Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Antologia
Antologia
AMRICASLICENCIATURA EN NEGOCIOS
Cuatrimestre
INTERNACIONALES
ESTADSTICA Y
PROBABILIDAD
ESTADSTICA Y PROBABILIDAD
ANTOLOGA
Esta reproduccin se realiza para uso interno exclusivo como un apoyo a los profesores y alumnos del Centro de Estudios Avanzados
de las Amricas y no persigue fines de lucro, la compilacin est hecha por personal de la institucin y supervisada por el
representante legal de la misma en estricto apego a la Ley Federal de derechos de autor; por ello, y en apego al ttulo 5, captulo
3, artculos 123, 124, 125, 126, 127 y 128 a la pgina ltima en esta compilacin se menciona para dar crdito al autor original de
la obra as como a la casa editorial que la ha publicado, en concordancia con esta idea se sugiere de manera amplia al lector de esta
antologa y si as lo considera conveniente adquiera la obra original pues esta reproduccin solo tiene un fragmento de la misma
Tabla de contenido
UNIDAD 1
UNIDAD 6
DISTRIBUCIONES DE PROBABILIDAD
Clasificacin de Estadstica
Discreta
UNIDAD 7
DISTRIBUCIONES DE PROBABILIDAD
Discreta
UNIDAD 2
55
63
ESTADSTICA DESCRIPTIVA
Distribucin de Frecuencias
U N I DAD
UNIDAD 8
DISTRIBUCIN NORMAL.
Continua
71
26
UNIDAD 9
UNIDAD 4
MEDIDAS DE DISPERSIN
Muestreo
Estadstica Descriptiva
78
35
UNIDAD 10
UNIDAD 5
PRINCIPIOS DE PROBABILIDAD
Intervalos de confianza
Probabilidad
93
42
BIBLIOGRAFA
101
UNIDAD
1. NOCIONES FUNDAMENTALES
DE ESTADSTICA
Estadstica descriptiva e
inferencial
Concepto de variable
Aplicaciones de la estadstica
ESTADSTICA
Introduccin
APLICACIONES
En la actualidad, Mxico se encuentra en un proceso de apertura e
internacionalizacin, por tal motivo es de suma importancia estar
inmerso a travs de diferentes tratados comerciales con diferentes
pases, creando con esto nuevas oportunidades de negocios. La
Estadstica es una rama de la ciencia en pleno desarrollo y cuya
aplicacin en todos los mbitos de la sociedad ampla las posibilidades
de integracin en el mundo laboral. La Estadstica en los negocios ha
tenido crecientes, continuas e innovadoras aplicaciones de sus mtodos
en esta rea y una constante investigacin en Estadstica se lleva a cabo
a partir de problemas que surgen en diversas reas de los Negocios
como Investigacin de Mercados, Finanzas, Administracin de Riesgos,
entre otras.
En los negocios y la industria la Estadstica esta presente, por ejemplo,
en la fabricacin de productos ayudando a incrementar la satisfaccin de
los clientes aplicando tcnicas de control de calidad y mejorando los
procesos de produccin, de bienes y servicios o el sustento de toma de
decisiones en las empresas de los ms diversos giros. En el rea de
Mercadotecnia permite el diseo de experimentos para determinar la
viabilidad de los productos en el mercado, y predice la respuesta de los
consumidores ante su venta. En el rea de Economa, se ha logrado el
desarrollo de indicadores e ndices economtricos. Estudios de
comportamiento de mercado, de la bolsa y anlisis de inversiones.
Empleo de estadstica actuarial de riesgos y seguros. En consultora
trabajando en proyectos con las ms importantes empresas del pas en
diferentes reas. En Ingeniera utilizando tcnicas de optimizacin que
minimicen costos de produccin y maximicen la eficiencia, detectando
posibles problemas de fabricacin.
UNIDAD
2.
ESTADSTICA DESCRIPTIVA
Distribucin de frecuencias
Representaciones grficas
DESCRIPCIN DE
LOS DATOS
La informacin obtenida debe presentarse en forma organizada. Cmo?
Se puede utilizar una distribucin de frecuencias (o tambin llamada
tabla de frecuencias), en donde se asocia a cada dato o subgrupo de
datos (llamado intervalo de clase o clase) una frecuencia (nmero de
observaciones que corresponden a cada dato o a cada grupo de datos).
La presentacin de los datos puede hacerse en forma ordenada, si son
datos:
Cualitativos
Cuantitativos
- Forma
mayor).
- Orden alfabtico
- Escribir, primero el que
ms se repite, luego el que
sigue y as sucesivamente.
creciente
(menor
al
EJEMPLO:
A) Se pregunt a un grupo de alumnos de Ingeniera Industrial su
materia preferida.
Distribucin de frecuencia
Respuestas obtenidas
datos
frecuencia
Administracin
Ingeniera Econmica
Ingeniera Industrial
Investigacin
operaciones.
11
de
Matemticas
12
Probabilidad y Estadstica
10
Total
50
N=
Distribucin de frecuencia
Respuestas obtenidas
datos
152
163
154
170
164
154
166
151
163
162
168
168
172
170
160
152
161
158
165
165
151
161
157
154
160
155
158
158
170
169
168
155
155
156
162
162
166
168
160
156
157
158
160
161
162
163
164
165
166
168
169
170
172
Tot N = 35
Grupos
(clases)
Frecuencia
151-155
156-160
161-165
166-170
11
171-175
N=
35
10
A los lmites extremos de cada clase se les llama lmite Inferior y lmite
superior de clase respectivamente. En la clase 151, ese es el lmite
inferior y 155 es el lmite superior.
Marca de clase es el punto medio de cada clase y se obtiene sumando
los lmites de clase y dividindolos entre dos.
El tamao o anchura de clase es la diferencia entre los lmites de clase.
Por ejemplo:
En la distribucin de frecuencias anterior se tiene:
Clases
LI LS
Marcas de
Clase X
151-155
153
156-160
158
161-165
163
166-170
11
168
171-175
173
Tamao
de Clase
c=4
N=35
Pero, cmo se calcula el tamao de clase? Cmo saber cuntas clases
se deben manejar?
Para determinar el nmero de clases ptimo, existe una regla que
sugiere utilizar como el nmero de clases el menor nmero (k) tal que k 2
sea mayor que el nmero de observaciones.
En el ejemplo anterior hay 35 observaciones (N=35).
Dos elevado a la quinta potencia es 32.
Entonces debemos tener al menos 5 clases. Eventualmente utilizaramos
6.
Para determinar el tamao, intervalo o amplitud de clase, que
generalmente debe ser el mismo, y deben cubrir al valor menor y al
mayor, se recomienda el uso la siguiente expresin:
11
H L
k
172 151
4.2
5
Clases
frecuenc
ia
Frecuenci
a
acumulad
a
151-155
12
Frecuencia
relativa (%)
Frecuencia
relativa
acumulada
(%)
(6/35)100=
(6/35)100=
17.1
17.1
156-160
14
(8/35)100=
22.9
(14/35)100=
40
161-165
23
(9/35)100=
25.7
(23/35)100=
65.7
166-170
11
34
(11/35)100=
31.4
(34/35)100=
97.1
171-175
35
(1/35)100= 2.9
(35/35)100=
100
Frecuencia
13
14
10
Total
40
DIAGRAMA DE BARRAS
Se utilizan rectngulos separados, que tienen como base a cada uno de
los datos y como altura la frecuencia de ese dato.
Ejemplo: En la siguiente tabla se muestra el total de vacunas aplicadas
durante el verano de l991 en un estado de la Repblica Mexicana.
Datos
(vacunas)
BCG
frecuencia
(en miles)
Frecuencia
relativa
(%)
(redondeado)
47
17
111
41
DPT
73
27
SARAMPION
41
15
272
100
SABIN
TOTAL
15
HISTOGRAMA.
Se utiliza para datos cuantitativos representados en distribuciones de
frecuencia. La grfica son rectngulos verticales unidos entre s, en
16
donde sus lados son los lmites reales inferior y superior de clase y cuya
altura es igual ala frecuencia de clase.
Con la distribucin de frecuencia anterior se tiene:
POLGONO DE FRECUENCIAS:
Consiste en una serie de segmentos que unen los puntos cuyas abscisas
(valores de x) son los valores centrales de cada clase y cuyas ordenadas
(valores de y) son proporcionales a sus frecuencias respectivas.
17
GRFICA CIRCULAR:
Se forma al dividir un crculo en sectores circulares de manera que:
a)
Cada sector circular equivale al porcentaje
correspondiente al dato o grupo que representa.
b)
La unin de los sectores circulares forma el crculo y la
suma de sus porcentajes es 100.
Datos
(vacunas)
BCG
Frecuencia
en miles
Frecuencia
relativa(%)
Grados
(redondeados
)
47
17
.17 x 360 = 61
111
41
.41 x
148
DPT
73
27
.27 x 360 = 97
SARAMPION
41
15
SABIN
18
360
TOTAL
272
100
360
PICTOGRAMA:
Se utiliza un dibujo relacionado con el tema, para representar cierta
cantidad de frecuencias.
Este tipo de grfica atrae la atencin por los dibujos, pero la desventaja
es que se lee en forma aproximada.
Ejemplo:
En una biblioteca de una escuela se tienen los siguientes libros:
Libros
frecuencia
Biologa
25
Matemticas
30
Fsica
43
19
Qumica
20
Filosofa
10
Total
128
20
UNIDAD
3. Medidas de tendencia
central
Media
Mediana
Moda
21
22
Pelculas
cartelera
en
Frecuencia (f)
(f)(X)
13
46
10
79
24
10 12
11
11
13 15
14
42
Total
fX 89
X
8.9
n
10
f x= 89
10
23
x n x n+2
,
2 2
x n +1
2
ser el valor de
la mediana ser la
Veamos un ejemplo.
N par
N Impar
1,4,6,7,8,9,12,16,20,
N=13
x n +1 14
= =7
2
2
Trminos Centrales el 6 y 7= 9 y 12
Me =
9+12
=10.5
2
24,25,27,30
Me=12
24
Intervalo de clase
Frecuencia
Frecuencia acumulada
45 hasta 55
55 hasta 65
10
16
65 hasta 75
19
35 >25
75 hasta 85
11
46
85 hasta 95
50
N=50
25
26
(c )
Intervalo de clase
Frecuencia
Frecuencia acumulada
45 hasta 55
55 hasta 65
10
16
65 hasta 75
19
35
75 hasta 85
11
46
85 hasta 95
50
N=50
Lclase modal=65
f clase modal=19
f intervalo superior ala clase modal =10
f intervalo inferior a la clase modal=11
c = 75 65 = 10
Mo=65+
1910
( 10 )=70.29
( 1910 ) (1911)
27
UNIDAD
4. Principales medidas de
dispersin
Rango
Desviacin media
Varianza
Desviacin estndar
MEDIDAS DE DISPERSIN
Hasta el momento hemos estudiado los valores centrales de la
distribucin, pero tambin es importante conocer si los valores en
general estn cerca o alejados de estos valores centrales, es por lo que
surge la necesidad de estudiar medidas de dispersin.
28
RANGO
Se define como la diferencia existente entre el valor mayor y el menor
de la distribucin. Lo notaremos como R. Realmente no es una medida
muy significativa en la mayora de los casos, pero indudablemente es
muy fcil de calcular. Rango.- Dato mayor menos dato menor.
DESVIACIN
Desviacin: Es la diferencia que se observa entre el valor de la variable y
la media aritmtica. La denotaremos por di .
No es una medida, son muchas medidas, pues cada valor de la variable
lleva asociada su correspondiente desviacin, por lo que precisaremos
una medida que resuma dicha informacin.
La primera solucin puede ser calcular la media de todas las
desviaciones, es decir, si consideramos como muestra la de todas las
desviaciones y calculamos su media. Pero esta solucin no es la
adecuada ya que siempre el resultado da cero, pues las desviaciones
positivas se contrarrestan con las negativas.
29
X 510
102
n
5
MD
X X
n
1 5 1 4 5
2.4
5
VARIANZA
Es la media de los cuadrados de las desviaciones, y la denotaremos por
o tambin por
X 96
24
n 4
( X ) 2 2 24 2 ... 42 24 2
N
4
944
236
4
30
DESVIACIN TPICA
Es la raz cuadrada de la varianza, se denota por Sx o
x.
2 236 15 .36
La frmula para la varianza muestral para datos agrupados es:
(fX ) 2
2
fX
n 1
Frecuenc
ia
Frecuenc Marca f x
ia
de clase
acumula (x)
da
( fx )
n
13
1(2)2=4
(1x2)=2
46
2(5)2=50
(2x5)=10
79
3(8)2=192
(3x8)=24
10 12
11
1(11)2=121
(1x11)=11
31
13 15
s2
fX
Total
3
2
10
10
(fX )
n
n 1
14
3(14)2=588
(3x14)=42
955
(89)2/10=792.1
955 792 .1
18 .1
10 1
Varianza:
Desviacin estndar:
s= 18.1=4.25
INTERPRETACIN Y USOS DE LA DESVIACIN ESTNDAR
Regla emprica: Se aplica solamente en una distribucin de frecuencias
simtrica, con forma de campana:
Aproximadamente 68% de las observaciones estarn entre ms
una y menos una s desde la media;
Aproximadamente 95% de las observaciones se encontrarn entre
ms dos y menos dos s desde la media;
Prcticamente todas las observaciones se hallarn entre ms tres
y menos tres s a partir del valor medio.
COEFICIENTE DE VARIACIN
Es un estadstico de dispersin que tiene la ventaja de que no lleva
asociada ninguna unidad, por lo que nos permitir decir entre dos
muestras, cual es la que presenta mayor dispersin. La denotaremos por
C.V.
Ejemplo:
Un estudio sobre los bonos pagados y los aos de servicio de varios
empleados se muestra en la siguiente tabla:
Bonos pagados
32
Aos de servicio
Media
$200.00
20 aos
Desviacin estndar
$40.00
2 aos
Coeficiente de variacin
CV
40
(100 ) 20 %
200
CV
2
(100 ) 10 %
20
UNIDAD
PRINCIPIOS DE
PROBABILIDAD
Introduccin
Probabilidad clsica de frecuencia
relativa y subjetiva
Reglas para el clculo de
probabilidades
5.
33
PROBABILIDAD
Introduccin
Muchos de los eventos que ocurren en la vida diaria no pueden ser
predichos con exactitud desde antes por diversas razones, pues la
mayora de los hechos estn influidos por factores externos. Adems,
existen aquellos sucesos que estn directamente influidos por el azar, es
decir, por procesos en los que no se est seguro de lo que va a ocurrir.
Sin embargo, la probabilidad nos permite acercarnos a esos sucesos y
estudiarlos, ponderando las posibilidades de su ocurrencia y
proporcionando mtodos para tales ponderaciones.
Precisamente, algunos de esos mtodos proporcionados por la
probabilidad nos llevan a descubrir que algunos sucesos tienen una
mayor o menor probabilidad de ocurrir que la ponderacin asignada a
travs del sentido comn. Nuestros sentidos, la informacin previa que
poseemos, nuestras creencias o posturas, nuestras inclinaciones, son
algunos de los factores que intervienen para no permitirnos hacer
ponderaciones reales y sistemticas. La probabilidad nos permitir
estudiar los eventos de una manera sistemtica y ms cercana a la
realidad, retribuyndonos con informacin ms precisa y confiable y, por
tanto, ms til para las disciplinas humanas.
EVENTOS
Cuando se realiza un experimento, que es cualquier proceso que
produce un resultado o una observacin, se van a obtener un conjunto
de valores. A este conjunto de valores que puede tomar una variable se
le denomina espacio muestral.
Por ejemplo: Si se tiene un dado cualquiera, el espacio muestral (EM) es
EM = {1,2,3,4,5,6}.
Si existen ms de una variable, el espacio muestral est formado por las
combinaciones de valores de cada una de las variables.
Si tomamos un subconjunto cualquiera del espacio muestral tenemos lo
que se denomina un evento, y si ste consta de un solo elemento
entonces es un evento elemental.
34
35
EXCLUYENTES
EVENTOS
NO
36
EVENTO
Peso ms bajo
Nmero de
paquetes
100
Peso correcto
3600
Peso ms alto
300
4000
Probabilidad
de ocurrencia
100/4000=0.02
5
3600/4000=0.9
0
300/4000=0.07
5
1.00
CARTA
Rey
Corazn
Rey
corazones
PROBABILIDA
EXPLICACIN
D
DE
OCURRENCIA
P(A)=4/52
Hay 4 reyes en una baraja de 52 cartas
P(B)=13/52
Hay 13 corazones en una baraja de 52
cartas
de P(A y B)=1/52
Hay 1 rey de corazones en una baraja
de 52 cartas
37
4 13 1 16
+ = =0.3077
52 52 52 52
Reyes
Ambos
EVENTOS INDEPENDIENTES
Dos o ms eventos son independientes cuando la ocurrencia o noocurrencia de un evento no tiene efecto sobre la probabilidad de
ocurrencia del otro evento (o eventos). Un caso tpico de eventos
independiente es el muestreo con reposicin, es decir, una vez tomada
la muestra se regresa de nuevo a la poblacin donde se obtuvo.
Ejemplo:
Lanzar al aire dos veces una moneda son eventos independientes por
que el resultado del primer evento no afecta sobre las probabilidades
efectivas de que ocurra cara o sello, en el segundo lanzamiento.
EVENTOS DEPENDIENTES
Dos o ms eventos sern dependientes cuando la ocurrencia o noocurrencia de uno de ellos afecta la probabilidad de ocurrencia del otro
(u otros). Cuando tenemos este caso, empleamos entonces, el concepto
de probabilidad condicional para denominar la probabilidad del evento
relacionado. La expresin P(A|B) indica la probabilidad de ocurrencia del
evento A s el evento B ya ocurri.
Se debe tener claro que A|B no es una fraccin.
P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A)
Ejemplo:
Un estudio de la lealtad hacia una compaa de sus ejecutivos. La
pregunta que se les hizo fue, si otra compaa le ofreciera un puesto
igual ligeramente mejor al que tiene ahora, se quedara en la
compaa? Las repuestas de 200 ejecutivos se clasificaron de acuerdo
con su tiempo de servicio en la compaa. Cul es la probabilidad de
seleccionar un ejecutivo de la compaa que sea leal y que tenga ms
de 10 aos de servicio?
TIEMPO DE SERVICIO
LEALTAD
Menos de un 1-5
6-10
Ms de 10 Tot
ao
aos
aos
aos
al
38
Se
quedara
No
se
quedara
10
30
75
120
25
15
10
30
80
200
( )( ) (
REGLAS DE MULTIPLICACIN
Se relacionan con la determinacin de la ocurrencia conjunta de dos o
ms eventos. Es decir la interseccin entre los conjuntos de los posibles
valores de A y los valores de B, esto quiere decir la probabilidad de que
ocurran conjuntamente los eventos A y B es:
P(A y B) = P(A B) = P(A) P(B) si A y B son independientes
P(A y B) = P(A B) = P(A) P(B|A) si A y B son dependientes
Ejemplos:
1. Eventos independientes: Se lanzaron dos monedas. Cul es la
probabilidad de que las dos monedas caigan en sol?
P(A y B) = P(A B) = P(A) P(B)= (1/2)(1/2)=0.25
2. Eventos dependientes: Suponga que hay diez rollos de pelcula en una
caja, se sabe que tres estn defectuosos. Se toman dos rollos de la caja,
uno despus del otro. Cul es la probabilidad de que ambos sean
defectuosos?
P(A y B) = P(A B) = P(A) P(B|A)=(3/10)(2/9)=0.07
TEOREMA DE BAYES
El Teorema de BAYES se apoya en el proceso inverso al que hemos visto
en el Teorema de la Probabilidad Total:
Teorema de la probabilidad total: a partir de las probabilidades del
suceso A (probabilidad de que llueva o de que haga buen tiempo)
deducimos la probabilidad del suceso B (que ocurra un accidente).
Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido
un accidente) deducimos las probabilidades del suceso A (estaba
lloviendo o haca buen tiempo?).
La frmula del Teorema de Bayes es:
P(A B)=
P ( A1 ) P(BI A 1)
P ( A1 ) P ( BI A 1 ) +P ( A 2 ) P (BI A 2)
39
40
ROBOT
DEFECTUOSOS
A
B
C
0.03
0.04
0.05
ART. PROCESADOS
45%
30%
25%
0.097
0.04
N
D
0.30 B
0.25
0.96
0.05
0.95
N
D
N
AXIOMAS DE LA PROBABILIDAD
Recordemos primero que las frecuencias relativas de una distribucin
tenan las siguientes propiedades:
Las frecuencias relativas son mayores o iguales que cero.
La frecuencia relativa del espacio muestral es igual a la unidad.
41
6. DISTRIBUCIONES DE
PROBABILIDAD: DISCRETAS
UNIDAD
42
Concepto de distribucin de
probabilidad para variables
discretas
Media, varianza y desviacin
estndar de una distribucin de
probabilidad
Anlisis combinatorio
DISTRIBUCIONES DE
PROBABILIDAD
VARIABLES ALEATORIAS
Se denominan variables porque cambian de valor y aleatorias porque su
valor depende del azar, es impredecible. Las variables aleatorias pueden
ser discretas y continuas.
Variable discreta: Es aquella que slo puede tomar valores enteros.
Variable continua: Es aquella que puede tomar cualquier valor en algn
intervalo.
Cuando una de estas variables aleatorias toma diversos valores, la
probabilidad asociada a cada uno de tales valores puede ser organizada
como una distribucin de probabilidad.
Las distribuciones de probabilidad pueden representarse a travs de una
tabla, una grfica o una frmula, en donde a la regla de correspondencia
se le denomina funcin de probabilidad.
Consideraremos las distribuciones de probabilidad para variables
discretas.
Por ejemplo: Consideremos a la variable aleatoria X como la cantidad de
guilas observadas cuando se lanzan dos volados. El espacio muestral
43
es el conjunto {AA, AS, SA, SS} y se puede ver que la variable X puede
tomar como valores 0, 1 y 2.
Calculando las probabilidades tenemos:
P (de no observar guilas) = P (SS) = P(X=0) =
P (de observar una guila) = P (SA AS) = P (X=1) = 2/4
P (de observar dos guilas) = P (AA) = P(X=2) =
Si ahora se organizan estos resultados con el siguiente formato
X
0
1
2
P (X=x)
P (X=x)
45
DISTRIBUCIONES
CONTINUAS
DE
PROBABILIDAD
PARA
VARIABLES
46
47
Pnr = nPr =
Por ejemplo: Sea el mismo conjunto A = {a, b, c, d}, cuntas
ordenaciones sin repeticin se pueden obtener?
Lo que resulta es: ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc. Son 12 en
total.
COMBINACIONES
Es una seleccin de r objetos de n dados sin atender a la ordenacin de
los mismos. Es decir, es la obtencin de subcojuntos, de r elementos
cada uno, a partir de un conjunto inicial de n elementos. La denotaremos
con C n r, n C r
.
Por ejemplo: Si tomamos el mismo conjunto A = {a, b, c, d}, cuntos
subconjuntos de 2 elementos cada uno se pueden obtener?
Hacindolos se obtienen: {a,b}, {a,c}, {a,d}, {b,c}, {b,d}, {c,d}. Son
seis los subconjuntos.
En general, si de n objetos dados se hacen combinaciones de r objetos
cada una, el nmero de combinaciones obtenidas son:
C nr = nC r =
o, que es lo mismo,
C nr = nC r =
En donde n =(n-1)(n-2)8n-3) 1
Ejemplo:
Calcular 5 =(5)(4)(3)(2)(1)=120
UNIDAD
48
7. DISTRIBUCIONES DE
PROBABILIDAD
Distribucin Binomial
Distribucin de Poisson
0.4
0.3
0.2
0.1
0
Generalizaciones:
Cuando p es pequea (0,1), la distribucin binomial est sesgada
hacia la derecha.
Cuando p aumenta (0,3 por ejemplo), el sesgo es menos notable.
50
= n
2
Varianza: = n
Valor esperado o media:
CUMPLIMIENTO
BERNOULLI.
DE
LAS
CONDICIONES
DEL
PROCESO
DE
51
P (0) (0.3)0
0.7408
x e
=
x!
En el 74% de los vuelos no habr maletas perdidas.
52
53
Para calcular probabilidades acumuladas, del tipo P(X > x), P(X <
x) o P(x < X < x), tambin existen valores tabulados en textos
especializados.
En el caso de variables aleatorias discretas, es importante
diferenciar si la probabilidad deseada incluye o no el valor
particular de la variable. Es decir, que P(X > x) no es lo mismo que
P(X > x) y P (X < x) es distinto de P(X < x).
8. DISTRIBUCIN NORMAL
54
DISTRIBUCIN
NORMAL
DE
LA
DISTRIBUCIN
55
NORMAL
DE
56
El rea total bajo la curva normal ser de 1.00 por lo cual podemos
considerar que las reas bajo la curva son probabilidades.
DEFECTOS DE LA DISTRIBUCIN NORMAL DE PROBABILIDAD.
57
Ejemplo:
Los ingresos semanales de los gerentes medios tienen una distribucin
aproximadamente normal con una media de 1000 dlares y una
desviacin estndar de 100 dlares Cul es el valor z para un ingreso x
de 1100 dlares?Para uno de 900 dlares?
11001000
z=
=1
100
9001000
z=
=-1
100
El valor de 1 indica que un ingreso semanal de $1100.00 para un
gerente medio est una desviacin estndar arriba de la media. El valor
de -1 indica que un ingreso semanal de $900.00 para un gerente medio
est una desviacin estndar abajo de la media.
LA DISTRIBUCIN NORMAL COMO UNA APROXIMACIN DE LA
DISTRIBUCIN BINOMIAL.
Aunque la distribucin normal es continua, resulta interesante hacer
notar que algunas veces puede utilizarse para aproximar a
distribuciones discretas.
58
UNIDAD
59
TEORA BSICA
DEL MUESTREO
60
61
Una muestra debe ser representativa si va a ser usada para estimar las
caractersticas de la poblacin. Los mtodos para seleccionar una
muestra representativa son numerosos, dependiendo del tiempo, dinero
y habilidad disponibles para tomar una muestra y la naturaleza de los
elementos individuales de la poblacin. Los mtodos de seleccin de
muestras pueden ser clasificados de acuerdo a:
El nmero de muestras tomadas de una poblacin dada para un
estudio y
La manera usada en seleccionar los elementos incluidos en la muestra.
Los mtodos de muestreo basados en los dos tipos de clasificaciones son
expuestos en seguida.
MTODOS DE MUESTREO CLASIFICADOS DE ACUERDO CON EL
NMERO DE MUESTRAS TOMADAS DE UNA POBLACIN.
Bajo esta clasificacin, hay tres tipos comunes de mtodos de muestreo.
Estos son, muestreo simple, doble y mltiple.
Muestreo simple
Este tipo de muestreo toma solamente una muestra de una poblacin
dada para el propsito de inferencia estadstica. Puesto que solamente
una muestra es tomada, el tamao de muestra debe ser lo
suficientemente grande para extraer una conclusin. Una muestra
grande muchas veces cuesta demasiado dinero y tiempo.
Muestreo doble
Bajo este tipo de muestreo, cuando el resultado del estudio de la
primera muestra no es decisivo, una segunda muestra es extrada de la
misma poblacin. Las dos muestras son combinadas para analizar los
resultados. Este mtodo permite a una persona principiar con una
muestra relativamente pequea para ahorrar costos y tiempo. Si la
primera muestra arroja un resultado definitivo, la segunda muestra
puede no necesitarse.
Por ejemplo, al probar la calidad de un lote de productos
manufacturados, si la primera muestra arroja una calidad muy alta, el
lote es aceptado; si arroja una calidad muy pobre, el lote es rechazado.
Solamente si la primera muestra arroja una calidad intermedia, ser
necesaria la segunda muestra. Un plan tpico de muestreo doble puede
ser obtenido de la Military Standard Sampling Procedures and Tables for
Inspection by Attributes, publicada por el Departamento de Defensa y
tambin usado por muchas industrias privadas. Al probar la calidad de
un lote consistente de 3,000 unidades manufacturadas, cuando el
nmero de defectos encontrados en la primera muestra de 80 unidades
62
63
64
cualquiera es
65
66
es decir,
de
la
variable
aleatoria
son
67
MTODO DE MONTECARLO
El mtodo de Montecarlo es una tcnica para obtener muestras
aleatorias simples de una variable aleatoria X, de la que conocemos su
ley de probabilidad (a partir de su funcin de distribucin F). Con este
mtodo, el modo de elegir aleatoriamente un valor de X es siguiendo su
ley de probabilidad:
1. Usando una tabla de nmeros aleatorios se toma un valor u de una
variable aleatoria
.
2. Si X es continua, tomar como observacin de X, la cantidad x=F-1(u).
En el caso en que X sea discreta se toma x como el percentil
de X,
es decir el valor ms pequeo que verifica que
.
68
Nmeros aleatorios
Muestra
Muestra
xi = F-1(ui)
ti
76.293
0'76
0'71
31.776
0'32(=1-0'68)
-0'47
50.803
0'51
0'03
71.153
0'71
0'55
20.271
0'20(=1-0'80)
-0'84
33.717
0'34(=1-0'66)
-0'41
17.979
0'18(=1-0'82)
-0'92
52.125
0'52
0'05
41.330
0'41(=1-0'59)
-0'23
69
usando
95.141
0'95
1'65
70
UNIDAD
10
10. ESTIMACIN E INTERVALOS
DE CONFIANZA
Caractersticas
Determinacin del intervalo de
confianza para la media, el total
y la proporcin
Muestras grandes.
Distribucin normal
Muestras pequeas
ESTIMACIN E
INTERVALOS DE
CONFIANZA
71
INTERVALO DE CONFIANZA.
El tema a desarrollar es intervalo de Confianza y haciendo referencia a
Richard I. Levin & David S. Rubin, en su libro de Estadstica para
Administradores, establecen el concepto de Intervalo de Confianza de
la siguiente forma:
Intervalo de valores que tiene designada una probabilidad que incluya el
valor real del parmetro de poblacin.
Para entender mas claramente este concepto, es necesario comentar de
inicio otros que al estar relacionados con el, facilitan su comprensin.
Algunos de estos conceptos a revisar son:
Estimacin.
Estimacin Puntual.
Estimacin de intervalo.
Nivel de confianza.
Limites de confianza
ESTIMACIN
Aprecio y valor que se da y en que se tasa y considera algo. || 2. Der. La
que se realiza en ciertos tributos para determinar el valor de la base
imponible.
Este es el concepto que podemos encontrar en un diccionario. Pero es
adems un concepto que en nuestra vida diaria aplicamos de forma
recurrente.
Todo el mundo hace estimaciones. Para cruzar una calle, y vemos venir
un auto, estimamos la velocidad de este y la distancia que hay entre
nosotros y el automvil a fin de decidir si esperamos a cruzar o
echaremos a correr para cruzar la calle.
Implcito esta en este ejemplo una de la razones para hacer
estimaciones como administradores, jefes o lideres de equipo: Tomar
decisiones en base a un clculo, una estimacin.
Los administradores deben hacer estimaciones rpidas, el resultado de
estas incide en la organizacin por medio de la decisin tomada a partir
de la estimacin. Se hacen estimaciones en:
72
X = x
Donde: x, es la sumatoria de todos los elementos de la muestra.
n
Y n, es el numero de elementos.
Observemos el ejemplo de una compaa de suministros clnicos que
produce jeringas hipodrmicas desechables. Cada jeringa viene en una
envoltura estril que a su vez viene empacada en grandes cajas de
cartn corrugado. Debido a la forma en que empacan las jeringas en las
cajas de cartn, estn manejan una cantidad de contenido diferente,
debido a que las jeringas se venden por pieza, la compaa necesita una
estimacin del nmero de pieza que hay por caja, para propsitos de
facturacin.
Se tomo la muestra aleatoria de 35 cajas, y se registro el nmero de
jeringas contenido en dicha muestra:
101
103
112
102
98
97
93
105
100
97
107
93
94
97
97
100
110
106
110
103
99
93
98
106
100
112
105
100
114
97
110
102
98
112
99
74
x=
n
Donde es la desviacin estndar y n el nmero de observaciones.
Supongamos que previamente se hizo el clculo de la desviacin
estndar de las 200 bateras, y se ha determinado que es de 10 meses.
Utilizando dicho dato y la formula que indicamos en el recuadro anterior.
Resultara as: =0.707 meses
Ahora se puede concluir que la estimacin de la vida til de un las
bateras de la compaa es de 36 meses, y el error estndar que
acompaa a dicha estimacin es .707. En otras palabras, la vida til real
para todas las bateras puede estar en alguna parte de esta estimacin
de intervalo comprendida entre 35.293 y 36.707 meses.
75
Respuesta del
Nivel de
Cliente
Empleado.
Confianza
ello.
Estoy casi seguro
lavadora dentro de
de que llegara en
un mes?
Me entregaran la
un mes.
lavadora en una
semana?
99%
Al menos
95%
Estoy bastante
Alrededor
seguro.
de 80%
76
Intervalo de
Confianza
Implicado
Un ao.
Un mes
Una semana
40%
Cerca de
lograrlo.
1%
Un da
Una hora.
Intervalo
Mayor a 99%
Un ao.
Al menos
95%
Un mes
BIBLIOGRAFA
-
77
Lind, Douglas A.
Estadstica aplicada a los negocios
y la
economa. Mxico, Mc. Graw Gill, 2005
Lind, Marchal, Mason. Estadstica para administracin y economa.
Mxico, Alfa omega, 2006
Newbold, P. Estadstica para los negocios y la Economa. Mxico,
Pearson, 2005
Rodas, Olger. Teora bsica del Muestreo. Mxico, 2003.
Stevenson, J. William Estadstica para administracin y economa.
Mxico, Alfa omega, 2006
Universidad de Mlaga. Muestreo Aleatorio. Mxico, 2002.
Vega Trujillo, Mara del Pilar. Distribucin de Frecuencias. Mxico,
2005.
Zadu, Ins. Distribuciones de Probabilidad. Mxico, 2004.
78