junio 15-julio 15 X= 1 mes
Y= consumo mensual
Pero debemos llevar el origen a enero:
42 . 74 )
2
1
5 ( 05 . 0 69 . 74 = + =
O
Y
|
Entonces la ecuacin mensual es:

Y= 74.42 + 0.05X Origen: enero de 1986 X= Unidad 1 mes. Y= Consumo mensual.

c. Determinar el valor de TENDENCIA MENSUAL:
Para determinar el valor de TENDENCIA MENSUAL se utiliza la ecuacin
_________________
Y= 74.42 + 0.05X Origen: enero de 1986
_________________ X= Unidad de X 1 mes.
Y= Consumo mensual.


Reemplazando el valor de X en la ecuacin anterior, entonces los resultados se encuentran n la tabla 5.8.

Tabla 5.8. Consumo de cerveza Poker en el Huila. 1986- 1988
Valores de tendencia
Mes 1986 1987 1988
Enero 74.42 75.02 75.62
Febrero 74.47 75.07 75.67
Marzo 74.52 75.12 75.72
Abril 74.57 75.17 75.77
Mayo 74.62 75.22 75.82
Junio 74.67 75.27 75.87
Julio 74.72 75.32 75.92
Agosto 74.77 75.37 75.97
Septiembre 74.82 75.42 76.02
Octubre 74.87 75.47 76.07
Noviembre 74.92 75.52 76.12
Diciembre 74.97 75.57 76.17


d. Dividir los valores reales de cada mes por el respectivo valor de tendencia, es decir Y/(T). Los resultados
estan en la tabla 5.9. Ejemplo: Para enero de 1986 es:

Y enero 60.3
ENERO= -------------- = ------------ = 0.81
( T)enero 74.42





38
Tabla 5.9. Participacin de la tendencia
Mes 1986 1987 1988
Enero 0.81 0.96 0.81
febrero 0.84 0.64 0.84
Marzo 0.91 0.82 0.91
Abril 0.95 0.89 0.94
Mayo 0.94 1.00 1.00
Junio 1.13 1.14 1.31
Julio 0.93 0.95 0.80
Agosto 0.89 0.89 0.93
Septiembre 1.01 1.04 0.99
Octubre 1.03 1.14 1.03
Noviembre 1.01 1.02 1.06
Diciembre 1.54 1.54 1.35

e. Determine la razn promedio mensual:

Las VARIACIONES ALEATORIAS de la serie se eliminan promediando las tres razones de cada mes. As para
el mes de enero, la media aritmtica se calcula sumando los meses de enero de cada ao y dividendo por
tres ( tabla 5.10, columna 2):


R enero= 0.81 + 0.96 + 0.81 = 2.58 = 0.86
3 3


Tabla 5.10. Razn promedio e ndice estacional
Mes Razn promedio Indice estacional %
Enero 0.86 86.14
febrero 0.77 77.13
Marzo 0.88 88.15
Abril 0.93 93.16
Mayo 0.98 98.16
Junio 1.19 119.20
Julio 0.89 89.15
Agosto 0.90 90.15
Septiembre 1.01 101.17
Octubre 1.07 107.18
Noviembre 1.03 103.17
Diciembre 1.47 147.25
Total 11.98 1200.00

Si bien la razn media son medidas satisfactorias las VARIACIONES ESTACIONALES (columna 3, tabla 5.10),
no cumple el requisito, que la sumatoria de todos los meses debe ser igual a 12. Para ajustarlo se distribuye
el faltante proporcionalmente. Cmo?. Se 12 por el total de la columna de razn media y luego se multiplca
esta constante por cada una de las razones medias multiplicada por 100. Como resultado aparece el ndice
estacional para cada mes (columna 3, tabla 5.10).

Indice para el mes i= Constante * razn media del mes i * 100.
Donde:


39
12
Constante = ------------------------------ = 1,001669449
Total de razn medias
Ejemplo: calculo del ndice estacional de enero:
12
Constante= --------- = 1,001669449
11.98
Indice para el mes de enero= Constante * razn media de enero * 100
Indice para el mes de enero = (1,001669449) * 0.86 * 100 = 86.14%

Interpretacin del ndice estacional: Como cada ndice es un porcentaje , con el promedio del ao igual
a 100% ; esto es, cada ndice mensual indica el nivel de ventas, produccin u otra variable en relacin con
el promedio anual de 100.0 . Con base a lo anterior el ndice del mes de enero (86.14%) de la tabla 5.10 se
interpreta de la siguiente forma: El consumo de cerveza Poker en el mes de enero esta por lo
general 3,86% abajo del promedio de consumo del ao en el Huila.



Para el ndice del mes de junio se afirma ; que el consumo de cerveza para el mes de junio esta en un
19.20% arriba del promedio del consumo anual de cerveza Poker en el Huila.

5.5 USO DE LOS INDICES ESTACIONALES

Los I.E. se utilizan para estimar las variables para cualquier mes especifico. Para estimar el consumo de
cerveza Poker para marzo de 1989 se siguen los siguientes pasos:
a. Determine el valor de la tendencia para el mes especfico.
b. Multiplique el valor de tendencia (y) para el mes especfico por el correspondiente ndice estacional del
mes (ajuste por estacionalidad).

Para nuestro ejemplo, se aplicaran los dos pasos:

a. Valor de tendencia para el mes de marzo de 1989 es :
Figura 5,8. Indice estacional para el consumo de
cerveza Poker en el Huila
0,00
50,00
100,00
150,00
200,00
E
n
e
r
o
f
e
b
r
e
r
o
M
a
r
z
o
A
b
r
i
l
M
a
y
o
J
u
n
i
o
J
u
l
i
o
A
g
o
s
t
o
S
e
p
t
i
e
m
b
r
e
O
c
t
u
b
r
e
N
o
v
i
e
m
b
r
e
D
i
c
i
e
m
b
r
e
I
n
d
i
c
e


40
aplicando la ecuacin:

Y= 74.42 + 0.05X Origen: enero de 1986
X= Unidad de X 1 mes.
Y= Consumo mensual.
^
Y = 74.42 + 0.05(38) = 76.32

b. El consumo de cerveza Poker para marzo de 1989 es:
Tendencia * ndice estacional = 76.32 * 0.8815 = 67,27608
Entonces se pronostica que el consumo de cerveza Poker para el mes de marzo de 1989 es de 672761
botellas .

EJERCICIOS: Estimar, utilizando los datos de la siguiente tabla la venta anual automviles para el mes de
octubre de 2006 ( tabla 5.11).

Tabla 5.11.Ventas mensuales, en miles de millones de dlares

MES 1998 1999 2000 2001 2002

ENERO 2.7 2.8 2.9 3.0 3.1

FEBRERO 2.6 2.7 2.8 2.5 2.9

MARZO 3.2 3.3 3.4 3.5 3.6

ABRIL 3.3 3.4 3.5 3.6 3.7

MAYO 3.2 3.3 3.5 3.6 3.7

JUNIO 4.0 4.1 4.2 4.3 4.4

JULIO 2.7 2.8 2.8 2.9 2.9

AGOSTO 2.5 2.4 2.5 2.6 2.7

SEPTIEMBRE 3.2 3.3 3.2 3.5 3.7

OCTUBRE 3.0 3.1 3.2 3.3 3.4

NOVIEMBRE 3.0 3.2 3.3 3.4 3.5

DICIEMBRE 4.1 4.2 4.3 4.4 4.5


5.6 MOVIMIENTOS CICLICOS E IRREGULARES

Las fluctuaciones cclicas son tambin llamadas ciclos, e indican los ascensos y descensos de las actividades
alrededor de un valor normal. La duracin de cada ciclo es no fijo, y relativamente corto (duracin de varios


41
aos). Comnmente estas variaciones no se pueden apartar de las de naturaleza irregular, por lo que se
analizaran juntas. Con los datos de la tabla 5.12 y su respectiva figura 5.9. se observa una fluctuacin cclica.

Los movimientos irregulares (I) son aquellos movimientos diferentes a los vistos anteriormente y son
causados por fenmenos naturales (accidentes) tales como: terremotos, erupciones de volcanes, guerras,
sequas, etc.
Tabla 5.12. Ventas anuales de una Ca. en millones de pesos para el perodo 1975-1989
Ao 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
Ventas 7 6 2 4 8 16 13 14 17 20 23 19 25 28 32.5

Las fluctuaciones cclicas (C) fluctan desigualmente y no es fcil de controlar, es por esto importante. Las
fluctuaciones cclicas pueden ser medidas en datos anuales o en datos clasificados en unidades de tiempo
menores de un ao.

Grafico 5,9.Ventas anuales de una Cia (en mill $) 1975-1989
0
5
10
15
20
25
30
35
75 77 79 81 83 85 87 89 91
Ao
V
e
n
t
a
s


Las variaciones estacionales y los movimientos irregulares se eliminan cuando la serie es clasificada en aos.
El modelo multiplicativo Y= T*S*C*I queda de la forma Y= T*C.

5.6.1 MEDICION DE LOS MOVIMIENTOS CICLICOS EN SERIES ANUALES

Como se dijo anteriormente los movimientos irregulares y las variaciones estacionales no influyen en series
anuales, entonces el modelo multiplicativo es de la forma Y= TC . Despejando a C, queda de la siguiente
forma: C= Y/T . Es decir, son medidas por la razones de Y con respecto a T. Estas razones son llamadas
"Datos Ajustados por Tendencia Secular".
Como ejercicio se toma los datos de la tabla 26 y se calcula las fluctuaciones cclicas.
Como la serie es anual, no influyen las variaciones estacionales y las irregulares. La ecuacin Y= TC ,
entonces
T
Y
C = .Averiguado la tendencia por el mtodo de regresin y es:
Y = 2.07 + 1.94 X R = 0.8998 Donde: Y=Ventas en millones de $ Unidad de X = 1 ao
origen 1.975


42
Los valores de Y T

= son mostrados en la tabla 5.13.Despus de determinar la tendencia se calcula la
razn Y/T, los cuales esta en la tabla 26.

Tabla 5.13. Ventas anuales de una Ca. en millones de pesos para el perodo 1975-1989
Ao 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
Ventas 7 6 2 4 8 16 13 14 17 20 23 19 25 28 32.5
La ecuacin de tendencia es: Y= 2.07+1.94X r = 0.8998
Origen 1975 Y= millones de $ X= 1 ao
Nota:
T
Y
C = significan el % con respecto a la tendencia. En el figura 5.10 muestra la tendencia y las
fluctuaciones cclicas.

Tabla 5.14 calculo de la tendencia y las variaciones cclicas

Ao 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
Ventas 7 6 2 4 8 16 13 14 17 20 23 19 25 28 32.5
Tendencia
2.07 4.01 5.95 7.88 9.82 11.76 13.7 15.63 17.57 19.51 21.45 23.38 25.32 27.26 29.20
C
3.38 1.50 0.34 0.51 0.81 1.36 0.95 0.90 0.97 1.03 1.07 0.81 0.98 1.03 0.03

Para determinar que significa la C, se observa que C = Y/T . Si al C lo multiplicamos por 100 da un porcentaje
que se denomina el ndice cclico. Este ndice cclico es la posicin de cada valor de Y relativo a la recta de
tendencia. De acuerdo a lo anterior para las ventas de 1980 el ndice cclico es de 136 % (se obtiene al
multiplicar por 100 el C). Esta posicin significa que para 1980 el valor de Y (ventas) era el 136% de la recta
de tendencia. Para 1986 el ndice fue de 23.28% e indica que para las ventas de 1986 fue del 23.28% de la
recta de tendencia. En otras palabras se puede interpretar que las ventas para 1980 aumentaron en un 36%
(136% - 100) de lo que se esperaba segn la estimacin de la tendencia y para 1986 disminuyo en un
76.72% (100% - 23.28%) de lo que se esperaba segn la estimacin de la tendencia.

Grafico 5,10. Ventas anuales de una Cia (en mill $) 1975-1989
0
5
10
15
20
25
30
35
75 77 79 81 83 85 87 89 91
Ao
V
e
n
t
a
s






43
43
Ejercicios
1).La siguiente informacin son el total de bicicletas (decenas de miles) de la empresa VELOZ durante el perodo
1986-2005.
Ao 86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04 05
Ventas 4 5 7 8 9 10 9 8 7 6.5 6 5 6 7 8 9 10 9.8 9 8
Determine las fluctuaciones CCLICAS e interprete algunas de ellas.
2) Los inventarios mensuales (en cientos de miles) de cuadernos de la fabrica de papeles Blanquillo durante en ao
1999 al 2002 estn a continuacin.
Mes 1999 2000 2001 2002
Enero 200 205 207 210
Febrero 100 101 103 106
Marzo 99 100 101 102
Abril 98 100 99 100
Mayo 250 252 254 258
Junio 101 102 104 106
Julio 99 100 99 102
Agosto 98 99 97 96
Septiembre 97 98 96 94
Octubre 251 252 254 258
Noviembre 100 101 102 104
Diciembre 99 100 99 101
Estime el inventario de cuadernos de la empresa Blanquillo para el mes de septiembre del 2007
3) El total de empleados de la empresa Rical para el periodo 1991 a 2002 estn a continuacin.
Ao No. de empleados
1991 250
1992 248
1993 245
1994 240
1995 235
1996 225
1997 220
1998 210
1999 205
2000 204
2001 202
2002 200



44
44

Estime el total de empleados para el ao 2005, utilizando el mtodo de regresin. b) El mtodo de pomedio mviles.
4) La zapatera La Mejor fundada en 1990, presenta la produccin anual ( en miles de pares de zapatos):

Ao 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04
Produccin 1.0 1.5 1.7 1.8 2.0 2.2 2.5 2.9 3.4 3.8 4.2 4.9 6.0 7.0 7.9

a) Estime la produccin para el ao 2007 utilizando el mtodo de regresin. b) Estime la produccin para el ao
2008 utilizando el mtodo de promedios mviles.
5). El total de empleados de la multinacional COMPUTY durante el periodo 1998 a 2004 estan a continuacin:
Ao 1998 1999 2000 2001 2002 2003 2004
Empleados 55 115 300 1000 1800 1995 3250
Por el mtodo de regresin estime el total de empleados para esta empresa en el ao 2008.
6) Para el problema 4 determine las variaciones cclicas por el mtodo de los residuos.
7) Las ventas por estaciones del almacen Rey estan a continuacin:

Ao Primavera Verano Otoo Invierno
2001 77 105 76 130
2002 74 109 73 129
2003 82 104 81 127
2004 86 103 85 123
a).Estime las ventas para otoo del 2006 por el mtodo de razn con respecto a la tendencia. B) Estime las ventas
para el invierno otoo del 2007 por el mtodo de promedios mviles.
8) la constructora El Edificador cuenta con los datos trimestrales del total de viviendas construidas en los ltimos
seis aos.
Ao Primer trimestre Segundo trimestre Tercer trimestre Cuarto Trimestre
1999 10 18 5 25
2000 11 19 4 26
2001 12 20 5 27
2002 12 20 4 26
2003 13 21 5 25
2004 14 21 5 27
Estime el total de viviendas que construira en el tercer trimestre de2008.



45
45

VI. NMEROS NDICES (N.I.)

Un nmero ndice es una cifra relativa con una base igual al 100% o un mltiplo de 100%, tales como 10 y 100. Se
usa para mostrar las variaciones que sufre una variable a travs del tiempo con respecto a un valor de la misma,
denominada base, la cual es tomada como punto de referencia.

Para determinar el perodo base, se darn algunos criterios para su seleccin:

- La base de un N.I. debe corresponder a un perodo normal. Se entiende como perodo normal, poca en que
no hayan ocurrido acontecimientos extraordinarios (sequas, huelgas, cambios muy grandes en los precios o
superproduccin).
- Elegir como base el promedio de todo el perodo.
- Elegir como base el promedio de cierto nmero de aos.
- En ndices ponderados, la base corresponde al ao en que se empez a construir.
- En una serie corta, el perodo base corresponder al primer ao de la serie.

De acuerdo a la composicin de los ndices estos pueden ser simples o compuestos.


6.1 NUMERO NDICES SIMPLES


El nmero ndice es simple cuando es construido para un producto o artculo individual. Para determinar un nmero
ndice simples de precio, cantidad o de valor se divide el valor del perodo en estudio por el valor, precio o cantidad
del perodo fijo (Base), multiplicando luego por 100. La frmula general es:
100 *
0
0
X
X
I
T T
=
Donde: X
T
: cantidad, precio o valor del periodo t
X
o
: cantidad, precio o valor del perodo base.


=
T
I
0
: ndice de un artculo perodo T, con base en el perodo cero (Base).
Las frmulas para precios, cantidad y de valor:

100 *
0
0
p
p
p
T T
= 100 *
0
0
q
q
q
T T
= 100 *
0 0
0
q q
q p
V
T T T
=



Ejemplo : El precio del kilo de queso en cierto departamento para 1981 fue de $ 209 y en 1985 fue de $ 409.
Calcular el ndice de precios para 1985 con respecto a 1981
% 69 . 195 100 *
209
409
100 *
81
85 85
81
= = =
p
p
p

INTERPRETACIN: El precio de kilo de queso para el departamento aument en un 95.69% en 1985 con respecto
al ao de 1981.




46
46
Los ndices simples pueden ser de base fija o de base variable.


6.1.1. NMEROS NDICES DE BASE FIJA

Son ndices que se calculan a una serie cronolgica, tomando como base un perodo fijo.
100 *
0
0
X
X
I
T T
=

6.1.2. NMEROS NDICES SIMPLES DE BASE VARIABLE


Se obtienen dividiendo el precio, la cantidad o el valor de un artculo en una serie en el perodo t, por el precio, la
cantidad o el valor del artculo en el perodo t - 1.

100 *
1
1

=
T
T T
T
X
X
I

Ejemplo: Para la tabla 6.1 determine los ndices de base fija y de base variable.

Para calcular el ndice de base fija para el ao 1990 es: % 100 100 *
156
156
100 *
90
90 90
90
= = =
p
p
p

Para calcular el ndice de base fija para el ao de 1991 es: % 97 . 133 100 *
156
209
100 *
90
91 91
90
= = =
p
p
p

Tabla 6.1. Precio de la libra de papa en el departamento del Roci 1990 - 1996
__________________________________________________________________
Ao Precio Base fija=1990 Base variable
$ Indice % Indice %
____________________________________________________________________
1990 156 100.00 -
1991 209 133.97 133.97
1992 271 129.67 129.66
1993 294 140.66 108.49
1994 339 162.20 115.31
1995 409 195.70 120.65
1996 480 229.66 117.35
__________________________________________________________________

INTERPRETACIN: El precio de la libra de papa el departamento del Roco aument en un 33.97% en 1991 con
respecto al ao 1990.
4
Para calcular de precio de la libra de papa para 1990 con respecto a 1989 (ndice base variable) es:

? 100 *
. .
156
100 *
89
90 90
89
= = =
conoce se no p
p
p



47
47

Para calcular el ndice de precio de la libra de papa para 1994 con respecto a 1993 (ndice base variable) es:
% 31 . 115 100 *
294
339
100 *
93
94 94
93
= = =
p
p
p
INTERPRETACIN: El precio de la libra de papa en el departamento del Roco aument en un 15.31% en el ao
de 1994 con respecto al ao de 1993.

6.2 NUMERO NDICES COMPUESTO (PARA UN GRUPO DE ARTCULOS)

Los nmeros ndices compuestos se usan para mostrar colectivamente los cambios de los productos relativos de los
precios, cantidades o valores de varios artculos.

Existen muchos ndices compuestos y se pueden construir de diferentes maneras. Nos dedicaremos a analizar los
siguientes:
- ndices simples de agregados
- ndices de promedio simple de relativos
- ndices de agregados ponderados
- ndice de promedios ponderados relativos

6.2.1 NDICES SIMPLES DE AGREGADOS

Consiste en comparar los totales de los precios del perodo en estudio con el total de los precios de los artculos del
perodo base. Para el clculo de este ndice primero agregamos los diversos precios o cantidades para cada unidad
de tiempo para determinar la suma total del perodo base y de estudio. A continuacin se divide el total de cada
perodo dado por el total del perodo base, multiplicado por 100. La frmula es:

100 *
0
0
P
P
P
t t

= 100 *
0
0
Q
Q
Q
t
t

=


Ejemplo: Suponga que una empresa manufacturera produce tres tipos de bienes A, B,C. El precio se define como el
precio de venta media anual y la produccin se refiere a la produccin anual (en miles). La empresa desea medir los
cambios en sus precios de ventas y en el volumen fsico de la produccin ao en ao. Los datos se presentan a
continuacin.

Tabla 6.2. Precio y produccin de tres artculos 1996-1998
________________________________________________________________________________
Artculo Unidad Precio $ Cantidad
1996 1997 1998 1996 1997 1998
________________________________________________________________________________
A Onza 1.00 1.25 1.50 10000 12500 13000
B Tonelada 10.00 11.75 13.50 1000 1100 1250
C Libra 4.00 5.00 4.50 500 500 400
________________________________________________________________________________
E 15.00 18.00 19.50 11500 14100 14650
________________________________________________________________________________
Para calcular el ndice de precio simple agregado para 1997 con respecto a 1996 es:



48
48

% 120 100 *
15
18
100 *
96
97
97
96
= =

=
P
P
P

Ejercicio propuesto .Calcule los siguientes ndices simple agregado
88
86
P ,
88
86
Q

El ndice de precio o cantidad simple agregativo no se usa comnmente. Se construye bajo el supuesto de que cada
artculo es igualmente importante. Adems tiene la desventaja que un bien con un precio alto domina el ndice.

6.2.2 NUMERO NDICES DEL PROMEDIO SIMPLE DE RELATIVOS

Como su nombre lo indica, consiste en promediar precios o cantidades relativas. Las formulas estn a continuacin:
100 *
0
0
n
P
P
P
t
t

= 100 *
0
0
n
Q
Q
Q
t
t

=

Para calcular el ndice de precios se siguen los siguientes pasos:

a) Obtener los precios relativos. Consiste en dividir el precio de cada artculo en su perodo t, por el precio del
perodo base ( P
o
). b) Sumar los relativos del ao y el total dividirlo por el nmero de artculos.

Ejemplo : Calcular el ndice de precio del promedio simple de relativos para el ao 1998. Tomar como base 1996,
de la tabla 6.2.

Tabla 63. Calculo de ndices del promedio simple de relativos
Artculo P
98
/P
96

A 1.5
B 1.35
C 1.125
E 3.975
% 5 . 132
3
975 . 3
100 *
96
98
98
96
= =

=
n
P
P
P

Significa que los precios de las ventas anuales han aumentado en promedio del 32.5% en la empresa manufacturera
en el perodo 1998 con respecto al ao 1996.

Este ndice tiene la ventaja de que no est influido por las unidades en que se cotizan los precios o por el nivel
absoluto de los precios individuales. El mismo criterio para las cantidades.

El ndice de promedio simple de relativo tiene la desventaja de que todos los relativos tienen igual importancia.

Ejercicio: Calcular e interpretar los ndices de promedio simple de cantidad del ao 1997 con respecto al ao 1996.
Lo mismo para el de precios.





49
49
6.2.3 NDICES DE AGREGADOS PONDERADOS

Consiste en darle un peso mayor a un artculo ms que a otros (Ponderacin); se utilizan para mostrar
colectivamente los cambios relativos en los precios o cantidades. Los ndices utilizados en Colombia son de esta
clase. Si deseo saber el aumento o disminucin de los precios ao tras ao que influye en el costo de la vida, no
debemos analizar un solo artculo, ya que nosotros, gastamos ms dinero en alimentacin que en transporte. Este
es el criterio que utiliza el Departamento Administrativo Nacional de Estadstica - DANE - para construir el NDICE
DE PRECIO AL CONSUMIDOR - I.P.C. -. A continuacin se presentan algunos ndices.

- NDICE DE LASPEYRES

El ndice de precios de LASPEYRES se obtiene cuando se utiliza como ponderaciones las cantidades consumidas del
perodo base. Se define como la relacin entre los precios promedio ponderados por las cantidades del perodo base.
100 *
0 0
0 0
Q P
Q P
L
t
t
P

= 100 *
0 0
0 0
Q P
Q P
L
t
t
Q

=
Ejemplo: Suponga que el seor Luis Alberto Rojas desea construir el nmero ndice de LASPEYRES (precios) para
tres artculos de alimentacin de 1999 usando los artculos de 1997 como base. El precio promedio por unidad y las
cantidades mensuales consumidas estn en la tabla 6.4.

Tabla 6.4. Cantidad y precio de tres artculos para alimentacin el seor Luis Alberto Rojas
__________________________________________________________________
Articulo Cantidad Precio Uni- Precio Uni- Cantidad
Mensual 1987 tario 1987 tario 1989 Mensual 1989
___________________________________________________________________
HUEVO 30 Unidades $ 30 Unidad $ 45 Unidad 30 Unidades
LECHE 20 Litros $ 85 Litro $ 100 Litro 22 Litros
CARNE 22 Libras $500 Libra $ 600 Libra 20 Libras
_____________________________________________________________________

% 69 . 121 100 *
13600
16550
100 *
97 97
97 99
99
97
= =

=
Q P
Q P
L
P
(ver calculo tabla 6.5)

INTERPRETACIN: Los precios de los tres alimentos del seor Luis Alberto Rojas aumentaron en un 21.69 % de
1999 con respecto a los precios de 1997, si se mantiene las misma cantidades consumidas del ao 1997.

Tabla 6.5. Calculo de las sumatorias para los ndices de Laspeyres, Pashee y Fisher.
________________________________________________________________________________

ARTICULO p
99
q
97
p
97
q
97
p
99
q
99
p
97
q
99

________________________________________________________________________________

Huevo 1350 900 1350 900

Leche 2000 1700 2200 1870

Carne 13200 11000 12000 10000
__________________________________________________________________________________
E 16550 13600 15550 12770
__________________________________________________________________________________



50
50

Ejercicio: Determinar el ndice de cantidad de Laspeyres para 1999 con respecto a 1997 utilizando la informacin
de la tabla 6.4.



- NDICE DE PAASCHE


Se obtiene para precios cuando se utiliza como ponderaciones las cantidades del perodo en estudio. Para cantidad
se obtiene cuando se utiliza como ponderaciones los precios del periodo en estudio. Las formulas son:

100 *
0
0
t
t t
t
P
Q P
Q P
P

= 100 *
0
0
Q P
Q P
Q
t
t t
t
P

=


Se define como la relacin entre los que se gastara actualmente y lo que se hubiera gastado en el perodo base,
para mantener el nivel material actual.

Ejemplo: Determinar el ndice de precios de Paasche para el ao 1999 con respecto al ao 1997, utilizando la
informacin de la tabla 4

% 77 . 121
12770
15550
100 *
99 97
99 99
99
97
= =

=
Q P
Q P
P
P


Ejemplo : Determinar el ndice de cantidad de Paasche para el ao 1999 con respecto al ao 1997, utilizando la
informacin de la tabla 4


- NDICE IDEAL DE FISHER (F)


Se define como el promedio geomtrico de los ndices de Laspeyres y Paasche. Las formulas para los ndices de
precio y de cantidad estn a continuacin.


t
P
t
P
t
P
P L F
0 0 0
* =
t
Q
t
Q
t
Q
P L F
0 0 0
* =


El ndice de Fisher de precios para 1999 con respecto a los precios de 1997 de la tabla 4 es:

% 73 . 121 69 . 121 * 77 . 121 *
99
97
99
97
99
97
= = =
P P P
P L F

INTERPRETACIN: Los precios de los tres alimentos del seor Luis Alberto Rojas aumentaron en un 21.69 % de
1999 con respecto a los precios de 1997, si se mantiene las misma cantidades consumidas del ao 1999.




51
51

Ejercicio. Calcule el ndice de Ficher de cantidad para 1999 con respecto a las cantidades de 1997 con la informacin
de la tabla 4.

2.4. USOS DEl NDICE DE PRECIOS AL CONSUMIDOR (IPC)

El Departamento Administrativo nacional de Estadstica Dane, es el encargado de elaborar en Colombia el
ndice del Precios al consumidor. Esta dependencia publica mensualmente el IPC en el Boletn Estadstico y
contiene en una de sus pginas el IPC a nivel nacional, a nivel de ingresos medios y a nivel de ingresos
bajos. Adems se encuentran discriminados por sectores de: alimentos, vivienda, vestuario y calzado (tabla
6). Esto ndices se encuentra por meses y por aos. Las variaciones son anuales, mensuales y ao
transcurrido. A continuacin se interpretan algunos de ellos.

NDICE A NIVEL NACIONAL.
NDICE PARA ENERO DE 1997= 588.31%. Significa que el costo de vida o los precios aumentaron un
488.31% entre diciembre 1988 y enero de 1997.
NDICE MENSUAL MES DE MARZO DE 1997=1.55%. El costo de vida para el mes de abril fue de 1.55%.
NDICE AO TRANSCURRIDO, MES DE ABRIL = 8.18%. El costo de vida o los precios aumentaron entre
enero de 1977 y abril el 8.18%.
NDICE DOCE MESES, MES DE FEBRERO DE 1997 = 19.58%. Los precios aumentaron entre el mes de febrero
de 1996 y el mes de febrero de 1997 en un 19.58%.

Adems de medir las variaciones de los precios de los artculos en la canasta familiar del colombiano
(aumento del costo de vida) este ndice tienen otras aplicaciones. El IPC sirve para deflacionar las ventas, u
otras series, para determinar el salario real, para determinar el poder de compra y otras aplicaciones. A
continuacin se muestran algunas aplicaciones.

2.4.1 Deflactacin:

Tal vez el uso ms importante de los ndices en el anlisis econmico es para deflactar. La deflactacin
consiste en eliminar la influencia de precios, es decir, expresar cifras nominales (valores corrientes de cada
ao) a precios constantes. Tambin se utiliza para deflacionar las ventas, para conocer el poder de compra y
para establecer los incrementos en el costo de vida.

En trminos econmicos la deflactacin consiste en convertir los valores nominales o corrientes de dichas
cifras o valores monetarios de igual poder adquisitivo.

El uso de la deflactacin se utiliza para comparar como ha sido el crecimiento de los salarios con respecto al
costo de vida. Por ejemplo, aunque los ingresos de las personas puedan estar creciendo tericamente durante
cierto nmero de aos, sus ingresos reales pueden en verdad estar disminuyendo debido al aumento de costo
de de vida.

- Determinacin del Salario Real:



IPC
NOMINAL SALARIO
SR
.
= Donde SR= Salario Real IPC= ndice de precios al consumidor



52
52


Ejemplo: El seor Yesit Cano es un empleado de la Caja Armal, est interesado en analizar su sueldo desde
el inicio de labores hasta el mes de enero de 1996. Cuando inici sus labores con la empresa en el mes de
enero de 1996 el salario mensual fue de 1000 dlares. Para febrero de 2001, el salario mensual fue de 2000
dlares. Adems, se tiene que el IPC para los mismos meses y aos fueron 203.5 y 1360.0

Para determinar si ha prosperado su sueldo mensual, se determinar el Salario Real para 1996. Si el Salario
Real es superior a lo que ganaba en 1996, significa que ha mejorado su situacin econmica ya que estamos
llevando el salario de 2001 a precios de 1996.

Para determinar el Salario Real determinamos el aumento del IPC entre 1996 a 2001 tomando como base el
IPC del 1996.
68 . 6
5 . 203
1360
96
01 01
96
= = =
IPC
IPC
IPC
Ahora llevamos el salario nominal del 2001 a salarios de enero de 1996.

4 . 299
68 . 6
2000
= = SR
Que significa 299.4 dlares? Significa que el seor Yesit Cano tiene un salario mensual de 2000 dlares en
2001, el cul equivale a precios de 1996 a 299.4 dlares. Concluye que la situacin econmica del seor Yesit
ha empeorado.

- ndice de Poder Adquisitivo actual del $1 (IPA):

IPC
IPA
100
=
Nota: tambin se relaciona con el poder adquisitivo del dlar.
Ejemplo: Suponga que para el mes de marzo de 1993, el IPC de un pas fue de 137.0. El perodo base del IPC
fue enero de 1992, s calculamos IPA para este mes es:

73 . 0
137
100 100
= = =
IPC
IPA

0.73 indica que en marzo de 1993 el poder adquisitivo era de 0.73. Esto significa que un dlar tena un valor
de slo 73 centavos en trmino de su poder de compra relativo al periodo base (enero de 1992).

- ndice de Poder adquisitivo del Dinero (PC):
El IPC tambin se utiliza para determinar el poder adquisitivo del dinero.
100 *
1 $
IPC
PC =
Ejemplo: Si el IPC para un 1995 en un pas es 223.5 (base 1975) entonces el ndice del poder adquisitivo
del peso es : ctv PC . 45 . 0 100 *
5 . 223
1
= =



53
53
Significa que el Poder Adquisitivo del peso en ese ao es de 80 centavos comparado con el perodo base. Es
decir que el poder adquisitivo del dinero se redujo casi a la mitad. O se puede decir que en 1999 el valor del
peso es 45 centavos en trmino de pesos de 1975

- Porcentaje de Desvalorizacin (%D):
) 1 ( 100 %
0
I
I
I
D =

- Porcentaje de Alza de tipo de Cambio (%ALZA)

) 1 ( 100 %
0
=
I
T
ALZA
I

Donde Ti= Tipo de cambio del perodo de estudio
To= Tipo de cambio del perodo base

- Porcentaje de Devaluacin (%DEV)

) 1 ( 100 %
0
I
I
T
DEV =

EJERCICIOS

1. Para la siguiente tabla calcular (base 1995) el ndice de precios agregados y el de cantidades.
_______________________________________________________________________________
PRECIO UNITARIO $ CANTIDAD
______________________________________________________
ARTICULO UNIDAD 1995 2001 1995 2001
_____________________________________________________________________________
A LIBRA 0.50 0.65 4500 400
B TONELADA 50 52 50 65
C GALON 1.50 2 1250 1500
D YARDA 4 5.50 400 350
E ONZA 0.25 0.15 80000 120000
________________________________________________________________________________
2. A los siguientes salarios nominales calcular e interpretar
a. Los salarios reales para cada ao tomando como base 1982. b. El poder adquisitivo con base 1978.



54
54
_________________________________________________________________

AO SALARIO NOMINAL INDICE (1978=100)
_________________________________________________________________
1982 23.200 320
1983 23.550 325
1984 28.600 328
1985 33.800 350
1986 44.000 360
__________________________________________________________________

3. El ndice de precio al consumidor de Febrero de 1987 fue de 801.5 determinar el poder adquisitivo para
ese mes con respecto al perodo base del ndice. Interpretar.
4. Suponga que tiene una fbrica y quiere determinar el ndice de empleo y el ndice de mano de obra para
el perodo 1998-2001. Para ello cuenta con la siguiente informacin: Para enero de 1998 pag un total de
$2'500.000 a 10 empleados en nmina. En diciembre de 2001 pag $4'200.000 a 18 empleados en nmina.
Interpretar los ndices. 5. Deflactar la siguiente serie cronolgica de las cantidades pagadas por cierta
compaa a beneficiario de seguros duran e el perodo 1984-1988 tomando como deflactor el ndice de costo
de vida.
________________________________________________________
AO 1984 1985 1986 1987 1988
__________________________________________________________
CANTIDAD (MILL) 420 550 630 720 860
_________________________________________________________
IPC 1978= 100 302 331 362 391 418
_________________________________________________________

6. Si usted ingres a una empresa en 1981 con un sueldo de 740 dlares. Cunto debera estar ganando en
Febrero de 1991, de tal manera que su poder adquisitivo no se hubiera deteriorado. Ayuda: IPC
81
=
482.5 IPC
91
=1214.2
7) La librera El Matemtico se creo en 1998. Un cuadro resumen sobre el total de libros vendidos estn a
continuacin:
Ao 1999 2000 2001 2002 2003 2004
Total de
libros
25550 28355 29320 24210 29311 21322
a)..El propietario de la librera esta interesado en determinar como han variado sus ventas en comparacin
al ao de creacin. b) En que ao existi se incremento mayor las ventas con respecto al ao anterior,
porqu?
8) Los precios y las cantidades vendidas de cuatro productos de la ferretera El Encanto en el periodo 2000-
2004 estan a continuacin:
Producto Unidad Precio (Dlares) Cantidad
2000 2001 2002 2003 2004 2000 2001 2002 2003 2004
Martillo Docena 1 1.25 1.30 1.24 1.50 1000 1500 1250 1300 1320
Cal Arroba 3 4 5 5 4 350 380 375 285 350
Cemento Bulto 15 18 14 13 10 4500 4550 5500 5545 6575
Puntillas Libra 0.25 0.35 0.4 0.45 0.58 2222 3222 3245 4554 4589
Calcule e interprete el indice: a) de precio simple agregado para 2004 con respecto a 2000 b) de promedio
simple de relativos para el ao 2004. Tomar como base 2000 c) de precio de Laspeyres para 2004 con
respecto a 2000 d) de precio de Paasche para 2004 con respecto a 2000 e) de precio de Ficher para 2004
con respecto a 2000 f) de cantidad simple agregado para 2004 con respecto a 2000 g) de promedio simple



55
55
de relativos para el ao 2004. Tomar como base 2000 h) de cantidad de Laspeyres para 2004 con respecto
a 2000 i) de cantidad de Paasche para 2004 con respecto a 2000 j) de cantidad de Ficher para 2004 con
respecto a 2001 k) Calcule e interprete el indice: l) de precio simple agregado para 2003 con respecto a
2001 m) de promedio simple de relativos para el ao 2003. Tomar como base 2001 c) de precio de
Laspeyres para 2003 con respecto a 2001 n) de precio de Paasche para 2003 con respecto a 2001. o) de
precio de Ficher para 2003 con respecto a 2001 p) de cantidad simple agregado para 2003 con respecto a
2001 q) de promedio simple de relativos para el ao 2003. Tomar como base 2001 r) de cantidad de
Laspeyres para 2003 con respecto a 2001. s) de cantidad de Paasche para 2003 con respecto a 2001 t) de
cantidad de Ficher para 2003 con respecto a 2001.





56
56

VII. PROBABILIDAD

7.1 CONCEPTOS GENERALES

En los temas anteriores se centro en la estadstica descriptiva la cul se explicaron las tcnicas para
organizar, resumir y analizar informacin. Ahora se pasa a la segunda fase de la estadstica que es el clculo
de la probabilidad de que algo ocurrir.

La teora de la probabilidad proporciona la base para la inferencia estadstica. Esta teora tiene sus raices en
los juegos del azar, cuando lanzamos una moneda o estamos en un juego de cartas, no es posible predecir de
antemano el resultado (cara, sello, as de corazn, trbol, etc.). Esta imposibilidad de prediccin constituye la
aleatoriedad, el elemento que caracteriza la falta de certeza. Por otra parte, existe entre los diversos
resultados de los juegos al azar una simetra recproca que nos hace considerar todos stos resultados como
equivalentes desde el punto de vista del juego (para un jugador es igualmente favorable arriesgar su apuesta
a uno de los resultados posibles).

El captulo trata ste tipo de fenmenos y se formulan modelos matemticos que sirven para investigar en
forma bastante precisa, los fenmenos.

7.1.1.EXPERIMENTO ALEATORIO

No existe una definicin bastante simple para esta clase de experimento, pero con algunos ejemplos
ilustraremos el concepto:

Ejemplo 1: Lanzar una moneda dos veces y contar el nmero total de sellos obtenidos.

Ejemplo 2: Lanzar un dado y observar el nmero que aparece en la cara superior.

Ejemplo 3: Fabrican bombillas, luego prueban su duracin en un portalmparas y anotar el tiempo
transcurrido en horas hasta que se quema.

Ejemplo 4: Se fabrica fusibles en un perodo de tiempo determinado y seleccionar un
fusible y observar si es defectuoso.

Los experimentos anteriores tienen en comn las siguientes propiedades:
- Cada experimento tiene varios resultados posibles que pueden especificarse (tabla 7.1.).

- La incertidumbre de cada experimento . Para el experimento 4 no estamos seguros si el fusible
seleccionado sea defectuoso o no; al lanzar el dado no sabemos si caer el nmero 1,2,.....6.

- El experimento se puede repetir indefinidamente sin cambiar las condiciones.

- Si el experimento se repite un gran nmero de veces aparece un modelo definido de regularidad.
Esta regularidad permite la construccin del modelo matemtico; por ejemplo si lanzamos una
moneda varias veces la proporcin de caras ser aproximadamente igual a la de sellos.






57
57
Tabla No. 7.1. Resultados posibles de los experimentos E1....E4.
__________________________________________________
Experimento Resultados posibles
(E) (S)
__________________________________________________

Ejemplo No.1 (cc,cs,sc,ss)

Ejemplo No.2 (1,2,3,4,5,6)

Ejemplo No.3 (T/T<0) Donde T= tiempo de duracin

Ejemplo No.4 Defectuoso o no defectuoso

_________________________________________________________________

7.1.2 Espacio muestral


Es el conjunto de todos los resultados posibles de un experimento aleatorio lo designa como S ( tabla 6).

7.1.3 Suceso o evento


Es un subconjunto de los resultados posibles del experimento aleatorio; por ejemplo algunos sucesos de los
experimentos notados de la tabla 6 son:
A1= [ que ocurran dos caras ] , entonces A1= [ cc ]
A2= Un nmero impar ocurre esto es A2= [1,3,5].

7.1.4 Operaciones de sucesos


- Si A y B son suceso, AUB es el suceso que ocurre si A y solo si A o B (o ambos) ocurren.

- Si a y B son sucesos A B es el suceso que ocurre si y solo si A y B ocurren.

- Si A es un suceso, A es suceso que ocurre si y solo si A no ocurren

- Si A
1
,A
2
...A
n
, es cualquier coleccin infinita numerable de sucesos entonces U A
i
es el suceso que
ocurre si y solo todos los sucesos A
i
ocurren.
- Si A
1
A
2
......A
n
... es cualquier coleccin infinita numerable de sucesos, entonces

n
i
Ai
1 =

es el
suceso que ocurre si y slo si al menos uno de los sucesos de A
i
ocurren. Esta operacin se puede
generalizar hasta infinito
- Si A
1
A
2
......A
n
... es cualquier coleccin infinita numerable de sucesos, entonces

n
i
Ai
1 =

es el
suceso que ocurre si y slo si todos los sucesos ocurren. Esta operacin se puede generalizar hasta



58
58
infinito


7.1.5 Definicin de probabilidad


Existen varias definiciones de probabilidad. La mas sencilla es la siguiente:"
La probabilidad de que se presente determinado suceso (A) es igual al cociente del nmero de casos que son
favorables a este suceso, por el nmero total de casos posibles (S) con tal de que todos estos casos sean
mutuamente simtricos".

posibles casos de Total
A evento al favorables Casos
A P
. . .
. . . .
) ( =

Ejemplo.
Se lanza un dado, cul es la probabilidad de obtener un seis?
Solucin.
Definir el siguiente suceso: A={ salga un seis }
El espacio muestral para el experimento es: [1,2,3,4,5,6] .Aplicando definicin de probabilidad:

167 . 0
6
1
. . .
. . . .
) ( = = =
posibles casos de Total
A evento al favorables Casos
A P


7.1.5.1. PROPIEDADES DE LA PROBABILIDAD

a) Sea E un experimento aleatorio y S un espacio muestral. Si A es un suceso asociado a S, entonces
0 s P (A) s 1Significa que cuando se calcule cualquier probabilidad sta
se encuentra en el intervalo cerrado (0 y 1).
b) P(S) = 1. Significa que la probabilidad de que salga el espacio muestral es igual a la unidad.
c) Si A y B son sucesos mutuamente excluyente (A B = 0 ) entonces: P(AUB) = P(A) + P(B)
d) Si A
1
A
2
......A
n
... son sucesos mutuamentes excluyentes entonces

= =
=
n
i
n
i
Ai P Ai P
1 1
) ( ) (

=
1
Ejemplo

En un poker extraer una carta. Cul es la probabilidad de que salga un as o un rey?
Solucin: Definimos los sucesos
A = as R=rey

Los dos sucesos son mutuamente excluyentes porque una carta al mismo tiempo no puede ser as y rey.Para
obtener la probabilidad de que salga un as o un rey, se aplica la propiedad "c"de la probabilidad:


P ( A U R ) = P (A) + P (R) = _4_ + 4 = 8 = 0.154
52 52 52




59
59
Ejemplo: Lanzar un dado no cargado, cul es la probabilidad de que salga un nmero par o un nmero
impar?
Solucin: Definir los siguientes sucesos: I = Impar = [1,3,5] M = Par = [2,4,6]

Los dos sucesos son mutuamente excluyentes aplicando la propiedad nmero 3 de la probabilidad:

P ( I U M ) = P(I) + P(M) = 3 + 3 = 1
6 6
Hay que notar el suceso ( I U M ) es equivalente al espacio muestral.

Teorema 7.1. Si C es el conjunto vaco, entonces P(C) = 0
TEOREMA 7.2. Si A es el suceso complementario de A, entonces
P(A)= 1 - P(A)

Teorema 7.3. Si A y B son dos sucesos cualesquiera entonces:
P(AUB) = P(A) + P(B) - P(A B)
Ejemplo: Un ingeniero entra a una librera. La probabilidad de que compre un libro de matemticas es 0.60,
la probabilidad de que compre un libro de ingeniera es 0.5 y la probabilidad de que compre un libro de
matemticas e ingeniera es 0.40. Cul es la probabilidad de que compre un libro de matemticas o de
Ingeniera o ambos?
Solucin.
Sean los sucesos:
M = El Ingeniero compra un libro de matemticas.
E = El Ingeniero compra un libro de Ingeniera.

Aplicando el teorema 7.3. P(MUE) = P(M) + P(E) - P(M E) P(MUE) = 0.6 + 0.5 - 0.4 = 0.7

Ejemplo: Suponga que la distribucin de los empleados de la empresa petrolera Petra est clasificados por
sexo y dependencia donde labora ( tabla 7.2).


Tabla 7.2. Clasificacin de los empleados por sexo y dependencia. Empresa Petra.2005
__________________________________________________________________
(D) (T) (A)
Sexo Produccin Mantenimiento Administracin Total
__________________________________________________________________
(V) Varones 20 10 10 40
(M) Mujeres 30 20 10 60
Total 50 30 20 100
__________________________________________________________________
Hay que elegir un empleado para enviarlo a EE. UU. Cul es la probabilidad de que sea:a) un varn? b) una
mujer y que trabaje en mantenimiento. c) No trabaje en produccin
40
Solucin: P(V) = ----- = 0.4
100



60
60
b) P(M T) = 20 . 0
100
20
) ( = = T M P
c) P(no trabaje en produccin) D=trabaje en produccin
D= no trabaje en produccin 5 . 0
100
50
1 ) ( 1 ) (
'
= = = D P D P



EJERCICIOS

1) Un reparador de televisores ha mezclado accidentalmente 3 tubos malos con 20 buenos. S no puede
determinar por examen visual que tubo es bueno:
A) cual es la probabilidad de que seleccione un tubo bueno.
b) cual es la probabilidad de que seleccione un tubo malo.
2) Se efecta una encuesta entre 56 empleados de una planta acerca de la conveniencia de la afiliacin del
sindicato. Los resultados de la encuesta se encuentran a continuacin:
_________________________________________________________________
CAPATACES TRABAJ. FIJOS TRABAJ. TEPORALES

CONVENIENCIA
__________________________________________________________________
A FAVOR DE AFILIACION 1 25 4
CONTRA LA AFILIACION 3 10 6
SIN OPINION 1 4 2
_________________________________________________________________

Si seleccionamos un trabajador aleatoriamente, cual es la probabilidad de que:
a) se oponga a la afiliacin. b) sea un trabajador fijo. c) sea un trabajador temporal sin opinin. d) Este a
favor o sin opinin. e) Este a favor de la afiliacin o sea temporal. d) Que haya opinado. e) que sea capataz
y este en contra de la afiliacin. f) NO sea un trabajador temporal.
3) Julio baja dos papayas biches y las envuelve en papel peridico, luego las guarda en un canasto. Despues
de una semana observa el estado de las papayas. Describa el espacio muestral del estado de las papayas.
4) En una empresa textil existen los siguientes empleados que se encuentran clasificados por el color de la
piel y el partido poltico que milita. S se selecciona un empleado al azar, cul es la probabilidad de que sea:
a) blanco b) liberal o tenga el color de la piel blanca. c) liberal y amarillo d) conservador y sea
negro e) negro o blanco f) no sea liberal f) sea liberal.
___________________________________________________
PARTIDO COLOR DE LA PIEL

NEGRO BLANCO AMARILLO
_____________________________________________________

LIBERAL 10 25 15
CONSERVADOR 20 30 18
OTROS 19 26 32
_________________________________________________________




61
61
5) Un artculo proveniente de una rea de produccin son sealado como defectuosos (d) o no defectuosos
(N), los artculos son observados y anotada su condicin. Este anlisis continua hasta que sean elaborados
consecutivamente 2 defectuoso o hayan sido inspeccionados 4 artculos (cualquier situacin que se presente
primero). Describa el espacio muestral para este experimento.
6) De 100 personas que presentaron solicitud para un puesto de contador en una empresa grande el ao
pasado 40 tenan alguna experiencia de trabajo y 30 tenan un certificado profesional. Sin embargo, 20 de los
solicitantes tenan tanto experiencia de trabajo como certificado y por ello estn incluidos en ambos conteos.
Cul es la probabilidad de que un solicitante elegido al azar
7) Cuando un Ingeniero efecta una llamada telefnica es posible que obtenga la comunicacin
inmediatamente o por el contrario tenga que esperar. Describa el espacio muestral.
8) Un dado es balanceado de tal forma que la probabilidad de cada una de sus caras sea proporcional al
nmero de puntos de dicha de cara. Cual es la probabilidad de obtener un nmero impar en un lanzamiento.
9). En cierta universidad el 39% de los estudiantes tiene el cabello rubio, el 19% tiene los ojos azules y el
4.5% tiene los ojos azules y el cabello rubio. Selecciona una persona al azar. Halle la probabilidad de que:
a)Tenga el cabello rubio o los ojos azul? b) Tenga solo el cabello rubio pero no los ojos azul?
10). El 35% de los contadores pblicos ven el programa Informe Financiero, el 42% ven el programa
Defalcos mundiales y el 10% ven ambos programas. Selecciona un contador pblico al azar,halle la
probabilidad de que:a)Presencie programa Informe Financiero o el programa Defalcos mundiales? b)No
presencie ninguno de los dos programas?

7.1.2 EVENTOS DEPENDIENTE E INDEPENDIENTES

7.2.1 EVENTOS DEPENDIENTE

Dos o mas eventos son dependiente cuando un evento afecta el resultado del siguiente evento. Ejemplo; la
seleccin de dos artculos de un lote de produccin, utilizando la seleccin sin reemplazamiento (sin
sustitucin).


7.2.1.1. PROBABILIDAD CONDICIONAL

La probabilidad condicional de un evento B dado que el evento A sucedi es igual a la probabilidad de A B
,dividida entre la probabilidad de A siempre que la probabilidad de B no sea cero.

A
B A P
A B P
) (
) / (

= Para toda P(B) = 0
Ejemplo: Suponga que entre los empleados de la empresa Petra (tabla 7.2) se elige un empleado de sexo
femenino, cul es la probabilidad de que el empleado trabaje en mantenimiento.
Solucin: Aplicando el teorema 2.1.4

P( M T ) (20/100) 20
P[M / T] = --------------- = ------------- = -----= =0.667
P ( T ) (30/100) 30


PARTICION: los sucesos B
1
, B
2
, B
3
, ...... B
K
, representan una particin del espacio muestral S.
a) B
i
B
j
= 0 para todo i diferente de j.



62
62
b) U B
i
= S
c) P( B
i
) > 0 para todo i.














Figura 1. Particin

Sea B
1
, B
2
, B
3
, ...... B
K
, sucesos representan una particin del espacio muestral S, y A un evento
cualesquiera asociado a S (ver figura 1). Entonces

A= AB
1
+ A B
2
+ AB
3
, + .....+A B
K


Como AB
1
, ............ AB
K
son mutuamente excluyentes entonces:

P(A)= P(AB
1
)+ P(A B
2
)+P( AB
3
, )+ .....+P(A B
K
)

Por definicin de probabilidad condicional:


P(A)= P(A/B
1
) P(B
1
) + P(A/B
2
) P(B
2
) P(A/ B
2
)+ P(A/B
3
) P(B
3
) + .....+P(A/B
k
) P(B
k
)

A la anterior formula se denomina probabilidad total.

Ejemplo: Para el puesto de presidente de la asociacin de contadores pblicos han sido nominados tres
ingenieros de diferentes universidades. La probabilidad de que elijan al contador pblico de UCC es de 0.6 ; la
probabilidad de que sea elegido un contador pblico de la USCO es de 0.25 y la probabilidad de que sea
elegido uno de la CORHUILA es de 0.15. S se elige al de la UCC la probabilidad de que aumente la cuota de
afiliacin es de 0.85. Si eligen al de la USCO la probabilidad de que aumente la cuota de afiliacin es de 0.5 y
si eligen al de la CORHUILA la probabilidad de que aumente la cuota de afiliacin es de 0.2. Cul es la
probabilidad de que haya un aumento en la cuota de afiliacin en la asociacin de contadores pblicos?.

Solucin.: La pregunta

P(de que haya un aumento en la cuota de afiliacin en la asociacin de ingenieros industriales).
Sea los eventos:

A= aumento en la cuota de afiliacin B
1
= se elige al ing. de la UCC
B
2
= se elige al contador pblico de la USCO
B
3
= se elige al contador pblico de la CORHUILA
B1
B2
B3
Bk



63
63

P(A) = ?

Como A esta conformado con la particin de B
i
entonces aplicando la formula de probabilidad total:

P(A)= P(A/B
1
) P(B
1
) + P(A/B
2
) P(B
2
) P(A B
2
)+ P(A/B
3
) P(B
3
)

Donde:

P( B
1
)= 0.6 P( B
2
) = 0.25 P( B
3
)= 0.15

P(A/B
1
) = 0.85 P(A/B
2
)= 0.5 P(A/B
3
)= 0.2 . Entonces

P(A)= P(A/B
1
) P(B
1
) + P(A/B
2
) P(B
2
) + P(A/B
3
) P(B
3
)

P(A) = 0.85*0.6 + 0.5*0.25 + 0.2*0.15 = 0.665


Algunas veces se debe determinar un probabilidad condicional como funcin del la particin por ejemplo en la
eleccin al candidato de la asociacin, si se preguntara si se aumento la cuota de afiliacin cual es la
probabilidad de que se haya elegido al contador pblico de la USCO.
P(B
2
/A ) = ?. Cuando sucede este caso se debe utilizar el teorema de Bayes.

Teorema de Bayes.

Sea B
1
, B
2
, B
3
, ...... B
K
, sucesos representan una particin del espacio muestral S, y A un evento
cualesquiera asociado a S, entonces:

) ( ) / ( .... )
3
( )
3
/ ( )
2
( )
2
/ ( )
1
( )
1
/ (
) ( ) / (
) / (
K
B P
K
B A P B P B A P B P B A P B P B A P
i
B P
i
B A P
A
i
B P
+ + + +
=
Ejemplo: Para el ejercicio anterior si se aumento la cuota de afiliacin cual es la probabilidad de que se haya
elegido al contador pblico de la USCO.

Solucin.

P( aumento la cuota de afiliacin, cual es la probabilidad de que se haya elegido al contador pblico de la
USCO).
Sea:
A= aumento en la cuota de afiliacin
B
1
= se elige al contador pblico de la UCC
B
2
= se elige al contador pblico de la USCO
B
3
= se elige al contador pblico de la CORHUILA

P(B
2
/A ) = ?

Aplicando el teorema de Bayes:





64
64

) ( ) / ( .... )
3
( )
3
/ ( )
2
( )
2
/ ( )
1
( )
1
/ (
) ( ) / (
) / (
K
B P
K
B A P B P B A P B P B A P B P B A P
i
B P
i
B A P
A
i
B P
+ + + +
=
Siendo i = 2. Entonces
)
3
( )
3
/ ( )
2
( )
2
/ ( )
1
( )
1
/ (
)
2
( )
2
/ (
) /
2
(
B P B A P B P B A P B P B A P
B P B A P
A B P
+ +
=
Donde:

P( B
1
)= 0.6 P( B
2
) = 0.25 P( B
3
)= 0.15

P(A/B
1
) = 0.85 P(A/B
2
)= 0.5 P(A/B
3
)= 0.2 . Entonces

0.5 * 0.25 0.125
P(B
2
/ A) = ______________________________=___________= 0.188
0.85 * 0.6 + 0.5 * 0.25 + 0.2 * 0.15 0.665

7.2.2. EVENTOS INDEPENDIENTES

Definicin: Dos o ms eventos son independientes, si el resultado de los eventos en ningn modo se afecta
uno de otro. La probabilidad de que ambos eventos independientes A y B ocurrn es:
P(AB) = P(A) P(B)

Ejemplo: Cul es la probabilidad de obtener dos caras si se lanza sucesivamente dos veces una moneda?
Solucin:

C1 = Obtener cara en el primer lanzamiento. C2 = Obtener cara en el segundo lanzamiento.

Los anteriores sucesos son independientes es decir si se obtiene una cara en el primer lanzamiento no va a
influir en el resultado del segundo lanzamiento. Aplicando la frmula de independencia:
25 . 0
4
1
2
1
*
2
1
) 2 ( ) 1 ( ) 2 1 ( = = = = C P C P C C P

7.3. TECNICAS DE CONTEO

Esta tcnicas son tiles cuando los espacios muestrales son grandes y se necesita contar el nmero de
eventos que satisfacen algunas condiciones.

El primer concepto a definir es el factorial.

FACTORIAL: Dado un entero positivo n, el producto de todos los nmeros enteros de n hasta 1 se llama
factorial de n y se escribe n! y la formula general es:

n! = n(n-1)(n-2)(n-3)..........1



65
65

Ejercicio: Calcular 7!

Aplicando la formula anterior : 7! = 7*6*5*4*3*2*1 = 5040

Por definicin 0! = 1

Otra propiedad de n! es:

n! = n(n-1)! = n(n-1)(n-2)! =..........

Por ejemplo: 6! = 6*5*4!


PERMUTACION : una permutacin es un arreglo ordenado de objetos. Designemos por n el nmero objetos
diferentes de los cuales se va a obtener un arreglo ordenado y por r el nmero de objetos en el arreglo. El
nmero de permutaciones de n objetos tomados r a la vez, se nota como
n
P
r
y se define como:

)! (
!
Pr
r n
n
n

=
Ejemplo: La junta directiva de la asociacin de contadores pblicos va a ser elegida. Los cargos son:
presidente, secretario y tesorero. Hay de seis candidatos para ocupar los cargos. Cuntos grupos diferentes
se puede formar para ocupar los cargos?.

Solucin: como los cargos son tres y hay disponibles seis candidatos entonces me interesa el orden. Por
ejemplo si los candidatos son : Roberto, Ana, Pablo, Cecilia, Carlos y Jos,
entonces un grupo puede ser:

Presidente secretario tesorero Presidente secretario tesorero
Ana Pablo Carlos Pablo Ana Carlos
GRUPO I GRUPO II

Observe que el grupo uno es diferente al grupo dos aunque sean los mismo candidatos pero no ocupan el
mismo orden. Significa que si me interesa el orden. Como interesa el orden debo calcular una permutacin :


)! (
!
Pr
r n
n
n

= Donde: n = 6 r =3, entonces:

( )
120
! 3
1 * 2 * 3 * 4 * 5 * 6
! 3 6
! 6
)! (
Pr = =

=
r n
n
n Hay 120 grupos o arreglos diferentes

COMBINACIONES : una combinacin es un arreglo de objetos diferentes sin tener en cuenta el orden. El
nmero de combinaciones de n objetos tomados r a la vez se escribe
n
C
r
y se define como:

)! ( !
!
r n r
n
Cr n

=
Ejemplo: Suponga que hay 12 personas para formar un comit de tres personas para hablar con el director



66
66
de Hocol. Cuntos comit diferentes se pueden formar?

Solucin: como un comit formado por ejemplo por Jun, Pablo y Sofa. Ellos van hablar con el director. Si
invierto el orden por ejemplo, Pablo, Sofia y Jun, entonces es el mismo comit ya que cumple la misma
funcin. Entonces no interesa el orden. En nuestro caso
n = 12 y r =3:
( )
220
! 3 12 3
! 12
)! ( !
!
=

=
r n r
n
Cr n

EJERCICIO

1) S para el problema 2 de la pgina 5 seleccionan un capataz, cual es la probabilidad de que este
encontrar de la afiliacin.
2) S para el problema 2 de la pgina 5 seleccionamos un empleado que no dio su opinin, cual es la
probabilidad de que el sea un trabajador fijo.
3) Dos divisiones de productos distintos de una empresa grande son productos marinos y equipos de oficina.
Se estima que la probabilidad de que productos marinos tengan un margen de utilidad de cuando menos 10%
en este ao fiscal es de 0.30, la probabilidad de que la divisin de equipo de oficina tengan un margen de
utilidad de cuando menos el 10% es de 0.20 y la probabilidad de que ambas divisiones tengan un margen de
utilidad de cuando menos del 10% es 0.06.
a) Determine la probabilidad de que la divisin de equipos de oficina tengan un margen de utilidad de cuando
menos 10%, dado que la divisin de productos marinos alcanza ese criterio de utilidad.
4) Se estima que la probabilidad de que aumente las ventas de automviles en el siguiente mes es de 0.40.
Se estima que la probabilidad de que aumenten las ventas de refacciones es de o.50. Se estima que la
probabilidad de que ambas industrias experimenten un aumento en las ventas es de 0.10. Cul es la
probabilidad de que (a) hayan aumentado las ventas de automviles durante el mes, dado que existe
informacin de que han aumentado las ventas de refacciones, (b) hayan aumentado las ventas de
refacciones, dado que existe informacin de que aumentaron las ventas de automviles durante el mes?.
5) La junta directiva de la compaa JR consta de 15 miembros, de cuantas formas se puede elegir
presidente, vicepresidente y secretario?
6) Un club tiene 10 miembros. De cuantas formas se puede elegir una junta directiva de 4 miembros
7) A los habitantes de una gran ciudad se le hizo una encuesta con el propsito de determinar el nmero de
lectores del TIEMPO. Los resultados son los siguientes: 20% de los habitantes lee el TIEMPO, el 16% leen el
ESPECTADOR, y un 1% leen ambos peridicos. Si se selecciona al azar a un lector del TIEMPO, cual es la
probabilidad de que tambin lea el ESPECTADOR. b) Si se selecciona al azar a un lector del espectador cual
es la probabilidad de que tambin lea el TIEMPO.
5) En un da lluvioso la probabilidad de que Pedro llegue tarde a clase es de 0.8, mientras que en un da de
sol, la probabilidad de que llegue tarde es solo 0.1, y la probabilidad de que llegue tarde cualquier da
(lluvioso-sol) es de 0.3. (a) Cual es la probabilidad de que Pedro llegue tarde si esta haciendo sol o este
lloviendo.
6) Una profesor ha estado enseado la asignatura calculo por muchos aos. Sabe que el 75% de los
estudiantes hacen la tarea determino que de los estudiantes que hacen la tarea el 85% aprobarn el curso.
De aquellos estudiantes que no realizan la tarea, 60% aprobarn el curso. A) Mario rojas tom la asignatura
calculo con el profesor y aprob la materia. Cul es la probabilidad de que s haya hecho las tareas. B) Si un
estudiante tomo la asignatura calculo con el profesor Cul es la probabilidad de que haya hecho las tareas.
8) La siguiente tabla muestra a cuatro proveedores ropa de trabajo a la empresa Petroleun. El cuadro
muestra las cantidades adquiridas a cada proveedor y el porcentaje de materia prima defectuosa que cada
uno proporciona.
PROVEEDOR %ADQUIRIDO % DEFECTUOSO



67
67
Ropeiro 30 25
Salas 24 1.73
Reino 29 2.8
Carla 17 0.98
a) La ropa usada hoy resulto defectuosa, cul es la probabilidad de que la haya comprado al proveedor Reino.
b) Cual es la probabilidad de que la ropa salga defectuosa.
9) La gobernacin del Huila utiliza tres hoteles locales para proporcionar alojamiento a sus invitados en la
noche. Por experiencia se sabe que al 20% de los visitante se le asigna habitacin en el hotel Tumburuaga, al
50% en el hotel Plaza y al 30% en el hotel Chicala.S existe una falla en el servicio de plomera en el 5% de
los cuartos del hotel Tumbuaragua, en el 4.5% de cuartos del hotel Plaza y un 7.5% de los cuartos del hotel
Chicala, cul es la probabilidad que a) cul es la probabilidad que a un invitado de la gobernacin se le
asigne un cuarto con problemas de plomera ?.b) cul es la probabilidad que A un invitado de la
gobernacin con un cuarto que tenga problemas de plomera se le asigne acomodo en el hotel Plaza?
10) En Manizalez (universitario) los estudiantes se distribuyen d la siguiente manera: el 19% estudian
arquitectura, el 36% medicina y el 45% economa. El porcentaje de alumnos que finalizan sus estudios en
cada caso es del 4%, 11% y del 16%.a) S elijo un alumno al azar, determinar la probabilidad de que
haya acabado los estudios. b) Si elijo un estudiante de arquitectura, cul es la probabilidad de que no
acabe los estudios.
11)La fbrica de enlatados produce 6000 envases diarios. La mquina A produce 3500 de estos envases, de
los que el 2.3% son defectuosos y la mquina B produce los 1500 restantes de los que se sabe que el 3.9%
son defectuosos. Determinar la probabilidad de que un envase elegido al azar sea defectuoso
12) Como almacenista de n almacn recibo pedidos de cierto artculo de 3 proveedores distintos (A, B y C). El
40% del total se lo compra a A, mientras que a B y C se lo compro 30% a cada uno. El porcentaje de
artculos en malas condiciones que proporciona A, B y C son de 4%, 11% y 13%, respectivamente. Si los
artculos se almacenan sin importar quin es el proveedor y selecciono uno al azar: a)Determine la
probabilidad de que sea defectuoso. b) Si es defectuoso, cul es la probabilidad de que haya sido
despachado por el proveedor B?

7.4 Variable Aleatoria

Definicin: Es un variable cuyos valores numricos quedan determinados por los resultados de un
experimento aleatorio. Por ejemplo se lanzan tres monedas no cargadas. Los resultados posibles del
experimento junto con el nmero de caras asociadas con cada resultado se enumeran en la tabla 3.
La variable X representa el nmero de caras obtenidas al lanzar TRES monedas y es una variable aleatoria
que toma los siguientes valores: X = [ 0 , 1 , 2 , 3 ]


Es importante distinguir entre la variable aleatoria y los valores numricos que ella puede tomar. Para sto
notaremos la variable aleatoria por la letra mayscula X y el valor que ella tome con la letra minscula x.

Tabla 3. Resultados de lanzar tres monedas
Resultado X=Nmero de caras
SSS 0
SCS 1
SSC 1
CSS 1
CSC 2
CCS 2
CCC 3
7.4.1 Esperanza Matemtica o valor esperado E [ X ],



68
68


Definicin: Sea X una variable aleatoria discreta, se define la esperanza matemtica a la suma del
producto de cada valor puntual que toma la variable aleatoria por su correspondiente probabilidad de
ocurrencia:
| |

=
= =
n
i
i i
x X P x X E
1
) (
Sea X una variable aleatoria contnua, se define la esperanza matemtica como:
| | ( )dx x f X E


} =
Nota: A la coleccin de pares [ x
i
, p(x
i
) ] se le denomina distribucin de probabilidad, y se nota de la
siguiente forma: Notacin de P(x
i
) = P(X = x
i
)

Ejemplo: Calcular el valor esperado de la tabla nmero 3. Para calcular el valor esperado se determino los
valores en la tabla 7.4.

| | caras x X P x X E
n
i
i i
.. 5 . 1
8
12
) (
1
= = = =

=


Interpretacin: Si lanzamos simultneamente 3 monedas el promedio de caras es de 1.5.
Nota: La columna (1) da todos los valores posibles de la variable aleatoria X y la columna 2 da su
correspondiente probabilidades y la columna 3 da al producto de cada valor de la variable aleatoria por su
correspondiente probabilidad (distribucin de probabilidad)

Tabla 7.4. Calculo de la esperanza matematica

X
i=
Nmero de caras (1) P(x
i
)=P(X=x
i
) (2) x
i
*P(x
i
) (3)
0 1/8 0
1 3/8 3/8
2 3/8 6/8
3 1/8 3/8
Total 1 12/8
Ejemplo: Las ventas por hora de una mquina automtica pueden ser 20,21,22 cajetillas de cigarrillos con
probabilidades de 0.3, 0.5 y 0.2 respectivamente, cul es la venta por hora esperada para sta mquina?
Solucin:

X= Nmero de cajetillas P(X= x
i
) x
i
* P(X= x
i
)
20 0.3 6.0
21 0.5 10.5
22 0.2 4.4
Total 1.0 20.9


E[X]=

x
i
P(x
i
) = 20.9

Interpretacin: La venta promedio por hora de sta mquina es de 20.9 ~ 21 cajetillas.




69
69
1.4.2 Varianza

Definicin: Sea X una variable aleatoria. Definimos la varianza de X, denotada por
2
o como sigue:
| | | | X E X E =
2 2
o La raz cuadrada positiva de
2
o se llama desviacin estndar de X y se nota por
o .

Ejemplo: Calcular la varianza y la desviacin estndar alejemplo anterior (venta de cajetillas en la mquina
automtica).


Solucin: | | | | X E X E =
2 2
o E[X
2
] = (20)
2
(0.3) + (21)
2
(0.5) + (22)
2
(0.2) = 437.3
(E[x])
2
= (20.9)
2
= 436.81
2
o = 437.3 - 436.81 = 0.49
La desviacin estndar es:


o = 7 . 0 49 . 0
2
= = o


EJERCICIO

1) Sea X= nmero de caras obtenidas al lanzar tres monedas. Si salen dos o ms caras se recibe $200, si no,
hay que pagar $100. Cul es la ganancia esperada ?.
2) Se ha determinado que las ventas en expendio de publicaciones de una revista mensual tiene la siguiente
distribucin de probabilidad :
--------------------------------------------------------------------------------------
Nmero de
revistas 15 16 17 18 19 20
--------------- --------------------------------------------------------------------------
probabilidad 0.05 0.10 0.25 0.30 0.20 0.10
------------------------------------------------------------------------------------------
Calcule la venta promedio mensual de revista y su desviacin estndar
3) La junta directiva de la compaia JR consta de 15 miembros, de cuantas formas se puede elegir
presidente, vicepresidente y secretario ?
4) Un club tiene 10 miembros . De cuantas formas se puede elegir una junta directiva de 4 miembros
5) La siguiente tabla muestra la distribucin de las ventas diarias del almacn YA, con sus respectivas
probabilidades:
____________________________________________________
VENTAS (MILLONES $) 10 20 30 40
PROBABILIDAD 0.30 0.2 0.4 0.1
______________________________________________________
Calcular el promedio de ventas diarias del almacn y su desviacin estndar.


1.5 Distribuciones de probabilidad para algunas variables aleatorias





70
70
En sta seccin se presentan ciertos modelos matemticos que sirven para representar un gran nmero de
fenmenos que cumplen ciertas condiciones.

Definicin: La distribucin de probabilidad es una tabla, grfica o formula que se usa para especificar
todos los valores posibles de una variable aleatoria junto con sus probabilidades respectivas.
Algunas distribuciones son :

La distribucin Binomial
La distribucin Multinomial Distribucin de probabilidad para variables
La distribucin Poisson aleatorias discretas
La distribucin Geomtrica
La distribucin Hipergeomtrica
Etc


La distribucin Normal
La distribucin Normal Estndar Distribucin de probabilidad para variables
La distribucin Exponencial aleatoria continas
La distribucin Gamma
Etc

1.5.1 La distribucin Binomial

La distribucin Binomial se obtiene del experimento que cumple las siguientes condiciones:

a- Cada ensayo (experimento) conduce a uno de dos resultados posibles mutuamente exclusivos. Uno de
los resultados posibles se denota (arbitrariamente) como Exito y el otro se de nota como fracaso.

b- La probabilidad de Exito denotado por P, permanece constante de ensayo a ensayo. La probabilidad de
Fracaso, 1-P, se denota por Q.

c- Los ensayos son independientes es decir el resultado de cualquier ensayo particular no es afectado por el
otro ensayo.

Sea X una variable Binomial (es decir que cumpla las condiciones anteriores) basada en n repeticiones
entonces:


x n x
Q P
x)! (n x!
n!
) (

= =
X n
C x X P o
x n
Q
x
P
x)! (n x!
n!
) (

= = x X P

x)! (n x!
n!

=
x n
C donde x es = 0 1....n

Ejemplo: El ejemplo tradicional es el lanzamiento de una moneda. Se lanza la moneda 30 veces:
a) Cul es la probabilidad de obtener exactamente 3 caras. b) Cul es la probabilidad de obtener por lo
menos 3 caras.
Solucin: El experimento consiste en el lanzamiento de la moneda. Cada lanzamiento (ensayo) produce 2



71
71
resultados posibles: cara o sello.
La probabilidad de xito P permanece constante de ensayo a ensayo, es decir P = 1/2 y es la probabilidad
de obtener sello.
Los ensayos son independientes, en otras palabras si en el primer lanzamiento sale cara, en el segundo
lanzamientos se puede obtener cualquiera de los 2 resultados posibles.

Como el experimento cumple las condiciones anteriores entonces la variable aleatoria X = (Nmero de caras
obtenidas) se distribuye binonialmente y la:


000022687 . 0 10 * 2687 . 2
2
1
2
1
) 3 (
5
3 30 3
3 30
= =
(

= = =

C X P
Respuesta: La probabilidad de obtener exactamente tres caras en 30 lanzamientos es de 2.2687 X 10
-5


b- P(X 3) = ? Solucin: P( X 3) = 1 - P( X 2), Donde

P ( X 2 ) = P (X = 0) + P ( X = 1 ) + P ( X = 2)

entonces :
10
0 30 0
0 30
10 * 31323 . 9
2
1
2
1
0 (

=
(

= = = C X P

8
1 30 1
1 30
10 * 79397 . 2
2
1
2
1
) 1 (

=
(

= = = C X P
7
2 30 2
2 30
10 * 05125 . 4
2
1
2
1
) 2 (

=
(

= = = C X P
Luego,

P ( X 2 ) = 9.31323 * 10
-10
+ 2.79397 * 10
-8
+ 4.05125 * 10
-7

P ( X 2 ) = 4.33996 * 10
-7


Entonces la P ( X 3) = 1 - 4.33996 * 10
-7
= 0.99


Respuesta: La probabilidad de obtener por lo menos tres caras en 30 lanzamientos es de 0.99.

TEOREMA 7.4 . S X es una variable aleatoria distribuda binomialmente, el valor esperado y varianza es:
| | nP X E = nPQ =
2
o


Aplicacin: La probabilidad de que un prospecto de ventas elegido al azar realiza una compra es de 0.20,. S
realiza 15 visitas de prospecto, cual es la venta promedio y su desviacin estndar ?

Solucin: Como la variable X = nmero de ventas, se distribuye en forma binomial, entonces



72
72

| | nP X E = nPQ =
2
o Como n = 15 y P =020 q = 0.80 entonces E [X] = 15 * 0.20 = 3.0

nPQ =
2
o = 15 * 0.20 * 0.80 = 2.4 s = 24 . 0 = 0.49

1.5.2. La distribucin Poisson

La distribucin Poisson es otra distribucin de naturaleza discreta. Esta distribucin es aplicable a procesos
(experimento) en los que ocurren en determinado sucesos por unidad de espacio, tiempo, rea y volumen.
La variable aleatoria X en una distribucin Poisson representa el nmero de resultados que ocurren en un
intervalos de tiempo dado (segundos, minuto, hora, da) o en una regin(espacio) o volumen especfico).

S una variable aleatoria X se distribuye en forma Poisson, entonces la probabilidad de obtener exactamente x
resultados en un intervalo de tiempo, espacio o volumen es:


x
x
e
x X P
!
) (


= = Para X= 0, 1, 2, 3,........K

Donde: = Tasa media de ocurrencia de los sucesos por cualquier unidad de tiempo,
espacio o volumen.
X= Nmero de ocurrencias del suceso en una unidad de tiempo, espacio o volumen.


Ejemplo : El gerente de un banco sabe por experiencia que entre la 9:00 y 10:00 de la maana, la tasa media
de llegada de los clientes es de 60 por hora. El desea determinar la probabilidad de que:
a) lleguen dos clientes por minuto entre las 9:00 y 10:00 de la maana.
b) Lleguen a lo mximo clientes por minuto entre las 9:00 y 10:00 de la maana.

Solucin:
a) lleguen dos clientes por minuto entre las 9:00 y 10:00 de la maana.

Sea X = total de clientes por minuto que llegan al banco entre las 9:00 y 10:00 de la maana

= promedio de llegada de los clientes por minuto

= 60 clientes/60 minutos = 1 cliente por minuto

La variable aleatoria se distribuye en forma Poisson ( nmero de sucesos por unidad de tiempo) entonces
para determinar la probabilidad de lleguen dos clientes por minuto entre las 9:00 y 10:00 de la maana se
aplica la siguiente formula.

x
x
e
x X P
!
) (


= =
Reemplazando:




73
73
P ( X = 2 ) = (e
-1
* 1) /2! = 0.183

b) lleguen a lo mximo dos clientes por minuto entre las 9:00 y 10:00 de la maana.

Solucin:

P ( X s 2) = P(X=0) + p(X=1) + p(X=2) = 0.3679 + 0.3679 + 0.183 = 0.9188

TEOREMA 7.5. Sea X una variable aleatoria distribuida en forma Poisson, entonces el valor esperado y su
varianza es igual a Landa ( )

E [ X ] = o =

EJERCICIOS

1) Una empresa que fabrica bombillos sabe por experiencia que la probabilidad de que salga un bombillo
defectuoso es de 0.03. Como usted es el contador de la empresa selecciona 12 bombillos, cual es la
probabilidad de que salgan 3 defectuosos
2) El 90% de los artculos que produce una mquina son buenos. S seleccionamos aleatoriamente 10
artculos producido por la mquina, cul es la probabilidad de que a) exactamente 2 de ellos sean buenos
b) Menos de dos sean buenos c) A lo mximo uno sea bueno
3) El 4% de los ingenieros industriales son de sexo femenino. S seleccionamos aleatoriamente 12 ingenieros
industriales, cul es la probabilidad de que exactamente 3 de ellos sean de sexo femenino.
b) Ninguno sea mujer c) Mas de uno sea mujer d) menos de 3 sean mujeres e) dos sean hombres. f) mas
de uno sea hombre.
4) El nmero de accidentes por ao en la ciudad de Descanso es de 4 por cada 100000 habitante. Hallar la
probabilidad de que en esa ciudad ocurran por cada 100000 habitantes: a) dos accidentes por ao. b) un
accidente por ao. c) a lo mximo un accidente por ao. d) menos de dos accidentes por ao. e) mas de un
accidente por ao. f) como mnimo un accidente por ao. g) Entre uno accidentes y tres accidentes por ao.
5) Al bombero de una surtidora de gasolina se le paga de acuerdo al nmero de automviles que atienda. la
probabilidad de que atienda un da ordinario es de 6/8 y en un da festivo es de 4/8. El pago por atender un
automvil en da festivo es de $0.20 y en un da ordinario es de $0.10. Encuentre la ganancia esperada para
el bombero
6) En una estacin de gasolina se sabe que el promedio de vehculos que llegan por hora es de 30. Cul es la
probabilidad de que una hora lleguen: a) 3 vehculos. b) Menos de dos vehculos. c) Ningn vehculo d)
mas de 1 vehculos. e) Como mnimo dos vehculos. c) un vehculo.
7) Para el ejercicio anterior determine la media y la varianza.
8) En el conmutador de la universidad entran en promedio 2.2 llamadas por minuto. Encuentre la probabilidad
de: a) No entre llamadas b) no mas de dos llamadas entren en un minuto cualquiera. c) No entre mas de 1
llamadas d) Mas de 12 llamadas entren en un periodo de 6 minutos. f) Determine el promedio de llamadas
que entran en media hora.
9) Se sabe que un mquina produce diariamente el 2% de los artculo defectuosos. Si seleccionan 12
artculos, cual es la probabilidad de que: a) Al menos uno sea defectuoso. b) Ninguno sea defectuoso. c) Uno
sea defectuoso. d) mas de uno sea defectuoso e) Uno sea bueno. f) Promedio de artculos defectuosos. g)
Desviacin estndar de artculos defectuosos

A continuacin se describen algunas distribuciones de probabilidad para variable continua.

7.5.3. LA DISTRIBUCIN EXPONENCIAL.


74
La distribucin exponencial es una variable aleatoria continua mide el tiempo transcurrido entre ocurrencias.
Esta distribucin esta relacionada con la distribucin Poisson que es discreta, mientras que la distribucin
exponencial es continua ya que la variable tiempo es continua.

La distribucin exponencial se utiliza mide el tiempo de atencin para ser atendido en una entidad bancaria,
un supermercado, en una estacin de gasolina, etc, es decr esta distribucin se utilizan como modelo para
representar tiempos de funcionamiento o tiempos de espera.

Una variable aleatoria continua se distribuye en forma exponencial si su funcin de densidad es


Para calcular cualquier probabilidad de una variable continua esta se representa una area en el plano y por
consiguiente hay que calcular la integral entre los tiempos o tiempo solicitado en la espera. Para disminuir el
tiempo en la solucin de cualquier ejemplo se ha elaborado una tabla acumulativa de la distribucin
exponencial (anexo 2).

1. Ejemplo: El cajero del supermercado YA atiende en promedio 4 cliente cada cinco minuto minutos.
a) Cul es la probabilidad de que una persona sea atendida antes de que transcurran 3 minutos?
b) Cul es la probabilidad de que una persona sea atendida entre 3 minutos y 5 minutos?
c) Cul es la probabilidad de que una persona se demore mas de 4 minutos en ser atendida?


Solucin:
a) Cul es la probabilidad de que una persona sea atendida antes de que transcurran 3 minutos?
P(una persona sea atendida antes de que transcurran 3 minutos)
Sea T= tiempo de atencin. ? ) 3 ( = s T P
Se sabe que
5
4
= reeplazando la integral
}

= s
3
0
3 *
5
4
5
4
) 3 ( dt e T P Para evitar la integracin utilizo la tabla exponencial del
anexo 2, el cual tienen la ? ) 3 ( = s T P para un t especfico.

Utilizando la tabla se busca 4 . 2 3 *
5
4
= = t y la probabilidad es

b) Cul es la probabilidad de que una persona sea atendida entre 3 minutos y 5 minutos?


P(una persona sea atendida entre 3 minutos y 5 minutos)
Sea T= tiempo de atencin. ? ) 5 3 ( = s sT P
Se sabe que
5
4
= . Par utilizar la tabla exponencial (anexo 2) realizo la siguiente conversin:


75
) 3 ( ) 5 ( ) 5 3 ( s s = s s T P T P T P
? ) 5 ( = s T P para un 4 5 *
5
4
= = entonces 982 . 0 ) 5 ( = s T P

? ) 3 ( = s T P para un 4 . 2 3 *
5
4
= = entonces 909 . 0 ) 3 ( = s T P


Luego 073 . 0 909 . 0 982 . 0 ) 5 3 ( = = s sT P

c) Cul es la probabilidad de que una persona se demore mas de 4 minutos en ser atendida?
041 . 0 959 . 0 1 ) 4 ( 1 ) 4 ( = = s = T P T P
2 . 3 4 *
5
4
= =


Teorema 1.6. Sea T una variable aleatoria continua distribuida en forma exponencial, entonces, el valor
esperado y su varianza es:
| |

1
= T E y
2
2
1

o =

EJERCICIOS

1). En el aeropuerto el Veloz llegan en promedio 2 aviones por da. Cul es la probabilidad de que ,
despus de la llegada de un avin, tenga que esperar a lo mximo tres das para la llegada del siguiente
avin?.
2). En una estacin de gasolina llegan en promedio 4 clientes cada hora.. Determine la probabilidad de
que el bombero de la estacin tenga que esperar entre dos y tres minutos para que le soliciten el servicio.
3.En el banco Tacao llegan en promedio 15 clientes cada media hora. Determine la probabilidad de que
el tiempo entre un cliente y otro que llegan al banco Tacao este entre tres y cinco minutos.
4). Un contador pblico por experiencia sabe que el promedio de errores en el libro mayor es de 2 error
por cada 20 pginas. Si un auditor le revisa el libro diario del ao 2004, cul es la probabilidad de que el
primer error este: a) en las primeras 10 pgina b) este entre las pginas 14 y 16.

7.5.3 LA DISTRIBUCION NORMAL

El modelo probabilstico ms frecuentemente usado en las decisiones econmicas, sociales, etc, es la
distribucin normal, la cual puede ser presentada en forma general o estndar.

La importancia de la distribucin reside en sus convenientes propiedades matemticas que llevan
directamente a muchas partes de la teora de la estadstica disponible como base para la prctica en su
totalidad como aproximacin a otra distribuciones en su aplicacin a muchas variables aleatorias que, o

76
bien estn distribuidas aproximadamente de manera normal, o bien que se puede transformar fcilmente
para aproximarlas a variables normales.


Definicin: Sea X la variable aleatoria continua que toma todos los valores reales entre --<X< se
dice que tiene distribucin normal si su funcin de densidad de probabilidad f(X) es de la forma:
2
2
1
2
2
1
) (
(

|
.
|

\
|

=
o

to
X
e X f
los parmetros (media) deben satisfacer las condiciones - < < y o (desviacin estndar) o
> 0

La grfica de la distribucin normal produce la conocida curva en forma de campana que se muestra en la
figura 7.2.


Figura 7.2. La distribucin normal


7.5.3.1 Propiedades de la distribucin normal

a) Es simtrica respecto a la media ( ), es decir la curva hacia cualquiera de los dos lados de , es una
imagen reflejada de la del otro lado.
b) La media, la mediana y la moda son iguales
c) El rea total de la curva por encima del eje x es una unidad.
Debido a la simetra ya mencionada, el 50% del rea est hacia la derecha de una perpendicular
levantada en la media y el 50% est hacia la izquierda.
d) S se levantan perpendiculares a una distancia de una
desviacin estndar de la media, en ambas direcciones, el rea encerrada por estas
perpendiculares, el eje X y la curva ser aproximadamente el 68% del rea total. S
se levantan perpendiculares a dos desviaciones estndar hacia cada uno de los lados de la media, se
encerrar aproximadamente el 95% del rea total, y s se levantan perpendiculares a tres desviaciones
estndar a lado y lado de la media, se encerrar aproximadamente el 99.7% del rea total ( figura 7.3).
Figura 7.3. Subdivisin del rea bajo la curva normal


77
b) La distribucin normal queda completamente determinada por
los parmetros y o decir cualquier cambio de desplaza la distribucin normal, mientras que un cambio
de o, nicamente altera la forma de la distribucin ( figura 7.4 y 7.5).

Figura 7.4. Subdivisin del rea bajo la curva normal con medias diferentes

La ltima propiedad de la distribucin normal implica, que en realidad esta es una familia de distribuciones. La ms
importante de est familia es la distribucin normal estndar o unitaria

Figura 7.5. Distribucin normal con varianzas diferentes

7.5.4 LA DISTRIBUCION NORMAL ESTANDAR ( Z )


Sea X una variable aleatoria contnua y Z = X - , / o,Entonces Z se distribuye en forma normal estndar con
media = 0 y o
2
= 1 y su funcin de densidad de probabilidad es de la forma:
2
2
2
1
) (
Z
e Z f

=
o


La figura 7.6. se muestra la grfica de la distribucin normal estndar.

Figura 7.6. Distribucin normal estndar


78
La distribucin normal estndar posee las mismas propiedades de la distribucin normal . Para encontrar la
probabilidad de cualquier valor de Z entre un punto o dos se utiliza la tabla del anexo 1.
El cuerpo de la tabla del anexo 1 est el rea bajo la curva entre cero y un valor de Z
i
. El valor de Z
i
esta en la
primera columna y en la primera fila de la tabla. El rea sombreada de la figura7.7 presenta el rea ( o
probabilidad) es la dada en la tabla para valores de Z entre cero y Z
0

Figura 7.7. Area dada en anexo 1. P ( 0<Z < Z
i
)

Ejercicio: Dada una distribucin normal estndar, encontrar: a) P( 0 < Z < 2.20 ) b) P( -0.56 < Z < 0)
c) P ( Z > 1.56 ) d) P( 0 < Z < 2.32 ) e) P ( Z < - 1.50)
Solucin: Para encontrar estas probabilidades (reas) es importante hacer la figura de la distribucin
normal estndar y sombrear el rea que solicitan:
a) P( 0 < Z < 2.20 ). Como se encuentra esta rea. En el anexo. se localiza el valor de Z igual a 2.20
es decir, el 2.2 en la primera columna y el cero en la primera fila, y leer el valor correspondiente en la
intercesin del cuerpo del anexo. La figura 7.8 muestra el rea solicitada.

Figura 7.8. Area solicitada
b) P(-0.56 < Z < 0) Esta probabilidad se encuentra de la misma forma que en el punto a. Es decir
cualquier valor negativo de Z se trata como positivo. Buscando el valor 0.56 en la tabla 1, la probabilidad
es de 0.21.23. ( figura 7.9).

Figura 7.9. Area solicitada

c) P ( Z > 1.56 ) . Observando la figura 7.9. el rea sombreada es diferente a la que se presenta en el
anexo. Debe llevarse a esa forma , como ? . Como la mitad del rea de la normal vale 0.5 por propiedad,
entonces: P ( Z > 1.56 ) = 0.5 - P ( 0 < Z < 1.56 ) = 0.5 - 0.4406= 0.0594

e) P ( Z < - 1.50). Para hallar esta probabilidad el valor de z se vuelve positivo y se le da el mismo
tratamiento del punto c.
Entonces P ( Z < - 1.50) = P ( Z > 1.50 ) = 0.5 - P ( 0 < Z < 1.50 ) = 0.5 - 0.4332 =0.0668



79
EJERCICIOS PROPUESTOS:

Determine las siguientes probabilidades:

a) P( 0 < Z < 4.20 ) b) P( 2 < Z < 3.06) c) P ( Z < 1.567)

d) P( -1.35 < Z < 2.32 ) e) P ( Z < -14.0)


7.8.3. Aplicaciones de la distribucin normal

1) Los contadores pblicos mantienen en promedio una contabilidad de tres aos con una desviacin estndar de
0.5 aos. Suponga que el tiempo de duracin de llevar las contabilidades de los contadores pblicos est distribuida
aproximadamente en forma normal. Determine la probabilidad de que un contador pblico dure;
a) mas de 3.5 aos en llevar una contabilidad. b) menos de 3.4 aos en llevar una contabilidad. c) mas de 2.3 aos
en llevar una contabilidad. e) entre 2.5 y 3.3 aos en llevar una contabilidad.
Solucin
La pregunta es determinar la probabilidad de que un contador pblico dure; mas de 3.5 aos en llevar una
contabilidad mas de 3.5 aos. La notacin es:
P(un contador pblico dure mas de 3.5 aos en llevar una contabilidad). Entonces definir la variable aleatoria X,
donde X = tiempo de duracin en llevar una contabilidad
Reemplazando la pregunta P ( X > 3.5 ) = ?.
Para encontrar la P ( X > 3.5 ), es necesario hacer la figura 7.10.El enunciado del problema da los siguientes valores:
= 3 aos y o = 0.5 y P ( X > 3.5 ) se debe realizar una integral. Para evitar la integracin la llevamos a
Figura 7.10 Distribucin del tiempo de llevar la contabilidad
Una distribucin normal estndar (Z) mediante el siguiente cambio de variable:
o

=
x
Z .A continuacin se
realiza el cambio: P ( X > 3.5 ) = P ( Z > 3.5 - 3.0 ) = P ( Z > 1 ). Grficamente se presenta la figura 7.11.
0.5





Figura 7.11. Cambio de variable

80
Para hallar P ( Z > 1 ) en el anexo 1 debe hacerse de la siguiente forma: P ( Z > 1 ) = 0.5 valor de la tabla de 1 P
P( Z > 1 ) = 0.5 - 0.1583 = 0.3417
b) Menos de 3.4 aos. Para encontrar la P ( X < 3.4 ), donde X = tiempo de duracin en llevar una contabilidad, es
necesario hacer la figura 7.12 .El enunciado del problema da los siguientes valores: = 3 aos y o = 0.5 y P(
X<3.4) se debe realizar una integral. Para evitar la integracin la llevamos a una distribucin normal estndar (Z)
Figura 7.12. Distribucin del tiempo de llevar la contabilidad
mediante el siguiente cambio de variable:
o

=
x
Z A continuacin se realiza el cambio:
P ( X < 3.5 ) =
5 . 0
30 34
= Z = P ( Z < 0.8). Grficamente se presenta la figura 7.13.
Figura 7.13. Cambio de variable de la normal a la estndar

Para hallar P ( Z < 0.8) en el anexo 1. debe hacerse de la siguiente forma:

P ( Z < 0.8 ) = 0.5 + valor de la tabla de 0.8 = 0.5 + 0.2881 = 0.7881. En la figura 7.14 se observa el cambio de
variable.

c) Mas de 2.3 aos
Solucin : Para encontrar la P ( X > 2.3 ), donde X es el tiempo de llevar la contabilidad. El enunciado del problema
da los siguientes valores: = 3 aos y o = 0.5
y P ( X > 2.3 ) se debe realizar una integral. Para evitar la integracin la llevamos a una distribucin normal estndar
(Z) mediante el siguiente cambio de variable:
o

=
x
Z A continuacin se realiza el cambio:
P ( X > 2.3 ) = P ( Z > 2.3 - 3.0 ) = P ( Z > -1.4 ).
0.5

Para hallar P ( Z > -1.4 ) en la tabla 1. debe hacerse de la siguiente forma:

P ( Z > -1.4 ) = 0.5 + valor tabla de 1.4 = 0.5 - 0.4192 =0.0808

e) Entre 2.5 y 3.3 aos


81
Para encontrar la P (2.5 < X < 3.3 ), definir X como el tiempo de llevar la contabilidad. El enunciado del problema
da los siguientes valores: = 3 aos y o = 0.5 y P (2.5 < X < 3.3 ) se debe realizar una integral. Para evitar la
integracin la llevamos a una distribucin normal estndar (Z) mediante el siguiente cambio de variable: z = x - /o .
A continuacin se realiza el cambio:

P (2.5 < X < 3.3 ) = P (2.5 -3.0 < Z < 3.3 - 3.0) = P ( -1 < Z < 0.6 )
0.5 0.5
Para hallar P ( -1 < Z < 0.6 ) en el anexo 1 debe hacerse de la siguiente forma:

P ( -1 < Z < 0.6 ) = valor tabla de 1 + valor tabla de 0.6

P ( -1 < Z < 0.6 ) = 0.3413 + 0.2257 = 0.567



EJERCICIOS

1) Determinar el rea bajo la curva normal estndar.
a) P ( Z >1.78 ) b) P ( Z < 2.35 ) c) P ( -1.56 < Z < 2.98 ) d) P (Z< - 1.43 )
e) P (0.89<Z<3.04 ) f) P (-2.3 < Z < 4.1 )
2) Pruebas realizadas en bombillas elctricas de cierta marca, indican que el perodo de duracin se
distribuye normalmente con media igual a 1862 horas y desviacin estndar de 68 horas. Estimar el
porcentaje de bombillas que duren: a) mas de 1890 horas, b) menos de 1780 horas, c) entre 1870 y 1880
horas, d) mas de 1790 horas , e) entre 1785 y 1883 horas.
3) Se sabe que el peso de la guanbana est distribuidas normalmente con un peso medio de 4 libras. El
15% de las guanbanas pesan menos de 3 libras. Cual es la desviacin estndar
4) La duracin de ciertas pilas para radio transistor, est distribuida normalmente; si el 2.28% duran ms
de 4.26 meses y 5.36% duran menos de 1.25 meses. Determine la duracin media y la desviacin
estndar.
5) Una fbrica de cemento empaca su producto en bolsas cuyos pesos se saben que son distribuidos
normalmente, con una media de 50 kilos y una Barinas de 4 kilos. Encuentre la probabilidad de sacar una
bolsa que contenga; a) por lo menos 51 kilo, b) como mximo 52 kilos, c) de 49 a 51 kilo.
6. Los salario de los contadores pblicos se distribuyen normalmente con una desviacin estndar de
$10.000. Por experiencia se sabe que 12% de los salarios ms bajos de los contadores pblicos son de
$550.000. Determinar el salario promedio de los contadores pblicos.
7.La edad de los equinos en el Huila se distribuyen normalmente con una edad media de 6 aos y una
desviacin estndar de 0.5 ao. Que porcentajes de equinos tienen una edad entre 5 y 6.1 aos?
8.La longitud de los tornillos que produce una maquina se distribuye normalmente, con un dimetro
promedio de 13.0 mm y una varianza de 0.01. Determinar la probabilidad de que un tornillo elegido al
azar tenga un dimetro entre 12.8 y 13.3 mm ?.
9.El salario mensual de los contadores pblicos se distribuye normalmente con un salario promedio
mensual de 1500 Euros. El 4.01 % de los salarios de contadores pblicos son superiores a 1510 Euros.
Cul es la desviacin estndar ?
10.La edad de los contadores pblicos se distribuye normalmente con edad media de 35 aos y una
desviacin estndar de 2 aos.
a) Que porcentajes de contadores pblicos tienen ms de 41 aos. b) Que porcentajes de contadores
pblicos tienen entre 32 y 39 aos.
11) La vida til de las llantas panteras se distribuye normalmente con una duracin media de 28000
kilmetros y una desviacin estndar de 3000 kilmetros. Si la fabrica no desea reemplazar ms del 4%
de las llantas vendidas, qu tiempo de garanta debe ofrecer?.
12) El tiempo de tramitar papeles para la legalizacin de un vehculo en las oficinas de transito se

82
distribuye normalmente con una media de 5 horas y una desviacin de 1 hora.
Determinar el porcentaje de legalizaciones que duran: a) mas de 7 horas b) menos de 4 horas c) A lo
mximo 3 horas d) Mas de 3.5 horas.
13) El tiempo que utilizan para graduarse como profesionales en cierta universidad se distribuye
normalmente con una media de 6 aos y una desviacin estndar de 1 ao.
a) Que porcentajes de estudiantes de la universidad duran a lo mximo 7 aos para graduarse. b) Que
porcentajes de estudiantes de la universidad duran por lo mnimo 6.5 aos para graduarse. c) Que
porcentajes de estudiantes de la universidad duran entre 6 y 8 aos para graduarse. d) Que porcentajes
de estudiantes de la universidad duran entre 5 y 7.5 aos para graduarse. e) Cuanto t tiempo dura en
graduarse el 15% de los estudiantes de mas bajo rendimiento acadmico. f) Cuanto t tiempo dura en
graduarse el 12% de los estudiantes de mejor rendimiento acadmico.
14). Cierto restaurante de la ciudad, la distribucin de los almuerzo diario que vende es aproximadamente
de forma normal con un promedio diario de 200 almuerzo y una desviacin estndar de 10 almuerzo. Para
cualquier da especifico cuantos almuerzo debe hacer el restaurante de manera que la probabilidad de
quedarse sin almuerzos sea menor al 0.05.

83
ANEXO 1. DISTRIBUCIN NORMAL ESTNDAR

Zi) Z P(0 ) 0 ( s s = s s Z Zi P

Z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0369
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 ,2422 .2454 .2486 .2518 .2549
0.7 .2580 .2612 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2,7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .49865 .49869 .49874 .49878 .49882 .49886 .49889 .49893 .49897 .49900
3.1 .49903 .49906 .49910 .49913 .49916 .49918 .49921 .49924 .49926 .49929
3.2 .49931 .49934 .49936 .49938 .49940 .49942 .49944 .49946 .49948 .49950
3.3 .49952 .49953 .49955 .49957 .49958 .49960 .49961 .49962 .49964 .49965
3.4 .49966 .49968 .49969 .49970 .49971 .49972 .49973 .49974 .49975 .49976
3.5 .49977 .49978 .49978 .49979 .49980 .49981 .49981 .49982 .49983 .49983
3.6 .49984 .49985 .49985 .49986 .49986 .49987 .49987 .49988 .49988 .49989
3.7 .49989 .49990 .49990 .49990 .49991 .49991 .49992 .49992 .49992 .49992
3.8 .49993 .49993 .49993 .49994 .49994 .49994 .49994 .49995 .49995 .49995
3.9 .49995 .49995 .49996 .49996 .49996 .49996 .49996 .49996 .49997 .49997





84
ANEXO 2. DISTRIBUCION EXPONENCIAL

La tabla da la probabilidad de observar un valor de T, F(T)=P( T < t ) y y un T
especifico.


_____________________________________________________________
T F(T) T F(T) T F(T) T F(T)
_____________________________________________________________
0,0 0,000 2,5 0,918 5,0 0,9933 7,5 0,99945
0,1 0,095 2,6 0,926 5,1 0,9939 7,6 0,99950
0,2 0,181 2,7 0,933 5,2 0,9945 7,7 0,99955
0,3 0,259 2,8 0,939 5,3 0,9950 7,8 0,99959
0,4 0,330 2,9 0,945 5,4 0,9955 7,9 0,99963
0,5 0,393 3,0 0,950 5,5 O,9959 8,0 0,99966
0,6 0,451 3,1 0,955 5,6 0,9963 8,1 0,99970
0,7 0,503 3,2 0,959 5,7 0,9967 8,2 0,99972
0,8 0,551 3,3 0,963 5,8 0,9970 8,3 0,99975
0,9 0,593 3,4 0,967 5,9 0,9973 8,4 0,99978
1,0 0,632 3,5 0,970 6,0 0,9975 8,5 0,99980
1,1 0,667 3,6 0,973 6,1 0,9978 8,6 0,99982
1,2 0,699 3,7 0,975 6,2 0,9980 8,7 0,99983
1,3 0,727 3,8 0,978 6,3 0,9982 8.8 0,99985
1,4 0,753 3,9 0,980 6,4 0,9983 8,9 0,99986
1,5 0,777 4,0 0,982 6,5 0,9985 9,0 0,99989
1,6 0,798 4,1 0,983 6,6 0,9986 9,1 0,99989
1,7 0,817 4,2 0,985 6,7 0,9988 9,2 0,99990
1,8 0,835 4,3 0,986 6,8 0,9989 9,3 0,99991
1,9 0,850 4,4 0,988 6,9 0,9990 9,4 0,99992
2,0 0,865 4,5 0,989 7,0 0,9991 9,5 0,99992
2,1 0,878 4,6 0,990 7,1 0,9992 9,6 0,99993
2,2 0,889 4,7 0,991 7,2 0,9993 9,7 0,99994
2,3 0,900 4,8 0,992 7,3 0,9993 9,8 0,99994
2,4 0,909 4,9 0,993 7,4 0,9993 9,9 0,99995
_____________________________________________________________











85
FORMULAS DE PROBABILIDAD
( )
posibles casos de Total
A evento al favorables Casos
A P
. . .
. . . .
(
Propiedades. 1). 0 s P (A) s 1 2) P(S) = 1
TEOREMA 1. Si C es el conjunto vaco entonces P(C) = 0
TEOREMA 2. Si A es el suceso complementario de A entonces P(A)=1- P(A)
TEOREMA 3. Si A y B son dos sucesos cualesquiera entonces:
P(AUB) = P(A) + P(B) - P(A B)
PROBABILIDAD CONDICIONAL
) (
) (
) / (
A P
B A P
A B P

=

PROBABILIDAD TOTAL
) ( ) / ( .. )
3
( )
3
/ ( )
2
( )
2
/ ( )
1
( )
1
/ ( ) (
K
B P
K
B A P B P B A P B P B A P B P B A P A P + + + + =
TEOREMA DE BAYES

) ( ) / ( .. )
3
( )
3
/ ( )
2
( )
2
/ ( )
1
( )
1
/ (
) ( ) / (
) / (
K
B P
K
B A P B P B A P B P B A P B P B A P
i i
i
B P B A P
A B P
+ + + +
=

Esperanza Matemtica o valor esperado E [ X ]= E X
i
P ( x
i
)

Varianza | | | | | |
2 2 2
X E X E = o

BINOMIAL
x n x
Q P
x)! (n x!
n!
) (

= = x X P DONDE
x)! (n x!
n!

=
x n
C
E [X] = nP o = nPQ

DISTRIBUCION GEOMETRICA :
1
) (

= =
x
PQ x X P
| |
P
X E
1
=
2
2
1
P
P
= o
POISSON e
--

X
P ( X= x) = ________ E [ X ] = o =
X !

La distribucin Exponencial : Manejo de tabla . E [ X ] = 1/ o =1/
2


La distribucin Normal estndar
o
- X
Z =

86