Presentación de Estadística tema 1,2,3,4,5,6,7 y 8 2010B

Universidad Autónoma del Estado de México

Facultad de Contaduría y Administración

1

Coordinación General de Investigación y Estudios de Postgrado
Estadística Aplicada M. I. César Enrique Estrada Gutiérrez Agosto del 2010
2

Objetivo 
Proporcionar las herramientas fundamentales para

que sean capaz de organizar, analizar e interpretar adecuadamente los cuadros estadísticos y gráficos; establecer conclusiones a partir de la lectura de los mismos y puedan identificar e interpretar los principales estimadores estadísticos, así como aplicar las técnicas estadísticas adecuadas, establecer conclusiones a partir de resultados, cuya finalidad es la toma de decisiones en aquellas situaciones que se tiene incertidumbre de realidades desconocidas.

Temario (I)  Introducción al análisis estadístico  Representaciones estadísticas y análisis de gráficas  Descripción de datos económicos y administrativos (Medidas de posición y de variabilidad)  Probabilidad  Introducción a SPSS  Distribución de probabilidades para variables aleatorias discretas 4 .

Temario (II)  Distribuciones de probabilidad para variables aleatorias continuas  Distribuciones de muestreo e intervalos de confianza para la media  Pruebas de hipótesis referentes al valor de la media de la población  La prueba Chi cuadrada  Análisis de varianza  Análisis de regresión y correlación lineal 5 .

Visauta. Alfaomega  Análisis estadístico con SPSS para windows. Mc Graw Hill  Estadística para Administración y Economía. Pearson  Estadística con SPSS para Windows. Kazmier.Bibliografía  Estadística aplicada a la administración y a la economía. Juan Camacho Rosales. Ed. Ed. Ed. Ed. Leonard J. Mc Graw Hill 6 . Rubin. Ramos. Levin. Bohon.

Forma de evaluación  40% trabajos y artículos de investigación (durante el curso)  20% examen escrito (8 de noviembre)  40% proyecto de investigación (22 de noviembre)  Entrega de Calificaciones (29 de noviembre) 7 .

análisis e interpretación de datos. Es el conjunto de técnicas que se emplean para la recolección.Introducción al análisis estadístico  Estadística. organización. Sirve para tomar mejores decisiones a partir de la comprensión de las fuentes de variación y de la detección de patrones 8 . Los datos pueden ser cuantitativos o cualitativos  Estadística aplicada.

(gráficas o análisis computacional)  Ejemplo 1  Volumen anual de ventas del año pasado.Estadística descriptiva  Comprende las técnicas que se emplean para resumir y describir datos numéricos. se puede graficar en barras o de lineas 9 .

Procedimiento para la medición de las características de todos los miembros de la población Estadísticas muestrales. Se refiere a las características medidas de una muestra. con base únicamente en una muestra sometida a observación se toman decisiones sobre una población o proceso estadístico (requiere de probabilidad)   Censo.Estadística inferencial  Comprende las técnicas con las que.  Ejemplo 2  Muestra de focos y revisión de los mismos hasta poder estimarse la probabilidad de falla 10 .

Promedio de personas por hogar en una colonia 11 .Variables discretas y continuas  Una variable discreta puede tomar valores observados únicamente en puntos aislados (proceso de conteo).  Una variable continua puede adoptar un valor en cualquier punto fraccionario a lo largo de un intervalo especificado  Ejemplo 3   Discretos. Número de personas por hogar en una colonia Continuas.

Obtención de datos  Observación directa. entrevistas telefónicas o cuestionarios  Ejemplo 5  Nivel de empleo en diferentes empresas mediante una encuesta a cada una de ellas 12 . Cuando la información se debe obtener de fuentes individuales mediante entrevistas personales. El investigador ejerce un control deliberado de algunos o todos los factores que pueden influir en la variable  Ejemplo 4  Una línea de ensamble para detectar elementos defectuosos en base a un criterio  Encuesta.

o población objetivo tienen una oportunidad conocida. usualmente igual de ser elegidos     Muestreo simple Muestreo Sistemático Muestreo Estratificado Muestreo por conglomerados 13 .Muestreo aleatorio  Es un tipo de muestreo en el que todos los elementos de la población de interés.

Muestreo aleatorio simple  Es aquel cuyos elementos se seleccionan individualmente de la población objetivo entera con base en el azar  Ejemplo 6  Uso de la función aleatorio de Excel 14 .

Muestreo sistemático  Es una muestra aleatoria. cuyos elementos se seleccionan de la población de un intervalo uniforme en una lista ordenada  Ejemplo 7  Seleccionar al azar una cuenta bancaria y a partir de ahí seleccionar las siguientes nueve 15 .

 Ejemplo 8  Las elecciones pasadas antes de la votación 16 .Muestreo estratificado  Los elementos de la población son primeramente clasificados por el investigador en distintos subgrupos o estratos. sobre la base de una o más características importantes.

sería complicado hacerlo trabajador por trabajador. en cambio podría obtenerse una lista de las empresas en esa zona.Muestreo por conglomerados  Es un tipo de muestreo aleatorio en el que los elementos de la población ocurren naturalmente en subgrupos  Ejemplo 9  Un analista de un departamento estatal de seguridad económica desea estudiar los índices salariales por hora que se pagan en el área metropolitana. El analista puede tomar una muestra simple de ese conglomerado 17 .

¿El hecho de que sea confiable garantiza por lo tanto que sea valido? 18 . la confiabilidad se refiere a la consistencia del instrumento de medición y la validez a su precisión.Problemas  En el área de las mediciones estadísticas. puede describírsele como confiable. como las representadas por cuestionarios. Si un cuestionario ofrece resultados similares tras ser contestado por dos grupos equivalentes de informantes.

Problemas  En los siguientes tipos de valores. designe variables discretas y variables continuas       A) El número de unidades de un artículo en existencia B) Razón de activos circulantes contra pasivos circulantes C) Tonelaje total embarcado D) Cantidad embarcada en unidades E) Volumen de tráfico en una carretera de paga F) Asistencia a la asamblea anual de una compañia 19 .

Problemas  ¿Cuáles son muestra y cuales son una población?     A) El universo completo B) Aplicación de conceptos de probabilidad C) Inspección de cada artículo ensamblado D) Inspección de cada décimo artículo ensamblado 20 .

Las cuentas se enumeran secuencialmente de la 0001 a la 5250.Trabajo de investigación  Un auditor desea tomar una muestra aleatoria sistemática de tamaño 50 (5) de 5250 cuentas por cobrar de una gran empresa.Use la hoja de calculo Excel para obtener una lista de los 50 números aleatorios requeridos y mándela por correo electrónico 21 .

com.mx 22 .mx Password essof Para entrar es en http://webmail.softcat.com  Se creara un correo electrónico donde mandare algunas prácticas y lecturas complementarias    estadistica@softcat.Correo electrónico  ceg@softcat.com.com.mx  ceg@tutopia.

Representaciones estadísticas y análisis de gráficas  Distribución de frecuencias. Es una tabla en la cual se agrupan en clases valores posibles de una variable y donde se registra el número de valores observados correspondientes a cada clase 23 .

Datos agrupados  Son los datos organizados en una distribución de frecuencias  Ejemplo 10 Numero de trabajadores (f) 7 20 33 25 11 4 100 24 Salario Semanal $ 240-259 260-279 280-299 300-319 320-339 340-359 Total .

Límites nominales  Son los valores incluidos en cada clase  Ejemplo 11 Salario Semanal $ 240-259 260-279 280-299 300-319 320-339 340-359 Total Numero de trabajadores (f) 7 20 33 25 11 4 100 25 .

50-319.Limites exactos de clase  Son los puntos específicos que sirven para separar clases adyacentes en una escala de medición de variables continuas  Ejemplo 12 Salario semanal (límites nominales) $ 240-259 260-279 280-299 300-319 320-339 340-359 Limites exactos de clase $ 239.50 26 .50-259.50-359.50 279.50-299.50 299.50 259.50-339.50-279.50 339.50 319.

50-359.50-319.50-299.50 259.50 279.50 329.50 319.50 309.50 27 .50 339.50 269.50-259.50-279.50 349.50 289.50 299.Punto medio de clase  Se refiere a la suma del límite inferior de la clase con el límite superior dividido entre dos  Ejemplo 13 Salario semanal Limites exactos de Punto (límites nominales) clase Medio $ 240-259 260-279 280-299 300-319 320-339 340-359 $ 239.50 $249.50-339.

50=20 28 .Intervalo de clase  Se identifica restando el limite exacto de clase inferior del limite exacto de la clase superior  Ejemplo 14  Intervalo de clase=259.50-239.

Intervalo aproximado Intervalo aproximado ! « mayor valor en datos »  « menor valor en datos » ¬ ¼ ¬ no agrupados no agrupados ¼ ­ ½ ­ ½ número de clases deseadas  Ejemplo 15  Intervalo aproximado=(360-240)/6=20 29 .

se acostumbra a colocar los límites exactos  Ejemplo 16 35 30 25 20 15 10 5 0 239.50 359.50 259.50 279.50 299.50 339.50 30 .Histograma de frecuencias  Un histograma es una gráfica de barras de distribución de frecuencias.50 319.

5 329.5 31 .5 249.5 369.Polígono de frecuencias  Es una gráfica de líneas de distribución de frecuencias.5 309.5 269.5 289.5 349. suele identificarse el punto medio de cada clase  Ejemplo 17 35 30 25 20 15 10 5 0 229.

Curva de frecuencias  Es un polígono de frecuencias pero suavizado  Ejemplo 18 ¡ ¡ ¡ ¡ ¡ ¡ 249 5 269 5 289 5 09 5 29 5 49 5         ¡ ¡     5 0 25 20 15 10 5 0 229 5 69 5 32 .

con las observaciones distribuidas en forma relativamente pareja  Leptocurtica: Afilada. con las observaciones concentradas en un estrecho rango de valores  Mesocurtica: Ni plana ni afilada 33 .Curtosis  Platicurtica: Plana.

Asimetría 
Asimétrica negativa  Simétrica  Asimétrica positiva

34

Frecuencias acumuladas 
Identifica el número acumulado de observaciones

incluidas bajo el límite exacto superior de cada clase de la distribución 

Ejemplo 19
Limites exactos de clase superior $ 259.50 279.50 299.50 319.50 339.50 359.50 Número de trabajadores 7 20 33 25 11 4 Frecuencias acumuladas 7 20+7=27 33+27=60 25+60=85 85+11=96 96+4=100
35

Salario semanal (límites nominales) $ 240-259 260-279 280-299 300-319 320-339 340-359

Ojiva 
Se le denomina a la gráfica de una

distribución de frecuencias acumuladas
120 100 80 60 40 20 0 239.5 259.5 279.5 299.5 319.5 339.5 359.5
36

como podría ser la distribución de las ventas de una compañia 25% 5% 5% 65% Principal Nichos En Desarrollo En crecimiento 37 .Diagramas circulares  Es una figura en forma de pastel cuyas piezas representan divisiones de una cantidad total.

Problemas  En la siguiente tabla se enlistan los tiempos requeridos para la conclusión de una tarea de ensamble para una muestra de 30 empleados que presentaron su solicitud de ascenso a un puesto de ensamble de precisión 10 16 15 9 12 11 14 12 18 15 10 16 15 14 9 11 17 12 13 11 14 13 16 14 17 13 14 11 12 15 38 .

0.Problemas (2)  Determine el tamaño del intervalo correspondiente   Intervalo aproximado=(18-9)/5=1. 39 . 9-10 11-12 13-14 15-16 17-18 Número de Empleados 4 8 8 7 3 Total 30 Emp. así que nuestra distribución de frecuencias quedaría de la siguiente forma Tiempo. en min.80 Por lo que nuestro intervalo es conveniente cerrarlo a 2.

5-16.5 14. 8.5 17.5 13.5-18.5 Número de Empleados 4 8 8 7 3 Total 30 Emp.5 16.5 11.5-14.5-10. 40 .5 Punto Medio 9.Problemas (3)  La tabla con límites exactos y punto medio para cada clase quedaría de la siguiente forma Tiempo.5 12.5 10.5 15.5-12. en min.

Problemas (4)  Elaborar un histograma en Excel  Elaborar el polígono de frecuencias en Excel  Elaborar la curva de frecuencias en Excel  Describir la curva de frecuencias 41 .

Problemas (5)  Elaborar una distribución de frecuencias acumuladas y    A) Trace la ojiva de porcentajes de esos datos B) ¿En que punto percentil se encontraría un tiempo de ensamble de 15.5 minutos? C) haga una grafica circular de los empleados con respecto a los tiempos 42 .

5-10.5 10.5-16.5-14.5 12.Problemas (6)  Elaborar una distribución de frecuencias acumuladas Tiempo.5-12.5 16.3 12*100/30=40 66.5 14.5-18. Frecuencia 8. en min.7 90 100 43 .5 4 8 8 7 3 Frecuencia acumulada 4 12 20 27 30 % acumulado 4*100/30=13.

18. 14. 14. ¢ ¢ ¢ ¢ ¢ ¢ acumulada y del porcentaje acumulado  El porcentaje percentil en 15. 12.Problemas (7)  Ojiva de la frecuencia 120 100 80 60 40 20 0 8. 10.5 minutos es 80  La grafica circular se muestra 10% 13% 8. 23% 27% 27% 44 . 16. 12. 16. 10.

Ordene en una distribución de frecuencias con un total de 7 clases  A)¿Cuál sería el intervalo de clase más conveniente?  B) Elabore una distribución de frecuencias iniciando con un límite de clase inferior de 300 y aplicando el intervalo de clase del inciso A  C) Elabore un histograma de distribución de frecuencias  D) Elabore un polígono de frecuencias y una curva de frecuencias  E) Describa la curva de frecuencias resultante  F) Elabore una distribución de frecuencias acumuladas de la distribución de frecuencias y trace la ojiva con esos datos  G) Genere una grafica circular  H) Entregue todos los resultados anteriores en Excel 45 .Trabajo de investigación 2  En la tabla siguiente se presentan las cantidades de 40 préstamos personales (en dólares) utilizados para financiar la compra de muebles y aparatos eléctricos.

Trabajo de investigación 2 $1200 515 452 1900 1200 1278 2540 586 1650 1219 $1000 554 973 660 720 1388 1000 329 1423 727 $356 1190 300 1610 1525 1000 1890 935 592 655 $2227 954 2112 445 784 870 630 3000 534 1590 46 .

Es un valor calculado de un grupo de datos que sirve para describir a éstos de alguna manera 47 .Descripción de datos económicos y administrativos (Medidas de posición y de variabilidad)  Medida de posición.

Media aritmética  Es la suma de los valores del grupo de datos dividida entre el número de valores § X Media descriptiva de una población Q! N § X Media descriptiva de una muestra X! n 48 .

14.5unidades Q! N 8 49 . ocho vendedores de una empresa de servicios de calefacción y aire acondicionado vendieron el siguiente número de unidades centrales de aire acondicionado: 8.Media aritmética  Ejemplo 20  Durante los meses del verano.8.11.16.11 § X ! 84 ! 10.11.5.

Media ponderada  Es una media aritmética en donde cada uno de los valores se pondera de acuerdo con su importancia en el grupo general. Las formulas de la media ponderada poblacional y muestral son idénticas § ( wX ) Qw ó X w ! §w 50 .

4%.Media ponderada  Ejemplo 21  El margen de utilidad en el último año fiscal de las cuatro líneas de productos de una compañía fabricante de múltiples bienes fue: Línea A=4.2 4 ! 6.5%. éste promedio no ponderado es incorrecto 51 . Línea B=5. Línea C=7. como las ventas de los 4 productos no son iguales.8% Sin embargo.2%. Línea D=10.1%  Si sacamos la media con la formula anterior quedaría §X ! Q! N  27.

000 5. 033.000 1.000 A B C D 4. 000 ! 5.5% 7.4% 10.000.260.2% 5.000 20.000.2% 52 .000 303.000 370.000. 000 $58.100.Media ponderada  Así que debemos observar la tabla de ventas Línea de productos Margen de utilidad (X) Ventas (w) wX 1.000 3.1% $30.000  Con respecto a la formula § ( wX ) ! Qw ! §w $3. 000 .000.

el valor de la mediana es: X(8/2+1/2)=X4.11.11. en términos de valor. quedaría 5.5=11 53 .8.8. al ordenar en forma ascendente.11. un orden ascendente o descendente Med ! X ?( n / 2) (1/ 2 ) A  De nuestro ejemplo 20.14.16.Mediana  La mediana de un grupo de elementos es el valor del elemento inmediato cuando todos los elementos de un grupo siguen.

Moda  Es el valor que ocurre más frecuentemente en un conjunto de valores . la moda es 11 54 . Para nuestro ejemplo anterior.

mediana y moda  Cuando la curva graficada es simétrica. la moda. mediana y media son iguales.Relación entre media. la media siempre es mayor que la mediana y la moda. cuando es asimétrica positiva. viceversa en una asimétrica negativa  ¿Cómo sería la curva para nuestro ejemplo anterior? 55 .

mediana y moda  Con respecto a población  El valor de la moda indica la posición de la mayoría de los valores observados. Puede ser útil como medida descriptiva de un grupo de la población.Uso de media. por lo que para datos de población la mediana es más significativa 56 . aunque solo si existe una moda claramente perceptible  La mediana siempre es una medida excelente para representar el nivel ³típico´ de los valores  La media también es un valor excelente siempre y cuando la población sea simétrica.

mediana y moda  Con respecto a Muestras    El valor de la moda no es aceptable La mediana es más aceptable La media para éste caso es mejor ya que es más estable  Ejemplo 22  Índices salariales de los 650 empleados de una empresa  Una muestra aleatoria de 100 trabajadores 57 .Uso de media.

Deciles y Percentiles  Es lo mismo que la mediana. solo que los cuartiles dividen la muestra en cuartos. los deciles en decimos y los percentiles en 100 partes Q1 (primer cuartil) ! 1(n/4)  1/4 D3 (tercer decil) ! 3(n/10)  k/10 P70 (septuagesimo percentil) ! 70(n / 100)  k / 100 K es el complemento del decil y percentil 58 .Cuartiles.

50.13. 24.41.5.Problemas  En una muestra de las compras de 15 estudiantes en     la tienda de una escuela primaria se observan las siguientes cantidades de ventas.50.50 Dado que la media es sustancialmente mayor que la mediana.00.00.9.90.2.30 Moda=$2.50. 2.00 Determine la media.30.2. la distribución de valores es claramente asimétrica positiva 59 .50.27. mediana y la moda Media=$12. dispuestas en orden de magnitud ascendente: $ 1.30.1.00.50.50.50.4.12.05 Mediana=X8=$5.00.3.10.

5% 2.26 $380 ! 1. determine el porcentaje global de artículos defectuosos ensamblados durante la semana muestreada Turno Porcentaje de artículos Número de artículos defectuosos (X) en miles (w) wX 1 2 3 1.Problemas  En referencia a la siguiente tabla.3% 210 120 50 2.80 1.1% 1.31 1.15 § ( wX ) ! Xw ! §w $5. 4% 60 .

0.0.0.3. Describa la distribución de índices de accidentes en términos de asimetría  Supongamos que los precios de menudeo de artículos seleccionados cambian como se indica en la tabla siguiente.1.1.5.Trabajo de investigación (3)  El número de accidentes ocurridos en un mes dado en los 13 departamentos de manufactura de una planta industrial fue: 2.8.3.0.1. Determine el cambio porcentual medio en precios al menudeo sin referencia a los gastos promedio incluidos en la tabla y posteriormente el cambio porcentual medio ponderado Artículo Leche Carne de res Ropa Gasolina Incremento Porcentual 10% -6 -8 20 Gastos promedio por mes $20 30 30 50 61 . Calcule la media. la mediana y la moda.12.

el 7° decil y el 65° percentil 0023455667789999 62 .Trabajo de investigación (3)  De los siguientes valores. obtenga el 3er cuartil.

rangos modificados.Medida de variabilidad en conjuntos de datos  Las medidas de posición son útiles para la identificación del valor representativo de un grupo de valores. las medidas de variabilidad o dispersión se ocupan de la descripción de la variabilidad entre los valores mediante diversas técnicas: Rango. desviación media. varianza. Por su parte. desviación estándar y el coeficiente de variación 63 .

11.14.8. los ocho vendedores de una empresa de equipos de calefacción y aire acondicionado vendieron los siguientes números de unidades:8.11.11 Rango=My-Mn=16-5=11 unidades 64 .Rango  El Rango. es la diferencia entre los valores más alto y más bajo incluidos en un conjunto de datos  Ejemplo 23   Durante un mes de verano.16. o R.5.

El 50% central es el rango entre los valores en el 25º punto percentil y el 75º punto percentil de la distribución. el rango del 50% central suele llamársele rango intercuartil (RIC)  RIC=Q3-Q1 65 . Por este motivo. De este modo.Rango modificado  Es un rango que se construye eliminando algunos de los valores extremos de cada una de las porciones finales de la distribución. también es el rango entre el primer y tercer cuartiles de la distribución.

11.16. el número de observaciones es N=8    Q3=12.5 Q1=8 RIC=Q3-Q1=12.11.11.14.5 66 .Rango modificado  Ejemplo 24  Los datos de ventas de unidades centrales presentados en el ejemplo anterior son en orden ascendente los siguientes: 5.8. En consecuencia.8.5-8=4.

Desviación media  Se basa en el valor absoluto de la diferencia entre cada valor del conjunto de datos y la media del grupo D D §| X  Q | de la población ! N §| X  X | de la muestra ! n 67 .

6 unidades 68 .5 5.5 5.0 21/8=2.5 3.8.16.11.5 de acuerdo al ejemplo anterior  X 5 8 8 11 11 11 14 16 X-µ -5.5 0.5 21.5 2.5 0. los ocho vendedores de una empresa de equipos de calefacción y aire acondicionado vendieron los siguientes números de unidades:8.5 -2.5 0.11  La media aritmética o µ es 10.5 -2.5.5 0.5 0.11.5 3.5 |X-µ| 5.14.DMA  Ejemplo 25 Durante un mes de verano.5 0.5 2.

DMA  Por lo tanto podemos decir que en promedio.6 unidades respecto de la media grupal. la venta de unidades de equipo de aire acondicionado de un vendedor difiere en 2. en cualquier dirección 69 .

Varianza  La varianza se asemeja a la desviación media absoluta en que se basa en la diferencia entre cada valor del conjunto de datos y la media del grupo. cada diferencia se eleva al cuadrado §( xQ )2 V (X ) ! W ! N 2 70 . pero se distingue de ella en un muy importante aspecto.

Varianza  A diferencia de lo que ocurre con las demás estadísticas muestrales. en términos de cálculo. a fin de que la varianza muestral sea un estimador insesgado s 2 §(X  X ) ! n 1 2 71 . la varianza de una muestra no equivale exactamente. a la varianza de una población. En esencia en esta formula se incluye un factor de corrección.

representada por la letra griega o por ³s´ en el caso de una muestra. porque las unidades en las que se expresa son valores elevados al cuadrado. A esto se le llama desviación estándar 72 .Desviación estándar  En general es difícil interpretar el significado de la varianza. es más frecuente el uso de la raíz cuadrada de la varianza. Debido en parte a esta razón.

Desviación estándar  Las formulas son: De la población W ! De la muestra s ! § § ( xQ )2 N ( x X )2 n 1 73 .

25 6.16.25 30.25 12.25 86.5 3.11.5.5 0. los ocho vendedores de una empresa de equipos de calefacción y aire acondicionado vendieron los siguientes números de unidades:8.5 5.25 0.11  La media aritmética o µ es 10.25 6.5 de acuerdo al ejemplo anterior  X 5 8 8 11 11 11 14 16 X-µ -5.5 (X-µ)2 30.00 74 .Desviación estándar  Ejemplo 26 Durante un mes de verano.8.5 0.11.5 -2.25 0.5 0.14.25 0.5 -2.

3 N 8 75 .Desviación estándar W! § ( x  Q ) 2 ! 86 ! 10.75 ! 3.

Cálculos simplificados Varianza de la población W 2 ! x 2  NQ 2 § N § X 2  NQ 2 Desviación estándar de la población W ! N Varianza de la muestra s 2 ! X 2  nX § n 1 2 § X 2 n X 2 Desviación estandar de la muestra s ! n 1 76 .

11  La media aritmética o µ es 10.Desviación estándar  Ejemplo 27 Durante un mes de verano.16.5) ! 10.5. los ocho vendedores de una empresa de equipos de calefacción y aire acondicionado vendieron los siguientes números de unidades:8.75 ! 3.5 de acuerdo al ejemplo anterior  X 5 8 8 11 11 11 14 16 X2 25 64 64 121 121 121 196 256 968 W ! 2 § X 2  NQ 2 ! 968  8(10.11.11.8.3 N 8 77 .14.

siempre que ocurre una curva semejante a esto. el 68% de los valores quedan dentro del margen de la desviación estándar y el 95% de los valores quedan incluidos dentro de un margen de dos unidades de desviación estándar 68 % 95% 78 . tanto simétrica como mesocurtica. la curva de frecuencias de una distribución se le llama curva normal.Uso de la desviación estándar  Cuando existe una distribución de valores.

si se calcula que la media de estas cuentas es de $84.00.00 y $108.Descripción de datos  Ejemplo 28  Las cuentas de energía eléctrica de una zona residencial correspondientes al mes de junio tienen una distribución normal.00 79 .00 y $132.00 con una desviación estándar de $24. de ello se desprende que el 68% de las cantidades facturadas están entre $60. así mismo se desprende que el 95% de los valores están entre $36.00.

expresada como porcentaje. es útil cuando se desea comparar la variabilidad de dos conjuntos de datos en relación con el nivel general de los valores (y por lo tanto con la media) W oblación C ! v100 Q s uestra C ! v100 X 80 .Coeficiente de variación  Indica la magnitud relativa de la desviación estándar en comparación con la media de la distribución de las medidas.

durante el periodo de un mes fue de $150 con una desviación estándar de $5 para las acciones A y de $50 con una desviación estándar de $3 para las acciones B.0% Q 50 Concluimos que las acciones B ueron casi dos veces mas variables que las acciones A 81 . Con base a la comparación absoluta.Coeficiente de variación  Ejemplo 29  En dos emisiones de acciones ordinarias de la industria electrónica. la variabilidad del precio de las acciones A fue mayor a causa de una mayor desviación estándar. Pero en cuanto al nivel de los precios se deben comparan mediante el coeficiente de variación C ( A) ! W 5 v 100 ! v 100 ! 3.3% Q 150 W 3 C ( B ) ! v 100 ! v 100 ! 6.

Coeficiente de asimetría de Pearson  Mide la desviación respecto de la simetría expresando la diferencia entre la media y la mediana en relación con la desviación estándar del grupo de medidas 3( Q  Med ) Asimetría de la población ! W 3( X  Med ) Asimetría de la muestra ! s 82 .

Pearson 
Ejemplo 30  



Con respecto a los datos de ventas de equipos de aire acondicionado, la media es 10.5, la mediana 11 y la desviación estándar 3.3 por lo que el coeficiente de asimetría es Asimetría=3(µ-Med)/ =3(10.5-11.0)/3.3=-0.45 Por lo que la distribución de cantidades de ventas es en cierto modo asimétrica negativa o sesgada a la derecha

83

Problemas 
Una muestra de 20 obreros obtuvo los siguientes

salarios por una semana dada, redondeados al dólar más cercano y dispuestos en orden ascendente: $240,240,240,240,240,240,240,240,255,255,265,265 ,280,280,290,300,305,325,330,340. Determine: 
      

A) El rango B) EL RIC C) DMA D) Varianza E) Desviación estándar F) Varianza y desviación estándar con la formula alternativa G) El Coeficiente de variación H) El coeficiente de asimetría de Pearson
84

Problemas 
A) Rango. R=My-

X $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ 240.00 240.00 240.00 240.00 240.00 240.00 240.00 240.00 255.00 255.00 265.00 265.00 280.00 280.00 290.00 300.00 305.00 325.00 330.00 340.00

X-X -$ -$ -$ -$ -$ -$ -$ -$ -$ -$ -$ -$ $ $ $ $ $ $ $ $ 30.50 30.50 30.50 30.50 30.50 30.50 30.50 30.50 15.50 15.50 5.50 5.50 9.50 9.50 19.50 29.50 34.50 54.50 59.50 69.50

|X-X| $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ 30.50 30.50 30.50 30.50 30.50 30.50 30.50 30.50 15.50 15.50 5.50 5.50 9.50 9.50 19.50 29.50 34.50 54.50 59.50 69.50

(X-X)2 $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ 930.25 930.25 930.25 930.25 930.25 930.25 930.25 930.25 240.25 240.25 30.25 30.25 90.25 90.25 380.25 870.25

Mn=$340-240=$100  B) RIC=Q3Q1=X(3n/4+1/2)X(n/4+1/2)= X(15.5)X(5.5)=295-240=$55  C) Se debe obtener primero la media muestral=X=$5410/20= $270.50

$ 1,190.25 $ 2,970.25 $ 3,540.25 $ 4,830.25

Total

$

572.00

$21,945.00 85

00 20  1  E) La desviación estándar s ! 1155.00 ! $28.99 86 .00 $ $33.60 N 20  D) La Varianza sería s ! 2 ( X  X )2 § n 1 21945.00 ! ! 1155.Problemas  Por lo que el DMA de la muestra quedaría: §| X  Q | ! $572.

99=0.99  CV=s/X*100=33.9 n 1  G) Dado que X=$270.50=.5) 2 ! ! 1155 19 Desviación estandar de la muestra s ! § X 2  n X 2 ! 1155 ! 33.Problemas  F) ocupando las formulas obtenemos Varianza de la muestra s ! 2 § X 2  nX n 1 2 1485350  20( 270.6%  H) Asimetría=3(X-Med)/s=3(270.50 y s=$33.93  Por lo que concluimos que la distribución de los datos salariales es ligeramente asimétrica positiva 87 .99/270.5-260)/33.1256*100=12.

Trabajo de investigación 4 ascendente.75.58.84.70.72.47.93.84.77.100.87.79.81. 100.66.81.72. Determine  A) El rango  B) EL RIC  C) DMA  D) Varianza  E) Desviación estándar  F) Varianza y desviación estándar con la formula alternativa  G) El Coeficiente de variación  H) El coeficiente de asimetría de Pearson  Las siguientes calificaciones en examen dispuestas en orden 88 .84.94. fueron obtenidas por 20 estudiantes inscritos en un curso de análisis de decisión: 40.

De acuerdo al enfoque clásico N( ) P( ) ! N (S )  Dado que este enfoque permite determinar valores de probabilidad antes de que sean observados cualesquiera eventos muestrales.Probabilidad  Históricamente se han desarrollado tres enfoques conceptuales para definir la probabilidad: los enfoques clásico. de frecuencias relativas y subjetivo. también se le conoce como enfoque a priori 89 .

Probabilidad  Ejemplo 31  En un mazo de naipes debidamente barajado que contiene 4 ases y otros 48 naipes. la probabilidad de obtener un as en una sola extracción es de:  4/52=0.077 90 .

P(A) denota la probabilidad de que ocurra el evento A en una sola observación o experimento.Expresión de probabilidad  La probabilidad de un evento se indica con el símbolo P. Así. 91 .

que no están a favor de A:  Momios=a:b (léase ³a a b´) 92 .Momios  La razón de momios a favor de la ocurrencia de un evento es la razón del número relativo de resultados. a favor de A respecto del número relativo de resultados. representados por ³a´. representados por b.

Por lo tanto la probabilidad de éxito es P(A)=N(A)/N(S)=a/(a+b)=16/(16+36)=16/52 93 . Por lo tanto los momios asociados al éxito son 16:36.Momios  Ejemplo 32   Supongamos que un éxito se define como la extracción de cualquier naipe con figura o de un as de un mazo debidamente barajado de 52 naipes. Dado que 16 de los 52 naipes son ya sea sota. rey o as. reina.

Son eventos que pueden ocurrir al mismo tiempo. Son eventos que no pueden ocurrir al mismo tiempo. por ejemplo sacar un rey y un as al mismo tiempo  No excluyentes. por ejemplo sacar un as y un trebol 94 .Eventos mutuamente excluyentes y no excluyentes  Excluyentes.

Reglas de la adición  Excluyentes  P(A o B) =P(A B)=P(A)+P(B)  No excluyentes  P(A o B) =P(A)+P(B)-P(A y B)  Ejemplo 33  ¿Cuál es la probabilidad de extraer un as o un rey? = 4/52+4/52=8/52  ¿Cuál es la probabilidad de sacar un as o un trébol o ambos en una sola extracción? = 4/52+13/52-1/52=16/52 95 .

Una moneda es independiente en cada lanzamiento  Obtener un as en una baraja es dependiente. Dos eventos son dependientes cuando la ocurrencia o no ocurrencia de un evento afecta a la probabilidad de ocurrencia del otro evento  Ejemplo 34. puesto que para la siguiente extracción solo se podrá sacar una probabilidad de 3/51   P(A)=P(A|B) 96 . eventos dependientes y probabilidad condicional  Dos eventos son independientes cuando la ocurrencia o no ocurrencia de un evento no tiene ningún efecto en la probabilidad de ocurrencia del otro evento.Eventos independientes.

Reglas de la multiplicación  Se refieren a la determinación de la probabilidad de la ocurrencia conjunta de A y B. Existen dos variantes de la regla de la multiplicación si los eventos son independientes o dependientes  Para eventos independientes  P(A y B)=P(A B)=P(A)P(B)  Para eventos dependientes   P(A y B)=P(A)P(B|A) P(B y A)=P(B)P(A|B) 97 .

Ejemplos de multiplicación  Ejemplo 35  Si una moneda equilibrada se lanza dos veces. ¿Cuál es la probabilidad de que sean aceptables? 8 7 56 v ! aceptables 10 9 90 98 . ¿Cuál es la probabilidad de que las dos partes seleccionadas sean defectuosas?. la probabilidad de que ambos lanzamientos den por resultado ³sol´ es:  Ejemplo 36  1 1 1 v ! 2 2 4 Supongamos que se sabe que un conjunto de 10 partes de repuesto contiene ocho partes aceptables y dos partes defectuosas.

dada la ocurrencia del Evento B.Teorema de Bayes  En su forma algebraica más simple. la especial importancia del Teorema de Bayes es que se aplica en el contexto de eventos secuenciales y. además. el teorema de Bayes consiste en la determinación de la probabilidad condicional del evento A. que la versión de cálculo de la fórmula es la base para determinar la probabilidad condicional de que un evento haya ocurrido en la primera posición secuencial una vez que un evento en particular ha sido observado en la segunda posición secuencial P ( A) P( B | A) P( A | B) ! P( A) P( B | A)  P( A' ) P( B | A' ) 99 . Sin embargo.

80 U1 .50 . La urna 1 contiene 8 pelotas rojas y 2 pelotas verdes.40 .50 U2 .60 V 100 R V R .Diagramas de árbol  Ejemplo 37  Supongamos que contamos con dos urnas U1 y U2. el proceso y las probabilidades secuenciales pueden representarse mediante un diagrama de árbol. si se selecciona aleatoriamente una urna y de ella se selecciona aleatoriamente una pelota. .20 . mientras que la urna 2 contiene 4 pelotas rojas y 6 pelotas verdes.

Ejemplos del Teorema  Ejemplo 38  Supongamos que observamos una pelota verde en el segundo paso ¿Cuál es la probabilidad de que la urna 1 haya sido seleccionada en el paso uno? P (U 1 | V ) ! P (U 1 ) P (V | U 1 ) (0.50)(0.50)(0.20) 0.40 101 .50)(0.20)  (0.25 P (U 1 ) P (V | U 1 )  P (U 2 ) P (V | U 2 ) (0.10 ! ! ! 0.60) 0.

Permutaciones y combinaciones  Si el orden no importa.  Si el orden sí importa es una permutación. 102 . es una combinación.

Permutaciones  Ejemplo 39  Tres miembros de una organización social se ofrecen como voluntarios para fungir como dirigentes el siguiente año. en los puestos de presidente. tesorero y secretario. la formula es la siguiente: n! n Pr ! (n  r )! 103 . El número de maneras (permutaciones) en los que los tres pueden asumir los puestos es:  n!=3!=(3)(2)(1)=6 maneras  Cuando son permutaciones en donde no hay repetición.

el orden no importa) 104 . En el caso de las combinaciones. lo que nos interesa es el número de diferentes agrupaciones de los objetos que pueden ocurrir sin reparar en su orden (hacerlo en clase) n! nCr! r!(n  r )!  Donde n es el número de cosas que puedes elegir. el orden de acomodo de los objetos es importante. y eliges r de ellas (No se puede repetir.Combinaciones  En el caso de las permutaciones.

P=400/8000=0.Problemas de probabilidad  Determine el valor de la probabilidad aplicable a cada una de las siguientes situaciones     La probabilidad de accidentes industriales en un año. los números son 0.05 Respuesta 2. P=1/38 105 . Una muestra aleatoria de 10 empresas con 8000 empleados. 00 y del 1 al 36 Respuesta 1. reporto la ocurrencia de 400 accidentes La probabilidad de acertar a un número ganador en un juego de ruleta.

al extraer un naipe de un mazo debidamente barajado de 52 naipes  De 300 estudiantes de administración. 100 están actualmente inscritos en contabilidad y 80 están actualmente inscritos en estadística aplicada. un rey (R) o un dos (D).Problemas de adición  Determine la probabilidad de obtener un as (A). P=4/52+4/52+4/52=12/52  Respuesta 2. Estas cifras de inscripción incluyen a 30 estudiantes inscritos en ambos cursos ¿Cuál es la probabilidad de que si se elige a un estudiante al azar esté inscrito en contabilidad o en estadística?  Respuesta 1.5 106 . P=100/300+80/300-30/300=150/300=.

¿Cuál es la probabilidad de que ninguna de ellas contenga un error de procedimiento?. cuatro contienen un error de procedimiento en su saldo. Si un vendedor selecciona aleatoriamente a tres prospectos de un expediente y establece contacto con ellos ¿Cuál es la probabilidad de que los 3 realicen la compra?  De 12 cuentas contenidas en un expediente.40. Si un auditor selecciona aleatoriamente dos de estas cuentas. la probabilidad de que un prospecto realice una compra después de haber sido contactado por un vendedor es P=0.Problemas de multiplicación  En general. Elabore un diagrama de árbol para representar este proceso de muestreo secuencial 107 .

42 3/11 E1 4/12 8/11 4/11 8/12 E1 7/11 E2 108 E2 E2 E2 . Los eventos de este ejemplo son dependientes.40=0. Dado que los compradores son independientes entre si P=. porqué el resultado de la primera cuenta muestreada afecta las probabilidades para la segunda por lo que P=8/12x7/11=56/132=0.40x.064  Problema 2.Solución problemas de multiplicación  Problema 1.40x.

 B) Si en el primer paso se selecciona la caja A. de la que después se selecciona aleatoriamente una moneda.  C) Si en el segundo paso se selecciona una moneda de 10 centavos.  A) Elabore un diagrama de árbol para describir esta situación de eventos secuenciales.Problemas Teorema de Bayes  Se sabe que la caja A contiene una moneda de un centavo y una moneda de 10 centavos. Mientras que la caja B contiene dos monedas de 10 centavos. ¿Cuál es la probabilidad de que en el segundo se seleccione una moneda de 10 centavos?. ¿Cuál es la probabilidad de que provenga de la caja A 109 . Se elige aleatoriamente una de ellas.  D) Si en el segundo paso se selecciona una moneda de un centavo. ¿Cuál es la probabilidad de que provenga de la caja A?.

33 ( 1 2 )( 1 2 )  ( 1 2 )(1) ( 1 4 )  ( 1 2 ) P( | D) ! 110 .50 P ( yD ) P( )P(D | ) ! P( )P(D | )  P(B)P(D | B) P(D)  C) ( 1 2 )( 1 2 ) ( 14 ) ! ! ! ( 1 3 ) $ 0 .Solución Teorema de Bayes 1/2 A 1/2 1/2 0 1/2 B 1 D D C C  B) P(D|A)=1/2=0.

Solución Teorema de Bayes 
D)

P ( yC ) P ( ) P (C | ) ! P ( ) P (C | )  P ( B ) P (C | B ) P (C ) ( 1 2 )( 1 2 ) ( 14 ) ! ! !1 1 )( 1 )  ( 1 )() 1 ) ( 2 2 ( 4 2 P( A | C ) ! 

Los cinco individuos que componen la dirección de una pequeña

empresa manufacturera serán sentados juntos en un banquete.  A) Determine el número de diferentes disposiciones posibles de los asientos para los cinco individuos  B) Supongamos que solo a tres de los cinco directivos se les pedirá representar a la compañía en el banquete. ¿Cuántas diferentes disposiciones serán posibles en la mesa considerando que pueden ser elegidos tres cualesquiera de los cinco individuos?

111

Permutaciones y combinaciones 
Solución al anterior  P=n!=5x4x3x2x1=120  P=n!/(n-r)!=5!/(5-3)!=60  En relación con el problema anterior, supongamos

que no nos interesa el número de diferentes disposiciones de asientos posibles, sino el número de diferentes agrupaciones de los tres (de cinco) directivos que podrían asistir al banquete. ¿Cuántas diferentes agrupaciones hay? 

C=n!/r!(n-r)!=5!/3!(5-3)!=10

112

Trabajo de investigación 5 
Determine lo siguiente: 


La probabilidad de que la suma de los puntos de dos dados una vez lanzados sea de siete Obtenga la probabilidad equivalente de los momios siguientes:  

1:2 de que un competidor consiga un avance tecnológico 5:1 de que un nuevo producto sea rentable 

De un total de 500 empleados, 200 participan en el plan de reparto de utilidades de una empresa (P), 400 disponen de cobertura de seguro de gastos médicos mayores (M) y 200 participan en ambos programas. ¿Cuál es la probabilidad de que un empleado aleatoriamente seleccionado? 


Participe en al menos uno de los dos programas No participe en ningún programa
113

Elabore un diagrama de árbol para describir los diversos resultados posibles de la secuencia de tres emisiones 114 .Trabajo de investigación 5  Durante un periodo específico. Si un inversionista elige aleatoriamente dos de estas emisiones.   ¿Cuál es la probabilidad de que el valor de mercado de ambas haya aumentado durante este periodo? Supongamos que un inversionista elige aleatoriamente tres de esas emisiones accionarias. 80% de las emisiones de acciones ordinarias de una industria con solo 10 compañías elevaron su valor en el mercado.

¿Cuál es la probabilidad de que la urna seleccionada haya sido U1?  Supongamos que hay ocho diferentes lugares de capacitación para asignar 6 empleados en el programa preliminar de capacitación administrativa de una empresa.  ¿De cuantas maneras diferentes pueden ser asignados los ocho individuos a los ocho lugares distintos?  Si solo se dispone de seis diferentes lugares para los ocho candidatos. y que U1 contiene tres pelotas rojas y dos pelotas verdes. ¿De cuantas maneras diferentes pueden asignarse los seis lugares distintos a seis de los ocho individuos? 115 . mientras que U2 contiene dos pelotas rojas y cinco pelotas verdes.Trabajo de investigación 5  Supongamos que contamos con dos urnas U1 y U2. Si se selecciona aleatoriamente una urna y después de esa urna se obtiene una pelota roja.

 La suma de las probabilidades de todos los resultados numéricos posibles debe ser igual a 1.Distribución de probabilidad para variables aleatorias discretas  ¿Qué es una variable aleatoria?  Es un evento numérico cuyo valor se determina por medio de un proceso aleatorio  Distribución de probabilidad. Es cuando se le asignan valores X a una variable aleatoria. ya sea mediante un listado o una función matemática.0 116 .

Variable aleatoria discreta  Es cuando todos los posibles valores numéricos de la variable pueden enlistarse en una tabla junto con sus respectivas probabilidades 117 .

Variable aleatoria continua  Todos los posibles valores fraccionarios de la variable no pueden enlistarse. motivo por el cual las probabilidades se determinan por medio de una función matemática 118 .

se le conoce como ³valor esperado´ y se expresa por E(X) y se da por la fórmula:  E(X)= XP(X) 119 .  La media a largo plazo de una variable aleatoria X. varianza y desviación estándar.Descripción de una variable aleatoria discreta  Lo mismo que en el caso de recolecciones de datos muestrales y poblacionales a menudo es útil describir una variable aleatoria en términos de su media.

20 0.20 1.06 0.08 1.66 120 .18 0.0 Valor Ponderado X[P(X)] 0. Obtenga el valor esperado de la variable discreta Demanda Número de Días posible X 3 4 5 6 7 8 3 7 12 14 10 4 50 Probabilidad P(X) 0.Valor esperado  Ejemplo 40  El número de vagonetas solicitadas en renta en una agencia de alquiler de automóviles durante un periodo de 50 días.28 0.64 E(X)=5.40 0.68 1.14 0.56 1. se identifica en la siguiente tabla.24 0.

se calcula respecto a E(X) como la media de la distribución de probabilidad y se tienen dos formulas para sacarla: 2 V ( X ) ! § [ X  E ( X )] P ( X ) Formula 1 V ( X ) ! E ( X )  [ E ( X )] Formula 2 2 2 121 .Varianza de una variable aleatoria discreta  Se expresa como V(X).

32 122 .40 0.662=33.0 Valor Ponderado X[P(X)] 0.54 2.64 E(X)=5.68 1.28 0.78-5.66 Demanda Cuadrada (x2) 9 16 25 36 49 64 Cuadrado Ponderado x2P(X) 0.20 0.12 E(x2)=33.74 Desviación estándar= raíz cuadrada de la varianza=1.24 0.78-32.78 Demanda posible X 3 4 5 6 7 8  Por lo tanto la varianza es   V(X)=33.14 0.18 0.06 0.Varianza y desviación estándar  Ejemplo 41  Obtener la varianza del ejemplo anterior con la formula dos Probabilidad P(X) 0.04=1.00 10.56 1.20 1.24 6.80 5.08 1.08 9.

Distribución binomial  Es una distribución de probabilidad discreta aplicable como modelo para situaciones de toma de decisiones en las que puede suponerse que un proceso de muestreo responde a un proceso de Bernoulli que es:    Cada observación tiene dos resultados ³éxito y fracaso´ Las observaciones constituyen eventos independientes La probabilidad de una observación a otra es constante 123 .

p ) ! 124 .Distribución binomial  Para esta formula se requiere de los siguientes elementos:    El número establecido de éxitos ³X´ El número de ensayos u observaciones ³n´ y La probabilidad de éxito de cada ensayo ³p´ n! p x q n x X !( n  X )! donde q ! (1 .p) P ( X | n.

80 2 ! 0. si un representante de ventas visita a seis prospectos.20 4 0. la probabilidad de que realice exactamente cuatro ventas se determina de la siguiente forma 6! P ( X ! 4 | n ! 6.01636 4!(6  4)! 125 .20.Distribución binomial  Ejemplo 42  La probabilidad de que un prospecto de venta aleatoriamente elegido realice una compra es de 0.20) ! 0. p ! 0.

001536+0.p=0.016960 126 .Distribución binomial  Ejemplo 43    Con respecto al ejemplo anterior.000064=0.01636+0.20)=P(X=4)+P(X=5)+P(X=6) De acuerdo al ejemplo anterior  =0. la probabilidad de realizar 4 o más ventas se determina de la siguiente forma P(X•4|n=6.

80)=0.2 ventas V(X)=npq=6(.20)=1.20)(.96 =raíz de la varianza=0.98 127 .Distribución binomial  Para obtener el valor esperado. la varianza y la desviación estándar de una distribución binomial se ocupan las siguientes formulas:  Ejemplo 44    E(X)=np=6(0.

X= número establecido de éxitos y n=número de elementos de la muestra P ( X ¨ N  T © © n  X | N . con los siguientes elementos: N= número total de elementos de la población. n ) ! ª ¨ N © © n ª ¸¨ T ¸ ¹© ¹© X ¹ ¹ ºª º ¸ ¹ ¹ º 128 . porqué cuando se eliminan elementos de la población existe un cambio sistemático en la probabilidad de éxito por lo que para este tipo de casos se ocupa la formula de distribución hipergeométrica.Distribución hipergeométrica  Cuando el muestreo se realiza sin reemplazo de cada elemento muestreado tomado de una población finita de elementos. no se aplica el proceso de Bernoulli.T . T= número total de éxitos incluidos en la población.

Si de este grupo de seis se elige aleatoriamente a cuatro empleados. T ! 3.60 6! 15 ¨ 6¸ © ¹ © 4¹ 4!2! ª º El 1! Es el complemento para llegar a 3! El 2! Es el complemento para llegar a 6! 129 . La probabilidad de que exactamente dos de ellos tengan una antigüedad de cinco o más años es: ¨ 6  3 ¸¨ 3 ¸ © © 4  2 ¹© 2 ¹ ¹© ¹ ª ºª º P ( X ! 2 | N ! 6.Distribución hipergeométrica  Ejemplo 45  De seis empleados tres han permanecido en la compañía por cinco o más años. n ! 4) ! ¨6¸ © ¹ © 4¹ ª º ¨ 3 ¸¨ 3 ¸ 3! 3! © ¹© ¹ © 2 ¹© 2 ¹ ª ºª º ! 2!1! 2!1! ! 3 x3 ! 0.

Este proceso se llama proceso de Poisson. se distingue de él en que los eventosocurren a lo largo de un intervalo de tiempo temporal.Distribución de Poisson  Se ocupa para determinar la probabilidad de ocurrencia de un número establecido de eventos cuando éstos ocurren en un continuum temporal. aunque semejante al Bernoulli. En pocas palabras se define la distribución de Poisson cuando la probabilidad que se requiere sacar sucede de manera X en un intervalo de tiempo 130 .

El número ³e´ es la constante 2.Distribución de Poisson  La formula para determinar la probabilidad de un número establecido de éxitos X en una distribución de Poisson es Pe P( X | P ) ! X! x P  Por lo general esta media se representa como y significa el número medio de eventos a largo plazo en la dimensión temporal. 131 .7183. base de los logaritmos naturales.

00674 P ( X ! 3 | P ! 5 .Distribución de Poisson  En un departamento de reparación de maquinaria se recibe un promedio de cinco llamadas de servicio por hora.0 ) ! ! ! 0.1404 3! 6 132 . La probabilidad de que en una hora aleatoriamente seleccionada se reciban exactamente tres llamadas de servicio es:  Ejemplo 46 53 e 5 125 x 0.

10 0.15 0.25 0.05 0.10 0.05  Calcule  A) el número esperado de arribos X por hora  B) La varianza  C) La desviación estándar 133 .Problemas  Se ha determinado que el número de camiones de carga que arriban cada hora a una bodega sigue la siguiente distribución de probabilidad 1 2 3 4 5 6 Número de 0 camiones (x) probabilidad 0.30 0.

15 0.30 0.50 1.Problemas Demanda posible X 0 1 2 3 4 5 6 Probabilidad P(X) 0.15 camiones B) V(X)=E(X2)-[E(X)]2=12.46 camiones 134 .05 A) E(X)=3.05 0.10 0.60 2.10 0.25 4.80 E(x2)=12.20 0.05 1.75 1.05-3.30 0.80 2.10 0.9225=2.0 Valor Ponderado X[P(X)] 0 0.30 E(X)=3.10 0.15 Demanda Cuadrada (x2) 0 1 4 9 16 25 36 Cuadrado Ponderado x2P(X) 0 0.50 0.05-9.152=12.1275 C) =raiz cuadrada de V(X)=1.25 0.

Problemas Distribución Binomial  A causa de las condiciones económicas imperantes. una empresa informa que 30% de sus cuentas por cobrar a otras empresas comerciales están sobrevencidas. Si un contador toma una muestra aleatoria de cinco de esas cuentas. determine la probabilidad de cada uno de los siguientes eventos    A) Ninguna de las cuentas esta sobrevencida B) Exactamente dos cuentas están sobrevencidas C) Tres o más están sobrevendias 135 .

09 x0.00243 dondeP ( x ! 5) ! 5!0! dondeP ( X ! 3) ! 136 .16308 A) P ( x ! 0 | n ! 5.30) 2 (0.70) 0 ! 1x0.70) 5 ! 1x1x0.Problemas distribución binomial 5! (0. p ! 0.70 ! 0.30) 0 (0.30) 5 (0.16807 0!5! 5! (0.02835  0.30) 4 (0.027 x0.30) ! P ( x ! 3)  P ( x ! 4)  P ( x ! 5) ! 0.02835 dondeP ( x ! 4) ! 4! ! 1 5! (0.00243 x1 ! 0.343 ! 0.00243 ! 0.1323 3!2! 5! (0.30 ! 2!3! C ) P ( x u 3 | n ! 5.30) 3 (0.49 ! 0.0081x0. p ! 0.70)1 ! 5 x0.3087 B ) P ( x ! 2 | n ! 5.30) ! 5! (0.16807 ! 0.1323  0.70) 2 ! 10 x0. p ! 0.70)3 ! 10 x0.

Problemas distribución hipergeométrica  Un gerente selecciona aleatoriamente a n=3 individuos de un grupo de 10 empleados para la formación de un equipo asignado a un proyecto. determine la probabilidad de que exactamente dos de los tres empleados hayan tenido experiencia previa en proyectos de éste tipo 137 . Suponiendo que 4 de los empleados fueron asignados anteriormente a un proyecto similar.

Solución hipergeométrica ¨10  4 ¸¨ 4 ¸ © © 3  2 ¹© 2 ¹ ¹© ¹ ª ºª º P ( X ! 2 | N ! 10. n ! 3) ! ¨10 ¸ © ¹ ©3¹ ª º ¨ 6 ¸¨ 4 ¸ 6! 4! © ¹© ¹ © 1 ¹© 2 ¹ ª ºª º ! 1!5! 2!2! ! 6 x6 ! 0.30 10! 120 ¨10 ¸ © ¹ ©3¹ 3!7! ª º 138 . T ! 4.

Problemas Poisson  Un promedio de cinco personas por hora realizan transacciones en una ventanilla de servicios especiales de un banco comercial ¿cuál es la probabilidad de que entre 10 y 12 personas realicen transacciones en la ventanilla de servicios especiales durante una hora en particular? P ( X u 10 X e 12 | P ! 5 . 00343 ! 0 . 0298 . 0 ) ! P ( X ! 10 )  P ( X ! 11 )  P ( X ! 12 ) ! 0 . 01813 5 10 e  5 ! 0 . 00343 P ( X ! 12 | P ! 5 ) ! 12 ! 139  0 . 00824  0 . 00824 P ( X ! 11 | P ! 5 ) ! 11 ! 5 12 e  5 ! 0 . 01813 P ( X ! 10 | P ! 5 ) ! 10 ! 5 11 e  5 ! 0 .

21| 0. dada la posibilidad de visitar a 10 prospectos de venta.2| 0.05|0.02|0. la varianza y la desviación estándar Número de ventas (x) probabilidad 1 2 3 4 5 6 7 8 0.1| 0. es la que se representa en la tabla.02 140 .20| 0.20| 0.Trabajo de investigación 6  Un vendedor ha descubierto que la probabilidad de realizar varias ventas por día. Calcule el número esperado de ventas por día.

determine la probabilidad de que   A) Exactamente 3 B) Al menos 3 estudiantes se muestren insatisfechos con el libro 141 . Si una muestra aleatoria de 4 estudiantes es interrogada sobre el libro de texto. ¿Cuál es la probabilidad de que 4 estén a favor de la representación?  Doce de los 20 estudiantes de un grupo escolar están insatisfechos con el texto que se emplea. y que se contacta una muestra aleatoria de 10 empleados en solicitud de una respuesta anónima.Trabajo de investigación 6  Supongamos que 30% de los empleados de una gran empresa están a favor de la representación sindical.

Trabajo de investigación 6 
Un promedio de siete personas por hora hacen uso

de una caja bancaria automática durante el horario pico de compras en una tienda departamental. ¿Cuál es la probabilidad de que   

A) Exactamente 7 personas usen la caja durante una hora aleatoriamente seleccionada? B) Menos de 6 personas usen la caja durante una hora aleatoriamente seleccionada? C) Ninguna persona la use durante un intervalo de 10 minutos

142

Distribuciones de probabilidad para variables aleatorias continuas 
A diferencia de una variable aleatoria

discreta, una variable aleatoria continua puede adoptar cualquier valor fraccionario dentro de un rango definido de valores. Dado que existe un número infinito de medidas fraccionarias posibles, no se pueden enlistar todos los posibles valores con su probabilidad correspondiente

143

Variables aleatorias continuas 
En la gráfica siguiente la probabilidad de que un

embarque aleatoriamente seleccionado tenga un peso entre 6 000 y 8 000 es igual a la proporción del área total bajo la curva
1 0 100

80

60

40

£

£

£ £

0

0 0 000 4000 6000 8000 10000 1 000 0

144

como la binomial y de Poisson Como veremos en el capítulo siguiente. la cual es tanto simétrica como mesocúrtica y es importante por tres razones:    Se sabe que las medidas obtenidas en muchos procesos aleatorios siguen esta distribución Suelen servir para aproximar otras distribuciones de probabilidad. las distribuciones de estadísticas como la media muestral y la proporción muestral tienen distribución normal cuando el tamaño de muestra es grande 145 .Distribución normal de probabilidad  Se refiere a la curva normal.

un valor de probabilidad de una variable aleatoria continua sólo puede determinarse para un intervalo de valores.Distribución normal de probabilidad  Como sucede en todas las distribuciones continuas de probabilidad. la curva de probabilidad de una variable con distribución normal está dada por f (x) ! 1 2 TW 2 e  [( X  Q ) 2 / 2W 2 ] 146 .

Distribución normal estándar  Es la distribución normal de probabilidad con µ=0 y =1. Un valor z reformula el valor de X original en términos del número de unidades de la desviación estándar por las cuales el valor original difiere de la media de la distribución. indicaría que el valor de X original estaba por debajo del valor de la media X Q z! W 147 . Un valor negativo z.

la probabilidad de que un componente aleatoriamente seleccionado dure entre 2 000 y 2 400 horas se determina de la siguiente manera: 45 40 35 30 25 20 5 0 5 0 z! X  Q 2400  2000 ! ! 2. de acuerdo al apendice 5 -3 -2 -1 ¤ ¤ ¤ ¤ ¤ ¤ 200 400 600 800 2000 2200 2400 2600 2800 0 1 2 3 148 .4772.0 W 200 p (2000 e X e 2400) ! 0.Distribución normal de probabilidad  Ejemplo 47  Se sabe que el ciclo de vida de un componente eléctrico sigue una distribución normal con una media de µ=2000 y una desviación estándar de =200 horas.

3413 ! 0.0.0 W 200 p (0 e Z e 1) ! 0.5000 .1587 4 40 2 20 1400 1 00 1800 2000 2200 2400 2 00 -3 -2 -1 0 1 2 ¨ ¨ ¥ 0 ¥§ ¥ 0 0 1200 2800 ¦ ¥ ¥ ¦ § 3 149 .3413. supongamos que nos interesa la probabilidad de que un componente aleatoriamente seleccionado dure más de 2 200 horas z! X  Q 2200  2000 ! !  1 . de acuerdo con el apéndice 5 ( " 2200) ! 0.Distribución normal de probabilidad  Ejemplo 48  Con respecto al problema anterior.

Puntos percentiles para variables con distribución normal  Un punto percentil en una curva normal estándar nos sirve para hacer el proceso inverso. el 90º punto percentil se refiere al 50º punto de la izquierda de la curva + el 40º punto del lado derecho. el signo es positivo porque el 90º punto percentil es mayor que la media 150 . encontrar el valor de X  Ejemplo 49  En una curva normal estándar.4000 y es 0. por lo que el valor asociado a Z = +1.3997.28. es decir. así que con el apéndice sacamos el valor más cercano a 0.

28)(200) = 2 256 hrs.Puntos percentiles para variables con distribución normal  Para encontrar el valor de X. despejando la fórmula tenemos que X=µ+z  Ejemplo 50  Para el ejemplo anterior tenemos que X = 2 000 + (1.  151 .28)(200) = 1 744 horas.  Ejemplo 51 Si sacamos el 10º percentil tenemos que X = 2 000 + (-1.

la media y desviación estándar se basan en el valor esperado y en la varianza del número de éxitos de la distribución binomial mediaQ ! np esv. Una regla conveniente es que tal aproximación resulta aceptable cuando n•30 y tanto np como nq•5  Cuando la distribución de probabilidad normal se usa como base para aproximar un valor de probabilidad binomial. la distribución de probabilidad normal puede servir para aproximar probabilidades binomiales.Aproximación normal de probabilidades binomiales  Cuando el número de observaciones o ensayos «n» es relativamente grande.est.W ! npq 152 .

5 de X cuando se requiera P(X<Xi) Sume 0.Aproximación normal de probabilidades binomiales  Para llevar a cabo una probabilidad binomial usando curvas normales. se debe considerar algo que se conoce como corrección por continuidad.5 de X cuando se requiera P(X>Xi) 153 . Esta corrección se lleva a cabo usando los siguientes parámetros     Reste 0.5 de X cuando se requiera P(X•Xi) Reste 0.5 de X cuando se requiera P(X”Xi) Sume 0.

0161+0. Si un representante de ventas contacta a 30 prospectos.20)=0.Aproximación normal de probabilidades binomiales  Ejemplo 52  En relación con un grupo extenso de prospectos de venta se ha observado que el 20% de contactados personalmente por un representante de ventas realizarán una compra. podemos determinar la probabilidad de que 10 o más realicen una compra.0064+ 0.p=0.0611 154 . en referencia a las probabilidades binomiales  Si sacamos la solución ocupando lo que se vio en las diapositivas 120-124 tenemos  P(X • 10|n=30.0355+0.0002+«=0.0022+0.0007+0.

8 $ 2. si.60 ! 0.19 x  Q 9.19 W P ( X u 9. pero ocupando la curva normal  ¿Es n•30?.Aproximación normal de probabilidades binomiales  Continuación ejemplo 52  Hagamos ahora lo mismo.5  6.5000  0. np = 30(0.80 ! 4.20) = 6  ¿Es nq •5?.20 x.0 ! $ 1. si n = 30  ¿Es np•5?.4452 ! 0.0.5 y queda de la siguiente forma Q ! np ! 30 x.0 W ! npq ! 30 x.4452 2.80) = 24  Para la corrección por continuidad tenemos que tomar a X •10. por lo que se debe restar 0.20 ! 6. W ! 2.0548 z! 155 .19) ! 0. nq = 30(0.5 | Q ! 6. si.

W ! P 156 .est.Aproximación normal de probabilidades de Poisson  Cuando la media de una distribución de Poisson es relativamente grande. Una regla conveniente es que esta aproximación es aceptable si •10. la distribución normal de probabilidad puede servir para aproximar probabilidades de Poisson.0 mediaQ ! P esv.

0488 157 . ¿Cuál es la probabilidad de que en el turno se reciban más de 15 llamadas? Si sacamos la solución ocupando lo que se vio en las diapositivas 127-129 tenemos:   P(X>15| =10.0071+0.0)=P(X=16)+P(X=17)+« =0.0037«=0.0.Aproximación normal de probabilidades Poisson  Ejemplo 53   El número promedio de llamadas recibidas en un departamento de reparación de maquinaria por turno de 8 horas es de 10.0128+0.0217+0.

Aproximación normal de probabilidades Poisson  Continuación ejemplo 53  Hagamos ahora lo mismo.4591 ! 0. ya que •10 Q ! P ! 10 W ! P ! 10 $ 3.0 z! 1.16 P ( X " 15 | P ! 10.4591 ! W 3.5000  0.5  10.0) ! 0.0409 158 . pero ocupando la curva normal.74 ! 0.16 x  Q 15.

La desviación estándar del peso neto real es =0. Por supuesto que no todos los paquetes contienen 13. Determine la probabilidad de que un paquete aleatoriamente elegido contenga entre 13 y 13.1 oz y se sabe que la distribución de pesos sigue la distribución normal de probabilidad.2 oz de cereal.Problemas  El proceso de empaque de una compañía productora de cereales para el desayuno ha sido ajustado para que cada empaque contenga un promedio de µ=13. 159 .0 oz a causa de fuentes aleatorias de variabilidad.0 onzas de cereal.

0062 160 .Problemas X  Q 13.5 z! ! W 0.0 z! ! ! 2. ¿cuál es la probabilidad de que el peso del cereal exceda 13. de acuerdo con el apéndice 5 Respecto al problema anterior.25  13.25 onzas? X  Q 13.0 ! 2.0 W 0. 1 p (0 e Z e 2) ! 0.5) ! 0. 1 p ( Z " 2.5000  0.2  13.4772.4938 ! 0.

Problemas binomiales y de Poisson  Se sabe que 70% de las personas que acuden a un importante centro comercial realizan al menos una compra.5 $ 3.4177 ! 0.0823 161 . ¿cuál es la probabilidad de que por lo menos 40 personas realicen una o más compras cada una? Q ! np ! 50 x.0.39 ! 0.0 W ! npq ! 50 x. W ! 3.24) ! 0.24 W P ( X u 39.5 | Q ! 35.24 x  Q 39.0 ! $ 1. En una muestra de n = 50 individuos.5  35.30 ! 10.4177 z! 3.5000  0.70 x.70 ! 35.

66 ! 0. para aproximar el valor de probabilidad de Poisson Q ! P ! 40 W ! P ! 40 $ 6.5  40 ! $ 1.4515 ! 0.32 x  Q 50.5 | P ! 40.32 W P ( X u 50.5000  0.0) ! 0.Problemas binomiales y de Poisson  Se sabe que las llamadas de servicio llegan aleatoriamente y en calidad de proceso estacionario a un promedio de 5 por hora.4515 z! 6. entonces podemos usar la distribución normal de probabilidad. ¿Cuál es la probabilidad de que en un turno de 8 horas se reciban al menos 50 llamadas de servicio?  Puesto que =5x8=40 y excede a 10.0485 162 .

La distribución de calificaciones es aproximadamente normal. ¿Cuál es la probabilidad de que la calificación de un individuo aleatoriamente elegido se encuentre a) entre 85 y 95 b) entre 70 y 90 163 .Trabajo de investigación 7  Las calificaciones reportadas en una prueba de aprovechamiento de vigencia nacional para graduados de preparatoria tiene una media de µ = 85 con la desviación estándar = 8.

Trabajo de investigación 7  La media de una prueba de aprovechamiento de vigencia nacional es µ = 85 con = 8. ¿Qué calificación se encuentra en el a) 50º punto percentil b) 30º punto percentil c) 90º punto percentil? 164 . Las calificaciones siguen una distribución normal.

etc.Trabajo de investigación 7  En relación con los varios miles de artículos almacenados por una empresa de pedidos por correo.). existe una probabilidad global de 0. Si un embarque comprende pedidos de 150 artículos diferentes.08 de que un artículo en particular (incluidos tamaño y color específicos. ¿cuál es la probabilidad de que 20 o menos artículos no estén en existencia? 165 . no esté en existencia.

de una estación de servicio automovilístico llega un promedio de un auto cada 5 minutos.Trabajo de investigación 7  Durante el periodo pico de 8 a 10 p. ¿Cuál es la probabilidad de que más de 30 autos arriben a la estación en demanda de servicio entre las 4 y 5 p.m.? 166 .m.

Tamaño de la Muestra apropiado  El tamaño necesario de la muestra depende de tres factores    El nivel de confianza deseado El margen de error que el investigador este dispuesto a tolerar La variabilidad de la población que se estudia 167 .

Nivel de confianza  Los niveles de confianza más comúnmente usados son del 95% y 99%.58  Entre mayor sea el nivel de la z mayor será el tamaño de la muestra 168 . pero se puede usar cualquier nivel entre 0 y 100%   Nivel de confianza para 95% z=1.96 Nivel de confianza para 99% z=2.

si el error permitido es pequeño se necesitara una muestra grande y viceversa si es grande 169 .Error permitido  El máximo error permitido se designa por E.  Cantidad de error que las personas que realizan el estudio están dispuestas a tolerar. es la cantidad que se suma o se resta a la media muestral para determinar los extremos de los intervalos de confianza.

Por otro lado si la población esta concentrada el tamaño de la muestra será muy pequeño.Desviación Estándar Poblacional  Si la población esta muy dispersa se requerirá una muestra muy grande. será necesario usar una desviación estándar poblacional y existen tres sugerencias para poder obtenerla 170 .

Uso de un estudio comparable  Se ocupa cuando existe una estimación de la dispersión. que se obtuvo en otro estudio 171 .

Uso de un método basado en el intervalo  Se sabe que aproximadamente toda la curva normal se encuentra a 3 desviaciones estándar si observamos la derecha y la izquierda tendríamos que un porcentaje bastante grande de la curva es el de 6 desviaciones estándar así que tomamos el número menor de nuestra muestra y el número mayor para obtener el rango y lo dividimos entre 6. eso nos dará una aproximación a la desviación estándar poblacional 172 .

173 . se toma una muestra de entre 30 y 100 y se aplica la encuesta para identificar la desviación estándar muestral y ocuparla en la fórmula correspondiente.Estudio piloto  Se utiliza con mayor frecuencia.

Tamaño de la muestra para estimar la media poblacional ¨ zs ¸ n!© ¹ ªEº n es el tamaño de la muestra z es el valor normal estándar que corresponde al tamaño de la muestra s estimación de la desviación estándar de la población máximo error permitido 2 174 .

es necesario entrevistar a los gerentes (N=21703).5)(.05)2+(.Fórmula para cálculo de n n = Z2 pq N Ne2+pq Donde: n = Tamaño de la muestra Z = Nivel de confianza* p = probabilidad de que el evento se realice (.5) (21703) (21703)(.5) N = Población e = error de estimación (*) 2 W ó 95% de confianza = 1.96)2 (.5)(.5) n = 378 175 .96 Ejercicio: Para determinar los factores que inciden en la productividad del personal operativo de pymes de la industria transformadora del Estado de México. ¿Cuántos gerentes deberán ser entrevistados si el total de pymes es de 21703 y se desea no tener un error mayor al 5%? n = (1.5) q = probabilidad de que el evento no se realice (1-.

¿De que tamaño debe ser la muestra? 176 . El error al estimar la media debe ser inferior a 100 dólares con un nivel de confianza del 95%. El estudiante encontró un informe de la Secretaría del Trabajo en el que se estimó que la desviación estándar era de 1000.Ejemplo 60  Un estudiante de administración pública quiere determinar el ingreso medio mensual de los miembros del consejo ciudadano de una ciudad grande.

64 100 ªEº ª º Por lo que se necesita una muestra de 666 para satisfacer las especificaciones 177 2 2 2 2 .16 º ª E º ª 100 Por lo que se necesita una muestra de 384 para satisfacer las especificaciones Para el caso de que se aumentara el nivel de confianza a 99% ¨ zs ¸ ¨ 2.Ejemplo 60 ¨ zs ¸ ¨ 1.58 x1000 ¸ n!© ¹ !© ¹ ! 665.96 x1000 ¸ n!© ¹ !© ¹ ! 384.

Hipótesis  Enunciado acerca de una población elaborado con el propósito de ponerla a prueba 178 .

se emplea para determinar si la hipótesis es una afirmación razonable 179 .Prueba de Hipótesis  Procedimiento basado en la evidencia muestral y la teoría de probabilidad.

Paso 1 para probar una hipótesis  Establecer las Hipótesis nula H0 y la Alternativa H1   La hipótesis nula es la hipótesis a ser probada La hipótesis alternativa es el complemento de la nula. es una afirmación que se acepta si los datos muestrales proporcionan evidencia suficiente de que la hipótesis nula es falsa 180 .

para aseguramiento de calidad 1% y para encuestas políticas el 10% 181 . dependerá sobre todo de lo que se esta evaluando. sin embargo se ha estilado que para proyectos de investigación un nivel del 5% es correcto.Paso 2 para probar una hipótesis  Seleccionar el nivel de significancia. el cual es la probabilidad de rechazar la hipótesis nula cuando es verdadera  No hay un nivel de significancia que se aplique a todas las pruebas.

Paso 2 Continuación Investigador Hipótesis Nula Se Acepta Ho Se Rechaza Ho Ho es verdadera Decisión Correcta Error de Tipo 2 Error de tipo 1 Ho es Falsa Decisión correcta 182 .

al identificar que 4 de ellas fallaron tendríamos que el 8% de nuestra muestra fallo. entonces se cae en un error de tipo 1. supongamos que de las 1000 solo esas 4 fallaron. por lo que rechazamos el embarque. si el cliente tolera solo el 6% de falla y la compra es de 1000 tarjetas de circuito.Paso 2 Ejemplo 61  Una muestra de 50 tarjetas de circuito impreso revelo que 4 de estas fallaron. lo contrario sería error de tipo 2 183 .

Paso 3 Calcular el valor estadístico de la prueba  Valor determinado a partir de la información muestral. que se utiliza para determinar si se rechaza la hipótesis nula 184 .

Paso 3 Calcular el valor estadístico de la prueba ¿Es Normal la Población? No Si ¿Se conoce la desviación estándar poblacional? ¿Es n igual o mayor que 30? No Utilizar una prueba no paramétrica Si Utilizar una distribución z No Utilizar una distribución t Si Utilizar una distribución z 185 .

Paso 4 Formular la regla de decisión  Una regla de decisión establece las condiciones específicas en las que se rechaza la hipótesis nula y las condiciones en las que no se rechaza la hipótesis nula  Valor Crítico  Punto de división entre la región en la que se rechaza la hipótesis nula y la región en la que no se rechaza la hipótesis nula 186 .

compararlo con el valor crítico y tomar la decisión de rechazar o no la hipótesis nula  Identificar la probabilidad de que el evento suceda 187 .Paso 5 Tomar una decisión  Se refiere a calcular el estadístico de prueba.

Sign up to vote on this title
UsefulNot useful