P. 1
a Para Proyectos de Inversion Social

a Para Proyectos de Inversion Social

|Views: 205|Likes:
Publicado porseralvaga
Este documentos presenta los elementos estadisticos necesarios para la identificacion, formulacion y evaluacion de proyectos de inversion social, asi como las jherramientas estadisticas de excel que permiten realizar los calculos sin muchas complicaciones . Los conocimientos estadisticos y demas aspectos teoricos y practicos , permite a aquellas personas relacionadas con el area de proyectos en tiodo su ciclo disponer de un instrumento efectivo y eficaz para la toma de decisiones para la inversion social.
Este documentos presenta los elementos estadisticos necesarios para la identificacion, formulacion y evaluacion de proyectos de inversion social, asi como las jherramientas estadisticas de excel que permiten realizar los calculos sin muchas complicaciones . Los conocimientos estadisticos y demas aspectos teoricos y practicos , permite a aquellas personas relacionadas con el area de proyectos en tiodo su ciclo disponer de un instrumento efectivo y eficaz para la toma de decisiones para la inversion social.

More info:

Published by: seralvaga on May 19, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

09/17/2014

pdf

text

original

Estadísticas para proyectos I.

-METODOS ESTADISTICOS PARA LA RECOPILACION, ORGANIZACIÓN, PROCESAMIENTO Y ANALISIS DE DATOS E INFORMACION PARA PROYECTOS DE INVERSION.-

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 1

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 2

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 3

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 4

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 5

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 6

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 7

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 8

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 9

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 10

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 11

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 12

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 13

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 14

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 15

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 16

Estadísticas para proyectos II.- TEORIA , CALCULO Y DISTRIBUCION DE PROBABILIDADES.

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 17

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 18

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 19

Estadísticas para proyectos DISTRIBUCION DE PROBABILIDADES
ESPACIO MUESTRAL. El el conjunto de todos los resultados posibles de un experimento estadístico denotado por “S” o “ ” VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la duración de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante. VARIABLE ALEATORIA: Es una función que asocia un número real a cada elemento del espacio muestral. Es decir son aquellas que pueden diferir de una respuesta a otra. Una variable aleatoria se puede clasificar en: Variable aleatoria discreta. Variable aleatoria continua. Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos cuantitativos discretos y son respuestas numéricas que resultan de un proceso de conteo. Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos valores cualesquiera; ésta puede asumir infinito número de valores y éstos se pueden medir.

DISTRIBUCIONES Una distribución de frecuencias es un listado de las frecuencias observadas de todos los resultados de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento; en cambio, una distribución de probabilidad es un listado de las probabilidades de todos los resultados posibles que podrían presentarse si se efectuara el experimento. Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen lo que se conoce como DISTRIBUCIÓN DE PROBABILIDAD. La diferencia consiste en que la función matemática se transforma en una función probabilística.

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 20

Estadísticas para proyectos

Se pueden clasificar en:

P(x ) Discretas

Distribuciones Continua s

x1 P(x)

x2

xn

x

x1

xn

x

Distribuciones discretas. Son aquellas donde las variables asumen un número limitado de valores, por ejemplo el número de años de estudio. Binomial Hipergeométric a Multinomial Poisson

Discretas

Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier valor dentro de determinados límites; por ejemplo, la estatura de un estudiante. Uniforme

Continuas

Exponencial

Normal

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 21

Estadísticas para proyectos
Las distribuciones de probabilidad pueden ser representadas mediante una modelo matemático, una gráfica o una tabla de valores S E0 E1 ... En X x0 X1 ... xn P(X) p(x0) p(x1) ... p(xn) Dados los eventos E1, E2, ..., En S, se dice que x es una variable aleatoria, si a cada valor de xi que asume cada Ei, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones: a) La probabilidad para todo valor que asuma la variable aleatoria xi, será mayor o igual a cero pero menor que uno. 0 P(xi) 1 xi La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es igual a la unidad.
P ( x i )dx 1

b)

c)

La probabilidad de seleccionar una variable aleatoria para a < x < b esta dada por:
b

P (a

X

b)
a

f ( x )dx

Lo cual equivale a calcular el área bajo la curva P(x)

a

b

x

Las distribuciones de probabilidad de una variable aleatoria están caracterizadas por magnitudes llamadas momentos de la distribución, las mas usuales son: La media aritmética o esperanza matemática
E(X) x p( x ) dx

La desviación estándar
var( X )
2

(x

) 2 p( x ) dx

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 22

Estadísticas para proyectos

DISTRIBUCIÓN NORMAL La función de densidad de la variable aleatoria normal X, con media y varianza
2

, es:

n ( x; , ) x

1 2

e

1 x 2

2

DISTRIBUCIÓN t La distibución t pertenece a la familia Euler de las distribuciones gamma. La función de densidad para cierto grado de libertad ( v ) es: v 1 v 1 t2 2 2 h(t) 1 , t v v v 2 Donde (v) (v - 1)! La distibución T se parece a la Z, ya que ambas son simétricas alrededor de la media cero. Tienen forma de campana, pero la distribución t varia más, debido al hecho de que los valores de T dependen de X y S2.

Cuando el tamaño de n

, entonces T

Z

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 23

Estadísticas para proyectos
DISTRIBUCIÓN Es un caso especial de la gamma, se obtiene haciendo
2

v 2 y 2 La variable continua aleatoria X tiene una distribución 2 , con v grados de libertad, si su función de densidad es:

f (x)

, x 0 v 2 2 0 en cualquier otro caso
v 2

1

v

x2 e

1

x 2

v

0, entero

DISTRIBUCIÓN F Sean U y V dos variables aleatorias independientes que tiene distribución 2 con v1 y v2 grados de libertad, respectivamente. Entonces la distribución de variable aleatoria: U v1 F V v2 está dada por,
v1 v 2 2 h(x) v1 2 v1 v2 v2 2
v1 2 v1 1 v1 v 2

f 1

2

, 0

f

v1 f 1 v2 0, en cualquier otro caso

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 24

Estadísticas para proyectos
DISTRIBUCIÓN NORMAL DE PROBABILIDAD. La función de densidad de probabilidad normal es comúnmente empleada en el análisis estadístico ya que existe una gran cantidad de fenómenos continuos de tipo económico, sociales, de ingeniería, bilógicos, entre otros los cuales son posible expresarlos con ella; siendo la base tanto para la descripción como para la inferencia. La distribución normal de probabilidad es una distribución continua de probabilidades que es simétrica y mesokúrtica. Representada por la siguiente figura. P(x )

x La distribución normal de probabilidad es muy importante por las siguientes razones: 1.2.3.Se sabe que las mediciones que se obtienen en muchos procesos aleatorios tienen esta clase de distribución. Con frecuencia puede utilizarse en probabilidades normales para aproximar otras distribuciones de probabilidad tales como la distribución Binomial y Poisson. Las distribuciones estadísticas como la media muestral y la proporción muestral tienen distribución normal cuando el tamaño de la muestra es grande, sin importar la forma de la distribución de la población de origen.

En el caso de distribuciones continuas de probabilidad sólo es posible determinar el valor de probabilidad para un intervalo de valores. La altura de la función de densidad o curva de probabilidad para una variable con distribución normal está dada por: 2 1 x 1 f(x) = 2 e 2 donde: π = 3.1416 e = 2.7183 μ = Media de la distribución σ = Desviación estándar de la distribución La tabla de probabilidades normales se basan en la distribución específica de la distribución normal estándar, donde μ = 0 y σ = 1 cualquier valor de x de una población con distribución normal se puede convertir a su valor normal estándar equivalente z por la siguiente ecuación. xz =

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 25

Estadísticas para proyectos
CARACTERÍSTICAS DE UNA DISTRIBUCIÓN NORMAL DE PROBABILIDAD. 1.2.3.4.5.6.7.Es unimodal ya que sólo tiene un valor máximo en el que coincide la media, la mediana y la moda. Presenta una forma de campana y es simétrica. La media de una población distribuida normalmente se encuentra en el centro de su curva normal. Los dos extremos de una distribución normal de probabilidad se extienden de manera indefinida y nunca tocan el eje horizontal. Está determinada por medio de dos parámetros: la media y la desviación estándar. El área total bajo la curva se considera igual a la unidad y se usa como masa probabilística. El área comprendida bajo la curva entre dos valores x1 y x2 es igual a la probabilidad de que dicha variable suma cualquier valor dentro de ellos.

El promedio de estudiantes inscritos en jardín de niños es de μ = 500, con una desviación estándar σ = 100. El número de alumnos inscritos tienen una distribución aproximadamente normal. ¿Cuál es la probabilidad de que el número de alumnos inscritos en una escuela elegida al azar sea?: a) entre 500 y 650. b) entre 450 y 600. c) menor de 500. d) menor de 500. e) menor de 300. f) mayor de 650. g) mayor de 400. h) menor de 610.

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 26

Estadísticas para proyectos
SOLUCIÓN: a) P(500 < x < 650) x650 500 z = 1.50 100 de las tablas estandarizadas obtenemos A = 0.4332 = 43.32%

b) P(450 < x < 600) x 450 500 z1 = 1 0.50 100 de las tablas estandarizadas obtenemos A1 = 0.1915 x 600 500 z2 = 2 1.00 100 de las tablas estandarizadas obtenemos A1 = 0.3413 A = A1 + A2 = 0.1915 + 0.3413 = 0.5338 = 53.38%

c) P(x > 500) Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII Página 27

Estadísticas para proyectos
500 500 0.00 100 de la gráfica observamos que: A = 0.5000 = 50% z=

d) P(x < 500) 500 500 z= 0.00 100 de la gráfica observamos que: A = 0.5000 = 50%

e) P(x < 300) 300 500 z1 = 2.00 100 de las tablas estandarizadas obtenemos A1= 0.4772 = 47.72% A = 0.5 - A1 = 0.5 - 0.4772 = 0.0228 = 2.28%

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 28

Estadísticas para proyectos

f) P(x > 650) 650 500 z1 = 1.50 100 de las tablas estandarizadas obtenemos A1 = 0.4332 = 43.32% A = 0.5 - A1 = 0.5 - 0.4332 = 0.0668 = 6.68%

g) P(x > 400) 400 500 z1 = 1.00 100 de las tablas estandarizadas obtenemos A1 = 0.3413 A = A1 + 0.5 = 0.3413 + 0.5 = 0.8413 = 84.13%

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 29

Estadísticas para proyectos

h) P(x < 610)

610 500 1.10 100 de las tablas estandarizadas obtenemos A1 = 0.3665 A = 0.5 + A1 = 0.5 + 0.3665 = 0.8665 = 86.65% z1 =

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 30

Estadísticas para proyectos III.- ELEMENTOS DEL MUESTREO ESTADISTICO EN PROYECTOS DE INVERSION.3.1.- Definición y conceptos previos En la investigación científica es habitual que se empleen muestras como medio de acercarse al conocimiento de la realidad. Sin embargo, para que esto sea posible , para que a través de las muestras sea posible reproducir el universo con la precisión que se requiera en cada caso es necesario que el diseño muestral se atenga a los principios recogidos en las técnicas de muestreo. Antes de pasar describir algunos de los métodos de muestreo más habituales introduzcamos algunos conceptos importantes en este contexto: Población: Es todo conjunto de elementos, finito o infinito, definido por una o más características, de las que gozan todos los elementos que lo componen, y sólo ellos. En muestreo se entiende por población a la totalidad del universo que interesa considerar , y que es necesario que esté bien definido para que se sepa en todo momento que elementos lo componen. No obstante, cuando se realiza un trabajo puntual, conviene distinguir entre población teórica: conjunto de elementos a los cuales se quiere extrapolar los resultados, y población estudiada : conjunto de elementos accesibles en nuestro estudio. Censo: En ocasiones resulta posible estudiar cada uno de los elementos que componen la población, realizándose lo que se denomina un censo, es decir, el estudio de todos los elementos que componen la población. La realización de un censo no siempre es posible, por diferentes motivos: a) economía: el estudio de todos los elementos que componen una población, sobre todo si esta es grande, suele ser un problema costoso en tiempo, dinero, etc; b) que las pruebas a las que hay que someter a los sujetos sean destructivas; c) que la población sea infinita o tan grande que exceda las posibilidades del investigador. Si la numeración de elementos, se realiza sobre la población accesible o estudiada, y no sobre la población teórica, entonces el proceso recibe el nombre de marco o espacio muestral. Muestra: En todas las ocasiones en que no es posible o conveniente realizar un censo, lo que hacemos es trabajar con una muestra, entendiendo por tal una parte representativa de la población. Para que una muestra sea representativa, y por lo tanto útil, debe de reflejar las similitudes y diferencias encontradas en la población, ejemplificar las características de la misma. Cuando decimos que una muestra es representativa indicamos que reúne aproximadamente las características de la población que son importantes para la investigación.

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 31

Estadísticas para proyectos
Ejemplo: El Ministerio de Educación, necesita determinar el el rendimiento académico de los niños cursando actualmente estudios en el nivel de primaria, por problemas económicos solo es posible acceder a los niños de zonas urbanas. a.- ¿A quién deseo generalizar los resultados? : Todos los estudiantes del nivel de primaria. (Población teórica). b.- ¿A quién puedo acceder en el estudio? : Todos los niños estudiando en zonas urbanas (población estudiada). c.- ¿Cómo puedo acceder a ellos? : Numerando los sujetos accesibles (espacio o marco muestral). d.- ¿Quién forma parte del estudio? : Eligiendo un grupo de los sujetos enumerados (muestra). 3.2.- Tipos de muestreo Los autores proponen diferentes criterios de clasificación de los diferentes tipos de muestreo, aunque en general pueden dividirse en dos grandes grupos: métodos de muestreo probabilísticos y métodos de muestreo no probabilísticos. 3.2.1.- Métodos de muestreo probabilísticos Los métodos de muestreo probabilísticos son aquellos que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que todos los individuos tienen la misma probabilidad de ser elegidos para formar parte de una muestra y, consiguientemente, todas las posibles muestras de tamaño n tienen la misma probabilidad de ser elegidas. Sólo estos métodos de muestreo probabilísticos nos aseguran la representatividad de la muestra extraída y son, por tanto, los más recomendables. Dentro de los métodos de muestreo probabilísticos encontramos los siguientes tipos: 3.2.1.1.- Muestreo aleatorio simple: El procedimiento empleado es el siguiente: 1) se asigna un número a cada individuo de la población y 2) a través de algún medio mecánico (bolas dentro de una bolsa, tablas de números aleatorios, números aleatorios generados con una calculadora u ordenador, etc) se eligen tantos sujetos como sea necesario para completar el tamaño de muestra requerido. Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad práctica cuando la población que estamos manejando es muy grande. 3.2.1.2.- Muestreo aleatorio sistemático: Este procedimiento exige, como el anterior, numerar todos los elementos de la población, pero en lugar de extraer n números aleatorios sólo se extrae uno. Se parte de ese número aleatorio i, que es un número elegido al azar, y los elementos que integran la muestra son los que ocupan los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el resultado de dividir el tamaño de la Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII Página 32

Estadísticas para proyectos
población entre el tamaño de la muestra: k=N/n. El número i que empleamos como punto de partida será un número al azar entre 1 y k. El riesgo se este tipo de muestreo está en los casos en que se dan periodicidades en la población ya que al elegir a los miembros de la muestra con una periodicidad constante (k) podemos introducir una homogeneidad que no se da en la población. Imaginemos que estamos seleccionando una muestra sobre listas de 10 individuos en los que los 5 primeros son varones y los 5 últimos mujeres, si empleamos un muestreo aleatorio sistemático con k=10 siempre seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una representación de los dos sexos. 3.2.1.3.- Muestreo aleatorio estratificado: Trata de obviar las dificultades que presentan los anteriores ya que simplifican los procesos y suelen reducir el error muestral para un tamaño dado de la muestra. Consiste en considerar categorías típicas diferentes entre sí (estratos) que poseen gran homogeneidad respecto a alguna característica (se puede estratificar, por ejemplo, según la profesión, el municipio de residencia, el sexo, el estado civil, etc). Lo que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de interés estarán representados adecuadamente en la muestra. Cada estrato funciona independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el estratificado para elegir los elementos concretos que formarán parte de la muestra. En ocasiones las dificultades que plantean son demasiado grandes, pues exige un conocimiento detallado de la población. (tamaño geográfico, sexos, edades,...). La distribución de la muestra en función de los diferentes estratos se denomina afijación, y puede ser de diferentes tipos: Afijación Simple: A cada estrato le corresponde igual número de elementos muestrales. Afijación Proporcional: La distribución se hace de acuerdo con el peso (tamaño) de la población en cada estrato. Afijación Optima: Se tiene en cuenta la previsible dispersión de los resultados, de modo que se considera la proporción y la desviación típica. Tiene poca aplicación ya que no se suele conocer la desviación.

Supongamos que estamos interesados en estudiar el grado de aceptación que la implantación de la reforma educativa ha tenido entre los padres de un determinado departamento del país.. A tal efecto seleccionamos una muestra de 600 sujetos. Conocemos por los datos del Ministerio de Educcion, que de los 10000 niños escolarizados en las edades que nos interesan, 6000 acuden a colegios públicos, 3000 a colegios privados sin subvencion y 1000 a colegios privados subvencionados. Como estamos interesados en que en nuestra muestra estén representados todos los tipos de colegio, realizamos un muestreo estratificado empleando como variable de estratificación el tipo de centro. Si empleamos una afijación simple elegiríamos 200 niños de cada tipo de centro, pero en este Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII Página 33

Estadísticas para proyectos
caso parece más razonable utilizar una afijación proporcional pues hay bastante diferencia en el tamaño de los estratos. Por consiguiente, calculamos que proporción supone cada uno de los estratos respecto de la población para poder reflejarlo en la muestra. Colegios públicos: 6000/10000=0.60 Colegios privados subvencionado : 3000/10000=0.30 Colegios privados no-subvencionados : 1000/10000=0.10 Para conocer el tamaño de cada estrato en la muestra no tenemos más que multiplicar esa proporción por el tamaño muestral. Colegios públicos: 0.60x600=360 sujetos Colegios privados subvencionados: 0.30x600=180 sujetos Colegios privados no-subvencionados : 0.10x600= 60 sujetos 3.2.1.4.- Muestreo aleatorio por conglomerados: Los métodos presentados hasta ahora están pensados para seleccionar directamente los elementos de la población, es decir, que las unidades muestrales son los elementos de la población. En el muestreo por conglomerados la unidad muestral es un grupo de elementos de la población que forman una unidad, a la que llamamos conglomerado. Las unidades hospitalarias, los departamentos universitarios, una caja de determinado producto, etc, son conglomerados naturales. En otras ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo, las urnas electorales. Cuando los conglomerados son área geográficas suele hablarse de "muestreo por áreas". El muestreo por conglomerados consiste en seleccionar aleatoriamente un cierto número de conglomerados (el necesario para alcanzar el tamaño muestral establecido) y en investigar después todos los elementos pertenecientes a los conglomerados elegidos.

En una investigación en la que se trata de conocer el grado de satisfacción laboral los profesores de instituto necesitamos una muestra de 700 sujetos. Ante la dificultad de acceder individualmente a estos sujetos se decide hacer una muestra por conglomerados. Sabiendo que el número de profesores por instituto es aproximadamente de 35, los pasos a seguir serían los siguientes: 1. Recoger un listado de todos los institutos. 2. Asignar un número a cada uno de ellos. 3. Elegir por muestreo aleatorio simple o sistemático los 20 institutos (700/35=20) que nos proporcionarán los 700 profesores que necesitamos.

Para finalizar con esta exposición de los métodos de muestreo probabilísticos es necesario comentar que ante lo compleja que puede llegar a ser la situación real de muestreo con la que nos enfrentemos es muy común emplear lo que se denomina muestreo polietápico. Este tipo

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 34

Estadísticas para proyectos
de muestreo se caracteriza por operar en sucesivas etapas, empleando en cada una de ellas el método de muestreo probabilístico más adecuado. 3.2.2.- Métodos de muestreo no probabilísticos A veces, para estudios exploratorios, el muestreo probabilístico resulta excesivamente costoso y se acude a métodos no probabilísticos, aun siendo conscientes de que no sirven para realizar generalizaciones, pues no se tiene certeza de que la muestra extraída sea representativa, ya que no todos los sujetos de la población tienen la misma probabilidad de se elegidos. En general se seleccionan a los sujetos siguiendo determinados criterios procurando que la muestra sea representativa. 3.2.2.1.- Muestreo por cuotas: También denominado en ocasiones "accidental". Se asienta generalmente sobre la base de un buen conocimiento de los estratos de la población y/o de los individuos más "representativos" o "adecuados" para los fines de la investigación. Mantiene, por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el carácter de aleatoriedad de aquél. En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de individuos que reúnen unas determinadas condiciones, por ejemplo: 20 individuos de 25 a 40 años, de sexo femenino y residentes en Mateares . Una vez determinada la cuota se eligen los primeros que se encuentren que cumplan esas características. Este método se utiliza mucho en las encuestas de opinión. Por ejemplo, El MINSA, desea estudiar la incidencia de las drogas en la adolescencia en las escuelas. Lo que deberíamos hacer sería: conocer por los informes del Ministerio de Educacion, Policia Nacional y ONG que trabajan en este problema, fijar un número de sujetos a entrevistar proporcional a cada uno de los estratos (cuotas) y finalmente dejar en manos de los responsables del trabajo de campo a que sujetos concretos se deberá entrevistar. 3.2.2.2.- Muestreo opinático o intencional: Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener muestras "representativas" mediante la inclusión en la muestra de grupos supuestamente típicos. Es muy frecuente su utilización en sondeos preelectorales de zonas que en anteriores votaciones han marcado tendencias de voto. 3.2.2.3.- Muestreo casual o incidental: Se trata de un proceso en el que el investigador selecciona directa e intencionadamente los individuos de la población. El caso más frecuente de este procedimiento el utilizar como muestra los individuos a los que se tiene fácil acceso (los profesores de universidad emplean con mucha frecuencia a sus propios alumnos). Un caso particular es el de los voluntarios. 3.2.2.4.- Bola de nieve: Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y así hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas, determinados tipos de enfermos, etc. Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII Página 35

Estadísticas para proyectos
4.- Cálculo del tamaño de la muestra A la hora de determinar el tamaño que debe alcanzar una muestra hay que tomar en cuenta varios factores: el tipo de muestreo, el parámetro a estimar, el error muestral admisible, la varianza poblacional y el nivel de confianza. Por ello antes de presentar algunos casos sencillos de cálculo del tamaño muestral delimitemos estos factores. Parámetro. Son las medidas o datos que se obtienen sobre la población. Estadístico. Los datos o medidas que se obtienen sobre una muestra y por lo tanto una estimación de los parámetros. Error Muestral, de estimación o standard. Es la diferencia entre un estadístico y su parámetro correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas en torno al valor de la población, nos da una noción clara de hasta dónde y con qué probabilidad una estimación basada en una muestra se aleja del valor que se hubiera obtenido por medio de un censo completo. Siempre se comete un error, pero la naturaleza de la investigación nos indicará hasta qué medida podemos cometerlo (los resultados se someten a error muestral e intervalos de confianza que varían muestra a muestra). Varía según se calcule al principio o al final. Un estadístico será más preciso en cuanto y tanto su error es más pequeño. Podríamos decir que es la desviación de la distribución muestral(1) de un estadístico y su fiabilidad. Nivel de Confianza. Probabilidad de que la estimación efectuada se ajuste a la realidad. Cualquier información que queremos recoger está distribuida según una ley de probabilidad (Gauss o Student), así llamamos nivel de confianza a la probabilidad de que el intervalo construido en torno a un estadístico capte el verdadero valor del parámetro. Varianza Poblacional. Cuando una población es más homogénea la varianza es menor y el número de entrevistas necesarias para construir un modelo reducido del universo, o de la población, será más pequeño. Generalmente es un valor desconocido y hay que estimarlo a partir de datos de estudios previos. 3.1.- Tamaño de muestra para estimar la media de la población Veamos los pasos necesarios para determinar el tamaño de una muestra empleando el muestreo aleatorio simple. Para ello es necesario partir de dos supuestos: en primer lugar el nivel de confianza al que queremos trabajar; en segundo lugar, cual es el error máximo que estamos dispuestos a admitir en nuestra estimación. Así pues los pasos a seguir son: 1.- Obtener el tamaño muestral imaginando que :

donde: : z correspondiente al nivel de confianza elegido Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII Página 36

Estadísticas para proyectos
: varianza poblacional e: error máximo 2.- Comprobar si se cumple si esta condición se cumple el proceso termina aquí, y ese es el tamaño adecuado que debemos muestrear. Si no se cumple, pasamos a una tercera fase: 3.- Obtener el tamaño de la muestra según la siguiente fórmula:

Ejemplo : El Ministerio del Trabajo, planea un estudio con el interés de conocer el promedio de horas semanales trabajadas por las mujeres del servicio doméstico. La muestra será extraída de una población de 10000 mujeres que figuran en los registros del Seguro Social y de las cuales se conoce a través de un estudio piloto que su varianza es de 9.648. Trabajando con un nivel de confianza de 0.95 y estando dispuestos a admitir un error máximo de 0,1, ¿cuál debe ser el tamaño muestral que empleemos?. Buscamos en las tablas de la curva normal el valor de confianza elegido: 1.que corresponde con el nivel de

= ±1.96 y seguimos los pasos propuestos arriba.

2.- Comprobamos que no se cumple

, pues en este caso

10000 < 3706 (3706 - 1); 10000 < 13730730 3.-

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 37

Estadísticas para proyectos
3.2.- Tamaño de muestra para estimar la proporción de la población Para calcular el tamaño de muestra para la estimación de proporciones poblacionales hemos de tener en cuenta los mismos factores que en el caso de la media. La fórmula que nos permitirá determinar el tamaño muestral es la siguiente:

donde : z correspondiente al nivel de confianza elegido P: proporción de una categoría de la variable e: error máximo N: tamaño de la población Siguiendo con el estudio planteado en el punto anterior, supongamos que tratamos de estimar la proporción de mujeres que trabajan diariamente 10 horas o más. De un estudio piloto se dedujo que P=0.30, fijamos el nivel de confianza en 0.95 y el error máximo 0.02.

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 38

Estadísticas para proyectos
DISTRIBUCIONES MUESTRALES. La distribución de todos los valores posibles que pueden ser tomados por alguna estadística, calculados a partir de muestras del mismo tamaño extraídas aleatoriamente de la misma población, se llama distribución muestral de esa estadística. Las distribuciones muestrales pueden construirse empiricamente cuando se obtiene de una población finita, discreta. Para lo cual se procede como: 1.- De una población finita, discreta de tamaño N, se extraen aleatoriamente todas las muestras posibles de tamaño n. 2.- Se calcula la estadística de interés para cada muestra. 3.- Se enumeran en una columna los diferentes valores observados de la estadística y, en otra columna, la frecuencia correspondiente de la ocurrencia de cada uno de esos valores. EJEMPLO: Suponga se que de una población de tamaño N = 5 edades de niños, dadas como {6, 8, 10, 12, 14}, la media poblacional μ = 10 y la varianza poblacional σ2 = 8 y la varianza muestral es s2 = 10. Si extraemos todas las muestras posibles de tamaño n = 2, si consideramos un muestreo con remplazo y calculamos la media tendremos Nn muestras posibles es decir 52 = 25 posibles muestras de tamaño 2. x1 = ( 6 + 6)/2 x4 = ( 6 + 12)/2 x7 = ( 8 + 8)/2 x10 = ( 8 + 14)/2 x13 = (10 + 10)/2 x16 = (12 + 6)/2 x19 = (12 + 12)/2 x22 = (14 + 8)/2 x25 = (14 + 14)/2 = 6 = 9 = 8 = 11 = 10 = 9 = 12 = 11 = 14 x2 = ( 6 + 8)/2 x5 = ( 6 + 14)/2 x8 = ( 8 + 10)/2 x11 = (10 + 6)/2 x14 = (10 + 12)/2 x17 = (12 + 8)/2 x20 = (12 + 14)/2 x23 = (14 + 10)/2 = 7 = 10 = 9 = 8 = 11 = 10 = 13 = 12 x3 = ( 6 + 10)/2 x6 = ( 8 + 6)/2 x9 = ( 8 + 12)/2 x12 = (10 + 8)/2 x15 = (10 + 14)/2 x18 = (12 + 10)/2 x21 = (14 + 6)/2 x24 = (14 + 12)/2 = 8 = 7 = 10 = 9 = 12 = 11 = 10 = 13

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 39

Estadísticas para proyectos
LA TABLA DE FRECUENCIAS ES: X 6 7 8 9 10 11 12 13 14 Total Frecuencia 1 2 3 4 5 4 3 2 1 25 Frecuencia relativa 1/25 2/25 3/25 4/25 5/25 4/25 3/25 2/25 1/25 1

Las graficas son las siguientes: Distribución de la población Distribución muestral

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 40

Estadísticas para proyectos
DISTRIBUCIÓN MUESTRAL DE LA MEDIA TEOREMA:Si X1, X2,..., Xn constituyen una muestra aleatoria de una población finita que tiene la media μ y la varianza σ2, entonces: E(x) = μ = μx
x

n

Población infinita
x =

n

N-n N -1

Población finita Se denomina el error estándar de la media.
n se le llama fracción de muestreo. Cuando la fracción de muestreo es menor que N 0.05, no es necesario usar el multiplicador de población finita.

A la fracción

TEOREMA DEL LIMITE CENTRAL. Si X1, X2,..., Xn constituye un muestra aleatoria de población infinita que tiene la media μ, la desviación estándar σ, entonces la distribución limitante es de: x z=
n

DISTRIBUCIÓN t Si el tamaño de muestra es pequeño, los valores de S2, varian considerablemente de muestra a muestra, para ello es necesario usar la distribución t.
t= x s n

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 41

Estadísticas para proyectos
DIFERENCIA DE MEDIAS Si se sacan al azar muestras independientes de tamaños n1 y n2 de dos poblaciones discretas o continuas, con medias 1 2 y varianzas 1 y 2 respectivamente entonces la distribución muestral de la diferencia de medias X1 X 2 , esta distribuida aproximadamente en forma normal con medias y varianzas:
X1 X 2 1 2

y

2 X1 X 2

2 1

2 2

n1

n2

Se tiene que

Z

(X1

X2 ) (
2 1

1 2 2

2

)

n1

n2

DISTRIBUCIÓN DE PROPORCIONES Si una población es infinita y distribuida binomialmente, si p y q son las probabilidades respectivas y considerando muestras de tamaño n extraídas de esta población, la distribución muestra de proporciones está dada por:
z ~ p p

p(1 p) n

DISTRIBUCION DE LA DIFERENCIA ENTRE DOS PROPORCIONES DE MUESTRAS.
z ( ~1 ~ 2 ) ( p 1 p 2 ) p p p 1 (1 p 1 ) n1 p 2 (1 p 2 ) n2

DISTRIBUCIÓN MUESTRAL DE Si S2 es la varianza de una muestra aleatoria de tamaño n tomada de una población normal que tiene varianza 2, entonces los valores de la variable aleatoria X2 se calculan con:
2

(n 1)s 2
2

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 42

Estadísticas para proyectos
DISTRIBUCIÓN MUESTRAL DE
1 2

Si S1 y S2 son las varianzas de variables aleatorias independientes de tamaños n1 y n2 , que se sacan de poblaciones normales con varianzas 1 y 2, respectivamente, entonces,
2 S1

F

S

2 1 2 2 2 2

2 2 2 1

2 S1

S2 2

tiene una distribución F con v1 = n1 – 1 y v2 = n2 – 1 grados de libertad si se escribe f (v1, v2) para f con v1 y v2 grados de libertad, se tiene que:
f 1 (v1 , v 2 ) 1 f (v 2 , v1 )

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 43

Estadísticas para proyectos
IV.- ELEMENTOS DE LA ESTIMACION ESTADISTICA PARA PROYECTOS DE INVERSION. 4.1.- INTRODUCCION. 4.2.- ESTIMACION Y PROPIEDADES DE LOS ESTIMADORES

Toda medida de tendencia central o de dispersión obtenida de una población, se conoce como parámetro de la población; aquellas que son obtenidas de una muestra se denominan estimadores, ya que con ellas se realizará la estimación de esos parámetros. Muestreo. Es la operación para tomar una muestra del universo. El objetivo es contar con datos necesarios para estimar parámetros en la población, hacer inferencia estadística con la mayor confiabilidad posible. Parámetros y estimadores más usuales
Parámetros Media poblacional:
N i 1

Estimadores Media muestral
n

Xi N

x
i 1

xi n

Varianza poblacional:
N

Varianza muestral
n

(X i
2 i 1

)2

(x i s2
i 1

x) 2

N
Desviación estándar poblacional:
N

n 1
n

Desviación estándar

(X i
i 1

)2

(x i s2
i 1

x) 2

N
Donde X es el valor de cada medición desde i = 1 hasta N N es el número de elemento que constituyen la población bajo estudio Proporción poblacional de elementos con atributo:

n 1

Donde x es el valor de cada medición desde i = 1 hasta n n es el número de elemento que constituyen la muestra estudiada Proporción poblacional de elementos con atributo:

Px

Xi N

px

xi n

N es el número de elementos de la población

n es el número de elementos de la muestra

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 44

Estadísticas para proyectos
ESTIMACIÓN Es el procedimiento que consiste en emplear los estadísticos obtenidos de una muestra para inferir o estimar los parámetros de una población. Existen dos tipos de estimaciones fundamentales: ESTIMACIÓN POR PUNTO ESTIMACIÓN POR INTERVALO DE CONFIANZA

ESTIMACIÓN PUNTUAL O POR PUNTO ESTIMACIÓN PUNTUAL O POR PUNTO: Consiste en emplear un solo valor de la muestra para estimar el parámetro poblacional respectivo para que el estimador puntual sea bueno deberá reunir las siguientes características. INSESGADO: Es cuando al aumentar el tamaño de la muestra el valor del estadístico x se aproxima al valor del parámetro . En el caso de que sean diferentes decimos que es sesgado y que e = x – . CONSISTENTE: Es cuando al aumentar el tamaño de la muestra n, el valor del estadístico x se aproxima al valor del parámetro . n N, x EFICIENTE : Un estimador es eficiente cuando es de varianza mínima. SUFICIENTE: Un estimador es suficiente cuando es un estadístico que utiliza toda la información que posee una muestra sobre el parámetro que se estima. 3.3.- ESTIMACIÓN POR INTERVALOS DE CONFIANZA Es el rango dentro del cual se espera que se encuentre el valor del parámetro en cuestión, la ventaja de la estimación por intervalos es que muestra la exactitud con que estima el parámetro a menor longitud del intervalo mayor exactitud en la estimación. la probabilidad de que un intervalo contenga el parámetro que se estima se denomina coeficiente de confianza. Un valor cercano a la unidad indica un intervalo más reducido.

Nivel /2

de

significancia

Nivel de confianza 1-

Nivel /2

de

significancia

l-

Nivel de confianza

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 45

Estadísticas para proyectos

x z

/2

x

x z
/2 x

/2

x

x z

Intervalo de confianza para la medi
x t
/2

sx

x t

/2

sx

x t

/2

sx
1
2 1

Intervalo de confianza para diferencia de medias
(x 1 x2) z

y

2
2 2

conocidas

/2

n1
1

n2

Intervalo de confianza para diferencia de medias
(x 1 x2) t s

y

2

desconocidas

/2 p

1 n1

1 n2

sp

2 (n 1 1)s 1 (n 2 1)s 2 2 n1 + n 2 2

= n1 + n2 –2 Intervalo de confianza para diferencia de medias
(x 1 x2) t
1
2 s1 n1

2

desconocidas

/2

s2 2 n2
2

=

2 s1 n1 2 s1 n1 2

s2 2 n2

s2 2 n2

2

n1 1

n2 1

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 46

Estadísticas para proyectos
Intervalo de confianza para
2

(n 1)s 2
2 /2

2

(n 1)s 2
2 1 /2

= n - 1 grados de libertad Intervalo de confianza para
2 s1
2 1 2 2

1
/2(
1, 2 )

s2 f 2

2 1 2 2

2 s1

s2 2

f

/2(

1 ,v2 )

con

1

= n1 – 1,

2

= n2 - 1

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 47

Estadísticas para proyectos
V.- ELEMENTOS DE LA TEORIA DE DECISION ESTADISTICA, ENSAYOS DE HIPOTESIS Y SIGNIFICACION EN PROYECTOS DE INVERSION.

Dentro de la inferencia estadística se encuentra la prueba de hipótesis, cuyo objetivo es probar o comprobar si la afirmación que se hace sobre un parámetro poblacional basados en conclusiones obtenidas de una muestra es correcta o incorrecta. Hipótesis estadística. Es una proposición o suposición que se hace sobre los parámetros de una distribución de probabilidad de una variable aleatoria. Dicha hipótesis puede ser verdadera o falsa, por lo que se puede aceptar o rechazar. Prueba de hipótesis estadística. Es el procedimiento empleado para decidir si se acepta o se rechaza por su veracidad o falsedad, una hipótesis estadística también se le conoce como “ensayos de significación”, “reglas de decisión” ó “contraste de hipótesis”. Su objetivo es evaluar proposiciones o afirmaciones que se hacen acerca de los parámetros poblacionales basados en estadísticos muestrales con un grado o nivel de significancia determinado. Hipótesis nula e hipótesis alternativa. En una prueba de hipótesis de significación se plantean dos tipos de hipótesis excluyentes, llamadas hipótesis nula e hipótesis alternativa. La hipótesis nula expresa que una proposición es verdadera, mientras que la hipótesis alternativa afirma que es falsa ó viceversa. Ho = hipótesis nula Ejemplos: Ho = 1.68 H1 H1 H1 1.68 < 1.68 > 1.68 H1 = hipótesis alternativa

Ho

= 4200

H1 H1 H1

> 4200 < 4200 4200

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 48

Estadísticas para proyectos
Errores tipo I y tipo II : en el proceso de emplear una muestra para formar una decisión poblacional en una prueba de hipótesis, podemos cometer dos equivocaciones, al rechazar una hipótesis verdadera o al aceptar una hipótesis falsa; las equivocaciones se conocen como errores Tipo I y II. a) Error tipo I. Se comete cuando se rechaza una hipótesis que por ser verdadera debería ser aceptada. b) Error tipo II. Se comete cuando se acepta una hipótesis que por ser falsa debería ser rechazada. Aprobarlo Repobarlo Buen estudiante Decisión correcta Error tipo I Mal estudiante Error tipo II Decisión correcta

Nivel de significancia y nivel de confianza : El nivel de significancia se refiere a la probabilidad de cometer error tipo I, es decir, rechazar una hipótesis verdadera. El nivel de confianza se refiere a la probabilidad 1H0 verdadera Se acepta Ho Se rechaza Ho Decisión correcta (1 – ) Error tipo I ( ) de aceptar una hipótesis verdadera. H1 falsa Error tipo II ( ) Decisión correcta (1 – )

Procedimiento para realizar una prueba de hipótesis. 1.- Del fenómeno estadístico a probar. Se establecen las hipótesis nula Ho, y la hipótesis alternativa H1. 2.- Se especifica la probabilidad del error tipo I ( ) como nivel de significancia y 1 – nivel de confianza. como

3.- Se selecciona el tamaño de la muestra, la función de distribución de probabilidad y el estadístico muestral que sirva de base para la regla de decisión conocido como estadístico de prueba. 4.- Se determinan los valores críticos que limita la región de aceptación de la región de rechazo (que dependerá del valor de y de la hipótesis alternativa). 5.- Si el valor del estadístico muestral cae dentro de la región de rechazo, rechazamos H o, debido a que la probabilidad de obtener ese valor del estadístico muestral cuando Ho es cierta o verdadera, es tan pequeño que no debe atribuirse a errores de muestreo, lo que nos conduce a deducir que Ho es falsa. 6.- Dar conclusión acerca del problema y/o formar una decisión. Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII Página 49

Estadísticas para proyectos
Hipótesis unilateral y bilateral. Al realizar una prueba de hipótesis nuestro interés puede estar en el valor extremo de un solo lado de la distribución, o en ambos lados. En el primer casi, las pruebas se denominan unilaterales o de una cola; en el segundo caso se conoce como bilaterales o de dos colas. En los ensayos unilaterales la región de rechazo es única a un lado de la distribución con un área determinada por el valor de . En las bilaterales la región de rechazo el área se determina dividiendo el nivel de significancia en dos partes iguales. BILATERAL

Zona de aceptación Zona de rechazo /2 /2
UNILATERAL >

Zona de rechazo

Zona de aceptación

Zona de rechazo

UNILATERAL <

Zona de rechazo

Zona de aceptación

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 50

Estadísticas para proyectos

H0

Estadístico de prueba

Distribución normal = 0 Distribución t = 0 Distribución normal 1 – 2 = d0 1 y 2 conocidas Distribución t 1 – 2 = d0 1 = 2 desconocidas Distribución t 1 – 2 = d0 2 desconocidas

z=

x n

t=

x s n
(x 1

;v = n – 1

z

x2 ) d0
2 1 2 2

n1

n2
2 (n 1 1)s 1 (n 2 1)s 2 2 n1 n 2 2

t

(x 1 x 2 ) d 0 sp 1 n1 1 n2

;s2 p

1

t

(x 1

x2 ) d0
2 s1 n1

s2 2 n2

;v

2 s1 n1 2 s1 n1 2

s2 2 n2

2

s2 2 n2

2

n1 1
Distribución normal p = p0 Distribución normal p1= p2
z x np 0 np 0 (1 p 0 )

n2 1

z

(p 1 p 2 ) ˆ ˆ pq ˆˆ 1 n1
2

;p ˆ

1 n2
(n 1)s 2
2

x1 x 2 n1 n 2

Distribución = 0

2

Distribución F 1= 2

f

2 s1

s2 2

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 51

Estadísticas para proyectos

VI.- ANALISIS DE REGRESION.-

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 52

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 53

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 54

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 55

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 56

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 57

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 58

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 59

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 60

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 61

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 62

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 63

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 64

Estadísticas para proyectos
VII.- TASA DE VARIACION E INDICADORES : NUMEROS INDICE.-

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 65

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 66

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 67

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 68

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 69

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 70

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 71

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 72

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 73

Estadísticas para proyectos

SEGUNDA PARTE

ESTADISTICAS APLICADAS CON EXCEL

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 74

Estadísticas para proyectos
ESTADISTICAS APLICADAS CON EXCEL

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 75

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 76

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 77

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 78

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 79

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 80

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 81

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 82

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 83

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 84

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 85

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 86

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 87

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 88

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 89

Estadísticas para proyectos

Desv. Típica D:TMuestra

Y 32.23 32.99

X1 22.19 22.71

X2 9.26 9.48

X3 13329.54 13643.22 Página 90

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 91

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 92

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 93

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 94

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 95

Estadísticas para proyectos

Y = m*XI + b

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 96

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 97

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 98

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 99

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 100

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 101

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 102

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 103

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 104

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 105

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 106

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 107

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 108

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 109

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 110

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 111

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 112

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 113

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 114

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 115

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 116

Estadísticas para proyectos

Maestría en Gerencia de Proyectos de Desarrollo – Programa VIII

Página 117

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->