A. B. C.

D.

E. F. G. H.

En todos los casos defina, clasifique la variable y presente los grficos con la situacin planteada. Complete los espacios previstos con la respuesta final, caso contrario se considera NO RESUELTO. El material con las respuestas de los casos se debe presentar en el orden dado, indicando con claridad que punto resuelve (1.1 ; 1.2 ; etc.) y se realiza slo en tinta. La letra ilegible se considera NO RESPONDIDO. Se considera NO RESUELTO colocar resultados finales sin indicar como realiza su clculo o la salida de valores de calculadora sin la resolucin de las frmulas correspondientes. Utilice la nomenclatura correspondiente. Desarrolle las frmulas que use de manera completa. Interprete todos los resultados que determine en trminos del problema. La interpretacin del caso es parte de la resolucin y no corresponde que realice preguntas al respecto. CIERRE DE EXAMEN: El caso que decida no responder se debe completar con el smbolo vaco ( ). Anule los espacios en blanco en las hojas propias, firme la ltima indicando ah cantidad usada incluida la presente. El examen no se evala si no est firmado.

1. En una empresa se elaboran los datos de las ventas semanales realizadas por sus vendedores y se obtiene la
siguiente informacin: el promedio de ventas es de $5694, la venta que se present en ms semanas es de $5328, el 50% de las semanas supera una venta de $5475; la variabilidad relativa es de 25%. Variable: ventas semanales Tipo: cuantitativa continua Unidad de medida: $ (pesos) Unidad de anlisis: semana 1.1. Es la media aritmtica representativa? Justifique estadsticamente a. Datos: = $5694 , Mo = $5328 , Ma = $5475 , CV% = 25% No, la media aritmtica no es representativa. El CV% > 20%, lmite para considerar la distribucin homognea y, consecuentemente, la media aritmtica representativa. 1.2. Determine la forma de la distribucin. Justifique. Realice un grfico aproximado Regla emprica: es Mo < Ma < , lo que indica que existe asimetra a derecha, con sesgo positivo Coeficiente de Asimetra de Pearson, CAP = -Mo

CV% = = CV% . = 25% . $5694 = 1423,5 CAP = (5694 - 5328) 1423,5 = 0,2571 Un CAP positivo nos indica asimetra a
derecha Ambos mtodos indican que la distribucin se concentra en los valores bajos de la variable, la asimetra es a derecha y el sesgo positivo.

Grfico aproximado

2. Una empresa de publicidad realiza una investigacin de mercado antes de lanzar una campaa publicitaria,
consultando por la preferencia por distintos gustos de caramelos cidos y la forma de los mismos: Gustos Formas Total Uva Manzana Limn mEnta Redondos 25 53 48 96 222 Cuadrados 48 58 94 78 278 Total 73 111 142 174 500 Gustos es variable cualitativa nominal, con 4 categoras (U, M, L, E) Formas es variable cualitativa nominal, con 2 categoras (R, C) Sucesos para la variable Gustos: Uva, Manzana, Limn, mEnta (mayscula= abreviatura del suceso) Sucesos para la variable Formas: Redondos, Cuadrados (idem) Tabla de probabilidades: Gustos Formas Redondos Cuadrados Total Uva 0,050 0,096 0,146 Manzana 0,106 0,116 0,222 Limn 0,096 0,188 0,284 mEnta 0,192 0,156 0,348 Total 0,444 0,556 1,000

2.1 Si un encuestado elije caramelos redondos R, cul es la probabilidad que prefiera de manzana M?............. Probabilidad Condicional. Es P(M/R)= P(MyR)/P(R) = 0,106/0,444 = 0,239 R.: Si un encuestado elije Redondos, la probabilidad de que prefiera de Manzana es 0,239 (el 23,9%)

2.2 Se quiere saber la asociacin entre el gusto y la forma de los caramelos, se realiza el test y se obtiene un 2 = 18,2. Con un nivel de significacin del 10% podra indicar si son independientes? ................................. Test de independencia. Distribucin X2. Utilizando un a=0,1 se quiere probar si hay independencia entre el gusto y la forma de los caramelos H0= Las variables Gusto y Forma son independientes H1= Las variables Gusto y Forma no son independientes Bajo la H0 si pGM=pG . pM entonces nRM=174.222/500=77,256 La tabla de valores esperados es Gustos Formas Redondos Cuadrados Uva 32,412 40,588 Manzana 49,284 61,716 Limn 63,048 78,952 Menta 77,256 96,744 Total 222 278

nGM nG nM n .n = . nGM = G M ; por ejemplo para Redondo y mEnta es n n n n

Esta parte es innecesaria

Total 73 111 142 174 500 El estadstico de prueba es la distribucin Ji cuadrada con (filas -1 = 1) x (columnas -1 = 3) = 3 grados de libertad

(oi - ei )2 X = ei i=1
k 2

Armamos la siguiente tabla: Observados 25 53 48 96 48 58 94 78 Total Esperados 32,412 49,284 63,048 77,256 40,588 61,716 78,952 96,744 (oi - ei )2 ei 1,695 0,280 3,592 4,548 1,354 0,224 2,868 3,632 18,191 2 Lo que confirma el valor del X =18,2 del enunciado Este valor de X2=18,2 corresponde al X2M calculado, muestral, que debemos comparar con el X2C crtico, de tablas, con (4-1).(2-1) grados de libertad y un nivel de significacin a=0,1. Se rechazar la hiptesis nula si X2M > X2C((f-1)(c-1);1-a) = X2C(3 ; 0,9)

X2M calculado es mayor que el X2C(3 ; 0,9) crtico, por lo tanto rechazo la hiptesis nula, pudiendo afirmar que Forma y Gusto de los caramelos, dentro de un nivel de significacin del 10%, son dependientes.

3. Se conoce que de la poblacin que usa lentes de contacto, el 40% los prefiere de color. Si se selecciona una
muestra de ocho personas de dicha poblacin, Cul es la probabilidad que 3 o 4 personas prefieran lentes de color?.............................................................................................................................................................. Distribucin binomial: El experimento aleatorio es preguntar la preferencia por lentes coloreados a quienes usan lentes de contacto; las nicas respuestas posibles son s o no; el experimento se repite 8 veces ya que la muestra seleccionada es de esa cantidad de personas; se considera xito la respuesta afirmativa, la probabilidad elemental es p=0,4 ya que el 40% de quienes usa lentes de contacto los prefiere de color. La variable aleatoria x (cuantitativa, discreta) es la cantidad de personas que prefieren lentes de contacto de color de un grupo de 8 personas que usan lentes de contacto. La Esperanza E(x) = n . p = 8 x 0,4 =3,2 se espera que de un grupo de ocho, tres las prefieran de color. La variancia de la variable es V(x) = n . p . (1-p) = 8 x 0,4 x 0,6 = 1,92 personas2, y el desvo estndar es = 1,385 personas. Para realizar la distribucin de probabilidades calculamos la probabilidad para cada valor de la variable entre 0 y 8 n con la frmula . El nmero combinatorio n nos permite obtener la cantidad de P(X = r) = .px .(1 - p)n-x x combinaciones posibles: x X 0 1 2 3 4 5

8 x 8-x x .p .(1 - p)
1 . 0,40 . 0,68 8 . 0,41 . 0,67 28 . 0,42 . 0,66 56 . 0,43 . 0,65 70 . 0,44 . 0,64 56 . 0,45 . 0,63

P(x) 0,01680 0,08958 0,20902 0,27869 0,23224 0,12386

Jul 2009 v 6

6 7 8

28 . 0,46 . 0,62 8 . 0,47 . 0,61 1 . 0,48 . 0,60

0,04129 0,00786 0,00066

La probabilidad de que exactamente 3 personas prefieran lentes de color, P(X = 3) = .0,43.(0,6)8-3 es 3 0,2787 La probabilidad de que exactamente 4 personas prefieran lentes de color, es de 0,2322 La probabilidad de que 3 o 4 personas prefieran lentes de color, es P(x=3) + P(x=3) = 0,2787 + 0,2322 =0,5109

de

4. Un test de coeficiente intelectual cuya puntuacin sigue una distribucin normal con media 90 y desviacin
tpica 15, fue aplicado a una poblacin de 2500 estudiantes cuntos se espera estn entre 60 y 120 puntos de coeficiente intelectual?................................................................................................................................. Definimos la variable x: valor del coeficiente intelectual en puntos. Variable cuantitativa continua, X ~ N( = 90 puntos; s = 15 puntos). Se pide P(60 < x < 120); para realizar el clculo se tipifica la variable, es decir, se pasan a puntuacin z los dos valores. Z60 = (x - x) / x = (60 90) / 15 = -2 Z120 = (x - x) / x = (120 90) / 15 = +2 Para estos valores de z se obtiene la probabilidad de la tabla: P(60 < x < 120) = P(-2 < z < 2) = P(z < 2) - P(z < -2) = 0,97725 - 0,02275 = 0,95450 E(x) = n . p = 2500 x 0,95450 = 2386,25 alumnos R: Se espera que 2386 de los 2500 alumnos, obtengan un resultado del test de coeficiente intelectual entre 60 y 120 puntos.

5. Se quiere estimar el tiempo de atencin de los alumnos en clase, para ello se realiza una muestra de 40
estudiantes y se obtiene un promedio de 80 minutos, se conoce por estudios anteriores que el desvo estndar es de 20 minutos. Variable x: tiempo de atencin en clase X ~ N (80 min; 202 min2) Variable x : tiempo de atencin en clase de la muestra de alumnos X ~ N (80 min; 202/40 min2); el desvo estndar muestral es 10 min (= 202 / 40) Tipo de variable: cuantitativa continua Unidad de medida: minutos Cantidad de valores en la muestra: 40 5.1 Entre qu valores se puede estimar el tiempo de atencin de los alumnos con un riesgo del 5%?............. Promedio x = 80 min Desvo estndar S = 10 min Dado que conocemos el desvo estndar y la muestra supera los 30 casos, utilizamos el desvo muestral y la distribucin normal. Se nos pide un intervalo de confianza, P( x -z-a2 . / n < < x -z1-a/2 . / n ) = 1-a, siendo

x = 80 min, = 20 min, n = 40, a = 0,05 -a/2 = 0,025 y 1-a/2 = 0,975

De tablas, es z0,975 = 1,960 y z0,025 = -1,960 Reemplazando, P( x -z-a2. 202 40 << x -z1-a/2. 202 40 )=1-a P(80-1,960. 10 << 80 + 1,960 .

10 ) = 0,95

P(73,8 min < < 86,2 min) = 0,95. La probabilidad de que el verdadero valor del parmetro se encuentre entre 1h13m48s y 1h26m12s es del 95% 5.2 Se desea conocer en cunto se debe aumentar el tamao de muestra para disminuir el error en un 30% El error cometido es E = 1,960 .

202 n = 6,1981. Disminuir el error en un 30% es redefinirlo a 6,1981 x 0,7 =

4,3386 con lo cual, E = 4,3386 = 1,960 . 20 / n n = 1,960 . 20 / 4,3386 = 9,0352 y en consecuencia n = 81,6 R: El tamao de muestra debe incrementarse en 42 alumnos, a un total de 82, para que el error disminuya en un 30%, al 3,5%

6. Responder al dorso de esta hoja:

Jul 2009 v 6

6.1 Cules son las condiciones que se deben cumplir para aplicar la distribucin binomial? Dos resultados posibles; A se considera xito y A , fracaso. Son mutuamente excluyentes y exhaustivos. En cada prueba, la probabilidad de que se presente el suceso A (probabilidad elemental) se mantiene constante

P(A)= p; la suma de las probabilidades es 1 y en consecuencia la probabilidad de fracaso P( A )= 1-p = q Se realizan n repeticiones independientes del experimento Se define la variable aleatoria X como el nmero de veces que aparece el suceso A en las n repeticiones independientes del experimento aleatorio. X es una variable aleatoria discreta que toma valores entre 0 y n. n x La frmula para la funcin de masa de probabilidad es: n-x Esta parte es innecesaria

P(X = r) = .p .(1 - p) x

La esperanza matemtica y la variancia estn definidas mediante las siguientes frmulas: E(x) = n . p V(x) = n . p . (1-p) Los parmetros de una distribucin son constantes que se definen para cada poblacin, en nuestro caso para cada distribucin los parmetros son: n y p. Decimos que X se distribuye (~) binomialmente con parmetros n y p, simblicamente X ~ Bi (n; p). La grfica de la distribucin es un grfico de bastones. 6.2 En el anlisis de regresin, qu mtodos se pueden utilizar para validar el modelo? El anlisis de regresin trata del estudio de la dependencia de la variable dependiente, explicada o predicha, en una o ms variables independientes, explicativas o predictoras. Esta parte es innecesaria El anlisis de regresin tiene como objetivos: *Modelizar la relacin entre variables, encontrar una frmula matemtica que se ajuste a la informacin brindada por los datos. *Estimar valores de la variable de respuesta o dependiente a partir de la frmula del modelo hallado de acuerdo a la relacin que tiene con las variables independientes. *Conocer la dependencia estadstica entre las variables, sino la que est dada por variables aleatorias o estocsticas, que tienen distribucin de probabilidad; en el anlisis de regresin se considera que la variable dependiente es aleatoria y las variables independientes son fijas en el muestreo repetido. De los objetivos bsicos sealados se desprende que en el anlisis de regresin permite: *Obtener la expresin matemtica o frmula que relaciona ambas variables. *Estimar la variabilidad en torno a la frmula. *Estimar y realizar inferencias acerca de los verdaderos valores poblacionales de los coeficientes de regresin. *A partir de la expresin matemtica obtenida predecir, dentro de un rango razonable de valores, futuros valores de la variable dependiente, asignando para ello valores a las variables independientes. El modelo lineal general es:

y1 = 0 + 1 .x1i + 2 .x2i + ... + k .x ki + e1 con i = 1,2,...,n

La variable dependiente es Y. Las variables X son las independientes, el modelo indica que puede contener k variables independientes. o 1 2 . . . k Son k+1 coeficientes de regresin y son los parmetros de la regresin. El error aleatorio ei no observable asociado con las Yi, ei es un sustituto para todas aquellas variables que son omitidas del modelo pero que afectan a Y, debido a: Variables omitidas Falta de disponibilidad de informacin La posibilidad de que exista alguna aleatoriedad intrnseca en Y que no pueda ser explicada Datos con errores de medicin Principio de Parsimonia estadstica: mantener el modelo lo ms sencillo posible utilizando las variables que explican sustancialmente el modelo El modelo se compone de dos partes: el componente sistemtico o determinstico y el componente aleatorio o no sistemtico. El trmino regresin lineal significa que es lineal en los parmetros 1 y puede ser o no lineal en las variables explicativas X. La regresin puede ser o no lineal, simple o mltiple si el modelo tiene una o ms de una variable independiente. En el anlisis de regresin lineal simple con una sola variable independiente, la grfica es una recta que corresponde a la funcin lineal y i = + .x i + ei donde los parmetros son a y , y el error aleatorio es ei. En el anlisis de regresin, el modelo se valida con el coeficiente de determinacin r2, una medida resumen que nos dice qu tan bien se ajusta la lnea de regresin muestral a los datos, es una medida de la bondad del ajuste. ( x i .yi - n.x.y)2 *Es positivo 2 r = *Sus lmites son 0 r2 1 ( x i2 - n.x 2 ).( y i2 - n.y 2 ) *Indica la proporcin de la variacin en la variable dependiente explicada por las variaciones de las variables independientes

Jul 2009 v 6

RESPUESTAS 1.1 No 2.1

53 / 500 = 0,2387 222 / 500

1.2 Asimtrica a derecha, sesgo positivo 2.2 X2 0,90; 3 = 6,25 Rechazo Ho y las variables son dependientes

3.1 0,27869184 +0,2322432 = 0,51093504 4.1 P(-2 < Z < 2) = 0.97725 - 0.022075 = 0.9545 Se espera 2386.25 estudiantes 5.1 73.8 y 86.2 5.2 82

Jul 2009 v 6